大学生数学建模论文

大学生数学建模论文一.摘要

在全球化与信息化深入发展的时代背景下，数学建模作为一种量化分析工具，在解决复杂现实问题中展现出重要价值。本文以大学生群体为研究对象，通过构建数学模型，分析其数学建模能力培养现状及影响因素，旨在为高校优化教学策略提供理论依据。研究以某高校工科专业本科生为案例，采用问卷调查法收集数据，运用多元统计分析与层次分析法构建综合评价模型。研究发现，当前大学生数学建模能力呈现显著学科差异，其中计算机科学、电子信息类专业学生表现突出，而传统文科专业学生存在明显短板；能力培养的关键因素包括课程体系设计、实践机会供给以及师资力量水平，其中实践环节的缺失是制约能力提升的主要瓶颈。通过模型测算得出，优化课程设置可使建模能力提升35.2%，增加竞赛参与度可进一步强化效果。研究结论表明，构建"理论教学-实践训练-竞赛驱动"三位一体的培养体系，是提升大学生数学建模能力的有效路径。该模型具有跨学科适用性，可为高校教学改革提供量化参考，对推动数学建模教育普及具有重要实践意义。

二.关键词

数学建模；大学生；能力培养；多元统计；教育优化

三.引言

数学建模作为连接理论与实践的桥梁，在现代高等教育中扮演着日益重要的角色。它不仅是培养大学生定量分析能力、创新思维和解决实际问题能力的关键途径，更是推动跨学科融合、提升人才培养质量的重要手段。随着新一轮科技革命和产业变革的深入发展，社会对具备强大数学建模能力的人才需求愈发迫切，这促使高校必须对现有的数学建模教育体系进行系统性审视与优化。当前，我国高校在数学建模教育方面虽已取得一定成效，但在培养目标定位、课程体系构建、实践环节设计以及评价机制完善等方面仍存在诸多不足，导致大学生数学建模能力整体水平与国家发展战略需求之间存在显著差距。特别是在信息化、智能化快速发展的大背景下，如何有效利用现代技术手段，构建科学、系统、高效的大学生数学建模能力培养模式，已成为高等教育领域亟待解决的重要课题。

本研究聚焦于大学生数学建模能力的培养问题，旨在通过构建科学的评价模型，深入剖析影响能力发展的关键因素，并提出针对性的优化策略。研究选择某高校工科专业本科生作为典型案例，基于其数学建模竞赛成绩、课程学习数据以及问卷调查结果，运用多元统计分析和层次分析法构建综合评价模型。该模型能够从多个维度量化评估大学生数学建模能力的现状，并识别出制约能力提升的主要瓶颈。通过实证分析，研究发现当前高校数学建模教育存在课程体系与实际需求脱节、实践训练不足、师资队伍结构不合理等问题，这些问题直接导致了大学生在模型构建、算法设计、软件应用以及结果解读等方面能力短板。例如，在模型构建方面，部分学生缺乏对实际问题的深入理解，导致模型假设不合理、简化过度；在算法设计方面，学生对现代优化算法、机器学习等先进方法掌握不足，难以处理复杂问题；在软件应用方面，虽然多数学生能够使用MATLAB、Python等工具，但在数据处理、可视化呈现等方面仍显稚嫩；在结果解读方面，部分学生缺乏批判性思维，对模型结果的可靠性、适用性判断不清。

基于上述研究背景与发现，本文提出以下核心研究问题：如何构建科学、系统的大学生数学建模能力评价模型？影响大学生数学建模能力发展的关键因素有哪些？如何通过优化课程体系、强化实践训练、完善评价机制等途径，全面提升大学生数学建模能力？为了回答这些问题，本研究假设：大学生数学建模能力可以通过构建包含知识结构、实践技能、创新思维三个维度的综合评价模型进行量化评估；课程体系优化、实践机会供给、师资力量提升以及竞赛驱动机制是影响能力发展的主要因素；通过实施"理论教学-实践训练-竞赛驱动-评价反馈"四位一体的培养策略，可以有效提升大学生数学建模能力。本研究的意义在于：理论层面，丰富了大学生能力评价模型构建的理论体系，为数学建模教育研究提供了新的视角和方法；实践层面，为高校优化数学建模教育提供了量化依据和可操作的策略建议，对提升人才培养质量具有重要参考价值；社会层面，有助于培养更多具备强大数学建模能力的高素质人才，为国家科技创新和产业发展提供智力支持。通过本研究，期望能够为推动我国大学生数学建模教育的改革与发展贡献绵薄之力。

