数学建模：AI对大学生学习影响问卷评价与TOPSIS降维

简介：这是一份面向参加电工杯数学建模竞赛及研究人工智能教育应用的学习者整理的完整赛题论文文档，围绕“人工智能对大学生学习影响的评价”展开，适合备赛选手、课程论文写作者和数据分析初学者参考。压缩包内共1个docx文件，约871KB，主体为赛题分析论文，涵盖问卷修改与数据清洗、效度信度检验、问卷结果数值化、一级与二级评价指标构建、KMO与Bartlett检验、主成分分析和t-SNE降维、TOPSIS综合评价及受AI影响较大群体的公共特征提取等内容。文档还给出非技术性分析报告思路，从积极影响、消极影响与未来发展趋势三方面展开，便于读者理解完整建模链路与论文组织方式。目前已有201人学习下载，可作为复盘赛题、模仿论文结构、补足降维与综合评价方法的参考材料。

1. 从问卷到评价模型：这道数学建模题到底在考什么

这道“人工智能对大学生学习影响的评价”数学建模题，最容易出现的误判是把它当成一份问卷描述统计：画几张饼图、算几个均值就交卷。真正拉开差距的地方，是把问卷选项变成可比较的指标，再用质量检验决定哪些指标能进模型。它适合正在做数学建模课设、统计课程设计或数据分析毕设的人参考，也适合需要一套完整评价方案的项目交付者。下面按数据清洗、指标构建、降维评价、验收答辩的顺序，把这套方案拆到能照着做。

2. 数据预处理与质量检验：把异常样本和无效题挡在模型外

问卷数据看起来规整，实际最容易埋雷。选项文本、跳答逻辑、重复样本、极端值混在一起，直接丢进模型也能跑出结果，但结果经不起追问。我一般把预处理拆成三步：先定有效样本，再做信度效度检验，最后完成数值化编码。顺序不能反，否则后面降维和综合评价都会被脏数据带偏。

2.1 问卷裁剪与异常样本剔除：先定义“有效样本”

这份问卷覆盖基本信息、学习情况、对人工智能态度、人工智能发展四个部分，题目不少，但并非每一题都对“影响评价”有贡献。裁剪的原则不是删得越多越好，而是看题目是否服务于后续指标。基本信息里的性别、专业、年级、性格、上网方式、上网时长保留，学习情况里的使用时间、资料分享、网络活动、学习困扰、关注点保留，态度题和发展题按维度保留。重复设问、语义重叠、与评价目标无关的题先拿掉，后面指标体系会清爽很多。

异常值要分两类看。统计异常用分位数或箱线图识别，业务异常靠问卷逻辑识别。比如上网时长选“不上网”，却在学习软件使用题选“是”，这就是典型的逻辑矛盾。原始数据里这类样本累计剔除101项，数量不算小，必须写进论文，不能悄悄删掉。缺失值也要先查一遍，缺失比例低的题项可以按众数或模型填补，缺失比例高到影响维度的题项要考虑整题剔除。

import pandas as pd import numpy as np # 读取问卷原始表，列名按题号命名，避免中文列名在后续脚本里反复改 df = pd.read_excel("questionnaire.xlsx") # 1) 缺失值检查：按列统计缺失比例，先看整体，不要一上来就填 missing_ratio = df.isna().mean().sort_values(ascending=False) print(missing_ratio[missing_ratio > 0]) # 2) 逻辑异常：上网时长选“不上网”，但学习软件使用题选“是” mask_offline = df["Q6_上网时长"].eq("不上网") mask_use_software = df["Q7_使用学习软件"].eq("是") logic_error = mask_offline & mask_use_software df_clean = df.loc[~logic_error].copy() # 3) 重复样本：按全部题项判断完全重复，保留第一条 df_clean = df_clean.drop_duplicates() # 4) 极端值：对连续型题项做分位数截尾，保留样本但压住极端影响 q_cols = ["Q6_每周上网小时数"] for col in q_cols: low, high = df_clean[col].quantile([0.01, 0.99]) df_clean[col] = df_clean[col].clip(low, high) print(df.shape, df_clean.shape)

这段脚本的重点在“规则先行”。列名要换成实际问卷列名，逻辑规则要按选项文本调整，分位数截尾的上下限可以改成5%和95%，样本量大时用1%和99%更稳。截尾不是删除，能保留样本量；逻辑异常必须删，因为它不是数值大小问题，而是回答自相矛盾。论文里要写清楚剔除了多少条、为什么剔除，别只写一句“数据已清洗”。

