简介：这份资料是一份针对数学建模电工杯赛题的完整论文方案，围绕“人工智能对大学生学习影响的评价”展开，面向参赛学生与指导教师，既提供赛题解题流程，也可作为数据分析与综合评价类建模项目的参考样例。文档基于调查问卷数据，依次完成数据清洗、缺失值与异常值剔除、信度效度检验，并对各题项进行数值化编码；在此基础上划分调查者基本信息、学习情况、对人工智能态度、人工智能发展四个一级指标，再细分二级指标，通过相关性分析论证指标选取的合理性。模型部分采用KMO与Bartlett球形检验判断适用性，对通过检验的指标使用主成分分析降维，未通过的采用t-SNE方法处理，最后用TOPSIS法进行综合评价与排序；同时提取受AI影响较大群体的公共特征，从积极、消极和社会发展趋势等角度给出分析结论，并撰写非技术性报告。资源为单份docx论文文档，压缩包大小约871KB，目前已有200人学习下载，适合用于备赛研读或快速梳理建模思路，也便于学习主成分分析、t-SNE与综合评价在实际问卷数据中的配合使用。
1. 数学建模电工杯：人工智能对大学生学习影响的评价，整套题最该抢分的不是建模而是降维
这道电工杯赛题是典型的大数据型评价题，不少人一看到问卷数据就先慌了神，觉得要跑机器学习、要堆神经网络，实际上把这套题放到面试和备赛场景里，真正的考点分布完全不是那样。从论文结构能看出来，赛题的核心诉求是“用统计学方法把问卷变成可评价的指标体系”，四个问题层层递进：数据清洗与数值化、指标框架搭建、综合评价模型、非技术性报告。作为面试官或阅卷人，我最关注的其实是问题三的组合方法——KMO检验、Bartlett球形检验、主成分分析、t-SNE、TOPSIS这一串流程是否选得对、顺序是否合理、落地的理由是否说得清，这才是整张卷子的分水岭。凡是能把这套组合拳讲明白的选手，哪怕报告写得朴素点，分数也不会低。这篇就按“考什么、常考什么、怎么答不丢分”的顺序，把这套评价题的拿分点全部扒开。
2. 高频考点：问卷预处理与数值化编码，从原始问卷到可建模数据的三道工序
2.1 数据清洗：缺失值与异常值判定是第一个必答点
这类问卷评价题，原始数据几乎不可能干净，所以问题一的第一层考验就是数据清洗。本赛题中的具体做法体现了三个关键操作：先查缺失值，用MATLAB的find函数定位空项；再查异常值，重点看逻辑性矛盾——比如第六题选了“不上网”，第七题却回答了“使用过学习软件”，这类样本属于典型的逻辑异常，必须整行剔除；最终累计剔除了101个异常样本。
答题时要特别注意：异常值不只是数值上离群，更多的是“回答自相矛盾”。面试官和阅卷人想听的是你有没有这种“业务逻辑优先于统计逻辑”的意识。这道题里，判断异常值的准则不是三倍标准差，而是问卷题与题之间的语义冲突，这种设计更贴近真实问卷场景，也更容易被当作评分点。答这类题时，要把“为什么要剔除”说清楚——留着逻辑矛盾的样本，后续相关性分析和降维都会被迫“拟合错误”，得到的结果就不具备解释性，最后评价谁受影响大、谁不受影响，结论全是错的。
实操层面可以补充的是，异常值剔除比例并没有绝对标准，但需要在论文里交代清楚剔除数量和剔除依据，最好附上筛出的样例。这正是阅卷老师看“你是不是真做了数据预处理”的核心证据。很多备赛者只贴一段“用excel筛选”的截图就交差，信息量不足，拿不到这个步骤的完整分数。
2.2 信度与效度检验：Cronbach Alpha和KMO的区分必须讲透
问卷类赛题的第二道必考工序是信度效度检验。这道题里，信度检验用的是Cronbach Alpha系数，结果是0.669（标准化后0.692），介于0.6到0.7之间，论文给出的判读是“信度可以接受”。效度检验则用KMO度量和Bartlett球形检验，KMO值为0.651，巴特利特检验显著（sig.为0），说明问卷整体效度可以接受。
这里藏着一个高频考法：很多考生分不清信度和效度，或者把两者混为一谈。答题时要明确，信度是“测量结果的一致性、稳定性”，效度是“测量结果的有效性和准确性”；信度低效度不可能高，但信度高并不代表效度好。就像一把秤，每次称同一物体读数都一致（信度好），但读数普遍偏大两公斤（效度差）。把这两者的关系用一两句话说清，面试官立刻就能判断你是真懂还是背概念。
对于KMO这个考点，还会追问“KMO多少算合格”。通常认知是KMO大于0.6可以接受、大于0.7较好、大于0.9极佳，但这个阈值不是死规定，关键得结合Bartlett检验的显著性一起看。这道题里的KMO只有0.651，算不上漂亮，但论文里靠“Bartlett显著”补了一句，逻辑是闭环的。备赛时记住这个配合关系，就能应对大多数追问。