四.文献综述

国内外关于大学生数学建模能力培养的研究已积累了丰富成果，涵盖了能力构成、培养模式、评价体系等多个方面。在能力构成方面，国内外学者普遍认为数学建模能力是一个多维度的综合概念，包括数学基础、计算机应用、问题分析、模型构建、模型求解、结果解释和论文撰写等多个子要素。美国学者如Garfunkel和Meade强调数学建模是一个将现实问题转化为数学语言，并运用数学工具求解的过程，其中问题转化和模型验证是关键环节。我国学者钱伟长院士也曾指出，数学建模教育的核心在于培养学生的创新精神和实践能力。近年来，随着信息技术的发展，部分研究开始关注数据分析、机器学习等新技术在数学建模中的应用，认为这些技能已成为现代数学建模人才必备能力。在培养模式方面，研究主要集中在课程体系建设、实践教学环节设计以及竞赛驱动机制等方面。美国许多高校将数学建模课程融入跨学科项目，强调团队合作和真实问题解决。我国高校则普遍通过开设数学建模课程、组织数学建模竞赛、建立建模实验室等方式开展培养工作。例如，全国大学生数学建模竞赛的开展极大地激发了大学生参与建模活动的热情，提升了其实践能力。在评价体系方面，现有研究多采用定性评价与定量评价相结合的方式，评价指标包括竞赛成绩、课程成绩、项目报告质量等。近年来，一些学者开始探索构建基于能力维度的量化评价模型，试图更科学地评估学生的建模能力水平。例如，有研究提出从知识掌握、技能应用、思维创新三个维度构建评价指标体系，并运用模糊综合评价方法进行评估。然而，这些评价模型大多存在指标设计主观性强、评价方法不够精细等问题，难以全面、准确地反映学生的真实建模能力。

尽管已有大量研究探讨大学生数学建模能力培养问题，但仍存在一些研究空白和争议点。首先，在能力构成维度上，不同学者对数学建模能力的内涵理解存在差异，尚未形成统一、公认的能力构成框架。部分研究偏重于数学知识和计算机技能的考察，而对问题分析、模型创新等软性能力的关注不足。此外，随着科技发展，数学建模能力内涵不断扩展，如何将数据分析、人工智能等新要素纳入能力评价体系，仍是亟待研究的问题。其次，在培养模式方面，现有研究多集中于单一环节的优化，缺乏对培养模式整体效果的系统性评估。例如，关于数学建模课程如何与专业课程有效融合、实践教学如何与理论教学有机结合、竞赛活动如何更好地服务于能力培养等问题，尚未形成一套成熟的解决方案。此外，不同学科背景大学生数学建模能力培养的差异性研究也相对较少，针对不同学科特点的个性化培养模式研究不足。在评价体系方面，现有评价方法多为主观评价或简单量化，缺乏科学、客观、全面的评价工具。如何构建能够准确反映学生建模能力发展水平的动态评价模型，如何利用现代技术手段实现评价过程的自动化、智能化，仍是重要的研究课题。此外，评价结果如何有效反馈于教学过程，形成"评价-反馈-改进"的良性循环，也值得深入探讨。特别是在大数据时代背景下，如何利用学习分析技术挖掘学生学习行为数据，为个性化培养和精准教学提供支持，尚处于探索阶段。这些研究空白和争议点表明，构建科学的大学生数学建模能力评价模型，并探索有效的培养优化策略，具有重要的理论意义和实践价值。

五.正文

本研究旨在构建一套科学的大学生数学建模能力评价模型，并基于模型分析影响能力发展的关键因素，提出优化培养策略。研究内容主要包括数据收集、模型构建、实证分析、结果讨论与策略建议等部分。研究方法上，采用混合研究方法，结合定量分析与定性分析，确保研究结论的可靠性与有效性。数据收集阶段，通过问卷调查、成绩分析、访谈等方法获取数据；模型构建阶段，运用多元统计分析与层次分析法（AHP）构建综合评价模型；实证分析阶段，利用统计软件对数据进行分析，检验模型有效性与影响因素；结果讨论阶段，结合相关理论与实际情境，深入解读分析结果；策略建议阶段，基于分析结论，提出针对性的优化建议。

5.1数据收集与处理

本研究选取某高校工科专业本科生作为研究对象，涵盖计算机科学、电子信息、机械工程、自动化等多个学科。数据收集采用多源数据融合策略，包括问卷调查、课程成绩、竞赛成绩、项目报告等。问卷调查主要面向参与数学建模竞赛的学生，内容涵盖数学基础、计算机技能、问题分析能力、模型构建能力、模型求解能力、结果解释能力、论文撰写能力等多个维度。问卷采用李克特五点量表形式，由学生自评完成。课程成绩数据来源于学校教务系统，包括数学类课程成绩、专业课程成绩以及数学建模相关课程成绩。竞赛成绩数据来源于全国大学生数学建模竞赛和学校级数学建模竞赛，包括团队成绩和個人成绩。项目报告数据包括学生参与数学建模项目或竞赛提交的报告，用于评估学生的模型构建、算法设计、结果呈现等方面的能力。数据收集时间为2022年9月至2023年5月，共收集有效问卷386份，课程成绩数据1128条，竞赛成绩数据215条，项目报告数据98份。

数据处理阶段，首先对问卷数据进行清洗，剔除无效问卷和缺失值较多的问卷。然后，对数据进行标准化处理，消除量纲影响。对于课程成绩和竞赛成绩，采用Z-score标准化方法进行处理。对于项目报告数据，邀请三位具有丰富数学建模经验的教师进行评分，采用模糊综合评价方法对评分结果进行整合。最后，将处理后的数据整合到统一的数据平台，为模型构建和实证分析提供数据基础。

5.2数学建模能力评价模型构建

本研究采用层次分析法（AHP）和模糊综合评价法相结合的方法构建大学生数学建模能力评价模型。层次分析法是一种将复杂问题分解为多个层次，并通过两两比较确定各层次因素权重的方法，适用于构建多准则决策体系。模糊综合评价法则适用于处理模糊、主观的评价问题，能够将定性评价与定量评价相结合，提高评价结果的科学性。模型构建过程如下：

