Method Article

Análisis predictivo de la autoeficacia creativa de los estudiantes universitarios basado en el modelado de árboles de decisión

DOI:

10.3791/68730

⸱

August 8th, 2025

 ,  ,  , 
1Faculty of Arts and Social Sciences, University of Malaya, 2Faculty of Chemistry and Life Sciences, Chengdu Normal University, 3Qingdao Art School, 4Faculty of Creative Arts, University of Malaya

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

El estudio examina el uso de un modelo de árbol de decisión (DTM) C5.0 modificado para predecir la autoeficacia creativa (CSE) entre estudiantes universitarios. La investigación tiene como objetivo determinar la efectividad de la DTM en la predicción de la EIS e identificar las variables que la predicen.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

La creatividad es un punto focal en la investigación psicológica actual, a nivel nacional e internacional. La autoconciencia de un individuo de su creatividad es vital para determinar su potencial creativo, ayudarlo a comprender sus fortalezas y debilidades y mejorar su autocreatividad. Hay pocos estudios sobre la autopercepción de la creatividad de los estudiantes universitarios y aún menos sobre el uso del árbol de decisión (DT) para predecir dicha autopercepción. Este estudio tuvo como objetivo evaluar la efectividad del uso de un modelo de árbol de decisión (DTM) C5.0 modificado para predecir la autoeficacia creativa (CSE) entre estudiantes universitarios e identificar qué variables podrían servir como predictores de CSE. En respuesta a estas preguntas, 607 estudiantes universitarios de la provincia de Sichuan, China, completaron un Cuestionario de Fortalezas y Dificultades (SDQ) que contenía cinco secciones: escala de resiliencia psicológica, escala de autoeficacia académica, sentido psicológico de pertenencia a la escuela, escala de comportamiento innovador y escala de CSE. El método descrito consiste en proporcionar sistemáticamente el SDQ, calificar los resultados y asignar códigos a las respuestas de 60 estudiantes. Utilizando las subescalas SDQ, se construyó un DTM llamado C5.0 para predecir los tipos de riesgo conductual. El DTM fue entrenado y validado de forma cruzada, mostrando una mejora de 10 veces, y su rendimiento se evaluó por precisión y puntuación F1. Los resultados del DTM C5.0 revisado revelaron que los factores predictivos significativos de la EIS, en orden decreciente de importancia, son la confianza psicológica, el sentido psicológico de pertenencia a la escuela, la autoeficacia académica y el comportamiento innovador. Al demostrar la eficacia de la DTM en la predicción de la EIS de los estudiantes universitarios, esta investigación desarrolló el vínculo entre el aprendizaje básico y la EIS, aumentó la interpretación de la EIS y proporcionó apoyo a la investigación para mejorar la creatividad y la EIS de los estudiantes universitarios.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

La creatividad se considera un motivador esencial para el desarrollo socioeconómico de varios países y se ha convertido progresivamente en un factor primordial en la fortaleza general de una nación. Sin embargo, la investigación indica que las instituciones chinas de educación superior (ES) aún priorizan el conocimiento teórico de los estudiantes, descuidando el cultivo de habilidades de opinión analítica, habilidades autónomas de resolución de problemas y habilidades innovadoras. En consecuencia, varios estudiantes poseen sólidos conocimientos teóricos, pero tienen dificultades para analizar y abordar la pregunta1. Los impactos duales de los entornos personales y sociales impulsan este fenómeno, motivando a los estudiantes universitarios a priorizar el aprendizaje y la competencia social externa sobre sus necesidades emocionales y desarrollo personal. Ha surgido un riesgo significativo en forma de Inteligencia Artificial (IA), de la que la sociedad moderna se ha vuelto demasiado dependiente, hasta el punto de disminuir la opinión individual y las habilidades innovadoras. Este es el resultado de una limitación o regresión en el desarrollo personal y social 2,3.

