一 科普人才评估体系的建立

21世纪人才是最重要的资源之一，在科普领域也不例外。科普人才能力具有模糊性、难以量化的特征，而且不同类型的科普人才所需要的能力也不同。因此，只能针对具体的科普人才进行能力评价。笔者经过探索性因素分析与验证性因素分析，对科普人才应具有的能力进行了分析与梳理。

构成及影响科普人才能力的因素很多，并且彼此之间具有复杂的关联性及内在结构，需要通过更多的分析及梳理来进行评价。因此，首先需要对科普人才的能力进行分解与整理，笔者前期通过借鉴国内外能力分析研究方面的相关成果，确定了科普人才能力评价体系^[1]（见表1）。

表1 科普人才能力评价体系

二 基于GIOWA的科普人才评估模型的构建

（一）GIOWA算子方法

科普人才评估模型的构建，是典型的多属性群决策问题。本研究将结合GIOWA算子的研究方法，对科普人才进行科学的分析与评价。GIOWA算子即广义的诱导有序加权平均算子，该方法在处理数据与加权向量之间的关系、集结数据时更为有效，也就更有利于决策。

假设： ，其中w=（w₁，w₂，…，w）^T为加权向量，该向量与g密切相关，且w∈［0，1］， ；公式中（v，u，a）∈Φ×Ψ×Θ为三元数据，每个分量代表的意义不同。其中第一个分量v是第二个分量u的特征系数，代表着第二个分量的重要性程度；同时第二个分量u又是第三个分量a的主体，且b是v（i∈N）中第j个最大元素所对应的三元数据中的第三个分量，则称函数g是n维广义的GIOWA算子（或称GIOWA算子）。^[2]

（二）基于模糊语义的指标体系

科普人才能力评价属于多属性决策问题，因此将方案以集合的形式列示为X={x₁，x₂，…，x_n}，将属性集列示为A={A₁，A₂，…，A_m}，专家的集合列示为D={d₁，d₂，…，d_t}。

由专家对方案做出具体属性的评估，用r^（k）_ij表示r^（k）_ij∈S，而且，这里模糊语义标度采用常见的评价分级方式，即S=｛极差，很差，差，较差，一般，较好，好，很好，极好｝，通常按照数据将对应的三角模糊数作相应的设定：

极差=［0，0.1，0.2］，很差=［0.1，0.2，0.3］，差=［0.2，0.3，0.4］；

较差=［0.3，0.4，0.5］，一般=［0.4，0.5，0.6］，较好=［0.5，0.6，0.7］；

好=［0.6，0.7，0.8］，很好=［0.7，0.8，0.9］，极好=［0.8，0.9，1］。

r^（k）_ij对应的三角模糊数用a^（k）_ij表示。

评审专家的评价可以用如下矩阵R_k表示：

其中每一行与方案集X={x₁，x₂，…，x_n}中不同的方案x_t相对应；而每一列与属性集A={A₁，A₂，…，A_m}中不同的属性A_j相对应。

（三）将GIOWA算子与模糊语义评估相结合

针对每一个具体方案x，专家将提出相应的评审意见，再将专家意见进行分类汇总；每一位评审专家d针对单一的方案x可提出自己的观点，得出 。式中a^（为r^（对应的三角模糊数，w=（w₁，w₂，…，w）^T为与g相关联的加权向量，b^（为r^（（j∈M）中第l个最大元素所对应的三元数据中的第三个分量。

采用GIOWA算子，对多位评审专家的评价意见进行汇总。其中第t位评审专家的评审意见为0，则得到决策方案x的整体综合属性评价，公式为 。如该公式所示，其中a^（是r^（对应的三角模糊数，w′=（w′₁，w′₂，…，w′）^T即与g′相关联的加权向量，b^（即r^（（j∈M）中第l个最大元素所对应的三元数据中的第三个分量。^[3]

最后，针对r_i（i∈N），对专家评价的意义进行计算和排序。

三 科普人才评估实证分析

下文结合实例进行讨论，首先基于表1的科普人才能力评价体系确定评价指标，依次用A₁、A₂、A₃、A₄、A₅表示。由五位评审专家对四位科普人员的能力进行评价，评审专家1的评价数据如表2所示，并用矩阵R₁表示，其他四位评审专家数据依次为R₂、R₃、R₄、R₅。

表2 评审专家1的评价数据

这里加权向量w=（0.1，0.2，0.3，0.2，0.2）^T，基于评审专家的评价数据R_k，结合GIOWA算子算法就可以得到所有评审专家的评价结论r^（k）_i（i∈1，2，3，4；k=1，2，3，4，5）。

以评审专家1对科普人员1的评价为例：r^（1）₁₁=好，r^（1）₁₂=一般，r^（1）₁₃=较差，r^（1）₁₄=极好，r^（1）₁₅=一般，所以a^（1）_1j（j=1，2，3，4，5）依次为：［0.6，0.7，0.8］，［0.4，0.5，0.6］，［0.3，0.4，0.5］，［0.8，0.9，1］，［0.4，0.5，0.6］。并且r^（1）₁₃＜r^（1）₁₂＜r^（1）₁₅＜r^（1）₁₁＜r^（1）₁₄，进而b^（1）_1l（