云模型理论在网络课程满意度 评价模型构建中的应用
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
云模型理论在网络课程满意度评价模型构建中的应用
作者:牛杰李众戴艳
来源:《中国远程教育》2013年第09期
【摘要】
本文提出一种远程教育中网络课程满意度评价模型。
利用云模型理论融合了模糊性和随机性的特点,采用改进的逆向云发生器实现评价指标评语的定性定量转换,用于描述指标的实际情况。
与传统算法相比,该方法的结果并非是单一数值表示,可以全面地反映各个指标及总体指标的实际趋势。
实验表明,评价结果详尽直观,具有一定的实践意义。
【关键词】满意度测评;云模型;逆向云发生器
【中图分类号】 TP391 【文献标识码】 A 【文章编号】 1009—458x(2013)09—0036—04
一、引言
现代远程教育教学质量在学校教育指标中非常重要。
建立一套科学有效的教学质量评价体系,以保证教学质量的稳定和不断提高,意义深远。
在我国远程开放教育中,建立一个统一的满意度评价指标体系可以更好地帮助院校了解远程教育实施的实际情况。
在评价过程中,一般采取定性的语言,利用调查问卷的形式进行。
融合了主观模糊性和随机性的云理论[1],实现了定性语言值与定量数值之间的自然转换,在数据挖掘[2]、智能控制[3]、系统评测[4]等领域都得到广泛应用。
在教育领域,云理论模型也得到了一些应用。
胡石元根据云模型的公式实现了教学评语的定性定量转换[5];蒋健等在学习评价和教学质量评估中对于数据的处理,也通过了云理论模型的方法,并且实验证明了该方法的可行性和有效性[6]。
常用的评估系统模型存在不同的指标。
加权平均法[7]首先设定各项指标的权值,利用各项指标的权重系数加权平均求出最终的评价等级,快捷简单地用单一的数值实现了评价目标。
其缺点是不能反映出被评价对象单独指标的具体情况。
另外,该方法没有考虑自然语言的模糊性和评价者主体的随机性。
如果笼统地将得分合并,可能导致信息缺失。
模糊评价方法[8]根据模糊数学的隶属度理论把定性评价转化为定量评价,即用模糊数学对受到多种因素制约的事物或对象做出一个总体的评价。
考虑到人类主观的模糊性因素,在模糊评价过程中,得到的模糊评价矩阵往往不唯一,缺乏严格的科学依据。
粗糙集理论[9]是一种处理不精确、不确定与不完全数据的数学方法,可以对数据进行分析和推理,从中发现隐含的知识。
其优点在于成熟的数学理论以及使用中所需的较小的数据量,但是由于在约简过程中采取了去除冗余数据的思
想,导致约简后的信息相对不完整,在一定程度上降低了容错性和数据推广能力。
本文将云模型理论引入评价体系中,提出一种基于云理论的评价系统建模方式,其特点在于:综合主观评价的模糊性和随机性特点,结果更能反映实际的评价结果;采用改进的逆向云模型,保持算法模型的稳定性;评价模型可以反映多方面的指标,能够更详尽地反映出被评价指标的实际情况,确保评价结果的权威性,同时大大节约教育资源,提高了工作效率,具有较高的实用价值。
二、云模型相关理论
1. 云模型的定义
云模型通过赋予样本点以随机确定度来统一刻画概念中的随机性、模糊性和关联性,利用特定算法构成定性和定量之间的相互转换,作为知识表示的基础。
云模型具有期望(Ex)、熵(En)和超熵(He)三个数字特征。
其中Ex是论域空间中分布的期望值,是概念量化的最典型样本。
云滴距离期望(Ex)的远近反映了人们对概念的认知统一性。
熵(En)是对于定性概念的不确定度量值,反映了代表此概念云滴的离散程度,表示了在论域中可被概念接受的云滴取值范围。
超熵(He)是熵(En)的熵,反映出熵的随机性和模糊性特点,是对于熵的不确定度的度量。
2. 逆向云发生器
云的生成算法称为云的发生,它构建了定性到定量的映射。
本模型中使用的是逆向云发生器。
图1 逆向云发生器
逆向云发生器算法(如图1所示)是根据一定数量的数据样本,将其表示为数字特征的定性概念,是实现定性概念的外延到内涵转换的过程。