2.3 数值化编码：不同题型有不同的编码策略
问卷数值化是问题一的最后一步，也是很多新手翻车的地方。这道题给出了一个清晰的编码表：性别“女=1，男=2”，专业“文法类=1、理工类=2、经管类=3、艺术教育类=4”，年级“大二=1、大一=2、大三=3、大四=4”，性格则把“其他、安静型、温顺型、坚定型、感性型、外向型”编成1到6。这种编码方式属于无序分类编码，适用于类别型变量。
容易踩坑的是把年级编码按“大一=1、大二=2”这种顺序硬套，而题目本身的选项顺序是“大二、大一、大三、大四”，如果直接按选项顺序编码，就会变成大二=1、大一=2，跳过了逻辑顺序。正确的做法是判断这个变量进入模型后是作为有序变量还是无序变量使用。如果后续要做相关性分析或PCA，编码顺序会影响解释方向。答题时把这一步单独写出来，说明“编码规则依据研究目的确定，而非按问卷顺序机械映射”，就能体现你真的理解数值化的意义，而不是只会复制粘贴。
3. 指标体系构建与权重计算：一级指标到二级指标的映射是问题二的核心得分区
3.1 四个一级指标的设定逻辑与二级指标指派
问题二要求构建评价指标体系，本赛题的解决方案是把问卷题目按语义归为四个一级指标：个人基本情况、个人学习情况、对人工智能态度、人工智能发展。再在每个一级指标下挂对应的二级指标，比如“个人基本情况”下挂性别、专业、年级、性格、上网方式、上网时长；“对人工智能态度”下挂是否用AI完成作业、小测验、论文、是否赞同大学生使用AI等。
这类题目的答题思路有固定套路：先展示指标体系表，说明每个二级指标对应的原始问卷题号；再逐个说明一级指标的题项归属依据，比如“个人基本情况”是为了描述被调查者的特征背景，“对人工智能态度”是为了探测接受度与疑虑点；最后说明这种划分是“按照研究问题域而非问卷顺序”重新组织的。这个“重新组织”的表述很关键——直接照搬问卷结构不算构建指标体系，只有做了归类、合并、剔除之后形成的层级结构才叫指标体系。
3.2 熵权法计算指标权重：为什么这道题要选客观赋权
这道题中，二级指标权重的计算用的是熵权法。熵权法的核心逻辑是：某个指标的信息熵越小，说明数据越无序、区分度越大，这个指标就该配更高的权重；反之，信息熵越大、数据越混沌，权重就低。这样做的好处是完全客观，不依赖决策者的主观偏好。
面试和备赛中最常被追问的问题是“为什么不用层次分析法、不用主成分分析定权而用熵权法”。标准应答思路是：层次分析法属于主观赋权，需要专家打分构造判断矩阵，在问卷数据场景下缺乏专家评分来源，主观性强；而熵权法直接从样本数据的变异程度确定权重，能突出局部差异性。更进一步，可以点出任一种权重的缺陷——如果某指标所有回答高度一致，熵权法会给极低权重，这恰好适合问卷数据里“几乎所有人都不上网”这类情况的处理。答出这一层，面试官基本能确定你是真的理解熵权法而非套模板。
这道题的熵权法计算结果也值得在备赛时研究一下：上网方式的权重高达45.903%，而专业权重仅有5.627%。这组数据说明大部分学生上网方式差异明显、信息量大，专业背景则高度集中、区分度差。答题时如果能解释出这一层的业务含义，从纯算法输出上升为业务洞察，就是高分回答的节奏了。
3.3 合理性论证与相关性分析：用Pearson相关系数支撑指标选择
指标选取的合理性论证，在论文里专门用了一个模块来做，方法是“计算同一一级指标下各二级指标之间的相关系数”，并以Pearson相关性分析展示指标间关系。比如性别与专业间相关系数为-0.307，显著性水平0.01，说明两个指标之间有统计显著的弱相关，但仍属于保留范围内。
答题时要注意：相关性分析在这里的作用不是筛掉所有相关指标，而是论证“这些二级指标并非毫无关联，它们共同反映某一个潜在维度”。这就回扣到问题二的第二个要求“从优先级、科学性、可操作性等方面论述合理性”。很多备赛者的通病是只会写“相关系数显著，说明指标合理”，这等于没解释，应该写成“指标间存在中等偏弱的相关性，说明既共享一定信息又不冗余，适合共同构成上层评价指标”。把“既相关又不冗余”这个平衡点说透，比多算几个表格更能拿分。
4. 易错点：主成分分析、t-SNE与TOPSIS的组合套路，三个最容易失分的操作细节
4.1 错把KMO当作“能否用PCA”的唯一门槛
