基于决策树建模的大学生创造性自我效能感预测分析

Summary

该研究检查了使用改进的 C5.0 决策树模型 （DTM） 来预测大学生的创造性自我效能感 （CSE）。该研究旨在确定 DTM 在预测 CSE 方面的有效性并确定预测它的变量。

Abstract

创造力是当前国内外心理学研究的焦点。个人对自己创造力的自我意识对于确定他们的创造潜力、帮助他们了解自己的优势和劣势以及增强他们的自我创造力至关重要。关于大学生创造力自我认知的研究较少，关于利用决策树（DT）预测这种自我认知的研究就更少了。本研究旨在评估使用改良的 C5.0 决策树模型 （DTM） 预测大学生创造性自我效能感 （CSE） 的有效性，并确定哪些变量可以作为 CSE 的预测因子。针对这些问题，中国四川省的607名大学生填写了一份优势和困难问卷（SDQ），其中包含五个部分：心理弹性量表、学业自我效能感量表、学校归属感心理意识、创新行为量表和CSE量表。所描述的方法包括系统地提供 SDQ、对结果进行评分并为 60 名学生的答案分配代码。使用 SDQ 子量表，构建了一个名为 C5.0 的 DTM 来预测行为风险的类型。DTM经过训练和交叉验证，提高了10倍，并通过准确性和F1分数评估其性能。修订后的C5.0 DTM结果显示，CSE的显著预测因素按重要性由高到低依次为心理信任、学校成员心理意识、学术自我效能感和创新行为。通过证明DTM预测大学生CSE的有效性，拓展了基础学习与CSE之间的联系，增加了对CSE的解释，为提升大学生的创造力和CSE提供了研究支撑。

Introduction

创造力被视为一些国家社会经济发展的重要动力，并逐渐成为一个国家整体实力的主要因素。然而，研究表明，中国高等教育机构仍然优先考虑学生的理论知识，忽视了分析意见能力、自主解决问题能力和创新能力的培养。因此，一些学生拥有很强的理论知识，但难以分析和解决问题¹。个人和社会环境的双重影响推动了这一现象，促使大学生将学习和外部社会竞争置于情感需求和个人发展之上。人工智能 （AI） 出现了一个重大风险，现代社会已经过度依赖人工智能，以至于个人意见和创新技能下降。这是个人和社会发展受到限制或倒退的结果 ^2,3。

因此，创新已成为当前国内外心理学研究的热点，许多研究表明创造性自我效能感（CSE）对创造力产生积极影响。同时，研究表明，学生的 CSE 越高，在面对具有挑战性的任务时，学生的 CSE 越高，对人生的看法越积极，对自己技能的信心就越强 ^4,5。事实上，低水平的创造力会对生活的所有特征产生不利影响，包括职业生涯中的竞争问题。研究表明，创造力差的主要原因是缺乏全面性教育。作为创造力的一个重要目的，全面性教育被定义为个人相信自己有能力产生创造性思维、参与创造性行为并取得创造性成果。在团队中，全面性教育可以提高个人在知识共享和协作方面的创造力⁶.高 CSE 还可以在乐观情绪存在的情况下激发新的创新行为 （IB）⁷。

正如不断变化的心理学所建议的那样，在 10 至 14 岁左右，学生的技能可能会导致他们的情绪和行为发生变化，因为成年即将到⁸，他们更多地与同龄人打交道以及随之而来的压力。由于 SDQ 已被证实是可信且心理测量学合理的，并且仅涵盖 25 个项目⁹，因此它是本研究的首选。它着眼于五种类型的行为——情绪、大学行为、活动水平、大学关系和乐于助人——来说明学生心理健康的总体状态。根据现有工作 ^4,5，他们发现在中国使用 SDQ 比单独使用行为任务更有效地识别学生早期存在的心理和行为挑战。它展示了为什么调查是必不可少的，并且在一些大学环境中效果很好。

