基于层次模糊评价的高素质农民线上培训课程推荐技术研究及应用*
——以某农机化教育培训中心为例

沈孚，王硕，黄沁

(农业农村部南京农业机械化研究所，南京市，210014)

0 引言

近年来，随着农业技术的飞速发展，传统农民已经无法应对当前的形势,要破解“三农”问题关键在农民。我国农民存在人口基数大、学历层次水平低、个体生产技术能力不足等诸多问题，严重阻碍了乡村振兴战略实施。然而面对农民群体，抓住“关键少数”已然成为农村区域发展的着力点。

2020年中央财政投入23亿元在全国开展高素质农民培育工作，实施农民培训提质增效三年行动，高素质农民教育培训势在必行[1]。如何将普通农民迅速转变成高素质农民成为了教育培训的难点，尤其是在突如其来的疫情之下，线上教育已逐渐成为传统线下教育的补位与升级，人们不能集会、不能见面，线上教育的优势就更为明显。通过农民线上教育培训，能够快速培育高素质农民，不仅可以解决“谁来种地”“怎么种好地”的难题，还可以让农民中高素质群体带动引领农业农村发展。

目前，面向农民的教育培训系统还处在起步阶段，且缺乏培训效果评价这一环节，国内外教育行业的效果评价大多数使用的是CIPP模式即决策型模式的理论框架，对高素质农民培训评价模型研究现阶段主要采用层次分析法和德尔菲法[2]，由于高素质农民群体在培训过程中培训效果影响因素多，需要对教学质量效果评价方法进行广泛的调研和深入的分析，层次分析法能够很好的解决此类问题。

本文提出了一种基于教学质量评价的培训系统，针对高素质农民教育培训特点通过建立教学质量、学习效果层次模糊评价模型，重点研究评价算法，并结合培训案例给出了互联网课程推荐的详细设计方案及应用范围，对我国农民整体素质提升提供了可靠途径[3]。

1 高素质农民教育培训现状分析

近年来，针对高素质农民教育，很多农业教育培训机构在开展培训过程中会不定期增加新课程，具体的培训方式和培训内容也会随着授课群体进行适当调整。在新形势下，高素质农民对于培训的需求也呈现出了不同的特点。第一，培训内容趋向多元化。地域性农业发展特点各不相同[4]。全国农机化教育培训中心在广西农户进行调研中发现，有超过一半的农民希望学到一些新型农业机械化种植与收获的技术方法。例如，经济作物或是果树等。还有一部分农民希望能够学习农产品加工的技术方法，例如，粮食、蔬菜加工。第二，培训需求存在差异性[5]。部分中青年农民希望学习提升技能，考取相关职业资格证书。部分新型职业农民，响应国家创新创业号召，希望能够返乡留乡，利用自身所学将经验和技术用于当地创业。由于对当地农业结构及政策缺乏深入了解，导致项目迟迟无法落地。另外一部分是最容易忽视年龄较大的留守农民，主要是进行农作物耕作与农产品生产。虽然能够积极参加培训，但是学习能力不强，培训周期意愿弱，新型种植方式与机械化技术接受度低。第三，培训方式的多元化。面授课是绝大多数农民最喜欢的授课方式。但在农忙时节，也需要增加一些短期的培训，或是线上培训方式。有时还希望能够邀请专家实地指导，开展现场培训。

1.1 高素质农民培训人群特征

根据2020年全国高素质农民发展报告统计，国家农民教育培训专项工程基本覆盖所有农业县，重点开展农业经理人、新型农业经营主体带头人、现代创业创新青年和农业产业精准扶贫培训，共培养高素质农民约93万人[6]。其中《报告》显示的数据中全国高素质农民人群发展呈现了不同的特征。一是高素质农民队伍质量结构不断优化[5]。受教育程度相对较高，年龄相对年轻，是高素质农民队伍的典型特征，有近70%的高素质农民年龄在36～54岁之间，45%的高素质农民受教育程度为高中及以上，约20%的高素质农民正在接受学历教育。二是地域之间高素质农民队伍素质存在差异。由于东部地区因经济产业发展发达，高素质队伍优势明显，东北地区的高素质队伍发展和示范带动相对较弱，西部地区高素质队伍相对滞后。三是学员来源类别均衡。近年来，全国有90%以上高素质农民从业时间在5年以上，并接受了农业相关培训，农业生产经营经验丰富，其中近50%的高素质农民为新生力量，进城务工返乡人员和大中专毕业生比例大幅增加，高素质农民后备力量较为充足。