这道题里，KMO检验和Bartlett球形检验的结果是：个人基本信息KMO约0.665、对人工智能态度KMO约0.765、人工智能发展KMO约0.714，均通过检验，所以这三个维度使用主成分分析降维；但个人学习情况KMO仅0.421，远低于常规门槛，因此改用t-SNE做非线性降维。
这个分工方案是整篇论文中最值得抄下来的思维框架。不少考生一看到不是所有维度都通过KMO检验就慌了，要么强行对所有维度都用PCA，要么干脆放弃降维直接做评价。正确的答题思路是：先把通过KMO与Bartlett检验的维度安排给PCA，再把不满足条件的维度换用t-SNE，并说明t-SNE适合处理非线性高维关系的特性。这样既保持了降维的必要性，又解释了方法互补的逻辑。
4.2 错把TOPSIS的输入当原始数据直接塞进去
本赛题的问题三中，TOPSIS的输入是“四个一级指标降维后的汇总数据”，而不是原始问卷编码数据。这是阅卷时最容易区分“真做过”与“拼凑套路”的地方。很多论文写了TOPSIS，但输入数据是未经降维的原始矩阵，步骤本身没有错，方法链条却是断的，被追问“为什么原始数据不能直接进TOPSIS”时往往答不上来。
优质答案要说明降维的必要性：原始指标多达数十个，直接进入TOPSIS会让每个指标的权重被稀释，且高维数据距离计算会被噪声维度主导；而降维之后每个一级指标浓缩成一个综合得分，用四个综合得分做TOPSIS排序，结果才具备可解释性。同时要说明TOPSIS中对指标方向的处理，即正向指标和负向指标的区分，本赛题中的“是否赞同使用AI工具”属于正向指标，“AI回答可信度存疑程度”属于负向指标，计算最优最劣距离前必须做同向化处理。
4.3 错把排名结果当唯一结论，忽略公共特征提取环节
本赛题在TOPSIS得到排名之后，还有一个关键动作：对排名靠前的人群做公共特征提取，以回答“什么样的大学生受人工智能影响更大”。这一步的意义在于把“得分数字”还原成“人群画像”，否则综合评价只是给每个样本打了个分，得不出“明确、有说服力的结论”。
答这类题时，要习惯跟着“评分→排序→画像→结论”四步走。画像阶段可以分析排名靠前人群的共性属性，比如专业背景集中度、AI使用意愿、上网时长分布、对AI工具的信任程度等。能从这个角度回答，说明你已经掌握了评价类建模题完整叙事结构——不只是提供一个分数，而是让分数服务于判断。
4.4 错把熵权法权重与PCA权重混为一谈
这道题里熵权法计算的是二级指标在一级指标内部的权重，PCA计算的是主成分提取的方差贡献率，两者各司其职。但常见错误是在答辩时把熵权法权重表直接拿来说明“这是个重要指标”，却没有说明这个权重仅用于指标内部的客观赋权，与PCA降维中“方差贡献率决定保留几个主成分”不是同一种东西。答题时用一句话划清界限：“熵权法解决的是同一指标体系内各分项的相对重要度，PCA解决的是多个相关指标的浓缩程度，二者无法互相替换。”这句话在答辩现场有奇效。
5. 非技术性报告与答辩技巧：从综合评价结果到“有说服力的结论”
问题四要求写一份非技术性分析报告，从积极、消极和未来发展三个方面描述AI对大学生学习的影响。这道题虽然放在最后，却是拿分性价比最高的一问。答题思路应该是“先摆结论，再给数据证据，最后做展望”，而不是“先综述背景，再慢慢分析”。
积极影响可以落在AI辅助完成作业、论文、测验的效率提升上，也可以引用问卷结果中“70%的学生认可AI学习工具”作为支撑。消极影响则聚焦在依赖性问题、可信度疑虑、学术诚信风险上。未来发展部分要结合“学生希望AI融入课后消化环节”等问卷发现，说明AI将会朝个性化、自适应方向演化。
答题技巧上，最实用的建议是把“数据引用”嵌入到每一段结论中。比如“问卷显示约半数学生对AI辅助完成作业持支持态度，同时有四成人不愿意使用，说明大学生对AI的态度是分化而非一边倒”这样一句话，就比单纯写“AI对大学生学习有积极和消极两方面影响”有说服力得多。面试官和阅卷人最反感的就是报告写成了议论文，满篇是“应该”“必须”，缺少来自问卷证据的锚点。
准备这一问的通用模板是：第一段写总体判断（AI已经成为大学生学习中的双刃剑），中间两段分别列积极与消极证据链（每点证据都要标注来自哪个题目的统计结果），最后一段写未来趋势预判。这套结构几乎适用于所有“影响评价”类赛题的非技术性写作，提前背熟结构，上场不慌。从那以后我每次做问卷类数模题，都会强制自己在写完综合评分之后多问一句“这个结论落到人群身上长什么样”，先想清楚这句话再动笔写报告。希望这篇能把这道题的拿分姿势讲透，帮你在考场上少走几个月的弯路。
本文还有配套的精品资源，点击获取
