確定評價因素集
本次課程評價中，評價因素集分為兩級評價指標
以及評價因素集為：
U={課程內容，課程方式，課程設計，課程目標}={U1,U2,U3,U4}
對一級評價指標進行細分，從而可以確定二級評價因素集為：
U1={U11,U12,U13,U14}
U2={U21,U22,U23,U24}
U3={U31,U32,U33,U34}
U4={U41,U42,U43,U44}

確定評語集
分為四個等級：優，良，中，差，具體對應分數為90-100，70-90，50-70，50以下

確定評價因素權重
根據“專家評估法”確定某一個評價因素在所有因素中的相對重要程度即權重
一級指標權重分別為W={0.3，0.2，0.2，0.3}
二級指標權重分別為W1={0.3，0.3，0.1，0.3}，W2={0.2，0.2，0.2，0.4}，W3={0.3，0.2，0.2，0.3}，W4={0.2，0.1，0.5，0.2}

確定評價因素隸屬度
對于評價因素集中的每個評價因素，根據收集到的學生評價數據，可以確定它的隸屬度，將所有學生的評價放到一個矩陣中，就得到了模糊矩陣

確定模糊合成算子方法
利用的方法是M(^,v)

確定課程評價模型
確定了權重向量，模糊矩陣之后，利用模糊矩陣運算，建立課程評價模型
因為我們設計的課程評價因素集為二級評價模型，因此評價時從二級因素開始，先給出二級因素的評價矩陣，之后疊加結果有一級因素的評價向量，對一級因素評價結果總計匯總獲得評價矩陣，最終得到評價結果
分別獲得在不同的因素下的模糊矩陣：
1） 課程內容因素下
假如100個人評價
優秀 良好 中等 較差
內容的全面性 70 20 10 0
知識的正確性 60 20 10 10
目的明確性 50 40 10 0
理論與實際相結合 40 30 20 10
則模糊矩陣為
[0.7 0.2 0.1 0.0]
R1= [0.6 0.2 0.1 0.1] 而W1=（0.3，0.3，0.1，0.3）
[0.5 0.4 0.1 0.0]
[0.4 0.3 0.2 0.1]
即B=W1R1 利用“M（^,v）模糊合成算子方法”先將W1中的第一個元素和R1中的第一行第一列的元素取最小值，W1中的第二個元素和R1中的第二行第一列的元素取最小值，W1中的第三個元素和R1中的第三行第一列的元素取最小值，W1中的第四個元素和R1中的第四行第一列的元素取最小值，依次類推可以得到一個
[0.3 0.2 0.1 0.0]
矩陣 [0.3 0.2 0.1 0.1]
[0.1 0.1 0.1 0.0]
[0.3 0.3 0.2 0.1]
然后再將每一列取最大元素得到數列B1即（0.3，0.3，0.2，0.1）
2）課程方式因素下
優秀 良好 中等 較差
方式的針對性 70 10 10 10
方式的靈活性 80 10 0 10
方式的多元化 90 10 0 0
注重師生交流 90 0 10 0
同樣可以得到一個數列B2=W2R2=（0.4，0.1，0.1，0.1）