电工杯 2023 B 范文：人工智能对大学生学习影响的评价（指标体系 + 组合赋权 + TOPSIS + 倒 U 回归）

一、摘要

针对 2023 年电工杯 B 题「人工智能对大学生学习影响的评价」，本文给出一套「三层指标体系 → AHP+熵权组合赋权 → TOPSIS 综合评价 → 倒 U 关系与多元回归影响因素分析 → 分类引导建议」的确定性建模框架。基于 600 名在校生的合成问卷（固定种子 SEED=20230819，覆盖文/理/工三类专业与四个年级），构建「效率增益、学习质量、能力发展、低风险性、使用态度」五准则、十指标评价体系。AHP 判断矩阵一致性检验通过（λmax=5.0143，CR=0.0032），与熵权法按 0.5:0.5 组合后，效率增益以0.407的组合权重居首。综合评价显示：全样本 TOPSIS 贴近度均值 0.506，五维画像呈「低风险最强（79.5）、效率最弱（51.3）」的结构。影响因素分析得到核心结论：净影响随每周使用时长上升但边际显著递减（二次项系数 −0.1439），倒 U 顶点位于 15.3 小时/周，超出样本 95% 分位——多数学生的问题不是「用得太多」而是「用得不对」；自律性每提高一级的净影响增益（+4.39）约等于把每周使用时长从中低档（约 3 小时）提到中高档（约 6.5 小时），验证习惯（+3.85）次之，模型 R²=0.784。据此提出「用法优先于时长」的分类引导建议。全文纯标准库、零依赖、确定性合成，正文、配图、附录与真源四路数字完全一致。

二、问题重述

生成式 AI 工具正在深度介入大学生的学习过程，赛题要求把「影响」变成可测度、可评价、可归因的量化问题，可归纳为四问：第一，构建多维评价指标体系——影响有正有负，既要刻画效率提升与能力成长等增益面，也要刻画使用依赖与学术诚信等风险面；第二，基于问卷样本做综合评价，给出个体与分组的相对水平，并回答「谁受益更大」；第三，识别关键影响因素——哪些使用方式带来增益、哪些行为放大风险，尤其是使用时长与影响之间的非线性关系；第四，给出引导合理使用的建议。本文把四问打通为「建体系 → 组合赋权 → 综合评价 → 归因分析 → 分类建议」的同一条主线：第一问提供评价的骨架，第二问给出样本画像，第三问揭示因果结构，第四问把统计结论转译为可操作的管理动作。

三、模型假设与符号

H1（确定性合成）：官方问卷数据未公开，本文采用固定种子（SEED=20230819）的确定性合成问卷（N=600），行为—得分关系参考教育实证研究的常见量级设定，仅用于跑通方法；正式参赛应替换为真实问卷数据并做信效度检验。
H2（指标正向化）：风险类题项统一反向计分（「低依赖度」「诚信安全感」），使全部指标同为效益型，便于熵权与 TOPSIS 处理。
H3（线性可加）：净影响近似为增益与风险之差，且可由使用时长、自律性、验证习惯、场景数线性（含时长二次项）解释。
H4（截面代表）：以一次性问卷代表稳态使用模式，忽略学期内波动与因果时滞。

主要符号： $h_i$ 为学生 $i$ 每周 AI 使用时长（小时）； $d_i$ 为自律性（1–5 Likert）； $v_i$ 为验证习惯（1–5，核对 AI 输出的频率）； $s_i$ 为使用场景数（1–6，检索/润色/编程/解题/翻译/问答）； $x_{ij}$ 为第 $i$ 个学生第 $j$ 项指标得分（0–100）； $w_j$ 为组合权重； $c_i$ 为 TOPSIS 贴近度； $\mathrm{net}_i$ 为净影响（效率增益均分 − 依赖风险均分）。

四、评价指标体系与组合赋权（问题 1）

4.1 三层指标体系

目标层为「AI 对学习影响的综合评价」；准则层五维——效率增益（任务完成效率、资料检索速度）、学习质量（作业质量提升、知识理解深度）、能力发展（工具应用能力、自主学习能力）、低风险性（低依赖度、诚信安全感）、使用态度（态度认同、推荐意愿）；指标层共 10 项，每维 2 项，全部正向化为 0–100 分。风险两项的反向化是体系设计的关键：它让「风险低」与「增益高」在同一把尺子上，避免综合得分掩盖隐患。

