Prädiktive Analyse der kreativen Selbstwirksamkeit von College-Studenten auf der Grundlage von Entscheidungsbaummodellierung

Summary

Die Studie untersucht die Verwendung eines modifizierten C5.0-Entscheidungsbaummodells (DTM) zur Vorhersage der kreativen Selbstwirksamkeit (CSE) bei College-Studenten. Die Forschung zielt darauf ab, die Wirksamkeit von DTM bei der Vorhersage von CSE zu bestimmen und die Variablen zu identifizieren, die sie vorhersagen.

Abstract

Kreativität ist ein Schwerpunkt der aktuellen psychologischen Forschung im In- und Ausland. Das Selbstbewusstsein einer Person in Bezug auf ihre Kreativität ist entscheidend, um ihr kreatives Potenzial zu bestimmen, ihnen zu helfen, ihre Stärken und Schwächen zu verstehen und ihre Selbstkreativität zu fördern. Es gibt nur wenige Studien über die Selbstwahrnehmung von Kreativität durch College-Studenten und noch weniger über die Verwendung des Entscheidungsbaums (DT) zur Vorhersage einer solchen Selbstwahrnehmung. Ziel dieser Studie war es, die Wirksamkeit der Verwendung eines modifizierten C5.0-Entscheidungsbaummodells (DTM) bei der Vorhersage der kreativen Selbstwirksamkeit (CSE) bei College-Studenten zu bewerten und zu identifizieren, welche Variablen als Prädiktoren für CSE dienen könnten. Als Antwort auf diese Fragen füllten 607 College-Studenten in der Provinz Sichuan, China, einen Fragebogen zu Stärken und Schwierigkeiten (SDQ) aus, der aus fünf Abschnitten bestand: Skala für psychologische Resilienz, Skala für akademische Selbstwirksamkeit, psychologisches Gefühl der Zugehörigkeit zur Schule, Skala für innovatives Verhalten und CSE-Skala. Die beschriebene Methode beinhaltet die systematische Bereitstellung des SDQ, die Bewertung der Ergebnisse und die Zuweisung von Codes zu den Antworten von 60 Studierenden. Unter Verwendung der SDQ-Subskalen wurde ein DTM namens C5.0 erstellt, um die Arten von Verhaltensrisiken vorherzusagen. Die DTM wurde trainiert und cross-validiert, was eine 10-fache Verbesserung zeigte, und ihre Leistung wurde anhand der Genauigkeit und der F1-Punktzahl bewertet. Die Ergebnisse des überarbeiteten C5.0 DTM zeigten, dass die signifikanten prädiktiven Faktoren von CSE, in absteigender Reihenfolge ihrer Wichtigkeit, psychologisches Vertrauen, psychologisches Gefühl der Schulzugehörigkeit, akademische Selbstwirksamkeit und innovatives Verhalten sind. Durch den Nachweis der Wirksamkeit des DTM bei der Vorhersage der CSE von College-Studenten entwickelte diese Forschung die Verbindung zwischen grundlegendem Lernen und CSE, erhöhte die Interpretation von CSE und bot Forschungsunterstützung zur Verbesserung der Kreativität und CSE von College-Studenten.

Introduction

Kreativität gilt als wesentlicher Motivator für die sozioökonomische Entwicklung mehrerer Länder und ist nach und nach zu einem Hauptfaktor für die Gesamtstärke einer Nation geworden. Nichtsdestotrotz deutet die Forschung darauf hin, dass die chinesischen Hochschulen immer noch dem theoretischen Wissen der Studierenden Vorrang einräumen und die Kultivierung analytischer Meinungsfähigkeiten, autonomer Problemlösungsfähigkeiten und innovativer Fähigkeiten vernachlässigen. Folglich verfügen einige Studierende über ein ausgeprägtes theoretisches Wissen, haben aber Schwierigkeiten, Frage¹ zu analysieren und zu beantworten. Die doppelten Auswirkungen des persönlichen und sozialen Umfelds treiben dieses Phänomen voran und motivieren College-Studenten, dem Lernen und dem externen sozialen Wettbewerb Vorrang vor ihren emotionalen Bedürfnissen und ihrer persönlichen Entwicklung zu geben. Ein erhebliches Risiko hat sich in Form von Künstlicher Intelligenz (KI) herausgebildet, von der die moderne Gesellschaft übermäßig abhängig geworden ist, bis hin zu einem Rückgang der individuellen Meinung und der Innovationsfähigkeit. Dies ist das Ergebnis einer Einschränkung oder eines Rückschritts in der persönlichen und sozialen Entwicklung ^2,3.

