摘要
我决定做一次尝试：把 AI 当作严厉的「技术合伙人」。用苏格拉底式追问，从零学习了 MCM 2023 Problem C (Wordle 预测)，
一、为什么选这道题？
C题偏数据型，我觉得三天高强度的比赛是一个非常 fancy 的事情。但对于我来说，我确实非常缺乏所需的数学和机器学习知识，所以我先要求 AI 以提问的方式带我完整地体验一遍数学建模竞赛。
二、我做了什么
我先在 GitHub 上寻找到了 qianliq/2023comapC，并且阅读了仓库中提供的比赛 PDF 和数据，以及该仓库对于比赛题目的思考。接着我与 AI 进行了学习，让 AI 以苏格拉底式启发我学习并完成整个比赛的过程。
经过学习之后，我再次阅读了比赛赛题，并在 Kaggle 上开始了自己的数据建模与编程。下面是我的思考过程。
题目总览
Wordle 作为一个猜词游戏，给定一个 5 个字母的单词，通过最多 6 次机会猜出这个单词是什么。每猜对一个字母会给予反馈，题目给出了相关数据。
数据字段说明
| 字段 | 含义 |
|---|---|
| 日期 | 给定 Wordle 谜题的日期，格式为 mm-dd-yyyy（月-日-年） |
| 比赛编号 | 一个从 2022 年 1 月 7 日开始，记录 Wordle 谜题的索引 |
| 猜测答案 | 猜测答案的总数量 |
| 困难模式 | 困难模式猜题数量 |
| 分布数据 | 分几次猜出答案的百分比 |
比赛提出的问题
问题一： 使用一个模型解释数据 #4 变化的规律并预测 2023 年 3 月 1 日总数量，并回答你认为什么因素影响了数据 #6 的分布。
问题二： 用一个模型预测 2023 年 3 月 1 日给出题目 EERIE 时数据 #6 的分布状况，并且回答你对于这个模型的预测是否认同。
问题三： 用一个模型来分类给定的题目的难度，判断 EERIE 的难度，讨论这个分类模型的准确性。
问题四： 描述你发现的其他有意思的数据特征。
Kaggle 作品
我将每个问题的详细解答整理完成了我的 Kaggle 文件发布：查看 Kaggle 作品
数据分析与模型预测结果展示
三、论文写作与批判性反思
事实上，我发现了自己更多问题：
- 我没有写论文的经验
- 论文中需要补充多个图表与中间思考的过程
- 我没有用算法和建模完成整个论文的血肉填充
- 但是用了基本的算法完成了各个问题的骨干
我下次再进行建模比赛模拟时会着重注意这方面的问题。
四、结语
这次基本完成了美赛所有问题的解答，但是因为没有完成论文的写作稍作遗憾。这次模拟让我明白，数学建模不仅仅是写代码，更是：
- 定义问题，理解数据，提前规划好论文的写作过程
- 学术表达，用图表和论文包装产品