小米8評價的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列包括價格和評價等資訊懶人包

增長的邏輯：以「結構」決定的商業核心戰略

為了解決小米8評價的問題，作者王賽 這樣論述：

　　「我一直認為，我的商業理論中理性結構的底座是市場行銷和戰略這兩大領域，恰巧這兩座山峰都建立在經濟學的理性基石之上。 　　然而不得不說，這兩門學科的發展在實踐中碰到了窘況。戰略過於宏觀，行銷過於微觀，而兩者融合出的增長理論似乎可以解決問題。如今的商業理論中有太多『雞湯』與玄學，科學性和原理性似乎不夠，而我將其推向結構，將麥可．波特的思維方式貫穿於增長理論的架構中，以結構為中心，以情境與本質為基礎，致力於讓好理論指向『手起刀落』的好實踐。」 　　企業為何增長，又為何虛增長、不增長？ 　　我們需要找到一個有因有果，涵括不同產業的最本質答案。 　　「科特勒諮詢管理」合夥人

力作，多家《財星》500大公司CEO私人顧問親撰的策略利器《增加的策略地圖》最新續作！ 　　15年增長戰略諮詢經驗積累、70多家知名企業實操案例──以「結構」為中心找到影響企業增長的動態因素，讓企業增長趨向穩定、可持續的思維利器！ 　　不確定時代企業增長的必然解，70多家著名企業驗證過的企業增長基礎框架。 　　本書將指出企業如何「從高度不確定性的環境中尋求某種確定性的判斷」，試圖釐清市場博弈中趨向必然的那些要素組合。傳統的管理策略規劃中有諸多因素經常定義不清，或只是部分代表了企業家或者決策者的想法，但這些想法並非指向一種必然性。本書主張：決定一家公司增長趨向的必然解，是結構。 　　擁有

豐富經驗的CEO管理顧問作者王賽以「結構」為中心，通過對企業增長進行解剖，從更微觀的視角找到影響企業增長的動態因素，指導不同條件下的企業去調整自身的要素組合結構，構建起業務、客戶、競爭、差異化、不對稱、合作和價值七大子結構和增長圖譜，從而在不確定時代中建立企業增長的結構底牌，讓企業的增長趨向穩定、可持續，為長遠發展與基業長青奠定基礎。 　　最終，本書將試圖拋出一個建立增長理論的七種框架，回答「什麼叫真正的增長」，一間企業的增長是依托於總體經濟、中觀模式抑或是微觀營運？更重要的是，企業如何認清「什麼是對的增長」！ 名人推薦 　　│多位世界商學界領袖人物推薦！│ 　　菲利浦．科特勒／現代行

銷學之父，美國西北大學商學院教授： 　　本書為企業界提供了深度和實操的增長戰略框架。 　　赫曼．西蒙／「隱形冠軍」概念首倡者，定價學三大模型之一「西蒙模型」的創立者： 　　與隱形冠軍一樣，增長是「快與慢的藝術」，在這個特殊的時間節點，中國企業家若能靜下心來思考未來的增長結構，便可以不斷攀越自身的「天際線」，我們期許各個賽道中通過使用本書「增長結構」湧現出來的新型冠軍，這非常值得期待。我想，這也是王賽先生這本新書對於企業家的意義。 　　諾埃爾．凱普／大客戶行銷之父，美國哥倫比亞大學行銷學教授： 　　穿透本質的鋒利之作！王賽先生從新的視角，給出了系統增長戰略指南，這本極具跨界思維的書將帶領你走

進破解市場增長迷思的啟迪之旅。 　　陳朝益／英特爾中國區創始總裁： 　　王博士的前著《增長的策略地圖》曾讓我大開眼界。這本新書《增長的邏輯》好似一座「天梯」，王博士引導我們建造適合自己的梯子，在「新常態」的世界裡，安全穩健地邁向自己新的增長目標。 　　韋瑋／麥肯錫商學院聯合創始人及首任院長，SAP大中華區前副總裁： 　　增長是所有企業都關心的核心議題，成功的增長既要在宏觀層面有清晰的頂層設計，更要在微觀層面有極強的可操作性。數位化正在席捲所有行業，企業的競爭邊界不斷被打破，這本書提出關於增長的七大子結構，不僅揭示了增長戰略的本質，也是企業應對當前面臨的增長挑戰和找到增長路徑的更優解，提供了

