数学建模实战：AHP-熵权-TOPSIS组合模型在综合评价中的应用

1. 从“影响评价”到“数据驱动决策”：一个建模者的实战复盘

去年带队参加电工杯，B题“人工智能对大学生学习影响的评价”一出来，我们团队就意识到，这绝不是一个简单的“好”或“坏”的判断题。它本质上是一个典型的多指标综合评价问题，但内核却是一个数据驱动的决策支持系统构建过程。题目要求我们构建评价模型，但更深层的需求是，如何用数学语言和计算工具，将“人工智能”这个抽象、多维的概念，与“学习影响”这个同样复杂的结果，建立起可量化、可比较、可解释的关联。这不仅仅是套个AHP（层次分析法）或者TOPSIS（优劣解距离法）公式就能交差的，它考验的是对问题本质的拆解能力、对数据工具的驾驭能力，以及将数学模型转化为实际洞察的叙事能力。今天，我就结合我们当时的解题思路、具体的Python实现代码，以及赛后反思的一些关键点，和大家完整复盘一遍这个项目。无论你是正在备赛数学建模的新手，还是对数据分析和评价模型感兴趣的实践者，希望这篇近万字的“踩坑”与“填坑”实录，能给你带来一些实实在在的参考。

2. 破题第一步：构建一个“接地气”的评价指标体系

拿到题目，最忌讳的就是立刻打开文献，找一堆“学习投入”、“学习满意度”、“学术绩效”的现成量表往里套。数学建模不是文献综述，评价指标必须服务于你的模型目标和数据可得性。我们的思路是，先回归常识，把“人工智能对学习的影响”这个宏大的命题，拆解成几个可操作的维度。

2.1 维度拆解：影响发生在哪些环节？

我们团队经过几轮“头脑风暴”，结合自身作为大学生的体验，将影响归纳为四个核心维度：

1. 学习效率与效果维度：这是最直接的影响。AI工具能否帮助我们更快地查找资料（如ChatGPT）、理解复杂概念（如Wolfram Alpha）、完成作业（如代码辅助、论文润色）？最终是否提升了我们的成绩或知识掌握深度？
2. 学习行为与习惯维度：AI的介入是否改变了我们的学习模式？是变得更依赖“提问-获取答案”，还是学会了更高效地利用AI进行探索式学习？自主学习时间是增加了还是减少了？
3. 认知负荷与心理体验维度：使用AI是减轻了学习压力，还是因为担心学术诚信或技术依赖而产生了新的焦虑？对学习本身的兴趣和自信心有何影响？
4. 技能发展与适应性维度：在与AI协作的过程中，我们是否培养了新的技能，比如“提示词工程”、批判性评估AI输出、人机协作解决问题的能力？这对未来就业有何影响？

这四个维度基本覆盖了“过程-结果”、“行为-心理”、“当下-未来”等多个层面，构成了我们指标体系的一级指标。

2.2 指标量化：如何把感觉变成数字？

确定了维度，下一步就是为每个维度找到可量化的二级指标。这里的关键是可操作化。你不能直接问“你的学习效率提高了吗？”，因为回答是主观的、模糊的。我们需要设计具体的问题或寻找代理数据。

我们当时设计了一份调查问卷（这是此类题目最常见的数据来源假设），部分指标示例如下：

• 对于“学习效率与效果”：
  • 任务完成时间缩短率：使用AI辅助后，完成某项特定学习任务（如文献综述、编程作业）所需时间相比之前的预估减少百分比。（问卷中可设区间选项，如“缩短20%以上”、“缩短10%-20%”等，并赋予分值）。
  • 知识测验得分提升：针对某个AI辅助学习过的知识点，进行前后测，计算得分提升率。（可通过假设数据模拟）。
  • GPA或课程成绩变化：长期使用AI与否的学生群体平均成绩对比。（需注意控制其他变量，实践中常用虚拟变量回归分析，但在有限时间的比赛中，可简化为分组对比）。
• 对于“学习行为与习惯”：
  • AI工具使用频率：每日/每周使用AI进行学习的次数或时长。
  • 学习资源搜索方式变化：优先使用AI问答 vs. 传统搜索引擎/图书馆数据库的比例。
  • 深度学习行为指标：在使用AI解答后，是否会追问、验证或拓展相关问题的比例。
• 对于“认知负荷与心理体验”：
  • 学习压力自评分数：使用1-5分或1-7分量表。
  • 学术诚信焦虑程度：对使用AI可能带来的作弊风险的担忧程度。
  • 学习兴趣评分：对AI辅助学习的科目是否更感兴趣。
• 对于“技能发展与适应性”：
  • 提示词编写能力自评：对自己有效提问、引导AI能力的评分。
  • 信息甄别能力自信度：评估自己判断AI输出信息真伪、质量的信心。
  • 对AI协作的就业准备信心：认为所学技能对未来职场有帮助的程度。

