孟 晨，于洪涛，张 军
（内蒙古民族大学，内蒙古 通辽 028000）
0 引 言
课程设计评价是教学过程中需要持续进行且不可分割的部分。进行有效的课程设计评价能够使教师更加了解学生的学习情况以及自己的教学效果，随着我国教育事业的快速发展，在教育改革与规划发展中明确指出了我国未来教育的发展方向：将提高质量作为重点，以服务为基础，以工作为方向，全力推进教育改革。所谓课程设计是指在学校教师的指导下，体现出学习者在学习过程中的主要内容，主要包括教育目标、教学内容以及教学活动。对课程设计进行评价是决定教学质量的关键要素，人们也越来越认识到对课程设计进行有效评价的重要性[1⁃2]。在传统的课程设计评价系统中，由于内部的评价算法性能较差，导致在对某课程进行评价时，因系统正常响应时所能够承载的用户并发数较少，以至于当用户数量较多时，系统容易出现崩溃瘫痪的情况。针对上述情况，本文设计一种基于人工智能技术的课程设计开放式评价系统以提高系统性能。
1 基于人工智能技术的课程设计开放式评价系统研究
为了满足本文系统的性能需要，系统需要从硬件和软件两方面进行设计，系统的硬件即沿用原有系统的硬件设备，因此本文主要从软件方面入手设计。本文中系统软件的架构是根据NCEM 评价模型提出的[3⁃4]，该模型是一种基于开放体系并采用人工智能机器推理技术的模型，其通用性、实用性和扩展性都比较高。详细的系统软件架构如图1 所示。
图1 系统软件架构
图1 中：CS 表示一级评价指标的集合；CT 表示开发人员自定义的课程设计类型；MC，MΛ 表示数据的动态收集与分析，R，P，T表示课程设计所描述的三元组，用来描述课程的名称、科目、开发信息等。基于上述的系统软件架构，对软件设计中的各个部分进行详细设计。
1.1 选取课程设计的评价指标
评价指标能够客观、科学地反映出课程设计的属性与特征，是课程设计开放式评价系统指标体系中的重要因素，因此需要精心且严谨的挑选评价指标。首先通过对关于课程设计标准的相关文献进行参考，结合一系列有影响力和代表性的课程设计评价系统的论文[5⁃6]，从中进行评价指标收集，并对这些指标进行分析和综合处理，找出其中关联性比较强、评价角度相关的指标项，并采用综合分析法，形成4 个一级指标和27 个二级指标，由此提取出具体课程设计的评价指标如表1 所示。
表1 课程设计的评价指标
1.2 计算指标权重
表2 重要性标度表
综上分析得到两两判断矩阵B=(bIJ)n×n，接下来计算各要素之间的相对权重，将上一层指标的权重分配给当前指标后，每个指标的权重记作w1,w2,…,wn，且Bi，Bj的相对权重为：
由于人为的主观因素具有多样性和片面性，且评价因素较多，因此需要采用人工智能技术中的模糊理论进行具体的计算和判别[9⁃10]。模糊理论就是用模糊逻辑来描述现实生活中事物的等级，将其加以模糊定量化，从而得到归属度，利用归属度来完成课程设计的评价[11⁃13]。得到的判断矩阵可以表示为：
权重向量可以表示为：
判断矩阵可以表示为：
模糊矩阵是模糊关系研究中的重要工具，它是基于加权平均法的思想，能够精准的计算出各个指标的权重。
1.3 基于模糊理论的评价过程
对于本文课程设计的评价来说，涉及多种指标，系统中的评价算法可以用多指标因素集U来表示，即评价指标几何论域；且本文的评价指标体系设计到使用多层级评语进行评价[14⁃15]，因此可以将评语集合使用V来表示，即本文系统中的评语等级。那么这两个集合可以具体表示为：
