基于互联网络的远程教学评价模型

基于互联网络的远程教学评价模型（共14篇）

篇1：基于互联网络的远程教学评价模型

基于补偿模糊神经网络的高职院校教师教学评价模型的构建的论文

论文关键词:补偿模糊神经网络 教学评价模型 六步法则 高职院校

论文摘要:利用补偿模糊神经网络构建高职院校教师的教学评价模型，借鉴《机械制图》教学过程中总结出的零件制作6个步骤，形成“六步法则”，将其应用于模型构建的整个过程。数据验证结果表明，该模型评价精度较高，有利于合理地对教师教学能力的评价，并将有效地促进学校推行绩效考核机制，促进人才培养质量的提升。

高等职业教育在我国高等教育规模中占半壁江山，在人才培养方面起着举足轻重的作用。如何更快更好地发展高职教育，提高人才培养的质量显得越来越重要。高水平的培养质量归根结底是要建立一支过硬的教师队伍。因此，各高职院校目前十分注重利用绩效考核来促进教师队伍整体水平的提高。所谓绩效考核，就是依据教师岗位职责，对教师是否胜任本岗位工作所规定的政治思想、职业道德、工作实绩等进行全面系统的评价。那么如何通过绩效考核对每位教师进行一个客观、全面的评价呢?这主要依赖于教学评价模型的正确性与合理性。笔者依据多年来的教务管理经验，以及通过教授《机械制图》这门课程得到的启发，采用六步法则与补偿模糊神经网络相结合，实现了教学评价模型的构建，旨在提高评价的合理性与客观性。

1六步法则及其由来

六步法则的由来，是笔者受《机械制图》课程教学的启发而得出的:对于一个零件制作而言，大体经过以下六个步骤:(1)通过“看”来对市场上所出现的类似零件进行比对，比如说用途、特点等;(2)分析其利弊;(3)确定自己制作该零件的方案进行草图绘制:确定绘图的纸张大小等，从而对零件的结构图(主视图、剖面图等)进行细心绘制，最后对细节进行加工;(4)根据绘制的图形，对该零件进行加工;(5)加工样品检验零件的合理性;(6)通过使用不断地对零件进行修改完善。综上所述，零件的加工制作可以归结为:“看、想、画、作、查、改”。其中“画”尤其重要，因为最终图的正确与否将直接关系到产品的质量，影响整个公司的经济效益因此在设计过程中强调的是在正确的前提下注意细而精。对于教学评价也是如此。如果教学评价模型建立的不合理，将直接导致对教师能力评价的不客观、不全面，那么对教师绩效工资的分配将不合理，激励导向效果就不会理想。为此，按照全面质量管理的“三全一多样”的特征，借鉴机械制图的6大步骤，总结得出“六步法则”，运用此法则，对教学评价模型进行构建。

所谓六步法则，是指一看、二分析、三建模、四检验、五实施、六改善。“一看”是指对目前高职院校的教师能力进行全面调查，目前采用教师教学评价机制进行搜索比对;“二分析”是指通过调查之后分析高职院校教师能力体现较为全面的几项重大指标，确定评价的标准;“三建模”是指通过确定的几项评价指标和最终评价结果，采用先进的数学建模方法进行评价模型的建立;“四检验”主要是通过利用建好的模型，采用以前的评价数据、结果进行对比，验证模型的合理性与客观性;“五实施”是指通过验证的模型对目前的教师教学能力进行评价;“六改善”是指在实施过程中对一些细枝末节进行调整、改善，以促进教师教学水平的提高，不断完善绩效考核机制。

2教学评价模型的构建

(1)看。高职院校的教师能力除了需要具备一定的专业知识与技能外，还须具备操作技术及实践经验。最好是“双师型”的教师。在北京召开的第四届高等学校教学名师奖表彰大会上有位名师指出:作为高职院校的教师，既要有扎实的理论知识，更要注重实践经验的积累;既要把握专业领域学术发展前沿，又要与行业及企业保持密切联系，时刻关注行业发展动态。他说:“一名优秀教师需要不断与时俱进，创新课程体系，调整教学内容，既要注重学生基本理论知识的传授、专业技能的培养，还要注重学生的个性发展和综合素质的培养;只有这样，才能获得良好的教学效果，因此，目前评判教师水平主要关注于知识、素质、能力这三方面。

知识结构包括围绕职业岗位的知识、技术，及本专业领域的最新发展动态和职业岗位上的新知识、新技术、新工艺等;素质结构包括良好的道德素质和职业素质，道德素质是树立正确的世界观、人生观和价值观，职业素质是指角色意识、敬业精神、时效意识、团队精神等;能力结构包括教育教学能力、岗位实践能力、现代教育技术使用能力和科研能力等川。

根据确定的评价内容，目前采用的评价体系具有一定的多维性和动态性，评价的方式大多采用“定性”与“定量”相结合的方法，主要有:1)专家评价法，如专家打分综合法。2)运筹学与其他数学方法，如层次分析法、数据包络法、模糊综合评价法、绝对评价法。3)新型评价方法，如人工神经网络评价法、灰色综合评价法、综合评分法。4)组合评价法，这是几种方法混合使用的情况。

(2)分析。教学质量的高低是由多种因素交互作用决定的，但其最主要的因素体现在知识、素质、能力这三方面，因此为了能够较为全面的进行评判，这里采用多主体多角度的评价方式。“多主体”是指教师、学生、专家(含同行)评价和教学主管部门评价以及外聘工程师等。“多角度”是指每个评价主体对应的评价指标不同，即设计的调查问卷不同。其中表1为学生对教师课堂教学的总体评价表。

(3)模型构建。人们在教育评价中所用的方法，可以简单地归结为两大类:定性评价方法和定量评价方法。其中定量评价方法需要用刻一些数学模型对评价对象进行处理。到目前为止，教学评价所用的数学模型主要有确定(性)数学模型、随机(性)数学模型和模糊数学模型三类。具体来讲，确定(性)数学模型有线性规划、动态规划、数据包络分析、层次分析方法等;随机(性)数学模型有回归分析、因素分析、聚类分析、齐次马尔科夫链等;模糊数学模型有模糊综合评判模型、模糊积分模型、灰色数学模型等。在教育评价中，上述方法均有各自比较适宜的评价对象.

在融合模糊理论和神经网络技术的基础上，通过补偿神经元来执行补偿模糊推理，动态地调整模糊规则，从而形成了一种新的网络―补偿模糊神经网络，由此进行教学评价模型的构建。

1补偿模糊神经网络的特点

采用补偿模糊神经网络对某=系统进行辨识时，不需要事先知道索统的精确的数学模型，它能借助于人类的模糊推理知识以及神经网络的逼近性能来实现对过程的`建模。它拥有许多优点，如鲁棒性、无需模型、全局逼近。

2)模型的建构

:提据高职院校对教师工作素质的要求，结合高职院校的培养目标，采用多z多角摩多丰体的评价机制，对教师教学质量模型进行合理建构。但是如何制定一个合理的评价指标，是一个七啦复杂而且困难的课题，本文在教育部已有评拈体系的基础上，根据前人研究成果，利用学生对教师的网上评教、教师个人的_自我评价、同行评价以及家评价得分作为模型的输入、(艺‘1一4)，每个评价因子得分范围是，分为三个等级:较差、良好，一优秀。但是如何确定这三个等级的标准，这里采用高斯函数才)”作为模糊隶属度函数从而对其等级进行划分。其中“，・““(隶属度中‘。・宽度’均属于可调参数。具体建构的教学评价模型如图1所示。

