该选题人数，主要基于根据各个平台开赛后24小时各项数据统计，进行评估（方法见注释），最终得出2023年认证杯二阶段选题人数，大致为
| 题号 | 选题人数 |
| A | 97 |
| B | 431 |
注释：选题人数来源：源自各个平台相关题目阅读量、选题投票数量、赛题难度系数比对、作品关注量等指标建立综合评价模型，利用2023美赛公布选题人数与美赛期间各项数据进行分析建立多元回归分析模型，计算个指标权重系数。
利用权重系数，带入各个平台相关题目阅读量、选题投票数量、赛题难度系数比对、作品关注量等指标数据，进行选题人数评估。结果仅供参考，根据之前预估结果与赛后公布真实情况，精度较好。
注：蓝色字体为说明备注解释字体，不能出现在大家的论文里。黑色字体为论文部分，大家可以根据红色字体的注记进行摘抄。该文件为半成品论文，即引导大家每一步做什么，怎么做，展示按着本团队的解题思路进行建模的计算结果。
预计今晚发布的成品论文，即可以直接提交的论文，会进行展示。很多人都会拿到成品论文，直接提交一定会查重不过关。成品论文是按着半成品论文以及之前的解题思路写出的，如果不对外展示，直接提交100%获奖的文章。进行展示的目的，及为了让辅助大家写论文，也让大家知道获奖的话应该要比展示的这篇成品论文要更好一些。
组委会要求重要格式规范
题目不用自拟
无目录
第二页为赛题题目、摘要和关键词（摘要、关键词无需译成英文），注意：摘要篇幅不能超过一页。
正文从第三页开始，正文控制在25页以内，附录页数不限
注意：不符合格式规范的论文将被视为违反竞赛规则，取消评奖资格，论文中出现竞赛队员和参赛学校等信息该论文作废。
人工智能对大学生学习影响的评价
摘 要
自1956年人工智能概念提出后，相关技术快速发展。近年来随着文言一心、new bing、chatGPT等人工智能新产品问世后，对各行各业产生了不同程度的影响。2023年3月，据统计美国已经有90%的学生使用chatGPT辅助完成作业。因此，本文将基于给出的人工智能相关调查问卷以及结果，对人工智能对大学生学习影响情况进行分析。
问题一，首先对于问卷结果进行分析。基于本文的研究侧重点，对调查问卷进行修改，剔除对研究没有太多意义的问题。对数据集，进行缺失值异常值判定，剔除异常数据样本。之后，对问卷进行效度信度检验。将调查问卷问题分为调查者基本信息、调查者学习情况、调查者对人工智能态度、人工智能发展四个部分进行分析。对于问卷结果进行编码，对不同的问题下，对应的问题回答设置不同的数值变量，完成调查问卷问卷结果的数值化处理。
问题二，根据问题一调查问卷的结果，设置调查者基本信息、调查者学习情况、调查者对人工智能态度、人工智能发展四个一级指标，对应的在一级指标下根据问卷设置二级指标。初步设置后，分析一级指标下，对应所属的二级指标之间的相关性、关联性，以论述指标选取的合理性。最终，根据分析结果，构建指标评价体系。
问题三，将所构建指标体系涉及数据进行KMO检验和和Bartlett球形检验，对于通过检验的一级指标，使用主成分分析法进行降维，对于未通过主成分分析法的指标，使用t-SNE方法降维。最终，将四个一级指标降维数据汇总，构建基于优劣解距离法 TOPSIS法进行综合评价，对最终得分进行排序。对排名靠前的人群，即受人工智能影响较大的人群，进行公共特征提取，从而得出给出明确、有说服力的结论。
问题四，基于建立的综合评价模型得出的结论，以及调查问卷的结果。撰写非技术性文章，对人工智能对大学生学习影响从积极、消极以及未来发展三个方面进行描述。
关键词：数值化处理、降维、质量检验、主成分分析、t-SNE、特征提取
注：降维方法，对于未能通过检验的可以使用很多方法，t-sne仅仅是一种。如果大家不好掌握，可以使用topsis理想解法、熵权法、RSR等根据队伍对模型的掌握情况来就可以，这些模型实现代码之前的文件中都有给出
