教育部教育信息化技術(shù)標(biāo)準(zhǔn)委員會(huì)發(fā)布的CELTS-22，即網(wǎng)絡(luò)課程評價(jià)規(guī)范，對網(wǎng)絡(luò)課程的規(guī)范化起到了極大的作用。網(wǎng)絡(luò)課程評價(jià)是促進(jìn)學(xué)生全面發(fā)展，改進(jìn)教師教學(xué)，促進(jìn)美術(shù)課程不斷發(fā)展的重要環(huán)節(jié)，課程評價(jià)的依據(jù)是美術(shù)課程標(biāo)準(zhǔn)。課程評價(jià)是指依據(jù)一定的評價(jià)標(biāo)準(zhǔn)，通過系統(tǒng)地收集有關(guān)信息，采用各種定性、定量的方法，對課程的計(jì)劃、實(shí)施、結(jié)果等有關(guān)問題作出價(jià)值判斷并尋求改進(jìn)途徑的一種活動(dòng)。課程評價(jià)是一個(gè)價(jià)值判斷的過程。價(jià)值判斷要求在事實(shí)描述的基礎(chǔ)上，體現(xiàn)評價(jià)者的價(jià)值觀念和主觀愿望。不同的評價(jià)主體因其自身的需要和觀念的不同對同一事物或活動(dòng)會(huì)產(chǎn)生不同的判斷。課程評價(jià)的方式是多樣的。它既可以是定量的方法也可以是定性的方法，教育測試或測量只是其中的一種方法，并不代表課程評價(jià)的全部。課程評價(jià)的對象包括“課程的計(jì)劃、實(shí)施、結(jié)果等”諸種課程要素。也就是說，課程評價(jià)對象的范圍很廣，它既包括課程計(jì)劃本身，也包括參與課程實(shí)施的教師、學(xué)生、學(xué)校，還包括課程活動(dòng)的結(jié)果，即學(xué)生和教師的發(fā)展。

　　1 建立基于BP神經(jīng)網(wǎng)絡(luò)的評價(jià)模型

　　1.1 BP神經(jīng)網(wǎng)絡(luò)原理簡介

BP（Back Propagation）網(wǎng)絡(luò)是1986年由Rumelhart和McCelland為首的科學(xué)家小組提出，是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。BP網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸入-輸出模式映射關(guān)系，而無需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。

它的學(xué)習(xí)規(guī)則是使用速下降法，通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和。BP神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)包括輸入層（input）、隱層（hide layer）和輸出層（output layer）。

　　BP算法具體過程可歸納如下：

（1）選定u個(gè)樣本，作為訓(xùn)練集；

（2）權(quán)值、閥值初始化，即對神經(jīng)網(wǎng)絡(luò)中所有的權(quán)值閥值進(jìn)行初始化，初始值通常設(shè)為（－1，1）之間的隨機(jī)數(shù)；

（3）將作為輸入層的數(shù)據(jù)按照各個(gè)連接權(quán)重的大小加權(quán)輸入至隱含層的激活函數(shù)，然后再得到新的值，按照各個(gè)連接權(quán)重的大小加權(quán)輸入至輸出層的激活函數(shù)，計(jì)算出輸出層的輸出結(jié)果；