整个模型分为5层，第一层作为评价指标输人层，第二层对评价指标进行分类(较差、良好、优秀)，然后根据模糊推理的规则来推理得出教师教学质量的好坏。

3)模型的训练

运用多年来积累的数据报表，通过聚类分析的方式对数据进行有效性验证，在现有数据的基础上挑选了多个样本进行评价模型的训练，采用梯度下降法对模糊隶属度函数中的参数进行训练，其训练过程的误差mse变化曲线如图2所示。

最后从样本中选取200个样本对其进行验证，结果误差达到了i.5%，精确度较高。

3.结论

借鉴《机械制图》教学过程中总结出的零件制作6个步骤，形成“六步法则”，将其应用于模型构建的整个过程，利用补偿模糊神经网络构建高职院校教师的教学评价模型，结果表明模型的预测评价准确性较高。由于模型正处于试验阶段，应用于以后的教学评价过程后，还应不断对其进行检验，不断完善。同时，还需要根据企业对人才需求的变化不断地更新评价指标，完善教学评价模型，科学地对教师教学质量进行评价，有效地促进绩效管理方式的推行，促进高职院校人才培养水平的提高。

篇2：基于互联网络的远程教学评价模型

摘要：通过对高校教师科研能力分析，构建了高校教师科研能力评估指标体系，提出了运用BP神经网进行评估的方法，利用MATLAB对该模型进行了仿真，得到了与专家评定一致的结果。该方法克服了传统评价方法孤立地考虑各项评价指标的缺点 增加了指标之间的关联性，使评价结果更符合实际情况。

关键词：科研能力 BP神经网络 评价模型

中图分类号：G420 文献标识码：A 文章编号：1007-9416（2014）01-0056-02

一所高校的科研水平取决于教师的科研能力，目前，有关高校教师科研能力的评估有很多评估方法，如层次分析法，贝叶斯网络聚类方法[1]等。本文运用BP神经网络来建立高校教师科研能力评价模型，为高校教师科研能力评价提供了一定的参考。高校教师科研能力评价指标体系

1.1 构建评价指标体系的基本原则[2]

为了科学、客观地反映高校教师科研能力的高低，应该考虑建立与之相适应的科研能力评价方法，并确定相应的科研能力评价指标体系。为了建立能有效评价高校教师科研能力的评价指标体系，其设计的原则应遵循如下：科学规范性、系统优化性、简洁明确性和全面实用性。

1.2 科研能力评价指标体系

本文从教师基本素质、学术影响、学术成果、科研项目四个方面来反映教师科研能力，根据构建指标体系的四个基本原则，构建三个层次结构模型评价指标体系，如图1 基于BP神经网络的高校教师科研能力评价模型

本文采用典型的三层BP神经网络对教师科研能力进行评价，如图2所示。

2.1 初始参数的确定 高校教师科研能力评价模型的评估

在某高校中，组织25名专家对20名教师科研能力进行行评价，随机抽取6组评价数据进行归一化处理得表1。

利用已编好的BP算法的程序[5]，在把学习样本的输入参数输入计算机后，即可让网络模型对学习样本进行反复学习，直到网络模型的识别精度满足要求。可以看出，当网络训练达到161步时，网络模型识别精度为0.000982536，网络性能达标，可知输出结果与专家判断是吻合的，说明BP神经网络已具备了模式识别的能力，可以对教师科研能力进行评价。结语

通过构建教师科研能力评价体系的BP神经网络模型，为评价教师科研能力提供了一种量化方式。BP神经网络克服了评价中主观因素的影响，使评价结果全面准确的反映实际情况，为教师科研能力评价提供了新的工具。

参考文献

篇3：基于互联网络的远程教学评价模型

近年来,随着Internet应用的普及,网络教学日益成为一种重要的教学手段。然而,与传统教学相比,网络教学的质量保证体系却显得不够完善。具体表现在以下几个方面:

(1)学习者数量的急剧增长和学习层次的参差不齐,致使教师很难及时调整教学策略,对学生的学习进行有效的管理。

(2)评价方式单一,缺乏相应的分析与反馈,不能科学准确揭示出隐含于测试成绩和主观评价之下的教学过程中的问题。

(3)对评价对象的组织大多采用静态技术,没有动态生成评价结果的能力,致使不能根据学习者的认知水平和特点动态生成学习内容,这样不利于学习者的元认知能力的引导和培养。

(4)学习者的自主学习,由于缺乏适当的指导,往往会选择效果较差的学习方式,容易遗漏重要的学习内容。

因此,如何保证网络教学的质量,建立一个行之有效的网络教学评价系统,已成为广大网络教育工作者面临的一个重要问题。

2 网络教学评价模型

基于多Agent的网络学习评价模型所要完成的任务往往涉及多对象、多参照及多学科的知识,这就要求模型具有相对独立的求解特定问题能力的Agent实体。同时,多个Agent之间又能实现协作与合作,以处理单个Agent无法解决的复杂的问题。下面将详细介绍基于多Agent的网络教学评价模型,如图1所示。

2.1 评价指标库

评价指标是评价教学效果和学习结果的依据。建构主义学重视个性的培养,强调以学生为主体的教学设计,在发挥学生积极性、主动性的同时,充分利用教师的指导作用和情境、协作、会话等学习环境要素帮助学生完成对知识的意义建构。而基于多Agent的网络教学评价模型的设计目的就是为了能与网络教学系统无缝的结合,支持学习者的个性化学习。

因此,评价指标库的设计就以建构主义学习的5要素,即学生、教师、学习情境、协作、会话为评价对象,在此基础上引出相应的评价内容,然后,以不同的指标和评价标准体现出来,并根据各指标的重要性程度,赋予一定的权重,规定一定的分值,形成一个指标体系。表1列出了评价对象和对应的评价内容,具体的指标和权重可以根据实际情况进行设置和扩展。

2.2 评价方法库

一般认为,教学评价就是依照一定的教学目的和标准,通过系统地收集、整理和分析评价信息数据,对评价对象做出价值判断的过程。整个评价过程的每个阶段都是通过一定特有的方法去完成相关的任务。评价方法库中存储的方法用来为评价模块中的Agent的行为和决策提供指导,不同的A-gent会依据不同的情景选择最优的方法解决问题。按照教学评价过程的4个阶段,方法库的设计如表2所示:

2.3 教学评价模块

教学评价模块是多Agent系统的核心组件,通过每一个A-gent的独立运作和不同Agent之间的相互协作,将系统中的其他部件连接起来,实现对学习诸要素决策和评价判断的功能。教学评价模块分为职能Agent层、控制Agent层、决策资源A-gent层,如图2所示(双向和单向箭头表示所连接的对象之间的信息传递,如传输控制信息、应用数据、交流信息等)。

2.3.1 职能Agent层

职能层的Agent是针对教学评价中面向的5种不同评价对象而设计的,即学生Agent、教师Agent、学习情境Agent、协作Agent、会话Agent,它们的主要作用是为教学评价行为提供决策判断的规范和准则。这些Agent各自具有不同的背景知识,通过对一系列特定序列的动作和测试方式的描述,去实现对既定评价目标和多维学习情境变化的响应。

2.3.2 控制Agent层

控制Agent层的主要作用是解释、协调、控制这个Agent群组的运作。用户接口Agent是多Agent系统直接与外界联系的通道。从评价系统使用者的角度看,用户接口Agent是他们与系统交互的“代理”;在其他Agent看来,用户接口Agent是代表用户参与活动的主体。它一方面接受来自用户的请求信息,然后将它们传递给其他Agent处理信息;另一方面它又需要将反馈回来的信息以可读的形式呈现给用户,同时还要提供相应的帮助和提示。

2.3.3 决策资源Agent层

决策资源Agent层为职能Agent评价提供了多种实现手段,由数据库、模型库、方法库和知识库构成最底层的基本资源,它们由相应的管理Agent进行管理、维护和使用。

3 结语

大力发展网络教学对推动科技和教育事业的发展有着不可估量的作用。现在发展网络教学的关键是改善现有网络教学系统的性能,提高网络教学的质量。结合Agent技术,对一种基于多Agent技术的网络评价模式进行了探索和研究,以期使现有的网络教学评价系统更具智能性、适应性、可维护性和可扩展性,从而改善教学效果和学习结果。

参考文献

[1]Emily A Hicks,Jody Perkins,and Margaret Beecher Maurer,"Application Profile Development for Consortial Digital Li-braries,"Library Resources and Technical Services 51,no.2(April 2007).