Aus diesem Grund hat sich Innovation zu einem heißen Thema in der aktuellen psychologischen Forschung im In- und Ausland entwickelt, wobei viele Studien darauf hindeuten, dass sich kreative Selbstwirksamkeit (CSE) positiv auf die Kreativität auswirkt. Gleichzeitig deuten Untersuchungen darauf hin, dass ein höherer CSE bei den Schülern mit einer positiveren Lebenseinstellung und einem erhöhten Vertrauen in ihre Fähigkeiten bei herausfordernden Aufgaben korreliert ^4,5. In der Tat kann sich ein geringes Maß an Kreativität negativ auf alle Aspekte des Lebens auswirken, einschließlich eines Wettbewerbsproblems in der Karriere. Studien haben gezeigt, dass die Hauptursache für mangelnde Kreativität ein Mangel an CSE ist. Als ein bedeutender Zweck der Kreativität wird CSE definiert als der Glaube einer Person an ihre Fähigkeit, kreative Gedanken zu machen, an kreativen Verhaltensweisen teilzunehmen und kreative Ergebnisse zu erzielen. In Teams kann CSE die individuelle Kreativität beim Wissensaustausch und bei der Zusammenarbeit steigern⁶. Ein hoher CSE-Wert kann auch in Gegenwart optimistischer Emotionen zu neuem innovativem Verhalten (IB) inspirieren⁷.

Wie von der Psychologie empfohlen, können die Fähigkeiten der Schüler im Alter von 10 bis 14 Jahren zu Veränderungen ihrer Emotionen und ihres Verhaltens^{führen, da} das Erwachsenenalter stattfindet 8 und sie mehr mit Gleichaltrigen und dem damit verbundenen Stress zu tun haben. Da sich der SDQ als vertrauenswürdig und psychometrisch fundiert erwiesen hat und nur 25 Items abdeckt⁹, wurde er für diese Forschung bevorzugt. Es werden fünf Arten von Verhaltensweisen betrachtet – Emotionen, Handlungen an der Universität, Aktivitätsniveau, Beziehungen an der Hochschule und Hilfsbereitschaft – um den allgemeinen Zustand der psychischen Gesundheit eines Studenten zu veranschaulichen. Laut bestehenden Arbeiten ^4,5 fanden sie heraus, dass die Verwendung des SDQ in China effektiver ist als die alleinige Verwendung von Verhaltensaufgaben, um das frühe Vorhandensein von psychologischen und verhaltensbezogenen Herausforderungen bei Schülern zu erkennen. Es zeigt, warum Untersuchungen unerlässlich sind und in mehreren Universitätsumgebungen gut funktionieren.

Angesichts der Tatsache, dass College-Studenten die Kernkraft sind und einen wichtigen Beitrag zur zukünftigen Gesellschaft leisten, ist ihr CSE von besonderer Bedeutung. Untersuchungen haben gezeigt, dass die CSE der Schüler in direktem Zusammenhang mit positiven Emotionen und der Kontrollrichtung^{steht 8}. Darüber hinaus verbessert CSE das Verhalten und die Leistung der Schüler bei außerschulischen Aktivitäten⁹. Untersuchungen deuten ferner darauf hin, dass die CSE der Schüler ihre sozialen Fähigkeiten und ihre psychologische Resilienz (PR) verbessert und es ihnen ermöglicht, sich an herausfordernde Umgebungen anzupassen¹⁰. Die PR der Studierenden wirkt sich positiv auf ihre Flexibilität, ihre Bewältigungsfähigkeiten, ihre intellektuellen Fähigkeiten und ihre emotionale Hemmung^{aus 11}. Daher ist die Motivation der Schüler zum CSE im College für die gesellschaftliche und individuelle Entwicklung von entscheidender Bedeutung.

Studien belegen, dass CSE aufgrund mehrerer Faktoren künstlich ist, darunter Alter, Universitätshintergrund und Lehrerführung. Zum Beispiel wurde festgestellt, dass eine kreative Lernatmosphäre die akademischen Leistungen, das Selbstvertrauen, die Anpassungsfähigkeit, die Problemlösungsfähigkeit, die zwischenmenschlichen Fähigkeiten und die Anwesenheitsquote der Schüler verbessert⁹. Obwohl die oben genannten Studien Faktoren identifizierten, die CSE manipulieren, haben die prädiktiven Rollen der mentalen Wahrnehmung und der akademischen Selbstwirksamkeit (ASE) von Universitätsangehörigen auf CSE nicht genügend wissenschaftliche Aufmerksamkeit erhalten¹¹. Darüber hinaus haben sich die bestehenden Studien hauptsächlich auf Studenten der Mittel- und Hochschulbildung konzentriert, wobei CSE unter Universitätsstudenten nur begrenzt erforscht wurde. Das Decision Tree Model (DTM) ist ein effektiver Data-Mining-Algorithmus im Bereich des maschinellen Lernens (ML)¹². Es analysiert komplexe Entscheidungsprozesse als einfachere Lösungen zur Erklärung 13,14,15. Anhand eines DTM sagten die Forscher erfolgreich die Faktoren voraus, die den Erfolg oder Misserfolg von Fertigungsinnovationen in China beeinflussen, sowie den Prozentsatz der Antworten auf eine Umfrage zur Zufriedenheit, Einstellung und Loyalität der Nutzer^16,17. Diese Forschung zielt darauf ab, die Wirksamkeit der Verwendung von DTM bei der Vorhersage von CSE bei College-Studenten zu bewerten und die Variablen zu identifizieren, die CSE vorhersagen.

