简介面向参加数学建模竞赛的高校学生与指导教师这份电工杯赛题「人工智能对大学生学习影响的评价」文档提供一套较完整的论文级求解方案可用于赛题复盘、论文写作参考与建模思路梳理。压缩包仅含1个docx文件约871KB正文围绕问卷数据清洗、缺失值与异常值判定、效度信度检验、问卷结果数值化编码展开并给出基本信息、学习情况、人工智能态度与发展四个一级指标及二级指标的构建与相关性论述。方案还涵盖KMO与Bartlett检验、主成分分析和t-SNE降维、TOPSIS综合评价排序、受影响较大群体的公共特征提取以及从积极、消极与未来发展三方面撰写的非技术性分析报告并配有思维流程框图。已有201人学习下载适合需要参考完整建模流程、评价指标体系与结论表达方式的参赛者。1. 一份问卷撑起一整篇建模论文这套方案先解决什么数学建模电工杯这道「人工智能对大学生学习影响的评价」第一眼看过去像社会调查题真正动笔才发现是一整条数据处理流水线几百份问卷进来最后要输出一个能排序、能解释、能让评委点头的评价结论。难点不在算法多深而在于每一步都得站得住——原始数据里有答「从不上网」却又「用过学习软件」的逻辑矛盾样本有大量重复设问有量表题、单选题、多选题混在一张表里KMO 检验还要把四个一级指标分流到主成分分析和 t-SNE 两条降维路线最后用 TOPSIS 打分排序再回头提取高影响人群的公共特征。这套流程适合正在做统计建模类毕设、课设或者要交一份带完整数据处理链的评价方案的人它不要求你会多高深的算法但要求你对每个环节的判断标准心里有数能解释清楚「为什么这么处理」。2. 问卷预处理异常值、逻辑矛盾与信效度口径的三道关卡2.1 缺失值与逻辑矛盾样本的剔除规则拿到原始问卷表第一件事不是跑模型是先说清楚「哪些样本不配进模型」。缺失值好办逐列统计缺失率设一个阈值我一般用 10%超过阈值的题目整列进待删名单——但要注意整列删除和数据插补是两回事问卷类数据里如果某题缺失率超过一成多半是题干表述有问题或者选项设置不合理插补反而是给错误的问题续命。真正容易翻车的是逻辑矛盾。原题里 Q6 问每周上网时长选项里有「不上网」Q7 问是否用过学习软件工具。一个人答了「不上网」又说自己「用过学习软件」这两条至少有一条是假的。手工在 Excel 里一行行筛会漏正确做法是用布尔掩码批量标记把矛盾样本统一剔除并且把剔除数量、剔除比例写进论文的预处理小节——101 条异常样本这个数字评委是认的因为它说明你真的翻过数据。import pandas as pd import numpy as np df pd.read_excel(survey_raw.xlsx) # 1) 缺失值体检缺失率超过 10% 的题目整列标记人工复核是否删除 missing_ratio df.isna().mean().round(4) drop_cols missing_ratio[missing_ratio 0.10].index.tolist() # 2) 逻辑矛盾Q6 选 5从不上网却在 Q7 选 1用过学习软件 mask_logic (df[Q6] 5) (df[Q7] 1) # 3) 另一组矛盾自报每周上网 20 小时以上但 Q8 从不使用学习软件 mask_logic2 (df[Q6] 4) (df[Q8].isin([1, 2])) df_clean df.loc[~(mask_logic | mask_logic2)].copy().reset_index(dropTrue) print(逻辑矛盾样本数:, int((mask_logic | mask_logic2).sum())) print(清洗后样本量:, len(df_clean))这段代码的关键在第二、三步mask_logic处理「不上网却用过学习软件」mask_logic2处理「高上网时长但从不使用学习软件」这一类弱矛盾。注意Q6的编码方向要和编码表严格对齐如果编码表里「不上网」是 5 而你在代码里写了 4整段筛选就是空的而且不会报错——这种静默错误是问卷处理里最阴的一类问题。