人工智能简称AI，最初由麦卡锡、明斯基等科学家于1956年在美国达特茅斯学院开会研讨时提出。人工智能的发展对社会各个层面均有不同程度的影响，也影响着大学生的学习。
对于问题一，对附件2中所给数据进行分析和数值化处理，首先我们对附件二的内容进行了基本的可视化处理。接着我们采用粒计算对文本数据进行分析处理，注重粒计算在文本分类中的应用，可以使用基于特征词与类别关系的特征分布。通过计算任意两个特征词之间的分布距离，将分布距离相近的特征词聚合起来，有效地降低了特征空间的维数，同时也避免了现有特征选择算法造成的个体样本。由于特征而被丢弃的现象。使用SVM作为分类器时，聚类方法比其他特征选择方法可以获得更高的分类降维准确率。根据粗糙集的相关性原理，对每个信息粒度进行特征选择，将选择的特征作为条件属性并构造协调矩阵，启发式搜索最相似的样本，得到属性约简集。
对于问题二，对数据的分析结果选取评价指标，从优先级、科学性、可操作性等方面论述其合理性，并构建评价指标体系。我们可以采用主成分分析，因子分析的方法确定出来主要的成分，并对其优先级、科学性、可操作性进行了论述。其次我们可以基于问题一的求解，建立降维之后的新的评价指标体系。
对于问题三，评价人工智能对大学生学习的影响，采用综合评价方法，其主要来源于以前的模糊数学，将模糊对象和反映模糊对象的概念视为模糊集，构造合适的模糊隶属函数，然后对模糊对象进行一系列定量分析。层次分析法(AHP)是一种解决复杂多层次决策问题的系统方法。AHP的基本原理最初是处理大系统的复杂问题，然后对这些元素逐一进行分析和研究，按层次对这些元素之间的相互作用进行分类。其次我们可以采用多元回归方法采用问题二的指标结果，建立定量的函数关系，从而得到更加准确有力的评价模型。
粒计算模型建立如下：
接着我们需要进行数据可视化处理和调查问卷的信度和效度进行分析
效度分析
效度研究用于分析研究项是否合理，有意义。使用KMO和 Bartlett检验进行效度
第一:分析KMO值:如果此值高于0.8，则说明效度好;如果此值介于0.7一0.8之间，则说明效度较好;如果此值介于0.6—0.7，则说明效度一般;如果此值小于0.6,说明效度较差;
第二:效度分析要求需要通过 Bartlett检验(对应p值需要小于0.05）;
第三:如果仅两个分析项，则KMO无论如何均为0.5。使用KMO和 Bartlett检
验进行效度验证，从下表可以看出:KMO值为0.879，KMO值大于0.8，研究数据效度非常好。
持续更新中！