增長的全盤「棋譜」。 　　張堅／思科（中國）前副總裁，中國惠普公司政府事業部前總經理： 　　在VUCA（易變、不確定、複雜、模糊）時代和商業世界劇烈變革的今天，企業和部門的發展和增長，幾乎是每個企業管理者都要面對的話題。增長的概念不僅商家需要關注，我們每個人也需要關注。你需要思考你的增長是「好增長」還是「壞增長」。王賽老師的這本書可以幫助你釐清思路，它從不同的視角向大家呈現了增長的結構。 　　張曉泉／香港中文大學商學院教授、副院長，超量子基金創始合夥人，《數位躍遷》作者： 　　人們常常探討創業難還是守業難，很多創業公司在完成了從0到1的拚搏之後，感到的並不是成功的喜悅，而是對未來的迷茫：我

現在怎麼辦？而成熟的企業也深知不進則退的道理。這個千古之問其實缺失了過程中最重要的一個環節：怎麼從1增長到100呢？無論是創業還是守業，都要解決「如何增長」的難題。王賽的這本書讓人讀完如沐春風，不僅僅因為他多年的諮詢經驗給他帶來的商業洞察力，也由於他深厚的文化功底給全書賦予了一種美感。 　　魯秀瓊／貝恩諮詢公司全球專家合夥人，可口可樂公司大中華區前行銷長： 　　企業界久違的深度作品！在言必談增長的今天，《增長的邏輯》一書不做那些「流量、網紅」等膚淺行銷的文章，而是從原理級別將內功心法娓娓道來，稱得上是兼具系統性與操作性的「屠龍術」，尤其推薦各類新興企業CEO深度閱讀。 　　尹靖／融創控股數

位化轉型總經理，微軟中國諮詢服務部前數位長： 　　數位化轉型是企業面對不確定環境時保持增長、迎接挑戰的方法。幾乎所有的數位化轉型方法論都沒有回答如何確定增長的方向，王賽的《增長的邏輯》則給出了很好的答案。推薦關注數位化轉型的管理者閱讀這本書，通過對增長結構的思考可以更好地確定數位化轉型的方向，確保轉型成功。　　

小米8評價進入發燒排行的影片

以社區資本視角探討鄉村韌性發展：福建山區鄉村案例研究

為了解決小米8評價的問題，作者鄭志強 這樣論述：

鄉村衰落是城市化過程中的一個必然現象，針對這一困境，各國政府相繼出臺相關政策以振興鄉村。鄉村衰弱的本質是鄉村社區資本存量不足，導致社區韌性缺乏，無法應對城市化的衝擊。因而，鄉村振興的目的，在於提高鄉村社區的社區資本存量，以提高鄉村社區的韌性，促進鄉村社區可持續發展。當前針對在城市化中受衝擊最為嚴重的山區鄉村的韌性建設研究極為匱乏。本文以山區鄉村為研究對象，探討在城市化衝擊背景下如何建設具有韌性的山區鄉村社區。本研究希望透過對相關的文獻梳理和實證研究，一方面探討建國後中國大陸鄉村社區韌性缺乏的原因；另一方面探討構成山區鄉村社區韌性的關鍵要素及關鍵要素間的因果關係。最後在上述研究的基礎上建構山區

鄉村韌性社區的建設策略。為了達到上述研究目的，本研究結合了質性與量化的研究方法，應用了文獻分析、修正式德爾菲法、基於決策實驗室分析法的網路分析程式法(DEMATEL-based ANP)、參與式觀察及深度訪談來進行綜合研究。具體的研究結果如下：1.中國大陸建國初期實行全能主義政治，國家權力全面介入鄉村，對中國大陸鄉村地區的社區資本造成了巨大的衝擊。雖然建國初期國家對農田水利設施建設及農民文化素質提升的重視，提高了鄉村的建成資本和人力資本，但對鄉村地區的嚴格控制及頻繁發動的政治運動，極大地削弱了鄉村地區的自然資本、文化資本、政治資本、社會資本和金融資本。全能主義政治影響導致鄉村社區資本存量不足是

建國後鄉村社區韌性缺乏的重要誘因。2.建構了包含5個構面16個準則的山區鄉村社區韌性評估架構，16個準則中國內生產總值、人口構成、教育狀況、政策與規劃、領導能力、社區參與、金融資本、產業多元化是構成山區鄉村社區韌性的關鍵因素。關鍵因素中人口構成、教育狀況及國內生產總值互相影響；此外，教育狀況影響了政策與規劃、領導能力、社區參與、金融資本及產業多元化。可以考慮以人口構成作為改善山區鄉村社區韌性的源頭，藉此帶動教育狀況持續改善，以進一步帶動其他關鍵因素的績效值改善。3.龍潭村與湧山村不同韌性建設成效的原因在於，龍潭村在鄉村建設過程中透過人力資本改善，帶動了政治、經濟及社會等領域的改善，推動了社區資

