基于J2EE架構的通用教學評價系統的設計與實現

摘 要 基于目前數字化校園系統中教學評價模塊的功能單一、模型固定和重復開發等問題，作者給出了一個通用的教學評價系統，該系統的主要功能流程、系統的體系結構和實現技術，以及所用到的兩種重要算法：AHP法和BP神經網絡。該系統可作為一個模塊直接嵌入不同的網絡教學平臺與數字化校園系統，具有通用性強、擴充性好等優勢，能有效的排除模型定制中人為因素的干擾，具有較強的實用和推廣價值。

    關鍵詞 評價模型 struts框架 AHP法 BP神經網絡

    1 引言

    隨著Internet應用的普及，網絡化教學日益成為一種重要的教學手段和教學場所，作為網絡化教學系統的一個模塊，教學評價系統承擔著監督教學效果、使教學雙方形成有效交互與反饋以及對教學過程的決策取向產生直接參考依據的重要任務。但是，目前我國還沒有網絡化教學評價的基本標準，教學形式和教學對象的多樣性也導致難以制定一個統一的標準。

    為了解決上述問題，本文給出了一個通用的教學評價系統，該系統不僅解決了重復開發造成的資源浪費，對不同的基于J2EE架構的網絡教學系統或者數字化校園平臺，只須把該系統作為一個模塊嵌入其中，就可輕松實現評價功能，而且針對各種不同的需求，提供評價表單、權值的定制功能，教學單位可根據自己的實際情況選擇使用AHP法、BP神經網絡法或常規法定制適合自己的評價模型。前兩種方法，本系統提供評價模型的生成和檢驗機制，用以保證所定制的模型符合用戶需求，以最大程度排除人為因素的干擾，是本系統的核心和關鍵技術。

    2 相關算法介紹

    2.1 AHP 法

    AHP是Analytic Hierarchy Process（層次分析法）的簡稱，它是一種定性和定量相結合的系統化、層次化的分析方法，適用于多目標、多準則的復雜評價問題。它能提供一種方法把定性的評價標準定量化，形成對每一評價指標的權值，由于它同時提供一致性檢驗從而可以保證所得權植的客觀合理性。其主要步驟為：

    1) 建立層次結構模型

    2) 構造判斷矩陣

    3) 層次單排序及其一致性檢驗

    4) 層次總排序及其一致性檢驗

    利用AHP法建模的關鍵在于判斷矩陣的構造，這需要在建立層次結構之后進行兩兩標度比較，這項工作一般要由專家來做。

    2.2 BPNN 法

    即BP神經網絡法，又稱誤差逆傳播學習算法，分為三層：輸入層、隱含層和輸出層。在具體應用該網絡時分為網絡學習及網絡工作兩個階段。網絡的學習過程由正向和反向傳播兩部分組成。在正向傳播過程中，每一層神經元的狀態只影響到下一層神經元網絡。如果輸出層不能得到期望輸出，就是實際輸出與期望輸出值之間有誤差，那么轉入反向傳播過程中，將誤差信號沿原來的連接通路返回，通過修改各層神經元的權值，逐次向輸入層傳播去進行計算，再經過正向傳播過程，這兩個過程的反復運用，使得誤差信號最小。當誤差達到人們所希望的要求時，網絡的學習過程就結束。在網絡的工作階段，根據訓練好的網絡權值及給定的輸入向量，按照“模式順傳播”方式求得與輸入向量相對應的輸出向量的解答。

    BP網是一種反向傳遞并能修正誤差的多層映射網絡。當參數適當時，此網絡能夠收斂到較小的均方差，是目前應用最廣的網絡之一。使用BP神經網絡來進行權值的定制是基于它具有能任意精度近似線性非線性函數的特性，把樣本與權值組的映射關系看作一個非線性函數，用BP網絡去近似這個函數，只要樣本是合理的，那么得出的權值也是合理的。

    根據R.Hech-Nielson的論證，一個三層BP神經網絡可以實現任意精度、任意連續函數的映射，故我們僅取一個隱含層。輸入層和輸出層的節點數，按實際應用需要而定。隱含層節點數的確定，跟輸入層和輸出層的神經元個數有關，但具體的定量關系目前仍無定論。按照Charence N.W.Tan和Gerhard E.Wittig(1993)的說法，一般情況下輸入層、單個隱含層和輸出層的神經元個數基本相等或呈金字塔結構時，BP模型的運行效果較好。因為取節點太少,網絡不“強壯”，難以達到目的；取節點太多，使學習時間過長，誤差不一定最小。