注意：在实际比赛中，我们并没有进行真实的问卷调查，而是基于这些指标的逻辑，合成了模拟数据集。这是数学建模竞赛中处理此类问题的常见且合理的方法，关键在于模拟的数据要符合常识和统计规律（如正态分布、相关性等）。我们使用Python的numpy和pandas生成了500名学生的模拟数据。

2.3 指标预处理：无量纲化与方向一致化

收集或模拟到数据后，不能直接扔进模型。因为指标单位不同（有的是百分比，有的是分数，有的是频率），且方向不同（有的是正向指标，数值越大越好，如成绩提升率；有的是适度指标，如使用频率，过高可能意味着依赖）。因此必须进行预处理。

1. 正向化：将所有指标转化为极大型指标。对于极小型指标（如焦虑程度），常用倒数法或差值法(max - x)。对于适度指标，可以先计算每个样本值与最优值（如我们认为的“合理使用频率”中值）的绝对距离，然后将其转化为极小型指标后再正向化。
2. 无量纲化：消除量纲影响。最常用的是Z-score标准化（(x - mean) / std）和Min-Max归一化（(x - min) / (max - min)）。Z-score标准化后的数据均值为0，标准差为1，适用于后续涉及距离计算的模型（如TOPSIS、聚类）。Min-Max归一化将数据缩放到[0,1]区间，更直观。
   • 我们的选择：由于后续计划使用TOPSIS模型（基于欧氏距离），我们选择了Z-score标准化。这能保证不同指标在距离计算中的权重不受原始量纲影响。

import pandas as pd import numpy as np # 假设df是我们的原始数据DataFrame，列名为各个指标名称 # 例如：'time_reduction_rate', 'score_improvement', 'usage_freq', 'stress_level'... def preprocess_data(df): """ 数据预处理函数：正向化与标准化 """ df_processed = df.copy() # 1. 正向化处理 (假设'stress_level'焦虑程度是极小型指标，需正向化) # 使用差值法： stress_level_positive = max(stress_level) - stress_level if 'stress_level' in df_processed.columns: df_processed['stress_level'] = df_processed['stress_level'].max() - df_processed['stress_level'] # 2. Z-score 标准化 from sklearn.preprocessing import StandardScaler scaler = StandardScaler() # 选择所有需要标准化的数值型列，排除可能存在的ID列等 numeric_cols = df_processed.select_dtypes(include=[np.number]).columns.tolist() df_processed[numeric_cols] = scaler.fit_transform(df_processed[numeric_cols]) return df_processed, scaler # 返回处理后的数据和scaler对象（可用于后续新数据） # 生成模拟数据（示例） np.random.seed(2023) n_samples = 500 data = { 'time_reduction_rate': np.random.normal(15, 5, n_samples), # 时间缩短率，均值15%，标准差5% 'score_improvement': np.random.normal(8, 3, n_samples), # 成绩提升，均值8分，标准差3 'usage_freq': np.random.poisson(5, n_samples), # 使用频率，泊松分布，均值5次/周 'stress_level': np.random.randint(1, 6, n_samples), # 压力水平，1-5分 'interest_score': np.random.normal(4, 0.8, n_samples), # 兴趣评分，均值4，标准差0.8 } df_raw = pd.DataFrame(data) print("原始数据前5行：\n", df_raw.head()) df_processed, scaler = preprocess_data(df_raw) print("\n标准化后数据前5行：\n", df_processed.head()) print("\n标准化后数据描述（均值应接近0，标准差接近1）：\n", df_processed.describe().round(2))