Por lo tanto, la innovación se ha convertido en un tema candente en la investigación psicológica actual nacional y extranjera, con muchos estudios que significan que la autoeficacia creativa (EIS) tiene un impacto positivo en la creatividad. Al mismo tiempo, la investigación indica que una mayor EIS entre los estudiantes se correlaciona con una perspectiva más positiva de la vida y una mayor confianza en sus habilidades cuando se enfrentan a tareas desafiantes 4,5. De hecho, los bajos niveles de creatividad pueden afectar negativamente todas las características de la vida, incluido un problema competitivo en la carrera de uno. Los estudios han demostrado que la causa principal de la falta de creatividad es la falta de EIS. Como un propósito significativo de la creatividad, la EIS se define como la creencia de un individuo en su capacidad para crear pensamientos creativos, participar en comportamientos creativos y lograr resultados creativos. En equipos, la EIS puede aumentar la creatividad individual en el intercambio de conocimientos y los esfuerzos de colaboración6. Una CSE alta también puede inspirar un nuevo comportamiento innovador (IB) en presencia de emociones optimistas7.

Según lo aconsejado por la psicología cambiante, alrededor de las edades de 10 a 14 años, las habilidades de los estudiantes pueden conducir a cambios en sus emociones y comportamiento porque la edad adulta está sucediendo8, y están lidiando más con sus compañeros y el estrés que conlleva. Debido a que se ha confirmado que el SDQ es confiable y psicométricamente sólido y cubre solo 25 ítems9, se prefirió para esta investigación. Analiza cinco tipos de comportamiento: emociones, acciones en la universidad, nivel de actividad, relaciones en la universidad y ayuda, para ilustrar el estado general de la salud mental de un estudiante. Según los trabajos existentes 4,5, encontraron que el uso del SDQ en China es más efectivo que el uso de tareas conductuales por sí solas para identificar la presencia temprana de desafíos psicológicos y conductuales en los alumnos. Muestra por qué la investigación es esencial y funciona bien en varios entornos universitarios.

Dado que los estudiantes universitarios son la fuerza central y los principales contribuyentes a la sociedad futura, su CSE tiene una importancia particular. La investigación ha revelado que la EIS de los estudiantes está directamente relacionada con las emociones positivas y la dirección del control8. Además, la EIS mejora el comportamiento y el rendimiento de los estudiantes en actividades extracurriculares9. La investigación indica además que la EIS de los estudiantes mejora sus habilidades sociales y la Resiliencia Psicológica (RP), lo que les permite adaptarse a entornos desafiantes10. Las relaciones públicas de los estudiantes impactan positivamente en su flexibilidad, habilidades de afrontamiento, habilidades intelectuales e inhibición emocional11. Por lo tanto, motivar la EIS de los estudiantes en la universidad es vital para el desarrollo social e individual.

Los estudios demuestran que la EIS es artificial debido a varios factores, como la edad, los antecedentes universitarios y la orientación del profesor. Por ejemplo, se ha encontrado que una atmósfera de aprendizaje creativa mejora el rendimiento académico, la confianza en sí mismos, la adaptabilidad, la capacidad de resolución de problemas, las habilidades interpersonales y el porcentaje de asistenciade los estudiantes. Aunque los estudios anteriores identificaron factores que manipulan la EIS, los roles predictivos de las percepciones mentales de los miembros universitarios y la Autoeficacia Académica (ASE) en la EIS no han recibido suficiente atención académica11. Además, los estudios existentes se han centrado principalmente en estudiantes de educación media y superior, con una exploración limitada de la EIS entre los estudiantes universitarios. El modelo de árbol de decisión (DTM) es un algoritmo de minería de datos eficaz en Machine Learning (ML)12. Analiza procedimientos complejos de toma de decisiones como soluciones más fáciles de explicar 13,14,15. Utilizando un DTM, los investigadores predijeron con éxito los elementos que afectan el éxito o el fracaso de la innovación manufacturera en China, así como el porcentaje de respuesta a una encuesta sobre satisfacción, actitud y lealtad del usuario16,17. Esta investigación tiene como objetivo evaluar la efectividad del uso de DTM para predecir la EIS entre estudiantes universitarios e identificar las variables que predicen la EIS.