（4）如果輸出結(jié)果與預(yù)期的結(jié)果有誤差，則計(jì)算訓(xùn)練誤差；

（5）調(diào)整權(quán)值和閾值；

（6）按新權(quán)值與閾值計(jì)算各層的輸出，直至訓(xùn)練集滿足停止條件為止。

　　1.2 評價(jià)指標(biāo)體系的選取

2002年教育部教育信息化技術(shù)標(biāo)準(zhǔn)委員會(huì)發(fā)布了網(wǎng)絡(luò)課程評價(jià)規(guī)范，規(guī)范從以下4個(gè)基本維度來評價(jià)網(wǎng)絡(luò)課程的質(zhì)量特性：（1）課程內(nèi)容：指課程內(nèi)容本身的學(xué)術(shù)質(zhì)量和組織結(jié)構(gòu)，這是決定網(wǎng)絡(luò)課程質(zhì)量的要素；（2）教學(xué)設(shè)計(jì)：指對課程的教學(xué)目標(biāo)、教學(xué)過程及教學(xué)測評方法的合理設(shè)計(jì)，這是決定網(wǎng)絡(luò)課程質(zhì)量的關(guān)鍵，是網(wǎng)絡(luò)課程區(qū)別于一般網(wǎng)絡(luò)軟件的特色所在；（3）界面設(shè)計(jì)：指對學(xué)習(xí)者與網(wǎng)絡(luò)課程系統(tǒng)之間的信息交流方式的設(shè)計(jì)，簡便易用的人性化的界面設(shè)計(jì)是決定網(wǎng)絡(luò)課程質(zhì)量的另一個(gè)重要因素；（4）技術(shù)：可靠、適當(dāng)?shù)募夹g(shù)是網(wǎng)絡(luò)課程質(zhì)量的前提和基本保障。每個(gè)維度下包含有具體的評價(jià)指標(biāo)。課程內(nèi)容維度有7 條指標(biāo)，用以評價(jià)課程內(nèi)容本身的質(zhì)量及組織結(jié)構(gòu)。教學(xué)設(shè)計(jì)維度有14 條指標(biāo)，用來衡量網(wǎng)絡(luò)課程的教學(xué)目標(biāo)設(shè)計(jì)、教學(xué)過程策略設(shè)計(jì)和測評方法設(shè)計(jì)。

基礎(chǔ)指標(biāo)數(shù)量多、各指標(biāo)之間仍然會(huì)有復(fù)雜的耦合，因此網(wǎng)絡(luò)課程指標(biāo)體系與網(wǎng)絡(luò)課程的質(zhì)量之間是一個(gè)復(fù)雜的非線性關(guān)系。人工神經(jīng)網(wǎng)絡(luò)由大量簡單的神經(jīng)元廣泛連接而成，可用以模擬人腦思維方式的復(fù)雜網(wǎng)絡(luò)系統(tǒng)，還可以充分利用積累的各種信息以非線性系統(tǒng)來表示輸入、輸出之間的復(fù)雜關(guān)系[5]。筆者主要以CELTS-22規(guī)范中的個(gè)指標(biāo)。

　2 BP神經(jīng)網(wǎng)絡(luò)的層次設(shè)計(jì)

　　2.1 基于BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)課程質(zhì)量模型設(shè)計(jì)

以指標(biāo)“課程內(nèi)容”中的7個(gè)子指標(biāo)作為輸入層，輸出層為“課程內(nèi)容質(zhì)量”，隱層單元數(shù)目與問題的要求、輸入和輸出單元的數(shù)目都有著直接關(guān)系。其經(jīng)驗(yàn)計(jì)算公式為：

在式（1）中，n和m為輸入單元個(gè)數(shù)和輸出單元個(gè)數(shù)；L為隱含層單元個(gè)數(shù)。在實(shí)際網(wǎng)絡(luò)設(shè)計(jì)中，根據(jù)收斂速度、設(shè)定進(jìn)行進(jìn)一步的調(diào)整。BP網(wǎng)絡(luò)模型處理信息的基本原理是：輸入信號Xi通過中間節(jié)點(diǎn)（隱層點(diǎn)）作用于輸出節(jié)點(diǎn)，經(jīng)過非線形變換，產(chǎn)生輸出信號Yk，網(wǎng)絡(luò)訓(xùn)練的每個(gè)樣本包括輸入向量X和期望輸出量t，網(wǎng)絡(luò)輸出值Y與期望輸出值t之間的偏差，通過調(diào)整輸入節(jié)點(diǎn)與隱層節(jié)點(diǎn)的聯(lián)接強(qiáng)度取值Wij和隱層節(jié)點(diǎn)與輸出節(jié)點(diǎn)之間的聯(lián)接強(qiáng)度Tjk以及閾值，使誤差沿梯度方向下降，經(jīng)過反復(fù)學(xué)習(xí)訓(xùn)練，確定與誤差相對應(yīng)的網(wǎng)絡(luò)參數(shù)（權(quán)值和閾值），訓(xùn)練即告停止。此時(shí)經(jīng)過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)即能對類似樣本的輸入信息，自行處理輸出誤差的經(jīng)過非線形轉(zhuǎn)換的信息。