3. 模型核心：组合拳——AHP-熵权法-TOPSIS

单一的模型往往有局限性。我们采用了一种“组合赋权+综合评价”的思路，即用主观赋权法（AHP）和客观赋权法（熵权法）结合来确定指标权重，再用TOPSIS进行最终排序。这样既能融入我们对各维度重要性的专业判断，又能尊重数据本身的信息量。

3.1 第一步：主观赋权——层次分析法（AHP）

AHP的核心是通过两两比较，确定各层指标的相对重要性。我们首先对四个一级指标（效率效果、行为习惯、心理体验、技能发展）进行两两比较。

实操步骤与代码实现：

1. 构建判断矩阵：根据Saaty的1-9标度法，我们团队讨论后得到如下判断矩阵（示例，实际需根据团队共识）：
   • 效率效果 vs. 行为习惯：稍微重要，赋值3
   • 效率效果 vs. 心理体验：明显重要，赋值5
   • 效率效果 vs. 技能发展：强烈重要，赋值7
   • ... 以此类推，形成4x4矩阵。
2. 一致性检验：这是AHP可靠性的关键。计算一致性比率CR（Consistency Ratio）。通常要求CR < 0.1，否则需要调整判断矩阵。
3. 计算权重：通过计算判断矩阵的最大特征值对应的特征向量，并归一化，得到各一级指标的权重。

import numpy as np def ahp_weight(matrix): """ 计算AHP权重并进行一致性检验 matrix: 判断矩阵，numpy array """ n = matrix.shape[0] # 计算特征值和特征向量 eigenvalues, eigenvectors = np.linalg.eig(matrix) max_eigval = max(eigenvalues.real) max_eigvec = eigenvectors[:, eigenvalues.real.argmax()].real # 计算权重向量（归一化） weights = max_eigvec / max_eigvec.sum() # 一致性检验 CI = (max_eigval - n) / (n - 1) RI = {1: 0, 2: 0, 3: 0.58, 4: 0.90, 5: 1.12, 6: 1.24, 7: 1.32, 8: 1.41, 9: 1.45} # 平均随机一致性指标 CR = CI / RI[n] return weights, CR, CI # 示例：一级指标判断矩阵 # 假设：效率[0] > 行为[1] > 心理[2] > 技能[3] judgment_matrix = np.array([ [1, 3, 5, 7], # 效率 vs [效率, 行为, 心理, 技能] [1/3, 1, 3, 5], [1/5, 1/3, 1, 3], [1/7, 1/5, 1/3, 1] ]) weights_ahp, CR, CI = ahp_weight(judgment_matrix) print("AHP计算的一级指标权重：", weights_ahp.round(4)) print("一致性指标 CI:", CI.round(4)) print("一致性比率 CR:", CR.round(4)) if CR < 0.1: print("判断矩阵一致性可接受。") else: print("警告：判断矩阵一致性不可接受，需调整！")

对于二级指标，可以对每个一级指标下的子指标再分别构建判断矩阵，计算局部权重，最后用一级指标权重加权合成全局权重。这一步工作量较大，但逻辑相同。

3.2 第二步：客观赋权——熵权法（Entropy Weight）

熵权法的思想是：指标数据离散程度越大，所包含的信息量越多，在评价中应赋予更大的权重。这完全由数据驱动，避免了主观偏见。

计算过程：

1. 数据标准化：我们已经做了Z-score标准化，但熵权法通常要求数据非负。因此可以对标准化后的数据做平移（x' = x - min + 1）或直接使用Min-Max归一化到[0,1]区间的结果。我们选择后者进行熵权计算。
2. 计算比重：第i个样本在第j个指标下的比重p_ij = x_ij / sum(x_ij)。
3. 计算信息熵：第j个指标的信息熵e_j = -k * sum(p_ij * ln(p_ij))，其中k = 1/ln(n_samples)。
4. 计算差异系数：d_j = 1 - e_j。熵值越小，差异系数越大，指标越重要。
5. 计算权重：w_j = d_j / sum(d_j)。