1.2 培训质量评价模式及作用

关于培训效果评价的理论模式多种多样，本文根据高素质农民教育培训的学员分类及学历特点，以授课专家和学员为中心，构建了培训、评价、跟踪反馈一体化的教育培训全过程评价模式，用作具体效果评价的理论框架，如图1所示。

图1 培训效果评价理论框架图Fig.1 Frame diagram of training evaluation

这个模式表示反映了培训总体目标—培训活动—培训跟踪反馈过程，强调了对培训质量的形成性评价，同时注重培训质量评价的及时跟踪、反馈以及调整功能。培训质量评价主要以专家及培训活动为主要评价对象，突出在教学活动方面的课程质量的评价。通过对此方面评价促进专家自身发展及授课质量的提高，并对专家的授课做出质量上的评定，以用作培训内容效果考评的依据。培训跟踪分析以学生及培训活动为主要评价对象，突出的是学习过程的质量的评价。评价的目的是以实现培训目标为宗旨，注重学员在培训过程中的最终培训成果质量上的评定，并对培训工作能够作出积极的反馈。

2 综合评价模型

基于层次式模糊评价模型，具体算法过程描述如图2所示。

图2 层次式模糊评价算法流程图Fig.2 Flow charts of hierarchical fuzzy evaluation

培训质量评价是一个多层次、多目标的问题，评价指标涉及的内容宽泛，其中评价因子受评价者主观因素影响较大，故本文采用了分层次的模糊综合评价[6]模型。通过对评价过程的非线性特点分析，运用模糊算法用于培训系统中，将非线性的变论域进行综合量化，从而得出模糊评价结果。

针对复杂评价多因子的情况，我们对于这类评价因子分层次问题，可以分别进行综合评价，即先对低层次评价因子进行综合评价后再对高一级的评价因子进行综合，最终至最高层。现将二级模糊综合评价算法评价因子A是由若干评价因子集组成，即A={B1，B2，…,Bk},其中Ai={b1(i),b2(i),…,bni(i)},i=1,2,3,…,k。设Ai∩Aj=Φ，i≠j，i，j∈{1，2，…,K}。我们称Ai为第一级评价因子，b1(i),b2(i),…,bni(i)为第二级评价因子集，i=1,2,3,…,k。

3 实例化应用

3.1 建立培训效果评价指标

本系统的效果评价指标主要包含：培训态度、培训内容、培训方法、培训效果等，同时选取13个评价指标，要求学员以四个等级(很好，较好，一般，较差)选择评价，主要依据某A农机化教育培训中心《高素质农民培训手册》，同时参考了新型职业农民培训效能评价模型研究的部分指标，并归纳了国内新型农民培训效果影响因素，结合多年来培训中心实际需求，按照层次模糊评价规则，我们设计了培训质量评价表，如表1所示。

表1 培训质量评价表Tab.1 Training quality evaluation lis

3.2 建立培训质量评价因子模型

依据层次分析方法，我们用集合A表示学员对培训质量评价，并分解为三个层次如图3所示，A={B1，B2，B3，B4}，其中培训态度B1={B11，B12，B13}，培训内容B2={B21,B22,B23,B24},培训方法B3={B31,B32,B33,B34}，培训效果B4={B41,B42}，Bi(i=11,12,13,21,22,23,24,31,32,33,34,41,42)为评价指标。在层次评价因子中，通过对B1、B2、B3、B4中的因子进行最低层次的模糊综合评价后，再将上一层的评价矩阵对上一层进行模糊综合评价，最终得到评价结果。

图3 培训质量评价体系层次结构图Fig.3 Hierarchy diagram of training quality evaluation system

3.3 权重的分布依据

为了验证指标之间权重的分布，我们依据Satty提出的1～9标度法，假定评价目标为A，A包含的j个元素，同时根据咨询专家意见评价，通过元素间两两比较的重要性，构造比较矩阵，既判断矩阵。为了验证指标权重的真实性，使权重能够客观的反应评价指标的真实性，需要对判断矩阵进行一致性检验，其中一致性比例CR的值小于0.1时，说明构造的判断矩阵的权重无需修改。

3.4 权向量计算

3.5 模型应用

根据影响程度集E=(E1,E2,E3,E4)，设立评价结果集T={t1,t2,t3,t4}={很好、较好、一般、较差}，并选取了某农机化教育培训中心30名学员现场培训质量评价测试的结果，如表2所示。