Este estudio emplea el Modelo de Árbol de Decisión (DTM) para predecir los factores clave que influyen en la Autoeficacia Creativa (CSE) entre los estudiantes universitarios. DTM se selecciona por su interpretabilidad, capacidad para manejar tipos de datos mixtos y efectividad en el modelado de relaciones no lineales. A diferencia de los modelos de caja negra, DTM ofrece salidas transparentes basadas en reglas, lo que permite una identificación clara de las variables predictoras. Investigaciones previas en educación y psicología respaldan su utilidad en el análisis de escenarios complejos de toma de decisiones. Su estructura visual ayuda a la interpretación práctica, lo que lo hace adecuado para entornos académicos. DTM es ideal para investigadores que buscan un enfoque interpretable y basado en datos para modelar resultados conductuales o psicológicos con alta claridad y relevancia.

Autoeficacia creativa
La EIS es la decisión subjetiva de un individuo sobre su capacidad para completar actividades creativas con éxito. Representa un índice de autoeficacia general específico del dominio y es un factor de influencia esencial y una base psicológica para las tareas de los individuos y la implementación de esfuerzos creativos. Tierney y Farmer18,19 introdujeron el modelo de aplicación de CSE de Pygmalion, afirmando que la CSE, un motivador interno de la actividad creativa, adopta eficazmente la creatividad individual y predice significativamente positivamente la capacidad de un individuo para las habilidades creativas. Además, los académicos destacan que la EIS refleja la confianza en sí mismo de un individuo para mantener las habilidades creativas, así como sus habilidades en el aprendizaje y los procesos de vida20. Los estudios indican que las personas con un mayor sentido de EIS tienden a centrarse más en sí mismas, optando por creencias y objetivos que se alinean con sus intereses y desafíos para experimentar la autoestima y el logro21,22. Si bien investigaciones anteriores han enfatizado principalmente la EIS como un componente esencial de las creencias creativas en sí mismos para realizar el potencial creativo individual 22,23,24, este estudio define la EIS de los estudiantes universitarios como creencias sobre su habilidad para completar comportamientos inventivos específicos con éxito.

Medición y modelo de CSE
La EIS generalmente se mide con escalas adoptadas y adaptadas de dispositivos SDQ desarrollados anteriormente. Por ejemplo, se midió adaptando la escala de autoeficacia25 de Bandura, la escala de creatividad26 de Amabile y la escala27 de Woodman, Sawyer y Griffin. También se han empleado estudios de casos, observaciones y entrevistas para descubrir la EIS en los comportamientos cotidianos de los individuos dentro de grupos específicos. Sin embargo, una parte considerable del estudio sobre la EIS se ha centrado en las empresas y sus empleados. La aplicación de las ideas hipotéticas de estos estudios de investigación a otras cohortes es limitada. El estudio presentó que el apoyo de los maestros y el método de un ambiente positivo en el aula son fundamentales para aumentar la EIS entre los estudiantes28.

El papel de un maestro implica impartir conocimientos, un proceso inherentemente relacionado con la creatividad. Concluyó que el aumento de la EIS contribuye a una mayor participación de las personas en las habilidades creativas, lo que conduce a un mejor rendimiento creativo29,30. En cuanto a la edad, se encontraron diferencias significativas basadas en el género en la EIS entre los estudiantes de educación superior, mientras que la EIS de los sujetos adultos fue significativamente mayor que la de los sujetos mayores. Esto propone que el efecto de la edad no es consistente. La teoría del autoconcepto creativo informa la comprensión de la EIS, que abarca la evaluación y la conciencia del desempeño de uno en habilidades creativas, categorizadas en EIS y autoidentidad creativa 31,32,33,34. Un autoconcepto creativo tiene un impacto significativo en la motivación, el comportamiento y los resultados creativos. Con base en esta teoría, los investigadores han desarrollado modelos estructurados para estudiar el autoconcepto creativo y las habilidades creativas en entornos educativos y laborales35. Además, Amabile propuso un modelo componente de comportamiento creativo en 1983, identificando la capacidad creativa, la motivación y un entorno creativo como las tres condiciones requeridas para el comportamiento creativo.

