电工杯AI学习影响评价：问卷清洗、熵权法与TOPSIS建模-北京尧图网络

简介面向备战电工杯及数学建模竞赛的学生这份资料围绕“人工智能对大学生学习影响的评价”赛题给出完整解题方案可用于问卷数据处理、评价建模与论文写作参考。压缩包共1个docx文档约871KB内容从问卷修改、缺失值与异常值清洗、效度信度检验到问卷结果数值化编码再到一级与二级评价指标构建均有展开。方案进一步演示KMO检验与Bartlett球形检验、主成分分析和t-SNE降维并以TOPSIS法完成综合评价与排序同时对受影响较大群体做公共特征提取形成积极影响、消极影响及未来发展三方面的非技术性分析报告。已有201人学习适合希望对照完整建模流程、学习问卷统计与多方法降维评价写法的参赛者。1. 先看清这道题真正在考什么电工杯这道「人工智能对大学生学习影响的评价」拉开分差的从来不是模型多花哨而是前两问的数据处理和指标赋权有没有落地。不少人一上来就写 TOPSIS、写主成分结果附件数据里的逻辑矛盾没清、KMO 值没看模型再漂亮也换不来高分。这道题实际考四件事问卷能不能洗成可用数据、指标能不能自圆其说、降维方法会不会按条件选、结论能不能落到人群特征上。适合已经会套模型、但总在细节上丢分的人——你缺的不是算法是判据和交代。下面按四问的顺序把每个环节的考点、真题问法和答法拆开讲。2. 数据预处理缺失值、逻辑矛盾与三个必考检验2.1 附件数据先过三关缺失、逻辑、量纲评价类赛题的第一步永远是清洗但阅卷人看的不是你调了什么函数而是你有没有把「为什么删」写清楚。这道题的附件是一份问卷结果清洗要按三关走。第一关查缺失。用find或isnull()扫一遍确认整张表没有空缺项——这一步结论要写进论文哪怕结果是「无缺失」也要交代否则后面所有样本量都对不上。第二关查逻辑矛盾这是本题最出彩的清洗点。问卷第 6 题问每周上网时长选项里包含「不上网」第 7 题问是否使用过学习软件工具。一个回答「不上网」的人却在第 7 题答「是」这就是自相矛盾。这类样本不能靠统计阈值筛只能靠业务规则筛最终剔除 101 条。这类题的标准答法是先给规则再给命中条数最后给剔除后剩余样本量三步缺一不可。第三关是量纲。问卷编码后的取值差异极大性别是 1 到 2上网时长是 1 到 5直接进模型会让数值大的指标虚高。所以编码完成后必须做标准化或归一化具体用极差归一还是 Z-score取决于后面接的是熵权法还是 PCA——熵权法要非负PCA 要零均值这个对应关系后面章节会细讲。提示异常值剔除比例超过样本量 5% 时要在论文里补一句敏感性说明否则评委会怀疑你为了凑结果删数据。2.2 信度与效度Cronbach α 和 KMO 到底谁管谁这是全题最高频的概念混淆点也是答辩时最容易被追问的地方。两个指标管的是两件完全不同的事混着写直接暴露基本功。信度管「稳不稳」。同一份问卷反复测结果是否一致用 Cronbach α 系数衡量。判据是一条线0.9 以上甚佳0.8 到 0.9 不错0.7 到 0.8 可接受0.6 到 0.7 一般0.5 到 0.6 不理想0.5 以下考虑重编问卷。这道题的系数落在 0.6 到 0.7 区间结论应该写「信度一般但可接受」而不是硬说「信度良好」——阅卷老师最想看到的是你敢不敢如实描述并给出改进方向。效度管「准不准」。测的是不是你想测的东西靠 KMO 检验和 Bartlett 球形检验来支撑。KMO 越接近 1变量间共同因子越多越适合做因子分析或主成分分析Bartlett 检验的 p 值小于 0.05说明相关矩阵不是单位矩阵变量之间存在相关性。检验管什么判据本题结果Cronbach α内部一致性信度0.7 以上较好0.6 到 0.7 一般0.6 到 0.7 区间KMO采样充分性效度0.5 以下不可接受0.651勉强可用Bartlett变量间相关性p 0.05 显著p 约等于 0显著面试式追问经常是「KMO 0.65 是不是太低了」。答法是承认偏低指出它刚过 0.6 的门槛说明题目间存在相关性但不够强并给出补救——合并语义重叠题、剔除载荷低的题再重跑一次而不是假装没看见。