提示：异常值处理不要只写“用3σ原则剔除”。问卷数据大多不是正态分布，3σ会误删大量正常样本，逻辑规则比统计规则更可靠。

2.2 信度与效度检验：α系数和KMO检验怎么读

信度看的是同一维度题目回答是否一致。常用α信度系数，系数在0.6～0.7属于可接受但不算漂亮，0.7～0.8比较稳，0.8以上更好。这份问卷的α系数落在0.6～0.7区间，说明题目内部一致性一般，但还没到必须重编问卷的程度。写论文时不要硬吹“信度很好”，可以写“达到可接受水平，后续结论需结合效度检验和稳健性讨论”。这样反而更像做过项目的人说的话。

效度检验里，KMO检验看变量间是否适合做因子降维，球形检验看相关矩阵是否显著偏离单位矩阵。整份问卷的KMO约0.651，球形检验P值接近0，说明题目之间存在一定相关性，可以做后续降维。但注意，KMO是分维度看的：个人基本信息0.665、对人工智能态度0.765、人工智能发展0.714，这三组适合主成分分析；个人学习情况只有0.421，线性相关性偏弱，硬上主成分分析解释力不够，后面要换t-SNE。这个分流不是拍脑袋，是检验结果逼出来的。

α系数低的时候，先看是不是把不同维度的题混在一起算了。基本信息题和态度题本来就不该放在同一个信度组里。删题也要谨慎，删到α变高但维度不完整，答辩时一问就露馅。通常的做法是：先按四个一级指标分组算α，哪组低就看题项之间语义是否重复、反向题是否计分反了，再决定删题或合并。

2.3 数值化编码与描述性检查：让每个选项都有数

问卷结果要进模型，必须完成数值化处理。编码不是随便给类别编个号。无序分类，比如性别、专业，适合做独热编码，或者在做熵权法时按类别分组统计；有序分类，比如年级，可以保留顺序映射；二值题，比如是否使用过学习软件，统一成0/1。最忌把无序分类编成1、2、3、4后直接当连续变量算相关，这样算出来的系数没有意义，后面权重也会歪。

# 无序分类：性别、专业用独热编码，保留全部类别便于解释 df_encoded = pd.get_dummies( df_clean, columns=["Q2_性别", "Q3_专业", "Q5_上网方式"], drop_first=False ) # 有序变量：年级从低到高映射，保持顺序信息 grade_map = {"大一": 1, "大二": 2, "大三": 3, "大四": 4} df_encoded["Q4_年级_有序"] = df_clean["Q4_年级"].map(grade_map) # 二值变量：是否用过学习软件，统一成0/1 df_encoded["Q7_使用学习软件_01"] = df_clean["Q7_使用学习软件"].map({"否": 0, "是": 1}) # 检查编码后是否还有缺失，映射失败会变成NaN print(df_encoded.filter(like="Q4_").isna().sum())

这段代码的关键参数是columns和映射字典。columns要跟实际列名完全一致，映射字典里没覆盖到的选项会变成NaN，跑完必须检查。独热编码会让列数变多，进熵权法前要按一级指标分组，不要把所有独热列直接丢进去算权重，否则“专业”会被拆成好几个列，权重解释会碎掉。

描述性检查不是装饰。桑基图适合看基本信息之间的流向，比如性别、年级、专业和上网方式的组合；饼图适合看单一题目的比例；词云图适合看开放题或多选题的高频词。图表的作用是给指标体系找证据：如果数据显示上网方式分布差异很大，后面熵权法里上网方式权重高就有了解释；如果态度题里支持与不支持接近五五开，结论就不能写成“大学生普遍接受”。这些图在论文里要配一句解读，不要只放图不说话。

3. 指标体系构建：四个一级指标如何落到可计算的二级指标

指标体系是这道题的分水岭。四部分问卷直接对应四个一级指标：调查者基本信息、调查者学习情况、调查者对人工智能态度、人工智能发展。一级指标不要另起炉灶，问卷怎么分，指标就怎么落，这样答辩时能一条线讲通。二级指标从题目里选，选完要用相关性、权重和可操作性三条理由撑住，不能只写“根据问卷设置”。

3.1 一级指标拆分与二级指标映射

基本信息这一组，二级指标包括性别、专业、年级、性格、上网方式、上网时长。它们不是“影响”本身，而是解释差异的背景变量。学习情况这一组，二级指标包括使用学习软件的时间、资料分享意愿、网络活动类型、学习困扰、对学习软件的关注点。态度这一组，二级指标包括用AI工具完成作业、小测验、论文的意愿，对大学生使用AI工具的赞同度，对AI工具出错和可信度的态度，以及学生如何适应AI与教育结合。发展这一组，二级指标包括期望效果、是否认为AI能取代教师、安全性顾虑、重要方面、期望功能、融合环节。