本螺旋式上升。驗證了上述關鍵因素研究中以人口構成作為改善山區鄉村社區韌性源頭的研究結果。4.建構了基於社區資本視角的山區鄉村韌性社區建設策略。建設策略強調了下述幾個觀點的重要性：①吸引域外人進入山區鄉村。②充分的社區賦權以及多元化主體的建構。③加強以互聯網設施為主的新型基礎設施及教育、醫療與物流等公共服務建設。④應用數字技術推動鄉村產業轉型。⑤鄉村景觀及文化的保護與傳承。

機器學習算法競賽實戰

為了解決小米8評價的問題，作者王賀劉鵬錢乾 這樣論述：

本書是算法競賽領域一本系統介紹競賽的圖書，書中不僅包含競賽的基本理論知識，還結合多個方向和案例詳細闡述了競賽中的上分思路和技巧。   全書分為五部分：第一部分以算法競賽的通用流程為主，介紹競賽中各個部分的核心內容和具體工作；第二部分介紹了使用者畫像相關的問題；第三部分以時間序列預測問題為主，先講述這類問題的常見解題思路和技巧，然後分析天池平臺的全球城市計算AI 挑戰賽和Kaggle平臺的Corporación Favorita Grocery Sales Forecasting；第四部分主要介紹計算廣告的核心技術和業務，包括廣告召回、廣告排序和廣告競價，其中兩個實戰案例是2018騰訊廣告算法大

賽——相似人群拓展和Kaggle平臺的TalkingData AdTracking Fraud Detection Challenge；第五部分基於自然語言處理相關的內容進行講解，其中實戰案例是Kaggle 平臺上的經典競賽Quora Question Pairs。 本書適合從事機器學習、數據挖掘和人工智能相關算法崗位的人閱讀。 王賀（魚遇雨欲語與餘） 畢業于武漢大學電腦學院，碩士學位，研究方向為圖資料採擷，現任職於小米商業演算法部，從事應用商店廣告推薦的研究和開發。是2019年和2020年騰訊廣告演算法大賽的冠軍，從2018年至2020年多次參加國內外演算法競賽，共獲得五

次冠軍和五次亞軍。 劉鵬 2016年本科畢業于武漢大學數學基地班，保研至中國科學技術大學自動化系，碩士期間研究方向為複雜網路與機器學習，2018年起多次獲得機器學習相關競賽獎項，2019年至今就職于華為技術有限公司，任演算法工程師。 錢乾 本科就讀於美國佐治亞理工大學，研究方向包括機器學習、深度學習、自然語言處理等，現就職于數程科技，工作方向為物流領域的智慧演算法應用，任大資料技術負責人。 第 1 章　初見競賽 1 1．1　競賽平臺 2 1．1．1　Kaggle 2 1．1．2　天池 6 1．1．3　DF 7 1．1．4　DC 7 1．1．5　Kesci 7 1．1．6　

JDATA 8 1．1．7　企業網站 8 1．2　競賽流程 8 1．2．1　問題建模 8 1．2．2　資料探索 9 1．2．3　特徵工程 9 1．2．4　模型訓練 9 1．2．5　模型融合 10 1．3　競賽類型 10 1．3．1　資料類型 10 1．3．2　任務類型 11 1．3．3　應用場景 11 1．4　思考練習 11 第 2 章　問題建模 12 2．1　賽題理解 12 2．1．1　業務背景 12 2．1．2　資料理解　 14 2．1．3　評價指標 14 2．2　樣本選擇 20 2．2．1　主要原因 20 2．2．2　準確方法 22 2．2．3　應用場景 23 2．3　線下評估策略 2

4 2．3．1　強時序性問題 24 2．3．2　弱時序性問題 24 2．4　實戰案例 25 2．4．1　賽題理解 26 2．4．2　線下驗證 27 2．5　思考練習 28 第 3 章　資料探索 29 3．1　數據初探 29 3．1．1　分析思路 29 3．1．2　分析方法 30 3．1．3　明確目的 30 3．2　變數分析 32 3．2．1　單變數分析 33 3．2．2　多變數分析 37 3．3　模型分析 39 3．3．1　學習曲線 39 3．3．2　特徵重要性分析 40 3．3．3　誤差分析 41 3．4　思考練習 42 第 4 章　特徵工程 43 4．1　數據預處理 43 4．1．1　