2.3 真题演练101 条异常样本怎么交代题目常以这样的问法出现「附件 2 中存在回答逻辑不一致的样本请说明你的处理方式并论证其合理性。」这是典型的送分题但很多人只写「剔除异常值 101 条」一句话带过等于没答。完整答法分四层。第一层说清规则。明确写出「第 6 题选『不上网』且第 7 题选『是』」构成逻辑冲突规则可复现、可检验不是拍脑袋。第二层说清规模。101 条相对总样本的占比是多少剔除后样本量还剩多少这个数字后面每一步都要用。第三层说清影响。剔除后重新跑描述统计确认性别、年级等结构没有发生明显偏移证明剔除没有引入系统性偏差。这一步是加分项多数队伍想不到。第四层说清局限。承认基于规则的剔除可能误伤比如真的有学生「不常上网但用过离线学习软件」并说明这部分样本占比极小、不影响整体结论。同样的问题还会以另一种形式出现「如果异常样本占比很高还能直接删吗」正确答法是不能要改用盖帽法、分位数截断或把异常当作单独一类做稳健性检验。这一问考的是你有没有边界意识。2.4 代码把清洗规则写成可复现的脚本import pandas as pd import numpy as np df pd.read_excel(survey.xlsx) # 第一关缺失值检查输出每列缺失数量 missing df.isnull().sum() print(missing[missing 0]) # 第二关逻辑矛盾筛选第6题为不上网但第7题为是 q6_col, q7_col Q6, Q7 mask_conflict (df[q6_col] 不上网) (df[q7_col] 是) print(逻辑矛盾样本数, mask_conflict.sum()) # 剔除矛盾样本保留副本便于对比 df_clean df.loc[~mask_conflict].copy() print(剔除前, len(df), 剔除后, len(df_clean)) # 第三关极差归一化为熵权法准备非负数据 num_cols df_clean.select_dtypes(include[np.number]).columns df_norm (df_clean[num_cols] - df_clean[num_cols].min()) / \ (df_clean[num_cols].max() - df_clean[num_cols].min())这段脚本对应清洗三关缺失值输出、逻辑冲突计数、极差归一化。mask_conflict是关键它把业务规则翻译成布尔索引规则一旦写死在代码里答辩时可以直接跑给评委看。df_clean用copy()避免链式赋值警告这是 pandas 常见的坑。归一化分母用极差而不是标准差是因为下一步要接熵权法需要非负数才能取对数。参数上唯一需要按题调整的是列名和选项文本别的问卷同理替换。如果剔除后样本量骤降先别急着往下走回头检查是不是规则写宽了。3. 指标体系与熵权法四个一级指标怎么落到权重表3.1 从问卷题号到二级指标指标体系的搭法这道题的指标体系不用另起炉灶问卷的分块就是天然的骨架。四个一级指标调查者基本信息、调查者学习情况、对人工智能的态度、人工智能发展。每个一级指标下挂具体的题号作为二级指标形成两层结构。关键在于怎么把「题号」翻译成「指标名」。直接写「Q1、Q2、Q3」是新手做法阅卷人看不出你的研究逻辑。正确做法是给每道题起一个语义化名称比如 Q1 叫「性别」、Q6 叫「周上网时长」、Q13 叫「作业辅助意愿」。名称要能直接读出方向让评委不看附录也知道你在测什么。第二个关键点是二级指标的数量控制。基本信息下挂了性别、专业、年级、性格、上网方式、上网时长六项这个数量在四个一级指标里是最多的后面做熵权法时权重自然会被稀释或集中这个现象要在合理性讨论里点出来不能装作没发生。第三个关键点是「重复题」的处理。问卷里存在语义重叠的题目比如问「是否愿意用 AI 完成作业」和「是否愿意用 AI 完成小测验」两者高度相关同时保留会让权重被重复计算。