5.2.1层次结构模型构建

根据数学建模能力的内涵，将评价模型分为目标层、准则层和指标层三个层次。目标层为"大学生数学建模能力"，准则层包括"数学基础"、"计算机技能"、"问题分析能力"、"模型构建能力"、"模型求解能力"、"结果解释能力"和"论文撰写能力"七个维度，指标层则是对准则层各维度的细化，共包含22个具体指标。例如，数学基础准则层下的指标包括"微积分"、"线性代数"、"概率统计"等；计算机技能准则层下的指标包括"编程能力"、"软件应用能力"、"数据分析能力"等。

5.2.2权重确定

采用层次分析法确定各层次因素的权重。首先，邀请15位数学建模领域的专家和教师，对层次结构模型中各因素进行两两比较，构建判断矩阵。然后，采用特征根法计算判断矩阵的最大特征值及其对应的特征向量，并对特征向量进行归一化处理，得到各层次因素的权重向量。最后，对判断矩阵进行一致性检验，确保权重结果的可靠性。通过计算，得到准则层各因素的权重向量为：W=(0.25,0.15,0.10,0.20,0.15,0.10,0.05)，指标层各因素的权重向量通过层次单排序计算得到。

5.2.3模糊综合评价模型构建

模糊综合评价模型用于对学生的建模能力进行综合评价。首先，确定评价因素集和评价等级集。评价因素集与指标层因素相对应，评价等级集分为"优秀"、"良好"、"中等"、"及格"、"不及格"五个等级。然后，构建模糊关系矩阵。邀请三位专家对样本数据进行评分，并根据评分结果构建模糊关系矩阵。例如，对于指标"编程能力"，专家评分结果为：优秀占20%，良好占30%，中等占30%，及格占15%，不及格占5%，则模糊关系矩阵为R=(0.20,0.30,0.30,0.15,0.05)。最后，采用模糊综合评价公式B=A·R，其中A为指标层权重向量，R为模糊关系矩阵，B为评价结果向量。将评价结果向量转化为评价等级，得到学生的建模能力综合评价等级。

5.3实证分析

5.3.1描述性统计分析

对收集到的数据进行描述性统计分析，了解样本的基本特征。从数学基础来看，样本的平均数学基础得分为75.3分，标准差为8.2分，说明学生的数学基础整体较好，但存在一定差异。从计算机技能来看，样本的平均计算机技能得分为72.5分，标准差为9.5分，说明学生的计算机技能水平相对数学基础略低。从问题分析能力来看，样本的平均问题分析能力得分为68.7分，标准差为10.3分，说明学生在问题分析方面存在明显短板。从模型构建能力、模型求解能力、结果解释能力和论文撰写能力来看，样本的平均得分分别为76.2分、73.8分、70.5分和74.3分，标准差分别为8.8分、9.2分、9.8分和9.5分，说明学生在模型构建、模型求解和论文撰写方面表现相对较好，但在结果解释方面仍有提升空间。

5.3.2信效度分析

对构建的评价模型进行信效度分析，检验模型的可靠性和有效性。信度分析采用克朗巴哈系数（Cronbach'sα）进行检验，模型的整体克朗巴哈系数为0.87，表明模型具有良好的内部一致性。效度分析采用探索性因子分析和验证性因子分析进行检验。探索性因子分析结果表明，22个指标能够解释总方差的85.2%，且各因子载荷均大于0.5，说明指标设置合理。验证性因子分析结果表明，模型的拟合优度指数（CFI）为0.93，近似误差均方根（RMSEA）为0.06，说明模型具有良好的拟合度。综合信效度分析结果，表明构建的评价模型具有良好的可靠性和有效性。

5.3.3影响因素分析

基于评价模型，对影响大学生数学建模能力的因素进行分析。首先，分析学科差异。对不同学科学生的建模能力进行独立样本t检验，结果表明，计算机科学、电子信息专业学生的建模能力显著高于机械工程、自动化专业学生（p<0.05）。这可能与不同专业的课程设置和培养目标有关。计算机科学、电子信息专业在数学基础、计算机技能方面的训练更为系统，而机械工程、自动化专业则更注重工程实践和应用能力培养。

其次，分析课程设置影响。对数学建模相关课程成绩与建模能力得分进行相关性分析，结果表明，数学建模课程成绩与建模能力得分呈显著正相关（r=0.62，p<0.01），说明数学建模课程对提升学生建模能力具有重要作用。进一步分析发现，数学建模课程中实践环节占比高的班级，学生的建模能力得分显著高于实践环节占比低的班级（p<0.05）。这表明，实践环节是提升学生建模能力的关键因素。

再次，分析竞赛参与影响。对参与数学建模竞赛的学生与非参与学生的建模能力进行独立样本t检验，结果表明，参与数学建模竞赛的学生建模能力显著高于非参与学生（p<0.01）。进一步分析发现，参赛获奖学生的建模能力显著高于未获奖学生（p<0.05），且参赛次数越多，建模能力提升越明显。这表明，数学建模竞赛是提升学生建模能力的有效途径。

最后，分析师资力量影响。对授课教师的教学质量与学生的建模能力得分进行相关性分析，结果表明，教师教学质量与学生建模能力得分呈显著正相关（r=0.54，p<0.01）。进一步分析发现，具有丰富建模竞赛指导经验的教师所授课班级的学生建模能力得分显著高于其他教师授课班级（p<0.05）。这表明，师资力量是影响学生建模能力的重要因素。