删完之后务必打印样本数和原始样本量对得上账前后差多少、为什么差论文里要有一句话交代。2.2 问题筛选与问卷结构重排原始问卷三十道题不是每道题都能进模型。有些题问的是「你希望人工智能工具具备哪些功能」选项重叠严重有些题和「学习影响」这个研究主题基本无关纯粹是凑篇幅。我的做法是先按研究主题做一次粗筛把题目分成四块调查者基本信息性别、专业、年级、性格、上网方式、上网时长、调查者学习情况使用学习软件的时机、资料分享意愿、网络活动、大学困扰、关注点、对人工智能的态度是否愿意用 AI 完成作业、小测、论文是否赞同大学生使用最不希望出现的问题对回答可信度的判断如何适应、人工智能发展期望效果、能否取代教师、安全顾虑、重要方面、期望功能、融合环节。粗筛之后紧接着是编码这一步是把文本问卷变成可以进模型的数值矩阵编码方向必须和问卷语义严格一致否则后面所有系数的符号都会反过来。题干编码字段选项到数值的映射Q2 您的性别gender女1男2Q3 您的专业major文法类1理工类2经管类3艺术教育类4Q4 您的年级grade大一1大二2大三3大四4Q5 您的性格personality安静型1温顺型2坚定型3感性型4外向型5其他6Q6 上网方式net_way手机1网吧2寝室笔记本3平板4其他5Q6 上网时长net_time7 小时以下1 至 20 小时以上4不上网5这张表要放进论文附录正文里给出前几行做示例就够。编码时有两个细节容易忽略一是年级这类有序变量要保证数值顺序和学制顺序一致后面做 Pearson 相关性才有意义二是多选题如「进入大学后困扰您的问题」不能简单编成一个数字要么拆成多个 0/1 哑变量要么单独做频次分析、不参与建模。把多选题硬编码成 1 到 4 再拿去算相关系数是典型的把类别当连续用算出来的结果没有解释力。提示编码表一定要和代码里的列名双向核对最省事的办法是把编码表做成字典读数据时直接df.rename(columnsCODE_MAP)避免中途改名导致对不上的情况。2.3 信度与效度Cronbachs α 与 KMO/Bartlett 的判读问卷能不能用靠两个数字说话。信度看内部一致性用 Cronbachs α 系数效度看题目之间有没有足够的相关结构用 KMO 值和 Bartlett 球形检验。这两步不是走过场α 系数算出来太低说明题目在测不同的东西你得回去改问卷KMO 太低说明这批数据不适合做主成分分析后面的降维路线要换。import numpy as np def cronbach_alpha(items): items: 形如 (样本数, 题目数) 的二维数组每列一道量表题 items np.asarray(items, dtypefloat) k items.shape[1] # 题目数量 N item_var items.var(axis0, ddof1).sum() # 各题体内方差之和 total_var items.sum(axis1).var(ddof1) # 总分方差 return k / (k - 1) * (1 - item_var / total_var) ATTITUDE_ITEMS [Q13, Q14, Q15, Q17, Q19, Q22] alpha cronbach_alpha(df_clean[ATTITUDE_ITEMS]) print(fCronbach alpha {alpha:.3f})公式就是经典的α N/(N-1) × (1 - ΣSi²/ST²)N是题目数Si²是第 i 题的体内方差ST²是总分方差。这个函数只对量表型题目有意义把单选题混进去会拉低系数——Q2 性别这种题本来就不该参与一致性检验。实际跑下来态度维度这一组题目的 α 大约在 0.67 上下标准化后 0.69按通用判读标准落在「信度可以接受」的下沿。这个结果不算漂亮但也不用藏论文里老实写「问卷信度处于可接受区间个别题目表述存在歧义建议后续修订」比硬凑一个 0.9 出来可信得多。