缺失值處理 44 4．1．2　異常值處理 45 4．1．3　優化記憶體 46 4．2　特徵變換 47 4．2．1　連續變數無量綱化 47 4．2．2　連續變數資料變換 48 4．2．3　類別特徵轉換 50 4．2．4　不規則特徵變換 50 4．3　特徵提取 51 4．3．1　類別相關的統計特徵 51 4．3．2　數值相關的統計特徵 53 4．3．3　時間特徵 53 4．3．4　多值特徵 54 4．3．5　小結 55 4．4　特徵選擇 55 4．4．1　特徵關聯性分析 55 4．4．2　特徵重要性分析 57 4．4．3　封裝方法 57 4．4．4　小結 58 4．5　實戰案例 59 4．5．1　

數據預處理　 59 4．5．2　特徵提取 60 4．5．3　特徵選擇 61 4．6　練習 62 第 5 章　模型選擇 63 5．1　線性模型 63 5．1．1　Lasso 回歸 63 5．1．2　Ridge 回歸 64 5．2　樹模型 64 5．2．1　隨機森林 65 5．2．2　梯度提升樹 66 5．2．3　XGBoost 67 5．2．4　LightGBM 68 5．2．5　CatBoost 69 5．2．6　模型深入對比 70 5．3　神經網路 73 5．3．1　多層感知機 74 5．3．2　卷積神經網路 75 5．3．3　迴圈神經網路 77 5．4　實戰案例 79 5．5　練習 80

第 6 章　模型融合 81 6．1　構建多樣性 81 6．1．1　特徵多樣性 81 6．1．2　樣本多樣性 82 6．1．3　模型多樣性 82 6．2　訓練過程融合 83 6．2．1　Bagging 83 6．2．2　Boosting 83 6．3　訓練結果融合 84 6．3．1　加權法 84 6．3．2　Stacking 融合 86 6．3．3　Blending 融合 87 6．4　實戰案例 88 6．5　練習 90 第 7 章　用戶畫像 91 7．1　什麼是用戶畫像 92 7．2　標籤系統 92 7．2．1　標籤分類方式 92 7．2．2　多管道獲取標籤 93 7．2．3　標籤體系框

架 94 7．3　使用者畫像資料特徵 95 7．3．1　常見的資料形式 95 7．3．2　文本挖掘演算法 97 7．3．3　神奇的嵌入表示 98 7．3．4　相似度計算方法 101 7．4　用戶畫像的應用　 103 7．4．1　用戶分析　 103 7．4．2　精准行銷 104 7．4．3　風控領域 105 7．5　思考練習 106 第 8 章　實戰案例：Elo Merchant Category Recommendation（Kaggle） 107 8．1　賽題理解 107 8．1．1　賽題背景 107 8．1．2　賽題數據 108 8．1．3　賽題任務 108 8．1．4　評價指標 109

8．1．5　賽題FAQ 109 8．2　探索性分析 109 8．2．1　欄位類別含義 110 8．2．2　欄位取值狀況 111 8．2．3　資料分佈差異 112 8．2．4　表格關聯關係 115 8．2．5　數據預處理 115 8．3　特徵工程 116 8．3．1　通用特徵 116 8．3．2　業務特徵 117 8．3．3　文本特徵 118 8．3．4　特徵選擇 119 8．4　模型訓練 119 8．4．1　隨機森林 119 8．4．2　LightGBM 121 8．4．3　XGBoost 124 8．5　模型融合 127 8．5．1　加權融合 127 8．5．2　Stacking 融合 1

27 8．6　高效提分 128 8．6．1　特徵優化 128 8．6．2　融合技巧 130 8．7　賽題總結 134 8．7．1　更多方案 134 8．7．2　知識點梳理 135 8．7．3　延伸學習 135 第 9 章　時間序列分析 138 9．1　介紹時間序列分析 138 9．1．1　簡單定義 138 9．1．2　常見問題 139 9．1．3　交叉驗證 140 9．1．4　基本規則方法 141 9．2　時間序列模式 142 9．2．1　趨勢性 142 9．2．2　週期性 143 9．2．3　相關性 144 9．2．4　隨機性 144 9．3　特徵提取方式 144 9．3．1 歷史平移 1