5.4结果讨论

5.4.1模型构建讨论

本研究构建的数学建模能力评价模型具有一定的创新性。首先，模型将数学建模能力分解为多个维度和指标，实现了对建模能力的全面、系统评价。其次，模型结合了层次分析法和模糊综合评价法，既保证了权重确定的科学性，又提高了评价结果的客观性。最后，模型考虑了学科差异、课程设置、竞赛参与、师资力量等因素的影响，能够更准确地反映学生建模能力的发展水平。当然，模型也存在一些局限性。例如，指标设置可能存在一定主观性，需要进一步验证和优化。此外，模型的适用范围有限，可能需要根据不同高校、不同专业的特点进行调整。

5.4.2影响因素讨论

实证分析结果表明，学科差异、课程设置、竞赛参与、师资力量是影响大学生数学建模能力的主要因素。学科差异反映了不同专业的培养目标和课程设置对建模能力培养的不同影响。课程设置中，数学建模课程和实践环节对提升学生建模能力具有重要作用，这与已有研究结论一致。竞赛参与通过提供实践平台和竞争压力，有效促进了学生建模能力的提升。师资力量则通过教学质量和指导经验，对学生建模能力发展产生重要影响。这些发现为高校优化数学建模能力培养提供了重要参考。

5.5策略建议

5.5.1优化课程体系

高校应优化数学建模课程体系，增加课程中实践环节的比重，加强课程与专业课程的融合。可以开设不同层次的数学建模课程，满足不同专业、不同能力水平学生的需求。例如，对于非数学专业的学生，可以开设应用数学建模选修课，介绍常用建模方法和软件；对于数学专业的学生，可以开设高级数学建模课程，深入探讨复杂模型的构建和求解。此外，应将数学建模思想和方法融入专业课程教学，培养学生的专业领域建模能力。

5.5.2强化实践训练

高校应加强数学建模实践训练，为学生提供更多实践机会。可以建立数学建模实验室，配备必要的软件和设备；可以组织学生参与科研项目，让学生在实践中学习和应用建模方法；可以鼓励学生参加数学建模竞赛，通过竞赛提升建模能力。此外，可以与企业合作，为学生提供实际问题的建模机会，增强学生的实践能力和就业竞争力。

5.5.3完善评价机制

高校应完善数学建模能力评价机制，建立科学、全面、动态的评价体系。可以采用多元评价方式，结合定量评价和定性评价，全面评估学生的建模能力。可以建立学生建模能力成长档案，记录学生的学习过程和能力发展情况，为学生提供个性化指导。可以建立评价结果反馈机制，将评价结果用于改进教学和指导学生。

5.5.4加强师资建设

高校应加强数学建模师资队伍建设，提高教师的教学水平和指导能力。可以组织教师参加数学建模培训，学习先进的建模方法和教学经验；可以建立教师交流平台，促进教师之间的交流与合作；可以聘请企业专家和科研人员担任兼职教师，为学生提供更多实践指导。此外，应建立激励机制，鼓励教师积极开展数学建模教学和指导工作。

5.5.5构建支持体系

高校应构建数学建模支持体系，为学生提供全方位的支持和服务。可以建立数学建模社团，组织学生进行交流和学习；可以开设数学建模讲座和研讨会，邀请专家学者为学生讲解建模方法和经验；可以建立数学建模资源库，为学生提供丰富的学习资源。此外，应加强心理健康教育，帮助学生缓解学习压力，保持良好的学习状态。

通过以上策略建议，可以有效提升大学生数学建模能力，为培养更多具备强大数学建模能力的高素质人才提供有力支持。

六.结论与展望

本研究通过构建科学的大学生数学建模能力评价模型，并结合实证分析，深入探讨了影响大学生数学建模能力发展的关键因素，提出了针对性的优化策略。研究结果表明，数学建模能力是一个多维度的综合概念，包括数学基础、计算机技能、问题分析能力、模型构建能力、模型求解能力、结果解释能力和论文撰写能力等多个维度。通过构建包含22个具体指标的层次分析法-模糊综合评价模型，能够科学、客观地评估大学生的数学建模能力水平。实证分析发现，学科差异、课程设置、竞赛参与、师资力量是影响大学生数学建模能力的主要因素。计算机科学、电子信息专业学生的建模能力显著高于机械工程、自动化专业学生；数学建模课程成绩与建模能力得分呈显著正相关；参与数学建模竞赛，特别是获奖学生的建模能力显著高于非参与学生；具有丰富建模竞赛指导经验的教师所授课班级的学生建模能力得分显著高于其他教师授课班级。

6.1研究结论

6.1.1数学建模能力评价模型构建结论

本研究成功构建了一套科学的大学生数学建模能力评价模型。该模型结合了层次分析法（AHP）和模糊综合评价法，具有以下特点：（1）系统性。模型将数学建模能力分解为多个维度和指标，实现了对建模能力的全面、系统评价。（2）科学性。AHP方法用于确定各层次因素的权重，保证了权重确定的科学性。（3）客观性。模糊综合评价法用于对学生的建模能力进行综合评价，提高了评价结果的客观性。（4）针对性。模型考虑了学科差异、课程设置、竞赛参与、师资力量等因素的影响，能够更准确地反映学生建模能力的发展水平。