Métodos de análisis predictivo para CSE
En el caso de la EIS, los principales métodos de análisis predictivo son el análisis de regresión, el análisis factorial confirmatorio (AFC), el análisis de componentes principales (ACP) y el metanálisis. Utilizando modelos de ecuaciones estructurales y CFA, Tierney y Farmer encontraron que la habilidad creativa, la motivación y el entorno predicen las habilidades creativas y la EIS de los individuos. El trabajo utilizó PCA para demostrar que la EIS y la autoidentidad creativa constituyen la 2-D del autoconcepto creativo, lo que afecta la motivación creativa. Los investigadores que aplicaron modelos de regresión múltiple proponen que las habilidades creativas, los objetivos, las emociones y las creencias son predictores vitales de la EIS36.

Predictores de CSE
Dentro de los trabajos académicos existentes, varios estudios se han centrado en la EIS de los estudiantes universitarios o han utilizado DTM para predecir la EIS37,38. Por lo tanto, esta investigación tiene como objetivo explorar la aplicación de DTM para predecir la EIS de los estudiantes universitarios. Para lograrlo, el estudio comenzó identificando predictores de CSE en la literatura (Figura 1).

En primer lugar, esta investigación propone el comportamiento perceptivo y el comportamiento ambiental como factores predictores de la EIS. La teoría del comportamiento planificado postula que las normas subjetivas, las actitudes y el control conductual percibido influyen en las intenciones conductuales. Determinado conjuntamente por opiniones de control y factores de asistencia percibidos, el control conductual percibido se refiere a la medida en que una persona percibe que tiene el control del comportamiento en el que participa; esto implica que realizar IB puede mejorar el sentido de control sobre la creatividad, que resulta de un sentido de CSE37. Un estudio demostró que la creatividad es un predictor de la EIS. La EIS es la confianza en sí mismo que uno tiene en su capacidad para desarrollar habilidades creativas, participar en comportamientos creativos y lograr resultados creativos. Estos estudios también demostraron una conexión positiva entre el Sentido Psicológico de la Membresía Escolar (PSSM) y CSE38. Por lo tanto, la EIS puede ser adoptada por diversos factores en el ambiente universitario para fomentar la creatividad de los estudiantes39. En cuanto a los factores perceptuales, este estudio propone la RP y la ASE como predictores de la EIC. La investigación ha demostrado que las relaciones públicas son la capacidad de una persona para mantener respuestas emocionales y conductuales estables cuando se enfrenta al estrés, los contratiempos y la adversidad y para volver rápidamente a un estado normal. En consecuencia, las relaciones públicas se relacionan significativa y positivamente con la creatividad emocional, la EIS y la autoeficacia general40. Finalmente, se ha demostrado que la EIS puede ser predicha por la EAS, que está influenciada por la decisión y las creencias de una persona sobre su capacidad para implementar tareas académicas41,42. En resumen, este estudio propone cuatro predictores de CSE: PR, ASE, PSSM e IB.

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

La investigación se probó en la Universidad Normal de Chengdu, provincia de SiChuan, China, con más de 17.000 estudiantes. Los recursos de SDQ y el diseño de la encuesta fueron aprobados por el Comité de Revisión de Ética de la Universidad Normal de Chengdu, provincia de Sichuan, 611130, China. La universidad realizó su encuesta del 10 al 13 de septiembre de 2023. La participación voluntaria se aseguró mediante la obtención del consentimiento informado