鉴于大学生是未来社会的核心力量和主要贡献者，他们的全面性教育尤为重要。研究表明，学生的CSE与积极情绪和控制方向直接相关⁸.此外，全面性教育还改善了学生在课外活动中的行为和表现⁹。研究进一步表明，学生的全面性教育增强了他们的社交技能和心理弹性 （PR），使他们能够适应具有挑战性的环境¹⁰.学生的 PR 对他们的灵活性、应对能力、智力技能和情绪抑制产生积极影响¹¹.因此，激励学生在大学学习全面性教育对于社会和个人发展至关重要。

研究证明，由于年龄、大学背景和教师指导等多种因素，全面性教育是人为的。例如，研究发现，创造性的学习氛围可以提高学生的学习成绩、自信心、适应能力、解决问题的能力、人际交往能力和出勤率⁹。尽管上述研究确定了纵 CSE 的因素，但大学成员的心理感知和学术自我效能 （ASE） 对 CSE 的预测作用尚未得到足够的学术关注¹¹。此外，现有研究主要集中在中高等教育学生身上，对全面性教育在大学生中的探索有限。决策树模型（DTM）是机器学习（ML）¹²中一种有效的数据挖掘算法。它分析了复杂的决策程序，作为解释 13,14,15 的更简单的解决方案。研究人员使用 DTM，成功预测了影响中国制造业创新成败的因素，以及对用户满意度、态度和忠诚度调查的响应百分比^16,17。本研究旨在评估使用 DTM 预测大学生 CSE 的有效性，并确定预测 CSE 的变量。

本研究采用决策树模型（DTM）预测影响大学生创造性自我效能感（CSE）的关键因素。选择 DTM 是因为它的可解释性、处理混合数据类型的能力以及对非线性关系进行建模的有效性。与黑盒模型不同，DTM 提供透明的、基于规则的输出，能够清晰地识别预测变量。先前在教育和心理学方面的研究支持其在分析复杂决策场景方面的效用。其视觉结构有助于实际解释，使其适合学术环境。DTM 非常适合寻求可解释和数据驱动的方法来高度清晰和相关性地模拟行为或心理结果的研究人员。

创造性的自我效能感
全面性教育是个人对其成功完成创造性活动的能力的主观决定。它代表了一般自我效能感的特定领域指标，是个人任务和实施创造性努力的重要影响因素和心理基础。Tierney 和 Farmer^18,19 介绍了皮格马利翁 CSE 应用模型，断言 CSE 是创造性活动的内在激励因素，它有效地采用了个人创造力，并显着积极地预测了个人的创造性技能能力。此外，学者们强调，全面性教育反映了个人在保持创造性技能方面的自信，以及他们在学习和生活过程中的能力²⁰。研究表明，具有较高 CSE 意识的人往往更关注自己，选择符合他们的兴趣和挑战的信念和目标，以体验自我价值和成就^21,22。虽然之前的研究主要强调 CSE 是实现个人创造潜力的创造性自我信念的重要组成部分 22,23,24，但本研究将大学生的 CSE 定义为对他们成功完成特定创造性行为的技能的信念。

CSE的测量和模型
CSE 通常使用采用和改编自先前开发的 SDQ 设备的量表进行测量。例如，它是通过调整班杜拉的自我效能量表²⁵、阿马比尔的创造力量表²⁶ 以及伍德曼、索耶和格里芬的量表²⁷ 来衡量的。案例研究、观察和访谈也被用来发现特定群体中个人日常行为中的全面性教育。然而，CSE 研究的很大一部分集中在企业及其员工身上。这些研究的假设想法对其他队列的应用是有限的。研究表明，教师的支持和积极的课堂环境方法是提高学生全面性教育不可或缺的一部分²⁸.