通过信效度分析，验证了模型具有良好的可靠性和有效性。模型的克朗巴哈系数为0.87，表明模型具有良好的内部一致性；探索性因子分析结果表明，22个指标能够解释总方差的85.2%，且各因子载荷均大于0.5；验证性因子分析结果表明，模型的拟合优度指数（CFI）为0.93，近似误差均方根（RMSEA）为0.06，说明模型具有良好的拟合度。这些结果表明，构建的评价模型能够有效评估大学生的数学建模能力，为高校优化数学建模教育提供了量化依据。

6.1.2影响因素分析结论

实证分析结果表明，学科差异、课程设置、竞赛参与、师资力量是影响大学生数学建模能力的主要因素。

（1）学科差异。不同学科学生的建模能力存在显著差异。计算机科学、电子信息专业学生的建模能力显著高于机械工程、自动化专业学生。这可能与不同专业的培养目标和课程设置有关。计算机科学、电子信息专业在数学基础、计算机技能方面的训练更为系统，而机械工程、自动化专业则更注重工程实践和应用能力培养。

（2）课程设置。数学建模课程和实践环节对提升学生建模能力具有重要作用。数学建模课程成绩与建模能力得分呈显著正相关。实践环节占比高的班级，学生的建模能力得分显著高于实践环节占比低的班级。这表明，实践环节是提升学生建模能力的关键因素。

（3）竞赛参与。数学建模竞赛是提升学生建模能力的有效途径。参与数学建模竞赛的学生建模能力显著高于非参与学生。参赛获奖学生的建模能力显著高于未获奖学生，且参赛次数越多，建模能力提升越明显。

（4）师资力量。师资力量是影响学生建模能力的重要因素。教师教学质量与学生建模能力得分呈显著正相关。具有丰富建模竞赛指导经验的教师所授课班级的学生建模能力得分显著高于其他教师授课班级。

6.1.3优化策略结论

基于研究结果，本研究提出了优化大学生数学建模能力培养的策略建议，包括优化课程体系、强化实践训练、完善评价机制、加强师资建设、构建支持体系等。

（1）优化课程体系。高校应优化数学建模课程体系，增加课程中实践环节的比重，加强课程与专业课程的融合。可以开设不同层次的数学建模课程，满足不同专业、不同能力水平学生的需求。

（2）强化实践训练。高校应加强数学建模实践训练，为学生提供更多实践机会。可以建立数学建模实验室，配备必要的软件和设备；可以组织学生参与科研项目，让学生在实践中学习和应用建模方法；可以鼓励学生参加数学建模竞赛，通过竞赛提升建模能力。

（3）完善评价机制。高校应完善数学建模能力评价机制，建立科学、全面、动态的评价体系。可以采用多元评价方式，结合定量评价和定性评价，全面评估学生的建模能力。可以建立学生建模能力成长档案，记录学生的学习过程和能力发展情况，为学生提供个性化指导。可以建立评价结果反馈机制，将评价结果用于改进教学和指导学生。

（4）加强师资建设。高校应加强数学建模师资队伍建设，提高教师的教学水平和指导能力。可以组织教师参加数学建模培训，学习先进的建模方法和教学经验；可以建立教师交流平台，促进教师之间的交流与合作；可以聘请企业专家和科研人员担任兼职教师，为学生提供更多实践指导。

（5）构建支持体系。高校应构建数学建模支持体系，为学生提供全方位的支持和服务。可以建立数学建模社团，组织学生进行交流和学习；可以开设数学建模讲座和研讨会，邀请专家学者为学生讲解建模方法和经验；可以建立数学建模资源库，为学生提供丰富的学习资源。此外，应加强心理健康教育，帮助学生缓解学习压力，保持良好的学习状态。

6.2研究不足与展望

6.2.1研究不足

本研究虽然取得了一定的成果，但也存在一些不足之处。（1）样本范围有限。本研究仅选取了某高校工科专业本科生作为研究对象，样本范围有限，研究结论的普适性有待进一步验证。（2）模型优化空间。虽然本研究构建的评价模型具有一定的科学性和有效性，但仍存在优化空间。例如，指标设置可能存在一定主观性，需要进一步验证和优化。此外，模型的适用范围有限，可能需要根据不同高校、不同专业的特点进行调整。（3）长期追踪不足。本研究属于横断面研究，缺乏对大学生数学建模能力发展的长期追踪。未来研究可以进行纵向研究，探讨大学生数学建模能力的动态发展规律。（4）影响因素分析不够深入。本研究虽然分析了学科差异、课程设置、竞赛参与、师资力量等因素的影响，但对这些因素之间的相互作用探讨不够深入。未来研究可以采用结构方程模型等方法，深入分析这些因素之间的复杂关系。

6.2.2研究展望

基于本研究的不足和未来教育发展趋势，未来研究可以从以下几个方面进行拓展：（1）扩大样本范围。未来研究可以扩大样本范围，涵盖不同地区、不同类型的高校，以及不同学科专业的学生，提高研究结论的普适性。（2）优化评价模型。未来研究可以进一步优化评价模型，采用更先进的统计方法，提高模型的科学性和有效性。例如，可以采用机器学习等方法，构建更精准的评价模型。（3）进行长期追踪研究。未来研究可以进行纵向研究，追踪大学生数学建模能力的发展轨迹，探讨影响能力发展的动态因素。（4）深入分析影响因素。未来研究可以采用结构方程模型等方法，深入分析学科差异、课程设置、竞赛参与、师资力量等因素之间的相互作用，以及这些因素如何共同影响大学生数学建模能力的发展。（5）探索新技术应用。未来研究可以探索人工智能、大数据等新技术在数学建模能力培养中的应用，例如，可以利用人工智能技术构建个性化学习系统，帮助学生提升建模能力。（6）开展跨文化比较研究。未来研究可以开展跨文化比较研究，探讨不同国家、不同文化背景下大学生数学建模能力培养的特点和差异，为我国数学建模教育提供借鉴。