筛选阶段就该合并或删一这一步做在构建指标之前而不是等相关性分析发现问题再回头改。注意一级指标名称不要自创尽量沿用问卷原始分块自创名称会让评委怀疑你为了凑结构硬造维度。3.2 熵权法四步比重、熵值、差异系数、权重熵权法在这道题里承担「客观赋权」的角色是第二问的得分核心。它完全由数据本身的离散程度决定权重不掺主观判断正好回应题目要求的「科学性、可操作性」。四步走一步都不能跳。第一步算比重。对第 j 个指标把第 i 个样本的取值除以该指标所有样本取值之和得到 p_ij。这一步要求数据非负所以前面必须做极差归一化。第二步算熵值。e_j -k × Σ(p_ij × ln p_ij)其中 k 1/ln(n)n 是样本量。熵值越大说明这个指标的数据越均匀、越无序能提供的信息越少。第三步算差异系数。d_j 1 - e_j。熵值大则差异系数小这一减就完成了从「混乱度」到「信息量」的转换。第四步算权重。w_j d_j / Σd_j归一化到 1。这道题跑出来的结果很有说服力上网方式权重 45.903%是绝对主导专业权重 5.627%是最低。原因不难解释上网方式的取值分布极不均匀多数人集中在手机和寝室笔记本两类离散度带来的信息量被放大而专业分布相对均衡反而贡献小。这个结果要在论文里做解读而不是只贴一张表。可以这样写上网方式的高权重说明设备与场景差异是区分受影响程度的第一道分水岭移动端为主的学生在使用频率和深度上与固定设备用户存在系统性差异。有解读的权重表才是有效结论。3.3 相关性分析怎么为「指标合理」背书题目第二问明确要求「从优先级、科学性、可操作性等方面论述其合理性」很多人只写了优先级就交差漏掉科学性的论证。科学性的落地方式就是相关性分析。对每个一级指标下的二级指标两两算 Pearson 相关系数看它们是否真的在测同一个维度。如果同一维度下的指标彼此完全不相关说明这个维度是硬拼的如果相关性过高说明题目重复。本题基本信息维度下性别与专业的相关系数为 -0.307在 0.01 水平上显著性别与年级为 -0.316同样显著。这两个负相关说明性别分布在专业和年级上并不均匀这一发现本身就可以作为描述性结论写进论文而不只是当作检验通过的证据。答这类题有一个通用模板先给相关系数矩阵再挑出显著项做解释最后给一句总体判断——「各二级指标间存在中等程度相关既非同质重复也非彼此独立指标选取具备结构合理性」。这句话就是阅卷人想找的那句。3.4 真题演练为什么不用层次分析法高频追问「指标体系赋权为什么选熵权法不选 AHP 或模糊综合评价」标准答法三句话。第一AHP 依赖专家打分构造判断矩阵主观性强本题数据来源是问卷本身就有客观数据可用用主观赋权是资源浪费。第二熵权法完全由数据离散程度决定可复现换一个人跑同一份数据得到同样的权重符合竞赛对可验证性的要求。第三承认熵权法的局限——它只看离散度不看重要性如果某个指标数据分布均匀但理论上很关键会被压低权重所以可以补一句「后续可结合 AHP 做主客观组合赋权」这句话体现你有边界意识。还有一问常出现「权重最大的指标是上网方式合理吗」不能回避要正面接。答法是权重反映的是样本内的区分能力不是理论重要性上网方式在本样本中区分度最高因此权重最高这与「设备使用习惯直接影响 AI 工具接触频率」的常识一致结论站得住。3.5 代码熵权法四步实现import numpy as np def entropy_weight(X): # X: 已归一化的 n×m 矩阵n 为样本m 为指标 n, m X.shape # 加极小值避免 log(0) P (X 1e-12) / (X 1e-12).sum(axis0) k 1.0 / np.log(n) e -k * (P * np.log(P)).sum(axis0) # 熵值 d 1 - e # 差异系数 w d / d.sum() # 权重 return e, d, w e, d, w entropy_weight(df_norm.values) for name, weight in zip(num_cols, w): print(f{name}: {weight:.3%})1e-12是防 log 零的关键问卷数据里只要有一个 0整列权重就算不出来这是血泪经验级的细节。