In dieser Studie wird das Decision Tree Model (DTM) verwendet, um Schlüsselfaktoren vorherzusagen, die die kreative Selbstwirksamkeit (CSE) bei College-Studenten beeinflussen. DTM wird aufgrund seiner Interpretierbarkeit, seiner Fähigkeit, gemischte Datentypen zu verarbeiten, und seiner Effektivität bei der Modellierung nichtlinearer Beziehungen ausgewählt. Im Gegensatz zu Black-Box-Modellen bietet DTM transparente, regelbasierte Ausgaben, die eine eindeutige Identifizierung von Prädiktorvariablen ermöglichen. Frühere Forschungen in Pädagogik und Psychologie belegen ihren Nutzen bei der Analyse komplexer Entscheidungsszenarien. Seine visuelle Struktur hilft bei der praktischen Interpretation und eignet sich daher für akademische Umgebungen. DTM ist ideal für Forscher, die einen interpretierbaren und datengesteuerten Ansatz suchen, um verhaltensbezogene oder psychologische Ergebnisse mit hoher Klarheit und Relevanz zu modellieren.

Kreative Selbstwirksamkeit
CSE ist die subjektive Entscheidung einer Person über ihre Fähigkeit, kreative Aktivitäten erfolgreich abzuschließen. Sie stellt einen domänenspezifischen Index der allgemeinen Selbstwirksamkeit dar und ist ein wesentlicher Einflussfaktor und psychologische Grundlage für die Aufgaben des Einzelnen und die Umsetzung kreativer Bestrebungen. Tierney und Farmer^18,19 stellten das Pygmalion CSE-Anwendungsmodell vor und behaupteten, dass CSE, ein interner Motivator kreativer Aktivität, die individuelle Kreativität effektiv übernimmt und die Fähigkeit eines Individuums zu kreativen Fähigkeiten signifikant positiv vorhersagt. Darüber hinaus betonen die Wissenschaftler, dass CSE das Selbstvertrauen eines Individuums bei der Aufrechterhaltung kreativer Fähigkeiten sowie seine Fähigkeiten in Lern- und Lebensprozessen widerspiegelt²⁰. Studien zeigen, dass Menschen mit einem höheren CSE-Bewusstsein dazu neigen, sich mehr auf sich selbst zu konzentrieren und sich für Überzeugungen und Ziele zu entscheiden, die mit ihren Interessen und Herausforderungen übereinstimmen, um Selbstwertgefühl und Leistung zu erleben^21,22. Während frühere Forschungen CSE in erster Linie als wesentlichen Bestandteil des kreativen Selbstvertrauens bei der Realisierung des individuellen kreativen Potenzials betont haben 22,23,24, definiert diese Studie die CSE von College-Studenten als Überzeugungen über ihre Fähigkeit, bestimmte erfinderische Verhaltensweisen erfolgreich auszuführen.

Messung und Modell der CSE
CSE wird in der Regel mit Skalen gemessen, die von zuvor entwickelten SDQ-Geräten übernommen und angepasst wurden. Zum Beispiel wurde sie gemessen, indem man die Selbstwirksamkeitsskala²⁵ von Bandura, die Kreativitätsskala²⁶ von Amabile und die Skala²⁷ von Woodman, Sawyer und Griffin adaptierte. Fallstudien, Beobachtungen und Interviews wurden ebenfalls eingesetzt, um CSE im alltäglichen Verhalten von Individuen innerhalb bestimmter Gruppen zu entdecken. Ein beträchtlicher Teil der Studie über CSE konzentrierte sich jedoch auf Unternehmen und ihre Mitarbeiter. Die Anwendung der hypothetischen Ideen dieser Forschungsstudien auf andere Kohorten ist begrenzt. Die Studie zeigte, dass die Unterstützung der Lehrer und die Methode eines positiven Unterrichtsumfelds ein wesentlicher Bestandteil für die Erhöhung der CSE bei Schülern sind²⁸.

Die Rolle eines Lehrers besteht darin, Wissen zu vermitteln, ein Prozess, der von Natur aus Kreativität beinhaltet. Sie kam zu dem Schluss, dass eine erhöhte CSE zu einer stärkeren Beteiligung des Einzelnen an kreativen Fähigkeiten beiträgt, was zu einer besseren kreativen Leistung führt^29,30. In Bezug auf das Alter wurden signifikante geschlechtsspezifische Unterschiede in der CSE bei Hochschulstudenten festgestellt, während die CSE bei erwachsenen Probanden signifikant höher war als bei älteren Probanden. Dies deutet darauf hin, dass der Einfluss des Alters nicht konsistent ist. Die Theorie des kreativen Selbstkonzepts prägt das Verständnis von CSE, das die Bewertung und das Bewusstsein der eigenen Leistung in Bezug auf kreative Fähigkeiten umfasst, kategorisiert in CSE und kreative Selbstidentität 31,32,33,34. Ein kreatives Selbstkonzept hat einen erheblichen Einfluss auf die kreative Motivation, das Verhalten und die Ergebnisse. Basierend auf dieser Theorie haben Forscher strukturierte Modelle entwickelt, um kreatives Selbstkonzept und kreative Fähigkeiten in Bildungs- und Arbeitsumgebungen zu untersuchen³⁵. Darüber hinaus schlug Amabile 1983 ein Komponentenmodell für kreatives Verhalten vor, das kreative Fähigkeiten, Motivation und ein kreatives Umfeld als die drei erforderlichen Bedingungen für kreatives Verhalten identifizierte.