def entropy_weight(data): """ 计算熵权法权重 data: 预处理后的数据，DataFrame，要求数值非负（可使用Min-Max归一化后的数据） """ # 确保数据非负（如果使用Z-score数据，需要先平移） data = data - data.min() + 1e-6 # 加一个极小值防止为0 # 计算比重 p = data / data.sum(axis=0) # 计算信息熵 k = 1 / np.log(data.shape[0]) e = -k * (p * np.log(p)).sum(axis=0) # 计算差异系数和权重 d = 1 - e w = d / d.sum() return w.values # 为了熵权法，我们使用Min-Max归一化后的数据（从Z-score转换或重新处理） from sklearn.preprocessing import MinMaxScaler mms = MinMaxScaler() df_minmax = pd.DataFrame(mms.fit_transform(df_raw), columns=df_raw.columns) # 对原始数据或处理后的数据归一化 weights_entropy = entropy_weight(df_minmax) print("熵权法计算的各指标权重：", dict(zip(df_minmax.columns, weights_entropy.round(4))))

3.3 第三步：组合赋权与TOPSIS综合评价

得到主观权重W_ahp和客观权重W_entropy后，我们采用线性加权组合：W_combined = α * W_ahp + (1-α) * W_entropy。α是一个权衡系数，通常取0.5表示主客观同等重要，也可以根据偏好调整。我们取α=0.5。

然后，使用组合权重对标准化后的数据（Z-score）进行加权，得到加权决策矩阵。最后应用TOPSIS模型。

TOPSIS（逼近理想解排序法）步骤：

1. 构建加权规范矩阵：V = Z * W，其中Z是标准化矩阵（我们用的Z-score矩阵），W是组合权重对角阵。
2. 确定正理想解V+和负理想解V-：正理想解是每个指标的最大值（正向指标），负理想解是每个指标的最小值。
3. 计算各样本到正负理想解的距离：欧氏距离。
4. 计算相对贴近度：C_i = D-_i / (D+_i + D-_i)。C_i越接近1，说明该样本越接近正理想解，评价越高。

def combined_weight_topsis(data_normalized, weights_ahp, weights_entropy, alpha=0.5): """ 组合赋权TOPSIS综合评价 data_normalized: 标准化后的数据（Z-score），DataFrame weights_ahp: AHP法得到的权重向量（需与指标顺序对应） weights_entropy: 熵权法得到的权重向量 alpha: 主观权重系数 """ # 1. 组合权重 weights_combined = alpha * weights_ahp + (1 - alpha) * weights_entropy # 确保权重和为1 weights_combined = weights_combined / weights_combined.sum() print("组合权重：", dict(zip(data_normalized.columns, weights_combined.round(4)))) # 2. 构建加权规范矩阵 V = data_normalized * weights_combined # 3. 确定正负理想解 V_positive = V.max(axis=0) # 假设所有指标均已正向化，越大越好 V_negative = V.min(axis=0) # 4. 计算距离 D_positive = np.sqrt(((V - V_positive) ** 2).sum(axis=1)) D_negative = np.sqrt(((V - V_negative) ** 2).sum(axis=1)) # 5. 计算相对贴近度 C = D_negative / (D_positive + D_negative + 1e-8) # 加极小值防止除零 return C, weights_combined # 假设我们已经有了四个一级指标的AHP权重，并平均分配到其下的二级指标（实际应分别计算） # 这里简化处理：假设我们有5个指标，AHP权重需要与之对应。我们手动分配一个示例。 # 注意：此处的weights_ahp_array需要与df_processed的列顺序对应，且长度一致。 # 这是一个示例，实际应根据AHP对二级指标的计算结果来。 example_ahp_weights_for_all_indicators = np.array([0.3, 0.25, 0.2, 0.15, 0.1]) # 对应5个指标 # 熵权法权重已经计算过 weights_entropy # 计算TOPSIS得分 topsis_scores, final_weights = combined_weight_topsis(df_processed, example_ahp_weights_for_all_indicators, weights_entropy, alpha=0.5) # 将得分添加到原始数据框 df_result = df_raw.copy() df_result['Topsis_Score'] = topsis_scores df_result['Rank'] = df_result['Topsis_Score'].rank(ascending=False, method='min') # 得分越高排名越前 print("\n综合评价结果（前10名）：") print(df_result[['time_reduction_rate', 'score_improvement', 'Topsis_Score', 'Rank']].sort_values('Rank').head(10))

