智能化学生管理评估信息系统构建中ANN算法的应用研究

徐景彩

（西安医学院，西安 710021）

学生管理数据来源较为复杂且多样化，评估标准过程单一不成熟。随着Internet的快速发展和数据库的不断完善，信息化管理在数据应用方面显得十分重要，学生信息管理系统体系框架逐渐清晰，由C/S 扩展到B/S，B/S是一种新型的网络结构模式，管理者在处理业务时只需安装浏览器，实现与Web服务器的数据交换。B/S的结构框架不仅满足了管理者处理业务的需求，还降低了数据库的负担，同时也保护了大量并发访问用户的安全，具有一定的可扩展性和可维护性[1]。

1 信息管理系统现状

近年来，管理评估系统在高等院校中得到了广泛的应用，国内国外相关科学研究人员对信息管理系统的理论和实际应用做了深切研究。信息管理系统通过对管理系统的应用和教学课堂信息，验证了核心算法对教学效果的提高是非常有帮助的。现阶段高职院校学生管理水平低、信息化管理平台不够完善且存在诸多问题，文章通过物联网、Web、Java 等相关技术对管理评估系统进行设计开发，实现交互式平台构建，使高职院校的管理工作更加的科学化、智能化，对今后高职院校提升管理质量和学生管理水平具有重要意义[2]。

2 学生管理评估系统

文章以高职院校学生工作考核指标体系为系统框架，主要针对高校学生管理人员和学生交互部分，应用范围广泛数据来源较复杂[3]。完善的学生管理评估系统是将学生各项的复杂数据进行整理归类，形成数据结构，并利用信息管理系统进行统一管理。将考核学生工作指标信息来源划分为主观与客观，充分考虑与学生管理工作相关的各种因素，规避影响全面评体系的构建。

3 需求分析与系统设计

3.1 需求分析

文章以X城市高职院校为案例，将院校对学生的考核指标录入至评估系统进行维护与智能化评估。系统对各部门开设的权限和登录账户都是不一样的，各部门根据自身负责的评估内容，输入对应的信息完成评估过程，该系统操作过程只限管理人员。管理评估信息系统提供了三级考核指标管理功能，每一级系统考核都是管理人员在进行考核前设定的，对评估结果系统有表格专门记录数据、分值以及评估内容，每一次历史评估结果后期都是可以调取查看的。考虑现有的数据结构和评估体系的主观性，对各类数据以实验算法进行智能化评估得出参考值，且智能化评估接口不与主模块整合。

3.2 系统设计

学生管理评估信息系统根据系统需求整体设计为两部分：①前台功能，主要包括用户信息维护、项目信息查询、编辑；②后台功能，主要包括分析评估结果、系统以及项目管理等3大主要部分，每个主要部分又分布了其他功能的小模块。为使系统具有较好的延伸性和扩展性，在系统进行设计时选用灵活架构，确保指标体系内容与数据库结构不发生关联。图1显示为数据库设计实体关系图。

图1 数据库E-R图Fig.1 Database E-R diagram

4 学生管理评估信息管理系统的实现

4.1 系统工程控制框架

根据系统需求将整个系统划分设计为前后两部分，管理端即后台，负责对运行数据及用户评估指标进行管理；前台即系统的前端，主要负责与用户交互时提供数据。Struts 是一个MVC 框架，学生管理评估系统则是建立在Struts 框架上的，通过服务连接器实现页面的跳转和消息的处理。整个学生管理评估系统将EC（Eval Conroller，中文翻译为评估控制器，文中以“EC”表示）作为主要控制模块，通过派遣方式实现对系统的评估、删除、结果查询、修改评估值等操作。如果用户在当前页面执行某一项动作时，系统会触发EC 与开源框架在接受该动作时根据模块属性进行匹配验证。由于系统中Struts 与开源框架的整合，使配置文件中的代理可以控制由Struts 转移给Spring。当开源框架被调用时，评估管理系统的控制权由Spring获得，然后通过应用前后关系在开源框架中找到实际调用的业务类。最后根据Spring依赖特性向Action注入由用户编写的Hibernate Dao用户支持性实例，包括各类数据的访问代码及业务逻辑处理方法。Hibernate即开放源代码对象关系映射框架，可以使代码持久化，在使用它面向编程的特性实现Struts、Hibernate 有关事务以及安全的控制也可以利用它依赖注入的特性动态的加载数据源，完成Hiber-nate的初始化工作[4]。