1. Inscripción de participantes

  1. Seleccione una universidad pública a través de un método de muestreo aleatorio consciente de la clase. Utilice los siguientes criterios: (i) la educación para todos sigue el mismo plan y evalúa a los estudiantes en el mismo método; (ii) la enseñanza es en el mismo idioma (chino); y (iii) cada universidad tiene un número óptimo de estudiantes por cada maestro. Aquí, se seleccionó la universidad normal de Chengdu, provincia de SiChuan, China.
  2. Seleccione estudiantes de 18 a 21 años, ya que entienden sus acciones con más claridad que nunca.
  3. Antes de diseñar la herramienta SDQ, realice entrevistas de enfoque de investigación con 5 estudiantes que aceptaron participar en la identificación de posibles correlaciones predictivas entre CSE y los predictores recomendados. Posteriormente, utilice el muestreo por conveniencia para involucrar a los estudiantes dispuestos.
  4. Selecciona todos los estudiantes verificados. Un total de 607 estudiantes verificaron todos los SDQ y confirmaron su validez después de una verificación exhaustiva. Los datos demográficos de los encuestados mostraron que la proporción hombre-mujer era del 25,5% al 74,5%. En cuanto al origen residencial, el 71,4% de los participantes eran de zonas rurales, mientras que el 28,6% procedían de entornos urbanos. Todos los estudiantes estaban siguiendo una educación en artes liberales bajo un marco curricular estandarizado. La mayoría de los participantes pertenecían a hogares de ingresos bajos a medios, lo que refleja la composición socioeconómica más amplia de los matriculados en universidades públicas en la región.
    NOTA: Por lo general, los estudiantes que ingresan a la educación superior de formación docente en China se inclinan hacia las artes liberales en sus exámenes de ingreso a la universidad. Dado que las estudiantes generalmente muestran un mayor interés en las actividades creativas que sus homólogos masculinos, generalmente hay un mayor porcentaje de estudiantes mujeres en estas universidades, lo que explica el importante predominio de mujeres en la muestra.
  5. Agrupe a los participantes por género y grado para garantizar que el modelo sea equitativo. Esto mejora la aplicabilidad de los resultados a la mayoría de las universidades operadas por el gobierno en Chengdu, que tienen poblaciones sociodemográficas similares.

2. Instrumentación

NOTA: Este estudio utilizó un SDQ que comprende 6 secciones que contienen 52 ítems, que cubren información demográfica, la Escala CSE, la Escala de Resiliencia Psicológica, la Escala de Sentido Psicológico de la Membresía Escolar, la Escala de Autoeficacia Académica y la Escala de Comportamiento Creativo. Los datos demográficos incluyen género, edad y si el individuo es de origen urbano o rural. Las versiones en inglés de las escalas se traducen al chino.

  1. Aplicar el método de traducción inversa43. Implemente correcciones y optimizaciones antes de finalizar el SDQ y reemplace la escala de puntuación original con una escala de 5 puntos para mantener la confiabilidad y garantizar la heterogeneidad con otras escalas, asegurando así la equivalencia de la escala.
  2. Mida todos los elementos de la hipótesis en una escala de 5 puntos de 1 = Totalmente en desacuerdo a 5 = Totalmente de acuerdo.

3. Autoeficacia académica

  1. Utilice la Escala de Autoeficacia Académica Universitaria (CASES) que fue44 diseñada específicamente para evaluar la autoeficacia entre los estudiantes de la universidad normal de Chengdu en formación académica. El CASES comprende nueve objetos (por ejemplo, me gustaría hacerlo mejor que los otros estudiantes; Estoy seguro de que puedo entender lo que el maestro está entrenando; Quiero que me vaya bien en clase). El coeficiente de confiabilidad para esta escala es 0.897.

4. Escala de comportamiento innovadora

  1. Para medir el IB, utilice la Escala de Comportamiento Innovador45. Mantenga el 3-D de la escala de la siguiente manera: grupo de edad de habilidades innovadoras (p. ej., cuando estoy en problemas, con frecuencia obtengo habilidades innovadoras), promoción de habilidades innovadoras (p. ej., buscaré apoyo gerencial para habilidades innovadoras) y aplicación de habilidades innovadoras (p. ej., convertiré la habilidad innovadora en una posible capacitación). El coeficiente de confiabilidad para esta escala es 0.917.

5. Sentido psicológico de la escala de membresía escolar

  1. Utilice el PSSM para evaluar el sentido de pertenencia de los estudiantes a una universidad con respecto a su estado emocional, reacciones, prueba de identidad, apego y actitud conductual.
  2. Desarrollado por Goodenow46, contiene 18 proyectos y ha sido traducido generalmente a varios idiomas, incluidos el español y el chino. Use la versión china de PSSM con 18 elementos (por ejemplo, siento que pertenezco a esta universidad; Los estudiantes toman en serio mis opiniones)47. El coeficiente de confiabilidad para esta escala es 0.853.

