基于AHP-TOPSIS模型的大学生编程能力多维评价体系构建与实证研究

本文推荐：本研究创新性地采用层次分析法（AHP）与理想解法（TOPSIS）结合，构建了涵盖课程成绩与竞赛表现的多维编程能力评价体系。研究发现数学分析能力权重最高（0.26），学生综合得分呈正态分布（68%集中于70-79分），且课程与竞赛成绩显著相关（Pearson's r=0.78）。该体系为编程教育评估提供了科学工具，对计算机教育改革具有重要价值。

　　

Highlight

编程能力评估新范式：本研究突破传统单维评估局限，通过AHP-TOPSIS模型将理论知识与实践能力有机整合，首次揭示数学分析能力在编程教育中的核心地位（权重0.26）。

Method overview

方法概述：采用层次分析法（AHP）进行指标权重计算，结合理想解法（TOPSIS）生成学生综合评分。通过统计学方法分析班级/性别差异，并探究课程成绩与竞赛表现的关联性。

Weight results and analysis

权重结果分析：

• 一级指标中数学分析能力权重夺冠（0.26），印证"编程本质是数学语言的具象化"

• 数据结构与算法权重（0.21）紧随其后，体现其作为编程骨架的重要性

• 创新实践能力（0.18）揭示竞赛对能力培养的催化作用

Restate the research question

研究问题重申：

1. 1.

   如何构建能同时反映理论、实践与创新能力的评估体系？

2. 2.

   关键能力要素的影响机制如何？

3. 3.

   不同群体是否存在显著差异？

Conclusion

结论：该体系成功打破"重代码轻思维"的评估窠臼，证实课程基础与竞赛表现的强相关性（r=0.78），且性别差异不显著（p=0.22）。为人工智能时代的编程教育改革提供了量化依据。