2023电工杯数学建模B题分析

本次电工杯的A专业性较强，建议入门从B开始。本题目看上去一眼非常简单，实则考验数据的处理能力、分析能力以及如何在简单题目下能做得更加出众，讲论文写好抓住评委眼球。

如果您阅读过往年国赛题目，您可以发现2021 BC 和2022C基本都是一眼就知道怎么做的题目，但是如何做出彩，如何做的完整，如何做的滴水不漏不给评委一点扣分的把柄，才是我们需要把握的重点。

问题1：对附件2中所给数据进行分析和数值化处理并给出处理方法

如图，附件二的数据对应附件一的问卷格式，拿到数据的第一步是数据清洗，即为检测数据是否存在缺失值和异常值。如果存在缺失值，存在缺失值的样本较少的情况下可以直接删除样本，如果较多，建议使用众数插补（此为离散性数据）或者多重插补法等方法填补。如果存在异常值，也就是不在问卷答案中的数据，需要结合实际情况做处理，也可考虑用缺失值同样的方法。

接着，将文本数据转换为数值型数据，以便进行后续的分析。对于单选题，例如性别只可能有两种答案，则将男记作0，女记作1，用类似方法解决。对于多选题，例如四个选项，可能出现的答案为组合数之和，可以考虑用单选题同样的方法。当然，也可以使用独热编码，例如四个选项的问题，列为四个特征，选择AC，则在第一个和第三个特征上记作1，其余记作0。

数值化处理到此基本结束，此时的到了可以进行数学建模的数据。接下来要进行数据分析。基础的数据分析可以直接用描述性统计，计算频率、频数等等指标，分析学生选项的情况。最好添加柱状图、饼图、折线图等可视化图像工具展示您的结果。

接着，统计分析。统计分析分为经典统计、非参数统计、贝叶斯统计、多元统计等领域。最常用的经典统计就是我们学过的概率论中的各种假设检验、相关性分析等等。通过计算不同问题之间的相关性，了解变量之间的关联程度。可以使用相关系数（如Pearson相关系数）来衡量两个变量之间的线性相关性，并绘制热力图或散点图来展示结果。当然，离散型变量这么多，都可以看作是分组，您更应该想到数理统计中的双样本检验、方差分析等方法，如果能加上交互作用分析无疑更好。变量的个数也决定了可以使用多元统计方法，例如聚类分析，将相似的回答聚类为一类，可以发现不同群体的学生偏向什么答案。

当然，不管您使用哪一种统计分析方法，您一定需要结合实际。问卷调查的问题是存在实际意义的，您的分组、假设检验也必须存在意义，否则毫无意义。

问题2：根据你们对数据的分析结果选取评价指标，从优先级、科学性、可操作性等方面论述其合理性，并构建评价指标体系

本题目是构建评价指标体系，但是没有给出具体的评价目标，综合整道题目，可以将人工智能的影响大小作为评价标准。评价模型一般需要确定极大型和极小型的指标，这一点我们在将文本数据转换为数字数据时已经实现，问卷调查中单选题中A的选项往往是影响更大，D的影响较小，如果是0-3的赋值，可以记作极小型。

优先级：评价指标应该根据问题的重要性和关注度确定优先级。在附件2中，根据问题的内容和与人工智能对大学生学习影响相关性，结合实际意义，人为的选择优先级更高的指标。例如：使用人工智能学习工具的比例、学习软件工具的使用频率、大学生对人工智能学习工具的态度等等。这些逻辑意义上就明显更加重要的变量应该人为的给予更高的权重。

科学性：评价指标应该具备科学性，即能够客观、准确地反映问题的特征和影响程度。为了确保科学性，指标的选择应该与附件2中的数据紧密相关并且在逻辑上具备可以解释的因果关系，以便通过对数据的分析获得具有科学依据的结论。

可操作性：评价指标应该具备可操作性，这个概念比较模糊，可以按照自己的理解在文中说明，一般而言可以是模型的便捷性或者能为后续的决策和改进提供具体的指导和建议。指标应该与问题的实际情况相关，并且能够为决策者提供可行的行动方案。在附件2的情境下，可操作性的指标可以包括对人工智能学习工具的改进建议、推广策略等，这些都是可以操作的推动ai影响的指标。

最后，为方便第三问的建模，本题需要给这些变量赋权，这个一般都用熵权法，没有什么好说的。

因此，本题在建模过程中，在评价指标体系中，重点是在指标的取值和选择上，要求指标具有一定的优先级、科学性和可操作性。这些指标综合考虑了人工智能对大学生学习的不同方面影响，从使用程度、态度、使用体验和期望效果等维度进行评估。通过对这些指标的测量和分析，可以为决策者提供关于人工智能学习工具的改进方向和发展策略的指导。

问题3：建立数学模型，评价人工智能对大学生学习的影响，给出明确、有说服力的结论

本题目承接上一小问，需要建立数学模型，然后评价人工智能对大学送学习的影响。

一般的评价模型需要权重，我们的权重在第二问中给已经计算出，因此不需要再次赘述。第三问直接建立评价模型即可，这一步较为简单，主要是对结果的分析要尽可能的详细，尽可能多绘制图标来充实论文，不要让论文太过单调。

在模型简单的情况下，不要让论文也简单。Topsis、秩和比等等方法都是不错的选择。

问题4：根据调查问卷的数据，结合你们对人工智能的了解、认知和判断，以及对未来人工智能发展的展望，写一份人工智能对大学生学习影响的分析报告，可以包括但不限于积极或消极的影响。

类似美赛的结尾，总结全文的结论，类似摘要二等形式，需要注重强调自己的思路、模型和结论，言之有理即可。
————————————————
版权声明：本文为CSDN博主「天罗数模」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/2301_77392031/article/details/130884664