多媒体教学课件的评价方法研究

乔维德

（江苏城市职业学院常州学院 科研处，江苏常州 213001）

多媒体教学课件的评价方法研究

乔维德

（江苏城市职业学院常州学院 科研处，江苏常州 213001）

多媒体在教学中的应用主要通过教学课件来实现，而有效开发与使用课件需要设计良好的评价方法。为了更科学、客观评价多媒体教学课件，应用层次分析法（AHP）确定多媒体教学课件的评价指标体系，构建人工神经网络（ANN）多媒体教学课件评价模型。实验结果表明，该评价方法具有速度快、准确率高的优点，并得到了满意的评价结果。

AHP；ANN；多媒体教学课件；评价方法

0 引 言

多媒体教学课件是现代化教学手段的重要标志。目前，各学校纷纷开发出适合各学科的多媒体课件,并在教学中发挥了应有的作用,提高了课堂教学质量和教学效果。然而，教师设计开发的多媒体教学课件,由于缺少一定的审查环节,往往存在着非标准化和不规范的问题。因此，课件开发后,必须经过科学和客观的评价,才能真正提高课件的应用效果及教学质量[1]。

近年来,人工神经网络的理论研究和应用取得了令人瞩目的进展。人工神经网络具有自适应、自组织与自学习等特点，特别适用于从不精确的、模糊的,甚至相互矛盾的知识环境中作出评价决策。本文采用层次分析法（AHP）确立多媒体教学课件评价指标体系,并应用人工神经网络（ANN）中的BP神经网络法构建评价模型,进行多媒体教学课件的质量评价。

1 确立多媒体教学课件评价指标体系

层次分析法（AHP）是由美国匹兹堡大学著名运筹学家Saaty教授于20世纪70年代初提出的，80年代初传入我国。由于AHP在许多目标决策问题方面具有优势,目前已广泛应用于许多领域。作为一种定性与定量相结合的决策分析方法，AHP基本原理是：首先找出解决问题所涉及的主要因素，并将这些因素按照因素间的相互关联影响，分组形成有序的递阶层次结构(目标层、准则层和指标层)，再通过各层次中诸因素两两比较的方法确定层次结构中各因素的相对重要性，然后进行综合判断,确定各因素的综合权重。

1.1建立递阶层次结构

针对目前常州市广播电视大学多媒体教学课件的开发与评比标准，并参照部分兄弟院校多媒体教学课件作品评价标准,建立了如图1所示的多媒体教学课件评价多层次分析结构。以多媒体教学课件评价作为目标层A，准则层B包含课件内容、教学设计、制作技术、操作应用四个方面，指标层C分别由课题选题、科学规范、内容编排等15项指标组成。

图1 多媒体教学课件评价多层次分析结构

1.2 建立判断矩阵并计算单项权重及一致性检验

判断矩阵是在上一层次的某一元素的约束条件下,对下一层次的一组元素之间的相对重要性的比较结果,即在某一准则之下,按它的相对重要性赋予相应的权重。判断矩阵的一般形式见表1。依据各评价准则Bi（1≤i≤4）对多媒体教学课件评价A的重要度两两对比，并采用Saaty教授提出的1-9比率标度法（见表2），构造准则层判断矩阵A-B[2]（见表3）。

表1 判断矩阵的一般形式

表2 1 -9比率标度法

表3 准则层判断矩阵A-B

判断矩阵的最大特征根向量经归一化处理后,即得到各指标相对于上层指标的权重向量。这里采用方根法求解准则层4阶判断矩阵A-B的特征向量。

（1）计算判断矩阵每一行的乘积Mi：

于是求得准则层B对目标层A的权重向量为：

判断矩阵要进行一致性检验才可以接受。定义一致性指标CI和一致性比率CR分别为：

其中，λmax为最大特征根,RI为平均随机一致性指标，4阶判断矩阵的RI=0.89。经计算，CR=0.053 <0.1，据此判断矩阵满足一致性检验。

依据评价指标对评价准则的相关性,利用同样的方法求得各指标Cj对准则Bi的判断矩阵,并求得权重向量为：

1.3综合权重的计算

已知准则层B各因素对目标层A的权重W(1)及指标层C各指标对准则层B的权重W(2),则评价指标对目标层的综合权重向量的计算公式为：

2 构建多媒体教学课件评价模型

人工神经网络（ANN）系统是由大量简单的处理单元(神经元)广泛地相互连接现时形成的复杂网络系统。迄今为止，人们提出众多的神经网络模型,其中应用最为广泛的是前馈多层式网络中的反向传播神经网络(BPNN)。典型的BP神经网络具有三层结构,即输入层、若干隐含层和输出层，如图2所示。