45 9．3．2　窗口統計 145 9．3．3　序列熵特徵 145 9．3．4　其他特徵 146 9．4　模型的多樣性 146 9．4．1　傳統的時序模型 147 9．4．2　樹模型 147 9．4．3　深度學習模型 148 9．5　練習 150 第 10 章　實戰案例：全球城市計算AI挑戰賽 151 10．1　賽題理解 151 10．1．1　背景介紹 152 10．1．2　賽題數據 152 10．1．3　評價指標 153 10．1．4　賽題FAQ 153 10．1．5　baseline 方案 153 10．2　探索性資料分析 157 10．2．1　數據初探 157 10．2．2　模式分析

159 10．3　特徵工程 162 10．3．1　數據預處理 162 10．3．2　強相關性特徵 163 10．3．3　趨勢性特徵 165 10．3．4　網站相關特徵 165 10．3．5　特徵強化 166 10．4　模型選擇 166 10．4．1　LightGBM 模型 167 10．4．2　時序模型 168 10．5　強化學習 170 10．5．1　時序stacking 170 10．5．2　Top 方案解析 171 10．5．3　相關賽題推薦　 172 第 11 章　實戰案例-Corporación Favorita Grocery Sales Forecasting 174 11．1

　賽題理解 174 11．1．1　背景介紹 174 11．1．2　賽題數據 175 11．1．3　評價指標 175 11．1．4　賽題FAQ 176 11．1．5　baseline 方案 176 11．2　探索性資料分析 181 11．2．1 數據初探 181 11．2．2　單變數分析 184 11．2．3　多變數分析 188 11．3　特徵工程 190 11．3．1　歷史平移特徵 191 11．3．2　視窗統計特徵 192 11．3．3　構造細微性多樣性 193 11．3．4　高效特徵選擇 194 11．4　模型選擇 195 11．4．1　LightGBM 模型 196 11．4．2　LST

M 模型 196 11．4．3　Wavenet 模型 198 11．4．4　模型融合 199 11．5　賽題總結 200 11．5．1　更多方案 200 11．5．2　知識點梳理 201 11．5．2　延伸學習 202 第 12 章　計算廣告 204 12．1　什麼是計算廣告 204 12．1．1　主要問題 205 12．1．2　計算廣告系統架構 205 12．2　廣告類型 207 12．2．1　合約廣告 207 12．2．2　競價廣告 207 12．2．3　程式化交易廣告 208 12．3　廣告召回 208 12．3．1　廣告召回模組 208 12．3．2　DSSM 語義召回 210 12

．4　廣告排序 211 12．4．1　點擊率預估 211 12．4．2　特徵處理 212 12．4．3　常見模型 214 12．5　廣告競價 219 12．6　小結 221 12．7　思考練習 221 第 13 章　實戰案例：2018 騰訊廣告演算法大賽——相似人群拓展 222 13．1　賽題理解 222 13．1．1　賽題背景 223 13．1．2　賽題數據 224 13．1．3　賽題任務 226 13．1．4　評價指標 226 13．1．5　賽題FAQ 227 13．2　探索性資料分析 227 13．2．1　競賽的公開資料集 227 13．2．2　訓練集與測試集 227 13．2．3　廣

告屬性 229 13．2．4　使用者資訊 229 13．2．5　資料集特徵拼接 230 13．2．6　基本建模思路 232 13．3　特徵工程 232 13．3．1　經典特徵 232 13．3．2　業務特徵 234 13．3．3　文本特徵 235 13．3．4　特徵降維 237 13．3．5　特徵存儲 238 13．4　模型訓練 238 13．4．1　LightGBM 238 13．4．2　CatBoost　 238 13．4．3　XGBoost 239 13．5　模型融合 239 13．5．1　加權融合 239 13．5．2　Stacking 融合 239 13．6　賽題總結 240 13．

6．1　更多方案 240 13．6．2　知識點梳理 241 13．6．3　延伸學習 241 第 14 章　實戰案例-TalkingData AdTracking Fraud DetectionChallenge 243 14．1　賽題理解 243 14．1．1　背景介紹 243 14．1．2　賽題數據 244 14．1．3　評價指標 244 14．1．4　賽題FAQ 244 14．1．5　baseline 方案 245 14．2　探索性資料分析 247 14．2．1 數據初探 247 14．2．2　單變數分析 249 14．2．3　多變數分析 254 14．2．4　資料分佈 255 14．3