　　2.2 評價(jià)指標(biāo)歸一化處理

在BP神經(jīng)網(wǎng)絡(luò)的課程內(nèi)容質(zhì)量模型中，輸入層的7個(gè)輸入指標(biāo)在進(jìn)行訓(xùn)練之前首先應(yīng)進(jìn)行歸一化處理。其中前4個(gè)指標(biāo)為M （must）必選項(xiàng)，后3個(gè)為（ Option）可選項(xiàng)。

根據(jù)要求，M選項(xiàng)必須達(dá)到要求，所以將前4個(gè)M指標(biāo)歸一化處理中只要樣本中有一個(gè)不達(dá)標(biāo)（即樣本中有的M指標(biāo)小于1.0），則該項(xiàng)子標(biāo)的期望值都為0.0。后3個(gè)（Option）可選項(xiàng)可用實(shí)際值除以要求值，使之在[0，1]之間，期望值可根據(jù)根據(jù)我國現(xiàn)行網(wǎng)絡(luò)課程質(zhì)量標(biāo)準(zhǔn)。課程對可選指標(biāo)選項(xiàng)的符合程度越高，分值也越接近這一指標(biāo)的滿分。任何課程必須達(dá)到一定量的可選項(xiàng)要求，才有可能通過[9]。所以筆者將期望值計(jì)算方法設(shè)為：情況一，M項(xiàng)中至少有一個(gè)小于1，則期望值為0.0；情況二，當(dāng)M項(xiàng)中全為1.0時(shí)，期值T為：

其中a、b、c分別代表內(nèi)容編排、內(nèi)容鏈接、資源擴(kuò)展的樣本值。這樣，一方面保證了期望值在[0，1]之間；另一方面，針對M項(xiàng)與O項(xiàng)的不同約束性的不同權(quán)重的考慮采用以上公式計(jì)算，保持與我國現(xiàn)行網(wǎng)絡(luò)課程質(zhì)量標(biāo)準(zhǔn)的統(tǒng)一性。

　　2.3 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法分析

在進(jìn)行BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)時(shí)，應(yīng)從網(wǎng)絡(luò)的層數(shù)、每層中的神經(jīng)元數(shù)、初始值及學(xué)習(xí)速率等幾個(gè)方面進(jìn)行考慮。已經(jīng)證明：三層BP神經(jīng)網(wǎng)絡(luò)可以實(shí)現(xiàn)多維單位立方Rm~Rn的映射，即能夠逼近任何有理函數(shù)。

采用Matlab7.0神經(jīng)網(wǎng)絡(luò)工具箱對網(wǎng)絡(luò)進(jìn)行訓(xùn)練時(shí)，實(shí)現(xiàn)方法有很多種，常用的有梯度下降法（traingd）、動(dòng)量的梯度下降法（traingdm）和自適應(yīng)lr的梯度下降法（traingda）等。前面已考慮到了層次數(shù)以及隱層神經(jīng)元個(gè)數(shù)，因此在訓(xùn)練方法選擇上考慮了訓(xùn)練速率問題。有自適應(yīng)lr的梯度下降法就能夠自適應(yīng)調(diào)整學(xué)習(xí)速率，從而增加穩(wěn)定性，提高速度。