KMO 和 Bartlett 检验通常交给统计软件算分流结果直接决定后面走哪条降维路线一级指标KMO 值Bartlett 近似卡方显著性 P降维路线个人基本信息0.66515017.6020.000主成分分析对人工智能态度0.7658894.8260.000主成分分析个人学习情况0.421131072.7480.000t-SNE人工智能发展0.7141847.9730.000主成分分析判读逻辑要写清楚KMO 大于 0.6 一般认为适合做主成分分析0.5 以下就不太合适了。个人学习情况这一组 KMO 只有 0.421说明题目之间的线性相关结构很弱硬上主成分分析会得到一堆解释不了的主成分这时候换 t-SNE 处理非线性结构更合理。Bartlett 检验的 P 值全部小于 0.01只能说明相关矩阵不是单位阵不能替代 KMO 的判断——这两者经常被混为一谈答辩时被追问「KMO 0.42 你为什么还做因子分析」就是没把这两步的分工搞明白。3. 指标体系构建四个一级指标与二级指标的合理性论证3.1 一级指标到二级指标的映射与编码落地指标体系不是拍脑袋列出来的是从问卷结构里长出来的。四块问卷内容天然对应四个一级指标每个一级指标下挂若干二级指标二级指标就是具体题目。这套映射关系要在论文里用一张表交代清楚因为评委看的不是你有多少个指标而是每个指标凭什么进体系。一级指标二级指标对应题号指标性质个人基本信息性别 Q1、专业 Q2、年级 Q3、性格 Q4、上网方式 Q5、上网时长 Q6定类/定序学习情况使用学习软件时机 Q8、资料分享意愿 Q9、网络活动 Q23、大学困扰 Q25、关注点 Q26定类/多选对人工智能态度作业 Q13、小测 Q14、论文 Q15、总体赞同 Q17、最不希望出现 Q18、可信度 Q19、适应方式 Q22定序/多选人工智能发展期望效果 Q20、能否取代教师 Q21、安全顾虑 Q27、重要方面 Q28、期望功能 Q29、融合环节 Q30定类/多选建表时有个原则二级指标的数量控制在 5 到 7 个之间。太少撑不起一个维度太多会让降维阶段的主成分解释变得困难。像「对人工智能态度」这一组原本能凑出 8 道题把语义高度重叠的 Q16、Q20 剔掉之后剩 7 个这个取舍要在论文里说明理由不能默默删。另外要注意指标性质那一栏。TOPSIS 综合评价要求所有指标同向可比而问卷里有些题目是「越赞同越好」Q17 总体赞同有些是「担忧越多越负面」Q18 最不希望出现的问题方向不一致直接进模型会让排序结果自相矛盾。定类变量性别、专业严格来说只能做分组比较不能当连续指标算距离这一点在指标体系设计阶段就要标注清楚后面 TOPSIS 那一步才不会乱。3.2 熵权法用客观权重回应「优先级」这个要求题目要求从优先级、科学性、可操作性三方面论述指标合理性。优先级最容易空谈解决办法是给出一组客观权重。熵权法完全由数据本身的离散程度决定权重不掺主观判断正好用来回应「凭什么说这个指标更重要」。原理不复杂某一列数据在所有样本上取值越分散说明它携带的信息量越大熵值越小权重越高反过来如果一整列大家都选同一个选项这列数据几乎没有区分能力权重就该压低。import numpy as np def entropy_weight(X): X: (n_samples, m_indicators)要求全部为正向化后的非负数值 X np.asarray(X, dtypefloat) n, m X.shape # 1) 计算第 j 个指标下第 i 个样本的比重 p_ij P X / X.sum(axis0, keepdimsTrue) P np.clip(P, 1e-12, None) # 防止 log(0) # 2) 熵值 e_jk 1/ln(n) k 1.0 / np.log(n) e -k * (P * np.log(P)).sum(axis0) # 3) 信息效用值 d_j 与权重 w_j d 1 - e w d / d.sum() return e, d, w代码里np.clip(P, 1e-12, None)这一行是保命的P里只要出现 0log(0)就是负无穷整列权重会变成 NaN而 Python 不会在这个位置报错只会在最后输出的表里留下一片空白——这种静默失败排查起来极其费时。