美赛评阅关键点
美赛评阅
评阅流程：
- 分流
- 最终评阅
分流阶段的经验：
- 摘要很重要，要确定论文解决了所有问题的组成部分/问题，并且似乎具有合理的模型。
- 例如，今年团队忽略的一个关键因素是直接解决提示，以考虑背景段落中描述的影响和因素以及团队可能确定的其他因素。 许多团队实际上未能承认或解决问题背景中确定的因素。
- 例如，敏感性分析仍然是最薄弱的因素之一，并且在论文中常常被完全遗漏。 在分流期间，此类论文效果不佳。
最终评阅：
此外，至关重要的是，团队应在备忘录（非技术立场文件）中尽可能清晰，简洁地表达他们的总体方法和结果。 这意味着以清晰，简洁，非技术性的术语对问题，方法和特定结果进行广泛概述。
问问自己，是否有未接受过数学教育的人可以阅读和理解本文。此过程在分流阶段没那么重要，但是后面会变得很重要。
建模过程的关键要素
成功的论文关注建模过程的所有要素。 许多团队将大量时间都花在开发出色的模型上，但是发现他们运行时间短，而且缺少很多关键要素。 通常，这些措施包括充分解决问题的所有组成部分，制定清晰简洁的摘要和备忘，以及测试模型。
团队需要对两个主要相关组件进行充分建模（题目）：
- 第一部分要求团队建模语言随时间的分布，并预测在未来50年中分布的变化趋势，同时至少考虑问题背景中出现的影响和因素。
- 要求团队利用从问题的第一部分获得的信息，为六个新的国际办事处确定潜在的地点。 此外，该组件还要求团队考虑建议增加少于六个新办公室所需的其他信息。
Part Ⅰ Modeling for Languages (50 Years from Now)
大多数团队使用某种形式的回归模型来对此问题进行建模。 有一些方法使用了更动态的建模方法，例如基于主体的建模，被评委们看好。 由于语言不断变化的性质是动态的，因此人们期望团队会使用某种形式的动态建模。 许多公司内部团队对许多优点进行了评价和解释，例如迁移和移民。 但是很少有团队（如果有的话）在模型中针对这些因素或其他因素使用互动条件（？）。 此外，该问题明确要求团队考虑问题背景中描述的影响和因素，其中包括12个已确定的影响和因素。 不应期望团队使用所有这些因素，但是他们需要在论文中解决这些问题。
这种方法被认为是可以接受的，但法官更喜欢看到预测间隔（？），而不仅仅是提供的解决方案中的点估计器。 此外，法官们希望看到注册过程中所捕获语言的动态性质。 在回归模型中可以包含交互项，这将解决动态要素。 在模型中使用某些动态元素被视为“好”论文的标准。
Part Ⅱ Modeling for Locations of Headquarters
团队使用多种方法来解决此组件，从优化到多属性决策（MADM）。
使用优化技术的团队的主要缺点是无法进行某种形式的敏感性分析。
许多采用MADM方法的团队无法解释他们如何建立自己的判断矩阵。 一种常见的方法只是声明团队使用自己的判断来开发矩阵，但是没有对决策过程进行相应的讨论。 对于读者而言，这是建模过程的关键组成部分。 由于判断矩阵本质上是主观的，因此法官期望看到一个团队进行了敏感性分析以测试其结果。 此外，这些论文通常不计算一致性比率并解释其含义。
许多团队无法完全解决该组件的所有问题，或者仅根据第一部分中的语言排名来选择位置。通常，这些团队无法解决团队的建议在短期与长期将如何变化的问题，以及团队如何分析开设少于六个办事处的选择。 法官们认为，试图解决这些问题是撰写更好论文的标准。
Executive Summary
摘要是任何文件的关键要素。 执行摘要始终是第一个被阅读的内容，并为其余文章设定了基调。 执行摘要必须以简明扼要的方式包括方法和结果。 在许多法官看来，执行摘要是在团队完成建模工作之前编写的！ 许多执行摘要总结了一个团队计划如何建模和解决问题，但未包括任何结果。 评审们认为清晰，简洁，全面的执行摘要是“优秀”论文的关键标准。
Memo
备忘录是一种交流行为，旨在将建模过程的技术方面转换为清晰，简洁和非技术性的术语，以供读者阅读。 该备忘录本质上是管理层的执行摘要，请先阅读。 并为其余纸张设定了基调。 备忘录必须包括所有问题的解决方法和结果。 法官们认为，清晰，简明和完善的备忘录是“好”论文的关键标准。 不幸的是，许多团队没有提供令人满意的备忘录。 总的来说，大多数团队会受益于将更多精力放在他们的非技术备忘录上！
Assumptions, Sensitivity, and Strength and Weaknesses
Assumptions
在建模中，假设驱动模型的建立和/或模型的使用。 许多团队使用的通用模型，例如回归模型，Grey模型和基于代理的模型，都有其固有的假设，应在本文中解决。 较好的论文倾向于提供有关假设的简要清单以及相应的理由。 对于任何模型，总是存在一组关于何时以及如何使用它的假设，这些假设应包括在本文中。 许多人基本上从问题陈述中给出的信息中重复了这些假设，并且可能还会重复一些关于第二语言的假设。 一个共同的特征是模型中未实际解决或未使用的假设列表。
Sensitivity
没有任何文件被提交到没有良好敏感性分析的最后一轮比赛（此处包括错误分析和测试）。 在灵敏度分析中，我们非常感兴趣结果是否根据输入值的变化而变化。 通常，敏感性分析似乎是一项标记分析，只是为了满足要求的精神而进行的，而并不是一项很好的分析工作（批评某些人做的不好？）。
Strength and Weaknesses
例如，团队应该解决的问题是，了解跨国公司的类型可能对建模过程很有用。 同样令人惊讶的是，团队没有用Google搜索现有的跨国公司（例如Exxon）来查看其国际办事处的位置。 可以很好地检查团队的模型。
Communication
根据论文的质量对论文进行评判，尤其要注意摘要和非技术性的信函。 总体而言，写作质量正在不断提高。 但是很多论文写得不好。
论文中的基本拼写和语法错误会使读者分心。
我们建议您在建模过程结束时预留一些时间，以确保您有足够的时间在提交之前阅读自己的论文。
Figures
剪切和粘贴到文档中的数字太多，而没有注明出处。没有数字比使用没有归因的“无聊数字”更好。 许多团队都因这种违规行为而被取消资格。 今年，我们决定将其称为“参考不足”，但我们可能会停止这种宽大处理。 评委们意识到这是一场时间紧迫的比赛，创造原始人物可能不切实际。 但请确保始终参考该图的来源。
Final Thoughts
Winning is participating in the contest. Learning to work as a team to
accomplish your team’s goals and objectives is success. As a reminder, the
COMAP classification of papers (Successful Participant, Honorable Mention, Meritorious, Finalist, and Outstanding) is based on a comparison to
other papers and the expectations of the judges. The Outstanding teams.• modeled and presented all the aspects of the problem described in the problem statement, including the fully-developed standard elements(assumptions, sensitivity analysis, strengths and weaknesses, etc.);
• developed an effective model;
• explained the modeling choices made; and
• wrote clearly and concisely.