Prädiktive Analysemethoden für CSE
Im Falle der CSE sind die primären prädiktiven Analysemethoden die Regressionsanalyse, die konfirmatorische Faktorenanalyse (CFA), die Hauptkomponentenanalyse (PCA) und die Metaanalyse. Unter Verwendung von Strukturgleichungsmodellierung und CFA fanden Tierney und Farmer heraus, dass kreative Fähigkeiten, Motivation und Umgebung die kreativen Fähigkeiten und CSE von Individuen vorhersagen. Die Arbeit verwendete PCA, um zu zeigen, dass CSE und kreative Selbstidentität ein 2-D des kreativen Selbstkonzepts darstellen, das sich auf die kreative Motivation auswirkt. Forscher, die multiple Regressionsmodelle anwandten, schlagen vor, dass kreative Fähigkeiten, Ziele, Emotionen und Überzeugungen wichtige Prädiktoren für CSE³⁶ sind.

Prädiktoren für CSE
Im Rahmen bestehender akademischer Arbeiten haben sich mehrere Studien auf die CSE von College-Studenten konzentriert oder DTM verwendet, um CSE^37,38 vorherzusagen. Daher zielt diese Forschung darauf ab, die Anwendung von DTM zur Vorhersage der CSE von College-Studenten zu untersuchen. Um dies zu erreichen, begann die Studie mit der Identifizierung von Prädiktoren für CSE in der Literatur (Abbildung 1).

Zunächst schlägt diese Forschung Wahrnehmungsverhalten und Umweltverhalten als Prädiktorfaktoren für CSE vor. Die Theorie des geplanten Verhaltens geht davon aus, dass subjektive Normen, Einstellungen und wahrgenommene Verhaltenskontrolle die Verhaltensabsichten beeinflussen. Die wahrgenommene Verhaltenskontrolle, die gemeinsam durch Kontrollmeinungen und wahrgenommene Assistenzfaktoren bestimmt wird, bezieht sich auf das Ausmaß, in dem eine Person wahrnimmt, dass sie die Kontrolle über ihr Verhalten hat; Dies impliziert, dass die Durchführung von IB das Gefühl der Kontrolle über die Kreativität verbessern kann, das sich aus einem Gefühl von CSE³⁷ ergibt. Eine Studie zeigte, dass Kreativität ein Prädiktor für CSE ist. CSE ist das Selbstbewusstsein, das man in die Fähigkeit hat, kreative Fähigkeiten zu entwickeln, kreative Verhaltensweisen an den Tag zu legen und kreative Ergebnisse zu erzielen. Diese Studien zeigten auch einen positiven Zusammenhang zwischen dem Psychological Sense of School Membership (PSSM) und CSE³⁸. Daher kann CSE von verschiedenen Faktoren im universitären Umfeld übernommen werden, um die Kreativität der Studierenden zu fördern³⁹. In Bezug auf Wahrnehmungsfaktoren schlägt diese Studie PR und ASE als Prädiktoren für CSE vor. Die Forschung hat gezeigt, dass PR die Fähigkeit einer Person ist, stabile emotionale und verhaltensbezogene Reaktionen aufrechtzuerhalten, wenn sie mit Stress, Rückschlägen und Widrigkeiten konfrontiert ist, und schnell zu einem normalen Zustand zurückzukehren. Dementsprechend steht PR in einem signifikanten und positiven Zusammenhang mit emotionaler Kreativität, CSE und allgemeiner Selbstwirksamkeit⁴⁰. Schließlich wurde gezeigt, dass CSE durch ASE vorhergesagt werden kann, die von der Entscheidung und den Überzeugungen einer Person über ihre Fähigkeit, akademische Aufgaben umzusetzen, beeinflusst wird ^41,42. Zusammenfassend schlägt diese Studie vier Prädiktoren für CSE vor: PR, ASE, PSSM und IB.