所以宁可加个下限也不要相信「我的数据里不会有 0」。按这个流程对个人基本信息这一组六个二级指标跑一遍得到的权重分布很说明问题二级指标信息熵 e效用值 d权重上网方式0.8280.17245.903%性别0.9460.05414.574%年级0.9500.05013.249%性格0.9550.04511.915%上网时长0.9670.0338.732%专业0.9790.0215.627%上网方式一项占了将近一半权重原因是这道题的选项分布极度不均绝大多数人集中选「手机上网」少数几个选项样本极少反而制造了最大的离散度。这个结果要如实呈现同时在论文里补一句解释熵权法反映的是数据离散度而非理论重要性上网方式权重偏高是样本分布导致的不能简单解读为「上网方式对学习影响最大」。这句话写进去比硬把权重调平要诚实也更能体现你懂这个方法。3.3 Pearson 相关性与可操作性边界科学性这一条用相关性分析来支撑最直接。同一一级指标下的二级指标之间如果完全无关说明它们测的不是同一个东西这个维度就该拆如果相关性强到 0.9 以上说明题目高度重复该合并。Pearson 系数要求两个变量都是连续或近似连续的问卷里定序变量年级、上网时长勉强可以用定类变量性别、专业严格来说应该用卡方检验或者 Spearman。实际操作中很多队伍直接对全表跑 Pearson 矩阵然后拿 0.3 以上的系数说「相关性显著」这在方法上是有瑕疵的。我的处理方式是定序变量之间用 Pearson 并说明近似处理定类变量单独做交叉表卡方检验两部分结论分开写。可操作性这一段最容易被忽略但它恰恰是评委爱问的。什么叫可操作指标能从问卷里直接取到、编码规则明确、不需要二次主观打分这三条满足就算可操作。反过来如果某个指标需要研究者根据回答内容自行判断等级那它的可重复性就很差不同人编码会得到不同结果这种指标要么转化成客观题要么直接剔除。注意一级指标数量建议控制在 4 到 5 个二级指标总数控制在 25 个以内。超过这个规模降维之后的主成分解释会变得非常吃力而综合评价的说服力并不会因为指标多而提升。4. 降维与综合评价KMO 分流、PCA/t-SNE 双路降维到 TOPSIS 排序4.1 KMO 台账与降维路线分流降维这一步的核心不是选哪个算法而是先做体检再分流。四个一级指标各自跑一遍 KMO 和 Bartlett得到的结果直接决定走哪条路KMO 大于 0.6 的走主成分分析小于 0.6 的走 t-SNE。这个判断标准要在论文里写明不能含糊说「根据数据特点选择合适方法」。分流的实质是数据结构的差异。个人基本信息、对人工智能态度、人工智能发展这三组题目之间有明显线性相关主成分分析能把这种线性结构压缩成几个综合得分而且主成分之间正交后面加权求和不会重复计算信息。个人学习情况这一组 KMO 0.421题目之间的线性相关很弱多选和定类题混在一起数据结构是非线性的主成分分析跑出来的第一主成分累计贡献率可能连 40% 都不到硬用就是在骗自己。写论文时这一节要有一张分流表把每个一级指标的 KMO 值、采用的方法、降维后的维度数列出来。评委看这张表三秒钟就能判断你的方法选择有没有依据。4.2 PCA 的标准化与主成分保留主成分分析的第一步永远是标准化因为问卷里各个指标的取值范围差别很大性别是 1 到 2上网时长是 1 到 5直接协方差分解会让数值大的指标主导整个主成分方向。