2021年中青杯数学建模C题在线教学的分析与研究求解全过程论文及程序
2021年中青杯数学建模
C题 在线教学的分析与研究
原题再现：
随着教育信息化的发展，在线教学与传统教学深度融合已成为必然趋势。多媒体课件的展示，或MOOC教学在高校中已经是非常常见的一种教学模式。在线教学智能教室的建设，正在不断颠覆传统的教学模式和方法。在线教学是在一定教学理论和思想指导下，应用多媒体和网络技术来完成教学的一中教学方式，该技术需要通过借助多媒体教学信息来实现教学目标。近年来，在线教学不断发展，打破了传统教学受地点和空间的约束，因此受到了很大一部分学生的喜爱。值得思考的是，在线教学虽然时间和空间相对自由，但老师却很难对学生进行管控，为了更好的提高教学质量，请结合提供的附表并设计相关问卷调查，收集另需的相关数据，完成下列各题。
问题一：请你选择一个学校，根据学校现有的教学资源，建立合适的数学模型，给出一种组合式教学方案，并预估该方案的实施效果。
问题二：由于城乡之间的教学资源相差较大，而在线教学则不受空间地域的限制，请你建立合适的数学模型，分析在线教学如何在乡村地区进行实施，并根据你研究的成果，给教育部门写一封建议信。
问题三：基于你的研究成果，分析面对市场上多样化的资源工具和平台，如何选择正确的教学模式，利用合适的教学平台，做好网络教学工作。
整体求解过程概述(摘要)
针对问题一，为了在学校现有资源条件下兼顾在线教学的时空灵活性、资源利用优势与传统教学在听课效果、满意度、情感交流和思维训练方面的优势，本文首先对附件中互联网教学与传统教学两张问卷表进行数据理解与质量审计。两类样本各58份、共116份问卷，每份包含8个1—10分评价指标。依据评分区间规则，将越界值54、两个0分以及原始空值统一标记为缺失，并采用“教学模式×指标”分组中位数插补，避免极端值对填补结果造成放大效应。随后采用描述统计、箱线图、雷达图、Mann–Whitney U检验、Cliff’s δ效应量、相关结构与PCA投影进行探索性分析。结果表明，除课堂生动性差异不显著外，其余7项指标均存在显著模式差异，且优势方向呈明显互补。鉴于简单加权和与TOPSIS均具有较强补偿性、容易使某一短板被其他高分指标掩盖，本文进一步构建“相对理想值最大—最小公平”Chebyshev妥协模型，以在线课时比例α为决策变量，使八项指标相对于各自理想值的最低达成率最大。模型得到α*=40.9%，对应59.1%的线下面授；以48课时课程为例可配置约20课时在线、28课时面授。组合方案的均衡度由纯传统的0.589提高到0.757，Bootstrap 2500次重采样得到最优在线占比95%区间约为36.6%—45.4%，说明方案具有较好的统计稳定性。
针对问题二，考虑到乡村地区在线教学的主要矛盾并非“是否使用网络”，而是网络、终端、数字资源、教师能力及学习支持等条件是否能够共同支撑在线教学，本文不重复问题一的数据清洗，而是直接继承问题一得到的客观指标权重，并通过指标映射构建乡村在线教学准备度指数RRI。将“上课成本”映射为终端与资费可负担性，将“上课灵活度”映射为网络与时空可达性，将“课堂资源利用+课堂生动性”映射为数字资源与呈现质量，将“听课效果+思维能力锻炼”映射为教师数字教学能力，将“满意度+情感交流”映射为学习支持与互动，从而得到一组完全由附件数据驱动的准备度权重。在此基础上引入资源瓶颈约束α≤κR，并取κ=0.5，以体现即使信息化条件成熟也仍保留足够线下互动的稳健原则。对基础薄弱、协同改造和成熟融合三类仿真情景求解，准备度指数分别为0.434、0.676和0.846，对应建议在线课时占比分别约21.7%、33.8%和40.9%。敏感度分析表明，数字资源与呈现质量、学习支持与互动是提高乡村在线教学可实施性的首要补短板方向。据此形成“先通网络和终端、再建资源与教师能力、最后推进深度融合”的分阶段实施路线，并给出面向教育部门的建议信。
针对问题三，基于前两问形成的“教学效果—资源约束—场景需求”逻辑链，本文建立动态加权TOPSIS平台选择模型。由于附件没有提供具体商业平台的客观性能数据，本文不对真实厂商作无依据排名，而是将市场平台抽象为直播互动型、MOOC资源型、LMS管理型和混合协同型四类功能原型，并构造可由学校实测数据替换的标准化评价矩阵。评价维度继承问题一的八项指标权重，在常规混合教学、乡村资源约束、强互动研讨和大班管理分析四类场景中通过需求乘子动态调整权重。常规情景下，四类原型的TOPSIS贴近度分别约为0.396、0.555、0.503和0.670，混合协同型居首；乡村资源约束情景中，MOOC资源型因经济性、灵活性与资源管理优势得到最高贴近度0.683；在强互动研讨和大班管理场景中，混合协同型仍保持较强综合优势。进一步进行5000次权重±20%随机扰动，混合协同型在常规情景下获得第一名的概率约99.9%，且加权和模型与TOPSIS排序一致，说明该选择结论具有良好的鲁棒性。