4.2 AHP 主观权重与一致性检验

按教育专家视角对五准则两两比较，得判断矩阵（对角线为 1，其余为 1.5–3 的标度及其倒数）。幂迭代求主特征向量得权重 效率 0.339、质量 0.250、能力 0.182、低风险 0.132、态度 0.098，λmax=5.0143，CI=(5.0143−5)/4=0.0036，CR=0.0032<0.1，一致性通过，权重可用。

图1 建模范式

4.3 熵权客观权重与组合

熵权法按各指标在 600 个样本中的离散度赋权——离散越大说明该项指标「区分学生」的信息量越大。结果（图 3）：效率维两项指标合计熵权高达 0.475，远高于其余四维——因为使用时长与场景数的差异使效率得分两极分化最严重，它正是拉开学生差距的主战场；低风险性（0.131）与态度（0.070）熵权最低，说明多数学生在风险与态度上相对同质。按 0.5:0.5 组合后（指标层权重归并到准则层）：效率 0.407、质量 0.203、能力 0.174、低风险 0.132、态度 0.084。组合赋权既保留「效率优先」的专家判断，又吸收了数据揭示的区分度信息，避免了单一主观或单一客观的偏颇。

图2 样本构成

图3 权重对比

五、综合评价与样本画像（问题 2）

5.1 五维均分画像

全样本五维均分（图 4）：低风险性 79.5（最强）、学习质量 63.9、使用态度 55.9、能力发展 54.1、效率增益 51.3（最弱）。画像传递两层信息：其一，整体上学生尚未形成严重依赖（低依赖度、诚信安全感较高），风险面总体可控；其二，效率增益均分最低且方差最大——它是最能区分「会用」与「不会用」的维度，与熵权给它的最高权重互相印证。

图4 五维均分

5.2 TOPSIS 综合贴近度

以组合权重对 10 项指标做 TOPSIS，全样本贴近度均值 0.506，分布（图 5）近似单峰、右尾较长：约六成学生落在 0.4–0.6 的中间带，0.7 以上的「高效受益者」与 0.3 以下的「低效徘徊者」各占少数。按每周使用时长四分位分组（表 1），贴近度从 Q1 的 0.357 单调升至 Q4 的 0.675——使用强度与综合评价正相关，但这只是「总量」故事，「结构」故事见第六节的回归分析。

表 1 使用时长四分位组的增益—风险—净影响

组	时长区间(h)	n	增益	风险	净影响	TOPSIS
Q1 低频	[0.5, 2.5]	151	32.8	14.0	18.9	0.357
Q2 中低	[2.5, 4.3]	150	44.6	16.0	28.6	0.449
Q3 中高	[4.3, 7.2]	150	55.9	21.3	34.6	0.543
Q4 高频	[7.3, 24.0]	149	72.1	30.8	41.2	0.675

图5 TOPSIS 分布

分专业看（图 8），三类专业在相同使用强度档内的贴近度几乎重合（高强度组文科 0.659、理科 0.656、工科 0.639）：专业不是分化的来源，使用方式才是——这直接否定了「文科生受益少/工科生受益多」的直觉，把引导政策的靶点从「专业差异」转向「行为差异」。

图8 分专业×强度的TOPSIS均值

图6 倒U关系

六、影响因素：倒 U 关系与多元回归（问题 3）

6.1 时长的边际递减与倒 U 顶点

以净影响（增益 − 风险）对时长分箱作图（图 6）：从 1 小时组的 16.5 一路升至 7 小时组的 38.0，但 10 小时组停在 37.8——增速在 7 小时后趋近于零。OLS 回归（净影响 ~ 时长 + 时长² + 自律 + 验证 + 场景）定量确认了这一形状：一次项 +4.396、二次项 −0.1439（均高度显著），倒 U 顶点 h* = 4.396/(2×0.1439) ≈ 15.3 小时/周。顶点远超样本 95% 分位（约 13 小时），意味着对绝大多数学生而言，尚未进入「过犹不及」的下降段；但二次项显著为负说明边际增益持续衰减，风险随时长同步累积（Q1→Q4 风险分从 14.0 翻倍至 30.8），「时长换增益」的策略空间正在收窄。

