喬維德

（江蘇城市職業(yè)學院常州學院 科研處，江蘇常州 213001）

多媒體教學課件的評價方法研究

喬維德

（江蘇城市職業(yè)學院常州學院 科研處，江蘇常州 213001）

多媒體在教學中的應用主要通過教學課件來實現(xiàn)，而有效開發(fā)與使用課件需要設計良好的評價方法。為了更科學、客觀評價多媒體教學課件，應用層次分析法（AHP）確定多媒體教學課件的評價指標體系，構建人工神經網絡（ANN）多媒體教學課件評價模型。實驗結果表明，該評價方法具有速度快、準確率高的優(yōu)點，并得到了滿意的評價結果。

AHP；ANN；多媒體教學課件；評價方法

0 引 言

多媒體教學課件是現(xiàn)代化教學手段的重要標志。目前，各學校紛紛開發(fā)出適合各學科的多媒體課件,并在教學中發(fā)揮了應有的作用,提高了課堂教學質量和教學效果。然而，教師設計開發(fā)的多媒體教學課件,由于缺少一定的審查環(huán)節(jié),往往存在著非標準化和不規(guī)范的問題。因此，課件開發(fā)后,必須經過科學和客觀的評價,才能真正提高課件的應用效果及教學質量[1]。

近年來,人工神經網絡的理論研究和應用取得了令人矚目的進展。人工神經網絡具有自適應、自組織與自學習等特點，特別適用于從不精確的、模糊的,甚至相互矛盾的知識環(huán)境中作出評價決策。本文采用層次分析法（AHP）確立多媒體教學課件評價指標體系,并應用人工神經網絡（ANN）中的BP神經網絡法構建評價模型,進行多媒體教學課件的質量評價。

1 確立多媒體教學課件評價指標體系

層次分析法（AHP）是由美國匹茲堡大學著名運籌學家Saaty教授于20世紀70年代初提出的，80年代初傳入我國。由于AHP在許多目標決策問題方面具有優(yōu)勢,目前已廣泛應用于許多領域。作為一種定性與定量相結合的決策分析方法，AHP基本原理是：首先找出解決問題所涉及的主要因素，并將這些因素按照因素間的相互關聯(lián)影響，分組形成有序的遞階層次結構(目標層、準則層和指標層)，再通過各層次中諸因素兩兩比較的方法確定層次結構中各因素的相對重要性，然后進行綜合判斷,確定各因素的綜合權重。

1.1建立遞階層次結構

針對目前常州市廣播電視大學多媒體教學課件的開發(fā)與評比標準，并參照部分兄弟院校多媒體教學課件作品評價標準,建立了如圖1所示的多媒體教學課件評價多層次分析結構。以多媒體教學課件評價作為目標層A，準則層B包含課件內容、教學設計、制作技術、操作應用四個方面，指標層C分別由課題選題、科學規(guī)范、內容編排等15項指標組成。

圖1 多媒體教學課件評價多層次分析結構

1.2 建立判斷矩陣并計算單項權重及一致性檢驗

判斷矩陣是在上一層次的某一元素的約束條件下,對下一層次的一組元素之間的相對重要性的比較結果,即在某一準則之下,按它的相對重要性賦予相應的權重。判斷矩陣的一般形式見表1。依據各評價準則Bi（1≤i≤4）對多媒體教學課件評價A的重要度兩兩對比，并采用Saaty教授提出的1-9比率標度法（見表2），構造準則層判斷矩陣A-B[2]（見表3）。

表1 判斷矩陣的一般形式

表2 1 -9比率標度法

表3 準則層判斷矩陣A-B

判斷矩陣的最大特征根向量經歸一化處理后,即得到各指標相對于上層指標的權重向量。這里采用方根法求解準則層4階判斷矩陣A-B的特征向量。

（1）計算判斷矩陣每一行的乘積Mi：

于是求得準則層B對目標層A的權重向量為：

判斷矩陣要進行一致性檢驗才可以接受。定義一致性指標CI和一致性比率CR分別為：

其中，λmax為最大特征根,RI為平均隨機一致性指標，4階判斷矩陣的RI=0.89。經計算，CR=0.053 <0.1，據此判斷矩陣滿足一致性檢驗。

依據評價指標對評價準則的相關性,利用同樣的方法求得各指標Cj對準則Bi的判斷矩陣,并求得權重向量為：

1.3綜合權重的計算

已知準則層B各因素對目標層A的權重W(1)及指標層C各指標對準則層B的權重W(2),則評價指標對目標層的綜合權重向量的計算公式為：

2 構建多媒體教學課件評價模型

人工神經網絡（ANN）系統(tǒng)是由大量簡單的處理單元(神經元)廣泛地相互連接現(xiàn)時形成的復雜網絡系統(tǒng)。迄今為止，人們提出眾多的神經網絡模型,其中應用最為廣泛的是前饋多層式網絡中的反向傳播神經網絡(BPNN)。典型的BP神經網絡具有三層結構,即輸入層、若干隱含層和輸出層，如圖2所示。