from sklearn.preprocessing import StandardScaler from sklearn.decomposition import PCA import numpy as np X df_clean[BASIC_INFO_COLS].values X_std StandardScaler().fit_transform(X) # 消除量纲均值 0 方差 1 pca PCA() scores pca.fit_transform(X_std) # 累计贡献率达到 85% 时保留前 k 个主成分 cum_ratio np.cumsum(pca.explained_variance_ratio_) k int(np.searchsorted(cum_ratio, 0.85) 1) print(保留主成分数:, k) print(累计贡献率:, cum_ratio[k - 1].round(4)) print(各主成分贡献率:, pca.explained_variance_ratio_.round(4))StandardScaler做的是 z-score 标准化ddof1的样本标准差这一步不做后面的载荷矩阵基本没法解释。n_components不用预设先让PCA()算全部主成分再按累计贡献率 85% 截断这个阈值不是铁律75% 到 90% 之间都常见关键是要在论文里说明为什么选这个数并且把碎石图或者贡献率表放上去。主成分保留之后还有一步常被跳过载荷矩阵的解释。每个主成分到底代表什么要把载荷系数绝对值排在前三的原始指标列出来给主成分起个名字比如「上网行为综合因子」「技术接受度因子」。没有这步解释主成分得分就只是个抽象数字后面的 TOPSIS 排序就没有实际含义答辩时会被问「你的第一主成分代表什么」而答不上来。4.3 t-SNE 的参数设定与结果使用边界t-SNE 是为高维非线性数据的可视化设计的它把样本点映射到二维或三维空间保持局部邻域结构。用在个人学习情况这一组上目的不是得到一个综合得分而是把样本在低维空间里分开看不同学习行为模式的人群有没有自然聚类。from sklearn.manifold import TSNE X_sub StandardScaler().fit_transform(df_clean[STUDY_COLS].values) tsne TSNE( n_components2, # 输出维度二维便于可视化 perplexity30, # 邻域规模一般取 5~50样本量的 1/100 左右起步 learning_rateauto, initpca, # 用 PCA 初始化结果更稳定 random_state42 # 固定随机种子保证结果可复现 ) emb tsne.fit_transform(X_sub)参数里最敏感的是perplexity它大致等价于每个点考虑多少个近邻。取值太小点会碎成一堆小团取值太大所有点糊成一团。经验做法是先从 30 试起画出来看聚类结构是否清晰再上下调整。random_state必须固定否则每次跑出来的图都不一样论文里的图和结论对不上这是 t-SNE 最典型的翻车点。这里必须强调一条边界t-SNE 的输出坐标没有绝对意义只有相对位置关系有意义。两个点在图上离得近说明它们的原始特征相似但坐标值本身不能比较大小不能求平均更不能直接当成一个连续变量送进 TOPSIS。如果后面确实需要 t-SNE 的结果参与综合评价正确做法是先在低维空间做聚类K-Means 或 DBSCAN把聚类标签作为类别变量或者用类内距离构造一个离散度指标而不是把二维坐标相加。4.4 TOPSIS 贴近度计算与排序四组指标降维完之后把结果拼成一张综合评价矩阵每一行是一个样本每一列是一个降维后的综合指标。TOPSIS 的思路很直观先构造一个理想解每个指标都取最优值和一个负理想解每个指标都取最差值然后算每个样本到这两者的距离离理想解越近、离负理想解越远得分越高。