4. 模型验证、可视化与深度分析

模型跑出结果只是开始，更重要的是解释结果、验证稳健性，并通过可视化让结论一目了然。

4.1 稳健性检验：权重敏感性分析

我们的组合权重中α取0.5，这个选择是否稳健？如果α变成0.3或0.7，学生排名会发生剧烈变化吗？进行敏感性分析是提升论文说服力的关键。

方法：让α在[0, 1]区间内以一定步长（如0.1）变化，观察每个学生排名（或前N名学生名单）的变化情况。如果排名相对稳定，说明模型稳健。

def sensitivity_analysis(data_normalized, weights_ahp, weights_entropy, student_id=0): """ 对某个特定学生（索引为student_id）进行权重系数alpha的敏感性分析 """ alphas = np.arange(0, 1.1, 0.1) scores_vs_alpha = [] ranks_vs_alpha = [] all_scores_per_alpha = [] for a in alphas: scores, _ = combined_weight_topsis(data_normalized, weights_ahp, weights_entropy, alpha=a) all_scores_per_alpha.append(scores) # 计算当前alpha下该学生的排名 rank = (scores > scores[student_id]).sum() + 1 scores_vs_alpha.append(scores[student_id]) ranks_vs_alpha.append(rank) # 绘制敏感性分析图 import matplotlib.pyplot as plt fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 4)) ax1.plot(alphas, scores_vs_alpha, marker='o') ax1.set_xlabel('Alpha (主观权重系数)') ax1.set_ylabel('TOPSIS Score') ax1.set_title(f'学生{student_id}得分随Alpha变化') ax1.grid(True) ax2.plot(alphas, ranks_vs_alpha, marker='s', color='orange') ax2.set_xlabel('Alpha (主观权重系数)') ax2.set_ylabel('Rank') ax2.set_title(f'学生{student_id}排名随Alpha变化') ax2.grid(True) # 排名是逆序，y轴反转更直观（排名1最好） ax2.invert_yaxis() plt.tight_layout() plt.show() # 也可以查看排名稳定性：计算所有alpha下，该学生排名的标准差 rank_std = np.std(ranks_vs_alpha) print(f"学生{student_id}在不同Alpha下的排名标准差为: {rank_std:.2f}") if rank_std < 5: # 阈值可根据样本量调整 print("该学生的排名对权重系数变化不敏感，模型在此处较稳健。") else: print("该学生的排名对权重系数变化较敏感，需在结论中说明此局限性。") return all_scores_per_alpha # 对第一个学生进行敏感性分析 all_scores = sensitivity_analysis(df_processed, example_ahp_weights_for_all_indicators, weights_entropy, student_id=0)

4.2 结果可视化：让数据说话

一份优秀的数模论文离不开清晰的图表。

1. 综合评价得分分布直方图：直观展示全体学生受影响程度的分布情况，是正态分布、偏态分布还是两极分化？
2. 各维度得分雷达图/柱状图：选取几个典型学生（如总分最高、最低、平均），展示他们在四个一级维度上的得分情况，分析其优势维度和短板。
3. 指标权重对比图：并列展示AHP权重、熵权法权重和组合权重，体现主客观赋权的差异。
4. 聚类分析：使用K-Means等算法对学生进行分群（如“高效受益型”、“焦虑依赖型”、“无感型”等），并可视化聚类结果（可用PCA降维后散点图）。