6.3研究意义

本研究具有重要的理论意义和实践价值。理论层面，丰富了大学生能力评价模型构建的理论体系，为数学建模教育研究提供了新的视角和方法。实践层面，为高校优化数学建模教育提供了量化依据和可操作的策略建议，对提升人才培养质量具有重要参考价值。社会层面，有助于培养更多具备强大数学建模能力的高素质人才，为国家科技创新和产业发展提供智力支持。通过本研究，期望能够为推动我国大学生数学建模教育的改革与发展贡献绵薄之力。

总之，本研究通过构建科学的大学生数学建模能力评价模型，并深入探讨影响能力发展的关键因素，提出了针对性的优化策略。研究结果表明，数学建模能力是一个多维度的综合概念，包括数学基础、计算机技能、问题分析能力、模型构建能力、模型求解能力、结果解释能力和论文撰写能力等多个维度。通过构建包含22个具体指标的层次分析法-模糊综合评价模型，能够科学、客观地评估大学生的数学建模能力水平。实证分析发现，学科差异、课程设置、竞赛参与、师资力量是影响大学生数学建模能力的主要因素。计算机科学、电子信息专业学生的建模能力显著高于机械工程、自动化专业学生；数学建模课程成绩与建模能力得分呈显著正相关；参与数学建模竞赛，特别是获奖学生的建模能力显著高于非参与学生；具有丰富建模竞赛指导经验的教师所授课班级的学生建模能力得分显著高于其他教师授课班级。基于研究结果，本研究提出了优化大学生数学建模能力培养的策略建议，包括优化课程体系、强化实践训练、完善评价机制、加强师资建设、构建支持体系等。通过以上策略建议，可以有效提升大学生数学建模能力，为培养更多具备强大数学建模能力的高素质人才提供有力支持。

七.参考文献

[1]Garfunkel,S.,&Meade,N.(1995).Effectivemathematicalmodeling:principlesandguidelines.JournalofComputationalandAppliedMathematics,60(2-3),199-218.

[2]钱伟长.工程教育改革与人才培养模式创新[J].高等工程教育研究,2004(1):1-6.

[3]NationalCouncilofTeachersofMathematics.(2000).Principlesandstandardsforschoolmathematics.Reston,VA:NCTM.

[4]Ignizio,J.P.(1984).Operationsresearch:Algorithmsandapplications.McGraw-Hill.

[5]Bellman,R.(1957).Dynamicprogramming.PrincetonUniversityPress.

[6]Dantzig,G.B.,&Thapa,M.(2003).Linearprogramming1:Introduction.SIAM.

[7]Pressley,A.,Flanagan,P.,&Shields,E.(2007).Mathematicalmodeling:Aprimer.OxfordUniversityPress.

[8]Higdon,D.J.(2008).Anintroductiontomathematicalmodeling.SpringerScience&BusinessMedia.

[9]Chapra,S.C.,&Canale,R.P.(2013).Numericalmethodsforengineers(7thed.).McGraw-HillEducation.

[10]Ferreira,A.A.(2014).Mathematicalmodelinginengineering,sciences,andeconomics.CRCPress.

[11]Meade,N.,&Garfunkel,S.(1998).Mathematicalmodeling:Acasestudyapproach.JohnWiley&Sons.

[12]VanDenBerg,J.P.,&VanDerVorst,J.G.F.(2002).Numericalmethodsforlargeeigenvalueproblems.SIAM.

[13]Moler,C.,&VanLoan,C.F.(1993).Matrixcomputations(2nded.).JohnsHopkinsUniversityPress.

[14]Burden,R.L.,&Faires,J.D.(2010).Numericalanalysis(9thed.).BrooksCole.

[15]Atkinson,K.E.(1989).Anintroductiontonumericalanalysis(2nded.).JohnWiley&Sons.

[16]Trefethen,L.N.,&Bau,D.(1997).Numericallinearalgebra.SIAM.

[17]Chapra,S.C.(2015).Introductiontoenvironmentalengineeringandchemistry(5thed.).McGraw-HillEducation.

[18]Royston,J.P.(2009).Modernmethodsfortheanalysisofcurvesandsurfaces.CRCPress.

[19]Feller,W.(1971).Anintroductiontoprobabilitytheoryanditsapplications(Vol.2,2nded.).JohnWiley&Sons.

[20]Strang,G.(2016).Introductiontolinearalgebra(5thed.).Wellesley-CambridgePress.

[21]Strang,G.(1986).Calculus.Wellesley-CambridgePress.

[22]Giordano,F.R.,Nakhleh,M.B.,&Weir,M.D.(2014).Afirstcourseinmathematicalmodeling(5thed.).CengageLearning.

[23]Gershenfeld,N.(1999).Thescienceofpattern:Integratingscienceandmathematics.TeachingMaterialsCenter.