Protocol

Die Forschung wurde an der Chengdu Normal University in der Provinz SiChuan, China, mit über 17.000 Studenten getestet. Die SDQ-Ressourcen und das Umfragedesign wurden vom Ethikprüfungsausschuss der Chengdu Normal University, Provinz SiChuan, 611130, China, genehmigt. Die Universität führte ihre Befragung vom 10. bis 13. September 2023 durch. Die freiwillige Teilnahme wurde durch die Einholung einer Einwilligungserklärung sichergestellt

1. Einschreibung der Teilnehmer

1. Wählen Sie eine staatliche Universität durch ein klassenbewusstes Zufallsstichprobenverfahren aus. Verwenden Sie die folgenden Kriterien: (i) Bildung für alle folgt dem gleichen Plan und testet die Schüler nach der gleichen Methode; (ii) der Unterricht findet in derselben Sprache (Chinesisch) statt; und (iii) jede Universität hat eine optimale Anzahl von Studenten pro Lehrer. Hier wurde die Chengdu Normal University in der Provinz SiChuan, China, ausgewählt.
2. Ausgewählte Schüler im Alter von 18 bis 21 Jahren, da sie ihr Handeln klarer verstehen als je zuvor.
3. Führen Sie vor der Entwicklung des SDQ-Tools investigative Fokusinterviews mit 5 Studierenden durch, die sich bereit erklärt haben, an der Identifizierung wahrscheinlicher prädiktiver Korrelationen zwischen CSE und den empfohlenen Prädiktoren teilzunehmen. Verwenden Sie anschließend Convenience-Sampling, um willige Schüler einzubeziehen.
4. Wählen Sie alle verifizierten Schüler aus. Insgesamt 607 Studierende haben alle SDQs verifiziert und nach eingehender Prüfung deren Gültigkeit bestätigt. Die demografischen Daten der Befragten zeigten, dass das Verhältnis von Männern zu Frauen zwischen 25,5 % und 74,5 % lag. Was den Wohnhintergrund anbelangt, so stammten 71,4 % der Teilnehmer aus ländlichen Gebieten, während 28,6 % aus städtischen Gebieten stammten. Alle Studierenden absolvierten eine geisteswissenschaftliche Ausbildung nach einem standardisierten Lehrplan. Die Mehrheit der Teilnehmer stammte aus Haushalten mit niedrigem bis mittlerem Einkommen, was die breitere sozioökonomische Zusammensetzung der an öffentlichen Universitäten eingeschriebenen Personen in der Region widerspiegelt.
   HINWEIS: In der Regel tendieren Studierende, die in China eine Lehramtsausbildung aufnehmen, bei ihren Aufnahmeprüfungen für das College zu den freien Künsten. Da Studentinnen in der Regel ein größeres Interesse an kreativen Tätigkeiten zeigen als ihre männlichen Kollegen, ist der Anteil weiblicher Studentinnen an diesen Universitäten in der Regel höher, was die deutliche Dominanz von Frauen in der Stichprobe erklärt.
5. Gruppieren Sie die Teilnehmer nach Geschlecht und Jahrgangsstufe, um sicherzustellen, dass das Modell gerecht ist. Dies verbessert die Anwendbarkeit der Ergebnisse auf die meisten staatlichen Universitäten in Chengdu, die eine ähnliche soziodemografische Bevölkerung haben.

2. Besetzung

HINWEIS: In dieser Studie wurde ein SDQ verwendet, der aus 6 Abschnitten mit 52 Items bestand, die demografische Informationen, die CSE-Skala, die psychologische Resilienzskala, die psychologische Sense of School Membership Scale, die akademische Selbstwirksamkeitsskala und die Creative Behavior Scale abdeckten. Zu den demografischen Daten gehören Geschlecht, Alter und ob die Person aus einem städtischen oder ländlichen Hintergrund stammt. Die englischen Versionen der Skalen sind ins Chinesische übersetzt.

1. Wenden Sie die umgekehrte Übersetzungsmethode⁴³ an. Implementieren Sie Korrekturen und Optimierungen, bevor Sie die SDQ abschließen, und ersetzen Sie die ursprüngliche Bewertungsskala durch eine 5-Punkte-Skala, um die Zuverlässigkeit zu gewährleisten und gleichzeitig die Heterogenität mit anderen Skalen zu gewährleisten und so die Skalenäquivalenz zu gewährleisten.
2. Messen Sie alle Hypothesenelemente auf einer 5-Punkte-Skala von 1 = Stimme überhaupt nicht zu bis 5 = Stimme voll und ganz zu.

3. Akademische Selbstwirksamkeit

1. Verwenden Sie die College Academic Self-Efficacy Scale (CASES),^{die speziell zur} Bewertung der Selbstwirksamkeit bei Studenten der normalen Universität Chengdu in akademischer Ausbildung entwickelt wurde. Der CASES umfasst neun Objekte (z.B. ich möchte es besser machen als die anderen Studierenden; Ich bin sicher, dass ich verstehen kann, was der Lehrer trainiert; Ich möchte im Unterricht gut abschneiden). Der Zuverlässigkeitskoeffizient für diese Skala beträgt 0,897.

4. Innovative Verhaltensskala

1. Um IB zu messen, verwenden Sie die Innovative Behavior Scale⁴⁵. Pflegen Sie die 3D-Skala wie folgt: Altersgruppe innovativer Fähigkeiten (z. B. wenn ich in Schwierigkeiten bin, bekomme ich häufig innovative Fähigkeiten), Förderung innovativer Fähigkeiten (z. B. werde ich Unterstützung von Führungskräften für innovative Fähigkeiten suchen) und Anwendung innovativer Fähigkeiten (z. B. werde ich die innovative Fähigkeit in ein mögliches Training umwandeln). Der Zuverlässigkeitskoeffizient für diese Skala beträgt 0,917.