    3 系統的體系結構

圖1　系統總體結構圖

    如圖1為評價系統的總體結構圖，從邏輯上可以把整個系統分成三個大的子系統，模型定制子系統、教務管理子系統和教學評價子系統，分別由模型管理員、教務管理員和評價用戶來操控。每一用戶登錄時，首先查找自身的數據庫，若數據庫中沒有該用戶的身份認證信息，將訪問平臺系統數據庫，從中取得用戶的合法身份信息，并將有效用戶存入評價系統自身的數據庫，同時，根據用戶的角色進入相應的功能頁面。

    3.1 模型定制子系統中

    評價模型的定制分兩步，第一步要從指標庫中選取評價指標，對指標庫的維護由模型管理員負責，評價指標分為兩類，一類是定性描述指標，一類是定量指標，定量指標須從元數據集中選擇指標所對應的元數據。元數據集是能夠從網絡教學系統提取的定量信息的數據集合，客觀反映了學生和教師參與教學的情況。指標選擇完畢，還要定制每一指標的權值，定制權值的方式有三種：自定義法、BP法和AHP法。

    自定義法可以對某一模型的指標直接輸入權值，這一方法和目前大部分評價系統的實現功能相同，當評價模型已經確定或是有統一的評價標準時，可選擇這種方式定制權值。

    AHP法需要對評價領域較熟悉的專家決定出反映各指標的相對重要性的判斷矩陣，在定制過程中，系統提供了一個界面友好的定制模塊，讓用戶可以比較方便的完成定制操作。如果輸入的判斷矩陣不滿足一致性要求，那就意味著比較參數有自相矛盾的地方，系統將會報錯并返回重新輸入參數。AHP的這種驗證機制能保證用戶最大限度的精確量化在潛意識中指標的重要程度，從而定制出符合要求的評價模型。

    使用BP法在定制權值時需要評價樣本的輸入，評價樣本提供了一個模板，它實際是由一些孤立的點來確定一條多維的權值曲線，權值曲線的合理與否與樣本的合理性緊密相關。樣本庫由教務管理員員管理和維護，可以組織專家制定樣本或是在AHP法運行一段時間后由教務人員從產生的評價實例中提取樣本來組成樣本庫。BP法通過誤差反傳的方法來不斷調整預設的權值，當誤差小于某一預設的值時完成權值訓練，否則繼續調整下去。由此可見，BP法自身也具有檢驗機制，這樣得出的權值能最大限度滿足用戶的需求。

    通過定制不同的評價模型，系統可以對教學的各個方面進行評價。模型管理員負責模型的管理維護工作，可以對模型進行編輯和刪除操作，還可以通過提供樣本對已經定制完成的某模型進行模型檢驗，以此來對模型的可用性進行評估。評估算法主要采用取所有樣本的實際評價結果和理想值之間的均方誤差，將該誤差值與某一上限值做比較，并在該模型做上標記，并附上誤差值，以供教務管理員選定評價模型時參考。

    3.2 教務管理子系統

    由教務管理員實施，主要完成評價模型的選擇、打開或關閉模型以及樣本庫的管理以及其它管理功能。 評價模型定制完成之后，由教務管理員來控制系統的評價流程，教務管理員選擇一個或多個評價模型使其生效并進入實際運行，參評者就可以對相應模型進行評價。教務管理員還可以將評價開關關閉，使評價暫停。此時若參評者訪問評價頁面，系統會告知評價功能由管理員關閉，暫停評價。關閉評價并不影響正常的瀏覽等其它操作的進行。

    在樣本庫管理中，可添加和刪除樣本，或者從以往的評價結果信息中提取出一些評價結果作為樣本存入樣本庫，以備BP法定制權值和模型檢驗時使用。 教務管理員還可以瀏覽全部的評價信息，系統對評價結果采用橫向比較、縱向比較、表、圖等多樣化顯示，方便快速直觀的對評價結果做出判斷。

    3.3 教學評價子系統

    該子系統是系統的核心，主要完成對評價對象的評價功能。參評者登錄之后，系統根據參評者的評價權限列出其可參評的有效評價項目，參評者可以從其中選擇一個進行評價，評價時，每一項評價指標的評價得分都要輸入相應的評價模型進行運算。其中，定性描述指標得分通過參評者提交得到，而定量指標得分則由評價系統從網絡教學系統自動提取。

    所得到的評價得分存入參評者的評價記錄，每隔一定時間，系統將從評價記錄中讀取這些信息，產生最終的評價結果。 評價可以重復進行，此時舊的評價信息將被替換，被評價者可以實時瀏覽評價結果，以達到對教學的實時反饋作用。

    4 實現技術

    4.1 基于struts 的框架結構

圖2 系統的框架結構設計

    本系統采用基于struts的MVC編程設計思路，將用戶顯示界面、流程控制和業務邏輯進行分離。其框架結構圖見圖2，在客戶端，用戶提交需求，數據信息以request或FormBean兩種方式提交到web服務器，在web服務器中，Struts Action完成主要的數據封裝和流程轉發工作，Action Servlet起著控制器的作用，控制邏輯利用Struts-config.xml文件來配置。在模型層，EJB則處理業務邏輯，定制模型所涉及到的算法都在EJB中完成，之后通過DAO訪問數據庫完成數據的存取。