k 1/ln(n)保证熵值落在 0 到 1 之间n 是样本量不是指标数这一点最容易写反。返回三个值分别对应熵值、差异系数、权重写论文时三列都能进表不用重算。如果某列权重明显异常大先回头看归一化是不是漏了再检查该列是否存在极端分布。4. 降维与综合评价PCA、t-SNE、TOPSIS 的接力顺序4.1 先看 KMO 再选降维0.421 那一组为什么要换 t-SNE这道题最有辨识度的设计是它对四个一级指标分别跑 KMO然后按结果分派不同降维方法。这一步的判据必须写清楚否则评委会认为你在炫技。跑出来的四个值个人基本信息 0.665、对人工智能态度 0.765、人工智能发展 0.714、个人学习情况 0.421。前三个都过 0.6可以进主成分分析学习情况只有 0.421低于 0.5 的可接受下限说明这组变量之间的线性相关性不足硬做 PCA 提取出的主成分解释力会很差于是改用 t-SNE。为什么是 t-SNE 而不是别的因为 t-SNE 擅长处理非线性结构它不要求变量间存在线性相关靠概率分布匹配把高维点映射到低维保留局部邻域关系。这个选择逻辑要在论文里用一两句话讲透KMO 低说明线性降维的前提不成立因此切换到非线性降维。一级指标KMO 值降维方法判据个人基本信息0.665PCA过 0.6 门槛对人工智能态度0.765PCA中等偏上人工智能发展0.714PCA中等个人学习情况0.421t-SNE低于 0.5线性前提不成立提示方法分派一定要在论文里留一张这样的对照表评委扫一眼就知道你不是无脑套模型。4.2 PCA 的标准化与累计贡献率主成分取几个PCA 的流程本身不难难在两个决策点标准化用哪种、主成分取几个。标准化必须用 Z-score让每个指标均值为 0、方差为 1。因为 PCA 找的是方差最大方向如果不标准化量纲大的指标会垄断第一主成分跟指标本身的重要性无关。这和熵权法前用极差归一化不一样别混用。取几个主成分看累计贡献率通用门槛是 85%。本题四个一级指标降维后各自取到累计贡献率过线为止通常落在 2 到 3 个主成分。这个数字要写进论文并附一句解释前 k 个主成分累计解释了原始变量 X% 的信息在降维与信息保留之间取得平衡。还有一处细节常被忽略主成分的物理含义。降维不是终点你要能说出第一主成分大致代表什么。比如基本信息的第一主成分载荷在性别、专业、年级上较高可以解释为「学生背景结构因子」。有命名的降维结果比一堆特征值更有说服力。t-SNE 那边参数不同。困惑度perplexity一般取 5 到 50样本量小时取小值本题取 30 左右比较稳学习率取 200迭代 1000 次。t-SNE 的结果是二维坐标不能直接进 TOPSIS需要把二维坐标当作新的综合特征或者对坐标做归一化后再拼进评价矩阵。这一步衔接如果写不清评委会追问「降维结果怎么用」。4.3 TOPSIS正负理想解与贴近度排序四个一级指标降维后把结果拼成一张统一的评价矩阵然后进 TOPSIS。这是全题的综合评价核心。流程五步。第一步正向化把所有指标统一为「越大越好」成本型指标取倒数或用极差反向。第二步标准化用向量归一化每列除以该列的平方和开根。第三步定正理想解和负理想解正理想解每列取最大值负理想解取最小值。第四步算距离每个样本到正负理想解的欧氏距离。第五步算贴近度 C D⁻ / (D⁺ D⁻)C 越接近 1 说明越靠近正理想解。最终按 C 排序排名靠前的人群就是「受人工智能影响较大」的群体。这个排序结果要跟前面的权重结论呼应上网方式权重最高那么排序靠前的样本是不是集中在移动端用户如果是结论就自洽如果不是要解释原因。这种交叉验证是拉开档次的地方。常见失分在于指标方向没统一。问卷里「不希望对 AI 出现的问题」这类题回答越多代表顾虑越重方向是负的「对 AI 工具的认可度」方向是正的。