[2]Neches R,Fikes R E,Gruber T R,et al.Enabling Technologyfor Knowledge Sharing.AI Magazine,1991,12(3):36-56.

[3]Studer R,Benjamins V R,Fensel D.Knowledge Engineering,Principles and Methods.Data and Knowledge Engineer2ing,1998,25(122):161-197.

[4]Cf.T.R.Gruber.A Translation Approach to Portable ontologies.Knowledge Acquisition,5(2),1993:199-220.

篇4：基于互联网络的远程教学评价模型

【摘 要】教师课程教学评价为了便于学校领导和管理人员了解本校教师的教学基本情况，做到准确把握，为学校制定师资发展规划和科学发展方向提供客观、正确和科学依据。

【关键词】评价指标 权重 神经网络

1.评价指标设计

教师课程教学质量评价，确定一套科学合理的教学质量评价指标体系是关键。高职学院教学质量评价体系以课程教学评价为主，一般包括教学内容、教学态度、教学方法、讲授能力、教学效果和教书育人等一级指标，每个一级指标下设立各种二级指标。在该体系中分为督导专家评教指标体系，同行教师评教指标体系，学生评教指标体系三个子系统。

2.评价体系权重设计

根据以上权重确定的原则，采用专家意见法和调查分析法，经过专家讨论确定一级指标权重和二级指标的权重，且同一级指标权重值之和为1。本文采用BP神经网络对教学质量评价数值进行仿真实验，输入值采用一级指标评价值，二级指标评价值转化成对应的一级指标评价值。

3.神经网络训练与泛化概念

通过调用train（）函数对神经网络参数进行训练，可以建立神经网络模型net。该函数的调用格式为[net，tr，Y，E]=train（net，X，Y），其中，n为输入变量的路数，n为样本的组数，变量X为n*M矩阵，Y为m*M矩阵，m为输出变量的路数，X，Y分别存储样本点的输入和输出数据。通过样本数据进行训练，得出训练后的神经网络对象net，同时得到其他相关参数信息，。

当确定了BP网络结构后，必须根据误差是否满足要求，再对网络的权值和阈值是否进行学习和修正，以达到网络误差的要求，使训练网络最终达到预先给定的输入输出映射函数关系。BP网络的学习过程分为两个阶段：

第一阶段是输入已知训练数据，通过设置训练的网络结构和初始化权值和阈值，从网络的第一层逐步计算各个网络神经元的输出值。

第二阶段是对阈值和权值进行相应修改，从最后一层向前计算训练过的阈值和权值对预先设定的误差的梯度，即影响程度，从而对各阈值和权值进行相应修改。

以上两个阶段反复交替进行，直到达到误差要求，满足收敛为止。由于误差逐层往回传递，以修正层和层之间的阈值和权值，该多层网络常称之为BP网络。

如果在预先给定最大训练的次数后，仍然不能训练出满足要求的网络，则系统将会报出错误的信息。

4.训练样本采集

1. 评教数据采集

教师课程教学质量评教数据总共有三个部分组成，有督导专家评教数据、同行教师评教数据和学生评教数据。

首先，督导专家评教数据获得。十个一级指标，督导专家评教没有二级指标，对每一个单项评分区间（0，1）之间分数。其次，同行教师评教数据获得。同行教师评教有六个一级指标，十六个二级指标。最后学生评教数据获得。学生评教表有四个一级指标，有十九个二级指标。一级指标评分区间（0，1）区间打分。教师课程教学质量综合评价，有以上三个在分别进行采集数据。每张表格表号是l、2、□、n，根据表号进行汇总BP神经网络训练样本数集。

2. 数据整理

样本数据的质量直接关系到模型建立的科学程度M。由于课程教学质量评价存在很强的主观性，且受心理因素的影响在评介侧重点上有所不同。为了使原始数据更加科学、准确，确保网络训练与模型的质量，通过督导专家、同行教师、学生综合评价得到原始数据，从教学评教20个样本数据中随意抽取10个样本作为训练数据，3个样本作为检测数据。

为使数据符合训练过程函数的运算要求，对所原始数据进行归一化处理，使其落在[0，1]区间。以下讲述如何获得专家评价值：

根据“权重对应表”，设定权重矩阵C，每一个分量Ci（i=l，2，…，20），要求

Ci≥0（i=1，2，… ，20）且

令矩阵X表示一级指标，则Xi（i=l，2，□，20）。根据评教数据采集方法可以获得样本数据，每一个样本数据中有二十个一级指标的数据，区间（0 1）。

令专家评价值 Y = 通过此公式可以获得每一个样

本的专家评价值。

5.BP神经网络模型的实验设计

本实验设计过程如下：首先输入训练的10样本集，每个样本集有20个输入点， 输入矩阵是20*10。输入总评，即专家评价值10个数据，每个样本对应一个专家评价值；其次，构建BP神经网络模型，通过newff神经网络构建函数，设定神经元节点，隐含层传递函数和输出层传递函数，及训练函数等，同时确定训练次数和训练目标误差；最后通过net=train（net，P，T）得到训练后仿真输出结果，与目标结果进行对比，计算误差能否达到预期目标。

本实验神经网络模型是BP神经网络模型，所以构建网络函数采用newff，即一个前向BP网络。BP神经网络公式：net=newff（PR，[S1，S2，…，SN]，{TFl TF2…TFN}，BTF，BLF，PF）。那么采用哪种训练方式，其训练速度最快，这里是难预知的，因为这取决于许多因素，包括给定问题的复杂性、训练样本集的数量、网络权值和阈值数量、误差目标等。

隐层的节点数如何确定。本文根据Kolmogorov定理，公式m=2n+1，其中n是输入节点数，m表示隐层节点数，即神经元节点数。

采用S（sigmoid）型函数做为BP神经网络中传输函数。

6. 实验结果

应用BP神经网络建立的教学质量评价模型用于学习的样本，待测样本网络输出值与专家评价值非常接近。也就是说，该模型能较为准确的根据各评价指标来确定教师课程教学质量评价结果。

【参考文献】

[1]吴维勇. 教师课堂教学质量评价体系研究[J]. 九江学院学报（自然科学版），2006（3）.

篇5：基于互联网络的远程教学评价模型

问题探究式网络课堂教学效果评价模型设计

将问题探究式的课堂教学放在网络这个特殊的`环境情景中,即建立一个问题探究式课堂教学效果评价(Evaluating the Effect of Problem-inquiry Teaching based on Internet,以下简称为EEPTI)模型,通过评价EEPTI模型,就可以发现问题并解决问题,从而达到提高教学效果的目的.