import numpy as np def topsis(X, weights): X: (n_samples, m_indicators) 已完成正向化weights: 各指标权重和为 1 X np.asarray(X, dtypefloat) # 1) 向量归一化消除量纲 norm np.sqrt((X ** 2).sum(axis0)) Z X / norm # 2) 加权 Z Z * weights # 3) 理想解与负理想解 best Z.max(axis0) worst Z.min(axis0) # 4) 欧氏距离 d_best np.sqrt(((Z - best) ** 2).sum(axis1)) d_worst np.sqrt(((Z - worst) ** 2).sum(axis1)) # 5) 贴近度越接近 1 表示越靠近理想解 return d_worst / (d_best d_worst) score topsis(Z_matrix, weights) rank np.argsort(-score) # 从高到低排序这段代码有三个前置条件必须满足缺一个结果就废X已经全部正向化所有指标都是越大越好、weights之和严格等于 1、Z_matrix的各列已经对齐到同一批样本。第一点最容易出问题问卷里「最不希望出现的问题」这类题原始编码是数值越大代表担忧越多属于负向指标必须先用max - x或者取倒数转成正向否则算出来的「最优人群」其实是担忧最多的人。排序完成之后取前 20% 的样本作为高影响人群单独统计他们在一级指标上的分布。比如这批人在「对人工智能态度」维度上的赞同比例明显高于整体均值在「学习情况」维度上更倾向于碎片时间使用学习软件这些共现特征汇总起来就是结论部分的核心论据。特征提取不需要复杂算法频次对比加卡方检验足够关键是结论要能和问卷原始数据对上不能是模型跑完之后凭空总结出来的。5. 常见问题与排查这条流水线上最容易翻车的五个点5.1 逻辑矛盾只查了一组剔除口径前后不一致现象是预处理阶段明明剔除了异常样本后面做描述性统计时「不上网」的人数还是不为零或者样本量在不同章节里对不上。原因通常是只查了 Q6 和 Q7 这一组矛盾忽略了其他题目之间的隐含冲突或者清洗完之后又用原始表做了另一次统计两份数据混着用。解决方式是把所有清洗规则集中写在一个函数里返回清洗后的 DataFrame 和一份剔除日志后面所有分析都从这个函数的结果出发不再直接读原始文件。def clean_survey(df): log {} m1 (df[Q6] 5) (df[Q7] 1) m2 (df[Q6] 4) (df[Q8].isin([1, 2])) log[不上网却用过学习软件] int(m1.sum()) log[高时长却不用学习软件] int(m2.sum()) out df.loc[~(m1 | m2)].copy().reset_index(dropTrue) log[清洗后样本量] len(out) return out, log日志的价值在于可复现。论文里写「剔除异常样本 101 条」答辩时被问「怎么剔的」你能立刻调出每个规则的命中数量比含糊说「根据逻辑一致性检验剔除」要硬气得多。5.2 KMO 没过还硬上主成分分析现象是个人学习情况这一组 KMO 只有 0.42还是跑了主成分分析结果第一主成分的解释方差只有 30% 出头后面几个主成分贡献率差不多最后硬着头皮说「保留了 4 个主成分」。原因是对 KMO 的判读标准不熟悉或者觉得换方法会让论文结构变乱索性将错就错。KMO 低于 0.6 就该换路线这不是可选项。t-SNE 处理非线性结构、或者退一步用因子分析配合最大方差旋转都比硬跑主成分分析合理。更稳妥的做法是在指标体系设计阶段就把这一组的题目重做一遍把语义不清、选项重叠的题剔掉KMO 往往能提上来。如果时间来不及就老实换方法在论文里写一句「该维度题目间线性相关较弱采用 t-SNE 进行非线性降维」这个表述本身就能体现方法选择的自觉性。5.3 t-SNE 的输出直接当连续变量送进 TOPSIS现象是综合评价结果里某几个样本的得分异常高或者异常低追溯回去发现它们在 t-SNE 图上恰好位于坐标轴边缘。原因是把 t-SNE 的二维坐标当成普通指标参与加权求和而这两个坐标的数值范围、分布形态和 PCA 得分完全不同量纲没有统一权重也被稀释。