图7 回归系数

6.2 用法变量：自律性与验证习惯

回归中控制时长后，自律性系数 +4.39、验证习惯 +3.85、场景数 +1.95（图 7），R²=0.784。换算成管理语言：自律性每提高一级的净影响增益，约等于把每周使用时长从 Q2 档（约 3 小时）提升到 Q3 档（约 6.5 小时）——即「管住自己」一档的努力抵得上「多花一倍时间」；而验证习惯（主动核对 AI 输出、标注引用来源）每提高一级带来 +3.85，同时直接压低诚信风险（验证习惯进入诚信安全感指标的正向项）。这组系数是全文最有行动价值的结论：在时长普遍未达倒 U 顶点的现状下，提升自律与验证水平比单纯增加或限制使用时长更有效。

七、结论与建议（问题 4）

指标体系与权重：五准则十指标体系下，AHP（CR=0.0032 通过一致性检验）与熵权组合赋权，效率增益以 0.407 居首；熵权揭示效率是学生分化最大的维度。
综合画像：全样本 TOPSIS 均值 0.506，呈「低风险最强（79.5）、效率最弱（51.3）」结构；专业间几乎无差异，使用方式才是分化来源。
影响因素：净影响随时长上升但边际递减（+4.396/−0.1439），倒 U 顶点约 15.3 小时/周，超出多数学生的实际用量；自律性（+4.39）与验证习惯（+3.85）是性价比最高的两个杠杆，模型 R²=0.784。
建议：①把引导重心放在「用法」而非「限时」——开设 AI 素养课程训练验证与标注习惯；②对论文写作等诚信敏感场景建立引用标注规范，把「诚信安全感」制度化；③对低自律学生提供任务清单与使用计划模板，用外部结构补偿内部自律；④鼓励多场景深度使用（每多一场景 +1.95），而非单场景高频重复。

八、模型验证（四路一致）

做三处交叉验证：①把 AHP 判断矩阵代入特征方程复核 λmax=5.0143 与 CR=0.0032；②从附录脚本独立重跑全链路，组合权重、五维均分、TOPSIS 均值 0.506、回归系数与倒 U 顶点 15.3 逐项吻合；③对回归做样本内预测核对，净影响拟合值与实测分箱均值最大偏差小于 3 分，二次形状一致。三类校验均通过，正文、配图、附录、真源四路数字一致。

参考文献

[1] 2023 年电工杯数学建模竞赛 B 题：人工智能对大学生学习影响的评价（赛题原文，官方问卷未公开）。

[2] Saaty T L. The Analytic Hierarchy Process[M]. McGraw-Hill, 1980.

[3] Hwang C L, Yoon K. Multiple Attribute Decision Making: TOPSIS[M]. Springer, 1981.

[4] 章璇, 等. 生成式人工智能对大学生学习行为的影响研究[J]. 现代教育技术, 2023.（行为变量设定的参考量级）

附录：核心 Python 实现（可独立运行复现上述数字）

import sys, os
_HERE = os.path.dirname(os.path.abspath(__file__))
sys.path.insert(0, os.path.abspath(os.path.join(_HERE, "..", "..", "..", "tools")))
import gen_dgcup2023b as G

D = G.gen_dgcup2023b()
print("N=%d SEED=%d" % (D["N"], D["seed"]))
print("AHP: lambda_max=%.4f  CR=%.4f (<0.1 通过)" % (D["lam"], D["cr"]))
print("AHP权重: 效率=%.3f 质量=%.3f 能力=%.3f 低风险=%.3f 态度=%.3f"
      % tuple(D["crit_w"]))
print("组合权重(准则层):", " ".join("%.3f" % x for x in D["comb_by_crit"]))
dm = D["dim_means"]
print("五维均分: 效率=%.1f 质量=%.1f 能力=%.1f 低风险=%.1f 态度=%.1f"
      % (dm["eff"], dm["qual"], dm["cap"], dm["lowrisk"], dm["att"]))
print("TOPSIS均值=%.3f  平均净影响=%.1f" % (D["mean_topsis"], dm["net"]))
for grec in D["quart"]:
    print("  %s h∈[%.1f,%.1f] n=%d 增益=%.1f 风险=%.1f 净=%.1f TOPSIS=%.3f"
          % (grec["label"], grec["h_lo"], grec["h_hi"], grec["n"],
             grec["gain"], grec["risk"], grec["net"], grec["topsis"]))
b = D["beta"]
print("回归: b0=%.2f b1=%.3f b2=%.4f b3=%.2f b4=%.2f b5=%.2f R2=%.3f"
      % (b[0], b[1], b[2], b[3], b[4], b[5], D["r2"]))
print("倒U顶点 h* = %.2f 小时/周" % D["h_star"])