import matplotlib.pyplot as plt import seaborn as sns from sklearn.decomposition import PCA from sklearn.cluster import KMeans # 设置中文字体（如果环境支持） # plt.rcParams['font.sans-serif'] = ['SimHei'] # plt.rcParams['axes.unicode_minus'] = False # 1. 综合评价得分分布 plt.figure(figsize=(10, 6)) plt.hist(df_result['Topsis_Score'], bins=30, edgecolor='black', alpha=0.7) plt.xlabel('TOPSIS综合得分') plt.ylabel('学生人数') plt.title('人工智能对大学生学习影响的综合评价得分分布') plt.grid(True, axis='y', linestyle='--', alpha=0.7) plt.show() # 2. 各维度得分对比（假设我们有一级维度得分数据，这里用原始指标近似模拟） # 我们需要先计算每个学生在四个维度上的平均得分（假设指标已归属维度） # 这里仅为示例，假设前两个指标属维度1，第三个属维度2，第四五个属维度3和4。 dim1_score = df_processed[['time_reduction_rate', 'score_improvement']].mean(axis=1) dim2_score = df_processed['usage_freq'] dim3_score = df_processed['stress_level'] # 已正向化 dim4_score = df_processed['interest_score'] dim_scores = pd.DataFrame({'效率效果': dim1_score, '行为习惯': dim2_score, '心理体验': dim3_score, '技能发展': dim4_score}) # 选取三个典型学生：总分最高、最低、中位数附近 top_idx = df_result['Rank'].idxmin() # Rank=1 bottom_idx = df_result['Rank'].idxmax() median_idx = (df_result['Rank'] == df_result['Rank'].median()).idxmax() fig, axes = plt.subplots(1, 3, figsize=(15, 4), subplot_kw=dict(projection='polar')) cases = [('Top Student', top_idx), ('Median Student', median_idx), ('Bottom Student', bottom_idx)] for ax, (title, idx) in zip(axes, cases): values = dim_scores.loc[idx].values angles = np.linspace(0, 2*np.pi, len(values), endpoint=False).tolist() values = np.concatenate((values, [values[0]])) # 闭合 angles += angles[:1] # 闭合 ax.plot(angles, values, 'o-', linewidth=2) ax.fill(angles, values, alpha=0.25) ax.set_xticks(angles[:-1]) ax.set_xticklabels(dim_scores.columns) ax.set_title(title, size=14, weight='bold') plt.suptitle('典型学生在各维度的表现雷达图', size=16) plt.tight_layout() plt.show() # 3. 权重对比图 weights_comparison = pd.DataFrame({ 'AHP': example_ahp_weights_for_all_indicators, 'Entropy': weights_entropy, 'Combined': final_weights }, index=df_processed.columns) weights_comparison.plot(kind='bar', figsize=(10, 6)) plt.title('不同赋权方法下的指标权重对比') plt.ylabel('权重') plt.xticks(rotation=45) plt.legend() plt.grid(True, axis='y', linestyle='--', alpha=0.7) plt.tight_layout() plt.show() # 4. K-Means聚类分析 (以标准化后的数据为基础) # 选择聚类数（这里用肘部法则简单演示） inertia = [] K_range = range(1, 11) for k in K_range: kmeans = KMeans(n_clusters=k, random_state=2023, n_init=10) kmeans.fit(df_processed) inertia.append(kmeans.inertia_) plt.figure(figsize=(8,5)) plt.plot(K_range, inertia, 'bo-') plt.xlabel('Number of clusters (K)') plt.ylabel('Inertia') plt.title('Elbow Method for Optimal K') plt.grid(True) plt.show() # 假设我们选择K=3 kmeans_final = KMeans(n_clusters=3, random_state=2023, n_init=10) cluster_labels = kmeans_final.fit_predict(df_processed) df_result['Cluster'] = cluster_labels # 用PCA降维到2维进行可视化 pca = PCA(n_components=2) df_pca = pca.fit_transform(df_processed) plt.figure(figsize=(10, 8)) scatter = plt.scatter(df_pca[:, 0], df_pca[:, 1], c=cluster_labels, cmap='viridis', alpha=0.6, edgecolors='w', s=80) plt.xlabel('Principal Component 1') plt.ylabel('Principal Component 2') plt.title('学生聚类结果可视化 (PCA降维)') plt.colorbar(scatter, label='Cluster Label') # 标注每个簇的中心点 centers_pca = pca.transform(kmeans_final.cluster_centers_) plt.scatter(centers_pca[:, 0], centers_pca[:, 1], c='red', marker='X', s=200, label='Cluster Centers') plt.legend() plt.grid(True, linestyle='--', alpha=0.5) plt.tight_layout() plt.show() # 分析每个簇的特征 cluster_profile = df_result.groupby('Cluster').mean() print("\n各聚类群体的特征（均值）：") print(cluster_profile[['time_reduction_rate', 'score_improvement', 'usage_freq', 'stress_level', 'interest_score', 'Topsis_Score']])