　特徵工程 256 14．3．1　統計特徵 256 14．3．2　時間差特徵 257 14．3．3　排序特徵 258 14．3．4　目標編碼特徵 258 14．4　模型選擇 259 14．4．1　LR 模型 259 14．4．2　CatBoost 模型 259 14．4．3　LightGBM 模型 260 14．4．4　DeepFM 模型 261 14．5　賽題總結 264 14．5．1　更多方案 264 14．5．2　知識點梳理 265 14．5．3　延伸學習 266 第 15 章　自然語言處理 268 15．1　自然語言處理的發展歷程 268 15．2　自然語言處理的常見場景 269 1

5．2．1　分類、回歸任務 269 15．2．2　資訊檢索、文本匹配等任務 269 15．2．3　序列對序列、序列標注 269 15．2．4　機器閱讀 270 15．3　自然語言處理的常見技術 270 15．3．1　基於詞袋模型、TF-IDF．的特徵提取 270 15．3．2　N-Gram 模型 271 15．3．3　詞嵌入模型 271 15．3．5　上下文相關預訓練模型 272 15．3．6　常用的深度學習模型結構 274 15．4　練習 276 第 16 章　實戰案例：Quora QuestionPairs 277 16．1　賽題理解 277 16．1．1　賽題背景 277 16．1．2

　賽題數據 278 16．1．3　賽題任務 278 16．1．4　評價指標 278 16．1．5　賽題FAQ 278 16．2　探索性資料分析 279 16．2．1　欄位類別含義 279 16．2．2　資料集基本量 279 16．2．3　文本的分佈 280 16．2．4　詞的數量與詞雲分析 282 16．2．5　基於傳統手段的文本資料預處理 284 16．2．6　基於深度學習模型的文本資料預處理 284 16．3　特徵工程 285 16．3．1　通用文本特徵 285 16．3．2　相似度特徵 287 16．3．3　詞向量的進一步應用——獨有詞匹配 290 16．3．4　詞向量的進一步應用——詞

與詞的兩兩匹配 290 16．3．5　其他相似度計算方式 291 16．4　機器學習模型和模型的訓練 291 16．4．1　TextCNN 模型 291 16．4．2　TextLSTM 模型 292 16．4．3　TextLSTM with Attention 模型 293 16．4．4　Self-Attention 層 295 16．4．5　Transformer 和BERT 類模型 296 16．4．6　基於 representation 和基於 interaction 的深度學習模型的差異 298 16．4．7　一種特殊的基於 interaction 的深度學習模型 303 16．4．8

　深度學習文本資料的翻譯增強 303 16．4．9　深度學習文本資料的預處理 304 16．4．10　BERT 模型的訓練 306 16．5　模型融合 310 16．6　賽題總結 310 16．6．1　更多方案 310 16．6．2　知識點梳理 310 16．6．3　延伸學習 311

農村中高齡者參與食農體驗課程學習歷程之研究— 以大內區環湖樂齡學習中心為例

為了解決小米8評價的問題，作者嚴秀鳳 這樣論述：

本研究旨在探討農村中高齡者參與食農體驗課程之學習歷程，以台南市大內區環湖樂齡學習中心食農體驗課程之六位中高齡學員為研究對象，透過半結構訪談法進行深度訪談，藉此探討其參與食農體驗課程的動機、學習經驗及參與後改變。經分析後獲得以下結論：一、農村中高齡者參與食農體驗課程的動機包括：在家無聊、朋友的邀請及對主題有興趣，想藉由參與食農體驗課程學習做蔬果料理的技巧與方法；最初參與的障礙包括：與家務有衝突、不擅手做有些心理壓力；而持續參與食農體驗課程的主因為同儕互動佳，另一則為課程豐富多元，想獲得蔬果料理新知識。二、農村中高齡者參與食農體驗課程中，學員對師生互動關係的評價為：亦師亦友、互動良好；同儕互動關

係良好、相處愉快，共同目標情感凝聚。學員對教師教學內容與方式的評價為：老師教學態度認真和藹、教學方法多元專業、教學內容豐富實用；學員在過程中的學習障礙包括：在家缺乏實作動機、樂齡學習中心或家中設備不足。三、農村中高齡者參與食農體驗課程後生理層面的改變包括：學到健康飲食知識，並能運用於日常生活中。心理層面的改變包括：心情愉悅、精神煥發。人際關係層面的改變包括了與親朋好友、同儕及家人有更多話題與互動，人際關係明顯提升。本研究根據上述結果進行討論，並就實務面、政策面、未來研究面提出相關建議。