综上，本文没有把三个问题割裂处理，而是构建了“问卷数据质量控制—教学模式差异识别—客观赋权—组合比例优化—乡村资源准备度约束—平台动态选择”的递进式决策框架。模型一方面充分利用附件数据给出的八维评价信息，避免对同一数据重复清洗和重复建模；另一方面在缺乏乡村实测资源和商业平台实测数据的环节，明确区分“附件事实”与“仿真情景假设”，并通过敏感度与鲁棒性分析控制外推风险。结果说明，在线教学与传统教学更适合形成互补而非替代关系；在样本学校S的代表性资源条件下，约40%的在线课时具有较优的均衡性，而乡村地区应由准备度决定在线化速度，平台选择则应随教学目标与资源约束动态调整。该框架可推广至不同学校、课程和地区，只需替换问卷样本、资源准备度和候选平台性能矩阵即可重新求解。
模型假设：
A1 附件两张工作表中的每一行视为一份独立问卷记录；由于附件未提供受访者ID，本文不假设互联网教学与传统教学评分来自同一批受访者的配对观测。
A2 评分规则为1—10分，越界值和空值均视为无效观测。考虑到样本量仅58/组且异常值会影响均值，缺失项采用同一教学模式、同一指标的中位数插补。
A3 除“上课成本”外，其余指标均为效益型指标；成本评分越高表示上课成本越高，因此在综合评价中采用11-x进行正向化。
A4 问卷的8个指标用于刻画不同教学属性，不强行假定其共同测量单一潜变量，因此不以Cronbach α作为删题依据，而使用差异检验、相关结构和PCA进行结构分析。
A5 样本学校S为具备基本校园网、多媒体教室和在线平台接入能力的代表性普通本科院校。题目附件未提供具体学校名称和硬件清单，故不对现实某所学校作未经数据支持的资源陈述。
A6 组合式教学在一学期内可按课时比例近似拆分，组合方案的指标期望值可由在线与面授样本均值的凸组合近似。这是第一阶规划模型，实施后的非线性协同效应在模型评价中作为局限讨论。
A7 问题二中的乡村三类资源水平属于情景仿真输入，而非附件实测数据；它们用于展示模型求解机制，实际应用时应由当地网络、终端、师资和学习支持调查替换。
A8 问题三中的四类平台仅表示功能原型，评分矩阵是示范性决策输入，不代表对任何具体商业平台的真实测评或排名。
问题分析：
问题一的建模难点与技术路线
问题一的核心不是寻找“平均分最高”的单一教学方式，而是在互补优势之间寻找均衡。首先必须确认附件数据质量，因为评分区间明确限定为1—10，任何越界值都会破坏均值、方差和模型权重。其次，八项指标的量纲相同但偏好方向并不完全一致，其中“上课成本”越低越优，其余七项越高越优，需要进行正向化。再次，若直接使用线性加权，总体高分可以补偿个别严重短板，最终可能把最优解推到纯传统或纯在线端点，与题目所要求的“组合式教学”及教学实践中的多目标均衡不符。因此本文采用先统计识别差异、再客观赋权、最后用最大—最小公平准则确定在线比例的三级结构。
技术路线为：数据理解与字段审计→越界值与缺失值识别→分组中位数插补→描述统计与多视角可视化→Mann–Whitney U检验与Cliff’s δ效应量→PCA验证模式结构差异→熵权法与CRITIC确定客观权重→构建Chebyshev型最大—最小妥协模型→求解最优在线占比→Bootstrap与参数扰动验证。该流程保证每一步都对应明确目的：前一阶段的统计结论用于下一阶段的模型选择，而不是为了图形而图形。
问题二与问题一的递进关系
问题二不需要重新对附件进行一遍相同的数据清洗。其真正新增的建模变量是“乡村资源准备度”。因此，本文把问题一得到的八项客观权重视为学习者对不同教学属性的信息量与冲突性的综合反映，再通过逻辑映射聚合为五类乡村资源维度。这样既保留了附件数据对模型的约束，又避免在没有乡村实测数据的情况下伪造样本。在线教学课时比例由问题一的理想上限与乡村准备度共同决定，从而形成“教学需求最优值—资源可实施边界”的双重约束。
问题三与前两问的递进关系
平台选择本质上是多属性决策。问题一已经给出了各教学属性的重要性，问题二进一步说明不同场景会改变这些属性的优先级，因此问题三无需再设计一套完全独立的权重体系。本文继承问题一的组合权重作为基础权重，以场景需求乘子进行动态修正，再用TOPSIS比较平台原型与理想平台之间的距离。这样可实现“同一套评价语言、不同场景动态权重”的一致性建模。
模型的建立与求解整体论文缩略图
全部论文请见下方“ 只会建模 QQ名片” 点击QQ名片即可
程序代码：
部分程序如下:
from__future__importannotationsimportosimportsysimportjsonimportmathimportzipfileimportrefrompathlibimportPathfromxml.etreeimportElementTreeasETimportnumpyasnpfromscipyimportstatsfromsklearn.preprocessingimportStandardScalerfromsklearn.decompositionimportPCA# ---------- 可选可视化引擎：优先 Pyecharts ----------HAS_PYECHARTS=Falsetry:frompyechartsimportoptionsasoptsfrompyecharts.chartsimportBar,Radar,Line,HeatMap,Scatterfrompyecharts.globalsimportThemeType HAS_PYECHARTS=TrueexceptException:HAS_PYECHARTS=Falseimportmatplotlib.pyplotaspltfrommatplotlibimportfont_manager# 尽量自动加载常见中文字体，保证图中标签清晰显示。