作 者：张妍 ZHANG Yan 作者单位：华南理工大学,政治与公共管理学院,广州,510640刊 名：重庆工学院学报(自然科学版) ISTIC英文刊名：JOURNAL OF CHONGQING INSTITUTE OF TECHNOLOGY年，卷(期)：21(10)分类号：G642关键词：问题探究式 课堂教学 网络 模型

篇6：基于互联网络的远程教学评价模型

基于协调度模型的城市土地集约利用评价研究

摘要：本文将协调度模型应用到城市土地集约利用研究中,首先介绍了协调度、协调发展度的基本原理以及评价城市土地集约利用的综合指标,然后介绍了城市土地集约利用评价的基本流程,并以海南省为例,将协调度模型应用到海南省集约用地评价中,得出海南省土地投入产出水平和土地利用程度的.和谐程度及集约度,分析出～海南省的集约用地水平,最后分析该模型应用于城市土地集约利用中的利弊.作 者：樊敏    刘耀林    王汉花    FAN Min    LIU Yao-lin    WANG Han-hua  作者单位：武汉大学资源与环境科学学院,武汉,430079;武汉大学地理信息系统教育部重点实验室,武汉,430079 期 刊：测绘科学  ISTICPKU  Journal：SCIENCE OF SURVEYING AND MAPPING 年，卷(期)：2009, 34(1) 分类号：X83 关键词：协调度    协调发展度    集约度    城市土地    集约利用   

 

篇7：基于互联网络的远程教学评价模型

本文在对比分析了各种企业财务危机预警方法的`基础上,提出基于模糊综合评价方法的企业财务风险预警模型,并作了实证分析.

作 者：高艳青 栾甫贵  作者单位：北京工业大学经济与管理学院,北京,100022 刊 名：经济问题探索  PKU CSSCI英文刊名：INQUIRY INTO ECONOMIC PROBLEMS 年，卷(期)： “”(1) 分类号： 关键词：模糊综合评价法   层次分析法   财务危机预警  

篇8：基于互联网络的远程教学评价模型

课堂教学质量评价是一个工作量大、统计繁琐的系统工程。基于神经网络强大的非线性数据处理能力[1],当前主要采用其作为教学质量评价的主要算法[2],但该方法存在收敛速度慢[3]、易陷入局部极小值、训练时间长[4]和对于复杂系统预测误差较大等问题。针对这些不足,国内学者提出了层次分析法[4]、熵值法[5]、学习向量量化算法[6]、粒子群优化算法[7]、主成分分析法[8]、多层前馈BP神经网络算法[9]、支持向量机算法[10]、量子神经网络算法[11]以及它们之间的结合算法,有效地提高了课堂教学质量评价的可靠性和精度。这些改进方法主要分为以下2种:①利用层次分析法或主成分分析法,筛选出对评价结果有重要影响的指标,用作神经网络的输入,以提高神经网络输入自变量的非相关性;②运用学习向量量化、粒子群优化和支持向量机等算法优化神经网络的网络结构或误差模型,以提高神经网络的收敛速度和预测精度。

本文根据教学评价中教学主管部门、教学督导专家、教学同行以及学生各自的特点,综合运用层次分析法(Analytic Hierarchy Process,AHP)和问卷调查法,来筛选重要评价指标,作为多层前馈(Back Propagation,BP)神经网络的输入;进而利用遗传算法(Genetic Algorithms,GA)优化BP神经网络的初始权值和阀值,通过改进的BP神经网络模型来提高课堂教学质量评价的准确性。

1 基于AHP和问卷调查法的评价指标体系

针对教学评价中教学主管部门和督导专家熟悉教学规律、把握评价重要性等级准确到位的特点,运用层次分析法AHP来计算评价指标重要性权值,筛选重要评价指标;针对教学评价中教学同行和学生最熟悉教学过程、最了解教学效果的特点,运用问卷调查法来统计各项评价指标的关注度大小。最终综合这两方面信息来筛选重要指标,作为下一步BP神经网络评价模型的输入。

1.1 基于AHP计算指标权重

首先,将初步建立的评价指标内容体系,按照目标层、准则层(6个一级指标)和子准则层(24个二级指标)建立层次结构模型;接下来,分别对准则层和子准则层各项指标两两进行比较,本文采用熟悉课堂教学质量评价的教学主管部门和督导专家共同打分来确定,构建判断矩阵A,同时为避免各主体间权重差异过大或过小而导致评价失真的弊端,相对于9分位标度法和1.354的标度法,选用黄金分割0.618作为标度的层次分析法[12],判断矩阵中元素的赋值标准如表1所示;然后,采用Matlab软件编程,分别求出各判断矩阵最大特征根λmax以及λmax对应的特征向量,并完成一致性检验,归一化处理得到的最大特征向量,即为所要求的各个评价指标的权重[13];最后,计算同一层次对教学质量总评价结果的相对重要性,从高到低对判断矩阵进行一致性检验,得到各指标的综合权重,最终筛选出12项权重较高的评价指标。

1.2 问卷调查统计关注指标

为了调查统计出教学同行和学生对评价指标项目的关注度大小,将初步建立的评价指标内容体系制作成调查问卷,要求在24个二级指标中选择12项最关注的评价点。最终,回收教学同行有效问卷114份,学生有效答卷387份,统计得出关注度最高的12项指标。

1.3 综合筛选重要指标

通过AHP计算指标权重、问卷调查统计指标关注度,比较这2种方法分别统计出的12项指标,共有8项相同、4项不同,可以看出从不同角度筛选出的重要指标基本重叠,但也有小部分指标由于评价者认知规律、参考角度等不同而存在差别,本文综合2种方法的结果,采用相同的8项指标作为下一步神经网络评价模型的输入,具体评价指标如表2所示。

2 基于GA的改进BP神经网络

本文利用遗传算法GA选择最优个体的原理,为BP神经网络选择最优初始权值和阀值[14],构造改进的BP神经网络,以提高BP神经网络评价模型的预测精度。

2.1 构造改进BP神经网络的步骤

基于GA改进BP神经网络的步骤如图1所示。

基于GA改进BP神经网络的步骤如下:

①确定BP神经网络结构。确定BP神经网络的拓扑结构,包括输入节点数、输出节点数、网络层数和隐含层节点数等。

②计算网络权值和阀值的个数即长度。假设步骤①确定的网络为x-y-1的3层结构,则计算网络权值为(x*y+y)个,网络阀值为(y+1)个,总个数即长度为:

③遗传算法的种群初始化。确定个体编码长度为LEN,选择用二进制法或实数法为个体编码,并确定群体的大小、交叉概率和变异概率等运行参数。

④以BP神经网络训练的误差和作为适应度函数。利用训练数据对网络进行训练,将实际输出与期望输出的误差绝对值和作为个体适应度值F,计算公式为:

式中,n为网络输出节点数;yi为BP神经网络第i个节点的期望输出;oi为第i个节点的预测输出;k为系数。

⑤遗传算法的选择、交叉和变异[15]操作。计算公式分别为式(3)、式(4)和式(5)。

式中,pselect为每个个体的选择概率;fi=k/Fi,Fi为个体i的适应度值,值越小越好,k为系数;N为种群的个体数目。

式(4)为采用实数编码方法,第m个染色体am和第n个染色体an在j位的交叉操作方法。b为[0,1]间的随机数。

式(5)为选取第i个个体的第j个基因aij进行变异的操作方法。amax为基因aij的上界;amin为基因aij的下界;f(ga)=r(1-ga/ga_index)2;r为一个随机数;ga为当前迭代次数;ga_index是最大进化次数;rand为[0,1]间的随机数。