5. Psychologischer Sinn der Skala der Schulmitgliedschaft

1. Verwenden Sie das PSSM, um das Zugehörigkeitsgefühl der Studierenden zu einer Universität in Bezug auf ihren emotionalen Zustand, ihre Reaktionen, ihren Identitätsnachweis, ihre Bindung und ihre Verhaltenseinstellung zu bewerten.
2. Es wurde von Goodenow⁴⁶ entwickelt, enthält 18 Projekte und wurde allgemein in verschiedene Sprachen übersetzt, darunter Spanisch und Chinesisch. Verwenden Sie die chinesische Version von PSSM mit 18 Elementen (z. B. Ich fühle mich, als gehöre ich zu dieser Universität; Die Studierenden nehmen meine Meinung ernst)⁴⁷. Der Zuverlässigkeitskoeffizient für diese Skala beträgt 0,853.

6. Skala der psychologischen Belastbarkeit

1. Verwenden Sie die 10 Objekte der Connor-Davidson Resilience Scale (CD-RISC-10), um PR⁴⁸ zu messen. Anfänglich mit 25 Objekten verbesserten Campbell-Sills und Stein⁴⁹ die PR-Skala in einer kürzeren Version auf insgesamt 10 Objekte.
2. Verwenden Sie die Skala, um die Gefühle, Reaktionen und die Freundlichkeit einer Person in Bezug auf ihre Fähigkeit zu messen, sich von negativen Fähigkeiten zu heilen und sich flexibel an variable externe Faktoren anzupassen. Es besteht aus 5D, nämlich der Fähigkeit zu Beziehungen (z. B. kann ich flexibel sein und mich anpassen, wenn Veränderungen eintreten), der Toleranz gegenüber negativen Affekten (z. B. kann ich mit Problemen mit Humor umgehen), der Akzeptanz der Veränderung (z. B. ich bin durch Geschicklichkeit stärker), der Kontrolle (z. B. kann ich mit verärgerten Emotionen wie Wut umgehen) und der mentalen Wirkung (z. B. kann ich mich auf meinen Denkprozess konzentrieren, wenn ich unter Druck stehe)⁴⁹. Der Zuverlässigkeitskoeffizient für diese Skala beträgt 0,938.

7. CSE-Skala

1. Verwenden Sie die CSE-Skala, um CSE zu messen, bewerten Sie, wie sehr eine Person glaubt, kreative Fähigkeiten entwickeln zu können⁵⁰. Verdichten Sie die Skala in drei Objekte für die Befragung chinesischer Studenten. Der Zuverlässigkeitskoeffizient für diese Skala beträgt 0,860.

