Moodle平台下学生自主学习评价的TOPSIS分析法探讨

高 鹰，张 为，汤茂斌，丘凯伦，樊志平

广州大学计算机科学与教育软件学院，广东广州 510006

Moodle平台下学生自主学习评价的TOPSIS分析法探讨

高 鹰，张 为，汤茂斌，丘凯伦，樊志平

广州大学计算机科学与教育软件学院，广东广州 510006

论文简述了TOPSIS 分析法的原理与步骤，在给出了一个简单的Moodle平台下学生自主学习评价二级指标体系及各指标层权值的基础上，以某大学Moodle平台下某门课程89名学生的评价为例，给出了采用TOPSIS 分析法进行评价的详细过程与步骤。

Moodle平台；学习评价；TOPSIS分析法

1 Moodle平台

Moodle[1]是模块化面向对象的动态学习环境（Modular Object-Oriented Dynamic Learning Environment）的缩写，由澳大利亚教师 Martin Dougiamas 基于建构主义教育理论而开发的课程管理平台，目前在全世界已得到了广泛应用。Moodle 平台依据社会建构主义的教学思想，即教育者（老师）和学习者（学生）都是平等的主体，在教学活动中，他们相互协作，并根据自己已有的经验共同建构知识。Moodle具有网站管理、学习管理、课程管理等主要功能。其中课程管理中有测验、投票、问卷调查等功能，是专门为学生设计的。学生使用该功能可以完成作业，实现与教师和其他同学的交流、对所学知识进行测验，并且可以将自己的意见和建议以投票、问卷调查和blog的形式反馈给教师。学习管理功能基本由教师使用，教师通过该功能可以记录学生完整的学习历程，并为学生制定一套完整的、有针对性教学计划。此外，教师可以通过设置投票，问卷等栏目获知学生的想法，并且做出相应的改进。moodle可以整合优秀教师资源，代替教师在课外教学中发挥重要作用，实现因材施教，及时反馈，解决课外教学的问题。Moodle为学习者提供了一个自主学习的环境，在这种环境下学习者的学习与传统课堂教学相比有很大的不同，教与学活动时空分离、学习活动以自主学习为主。因此，对学习者的评价亦不同于传统课堂学习的评价，强调对自主学习过程的实时监控和对学习者主动性、自控性的测试，注重评价的过程性。本文拟将对Moodle平台下学习者自主学习评价指标体系与方法进行初步的探讨。

2 TOPSIS 分析法

TOPSIS（Technique for Order Preference by Similarity to Ideal Solution）[2]是一种逼近于理想解的评价分析方法，其思想是定义评价问题的理想解、负理想解，然后计算评价对象对于理想解的相对接近度，以此作为评价优劣的依据。设评价问题有m个评价指标ai(i =1,...,m)，n个评价对象zi=(zi,1,zi,2,...,zi,m),(i=1,...,n)，wi(i=1,...,m)为评价指标对应的权值；并设该问题的规范化加权目标的理想解是，负理想解是；评价对象zi到理想解z+和负理想解z−的加权欧氏距离分别为：；评价对象Zi对于理想解的相对接近度为：ci,(i=1,...,n)。TOPSIS分析法的评价步骤如下。

步骤1：原始数据同趋势化、归一化处理

原始数据用矩阵D=(di,j),(i=1,...n;j=1,...m)存放，矩阵D的行表示评价对象、而列对应于评价因素，归一化处理形成评价矩阵Z=(zi,j),。

步骤2：确定理想解和负理想解

设评价矩阵中元素值越大表示对应的评价因素越好，则：

理想解

负理想解

步骤3：计算每个评价对象到理想解和到负理想解的加权欧氏距离

步骤4：计算每个评价对象的相对接近度并按大小排序

计算

评价对象Zi愈靠近理想解，ci愈接近于1；反之，Zi愈接近负理想解，ci愈接近于0，排序ci可对评价对象做出评价。

3 Moodle平台下自主学习评价的TOPSIS分析法

3.1 Moodle平台下自主学习评价指标体系

Moodle平台下的自主学习不同于通常的课堂学习，其环境、学习者心理和行为等方面都发生了很大变化，对学习者的学习态度、学习过程的评价显得更加重要，其评价指标应考虑学生参加网络学习的自主能力、情感和态度、交互与协作学习能力、网络资源利用能力、测试成绩等情况。建立比较全面、客观、准确的Moodle平台下自主学习评价指标体系并不是一件容易的工作，本文通过问卷调查、学习者和教师访谈、专家研讨等方式以及参考其它网络学习评价指标内容，以Moodle平台下课程学习为基础，初步建立了一个简单的评价指标体系，并采用AHP(Analytic Hierarchy Process)方法[3]给出了各指标层的权值，如表1所示。

表1 Moodle平台下自主学习评价指标体系及其权值。

其中，自主学习的二级评价指标对应的权向量w1=(0.386,0.312,0.118,0.184)，协作学习的二级评价指标对应的权向量w2=(0.351,0.133,0.367,0.149)，资源利用的二级评价指标对应的权向量w3=(0.282,0.307,0.0.411)，学习成果的二级评价指标对应的权向量w4=(0.174,0.322,0.136,0.368)，一级评价指标对应的权向量w=(0.302,0.208,0.227,0.263)。

3.2 数据来源与处理

我们采集了某大学Moodle平台下某门课程89名学生的对应于表1二级评价指标数据（数据量大，本文略），分别用矩阵，，和存放对应于自主学习、协作学习、资源利用和学习成果的数据，矩阵的行表示某个学生、而列对应于二级评价因素。分别归一化处理形成评价矩阵，，，。

3.3 一级评价指标的评价

同理，可分别计算出对应于协作学习、资源利用和学习成果的每个评价对象的相对接近度、和。

3.4 目标评价

4 结论

对学习者在Moodle平台下自主学习的评价目前还缺少科学的评价指标体系与方法，我们尝试性地给出了一个Moodle平台下学生自主学习评价的TOPSIS分析法的详细过程与步骤，可作为参考。

[1]魔灯(Moodle).百度百科[EB/OL].[2014-3-6].http:// baike.baidu.com/view/1365722.htm? fromTaglist.

[2]HWANG C L，YOON K． Multiple attribute decision making: Methodsand applications [M].Berlin: Springer，1981.

[3]Saaty T L. The Analytic Hierarchy Process [J]. New York．Mcgraw-Hill Inc.1980：1-15．

TP3

A

1674-6708（2015）142-0050-02

广东省高等学校教学质量与教学改革工程建设项目（粤教高函[2015]33号“计算机类学科竞赛实践教学团队”）、广州市教育科学“十二·五”规划课题（No.2013A006）、广州大学本科教学质量工程建设项目（ZLGC201419）资助