⑥选择最优个体。当完成进化迭代次数,按照适应度值大小,选择最优个体。

⑦获取最优权值和阀值。将最优个体的编码还原成BP神经网络的最优初始权值和阀值。

⑧改进BP神经网络的训练与测试。利用训练数据对网络进行训练,计算均方误差MSE,当误差小于目标值,停止训练,利用该模型进行下一步的预测应用。

2.2 改进BP神经网络效果分析

通过比较传统BP神经网络与基于GA改进的BP神经网络,分别拟合二元非线性函数y=x12+x22+x1*x2,来了解改进的GABP神经网络效果。根据该函数的结构形式,选择2-5-1的3层BP神经网络结构。在Matlab平台下,由程序随机在[0,5]之间产生2 000对输入输出数据,利用前1900组作为训练样本,后100组数据进行检验测试,2种网络的预测误差曲线比较如图2所示,可以看出优化的GABP预测误差得到较大改善,因此将其用于课堂教学质量的评价完全可行。

3 改进BP评价模型的训练与测试

3.1 样本数据来源

为了检验改进BP评价模型的性能,在Matlab平台下对其进行仿真实验。样本数据来自75位教师的课堂教学评价成绩。

依据前文筛选出的8项重要指标,组织学生对授课老师课堂教学进行评价打分,针对实践中往往会出现学生打分相对较高、拿捏不好分值大小的情况,采用内部一致性较佳的里克特五点量表的方式,每项指标由学生选择“非常满意”、“满意”、“一般”、“不满意”和“非常不满意”选项,然后由计算机自动折算出相应分值,并计算平均分作为该项指标的最终得分;为保证样本数据的有效性和神经网络的预测精度,输出期望值的科学准确至关重要。因此,本文采用教学主管部门和督导专家对每名教师多次听课的综合打分作为神经网络的期望值输出;最后还需要对原始数据进行归一化处理。

3.2 改进BP评价模型的实现

根据前文筛选的重要指标,确定BP神经网络的输入节点数为8,课堂教学质量评价以综合得分作为最终评价结果,因此输出节点数为1,若采用3层网络结构,通过参考文献[16]和试凑法确定隐含层节点数为10。利用样本的前50组数据进行网络训练,并对后25组数据完成输出预测。

在Matlab中实现改进BP评价模型预测的关键代码如下:

3.3 结果比较与分析

为评价本文基于改进BP神经网络的课堂教学质量评价模型,选择没有筛选重要评价指标的BP评价模型、筛选指标的单隐含层BP评价模型、筛选指标的双隐含层BP评价模型进行对比试验,几种评价模型预测误差如图3所示。

对仿真结果进行比较与分析,可以得出以下结论:

①没有筛选指标的BP评价模型。首先由于评价指标项目较多,不利于评价者细心准确地评价打分;其次因为数学模型输入自变量数目较多,而自变量之间又很难保证相互独立性,从而导致了该模型评价精度低,预测相对误差最大值达到8.27%。

②筛选指标的单隐含层BP评价模型。由于综合运用了层次分析法和问卷调查法,筛选出了对评价结果具有重要影响的指标,将这些评价指标作为BP神经网络的输入,提高了网络输入自变量的非相关性和精确性,因此其评价精度相对于没有筛选指标的BP评价模型有较大提高,预测相对误差最大值也达到4.86%。

③筛选指标的双隐含层BP评价模型。多隐含层BP神经网络相对于单隐含层,泛化能力强、预测精度高[14]。因此本文也构造了8-10-8-1的双隐含层BP评价模型,预测相对误差最大值为4.13%,相对单隐含层BP评价模型,精度有小幅度的提高。

④筛选指标的GABP评价模型。由于利用遗传算法原理,来获得BP神经网络的最优初始权值和阀值,同时又运用了筛选的重要指标作为BP神经网络的输入,综合利用了层次分析法、调查问卷法、遗传算法的优势,大大提高了BP神经网络评价模型的预测精度,预测相对误差最大值仅为2.53%。

4 结束语

针对基于BP神经网络的教学质量评价存在学习泛化能力差、预测误差较大等不足,结合国内学者筛选重要评价指标、优化BP神经网络算法的2个研究方向,提出了基于层次分析法和问卷调查法的评价指标体系,研究了基于遗传算法的改进BP神经网络模型。仿真试验结果表明,该教学评价模型大大提高了评价精度和预测效果,在教学管理中具有很好的应用前景,但由于网络训练的样本数量相对较少,评价精度还有待提高。因此,基于网络评价和数据库管理系统的多样本训练,将是下一步研究的重点。

摘要：针对基于BP神经网络的课堂教学质量评价存在预测误差较大的不足,为提高评价的准确性和预测性,根据不同评价主体的特点,提出了基于层次分析法和问卷调查法相结合来选取评价指标体系,作为BP神经网络的输入;进而运用遗传算法选择最优个体的原理,优化BP神经网络初始参数来建立课堂教学质量的评价模型。通过对样本数据的训练与测试,表明该模型较大地提高了课堂教学质量评价的精度,在教学评价中具有较好的应用前景。

篇9：基于互联网络的远程教学评价模型

关键词：会计信息质量；BP神经网络模型；评价模型

会计信息质量特征，即会计信息的确认、计量、记录和披露程序中所到达到要求和标准。现如今会计信息失真越来越严重，直接导致资本市场的发展严重受阻，以及投资者和其他会计信息用户的投资热情和自信大大受挫。对他们来说，只有准确评估会计信息质量，他们才能为管理或投资以及其他经济决策做出正确的选择。所以，更好地评价会计信息的质量，具有重要的实践价值和理论意义。

一、構建评价指标体系

（一）选取评价指标

有效地选取会计信息质量评价指标，应该从生成会计信息质量的识别问题和披露会计信息质量的标准来进行探讨和研究。会计信息质量特征又兼顾了相关性和可靠性，因此，文章将从相关性和可靠性这两个方面来分割和选择会计信息质量评价标准。

企业提供的会计信息之间的相关性应与投资者及其他相关财务报告对用户的经济决策需要，有助于投资者如财务报表使用者对企业过去、现在或将来做出评价或预测。即选取重要性、时效性、可比性和明晰性四个评价指标。

可靠性，指的是企业提供的会计信息有诚信，没有偏见甚至是错误的，真实、客观体现出企业经营业绩情况。即企业所提供财务报告，应当内容真实、数据精准。即选取真实性、完整性、谨慎性和实质重于形势四个评价指标。

（二）构建指标体系

根据上述分析，即可以构建出一套指标体系构架，具体如下面的表所示：

二、BP神经网络评价方法概述

（一）BP神经网络的定义

BP神经网络，从字面意义理解即与生物的神经网络相似。生物的神经网络是检测和识别信息的有机体，并可以在生物间相互传送信息。

文章所讨论的BP神经网络就是在生物神经网络的基础特征上的推广和应用，从而使BP神经网络具有模仿，传输，识别和控制的特点，而不是完全复制生物神经网络的结构和功能。BP神经网络主要是由输入层、隐含层和输出层组成，其结构包含至少三层，具有一定的数据传输和处理功能，就像生物的神经网络，具有较强自我调整、自我组织、自我适应和自我协调的能力。

（二）BP神经网络的算法

BP神经网络具体的算法如下图：

最后，经过仿真处理后，我们就可以准备几组测试样本来测试网络训练结果的合理、准确性。（作者单位：吉首大学商学院）

参考文献：

[1] 牛丽文，郑娟娟.企业会计信息质量模糊综合评价模型及应用[J].河北工程大学学报（社会科学版），2012（12）.