这张表的作用是让指标体系“可落地”。每个二级指标都要能回答三个问题：它从哪道题来，它怎么编码，它进模型后解释什么。答不上来的指标先别放。多选题拆成0/1后，列名要带题号，比如Q28_隐私安全、Q28_回答准确，后面做特征提取时才能对上。

3.2 熵权法与相关性分析：把“合理性”讲成证据

指标合理性通常从优先级、科学性、可操作性三方面论述。优先级看指标对研究目标的重要程度，科学性看指标之间是否相关且不重复，可操作性看数据能不能稳定拿到、编码能不能复现。空口说“很重要”没有说服力，我一般用熵权法算客观权重，再用线性相关系数看二级指标之间是否抱团。权重高说明该指标在样本里区分度大，相关显著说明指标之间不是孤岛，这两条合起来就能把“合理性”讲成证据。

熵权法的逻辑很直接：某个指标在样本间差异越大，信息量越大，权重越高；大家回答都差不多，权重就低。计算前先做方向处理，正向指标越大越好，负向指标越小越好，极差标准化后平移一个极小值，避免对数出现零。

import numpy as np def entropy_weight(X, direction=None, eps=1e-12): # X: 样本×指标；direction: 1正向，-1负向 X = np.asarray(X, dtype=float) if direction is None: direction = np.ones(X.shape[1]) # 负向指标正向化：用最大值减去原值 X_pos = X.copy() for j, d in enumerate(direction): if d == -1: X_pos[:, j] = X_pos[:, j].max() - X_pos[:, j] # 极差标准化并平移，避免0和负值进入对数 X_norm = (X_pos - X_pos.min(axis=0)) / ( X_pos.max(axis=0) - X_pos.min(axis=0) + eps ) + eps # 计算比重、熵值、差异系数和权重 p = X_norm / X_norm.sum(axis=0, keepdims=True) n = X_norm.shape[0] e = -(p * np.log(p)).sum(axis=0) / np.log(n) d = 1 - e w = d / d.sum() return w, e

direction要按指标方向表传，比如“上网时长”可以视为正向暴露指标，“对AI工具出错顾虑”可以视为负向接受度指标。eps防止标准化后出现0，样本量越大影响越小。权重算完要归一化检查，和是否为1。如果某个指标权重高得离谱，先回头看编码是不是把类别拆得太碎，或者异常值没处理。

相关性分析用线性相关系数看二级指标之间的关系。原文里性别与专业、年级出现显著负相关，说明基本信息内部不是完全独立。相关显著不代表要删指标，反而可以论证“这些指标共同刻画了人群背景”。但相关太高的两个指标要考虑合并，否则熵权法会重复计权。通常的做法是：相关系数绝对值超过0.8再看语义是否重复，0.3～0.6的相关可以作为体系内部关联的证据保留。

3.3 指标体系定稿与权重解读

把熵权法结果整理成表，基本信息这一组的权重分布很有代表性：上网方式45.903%、性别14.574%、年级13.249%、性格11.915%、上网时长8.732%、专业5.627%。上网方式权重最高，说明样本里不同上网入口的差异很大，手机、寝室笔记本、平板、网吧这些类别对“接触AI学习工具”的暴露程度不一样。专业权重最低，不是说专业不重要，而是这份样本里专业分布相对集中，区分度不够。

这张表放进论文后，要配一段解读，不要只贴数字。可以写：上网方式权重接近一半，说明“用什么设备、在什么场景接入”比“学什么专业”更能区分AI工具使用差异；性别和年级权重次之，说明人群背景仍有解释力；专业权重低，提示样本专业分布集中，后续结论不宜过度强调专业差异。这样的解读既尊重数据，又不会把权重当因果。

指标定稿后，四个一级指标下的二级指标要能拼成一张完整体系图。图里不要放太多箭头，一级指标到二级指标两层就够。每个二级指标后面标注编码方式和方向，答辩时被问到“这个指标为什么进来”，直接指表和权重，不用现场想。

4. 降维与综合评价：PCA、t-SNE 与 TOPSIS 的组合路线

四个一级指标下挂的二级指标数量不少，直接进综合评价会维度太高、权重难解释。降维的目的不是把数据变好看，而是把同一维度里的信息压缩成少数几个成分，再汇总成可排序的综合得分。这里的关键是分流：通过KMO检验的维度用主成分分析，没通过的用t-SNE兜底，最后用优劣解距离法TOPSIS做综合评价。路线听起来复杂，落地时每一步都有明确的判断条件。