8. Datenerhebung

1. Diese SQD-Forschung zielte darauf ab, die prädiktiven Faktoren von CSE bei Universitätsstudenten aufzudecken. Verwenden Sie einen SDQ, um den CSE-Grad von College-Studenten zusammen mit vier Prädiktoren zu messen⁵¹.
2. Während dieser Zeit ermutigte der Schulleiter die Schüler, freiwillig den SDQ auszufüllen, um den QR-Code am Ende eines jeden Universitätstages anzuzeigen. Teilen Sie den Teilnehmern mit, dass sie auf das SDQ zugreifen können, indem sie den QR-Code scannen, die Fragen beantworten und dann auf Senden klicken.
3. Wichtig ist, dass Sie, bevor die Schüler den QR-Code scannen, den Schulleiter anweisen, den Schülern und Eltern das Ziel der Studie zu erklären. Stellen Sie die freiwillige Teilnahme sicher, indem Sie eine Einwilligungserklärung einholen.
4. Verabreichen Sie den SDQ für die Zielgruppe. Stellen Sie sicher, dass jeder Teilnehmer auf alle obligatorischen Objekte reagiert. Überprüfen Sie die Vollständigkeit und Konsistenz der Antworten.
5. Definieren Sie Kernkonstrukte wie ASE, Parental Resilience (PR) und CSE. Codeantworten mit einer 5-stufigen Likert-Skala von 1 bis 5. Weisen Sie Teilnehmer hohen oder niedrigen Typen zu, indem Sie einen Schwellenwert von 60 % oder mehr der maximalen Skalenbewertung verwenden.
6. Unterteilen Sie das Dataset in Trainings- und Testteilmengen. Verwenden Sie 70 % der Daten (n=423) zum Trainieren des Modells. Ordnen Sie die restlichen 30 % (n=184) zu Testzwecken zu.
7. Wenden Sie den Klassifikations- und Regressionsbaum (CART) an, um signifikante Prädiktoren zu finden. Verwenden Sie Gini-Verunreinigungen, um Knotenteilungen zu bestimmen. Fahren Sie mit dem Aufteilen fort, bis eine minimale Anzahl von Kisten oder keine Verunreinigungen mehr erreicht sind.
8. Werten Sie Knoten für die Bereinigung mit (Mean Square Error) aus. Kürzen Sie einen Knoten, wenn die durch die Bereinigung reduziert wird. Behalten Sie einen Knoten bei, wenn der-Wert nach dem Kürzen zunimmt.
9. Verwenden Sie das Testdataset, um das DTM zu validieren. Berechnen Sie Leistungsmetriken wie Genauigkeit, Sensitivität und Spezifität. Analysieren Sie falsch klassifizierte Fälle, um DTM-Schwachstellen zu finden.
10. Führen Sie eine Produkt-Moment-Korrelationsanalyse nach Pearson durch, um die Beziehungen zwischen Variablen zu untersuchen. Interpretieren Sie die Stärke und Richtung von Korrelationen basierend auf Korrelationskoeffizientenwerten.
11. Verwenden Sie die Regeln der Entscheidungsstruktur, um zu identifizieren, wie PR und ASE CSE-Niveaus vorhersagen. Quantifizieren Sie den Beitrag jeder Variablen zu den Klassifizierungsergebnissen.
12. Erweitern Sie den Funktionsumfang, wenn die Modellgenauigkeit unter den gewünschten Schwellenwert fällt. Trainieren Sie das Modell mit zusätzlichen Variablen oder einer größeren Stichprobengröße neu, um die Genauigkeit zu verbessern.
13. Testen Sie die Generalisierbarkeit des Modells anhand von Daten aus verschiedenen Regionen oder Institutionen. Replizieren Sie das Studienprotokoll, um die Ergebnisse über unabhängige Stichproben hinweg zu validieren.
14. Jede SDQ-Verabreichung dauerte ~25 Minuten. Verwenden Sie eine Umgebungssteuerung, um sicherzustellen, dass Umgebungsgeräusche <45 dB und eine Temperatur von 26-28 °C herrschen.
15. Trainieren Sie einen Moderator pro 15 Schüler durch eine 2-stündige SDQ-Briefing-Sitzung⁵². Mit Hilfe von Standard-Operationsskripten konnten die Moderatoren den Einfluss ihrer eigenen Meinungen auf die Ergebnisse reduzieren⁵³. Bitten Sie den Helfer, alle Anweisungen genau so zu lesen, wie sie geschrieben sind, vermeiden Sie es, mehr als die notwendigen Schritte zu klären, und versuchen Sie nicht, die Testfragen zu erklären. Die Moderatoren halfen dabei, den Einfluss der Interviewer zu eliminieren und stellten sicher, dass die Daten nur aus den Bewertungen der Studierenden stammten⁵⁴.
    HINWEIS: Diese Ergänzungen berücksichtigen die Variabilität bei der Implementierung und verbessern die kontextübergreifende Reproduzierbarkeit. Da die meisten Studenten keine persönlichen Geräte hatten und nur ein Bruchteil der Universitäten über funktionierendes Wi-Fi⁵⁵ verfügte, war die Verwaltung auf Papier die beste Lösung. Darüber hinaus haben Forschungsstudien keine nennenswerten Unterschiede in den psychometrischen Ergebnissen zwischen digitalen SDQ- und Papierformaten bei Personen mit geringerem Lese- und Schreibniveau gezeigt⁵⁶. Für kommende Studien wäre es hilfreich, zu untersuchen, wie Digitalisierung an ressourcenstarken privaten Hochschulen^{funktioniert 57}. Da in diesem Gutachten keine Kodierung vorgenommen wurde, konnte die Inter-Rater-Reliabilität nicht bestimmt werden.

9. Datenanalyse

1. Verwenden Sie eine Data-Mining-Methode, um die Vermessungsdaten^{zu analysieren 58}. Data Mining kann Muster der CSE der Schüler aufdecken und drei Arten von Lernenden finden: integrativ, zielorientiert und Sampling. In dieser Studie wurde DTM verwendet, da es häufig zur Vorhersage der akademischen Leistung und des Lernverhaltens von Schülern verwendet wird und leicht verständliche Regeln generieren kann⁵⁹.
   HINWEIS: Konkret erstellt ein Entscheidungsbaum (DT) Klassifizierungsregeln aus Trainingsgebieten und erzeugt ein leicht verständliches Top-Down-Diagramm, das aus einem Stammknoten, mehreren internen Knoten und mehreren Blattknoten besteht. Sowohl der Stammknoten als auch der interne Knoten stellen die entsprechenden Testbedingungen (d. h. Klassifizierungsmaße)⁶⁰ dar, während die Blattknoten die endgültige Ausgabe darstellen. Regeln können auf der Grundlage des Baummodells abgeleitet werden, das von jedem Knoten gebildet wird. Darüber hinaus beweist DT eine gute Toleranz für Multikollinearität und kann komplexe Korrelationen zwischen Prädiktoren verarbeiten. Zusätzlich wird die definitive DT verwendet, wenn Prädiktorvariablen kategorial sind, während die Regressions-DT für stetige Prädiktorvariablen⁶⁰ geeignet ist.
2. Um festzustellen, ob die CSE der Schüler hoch oder niedrig ist, erstellen Sie ein Vorhersagemodell mit einem bestimmten DT und analysieren Sie die Bedeutung jedes Faktors bei der Vorhersage der CSE.