[2] 乔莉.我国会计信息质量问题研究[J].现代商业，2012，No.29126：244-245.

[3] 杜栋，庞庆华.现代综合评价方法与案例精选[M].北京：清华大学出版社，2008.

[4] 黄玥.企业内部控制与会计信息质量问题探析[J].中国乡镇企业会计，2012，11：169-171.

[5] 康楠楠.上市公司会计信息质量评价研究[D].东北石油大学，2012

篇10：基于互联网络的远程教学评价模型

基于结构方程模型的经济型轿车客户质量评价

针对国内经济型轿车的设计、质量不好和日益增长的需求之间的矛盾.必须从客户角度设计,控制汽车制造质量.为了解决客户主观、模糊化的需求信息,必须把质量需求信息定量化.结合人对质量认知的绝对与相对因素,必须从企业形象、使用质量和性价比三个因素进行客户质量需求分析.根据人的认知过程的特殊性,三个因素之间存在很大的相关性.三个因素分别根据层次法建立指标体系,在假设三个因素存在线形相关的前提下,建立结构方程组模型.为了避免人为构建的指标之间的共线性关系,以偏最小二乘法为基础进行数据处理,以追求更真实,科学的.分析结果.通过客户需求信息的定量化,将可以形成以数据驱动的形式指导企业的设计和质量生产行为.

作 者：叶亮 金隼 徐业茂 马祥宁 YE liang JIN Sun XU Ye-mao MA Xiang-ning  作者单位：上海交通大学,车身制造中心,上海,200240 刊 名：机械设计与制造  ISTIC PKU英文刊名：MACHINERY DESIGN & MANUFACTURE 年，卷(期)：2007 “”(7) 分类号：V46 关键词：质量评价   偏最小二乘回归   结构方程组   经济型轿车  

篇11：基于互联网络的远程教学评价模型

基于属性区间识别理论的地下水开采评价模型

从属性区间识别理论的角度,探讨了地下水开采安全评价方法.并通过对哈尔滨市地下水开采的安全评价验证了此方法的.可行性,为地下水开采的安全评价提供了一种科学、实用的评价方法.

作 者：阮万清 RUAN Wan-qing  作者单位：黑龙江科技学院,哈尔滨,150027 刊 名：煤炭技术  PKU英文刊名：COAL TECHNOLOGY 年，卷(期)： 27(2) 分类号：P641.2 关键词：地下水开采   安全评价体系   属性区间识别理论  

篇12：基于互联网络的远程教学评价模型

基于变权欧式距离模型的大气环境质量评价

通过利用待评价单元中各大气评价因子的环境污染贡献率确定相应因子的权重,并由此对每个待评单元衍生出适合其自身的距离等级评价准则,从而实现对加权欧式距离模型的改进,建立起大气质量评价的变权欧式距离模型.该模型由于使用更尊重客观实际的.权重系数和评价准则,使模型更合理科学.最后,将该模型应用于大气环境质量评价实例中,并将本法与模糊综合评价的结果比较分析,获得良好的效果.

作 者： 作者单位： 刊 名：辽宁工程技术大学学报（自然科学版）  ISTIC PKU英文刊名：JOURNAL OF LIAONING TECHNICAL UNIVERSITY(NATURAL SCIENCE EDITION) 年，卷(期)： 24(5) 分类号：X53 关键词：变权欧式距离模型   大气环境质量   评价   污染贡献率  

篇13：基于互联网络的远程教学评价模型

网络学习平台是一个集教学、学习辅助与管理以及学习评估等多种服务功能于一身的综合教学服务支持系统, 旨在帮助教师开展教学活动, 为学习者提供实时或是非实时的教学辅助服务, 以及实现教学行为交互提供技术支持。网络学习平台在高校课程教学中的普遍应用更加推动了教育资源共享程度, 并利用学习平台的多方交流、跟踪评价等个性化功能, 有效地促进学习者自主探究和小组协作的学习模式深入发展。目前, 得到国内各高校普遍认可和广泛应用的网络学习平台主要包括Blackboard、Moodle和Sakai。这三款学习系统都拥有强大的资源管理和教学辅助和协作交流功能。然而, 在学习评价功能设计中虽然各具特色, 也仍然存在一些不足。

一、网络学习平台中评价系统存在的不足

(一) 学习者参与评价设计程度较低, 评价地位被动

在网络学习评价过程中, 明确评价目标、建立评价指标体系以及选择适合的评价模型是评价设计的基本步骤, 也是保证评价合理实施的重要环节。现在的网络学习平台缺乏学习者在评价设计中的有效参与, 依然延续教师为评价设计的主导者, 学习者评价的自主性较低, 评价地位被动, 直接影响着学习活动效率的提高和评价有效性的提升。

(二) 评价方式的比例分配不合理, 过程性评价关注不足

常见的网络学习平台都普遍拥有强大的作业收集和在线测试功能, 并以此为依据, 结合学习者历次的练习、报告、作品、论文等作业的完成情况和单元考试以及期中、期末测试成绩, 通过对平时作业和测试结果进行加权计算从而生成最终的课程成绩。但是, 从评价方式的比例分配上来看, 学习者参与讨论的情况、资源利用的程度、问题解决的能力等过程性评价方式基本形同虚设, “作业+考试”的评价方法依然占据网络学习评价系统的主要位置, 对学习者参与学习的过程性评价关注不够。

(三) 记录功能突出, 智能化程度较低

随着网络的实时性和逐渐增强的信息存储功能, 加之量规、学习契约、电子档案等网络学习评价工具的普遍应用, 网络学习评价系统基于将学习者的测评整合到日常学习活动之中的设计理念, 已基本实现了对学习数据的记录、收集、统计和分析。国内广泛认可的Blackboard、Moodle和Sakai三款网络学习系统都具有强大的成绩管理功能。然而, 这种功能性多局限于对学习行为的数据挖掘、记录和存储, 对于评价资料的智能分析和管理功能而言, 人工依赖性仍然较强, 自动化、智能化程度偏低。

(四) 缺乏监控, 评价结果信度较低

在网络学习环境中, 评价系统能否实现对网络学习者学习行为的有效监控是保证评价客观性和可信度的根本所在。数据挖掘、微表情分析等新技术的出现对于过程监控和全面分析学习者学习行为提供了可能。现有的网络学习评价系统基本实现以客观全面评价学习过程为准则, 已将终结性评价结果转向对过程性评价的关注。但是, 这一过程性评价大多是基于作业、论文、报告等形式的过程性学习结果而言的, 仍然缺乏全面系统化的学习过程监控, 制约着网络学习评价结果的信度。

二、自主评价理念

(一) 自主评价内涵

学习评价是对学习活动的价值判断过程。网络学习, 因其特殊的学习模式和受教育群体, 学习者普遍具有较强的自主性和明确的目的性, 评价的主要目的主要在于促进学习。

自主评价, 是基于自我评价和主动评价有效结合的一种评价模式, 强调学习者在网络学习评价过程中的参与性和导向性。随着教育改革的不断推进, “以学生为中心”的教育理念已基本深入人心, 网络学习评价作为教育评价中的一部分也随之得以深入和拓展。在网络学习中, 技术手段的介入为跟踪、记录、存储学习者的学习行为提供了可能, 如何判断学习者在网络学习过程中的个人经历和学习效果才是网络学习评价的关键所在。因而, 提高学习者在评价过程中的自主性, 突出评价的过程性和学习者的自主意识, 实现以学习者为主导的评价模式就显得尤为重要。