6. Escala de resiliencia psicológica

  1. Utilice los 10 objetos de la Escala de Resiliencia de Connor-Davidson (CD-RISC-10) para medir PR48. Inicialmente, con 25 objetos, Campbell-Sills y Stein49 mejoraron la escala PR a 10 objetos en total en una versión más corta.
  2. Use la escala para medir los sentimientos, las reacciones y la amabilidad de un individuo sobre su habilidad para sanar de las habilidades negativas y adaptarse de manera flexible a factores externos variables. Comprende 5D, es decir, la capacidad de relacionarse (p. ej., puedo ser flexible y adaptarme cuando ocurre el cambio), tolerancia al afecto negativo (p. ej., puedo hacer frente a los problemas con humor), aceptación del cambio (p. ej., soy más fuerte a través de la habilidad), control (p. ej., puedo lidiar con emociones molestas como la ira) e impacto mental (p. ej., puedo concentrarme en mi proceso de pensamiento cuando estoy bajo presión)49. El coeficiente de confiabilidad para esta escala es 0.938.

7. Escala CSE

  1. Utilice la escala CSE para medir la EIS, evalúe cuánto cree una persona que puede crear habilidades creativas50. Condensa la escala en tres objetos para la encuesta de estudiantes chinos. El coeficiente de confiabilidad para esta escala es 0.860.

8. Recopilación de datos

  1. Esta investigación de SQD tuvo como objetivo revelar los factores predictivos de la EIS entre estudiantes universitarios. Use un SDQ para medir el nivel de EIS de los estudiantes universitarios junto con cuatro predictores51.
  2. Durante este período, el director alentó a los estudiantes a completar voluntariamente el SDQ para mostrar el código QR al final de cada día universitario. Dígales a los participantes que pueden acceder al SDQ escaneando el código QR, respondiendo las preguntas y luego haciendo clic en Enviar.
  3. Es importante destacar que, antes de que los estudiantes escaneen el código QR, indique al director que explique el objetivo del estudio a los estudiantes y padres. Garantizar la participación voluntaria encontrando el consentimiento informado.
  4. Administrar el SDQ a la población estudiantil objetivo. Asegúrese de que cada participante responda a todos los objetos obligatorios. Valide la integridad y consistencia de las respuestas.
  5. Defina construcciones básicas como ASE, resiliencia parental (PR) y CSE. Codifique las respuestas utilizando una escala Likert de 5 puntos que va de 1 a 5. Asigne a los participantes a tipos altos o bajos utilizando un umbral del 60% o más de la puntuación máxima de la escala.
  6. Divida el conjunto de datos en subconjuntos de entrenamiento y prueba. Utilice el 70 % de los datos (n = 423) para entrenar el modelo. Asigne el 30% restante (n = 184) para fines de prueba.
  7. Aplique el árbol de clasificación y regresión (CART) para encontrar predictores significativos. Utilice la impureza de Gini para determinar las divisiones de nodos. Continúe dividiendo hasta alcanzar un número mínimo de casos o cero impurezas.
  8. Evalúe los nodos para la poda utilizando el error cuadrático medio (MSE). Truncar un nodo si la poda reduce el MSE. Conserve un nodo si MSE aumenta después del recorte.
  9. Utilice el conjunto de datos de prueba para validar el DTM. Calcule métricas de rendimiento como precisión, sensibilidad y especificidad. Analice los casos mal clasificados para encontrar debilidades de DTM.
  10. Realice un análisis de correlación producto-momento de Pearson para estudiar las relaciones entre variables. Interpretar la fuerza y la dirección de las correlaciones en función de los valores del coeficiente de correlación.
  11. Use las reglas del árbol de decisión para identificar cómo PR y ASE predicen los niveles de CSE. Cuantificar la contribución de cada variable a los resultados de la clasificación.
  12. Expanda el conjunto de características si la precisión del modelo cae por debajo del umbral deseado. Vuelva a entrenar el modelo con variables adicionales o un tamaño de muestra mayor para mejorar su precisión.
  13. Pruebe la generalización del modelo utilizando datos de diferentes regiones o instituciones. Replique el protocolo del estudio para validar los hallazgos en muestras independientes.
  14. Cada administración de SDQ tomó ~ 25 min. Utilice un control ambiental para garantizar el ruido ambiental <45 dB y la temperatura a 26-28 °C.
  15. Capacitar a un facilitador por cada 15 estudiantes, a través de una sesión informativa SDQ de 2 h52. Con la ayuda de guiones operativos estándar, los facilitadores pudieron reducir el impacto de sus propias opiniones en los resultados53. Pídale al ayudante que lea todas las instrucciones exactamente como están escritas, evite aclarar más de los pasos necesarios y no intente explicar las preguntas de la prueba. Los facilitadores ayudaron a eliminar el impacto de los entrevistadores y se aseguraron de que los datos provinieran solo de las evaluaciones de los estudiantes54.
    NOTA: Estas adiciones abordan la variabilidad en la implementación y mejoran la reproducibilidad intercontextual. Dado que la mayoría de los estudiantes no tenían dispositivos personales y solo una fracción de las universidades tenían Wi-Fi55 en funcionamiento, la administración en papel era la mejor solución. Además, los estudios de investigación no han mostrado diferencias notables en los resultados psicométricos entre los formatos digitales y en papel de SDQ entre individuos con niveles de alfabetización más bajos56. Sería útil en los próximos estudios examinar cómo funciona la digitalización en las universidades privadas con recursos sólidos57. Como no se realizó ninguna codificación en esta opinión, no se pudo determinar la confiabilidad entre evaluadores.