两类指标不做正向化直接进 TOPSIS结果会完全反掉。4.4 特征提取排名靠前的人群共性怎么写题目第三问要求「对排名靠前的人群进行公共特征提取得出明确、有说服力的结论」。这一步不是再跑一个模型而是把 TOPSIS 的排序结果拿回来做描述统计。做法是取前 20% 或前 30% 的样本回看他们在基本信息、学习情况上的分布。比如排名靠前的群体里大一大二占比是否显著高于整体、理工科占比是否更高、每周上网时长是否集中在 20 小时以上、使用学习软件的频率是否明显更高。每一项做一次占比对比写成一张特征表。结论句式应该是具体的「受影响程度较高的群体呈现三个共性低年级、理工科背景、高频率使用学习软件」。这种句子有对象、有方向、有可验证性比「人工智能对大学生学习有重要影响」这种空话强十倍。所有从比例得出的结论都要注明样本量和占比不要给孤零零的百分比。4.5 代码TOPSIS 主流程import numpy as np def topsis(Z, benefit_mask): # Z: 标准化后的评价矩阵benefit_mask: True 表示效益型指标 Z Z.copy().astype(float) # 成本型指标取倒数做正向化 Z[:, ~benefit_mask] 1.0 / (Z[:, ~benefit_mask] 1e-12) # 向量归一化 Z Z / np.sqrt((Z ** 2).sum(axis0)) best Z.max(axis0) # 正理想解 worst Z.min(axis0) # 负理想解 d_pos np.sqrt(((Z - best) ** 2).sum(axis1)) d_neg np.sqrt(((Z - worst) ** 2).sum(axis1)) return d_neg / (d_pos d_neg) # 贴近度越大越优 scores topsis(eval_matrix, benefit_masknp.array([True, True, False, True])) order np.argsort(-scores) print(前10名样本索引, order[:10])benefit_mask是方向控制开关成本型指标在这里标 False函数内部自动取倒数。best和worst按列取极值不是整表取极值这是最常写错的地方。1e-12同样用于防除零成本型指标里如果出现 0取倒数会炸。返回的贴近度直接排序argsort前加负号就是降序。跑完这一步把前 10 名的原始问卷记录调出来看特征提取就从这里开始。5. 常见失分点五类最容易翻车的操作5.1 异常值只删不交代错在哪论文里写一句「剔除异常样本 101 条」没有规则、没有占比、没有剔除前后对比。为什么错评委无法判断这 101 条是真异常还是你为了凑结果手动删的可复现性是建模竞赛的底线。怎么答对把规则写成可执行的条件句给出命中条数和占比剔除后重跑一遍描述统计证明结构没偏最后补一句局限说明。四句话缺一句都算没答完。5.2 信度效度张冠李戴错在哪把 Cronbach α 写成「问卷效度检验」或把 KMO 写成「信度检验」。为什么错这是两个统计量管两件事写反说明你只是抄了流程没理解含义后续所有检验结论都会被连带质疑。怎么答对记住一句话口诀——α 管稳不稳KMO 管准不准。写论文时信度段落只出现 α效度段落只出现 KMO 和 Bartlett两段之间用一句「在确认问卷可靠后进一步检验其结构效度」做过渡逻辑就顺了。5.3 KMO 不达标硬上 PCA错在哪四个一级指标一律做 PCA不看 KMO 值学习情况那一组 0.421 也照做不误。为什么错KMO 低于 0.5 说明变量间线性相关性不足PCA 提取的主成分解释力低降维结果不可信后面 TOPSIS 的排序全建立在沙子上。怎么答对先跑 KMO 再定方法按表分派。KMO 过 0.6 走 PCA低于 0.5 改 t-SNE中间地带可以两种都跑然后比解释力。这个条件分支本身就是本题的考点写出来就是加分项。