t-SNE 的输出只能用于可视化或者后续聚类不能直接作为连续指标。要用的话先在低维空间做 K-Means把聚类标签作为类别变量参与评价或者计算每个样本到类中心的距离作为「典型性」指标。这两种处理方式都比直接拿坐标相加要合理而且解释起来更自然——「该样本属于学习行为模式 A且典型性较高」比「该样本的第二维坐标是 3.7」有意义得多。5.4 指标方向没统一TOPSIS 排序整个反了现象是最终排名第一的人群在问卷里恰恰是最不认可人工智能的那批人或者得分最高的样本在态度维度上全选否定项。原因是负向指标没有正向化或者正向化的时候用了错误的参照值。排查方法很直接正向化之后逐列检查每个指标的取值范围和业务含义是否一致。所有指标都应该满足「数值越大代表人工智能学习影响越正面」这个约定只要有一列不满足立刻定位修正。正向化的写法有两种max - x适用于取值有界的指标1/x适用于取值全为正且没有零的指标选哪种要在论文里说明不能混着用。注意正向化之后如果某列出现全零或者负值说明原始数据里有负数或者极端值先回去查数据别急着进模型。TOPSIS 对负值不敏感但会扭曲距离计算这种问题在排序结果上表现为少数样本异常集中。5.5 权重当成重要性被追问就卡壳现象是论文里写「上网方式权重 45.9%说明上网方式对学习影响最大」答辩时被问「这个结论有什么理论依据」答不上来。熵权法算的是数据离散度不是理论重要性两者不能划等号。一个指标权重高可能只是因为它的选项分布不均样本集中在某一两个选项上反而说明这个指标的区分能力有问题。正确的表述是「该指标在样本中离散程度较高对综合评价的区分贡献较大」同时补一句局限性说明。更进一步的做法是把熵权法和主观赋权比如 AHP做组合赋权用博弈论组合或者乘法合成权重的稳健性会好很多论文的方法丰富度也上去了。时间紧的话至少要在讨论部分承认熵权法的这个特性主动把问题摆出来比被评委问出来要从容得多。6. 验收与答辩怎么证明这套评价模型真的站得住模型跑完、论文写完最后一步是把「这套东西可信」这件事讲清楚。答辩现场评委的问题通常集中在三个方向数据处理的严谨性、方法选择的依据、结论的可解释性。围绕这三点准备一份自查清单比反复通读论文有用得多。验收项自查标准对应论文位置样本量变化链原始量、剔除量、剔除规则、清洗后量四处数字一致数据预处理小节信效度指标α 系数、KMO 值、Bartlett P 值齐全判读标准写明问卷检验小节编码可复现编码表完整代码列名与编码表一一对应附录编码表降维分流依据四个一级指标的 KMO 值与采用方法一一对应降维小节开头表主成分解释每个保留的主成分有命名和载荷前三指标主成分分析小节TOPSIS 前置条件全部指标正向化、权重和为 1、样本对齐综合评价小节结论可回溯每条结论能指回具体的问卷题目和数据结论章节这张表我一般会在定稿前逐条过一遍任何一条打不上勾就说明论文里有一处经不起追问的地方。特别是第一行「样本量变化链」评委最喜欢从这里切入因为数字对不上是最容易被发现的硬伤而它往往只是因为某一段用了旧版本的清洗结果。答辩时的表达技巧有两条。第一条是把方法选择的「为什么」放在「是什么」前面讲不要一上来就说「我用了主成分分析」而是先说「这一组数据 KMO 是 0.665题目间存在中等强度的线性相关因此选择主成分分析」。评委听到判断依据追问的欲望会明显下降。第二条是主动暴露局限信度 0.67 处在可接受区间下沿、熵权法权重受样本分布影响、t-SNE 结果不具备绝对数值意义这些点自己先说出来比被问出来体面得多也更能体现你对方法的理解深度。有一次我在这类题目上吃过亏指标体系建完之后直接进模型没做指标方向核对结果 TOPSIS 排出来的高影响人群全是反对使用人工智能的那批整篇论文的结论方向都是反的直到答辩前三天才发现。从那以后我每次跑完 TOPSIS都会强制走一遍「取排名第一和倒数第一的样本逐题回看原始答案」这个动作花不了十分钟但能挡住绝大部分方向性错误。希望这套流程和这份自查清单能帮你在交稿之前把该堵的窟窿都堵上。本文还有配套的精品资源点击获取