1. 提高评价的自主性, 深化“以学习者为中心”的教育理念

近年来, 教与学活动的不断革新, 其根本就是在推动“以学习者为中心”的教育理念的不断深入, 学习者的主体地位日益明确。评价作为学习活动的一部分理应在评价过程中突出学习者的主体地位, 通过提高学习者评价的自主性, 继续深化“以学习者为中心”的教育理念。

2. 提高评价的自主性, 帮助实现自我评价自我评价作为自我意识的一种表现形式, 是对学习状态、学习过程以及学习结果等方面最直接的描述。

但在完成自我评价的过程中, 并未明确评价主导者, 学习者依然存在服从教师指令、被动评价的情况。因而, 强调评价的自主性是实现自我评价的基础, 即保证学习者评价的自愿性, 提高在评价过程中的主动反思意识, 促进个人对于学习活动的调整、控制能力。

3. 提高评价的自主性, 推动评价内容的转变

从某种意义上讲, 提高评价的自主性有助于把评价的焦点从关注学习结果转移到关注学习者的学习行为上来, 把学习者的学习态度、学习方法、学习效率等方面列入评价范畴, 通过强调对学习过程的评价从而转变评价内容。

(二) 自主评价原则

1. 评价主体多元化

为了明确学习者在网络学习活动中的主体地位, 应在保证评价信度的基础上重视被评价者的个人评价意见, 实现自我评价、他人评价与教师评价三者相结合的综合评价模式。

客观评价是保证评价科学性的重要依据。因而, 在评价过程中, 一方面要通过学习者互评以降低自我评价存在的盲目性和针对性;另一方面要确保以教师、家长等社会权威评价主体为核心, 保证评价的客观性和有效性。

2. 评价内容全面化

逐渐弱化对概念化、记忆性知识的考察, 将学习方法、学习能力、学习态度以及解决问题的实际能力等纳入评价范围。以能力和素质培养为目的, 实现对学习者综合能力的考查。全面评价就是强调学习目标的导向作用, 反映学习者的自主学习以及实践动手能力, 有效提高学习者运用知识解决现实生活或工作中所遇问题的能力。

3. 评价标准个别化

不同学习内容类型具有不同的知识特性。过分统一化的评价标准是应试教育体制下的产物, 有悖于现代远程教育学习者学习个别化的特点。依据知识特点、学习层次的不同确定多种评价标准, 既能满足学习主体的个性化发展, 又能避免个别学科由于内容的模糊性和不可测量性而造成的评价缺失。

4. 评价方式过程化

网络学习评价关注学习过程, 评价的目的在于促进学习而不是诊断优劣。多样化的学习活动主张把学习过程中的全部情况都纳入评价范围, 强调评价过程本身的价值和对学习者学习进行的形成性评价。形成性评价改变了以往的测试评价, 具有很强的针对性, 有利于学习者对其个人学习过程的有效调控。

三、基于自主评价理念的网络学习评价模型设计

(一) 设计流程

(二) 要素分析

1. 评价管理

为提高网络学习者自主评价的效能感, 明确评价目标、确定评价指标是保证评价得以顺利进行的基础, 更是评价模型建立的根本所在。其中, 坚持以学习者个体为中心的评价思想, 以准确把握不同层次的网络学习者的实际学习需求为基础, 建立多方位、多层次、多级化的评价指标供学习者自主择定。此外, 在确定的评价目标基础之下, 学习者还可根据个人需求自主选择评价方式、评价内容以及评价工具等要素, 最终由系统自动生成具体、可操作的评价方案, 并以此为指导进入评价实施环节。

2. 评价实施

即利用网络学习强大的交互功能, 转变传统评价模式下学习者被动评价的地位, 坚持以学习者为中心的评价思想, 为其提供开放、自主的学习评价环境, 吸引学习者参与评价, 将评价整合到日常学习过程中。在网络学习评价的实施过程中, 以既定的评价方案为实施标准, 通过学习日志、Blog、WIKI等方式收集并记录学习数据, 促进学习者在提供评价信息过程中反思学习的能力, 从而帮助学习者独立完成评价。

3. 评价鉴定

基于自主评价理念的网络学习评价模型是建立在以过程性评价为主导的基础之上, 通过自主选择评价要素、实施评价方案体现学习者不同层次的学习需求, 难以避免评价结果带有个人主观色彩。为保证评价的可信度, 由教师或学习同伴的对其评价结果进行鉴定。在具体实践过程中, 结合个人、同伴、教师三者的评价内容, 根据学习者的在线时数、资源利用率、交流合作情况、作业完成度以及问题解决能力等客观量化的信息对其评价内容进行鉴定和修改, 可以提高评价的客观性和可信度。

4. 评价反馈

经由教师或他人鉴定、修改过后的评价内容可作为最终的评价结果反馈给学习者, 系统将结合修改痕迹生成相关评价建议供学习者反思, 为其之后的学习评价提供参考, 如各项评价目标达标程度、评价内容合理情况等等, 以帮助学习者完善自主评价过程, 促进自学、自测、自评和主动反思的网络学习模式。

(三) 模型建构

(四) 特点分析

1. 强调评价主体的自主性

基于自主评价理念的网络学习模型较为充分地体现了以学习者为中心的教学理念, 改变了传统教学评价内容固定化、形式结构化的特征。它主张学习者亦是评价者, 弱化了教师的评价地位, 将其由传统评价模式下的评价主导转为评价鉴定, 而把实施和管理评价的对象直指学习者, 强调学习者作为评价主体的自主性, 使学习者的评价地位由被动转为主动。

2. 充分利用网络评价环境的开放性

依靠于开放、平等的互联网环境, 不断吸引着来自世界各地、不同领域的学习者共同参与学习、共享知识。这一绝对开放的网络学习环境已渐渐地被社会大众所认可, 相应的, 其评价环境亦是如此。同学、家人, 甚至陌生人都可借助开放的网络环境追溯学习者的学习轨迹, 浏览其学习成果并进行评价, 最终将结合多方评价意见产生评价结果, 开放的网络评价环境促使评价走向更加民主化、透明化的道路。

3. 突出评价工具的功能性

综合化评价评价模式势必会产生数量庞大的评价信息, 通过评价工具强大的信息搜集、数据分析能力而实现电子化评价已是大势所趋。基于该模型实施的评价, 其结果主要是基于学习行为的数据记录而产生的, 而评价过程中的反馈、管理、实施和鉴定各环节都直接以学习平台为依托, 而非教师或其他教育管理者。因而, 更加强调评价工具的实时记录、数据分析等功能性。

四、结束语

随着信息技术手段的不断更新, 在现代网络学习评价过程中, 单一的评价方式已然无法满足学习需求, 评价指标和评价手段都在不断趋于综合化。与此同时, 综合评价的现代教育理念使得评价的主体更加开放、多元化, 自我评价、同伴评价的比重也在不断上升, 教师不再是学习评价中的权威者, 更多的是扮演指导、促进的角色。因而, 基于自主学习理念而提出的网络学习评价模型, 在保证评价质量的前提下, 逐渐弱化教师的评价职能, 将学习者的评价自主性最大化, 即是为顺应当代网络学习发展趋势而为之。

摘要：随着信息技术手段的不断更新, 单一的评价方式已无法满足学习需求, 评价指标和评价手段都在不断趋于综合化。与此同时, 综合评价的现代教育理念使得评价的主体更加开放、多元化, 自我评价、同伴评价的比重在不断上升, 教师不再是学习评价中的权威者。基于自主学习理念而提出的网络学习评价模型, 在保证评价质量的前提下, 逐渐弱化教师的评价职能, 并将学习者的评价自主性最大化。

关键词：网络学习,评价,多元化,模型

参考文献

[1]刘仁坤, 杨亭亭, 王丽娜.论现代远程教育多元化的学习评价方式[J].中国电化教育, 2012 (4) :52-57.