圖2 BP神經網絡模型結構

BP神經網絡處理信息的基本原理是：輸入信號Ci通過中間節(jié)點（隱層點）作用于輸出節(jié)點，經過非線形變換，產生輸出信號Y，網絡訓練的每個樣本包括輸入量Ci和期望輸出量Q，網絡輸出值Y與期望輸出值Q之間的偏差，通過調整輸入節(jié)點與隱層節(jié)點的聯(lián)接權值Wij和隱層節(jié)點與輸出節(jié)點之間的聯(lián)接權值Tjk及閾值，使誤差沿梯度方向下降，經過反復學習訓練，確定與最小誤差相對應的網絡參數(shù)（權值和閾值），停止訓練。此時經過訓練的BP神經網絡能對在輸入范圍內的輸入信息自行處理，然后輸出誤差最小的經過非線形轉換的輸出信息[3-4]。

為了使上述BP神經網絡模型在多媒體教學課件評價中具有理論價值又有可操作性,可作如下處理：

（1）輸入層神經元個數(shù)的確定。根據多媒體教學課件評價指標體系,影響課件質量的主要指標有15項,因而取輸入層個數(shù)n=15。

（2）輸出層神經元個數(shù)的確定。以課件評價結果作為BP神經網絡的輸出。BP神經網絡的期望輸出只有一項,即多媒體教學課件評分值,按評分值高低可劃分為5個等級：優(yōu)秀（1～0.9）、良好(0.9～0.8)、一般(0.8～0.6)、較差(0.6～0.4)、差(0.4～0)，因而取輸出層個數(shù)m=1。

（3）隱含層神經元個數(shù)的確定。一般情況下, 隱含層神經元個數(shù)是根據BP神經網絡收斂性能的好壞來確定的,在總結大量BP神經網絡結構的基礎上,得出經驗公式[5]：

這里可取隱含層神經元個數(shù)S=5。

3 多媒體教學課件評價應用實例

3.1 指標的量化

多媒體教學課件評價指標共15項，由專家打分對每項指標考評,專家打分采用相對值,因而指標量化時采取定量指標直接量化與定性指標層次分析相結合的方法。同時為了網絡訓練方便,對所有量化結果都要轉換成[0,1]之間的數(shù)值。

3.2 樣本的選取

表4和表5提供26組多媒體教學課件評價指標的專家評價數(shù)據，并采用AHP求出多媒體教學課件的綜合評價得分，以此作為BP神經網絡的期望輸出值Q。選取表4中20組數(shù)據作網絡學習訓練及測試樣本，表5中6組數(shù)據作網絡學習檢驗樣本。

3.3 網絡訓練與測試

把表6的網絡學習訓練及測試樣本和表5的網絡學習檢驗樣本輸入于訓練網絡的計算機程序中，采用MATLAB神經網絡學習訓練3 000次后,系統(tǒng)誤差達到0.001，并且網絡自動收斂得到穩(wěn)定的結構。圖3是BP神經網絡訓練誤差隨學習迭代次數(shù)的變化過程曲線。

訓練樣本與其相應的網絡計算值間的相對誤差及檢驗樣本與其相應的網絡計算值間的相對誤差均比較小，都收斂于要求的誤差，網絡訓練達到了比較滿意的效果。經檢驗，輸出值與樣本期望輸出的最大相對誤差不超過1.25%，平均相對誤差為0.17%，輸出多媒體教學課件評價等級與期望輸出完全一致（見表6）?？梢?該網絡完全可以用來模擬和取代今后的多媒體教學課件的專家評價系統(tǒng)。

4 結束語

多媒體教學課件的評價指標是一個由若干不同參數(shù)組合而成的指標體系,內容復雜且?guī)в忻黠@的模糊性,難以精確化。本文通過AHP和ANN構建科學的多媒體教學課件評價指標體系及評價模型。AHP通過合理的權重分配對大量定性指標作量化處理，使主觀判斷變?yōu)榭陀^描述，增強了多媒體教學課件評價的科學性和可操作性。而BP神經網絡自學習、自適應能力強的特點，吸收了專家的知識與經驗,具有時間短、速度快、準確度高等優(yōu)點，減少了專家評價中人為主觀因素的影響，也省去了實際的專家評價過程,使得多媒體教學課件評價結果更有效、更客觀。

表4 網絡學習訓練及測試樣本

表5 網絡學習檢驗樣本

圖3 BP神經網絡訓練誤差曲線

表6 網絡學習檢驗結果

[1]孫杰遠，孫名符.多媒體教學課件的評價[J].電化教育研究，2005(11):77-80.

[2]許樹柏.層次分析原理[M].天津:天津大學出版社，1988:31-36.

[3]喬維德.基于BP神經網絡理論的現(xiàn)代遠程教育教學質量評價模型的構建[J].中國遠程教育，2006(7):69-71.

[4]張金梅，員世芬，謝克明.人工神經網絡在教學質量評價體系中的應用[J].太原理工大學學報，2005(1):37-39.

[5]張立明.人工神經網絡的模型及其應用[M].上海:復旦大學出版社，1995:51-53.

[責任編輯：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

江蘇廣播電視大學學術帶頭人基金(D070214)

喬維德（1967—），男，江蘇寶應人，江蘇城市職業(yè)學院常州學院科研處，教授.