图2 BP神经网络模型结构

BP神经网络处理信息的基本原理是：输入信号Ci通过中间节点（隐层点）作用于输出节点，经过非线形变换，产生输出信号Y，网络训练的每个样本包括输入量Ci和期望输出量Q，网络输出值Y与期望输出值Q之间的偏差，通过调整输入节点与隐层节点的联接权值Wij和隐层节点与输出节点之间的联接权值Tjk及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络参数（权值和阈值），停止训练。此时经过训练的BP神经网络能对在输入范围内的输入信息自行处理，然后输出误差最小的经过非线形转换的输出信息[3-4]。

为了使上述BP神经网络模型在多媒体教学课件评价中具有理论价值又有可操作性,可作如下处理：

（1）输入层神经元个数的确定。根据多媒体教学课件评价指标体系,影响课件质量的主要指标有15项,因而取输入层个数n=15。

（2）输出层神经元个数的确定。以课件评价结果作为BP神经网络的输出。BP神经网络的期望输出只有一项,即多媒体教学课件评分值,按评分值高低可划分为5个等级：优秀（1～0.9）、良好(0.9～0.8)、一般(0.8～0.6)、较差(0.6～0.4)、差(0.4～0)，因而取输出层个数m=1。

（3）隐含层神经元个数的确定。一般情况下, 隐含层神经元个数是根据BP神经网络收敛性能的好坏来确定的,在总结大量BP神经网络结构的基础上,得出经验公式[5]：

这里可取隐含层神经元个数S=5。

3 多媒体教学课件评价应用实例

3.1 指标的量化

多媒体教学课件评价指标共15项，由专家打分对每项指标考评,专家打分采用相对值,因而指标量化时采取定量指标直接量化与定性指标层次分析相结合的方法。同时为了网络训练方便,对所有量化结果都要转换成[0,1]之间的数值。

3.2 样本的选取

表4和表5提供26组多媒体教学课件评价指标的专家评价数据，并采用AHP求出多媒体教学课件的综合评价得分，以此作为BP神经网络的期望输出值Q。选取表4中20组数据作网络学习训练及测试样本，表5中6组数据作网络学习检验样本。

3.3 网络训练与测试

把表6的网络学习训练及测试样本和表5的网络学习检验样本输入于训练网络的计算机程序中，采用MATLAB神经网络学习训练3 000次后,系统误差达到0.001，并且网络自动收敛得到稳定的结构。图3是BP神经网络训练误差随学习迭代次数的变化过程曲线。

训练样本与其相应的网络计算值间的相对误差及检验样本与其相应的网络计算值间的相对误差均比较小，都收敛于要求的误差，网络训练达到了比较满意的效果。经检验，输出值与样本期望输出的最大相对误差不超过1.25%，平均相对误差为0.17%，输出多媒体教学课件评价等级与期望输出完全一致（见表6）。可见,该网络完全可以用来模拟和取代今后的多媒体教学课件的专家评价系统。

4 结束语

多媒体教学课件的评价指标是一个由若干不同参数组合而成的指标体系,内容复杂且带有明显的模糊性,难以精确化。本文通过AHP和ANN构建科学的多媒体教学课件评价指标体系及评价模型。AHP通过合理的权重分配对大量定性指标作量化处理，使主观判断变为客观描述，增强了多媒体教学课件评价的科学性和可操作性。而BP神经网络自学习、自适应能力强的特点，吸收了专家的知识与经验,具有时间短、速度快、准确度高等优点，减少了专家评价中人为主观因素的影响，也省去了实际的专家评价过程,使得多媒体教学课件评价结果更有效、更客观。

表4 网络学习训练及测试样本

表5 网络学习检验样本

图3 BP神经网络训练误差曲线

表6 网络学习检验结果

[1]孙杰远，孙名符.多媒体教学课件的评价[J].电化教育研究，2005(11):77-80.

[2]许树柏.层次分析原理[M].天津:天津大学出版社，1988:31-36.

[3]乔维德.基于BP神经网络理论的现代远程教育教学质量评价模型的构建[J].中国远程教育，2006(7):69-71.

[4]张金梅，员世芬，谢克明.人工神经网络在教学质量评价体系中的应用[J].太原理工大学学报，2005(1):37-39.

[5]张立明.人工神经网络的模型及其应用[M].上海:复旦大学出版社，1995:51-53.

[责任编辑：蔡 兵]

Research on Evaluation Method of Multimedia Teaching Courseware

QIAO Weide
(Scientific Research Section,Changzhou School of Jiangsu City Vocational College , Changzhou, 213001, China)

The application of multimedia to teaching is mainly accomplished by teaching courseware, and the effective development and application of courseware require a good evaluation method. In order to evaluate the multimedia teaching courseware more scientificly and objectivly, the analytic method of process (AHP) ia applied to determine the courseware evaluation system and the evaluation model of artificial neural networks (ANN) is constructed. It shows that the method achieves a satisfactory result with rapidity and accuracy.

AHP; ANN; Multimedia teaching courseware; Evaluation method

TP391.7

A

1671-4326(2010)03-0049-04

2010-03-16

江苏广播电视大学学术带头人基金(D070214)

乔维德（1967—），男，江苏宝应人，江苏城市职业学院常州学院科研处，教授.