[2]杨亭亭, 刘仁坤, 王丽娜.基于远程教育学习活动的学习评价研究[J].现代远程教育, 2013 (22) :46-52.

[3]王泽钰, 杨晓宏.简论数字化学习中的学习评价[J].中国电化教育, 2003 (4) :31-33.

[4]高丹丹.论网络学习的评价[J].电化教育研究, 2009 (11) :25-29.

篇14：基于互联网络的远程教学评价模型

【关键词】学术期刊；期刊评价；网络口碑；模糊综合评价

一、引言

随着互联网的普及，网络已经成为人们生活中的一部分。人们习惯把自己一些心得与体会写到网络上。目前，网络口碑已成为广大学者研究热点之一。赖胜强等对网络口碑的特征、传播者的发送动机、传播意愿、接收者的搜寻动机以及说明效果等进行了文献梳理；卢向华等从网络口碑的点评数量、评分以及负面的点评率三方面来量化网络口碑为产品销售收入带来的价值；李念武等分析正、负面网络口碑可信度的影响因素以及这两种口碑如何影响消费者对商家的信任和购买行为。本文提出将网络口碑应用到学术期刊评价中，建立学术期刊网络口碑评价的指标体系，并采用模糊综合评价方法对其进行评价，这对于完善、提高学术期刊评价体系有着十分重要的指导作用。

二、学术期刊网络口碑指标体系构建

国内外对学术期刊的评价基本上都是基于内容和引用的评价，这种评价实质上是对学术期刊论文的评价。随着国际化的发展，学术期刊不仅要看学术性，还需要看期刊的整体性情况。学术期刊网络口碑评价大部分都是以大众评价为主体，整理出投稿者对期刊的认可程度，并且把投稿的过程经验分享给其他投稿者。所以，本文采用以下指标：

（一）期刊的质量

质量是学术期刊发展的重要前提。影响期刊质量的原因有很多种，对投稿者来稿的选择、定稿的编辑直接影响学术期刊的质量。编辑者的思维模式、学术的观察能力、鉴别能力、都影响学术期刊的质量。

（二）审稿的速度

审读稿件是学术期刊编辑最基本的工作要求。一般审定文稿已经建立了完善的“三审制”机制。通常是指编辑部初审，室主任复审，总编辑终审。有的期刊编辑部在初审和复审之间，还需要加一个外审的过程。每一个评定对投稿者来说，都是一个漫长的等待过程。一般情况下期刊编辑部的审稿时间是1个月或3个月，有的需要6个月。

（三）编辑的态度

期刊是为读者服务的。编辑态度直接影响投稿者对期刊的印象，所以期刊编辑应该做到各方面都考虑到读者的需求，才能够发挥期刊的功能。期刊编辑应该从期刊的读者经营要求出发，编辑人员应该对社会、对读者、对刊物和对编辑职责具有责任感，通过各种方法，尽自己最大的能力回答读者的问题并且帮助读者解决困难。

（四）发稿的速度

发稿速度是指从文稿的录用到论文出版这段时间的快慢。该期刊的论文从录用到发表，需要多长时间，大部分期刊在“投稿须知”中都会介绍的很清楚。投稿者可以根据以前发表的论文后面的“投稿日期”和“录用日期”来进行推断。这样投稿者就可以根据判断，来决定是投哪一种期刊来发表论文。

从上面的评价指标可以看出，期刊质量是学术期刊评价的最核心的部分，审稿速度是投稿者最关心的问题，编辑态度对投稿者来说也是很重要的一部分，可以促进期刊编辑与投稿者的关系，如果编辑的态度好，在很大程度上能够提高投稿者对该期刊的认可程度。发稿的速度对于投稿者来说，只要文章能够录用就可以，如果有急着需要出版的论文也可以与出版社协商。

三、应用实例

期刊点评网创建于2009年8月，是中国第一家为期刊提供点评服务的网站。目的是积累有经验的投稿者的投稿经历，为缺乏投稿经验的人提供投稿指导。基于此平台，本文选取图书情报与数字图书馆学科领域点评数量最多的《图书情报工作》作为模型检验。根据AHP计算出各指标相应的权重，从点评信息中提取各项指标的等级评语，由于数据量有限，本文采用人工处理的方式。

（一）计算各指标权重

1、根据评价指标U={U1、U2、U3、U4}={期刊质量、审稿速度、编辑态度、发稿速度}的重要性得出指标判断矩阵。

其中bij=1，表示Ui和Uj同等重要；bij=3，表示Ui比Uj稍重要，反之为1/3；bij=5，表示Ui比Uj重要，反之为1/5；bij=7，表示Ui比Uj非常重要，反之为1/7；

2）判断矩阵的特征根=4.12

3）对判断矩阵进行一致性检验=0.04，=0.04﹤0.1，符合一致性检验。

（二）模糊综合评判

1、模糊隶属度矩阵。根据期刊点评网上《图书情报工作》的点评信息，按照评价指标U={U1、U2、U3、U4}={期刊质量、审稿速度、编辑态度、发稿速度}为关键字，采用评价语V= （很好、好、一般、差），将该期刊网络口碑评价模糊转换为矩阵R（rij）4×4，其中rij=对U中某一指标，点评划归为V中的某等级的点评数/点评该指标的点评数，得出

2、根据各指标的权重W={ 0.563、0.263、0.118、0.056}，得出学术期刊网络口碑的综合评价

3、在评价等级中给定评价标准的分值，相应的4个等级分别对应7分，5分，3分，1分。即有评价期刊的得分值

四、结论

通过以上的分析，验证了对学术期刊的网络口碑是有效的。目前，国内各评价机构对学术期刊的评价均未考虑大众对学术期刊的点评。因此，本文提出把网络口碑作为一项评价指标应用到学术期刊评价体系中，让广大的科研人员以及学者都投身到对学术期刊评价的工作中，这样有助于学术期刊评价工作的完善性、科学性、公平性。学术期刊网络口碑评价有助于投稿者选择投稿期刊，提高投稿的成功率，降低信息不对称引起的时间成本消耗。

参考文献

[1]赖胜强，朱敏.网络口碑研究述评[J].财经经济，2009（6）：127-131.

[2]卢向华，冯越.网络口碑的价值——基于在线餐馆点评的实证研究[J].管理世界，2009（7）：126-132.

[3]李念武，岳蓉.网络口碑可信度及对购买行为影响的实证研究[J]. 图书情报工作，2009，53（22）：133-137.

[4]杨晓娜.学术期刊编辑与期刊质量的两点关系[J].科技创新导报，2009（15）：215-216.

[5]期刊点评网. http：//www.qikan001.com/[2010-9-20].

作者简介