4.1 质量检验与分流规则

降维前先做质量检验。个人基本信息KMO 0.665、对人工智能态度0.765、人工智能发展0.714，球形检验均显著，这三组适合主成分分析。个人学习情况KMO只有0.421，说明题目之间线性相关性弱，主成分分析提取的成分解释力不够，改用t-SNE把多维指标压到二维序列。这个分流规则要写进论文，不能只写“用了主成分分析和t-SNE”，否则评委会问为什么两组方法混用。

KMO低于0.6时不要硬做PCA，这是血泪经验。硬做的结果是第一主成分解释率很低，后面TOPSIS排序跟着跳。t-SNE也不是万能药，它保局部不保全局，坐标没有物理意义，只能用来可视化和特征提取，不能把二维坐标当成“学习情况得分”直接解释。

4.2 PCA与t-SNE的落地细节

主成分分析前必须标准化，否则量纲大的题会主导成分。累计贡献率一般取80%～85%，或者保留特征值大于1的成分。成分个数不要为了凑整数硬定，看累计贡献率曲线拐点更稳。

from sklearn.preprocessing import StandardScaler from sklearn.decomposition import PCA # 个人基本信息二级指标，列名按实际编码结果替换 basic_cols = ["Q2_性别_女", "Q2_性别_男", "Q3_专业_理工", "Q4_年级_有序", "Q6_每周上网小时数"] X_basic = StandardScaler().fit_transform(df_encoded[basic_cols]) pca = PCA(n_components=0.85, random_state=42) # 累计贡献率到85%即停 X_basic_pca = pca.fit_transform(X_basic) print(pca.explained_variance_ratio_) print(X_basic_pca.shape)

n_components=0.85表示按累计解释方差比例自动选成分，样本量小的时候可以降到0.8，避免成分太多。random_state固定后结果可复现。跑完要看每个成分的载荷，载荷绝对值大的题就是该成分的主要解释项，论文里要写出来，不能只写“降维完成”。

t-SNE用于个人学习情况，参数比PCA敏感。perplexity一般取5～50，样本少取小，样本多取大；init="pca"比随机初始化稳；random_state必须固定，否则每次图都不一样。

from sklearn.manifold import TSNE study_cols = ["Q8_使用时间", "Q9_分享意愿", "Q23_网络活动", "Q25_学习困扰", "Q26_关注点"] X_study = StandardScaler().fit_transform(df_encoded[study_cols]) tsne = TSNE( n_components=2, perplexity=30, learning_rate="auto", init="pca", random_state=42 ) X_study_tsne = tsne.fit_transform(X_study) # t-SNE坐标有正负，进TOPSIS前做极差归一化 X_study_norm = (X_study_tsne - X_study_tsne.min(axis=0)) / ( X_study_tsne.max(axis=0) - X_study_tsne.min(axis=0) )

perplexity=30适合几百到几千样本，样本少可以改成10或15。learning_rate="auto"省去手调。归一化这一步不能省，因为TOPSIS要求指标非负且同向。t-SNE跑完要多跑几个随机种子看聚类是否稳定，如果换种子后图形结构大变，说明数据本身局部结构不稳定，结论要写谨慎。

4.3 TOPSIS综合评价与排序

把四个一级指标降维后的数据汇总，做TOPSIS。TOPSIS的核心是找正理想解和负理想解，算每个样本到两者的距离，得分越高越接近正理想解。指标方向要先正向化，权重可以用熵权法得到的一级指标权重，也可以在每个一级指标内部先算二级权重再汇总。权重必须归一化，方向表必须提前列好。

def topsis_score(X, weights, direction): X = np.asarray(X, dtype=float) weights = np.asarray(weights, dtype=float) weights = weights / weights.sum() # 负向指标正向化 X_pos = X.copy() for j, d in enumerate(direction): if d == -1: X_pos[:, j] = X_pos[:, j].max() - X_pos[:, j] # 向量归一化后加权 Z = X_pos / np.sqrt((X_pos ** 2).sum(axis=0)) V = Z * weights best = V.max(axis=0) worst = V.min(axis=0) d_best = np.sqrt(((V - best) ** 2).sum(axis=1)) d_worst = np.sqrt(((V - worst) ** 2).sum(axis=1)) score = d_worst / (d_best + d_worst) return score

weights传一级指标权重或二级汇总权重，长度要和X列数一致；direction里1表示正向，-1表示负向。得分算完要排序，但排序不是终点。要检查得分分布是否过于集中，如果大多数人得分挤在0.45～0.55，说明指标区分度不够，回头查编码和权重。得分靠前的人群要单独拎出来做特征提取，不能只给一个排名表。