对于加权评价来说，需要建立权重分配的模糊向量A，即指标权重集，为各个评价等级赋值，最终构成等级分数集合。因素集U与评语集V乘积的模糊关系可以用R来表示，其形式为模糊矩阵，求出指标与评价等级之间的隶属度函数，对A与R作矩阵乘法，得到综合评价矩阵T*：
最终的评价结果Q可以表示为：
式中P′为转置矩阵。本文的评价指标是分为多个层次的，因此需要将模糊判断进一步推广到多级模糊的综合评判。至此完成了基于人工智能技术的课程实际开放式评价系统的设计。
2 实 验
2.1 搭建系统测试环境
在完成基于人工智能技术的课程设计开放式评价系统的研究后，需要对设计的系统进行测试。课程设计评价系统的测试环境参数如表3 所示。
表3 系统测试环境参数
在系统测试过程中采用黑盒测试的方法，对学生、教师以及管理员三个模块分别进行测试。本文系统测试的验证目标主要是对系统的有效性进行验证。
2.2 测试过程
在上述实验条件下进入系统界面，完成新用户的注册后进入系统登录界面，将提前准备好用于测试的课程设计上传到课程库中进行统一管理，随后进行“课程下载”以及“认证申请”等功能测试，用户可以登录自己的个人账号进入到“课程评价”页面中，并从每一项课程指标中选择课程评价标准，由于系统是面向用户而设立的，因此其中的评价等级设置为“优”“良”“中”“差”，完成选择后提交评价结果，系统能够显示出用户个人的评价结果与分数，如图2 所示。
图2 个人评价结果
由于本文设计的评价系统为开放式，所以不仅学生可以进行评价，教职人员、技术人员与媒体人员都可以在系统中进行注册并获得评价资格，在对该课程设计进行评价时，系统将多方评价结果进行汇总，最终得到一个综合评价结果，如图3 所示。
图3 系统综合评价结果
在进行系统的压力测试时，将本文系统与原有系统同时放到Internet 上进行简单的连接测试与压力测试，主要是测试Web 应用程序系统在某一访问量上系统的性能，以此来保证Web 应用程序系统在所需要的访问量之下仍然可以正常工作。在系统测试中使用Apache Bench 性能测试软件，它可以多用户对特定的需要进行压力测试的URL 进行访问，在两系统中分别设置不同的用户并发数进行Apache Bench 压力测试。并将实验结果进行汇总与分析。
2.3 实验结果与分析
通过对系统的课程搜索界面进行压力测试，用户并发数量不断增加，在同一用户并发数下，测试请求数量为1 000 次，对响应时间求取平均值，并记录下请求失败的次数。原有系统的课程评价页面压力测试结果如表4 所示。
表4 原有系统评价页面压力测试结果
在相同实验条件下，本文系统的课程评价页面压力测试结果如表5 所示。
表5 本文系统评价页面压力测试结果
根据表4 与表5 的实验结果可以看出，原有系统中，当用户并发数增加到300 时，开始出现请求失败的情况，且随着用户并发数的增多，响应时间与失败数量都在逐渐增多，当用户并发数增加到500 时，系统已经无法响应。而本文设计的系统中，当用户并发数增加到450 时，才逐渐开始出现请求失败的情况，当用户并发数增加到500 时，系统仍然可以正常响应，虽然也出现了请求失败的情况，但是与原有系统相比，本文设计系统的失败数量明显较少，同时本文设计系统的响应时间也大大缩短了。因此可以证明，本文设计的基于人工智能技术的课程设计开放式评价系统相对于原有系统来说，能够在评价过程中有效增加用户并发数，提高系统在实际应用中的性能。
3 结 语
本文针对原有系统中所存在的问题缺陷，设计了一种基于人工智能技术的课程设计开放式评价系统。系统设计中重点应用模糊理论优化了评价算法的性能，提高了系统工作中的稳定性，并通过实验测试验证了本文系统所具有的优越性能。