10. DT-Konstruktion

1. Bestimmen Sie die Aufteilungsschwellen und optimalen Verzweigungsvariablen für das BMK basierend auf der Abnahmerate der Informationsentropie, die das Ausmaß der Verunreinigung des Datensatzes angibt und als Gleichung (1) definiert ist.
   (1)
   Dabei ist D die Stichprobengröße des Trainingsdatensatzes, m, P_k ist das Odds Ratio für jeden Typ.
2. Das Informationsgewinnverhältnis misst die Varianz der Informationsentropie des Datensatzes unter vielen Klassifizierungsmethoden. Berechnen Sie das Verstärkungsverhältnis für den Datensatz D, der durch die ausgewählte Variable C, definiert durch Gleichung (2), in n Teilmengen partitioniert ist.
   (2)
3. Wählen Sie in C5.0 das Attribut mit dem signifikantesten Informationsgewinnverhältnis als Teilungspunkt aus, und bilden Sie die mehreren Verzweigungen basierend auf dem Wert dieses Attributs, um mehrere Teilmengen zu erhalten. Iterieren Sie den Trennprozess, bis die letzte Teilmenge genau den gleichen Datentyp enthält, und realisieren Sie so die induktive Beschriftung von Daten.

11. DT-Schnitt

1. Mit der Schnittmethode die Blattknoten Schicht für Schicht beschneiden. Nachdem das BMK erstellt wurde, führen Sie die Datensätze entsprechend dem trainierten DTM für jeden Blattknoten aus.
2. Berechnen Sie die für blattartige und blattlose Datasets. Knoten abschneiden, wenn die nach dem Trimmen abnimmt; Andernfalls behalten Sie die Knoten bei.

12. DT-Bewertung

1. Verwenden Sie 70 % der Beispieldaten (n = 423) für das Training und die restlichen 30 % (n = 184) für Tests. Die Indikatoren für die Bewertung der Qualität eines Modells sind Genauigkeit, Präzision und Abruf. Die Genauigkeit ist definiert als der prozentuale Anteil der korrekt kategorisierten Stichproben an allen Stichproben. Die Genauigkeit gibt an, wie viele positive Stichproben im Vorhersageergebnis echte positive Stichproben sind, und die Erinnerung gibt an, wie viele positive Stichproben in den realen Stichproben korrekt vorhergesagt werden.

13. Datenanalyse

1. Analysieren Sie die Studienergebnisse mit einer statistischen Analysesoftware. Analysieren Sie zunächst die Häufigkeits- und Konzentrationstrends von CSE sowie Prädiktorfaktoren mit deskriptiven statistischen Analysen. Zweitens: Führen Sie die DT-Analyse mit dem C5.0-Algorithmus durch, der ID3 und C4.5 verbessert, da er schneller läuft und robustere prädiktive Effekte erzeugt.

14. Datenkodierung

1. Bezeichnen Sie die Stichprobe mit 60 % als Differenzierungspunkt in zwei Gruppen: hohe CSE und niedrige CSE. Für die Prädiktoren wurden PR, IB, ASE und PSSM nach bestimmten Prinzipien in binäre Variablen umgewandelt (Tabelle 1).

Results

Deskriptive Statistik
In dieser Studie wurden deskriptive Statistiken für stetige und sequentielle Variablen analysiert (Tabelle 2). Jede Variable wird nach dem Prinzip codiert, dass Werte, die 60 % des Skalenendwerts überschreiten, auf eine überdurchschnittliche Leistung hinweisen. Bemerkenswert ist, dass College-Studenten mit einem Mittelwert von 3,66 und einer Standardabweichung von 0,80, die über 60 % der vollen Skala liegt, eine überdurchschnittliche CSE zu haben scheinen. Dies d...

Discussion

Unter Verwendung von DT-C5.0 wurde in dieser Studie ein Vier-Faktoren-Vorhersagemodell für die CSE von College-Studenten erstellt, um die Rolle dieser Faktoren zu untersuchen. Alle Schlussfolgerungen, die in der Studie gezogen wurden, basierten auf der Literatur und relevanten Datenanalysen.

Die Wirksamkeit des DTM bei der Vorhersage von CSE-Werten wurde in den Evaluierungsergebnissen bestätigt. Die Genauigkeit, Präzision und der Abruf des Modells übe...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
2 TB HDD	Segante	6G SATA 7.2k 3.5" (LFF)	Lagerung
8 GB RAM	Kingston Technology	4Rx4 DDR4 LRDIMM 2666 MT/s.	Lagerung
Intel Core i5	Intel	Core i7	Prozessor
NVIDIA GeForce RTX 4060 Ti	Nvidia Corporation	NA	Grafikkarte
R		( Version 4.1.2)	Programmiersprache
SPSS	IBM	30	Datenvisualisierungstool