4.4 高影响人群的公共特征提取

排名靠前的人群可以理解为受人工智能影响较大的人群。取前20%或前10%做对比，看他们的性别、年级、上网方式、态度题分布和整体样本有什么差异。对比方法可以用比例差、卡方检验或均值差，别一上来就做复杂模型。特征提取的结论要写成“这群人更可能具备什么特征”，不要写成“因为具备这些特征所以受影响大”，因果和关联要分清。

# 假设df_result已包含综合得分score df_result = df_clean.copy() df_result["score"] = topsis_score(X_all, w_all, direction_all) top_group = df_result.nlargest(int(len(df_result) * 0.2), "score") for col in ["Q2_性别", "Q4_年级", "Q5_上网方式", "Q17_对AI工具态度"]: top_ratio = top_group[col].value_counts(normalize=True).rename("top20") all_ratio = df_result[col].value_counts(normalize=True).rename("overall") print(pd.concat([top_ratio, all_ratio], axis=1))

0.2可以改成0.1或0.3做敏感性检查。看比例差时，差10个百分点以上才值得写进结论，差两三个百分点别硬解读。如果TOP组在上网方式上集中在“手机”和“寝室笔记本”，在态度题上更偏向“愿意尝试”，这两条就可以作为公共特征。论文里要配一句“该结论为描述性特征，不构成因果推断”，这样答辩时更稳。

5. 避坑与常见问题排查：模型跑通之外最容易翻车的五处

数学建模题最怕“结果能跑、论文讲不圆”。下面五处是这套方案里最容易翻车的地方，每一处都按现象、原因、解决写，照着排查能省不少返工。

5.1 数据与预处理阶段的翻车点

现象一：缺失值报告为0，但样本里逻辑矛盾一堆。原因很简单，只查了空值，没查业务规则。上网时长选“不上网”却用学习软件，这种样本不处理，后面“上网方式”权重会被污染。解决方式是先列逻辑规则清单，再跑统计异常。规则清单至少包括：不上网与使用软件矛盾、年级与入学时间矛盾、多选题全选与单选题互斥。每剔除一条样本都要记录原因和数量，论文里给一张剔除明细表。

现象二：把无序分类编码当连续数直接算相关。专业编成1、2、3、4，算出来相关系数显著，但那个显著没有意义，因为编码顺序是人为的。原因是对变量类型判断不清。解决方式是先分三类：二值变量用0/1，有序变量保留顺序，无序变量做独热或分组统计。熵权法里遇到独热列，要按一级指标先汇总再算权重，别让一个“专业”拆成四列后权重碎掉。

现象三：信度效度检验顺序反了。有人先做PCA，发现KMO低，再回头补检验，论文里时间线就乱了。原因是把检验当形式。正确顺序是：先做项目分析和信度检验，确定维度内部一致；再做KMO和球形检验，决定能不能降维；最后才做PCA或t-SNE。α系数低的时候先查反向题有没有反计，再查不同维度有没有混算，最后才考虑删题。删题要保留维度完整性，不能为了α好看把关键题删光。

5.2 模型与论文表述阶段的翻车点

现象四：t-SNE图好看，但换随机种子排序就跳。原因是t-SNE保局部不保全局，二维坐标没有物理意义，直接拿坐标进TOPSIS会把不稳定的局部结构放大。解决方式是把t-SNE定位成“可视化和特征提取工具”，主评价尽量用PCA成分或原始指标加权；如果确实要进TOPSIS，固定random_state，多跑5个种子看得分排序的秩相关，秩相关低于0.8就在论文里写“学习情况维度存在一定不稳定性”，别硬说结论铁板一块。

现象五：TOPSIS权重和方向拍脑袋，排序和常识相反。现象是得分最高的人群看起来并不像“受AI影响大”，原因是负向指标没正向化，或者权重没归一。解决方式是先列指标方向表，正向、负向、区间型写清楚；权重用熵权法算完后归一化，再做一次去掉最高权重指标的敏感性分析，看排序前20%是否基本稳定。如果排序大变，说明权重结构不稳，结论要收着写。

注意：避坑章节不要写成“注意事项清单”。每条都要有现象、原因、解决，最好配一个你实际改过的参数或规则，评委才知道你真跑过。

6. 验收与答辩：用一张检查表把方案讲圆

验收这套方案，我一般不看模型多花哨，先看一条链能不能对上：数据清洗规则能不能复现，指标编码能不能追溯到题号，降维分流有没有检验依据，TOPSIS排序能不能解释，结论有没有回到问卷。下面这张检查表可以直接拿去对账。

本文还有配套的精品资源，点击获取