表2 培训质量评价结果统计表Tab.2 Training quality evaluation results statistics list

根据表1评价结果，对结果进行归一化处理，分别得到模糊评价结果如表3所示。根据所在评价结果表的数据我们可以发现，学员对整体培训质量效果满意，很好与较好的占比大，一般与较差占比几乎没有，符合培训过程评价中的实际情况。

表3 培训质量模糊评价结果表Tab.3 Training quality fuzzy evaluation results list

4 系统课程推荐案例的实现

本系统通过学员对培训整体课程综合评分实现在线课程的有效推荐，基于课程的协同过滤算法[7]，能够实时对在线培训中所有课程进行优先排序，利用新课程与旧课程共性评分，将其关联让学员们得到最感兴趣的推荐课程。

4.1 基于课程与学员的协同过滤推荐算法设计

首先需要根据学员对培训课程质量评价评分，并构建学员—培训课程评分矩阵，根据学员培训课程评分矩阵进行用户聚类，由于聚类算法的计算周期长，本系统聚类算法的初始中心点选择采用随机数组选择，随机数组选择对聚类结果有一定的影响，每次聚类结果都不同，同时参数的调整也会影响聚类结果，最优聚类结果，可通过定义JunitTest类进行debug测试，用户在系统首页输入用户id，然后首先找到该用户所在的聚类中的簇，将簇中所有用户点构建成用户-课程评分矩阵，同时基于学员之间相似性计算[8]，将当前用户的信任用户填充进用户-课程评分矩阵，并填充当前用户的评分数据，如果信任用户对相同课程有评分，则不填充该课程评分，这样操作保证了用户与信任用户之间会有较高相似度[9]，最后根据用户-课程评分矩阵计算当前用户的最近邻用户进行推荐。具体工作原理如图4所示。

图4 推荐算法工作原理流程图Fig.4 Flow charts of recommendation algorithm operating principle

4.2 课程推荐功能模块的实现

课程推荐模块包含了课程评分以及课程首页浏览功能，通过统计在线所有学员对某个课程的阅读量和单个学员对课程的评分集合，分别从课程阅读表、课程评分表的数据库中筛选一个月内的数据，进行课程阅读相似矩阵构建和学员对课程的评分矩阵构建[10]，在构建课程阅读相似矩阵的同时，通过计算两个课程的余弦相似度得出，于是需要构建每个课程在所有学员中的评分矩阵[11]。

这里采用的方法是：如果两个课程同时出现在某个学员的评分矩阵中，则计数加1，例如，课程1和课程2同时出现在同一矩阵中，因此课程1和课程2的相似度计为3，依次类推得出整个相似度矩阵，这个矩阵是一个对称矩阵。为了更加客观地评价，该系统中也设定了权重值，最终的相似度均需乘以相应的权重值[12]。图5包含了系统课程推荐功能实现的流程。

图5 培训课程推荐功能实现流程图Fig.5 Flow chart of training course recommendation function implementation

通过计算权重值排序如表4，将数组similarityMatrix所排序的值反馈给前台推荐页面，具体页面显示如图6，通过学员的刷新可以自主显示8个最感兴趣的课程。

表4 系统课程评分权重排序表Tab.4 System course scoring weight sorting lis

图6 系统推荐页面Fig.6 System recommendation page

我们这里主要采用的是KMeans聚类方法[13]，通过构建随机多个聚类中心和学员的实体类，循环每个学员课程评分，阅读量，找出每个用户与聚类中心的距离，取相似度最高的前10个学员，组成相似学员的集合对Map按值进行排序[14]，然后找到目标学员所在的簇，用簇中的课程评分或者用户进行推荐，然后将推荐的结果根据权重进行平均加权求和[15]，再分别计算不同操作行为的学员或者课程的相似度，将相似度进行加权求和，然后再进行最后的推荐。

5 结论

本文详细阐述了基于层次模糊评价的高素质农民培训质量评价建模过程，通过对协同过滤算法进一步分析和设计后，最终实现了培训课程推荐功能及应用，技术研究具有如下优点：(1)层次模糊评价模型能够很好的反应高素质农民在日常培训课程中反馈的客观性，通过系统可以全面了解培训课程的优缺点，起到弥补不足的作用。(2)基于学员课程评分的协同过滤算法的设计，应用于培训课程推荐中，能够精准推送给学员，极大的满足了培训班学员个性化需求。(3)利用信息化手段解决了培训课程推荐推广，加快推动了高素质农民培训进度，快速提高了学员的培训效率，促使高素质农民培训又好又快发展。