现有的无确定度逆向云算法通常从给定的样本中利用样本各阶矩对定性概念的数字特征直接估计,这会导致有时得不到熵(En)和超熵(He)的值,或对定性概念估计误差较大[10]。
本文根据正向正态云发生器算法由定性概念的内涵生成概念外延过程的特点,使用一种多步还原的逆向云算法[11],算法描述如下:
三、基于云理论的网络课程满意度评价体系
1. 网络课程评价体系的构成
网络课程评价的实质就是将对评价对象的价值判断转化为对评价对象的构成要素的价值判断,这实际上就是对目标进行分解,直到末级指标具有直接可测性或达到其他分级标准。
所有评价指标的全体构成一项有层级结构的评价指标体系。
随着社会的发展,中国的网络教育质量越来越受到人们的关注。
如何评价网络课程的优劣一直是教育界人士关注的一个焦点问题。
目前,国内尚没有一套权威的评价标准。
教育部于2000年发布了《现代远程教育工程教育资源开发标准》[12],该标准并没有对具体的网络教育评价指标的建立提出指导意见。
同时,确定网络课程评价体系是一个复杂的过程,在评价体系的确立过程中,应该全面看待课程各个部分的综合性能。
对于不同的课程模块,可以利用不同的权重指标来反映模块的重要程度[13]。
合理评价标准的建立必须是多角度的,至少包含学生、教师和管理人员三个不同类别。
从教学系统、交互系统、教师/学生支持系统、评价系统、管理系统这五个方面进行考察[14]。
根据此观点,本文总结并绘制了网络课程评价体系流程图(如图2所示)。
图2 网络课程评价体系过程流程图
(1)选定评价对象
评价对象是被评价的客体。
文中的评价对象是远程教育中的网络课程满意度。
(2)选定评价主体
对于网络课程的评价,在以学生为主体进行评价的同时,可以考虑多种人员参与。
不同的评价主体,有着不同的评价优势和不足,具体分析这些优势和不足,是整合和优化评价指标、提高课程质量与效益的重要途径。
文中的云理论评价模型适合学生主体评价数据。
专家和管理人员进行网络课程评价时,数据量偏少,应考虑其他模型。
(3)确定评价内容
按照系统论原则,考虑到模型的综合性、通用性、简洁性和可操作性,根据评价标准的五方面内容,制定一个典型评价指标体系(如表1所示)。
具体内容包括以下几个方面:
教学系统主要反映在网页页面和资源设计两个指标上,网页页面是教学系统的有力支撑,良好的用户页面可以突显课程教学内容。
同时,资源设计中课程内容的先进性、完整性和科学性也需要合理的页面设计才能发挥其效果。
交互系统包括资源共享、小组讨论、在线查询作业和在线答疑等功能,它反映了师生之间各种形式的交互活动。
教师/学生支持系统包括网络课程使用说明以及在使用过程中后台的线上线下支持能力等。
在评价过程中,一般可以将交互系统与教师/学生支持系统相结合,反映在导航系统、交互性、外部链接和学习支持这四个指标上。
评价系统反映在评级体系指标中,学生可以容易地对课程学习情况进行自我检测。
管理系统主要指网络课程的学籍管理、成绩与学分管理、财务管理等,该指标优劣一般由专家给出,不涉及普通课程用户。
表1 网络课程评价指标体系
2. 应用案例分析
为了验证评价模型的有效性,选取《虚拟仪器应用技术》网络课程的问卷调查结果作为测试数据。
该调查是常州信息职业技术学院物联网教研室于2012年秋季学期期末在网络课程选课的168名学生中做的一次课程质量问卷调查。
这次问卷调查根据表1原则设计,每项指标不设权重。
根据指标包含内容,每个一类指标再细化为三至四个二类指标进行定性评价。
这次调查发放问卷182份,收回有效问卷168份,其中一年级、二年级、三年级比例分别是15%、67%和18%。
评语集为:{满意,比较满意,一般,不太满意,不满意}。
评语等级的评语值区间如表2所示。
表2 评价等级的评语值区间表
首先对于问卷系统中的定性评语进行分数区间映射,利用多步还原逆向云算法[15]对指标的评分数据进行数字特征还原,用云模型来表示语言值指标,二类指标加权得到所有一类指标的云模型的数字特征(如表3所示)。