9. Análisis de datos

  1. Utilizar un método de minería de datos para analizar los datos de la encuesta58. La minería de datos puede revelar patrones de EIS de los estudiantes y encontrar tres tipos de estudiantes: integradores, orientados a objetivos y muestreo. Este estudio optó por DTM ya que ha sido ampliamente utilizado para predecir el rendimiento académico y los comportamientos de aprendizaje de los estudiantes y puede generar reglas fácilmente comprensibles59.
    NOTA: Específicamente, un árbol de decisión (DT) crea reglas de clasificación a partir de muestras de entrenamiento y produce un gráfico descendente fácil de entender que consta de un nodo raíz, varios nodos internos y varios nodos hoja. Tanto los nodos raíz como los internos representan las condiciones de prueba correspondientes (es decir, medidas de clasificación)60, mientras que los nodos hoja representan el resultado final. Las reglas se pueden inferir en función del modelo de árbol formado por cada nodo. Además, DT demuestra una buena tolerancia a la multicolinealidad y puede manejar correlaciones complejas entre predictores. Además, la DT definida se emplea cuando las variables predictoras son categóricas, mientras que la DT de regresión es adecuada para variables predictoras continuas60.
  2. Para determinar si la EIS de los estudiantes es alta o baja, cree un modelo predictivo utilizando un DT definido y analice la importancia de cada factor en la predicción de la EIS.

10. Construcción DT

  1. Determine los umbrales de división y las variables de ramificación óptimas para el DT en función de la tasa de disminución de la entropía de información, que indica el grado de impureza del conjunto de datos y se define como Ecuación (1).
    figure-protocol-1(1)
    donde D es el tamaño de la muestra del conjunto de datos de entrenamiento, m, Pk es la razón de probabilidades para cada tipo.
  2. La relación de ganancia de información mide la varianza en la entropía de información del conjunto de datos bajo muchos métodos de clasificación. Calcule la relación de ganancia para el conjunto de datos D, dividida en n subconjuntos por la variable seleccionada C, definida por la ecuación (2).
    figure-protocol-2(2)
  3. En C5.0, seleccione el atributo con la relación de ganancia de información más significativa como punto de división y forme las múltiples ramas en función del valor de ese atributo para obtener varios subconjuntos. Iterar el proceso de separación hasta que el último subconjunto contenga exactamente el mismo tipo de datos, realizando así el etiquetado inductivo de los datos.

11. Poda DT

  1. Usando el método de poda, pode los nodos de las hojas capa por capa. Una vez creado el DT, repita los conjuntos de datos en cada nodo hoja de acuerdo con el DTM entrenado.
  2. Calcule el MSE para conjuntos de datos con hojas y sin hojas. Truncar nodos si el MSE disminuye después del recorte; de lo contrario, conserve los nodos.