教师的角色涉及传授知识，这是一个本质上涉及创造力的过程。研究得出的结论是，CSE 的提高有助于个人更深入地参与创意技能，从而带来更好的创意绩效^29,30。在年龄方面，高等教育学生的全面性教育存在显着的性别差异，而成人受试者的全面性教育显着高于高年级学生。这表明年龄的影响并不一致。创造性自我概念理论为对 CSE 的理解提供了信息，它包括对一个人在创造性技能方面的表现的评估和认识，分为 CSE 和创造性自我认同 31,32,33,34。创造性的自我概念对创造性的动机、行为和结果有重大影响。基于这一理论，研究人员开发了结构化模型来研究教育和工作环境中的创造性自我概念和创造性技能³⁵。此外，Amabile 在 1983 年提出了创造性行为的组成部分模型，将创造性能力、动机和创造性环境确定为创造性行为的三个必要条件。

全面性教育的预测分析方法
就 CSE 而言，主要的预测分析方法是回归分析、验证性因素分析 （CFA）、主成分分析 （PCA） 和荟萃分析。使用结构方程模型和 CFA，Tierney 和 Farmer 发现创造性技能、动机和环境可以预测个人的创造性技能和 CSE。该工作使用 PCA 来证明 CSE 和创造性自我认同构成了创造性自我概念的 2-D，影响着创造性动机。应用多元回归模型的研究人员提出，创造性技能、目标、情感和信念是 CSE³⁶ 的重要预测因素。

CSE 的预测因素
在现有的学术著作中，有几项研究关注大学生的 CSE 或利用 DTM 来预测 CSE^37,38。因此，本研究旨在探索DTM在大学生CSE预测中的应用。为了实现这一目标，该研究首先在文献中确定了 CSE 的预测因子（图 1）。

首先，本研究提出知觉行为和环境行为作为CSE的预测因素。计划行为理论认为，主观规范、态度和感知行为控制会影响行为意图。感知行为控制由控制意见和感知辅助因素共同决定，是指一个人感知到自己对自己所从事的行为处于控制之中的程度;这意味着进行 IB 可以增强一个人对创造力的控制感，这是 CSE³⁷ 的感觉的结果。一项研究表明，创造力是全面性虐待的预测指标。全面性教育是一个人对自己创造性技能、从事创造性行为和取得创造性成果的能力的自信。这些研究还表明，学校成员心理意识 （PSSM） 与 CSE³⁸ 之间存在正相关联系。因此，全面性教育可能会被大学环境中的各种因素所采用，以培养学生的创造力³⁹。在知觉因素方面，本研究提出PR和ASE作为CSE的预测因子。研究表明，PR是一个人在面对压力、挫折和逆境时，能够保持稳定的情绪和行为反应，并迅速恢复到正常状态的能力。因此，PR 与情感创造力、CSE 和一般自我效能感呈显着正相关⁴⁰。最后，已经证明 CSE 可以通过 ASE 进行预测，ASE 受到一个人对其执行学术任务的能力的决定和信念的影响^41,42。综上所述，本研究提出了 CSE 的四个预测因子：PR、ASE、PSSM 和 IB。

Protocol

该研究在中国四川省成都师范大学进行了测试，学生人数超过 17,000 人。SDQ资源和调查设计由四川省成都师范大学伦理审查委员会批准，四川 611130。该大学于 2023 年 9 月 10 日至 13 日进行了调查。通过获得知情同意来确保自愿参与

1. 参与者注册

1. 通过有阶级意识的随机抽样方法选择一所公立大学。使用以下标准：（i） 全民教育遵循相同的计划，并以相同的方法测试学生;（ii） 教学采用同一语言（中文）;（iii） 每所大学对每位教师都有最佳学生人数。在这里，中国四川省成都师范大学被选中。
2. 选择 18 至 21 岁的学生，因为他们比以往任何时候都更清楚地了解自己的行为。
3. 在设计 SDQ 工具之前，对 5 名同意参与确定 CSE 与推荐预测因子之间可能的预测相关性的学生进行调查重点访谈。随后，使用便利抽样来吸引有意愿的学生。
4. 选择所有已验证的学生。共有 607 名学生验证了所有 SDQ，并在彻底检查后确认其有效性。受访者的人口统计数据显示，男女比例为25.5%至74.5%。在居住背景方面，71.4%的参与者来自农村地区，28.6%来自城市环境。所有学生都在标准化课程框架下接受文科教育。大多数参与者属于中低收入家庭，反映了该地区公立大学入学者更广泛的社会经济构成。
   注意：通常，在中国进入师范培训高等教育的学生在高考中倾向于文科。由于女学生通常比男学生对创意活动表现出更大的兴趣，因此这些大学的女学生比例通常更高，这解释了样本中女性占主导地位的原因。
5. 按性别和年级对参与者进行分组，以确保模型公平。这增强了结果对成都市大多数具有相似社会人口人口的公立大学的适用性。