4.3 深度分析：从排名到洞察

得到排名和聚类后，真正的分析才开始。我们需要回答：

• 高分群体特征：综合得分最高的20%学生，他们在各个指标上有什么共同点？是使用频率适中且效率提升显著，还是心理适应良好且技能发展快？
• 低分群体问题：得分低的学生，主要短板在哪个维度？是过度使用导致效率反而下降，还是心理焦虑严重抵消了工具带来的便利？
• 聚类群体画像：根据聚类结果，我们可以给每个群体打标签。例如：
  • 簇0（高效均衡型）：各项指标均较好，尤其是效率提升和兴趣增加明显，使用频率合理，压力小。是AI辅助学习的“模范生”。
  • 簇1（焦虑依赖型）：使用频率最高，但压力水平也高，效率提升不明显。可能陷入了“离不开但用不好”的困境。
  • 簇2（无感疏离型）：各项指标都偏低，使用频率低，影响甚微。可能是对AI工具不了解、不信任或不需要。
• 提出针对性建议：基于以上分析，可以向学校、教育者或学生本人提出建议。例如：对“焦虑依赖型”学生，应加强“如何与AI有效协作”的培训，而非禁止使用；对“无感疏离型”，可以展示AI在特定学习场景下的成功案例，激发其尝试意愿。

5. 完整代码框架与参赛心得

将以上所有步骤整合，形成一个清晰的、可执行的Python脚本，是论文附录的重要组成部分。代码要结构清晰，注释完整。

5.1 项目代码结构

一个建议的项目目录结构如下：

AI_Learning_Impact_Evaluation/ ├── data/ │ ├── raw_data.csv # 原始模拟/调查数据 │ └── processed_data.csv # 预处理后的数据 ├── src/ │ ├── 01_data_preprocessing.py # 数据清洗、正向化、标准化 │ ├── 02_ahp_weight.py # AHP权重计算 │ ├── 03_entropy_weight.py # 熵权法计算 │ ├── 04_combined_topsis.py # 组合赋权TOPSIS计算 │ ├── 05_sensitivity_analysis.py # 敏感性分析 │ ├── 06_visualization.py # 所有可视化图表生成 │ └── 07_cluster_analysis.py # 聚类分析 ├── output/ │ ├── figures/ # 保存生成的图表 │ └── results.csv # 最终包含得分、排名、聚类的结果文件 └── main.py # 主程序，按顺序调用各模块