_cjk_candidates=["/usr/share/fonts/opentype/noto/NotoSansCJK-Regular.ttc","C:/Windows/Fonts/msyh.ttc","C:/Windows/Fonts/simhei.ttf","/System/Library/Fonts/PingFang.ttc",]_cjk_name=Nonefor_fpin_cjk_candidates:ifos.path.exists(_fp):try:font_manager.fontManager.addfont(_fp)_cjk_name=font_manager.FontProperties(fname=_fp).get_name()breakexceptException:passplt.rcParams["font.sans-serif"]=([_cjk_name]if_cjk_nameelse[])+["Noto Sans CJK SC","SimHei","Microsoft YaHei","Arial Unicode MS","DejaVu Sans"]plt.rcParams["axes.unicode_minus"]=FalseSHEET_ONLINE="互联网教学"SHEET_TRADITIONAL="传统教学"RANDOM_SEED=20260814# =========================================================# 1. 轻量级 XLSX 解析器（不依赖 pandas / openpyxl）# =========================================================def_col_to_int(cell_ref:str)->int:m=re.match(r"([A-Z]+)",cell_ref.upper())ifnotm:return0letters=m.group(1)n=0forchinletters:n=n*26+(ord(ch)-ord('A')+1)returnn-1defread_xlsx_sheet(path:str|Path,sheet_name:str):"""读取 xlsx 指定工作表，返回二维列表。支持 sharedStrings、inlineStr 和数值单元格。"""path=str(path)ns_main="http://schemas.openxmlformats.org/spreadsheetml/2006/main"ns_rel="http://schemas.openxmlformats.org/officeDocument/2006/relationships"ns_pkg="http://schemas.openxmlformats.org/package/2006/relationships"withzipfile.ZipFile(path,"r")aszf:# shared stringsshared=[]if"xl/sharedStrings.xml"inzf.namelist():root=ET.fromstring(zf.read("xl/sharedStrings.xml"))forsiinroot.findall(f"{{{ns_main}}}si"):texts=[]fortinsi.iter(f"{{{ns_main}}}t"):texts.append(t.textor"")shared.append("".join(texts))# workbook sheet id -> rIdwbroot=ET.fromstring(zf.read("xl/workbook.xml"))rid=Noneforshinwbroot.find(f"{{{ns_main}}}sheets"):ifsh.attrib.get("name")==sheet_name:rid=sh.attrib.get(f"{{{ns_rel}}}id")breakifridisNone:raiseKeyError(f"找不到工作表：{sheet_name}")# rId -> sheet xml