2. 仪器仪表

注意：本研究使用了一个 SDQ，包括 6 个部分，包含 52 个项目，涵盖人口统计信息、CSE 量表、心理弹性量表、学校成员心理意识量表、学术自我效能感量表和创造性行为量表。人口统计数据包括性别、年龄以及个人是来自城市还是农村背景。英文版的量表被翻译成中文。

1. 应用反向平移方法⁴³。在最终确定SDQ之前实施修正和优化，用5分制量表替换原来的评分量表，以保持可靠性，同时保证与其他量表的异质性，从而保证量表的等效性。
2. 以 5 分制衡量所有假设项目，从 1 = 非常不同意到 5 = 非常同意。

3. 学业自我效能感

1. 使用专门设计的大学学术自我效能量表 （CASES）⁴⁴ ，用于评估成都师范大学学生在学术培训中的自我效能感。CASES 由九个对象组成（例如，我想比其他学生做得更好;我相信我能理解老师在训练什么;我想在课堂上取得好成绩）。该量表的可靠性系数为 0.897。

4. 创新行为量表

1. 要衡量 IB，请使用创新行为量表⁴⁵。保持量表的 3-D 如下：创新技能的年龄组（例如，当我遇到麻烦时，我经常获得创新技能）、创新技能的推广（例如，我将寻求创新技能的管理支持）和创新技能的应用（例如，我将把创新技能转化为可能的培训）。该量表的可靠性系数为 0.917。

5.学校会员心理意识量表

1. 使用 PSSM 评估学生对大学的归属感，包括他们的情绪状态、反应、身份证明、依恋和行为态度。
2. 它由 Goodenow⁴⁶ 开发，包含 18 个项目，并已普遍翻译成多种语言，包括西班牙语和中文。使用中文版的 PSSM 有 18 个项目（例如，我觉得我属于这所大学;学生认真对待我的意见）⁴⁷.该量表的可靠性系数为 0.853。

6. 心理弹性量表

1. 使用 Connor-Davidson 弹性量表 （CD-RISC-10） 的 10 个对象来测量 PR⁴⁸。最初，Campbell-Sills 和 Stein⁴⁹ 在 25 个对象的情况下将 PR 量表改进到较短版本的 10 个对象。
2. 使用量表来衡量个人的感受、反应和对其从消极技能中恢复过来并灵活适应可变外部因素的技能的友好程度。它包括 5D，即建立联系的能力（例如，当变化发生时，我可以灵活地适应）、对负面影响的容忍度（例如，我可以用幽默来应对问题）、接受变化（例如，我通过技能变得更强大）、控制（例如，我可以处理愤怒等不安情绪）和精神影响（例如，在压力下我可以专注于我的思维过程）⁴⁹。该量表的可靠性系数为 0.938。

7. CSE量表

1. 使用 CSE 量表来衡量 CSE，评估一个人相信自己可以创造创造性技能的程度⁵⁰.将量表浓缩为三个对象，用于中国学生的调查。该量表的可靠性系数为 0.860。