main.py示例骨架：

# main.py import pandas as pd import numpy as np from src import data_preprocessing, ahp_weight, entropy_weight, combined_topsis, sensitivity_analysis, visualization, cluster_analysis def main(): print("Step 1: 数据加载与预处理...") df_raw = pd.read_csv('./data/raw_data.csv') df_processed, scaler = data_preprocessing.preprocess_data(df_raw) df_processed.to_csv('./data/processed_data.csv', index=False) print("Step 2: AHP权重计算...") # 定义判断矩阵（这里需要根据实际指标层级定义多个矩阵） judgment_matrix_level1 = np.array([...]) # 一级指标矩阵 weights_ahp_level1, CR, _ = ahp_weight.ahp_weight(judgment_matrix_level1) # ... 计算二级指标权重并合成全局AHP权重 weights_ahp_global weights_ahp_global = ... print("Step 3: 熵权法计算...") weights_entropy = entropy_weight.calculate_entropy_weight(df_processed) # 注意熵权法可能需要Min-Max数据 print("Step 4: 组合赋权TOPSIS综合评价...") topsis_scores, final_weights = combined_topsis.combined_weight_topsis( df_processed, weights_ahp_global, weights_entropy, alpha=0.5 ) df_result = df_raw.copy() df_result['Topsis_Score'] = topsis_scores df_result['Rank'] = df_result['Topsis_Score'].rank(ascending=False, method='min') print("Step 5: 敏感性分析...") sensitivity_analysis.plot_sensitivity(df_processed, weights_ahp_global, weights_entropy) print("Step 6: 聚类分析...") df_result = cluster_analysis.kmeans_clustering(df_processed, df_result, n_clusters=3) print("Step 7: 生成可视化图表...") visualization.plot_score_distribution(df_result) visualization.plot_radar_chart(df_processed, df_result, dim_scores) visualization.plot_weight_comparison(weights_ahp_global, weights_entropy, final_weights) visualization.plot_cluster_pca(df_processed, df_result) print("Step 8: 保存结果...") df_result.to_csv('./output/results.csv', index=False) print("所有分析完成！") if __name__ == '__main__': main()

5.2 参赛实战心得与避坑指南

1. 时间管理是生命线：三天比赛，第一天必须完成选题、思路构建和指标设计。第二天上午完成数据预处理和基础建模（AHP、熵权、TOPSIS），下午完成分析、可视化和初稿撰写。第三天全天用于模型优化、敏感性分析、论文打磨和摘要精修。切忌在一个环节（比如调一个图的颜色）纠结太久。

2. 论文 > 模型 > 代码：评委看论文的时间很短。模型不必追求最复杂，但逻辑必须清晰、完整、自洽。AHP-熵权-TOPSIS这个组合拳之所以经典，就是因为其逻辑链条完整，易于在论文中阐述。你的论文要有“故事线”：问题是什么 -> 如何拆解（指标体系）-> 如何量化（数据）-> 如何评价（模型）-> 结果是什么 -> 结果意味着什么（分析）-> 有什么建议。

3. 可视化是提分利器：一图胜千言。雷达图、聚类散点图、权重对比图、得分分布图，这些图表要做得专业、清晰、美观。每个图都必须有标题、坐标轴标签、图例（如果需要），并在正文中有明确的引用和解释。不要堆砌图表，每个图都要服务于一个明确的论点。

4. 代码的“可展示性”：附录里的代码不要求运行，但要求整洁。多用函数封装，加上必要的注释。关键的算法步骤（如AHP一致性检验、TOPSIS距离计算）可以保留核心代码块。像数据清洗这种冗长步骤可以简要带过。务必删除调试用的print语句和无关的测试代码。

5. 关于“模拟数据”的交代：如果使用模拟数据，必须在论文中明确说明：“由于实际数据获取的限制，本文依据指标内涵和常见统计分布，合成了具有代表性的模拟数据集以验证模型有效性。该方法在学术研究中常见，且不影响模型通用性。” 并简要描述你的数据生成逻辑（如正态分布、均匀分布等）。

6. 警惕“为了组合而组合”：AHP和熵权法结合的前提是，你认为主客观信息都重要。如果题目有明确的倾向（如“请从学生视角评价”），可能主观赋权（AHP）更合适；如果强调“基于客观数据”，则熵权法或CRITIC等客观法更佳。我们的组合是一种稳健策略，但要在论文中论述其合理性。

7. Python环境与库管理：赛前准备好稳定的Python环境（推荐Anaconda），并确保numpy,pandas,scikit-learn,matplotlib,seaborn等常用库已安装。可以将所有代码和依赖写进一个requirements.txt文件，显得更专业。

这个项目，从看到题目的茫然，到拆解指标的争论，再到代码调试的深夜，最后到论文成稿的如释重负，整个过程是对系统性思维和快速解决问题能力的一次绝佳锻炼。AI对学习的影响评价本身没有标准答案，但通过这样一套严谨的数据建模流程，我们至少能给出一个有理有据、逻辑自洽的“我们的答案”。而这，正是数学建模的魅力所在。