基于AHP的网络学习评价模型的构建

谢晓银

（淮安市高级职业技术学校，江苏 淮安 223005）

网络学习由于师生分离，不能很好地监控和调整自己的学习行为，需要提供配套的有效的评价机制，用来监督学生的学习行为、并评价其学习行为和学习效果，并将评价结果反馈给学生，引导学生进行下一阶段的学习，激发学生学习的主动性。而评价工作的核心是建立评价模型。

根据网络学习行为客体的客观特征和调查问卷的统计结果综合分析，提出 “网络学习评价指标体系”分别从网络学习者的学习态度（登录的天数、上传文章的关注度）、资源利用（登录次数、在线课程学习的次数、在线课程学习的时间、上传下载资源数）、交互与协作（提出问题次数、回答同伴问题次数、在线答疑的次数）、阶段性学习效果（知识点测试成绩、教师对作业的评分）四个方面对网络学习者进行综合评价，利用AHP（层次分析法），构建网络学习综合评价模型。具体步骤如下：

1 建立评价因素集

1.1 建立一级评价因素集

C＝ ｛C1，C2，C3，C4｝，其中 C1，C2，C3，C4为一级指标，分别为学习态度、资源利用、交互与协作、阶段性学习效果四个一级指标。

1.2 建立二级评价因素集

其中C11,C12,…,C41,C42分别为各一级指标下的二级指标。

2 确定评价因素的权重

目前，评价因素权重的确定一般采用三种方法：一是，专家会议法，二是，特尔裴法，三是，层次分析法。层次分析法（AHP）运用多因素分级处理确定因素权重，这种方法可以较科学地确定权重，因此采用AHP来计算各评价指标之间的权重以解决传统评价因素制定不客观的问题。

首先由专家根据经验，依照1～9标准构造判断矩阵，为了确保权重设计的合理性，对判断矩阵进行运算和归一化处理，求出权重系数，对矩阵中判断值进行运算有不同的方法，常用的有和法和根法，本文采用的是根法。具体步骤如下：

2.1 构造判断矩阵

从心理学观点来看，分级太多会超越人们的判断能力，既增加了判断的难度，又容易因此而提供虚假数据。在这里我们引入相对重要标度的概念，采用T.L.Satty建议的1～9比例标度法[1]。如表1所示：

表1 指标重要度比较规则

由专家根据经验，依照1～9标准构造判断矩阵，对一级指标进行两两比较其重要度，并根据Satty提出的“1-9标度方法”，对指标相对重要度进行赋值，可以得到比较值。经综合分析构建出网络学习评价指标体系一级指标矩阵B(1)。

2.2 设置各指标权重

设评价因素集合对应的权重因子向量为W1,则

上式中Wi为评价因素Ci在总评价因素中所起作用大小和所占地位轻重的量度，称为权重。一般规定：Wi≥，且

根据公式（1）、（2）可计算出一级指标权重，如表2所示：

表2 一级指标权重表

那么W(1)=(W1,W2,W3,W4)T=(0.111,0.219，0.080,0.590)T就是一级指标权重的系数值。

2.3 对判断矩阵B(1)进行一致性检验

对判断矩阵的一致性检验步骤如下：

(1)计算一致性指标CI

其中，n为比较的指标个数，λmax为判断矩阵的最大特征根

因此，表4所示的判断矩阵B(1)的最大特征根的计算过程为：

加权向量的计算：

将相应数据代入公式4，可计算出最大特征根：

由公式（3）可计算出：

(2)查找相应的平均随机一致性指标RI

为确定不一致的允许范围，对n=4，Satty给出了RI=0.90的值

(3)计算一致性比例CR

判断矩阵一致性指标CI与同阶平均随机一致性指标RI之比，称随机一致性比率，记为CR，当时，即认为该判断矩阵具有满意的一致性。否则就需要调整判断矩阵，对评分重新修改，使之具有满意的一致性。

根据上述内容，对表2中的判断矩阵计算一致性比例CR：

由此看来判断矩阵B(1)具有令人满意的一致性，说明以上建立的一级指标中

各因素比较值判断基本正确，权重设置基本合理。

2.4 计算各二级指标权重及一致性比例

一级指标下的各二级指标的判断矩阵、权重的计算与一级指标的方法相同。因此，本文的指标体系权重分配如表3所示：

表3 网络学习评价指标体系权重分配表

［1］王连芬,许树柏.层次分析法引论[M].中国人民大学出版社,1990:45-76.

［2］余胜泉.基于互联网络的远程教学评价模型[J].开放教育研究.2003.1:3.

［3］马潇.网络学习行为评价模式研究—以西安财经学院网络教学为背景[D].西安理工大学，2010:6-7,18,22-23.