表3 评价指标的云模型参数表
3. 结果分析
由图3(8)可以看出,该网络课程综合评价期望值(Ex)为65.653,隶属于区间(63,70),并且其他云滴多数分布于Ex周围,根据Ex的数字特征含义认定该课程的评价结果为“满意”。
从表3的结果可以看出,待评网络课程在网页页面方面期望(Ex)最高,说明该课程网页设计方面做得最好;熵值(En)反映了评价的一致性,结果中外部链接的熵值最小,反映出评价主体对于外部链接指标项的看法一致。
同样,也可以得出该课程在学习支持方面做得最不好,Ex 最低。
同时,在学习支持中,超熵(He)值最大,反映出了评价人在评价该项指标时的心理因素差异大,不确定程度高。
四、结束语
良好的网络课程评价体系取决于评价模型质量以及合理评价指标的建立。
本文分析了国内网络课程评价的现状,根据网络课程评价标准所要考虑的教学系统、交互系统等五个方面,结合网络课程特点,总结出评价体系的流程图。
在评价过程中,云模型理论可以将评价者对于指标的模糊性和随机性有机地结合在一起,考虑到了评价主体在评价过程中的主观性,从而可以更加客观、全面地反映出网络课程满意度的实际评价结果,对于网络课程体系的完善和发展有着重要的意义,具有一定的推广价值。
由于逆向云算法在人数较少时会有较大误差,因此本评
价模型不适合少数专家评价网络课程时使用,后期可以考虑带有隶属度的逆向云算法来改进系统模型以扩大其应用范围。
[参考文献]
[1] 李德毅,刘常昱,杜鹢. 不确定性人工智能[J]. 软件学报,2004,15(9):1583-1594.
[2] 杨朝晖,李德毅. 二维云模型及其在预测中的应用[J]. 计算机学报,1998,21(11):961-969.
[3] 李众,杨一栋. 基于混合维云模型定性推理的调距桨螺距控制[J].南京航空航天大学学报,2003,25(3):162-167.
[4] 宋远骏,杨孝宗,李德毅等. 考虑环境因素的计算机可靠性云模型评价[J]. 计算机研究与发展,2001,38(5):631-636
[5] 胡石元,姜听,丁家玲. 教师课堂教学质量的云模型评价方法[J]. 武汉大学学报,2007,(5):455-460
[6] 蒋建兵,梁家荣,江伟等. 基于云理论的学习评价模型研究[J]. 计算机与现代化,2008,(3):17-19.
[7] 戴丽娜,郑博薇,董海歌. 加权平均法在农村党员干部现代远程教育考核评估系统中的应用[J]. 安徽农业科学,2012,40(10):6228-6229.
[8] 李福超,席磊,刘斌. 基于 B/S 模式的课堂电化教学模糊评价系统的研究[J]. 河南农业大学学报,2009,(z1):29-32.
[9] 王国胤,姚一豫,于洪. 粗糙集理论与应用研究综述[J]. 计算机学报,2009,32(7):1229-1246.
[10] 刘常昱,冯芒,戴晓军等. 基于云 X 信息的逆向云新算法[J]. 系统仿真学报,2004,16(011):2417-2420.
[11] 王国胤,李德毅,姚一豫等. 云模型与粒计算[M]. 北京:科学出版社,2012.
[12][15] 余胜泉. 现代远程教育资源建设技术规范[S]. 教育部高教司新世纪网络课程建设工程指导文件,2000,(5).
[13] 蒋家傅,董武绍. 现代教育技术[M]. 北京:电子工业出版社, 2005.
[14] 朱凌云,罗廷锦,余胜泉. 网络课程评价[J]. 开放教育研究,2002,(1):22-28
[16] 蒋嵘,李德毅,范建华. 数值型数据的泛概念树的自动生成方法[J]. 计算机学报,2000,23(5):470-476.
收稿日期: 2013-03-15
作者简介:牛杰,讲师,博士研究生;李众,教授,博士;戴艳,实习研究员,硕士。
常州信息职业技术学院电子与电气工程学院(213164)。
责任编辑日新
更正:
本刊2013年5月刊(总440期)第47页刊登文章《国外社区教育的特色及其对我国的启示》所标注的项目信息为误植。
特此致歉。