targetrelroot=ET.fromstring(zf.read("xl/_rels/workbook.xml.rels"))target=Noneforrelinrelroot:ifrel.attrib.get("Id")==rid:target=rel.attrib.get("Target")breakiftargetisNone:raiseKeyError(f"找不到工作表关系：{sheet_name}")target=target.lstrip("/")ifnottarget.startswith("xl/"):target="xl/"+target sheetroot=ET.fromstring(zf.read(target))sheetData=sheetroot.find(f"{{{ns_main}}}sheetData")rows=[]max_col=0temp_rows=[]forrowinsheetData.findall(f"{{{ns_main}}}row"):vals={}forcinrow.findall(f"{{{ns_main}}}c"):ref=c.attrib.get("r","A1")col=_col_to_int(ref)max_col=max(max_col,col)ctype=c.attrib.get("t")val=Noneifctype=="inlineStr":is_node=c.find(f"{{{ns_main}}}is")ifis_nodeisnotNone:texts=[t.textor""fortinis_node.iter(f"{{{ns_main}}}t")]val="".join(texts)else:v=c.find(f"{{{ns_main}}}v")ifvisnotNoneandv.textisnotNone:raw=v.textifctype=="s":val=shared[int(raw)]elifctype=="b":val=bool(int(raw))else:try:f=float(raw)val=int(f)iff.is_integer()elsefexceptException:val=raw vals[col]=val temp_rows.append(vals)forvalsintemp_rows:rows.append([vals.get(j)forjinrange(max_col+1)])returnrows# =========================================================# 2. 数据预处理与统计分析# =========================================================defto_numeric_array(rows):arr=[]forrowinrows:arr.append([np.nanifvisNoneorv==""elsefloat(v)forvinrow])returnnp.array(arr,dtype=float)defclean_scale(arr:np.ndarray,low=1.0,high=10.0):a=arr.copy()invalid=(a<low)|(a>high)a[invalid]=np.nanreturna,invaliddefmedian_impute(arr:np.ndarray):a=arr.copy()med=np.nanmedian(a,axis=0)rr,cc=np.where(np.isnan(a))a[rr,cc]=med[cc]returna,meddefcliffs_delta(x:np.ndarray,y:np.ndarray):gt=0lt=0forainx:gt+=int(np.sum(a>y))lt+=int(np.sum(a<y))return(gt-lt)/(len(x)*len(y))defbenefit_transform(A:np.ndarray):B=A.copy()B[:,4]=11-B[:,4]# 上课成本：越低越优returnBdefobjective_weights(online:np.ndarray,traditional:np.ndarray):X=benefit_transform(np.vstack([online,traditional]))mn,mx=X.min(axis=0),X.max(axis=0)Z=(X-mn)/(mx-mn+1e-12)eps=1e-12P=(Z+eps)/(Z.sum(axis=0,keepdims=True)+eps*len(Z))k=1.0/np.log(len(Z))entropy=-k*np.sum(P*np.log(P),axis=0)d=1-entropy w_entropy=d/d.sum()std=Z.std(axis=0,ddof=1)corr=np.corrcoef(Z,rowvar=False)conflict=np.sum(1-corr,axis=1)c=std*conflict w_critic=c/c.sum()w=0.5*w_entropy+0.5*w_critic w=w/w.sum()returnw_entropy,w_critic,w