8. 数据收集

1. 本SQD研究旨在揭示大学生CSE的预测因素。使用 SDQ 衡量大学生的 CSE 水平以及四个预测因子⁵¹。
2. 在此期间，班主任鼓励学生自愿完成SDQ，在每个大学日结束时显示二维码。告诉参与者，他们可以通过扫描二维码、回答问题，然后单击 提交来访问 SDQ。
3. 重要的是，在学生扫描二维码之前，请指示班主任向学生和家长解释研究的目的。通过寻求知情同意来确保自愿参与。
4. 对目标学生群体进行 SDQ。确保每个参与者都响应所有必填对象。验证响应的完整性和一致性。
5. 定义核心构造，例如 ASE、家长复原能力 （PR） 和 CSE。使用 5 到 1 的 5 点李克特量表对回答进行编码。使用最大量表分数的 60% 或更高阈值将参与者分配到高类型或低类型。
6. 将数据集分为训练子集和测试子集。使用 70% 的数据 （n=423） 来训练模型。将剩余的 30% （n=184） 分配给测试目的。
7. 应用分类和回归树 （CART） 来查找显着的预测变量。使用基尼杂质确定节点分裂。继续分裂，直到达到最小箱数或零杂质。
8. 使用均方误差 （MSE） 评估要修剪的节点。如果修剪减少了 MSE，则截断节点。如果修整后 MSE 增加，则保留节点。
9. 使用测试数据集来验证 DTM。计算准确性、敏感性和特异性等性能指标。分析错误分类的案例以发现 DTM 弱点。
10. 执行 Pearson 乘积矩相关分析以研究变量间关系。根据相关系数值解释相关性的强度和方向。
11. 使用决策树规则来确定 PR 和 ASE 如何预测 CSE 级别。量化每个变量对分类结果的贡献。
12. 如果模型精度低于所需阈值，则扩展特征集。使用其他变量或更大的样本量重新训练模型，以提高其准确性。
13. 使用来自不同地区或机构的数据测试模型的泛化性。复制研究方案以验证独立样本的结果。
14. 每次 SDQ 给药需要 ~25 分钟。使用环境控制确保环境噪音<45 dB，温度在26-28 °C。
15. 通过 2 小时的 SDQ 简报会，每 15 名学生培训一名辅导员⁵².在标准作脚本的帮助下，协调员能够减少他们自己的意见对结果的影响⁵³.要求助手完全按照书面内容阅读所有说明，避免澄清超出必要的步骤，并且不要试图解释测试问题。辅导员帮助消除了面试官的影响，并确保数据仅来自学生的评价⁵⁴。
    注意：这些添加解决了实施中的可变性并增强了跨上下文的可重复性。由于大多数学生没有个人设备，而且只有一小部分大学拥有可用的 Wi-Fi⁵⁵，因此纸上管理是最好的解决方案。此外，研究表明，在识字水平较低的个体中，SDQ 数字格式和纸质格式之间的心理测量结果没有显着差异⁵⁶。在即将进行的研究中，研究数字化在拥有强大资源的私立大学中是如何运作的，将有所帮助⁵⁷.由于该意见中没有进行编码，因此无法确定评估者之间的可靠性。

9. 数据分析

1. 使用数据挖掘方法对调查数据^{进行分析 58}.数据挖掘可以揭示学生CSE的模式，并找到三种类型的学习者：综合学习者、目标导向学习者和抽样学习者。这项研究选择了 DTM，因为它已被广泛用于预测学生的学习成绩和学习行为，并且可以生成易于理解的规则⁵⁹。
   注意：具体来说，决策树 （DT） 根据训练样本构建分类规则，并生成一个易于理解的自上而下的图，该图由一个根节点、多个内部节点和多个叶节点组成。根节点和内部节点都代表相应的测试条件（即分类度量）⁶⁰，而叶节点代表最终输出。可以根据每个节点形成的树模型推断规则。此外，DT 被证明对多重共线性具有良好的容忍度，并且可以处理预测变量之间的复杂相关性。此外，当预测变量是分类变量时，采用定 DT，而回归 DT 适用于连续预测变量⁶⁰。
2. 为了确定学生的 CSE 是高还是低，请使用确定的 DT 创建一个预测模型，并分析每个因素在预测 CSE 中的重要性。

10、DT施工

1. 根据信息熵的降低率确定DT的分裂阈值和最优分支变量，该变量表示数据集的杂质程度，定义为公式（1）。
   (1)
   其中 D 是训练数据集的样本量，m，P_k 是每种类型的比值比。
2. 信息增益比衡量了多种分类方法下数据集信息熵的方差。计算数据集 D 的增益比，该数据集由所选变量 C 划分为 n 个子集，由公式 （2） 定义。
   (2)
3. 在C5.0中，选择信息增益比最显著的属性作为分割点，并根据该属性的值形成多个分支，以获得多个子集。迭代分离过程，直到最后一个子集包含相同类型的数据，从而实现数据的归纳标记。