    4.2 與教學平臺系統的數據同步設計

    由于該評價系統定位于可嵌入不同的教學平臺，對于各種教學平臺，其數據庫的結構設計也有著較大差別，因此，如何解決與不同平臺系統數據庫的數據同步，是解決通用性的關鍵。

    本系統采用在XML基礎上發展起來的Web服務（Web Service）技術來實現系統間的功能控制和信息交互與共享。Web服務使用基于XML的消息處理作為基本的數據通訊方式，消除使用不同組件模型、操作系統和編程語言的系統之間存在的差異，使異類系統能夠作為計算網絡的一部分協同運行。開發人員可以使用像過去創建分布式應用程序時使用組件的方式，創建由各種來源的Web服務組合在一起的應用程序。由于Web服務是建立在一些通用協議的基礎上，如HTTP、SOAP、XML、WSDL、UDDI等，這些協議在涉及到操作系統、對象模型和編程語言的選擇時，沒有任何傾向，因此Web服務將會有很強的生命力。兩個應用程序通過Web服務進行遠程通信時，所需的標準核心構件如圖3所示：

圖3 Web Service的核心構件塊

    使用Web Servic方式進行數據共享，對使用本評價系統的教學平臺而言，只須在原系統的基礎上開發一個訪問其數據庫的模塊，并將其部署到Apache SOAP上(可選擇使用其他的服務器)，訪問數據的接口方法由本系統的數據訪問規范確定，而由教學平臺端實現。當評價系統需要訪問平臺系統的數據信息時，調用SOAP客戶端代碼，把請求發送至服務器，調用相應的服務接口方法，結果返回和參數傳遞都是通過RPC來完成。

    Web Service基于XML文檔進行服務描述，服務請求和反饋結果，可以在Internet上通過HTTP協議進行傳遞，很容易的被訪問和返回結果。同時，由于Web Service的相關標準都是W3C的開放協議，與平臺和操作系統無關，不同的平臺和操作系統上的Web Service的實現在很大程度上可以做到互操作，這就使異構平臺上應用的集成變得很容易。

    4.3 評價的有效性解決方案

    除常規法外，另外兩種定制權值方法即AHP法和BP神經網絡法自身都具有有效性驗證機制。對AHP法，用戶在建立各指標的兩兩標度比較矩陣后，評價系統將對矩陣的一致性進行判斷，若誤差(一般采用均方誤差)大于設定的某個最小值，將會報錯，那就意味著輸入參數不符合一致性規范，系統將提示用戶重新定制，直到所定制的模型能真正反映用戶的需求，這在一定程度上避免了定制的隨意性。其次，BP法本身有一個逐漸收斂的學習過程，在評價樣本具有足夠可信度的情況下，評價權值將無限接近樣本所反映的理想模型(需要有足夠多的樣本)，收斂的時間正常是與樣本的數量成正比，用戶可在運行速度和精確性之間求得折衷。 本評價系統把評價成績和訪問量、登錄次數、考試成績這樣一些硬性指標掛鉤，對評價對象的評價角度從多個方面來考慮，教學單位在定制評價模型時可選擇使用，從而給被評價對象一個盡可能公正的評價。

    5 結論

    本文大略介紹了系統的設計思路、體系結構以及所用到的主要的實現技術和算法依據。對于具體的細節，由于篇幅所限，沒有涉及。從用戶需求角度講，該系統通用性、可維護性強，可避免相當大一部分重復開發工作，并且，由于引進兩種算法使評價結果的有效性和合理性得到更大的保證，具有較大的實用和推廣價值。

    參考文獻：

    1) 盧宗華. AHP矩陣一致性判別和元素修正方法及其應用[J].山東科技大學學報第三期,2000-09

    2) 焦李成. 神經網絡系統理論[M].西安:西安電子科技大學出版社, 1996

    3) Hecht-Nielsen R. Theory of the Back Propagation Neural Network [A]. In: Proc 1989 IEEE IJCNN [C], 1989.593-603

    4) Wei Qiang, Zhang Shijun, Zhang yongchuan. How to Determine the Structure of the Hidden Layer in Neural Networks[J]. International Journal Hydroelectric Energy, 1997

    5) 蔣繼承,莊成三,吳志誠. 用SOAP和WSDL實現異質應用系統的無縫銜接[J].計算機應用,2004(2):146-150

    6) 劉釗,盧正鼎. 大數據量傳輸下SOAP的性能研究[J].華中科技大學學報(自然科學版),2004(3):65-67

原文轉自：http://www.anti-gravitydesign.com