4.2 数据挖掘下学生管理评估模型

由于系统指标体系来源存在着不同的可靠性与主观性，得到的学生评价结果不够全面，故提出使用数据挖掘技术，通过对以往历史数据集的分析，采用ANN（人工神经网络，Artificial Neural Network，文中简称：ANN）捕获潜在规律，提高评估模型的准确性。本章节对学生管理评估系统框架的设计及数据分析进行了研究。

ANN源于人工神经网络，是模拟人类脑部结构与人类智能，并获得广泛研究的学习器模型。ANN由具有计算能力的神经元组成，且具有一定的互连性。成熟的人工神经网络被设计划分为三层；①输入层，该层的输入数据和n（神经元，neuron，文中以n 代替）一致；②隐藏层，n 是可变参数；③输出层，改成n个数与输出目标数一致[5]。ANN模拟结构图详见图2。

图2 ANN 模拟结构图Fig.2 ANN simulation structure diagram

设计两组模型进行分析，①单个ANN 分析模型；②ANN网络，将所有数据输入模型中，网络输入层处置分别用可靠度与主观度的平均值，并手动设置评估值作为训练目标，最后将专家手动汇总ANN 分值作为最终评估模型。为了能够更清晰的描述模型，抛出问题设计模型进行谈论。

评估项目集为Q={Y1,Y2,…Yn} ， 项 目 为Yk={Yk1,Yk2,…Yk_n} ，其中Yk为指标集，指标个数在公式中用k_n，k={1 ,2,…,n} 。公式（1）为第一组模型。

公式中scoreall为最终输出分值，采用BP 算法对专家手工评分得到的训练集进行训练。公式（2）为第二组模型。

第二组模型ANN 理论上要比第一组模型更优越，当要求多名专家的加入，并要求专家对每一项数据进行手工评估。由于实际情况的限制性，无法获得多名专家的支持和足够的真实数据，所以无法对学生管理评估系统的有效性进行判断。为了证明模型能够捕获数据的内在规律，设置一组取值结合方差较大的随机数，以此组数据进行训练，将专家手工评估数据作为真实的评分来验证模型的有效性[6]。

4.3 系统测试

4.3.1 评估信息管理功能

文章以X城市高职院校为案例，对该院校系统进行测试。由于学生管理评估信息系统指标数据存在一定信任度和主观度，故在校内找到8名专家，专家姓名以大写字母代表并依次排序，每位专家都是在学生管理和教学方面具有丰富经验。专家对每一组指标数据的信任度和主观度进行评估，去掉一个最高值和最低值，最终结果为专家评估的平均值。如表1所示具体评估信息。

表1 专家评估信息Tab.1 Expert evaluation information

4.3.2 智能化评估实验

在院校的学生管理工作中，由于评估数据记录不完整，所以专家对学生评估的各项进行了主观评分，以此数据作为对评估模型的训练。将各院系提交的学生管理模拟数据进行ANN模型训练，并对预测值和指标体系的评估分数进行平均计算，得到最终评分[7]。表2详情可见各指标的加权分值发生了偏离，这种偏离充分反映了管理评估的倾向程度和指标体系中权重的不同。

表2 智能化评估分值比较Tab.2 Comparison of intelligent evaluation scores

图3详情展示了专家以百分制在不同方面对指标体系的评分差异，纵向为专家评分，横轴为指标，为评估管理体系设计更加的合理，可将通过ANN 获得的倾向程度作为指标体系的有益补充。以可视化方式对各项目评分情况进行展现，平均值以红线表示，上下限表示最高和最低评分值，蓝色方框则表示前15%和后85%的评分范围[8]。同时，文中所提出的智能化评估模型中2 与1 相比较，无论是在加权值或运行率上来说，模型2全面优胜模型1。

图3 专家评分分布箱线图Fig.3 Box diagram of expert score distribution

5 结语

文章针对智能化学生管理评估系统进行设计与研究，有效的提高了高职院校对学生的管理水平和管理质量[9]。以Web、Java 相关技术作为学生管理评估体系的基础设计，使院校的管理工作更加的科学化。于此同时，还针对学生管理评估提出了数据挖掘模型，该模式是基于ANN 的一种新型学习器，有效的提高了模拟数据的准确性。学生管理工作是院校的管理核心，信息平台在院校的广泛应用有助于对数据的挖掘和历史数据的分析，还有助于专家进行评估工作。学生管理评估系统智能化技术与信息化平台的相结合不仅对院校管理工作进行评估，还明确了科研人员今后的研究方向[10]。