5.4 熵权法的对数零值没处理错在哪归一化后直接算 log数据里出现 0程序报错或者权重全变 NaN。为什么错极差归一化最容易把最小值压成 0log(0) 无定义这是最典型的代码翻车点且报错信息不直观容易卡很久。怎么答对在 log 之前统一加一个极小值比如 1e-12或者对归一化做平移把最小值抬到 0.001。论文里不用写这个细节但代码里必须写且要加注释说明是为了数值稳定。5.5 TOPSIS 指标方向不统一错在哪顾虑类、问题类指标跟认可度类指标一起进模型没有做正向化。为什么错TOPSIS 默认所有指标越大越好方向反了会让「顾虑越重」的样本反而排到前面最终结论跟常识完全相反这是最致命的错误。怎么答对建模前先给每个指标标方向效益型记 1成本型记 0用布尔向量统一控制。标完方向再进标准化顺序不能颠倒。这一步花五分钟能省掉后面全部重跑。6. 押题与节奏四问怎么分配时间和篇幅这道题四问的分值分布大致是均等的但投入产出比差很多。第一问清洗和检验是最容易拿满分的因为判据明确第二问指标体系是拉分点第三问模型是重头戏但也最容易过度投入第四问非技术文章很多人最后半小时草草写完反而丢分。给一个参考配比清洗与编码 20%指标与赋权 25%降维与综合评价 35%分析报告 20%。时间控制上第三问不要在模型复杂度上死磕。TOPSIS 加 PCA 加 t-SNE 的组合已经足够再往上堆灰色关联、模糊评价边际收益很低还容易自相矛盾。把省下来的时间用在两件事上一是把每个方法的判据写清楚二是把排序结果和权重结论做交叉验证。摘要的写法单独说一句。评价类赛题的摘要模板是「问题—方法—结果—结论」四段式每段都要有数字。方法段不能只写「建立了评价模型」要写「采用熵权法确定 6 项二级指标权重上网方式权重最高为 45.903%」结论段不能只写「影响显著」要写「排名前 20% 的群体呈现低年级、理工科、高频使用三项共性」。摘要里没有数字评委对你的模型就没有预期。第四问虽然叫非技术文章但也不能写成散文。结构建议按积极影响、消极影响、未来展望三块铺开每块内部用「现象—数据—判断」三层推进。积极面可以落到课后消化环节的辅助作用这是词云里最集中的诉求消极面落到作业依赖和答案可信度顾虑未来展望落到人机分工而不是替代。全文不用公式但每个判断都要能回溯到前面的数据这是它跟普通作文的区别。最后说个习惯。从那以后我每次拿到评价类赛题都强制先走一遍「清洗—检验—赋权—降维—排序」这条线每一步先写判据再写代码判据过不了就换方法绝不硬上。这套流程看着笨但能保证你不翻车。完整的指标体系表、四问的代码骨架和摘要模板我整理成了一份可以直接照着练的答题笔记需要的自取。希望帮到你。本文还有配套的精品资源点击获取

电工杯AI学习影响评价：问卷清洗、熵权法与TOPSIS建模

相关推荐

Next.js打包分析与性能优化实战指南

区块链Token分红机制：原理、设计与实践

游戏开发中的字体系统与文本渲染优化实践

更多资讯

HarmonyOS图像处理优化：高精度头像裁剪实践

模板错误消息优化：提升开发效率的关键技术

deepin 20 主力开发环境：选型、配置与排障实践

AI科研工具如何提升数据处理与论文写作效率

前端开发者必掌握的CSS核心技术与工程实践

Linux下Redis安装配置与优化实战指南

今日更新

淘宝商品详情API开发实战与性能优化指南

Unity Package Manager刷新错误排查与解决方案

Java record 规范构造器能否被反序列化或反射绕过

本周精选

面向复杂光照与角度的宠物面部识别鲁棒性增强策略

基于DRV8818与STM32的双极步进电机驱动方案实战解析

DRV8818PWPR+PIC18F45K80双极步进电机控制方案实战

本月热门

面向复杂光照与角度的宠物面部识别鲁棒性增强策略

基于DRV8818与STM32的双极步进电机驱动方案实战解析

DRV8818PWPR+PIC18F45K80双极步进电机控制方案实战

读完文章，想聊聊您的网站？