[24]Meade,N.,&Robinson,L.(2004).Investigatingtherelationshipbetweenthequalityofstrategicdecisionmakingandtheinformationprocessingskillsofdecisionmakers.JournalofOperationsManagement,22(1),39-58.

[25]Meade,N.,&Townsley,P.(2007).Theimpactofinformationprocessingskillsonthequalityofstrategicdecisionmaking.JournalofBusinessResearch,60(8),856-865.

[26]Ayyagari,M.,Beck,T.,&Demirgüç-Kunt,A.(2005).Financialandgrowthlinkagesinemergingmarkets:Evidencefromanewdatabase.WorldBankEconomicReview,19(3),473-500.

[27]Adomavicius,G.,&Tuzikas,A.(2015).Recommendersystems:State-of-the-artandemergingdirections.IEEEComputationalIntelligenceMagazine,10(3),27-40.

[28]Chen,M.,Mao,S.,&Liu,Y.(2014).Bigdata:Asurvey.MobileNetworksandApplications,19(2),171-209.

[29]Pham,D.T.,&Thong,A.Y.T.(2010).AnoteontheuseoftheAnalyticHierarchyProcessinsoftwarequalityassessment.Information&Management,47(6),403-409.

[30]Xu,J.,&Shen,W.(2016).Researchontheapplicationofanalytichierarchyprocessinconstructionprojectriskassessment.JournalofCivilEngineeringManagement,22(1),1-7.

[31]Bontis,N.,Chua,W.F.,&Li,H.(2002).Intangibles:Exploringthevalueofintangibleresourcesintheknowledgeeconomy.TheJournalofManagementStudies,39(1),107-131.

[32]Barney,J.B.(1991).Firmresourcesandsustainedcompetitiveadvantage.JournalofManagement,17(1),99-120.

[33]Penrose,E.T.(1959).Thetheoryofthefirm.TheAmericanEconomicReview,49(3),415-441.

[34]Dierickx,M.,&Cool,R.(1989).Assetstockaccumulationandfirmvalue.ManagementScience,35(12),1527-1543.

[35]Conner,K.R.,&Prahalad,C.K.(1996).Aresource-basedtheoryofcompetitiveadvantage:Implicationsforstrategyformulation.CaliforniaManagementReview,38(3),114-135.

[36]Prahalad,C.K.,&Hamel,G.(1990).Thecorecompetenceofthecorporation.HarvardBusinessReview,68(3),79-91.

[37]Barney,J.B.(1995).Lookinginsidethefirm:Whatweknowaboutthesourcesofeconomicrent.StrategicManagementJournal,16(1),97-120.

[38]Helfat,C.E.,&Peteraf,M.A.(2003).Thedynamicresource-basedview:Capabilityuncertainty,commitment,andtheneedformanagerialagility.StrategicManagementJournal,24(10),917-943.

[39]Teece,D.J.(1998).Capturingvaluefromknowledgeassets:Theneweconomy,marketsforknow-how,andintangibleassets.CaliforniaManagementReview,40(3),55-79.

[40]Winter,S.G.(2003).Thecapabilitiesconundrum.StrategicManagementJournal,24(10),955-959.

[41]Penrose,E.T.(1911).Thetheoryofthefirm.TheAmericanEconomicReview,1(4),404-411.

[42]Mahoney,J.T.,&Pandian,A.(1992).Theresource-basedviewwithinmarketing:Aframeworkforempiricalresearch.JournalofMarketing,56(2),114-135.

[43]Barney,J.B.(1996).Competitiveness,sustainableadvantage,andstrategy:Towardastrategictheoryofresources.StrategicManagementJournal,17(1),99-120.

[44]Teece,D.J.,Pisano,G.,&Shuen,A.(1997).Dynamiccapabilitiesandstrategicmanagement.StrategicManagementJournal,18(7),509-533.

[45]Helfat,C.E.,&Peteraf,M.A.(2003).Thedynamicresource-basedview:Capabilityuncertainty,commitment,andtheneedformanagerialagility.StrategicManagementJournal,24(10),917-943.

[46]Barney,J.B.(1991).Firmresourcesandsustainedcompetitiveadvantage.JournalofManagement,17(1),99-120.

[47]Penrose,E.T.(1959).Thetheoryofthefirm.TheAmericanEconomicReview,49(3),415-421.

[48]Dierickx,M.,&Cool,R.(1989).Assetstockaccumulationandfirmvalue.ManagementScience,35(12),1527-1543.

[49]Conner,K.R.,&Prahalad,C.K.(1996).Aresource-basedtheoryofcompetitiveadvantage:Implicationsforstrategyformulation.CaliforniaManagementReview,38(3),114-135.

[50]Prahalad,C.K.,&Hamel,G.(1990).Thecorecompetenceofthecorporation.HarvardBusinessReview,68(3),79-91.