　　2.4 隱層數(shù)分析

盡管由經(jīng)驗(yàn)公式（1）可以確定隱含層數(shù)，但為了更為地確定隱含層次數(shù)，采用Matlab7.0神經(jīng)網(wǎng)絡(luò)工具箱對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，直到訓(xùn)練誤差達(dá)到了要求時(shí)，訓(xùn)練停止?？梢运愠霾煌[層數(shù)的訓(xùn)練實(shí)際步數(shù)以及誤差值。

通過表1可以看出當(dāng)隱含層數(shù)為5步時(shí)，其訓(xùn)練誤差，且所需訓(xùn)練步數(shù)少。因此，采用的隱層神經(jīng)元個(gè)數(shù)為5個(gè)。

　　2.5 程序代碼及結(jié)果分析

模擬打分得到10組樣本，對樣本按照公式（2）以及前面所述方法歸一化。利用前面所確定的訓(xùn)練方法、隱含層數(shù)、學(xué)習(xí)進(jìn)行訓(xùn)練。訓(xùn)練程序及代碼說明如下：

p=[1 1 1 1 0.9 0.8 0.7;1 1 1 1 0.7 0.8 0.6; 1 1 1 1 0.5 0.6 0.7;1 1 0 1 0.5 0.6 0.7;1 1 1 1 0.5 0.4 0.3;1 1 1 0 0.5 0.6 0.7;1 1 1 1 0.4 0.6 0.5; 1 1 1 1 0.1 0.3 0.2;1 0 1 1 0.8 0.9 0.9; 1 1 1 1 0.75 0.9 0.9];      %輸入訓(xùn)練樣本

t=[0.9;0.85;0.8;0;0.7;0;0.75;0.6;0;0.925];   　　　　　　　　　　%期望輸出樣本

p=p';t=t';        　　　　　　　　　　　　　 　　　　　　　　　 %樣本矩陣轉(zhuǎn)置

net=newff（minmax（p），[5，1]，{'tansig'，'purelin'}，'traingda'）；           %訓(xùn)練函數(shù)

net.trainParam.show = 100;       　　　　　　　　　　　　　　　 %每步顯示100步

net.trainParam.lr = 0.06;   　　　　　　　　　　　　　　　　　　    %學(xué)習(xí)速率

net.trainParam.epochs = 5500;    　　　　　　　　　　　　　　　 %訓(xùn)練步數(shù)

net.trainParam.goal = 1e-3;     　　　　　　　　　　　　　　　　　　  %學(xué)習(xí)

[net，tr]=train（net，p，t）；    　　　　　　　　　　　　　　　　　　　　  %進(jìn)行訓(xùn)練

p=sim（net，p）；

shiji=p         　　　　　　　　　　　　　　　　　　　　　　　　　%實(shí)際訓(xùn)練結(jié)果顯示

wucha=p-t          　　　　　　　　　　　　　　　　　　　　　　　　　  %計(jì)算機(jī)誤差

abs（wucha）         　　　　　　　　　　　　　　　　　　　　　　　　%取誤差

max（wucha（：））       　　　　　　　　　　　　　　　　　　　　　　　　 %求誤差值

程序運(yùn)行后得相關(guān)結(jié)果及學(xué)習(xí)過。

可以看出運(yùn)行152步以后網(wǎng)絡(luò)訓(xùn)練完成。

從表中可以看出當(dāng)BP神經(jīng)網(wǎng)絡(luò)隱層神經(jīng)元個(gè)數(shù)為5時(shí)，測試誤差為0.047 8，誤差為0.006 3，基本上控制在0.6%~5%之間，誤差相對人工測試評價(jià)，小很多。

通過訓(xùn)練結(jié)果可以看出，運(yùn)用該BP神經(jīng)網(wǎng)絡(luò)模型能較為地模擬進(jìn)網(wǎng)絡(luò)課程的內(nèi)容質(zhì)量評價(jià)，能較好地反映結(jié)論，從而避免了的重復(fù)勞動(dòng)，并減少人為因素導(dǎo)致的誤差。