11. DT修剪

1. 使用修剪方法，逐层修剪叶节点。构建 DT 后，根据训练好的 DTM 将数据集递归到每个叶节点。
2. 计算多叶和无叶数据集的 MSE。如果修整后 MSE 减少，则截断节点;否则，保留节点。

12. DT评估

1. 将 70% 的样本数据 （n=423） 用于训练，其余 30% （n=184） 用于测试。评估模型质量的指标是准确度、精确度和召回率。准确度定义为正确分类的样本占所有样本的百分比;精度是预测结果中有多少正样本是真正的正样本，召回率是真实样本中有多少正样本被正确预测。

13. 数据分析

1. 使用统计分析软件分析研究结果。首先，使用描述性统计分析分析 CSE 的频率和集中度趋势，以及预测因素。其次，使用 C5.0 算法进行 DT 分析，该算法改进了 ID3 和 C4.5，因为它运行速度更快并产生更强大的预测效果。

14. 数据编码

1. 以 60% 作为分化点，将样品标记为两组：高 CSE 和低 CSE。对于预测变量，根据特定原则将 PR、IB、ASE 和 PSSM 转换为二元变量（表 1）。

Results

描述统计学
本研究分析了连续变量和顺序变量的描述性统计（表 2）。每个变量的编码原则是，超过满量程的 60% 的值表示性能高于平均水平。值得注意的是，大学生的 CSE 似乎高于平均水平，平均值为 3.66，标准差为 0.80，超过了满量表的 60%。这表明大多数大学生的 CSE 很高。四个预测变量的平均值呈现出相似的结果，其中学生报告了相对较高的 ASE、PSSM、PR 和 IB 水平。

研究中的人群是经过精心挑选的，以确保其适合共同目的。男女学生都是从 18 至 21 岁的年龄范围内选出的，这标志着学生的情绪和行为开始变得更加可靠的活跃时期⁵⁴。由于该研究考虑了学生的课程，因此主要涵盖从小学到中学的过渡。本研究中的社会经济地位是使用 CSE 修订后的量表确定的，该量表在中国⁵⁸ 年常用。大多数参与者被发现属于中下 SES 组。因此，该研究与缺乏资源的教育方法更加相关，因为这些环境通常承受更高的压力，需要及早发现行...

Discussion

本研究利用DT-C5.0构建了大学生CSE的四因素预测模型，探讨了这些因素的作用。研究得出的所有结论均基于文献和相关数据分析。

评估结果验证了DTM预测CSE水平的有效性。该模型的准确度、精密度和召回率超过了 75% 的标准。该模型的曲线下面积（AUC）值为0.762，超过0.5，表明其优于随机测量模型。PR 是为 DTM 选择的四个变量中最重要的一个。与之前的研究结果⁶⁰ 一样，公关与创造力呈正相关且显着相关。高 PR 的人更有可能在压力情况下体验到积极的情绪，使他们能够克服压力并找到积极的意义。因此，较高的 PR 可以减少创伤经历对心理健康的影响并有助于康复。因此，学生的公关能力越高，他们就越能以积极的态度面对生活（包括生活具有挑战性），对自己的创造能力的信心就越强。CSE 的^第二个 主要预测因子是 PSSM。在马斯洛的需求层次理论中，在满足基本的生理和安全要求后，个人会产生社交交流的需求，并渴望得到邻近的同龄人和组织的认可...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
2 TB 硬盘	Segante	6G SATA 7.2k 3.5"（LFF）	存储
8 GB RAM	士顿科技	4Rx4 DDR4 LRDIMM 2666 MT/s。	存储
英特尔酷睿 i5	英特尔	英特尔酷睿 i7	处理器
NVIDIA GeForce RTX 4060 Ti	Nvidia Corporation	NA	显卡
R		（版本 4.1.2）	编程语言
SPSS	IBM	30	数据可视化工具