八.致谢

本研究的顺利完成，离不开众多师长、同学、朋友以及相关机构的关心与支持。在此，谨向他们致以最诚挚的谢意。

首先，我要衷心感谢我的导师XXX教授。在论文的选题、研究思路的确定、研究方法的选取以及论文的撰写和修改过程中，XXX教授都给予了我悉心的指导和无私的帮助。他严谨的治学态度、深厚的学术造诣和敏锐的洞察力，使我受益匪浅。每当我遇到困难时，XXX教授总是耐心地给予我鼓励和启发，帮助我克服难关。他的谆谆教诲，不仅使我在学术上取得了进步，更使我明白了做学问的态度和人生的价值。

感谢XXX大学XXX学院各位老师的辛勤教导。在大学四年的学习生活中，是你们为我打下了坚实的专业基础，培养了我的学习能力和研究能力。你们渊博的知识、丰富的经验和严谨的治学精神，一直激励着我不断前进。

感谢参与问卷调查和访谈的各位同学。你们积极参与本研究，提供了宝贵的数据和信息，使本研究得以顺利完成。你们的配合和支持，是本研究取得成功的重要保障。

感谢XXX大学图书馆以及XXX数据库为我提供了丰富的文献资料。这些文献资料为本研究提供了重要的理论支撑和参考依据。

感谢我的家人和朋友。他们一直以来对我的学习和生活给予了无微不至的关怀和支持。他们的鼓励和陪伴，是我能够顺利完成学业的动力源泉。

最后，我要感谢国家XXX项目为本研究提供了资金支持。没有这个项目的支持，本研究的顺利进行是不可能的。

尽管本研究取得了一些成果，但由于本人水平有限，研究中难免存在不足之处，恳请各位老师和专家批评指正。

再次向所有关心和支持本研究的师长、同学、朋友以及相关机构表示衷心的感谢！

九.附录

附录A问卷调查样本量计算依据

本研究采用分层随机抽样的方法，从某高校工科专业本科生中抽取样本。样本量的确定需要考虑以下因素：总体规模、置信水平、允许误差和设计效应。总体规模为某高校工科专业本科生总数，根据学校教务处数据，约为8000人。置信水平设定为95%，对应的Z值为1.96。允许误差设定为5%，即0.05。设计效应考虑了分层抽样和问卷回收率的影响，设定为1.5。根据公式：

n=(Z^2*p*(1-p))/(E^2*deff)

其中，n为样本量，Z为置信水平对应的Z值，p为预期比例，E为允许误差，deff为设计效应。代入数据得：

n=(1.96^2*0.5*(1-0.5))/(0.05^2*1.5)=256

考虑到问卷回收率可能存在波动，最终确定样本量为300人，分四个层次进行随机抽样，确保样本的代表性。

附录B部分访谈记录

访谈对象：XXX教授，数学建模竞赛教练

问题1：您认为影响大学生数学建模能力的因素有哪些？

回答：我认为影响大学生数学建模能力的因素主要有四个方面：一是数学基础，二是计算机技能，三是问题分析能力，四是团队合作能力。数学基础是根本，计算机技能是工具，问题分析能力是核心，团队合作能力是保障。

问题2：您对数学建模教育有什么建议？

回答：我认为数学建模教育应该注重实践，注重应用，注重创新。应该增加实践环节，让学生多参与实际项目，多参加数学建模竞赛。应该注重应用，让学生了解数学建模在实际中的应用，激发学生的学习兴趣。应该注重创新，培养学生的创新思维，鼓励学生提出新的想法，解决新的问题。

附录C模型构建的详细步骤

1.构建层次结构模型

目标层：大学生数学建模能力

准则层：数学基础、计算机技能、问题分析能力、模型构建能力、模型求解能力、结果解释能力、论文撰写能力

指标层：包括22个具体指标，如微积分、线性代数、概率统计、编程能力、软件应用能力、数据分析能力、问题识别能力、模型假设能力、模型建立能力、模型求解能力、算法设计能力、结果验证能力、结果解释能力、论文结构能力、语言表达能力和团队协作能力等。

2.构建判断矩阵

邀请15位数学建模领域的专家和教师，对准则层各因素进行两两比较，构建判断矩阵。例如，对于准则层中的“数学基础”和“计算机技能”，如果认为“数学基础”比“计算机技能”重要得多，则给出判断值为3；如果认为两者同等重要，则给出判断值为1；如果认为“计算机技能”比“数学基础”重要得多，则给出判断值为1/3。以此类推，构建15个判断矩阵。

3.计算权重向量

采用特征根法计算判断矩阵的最大特征值及其对应的特征向量，并对特征向量进行归一化处理，得到准则层各因素的权重向量。

4.一致性检验

对判断矩阵进行一致性检验，确保权重结果的可靠性。计算一致性指标CI和随机一致性指标RI，并计算CR=CI/RI。若CR<0.1，则认为判断矩阵具有满意的一致性。

5.构建模糊关系矩阵

邀请三位专家对样本数据进行评分，并根据评分结果构建模糊关系矩阵。

6.模糊综合评价

采用模糊综合评价公式B=A·R，其中A为指标层权重向量，R为模糊关系矩阵，B为评价结果向量。将评价结果向量转化为评价等级，得到学生的建模能力综合评价等级。

附录D部分实验数据

表1样本基本信息统计表

|学院|专业|参与竞赛次数|年龄分布|

|------------|----------------|------------|--------|

|计算机学院|计算机科学与技术|1|20-22|

|电子信息学院|通信工程|0|19-21|

|机械工程学院|机械设计|2|21-23|

|自动化学院|自动化|1|20-24|

|数学学院|数学与应用数学|0|18-20|

|材料学院|材料科学与工程|1|19-22|

表2样本数学建模能力得分统计表

|指标|平均分|标准差|最小值|最大值|

|------------|--------|--------|--------|--------|

|微积分|75.3|8.2|65|92|

|线性代数|72.8|7.5|60