12. Evaluación DT

  1. Utilice el 70% de los datos de la muestra (n = 423) para el entrenamiento y el 30% restante (n = 184) para las pruebas. Los indicadores para evaluar la calidad de un modelo son la exactitud, la precisión y la recuperación. La precisión se define como el porcentaje de muestras correctamente categorizadas de todas las muestras; La precisión es cuántas muestras positivas son muestras positivas reales en el resultado de la predicción, y la recuperación es cuántas muestras positivas se predicen correctamente en las muestras reales.

13. Análisis de datos

  1. Analizar los resultados del estudio utilizando un software de análisis estadístico. Primero, analizar las tendencias de frecuencia y concentración de CSE, así como los factores predictores, utilizando análisis estadísticos descriptivos. En segundo lugar, realice análisis DT utilizando el algoritmo C5.0, que mejora ID3 y C4.5 a medida que se ejecuta más rápido y genera efectos predictivos más sólidos.

14. Codificación de datos

  1. Usando el 60% como punto de diferenciación, etiquete la muestra en dos grupos: CSE alto y CSE bajo. Para los predictores, PR, IB, ASE y PSSM se convirtieron en variables binarias de acuerdo con principios específicos (Tabla 1).

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Estadística descriptiva
Este estudio analizó la estadística descriptiva para variables continuas y secuenciales (Tabla 2). Cada variable se codifica según el principio de que los valores superiores al 60% de la escala completa indican un rendimiento superior a la media. En particular, los estudiantes universitarios parecen tener una EIS superior a la media, con un valor medio de 3,66 y una desviación estándar de 0,80, que supera el 60% de la escala completa. Esto propone que la mayorí...

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Usando DT-C5.0, este estudio construyó un modelo predictivo de cuatro factores de la EIS de los estudiantes universitarios para explorar el papel de estos factores. Todas las conclusiones extraídas en el estudio se basaron en la literatura y en los análisis de datos relevantes.

La efectividad de la DTM en la predicción de niveles de EIS se verificó en los resultados de la evaluación. La exactitud, precisión y recuperación del modelo superó el criterio...

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Los autores no tienen nada que revelar

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

No aplicable

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
2 TB HDDSegante6G SATA 7.2k 3.5"(LFF) almacenamiento
8 GB de RAMTecnología Kingston 4Rx4 DDR4 LRDIMM 2666 MT/s.almacenamiento
  Intel Core i5IntelCore i7 procesador
NVIDIA GeForce RTX 4060 TiNvidia CorporationNATarjeta Gráfica
R ( versión 4.1.2) Lenguaje de programación 
Herramienta de visualización de datosSPSSIBM30

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Han, X., Zhang, J., Yang, Q. Correlation Analysis of Peripheral Blood Cell Immunity and Survival Rate in Mid-to-Late-Stage Cervical Cancer Patients. China Pharm Clin Res. 20 (19), 3180-3183 (2020).
  2. Fisher, D. M., LeNoble, C. A., Vanhove, A. J. An integrated perspective on individual and team resilience: Moving from multilevel structure to cross-level effects. Appl Psychol. 72 (3), 1043-1074 (2023).
  3. Tu, Y., Zhang, L. Relationship between Team Conflict and Performance in Green Enterprises: A Cross-Level Model Moderated by Leaders' Political Skills. Complexity. 2021 (1), 6635426(2021).
  4. Liu, L., Wan, Z., Wang, L. Cross-level research on the impact of self-serving leadership on employee innovation behavior: The roles of workplace anxiety and team psychological safety. Front Psychol. 13, 1069022(2023).
  5. Kravchuk, S. To the problem of social competence research as conditions of partner interaction, participants of the reform process. Herald Kiev Inst Business Tech. 3 (42), 102-107 (2019).
  6. Shi, L., Sun, J., Wei, D., Qiu, J. Recover from the adversity: functional connectivity basis of psychological resilience. Neuropsychologia. 122, 20-27 (2019).
  7. Ramsey, J. R., Lorenz, M. P., Liu, J. T., Posthuma, R. A., Gonzalez-Brambila, C. N. Exploring perceived innovativeness in Central America and the Caribbean: cross-level interactions of perceived camaraderie, organizational camaraderie climate, and organizational gender diversity. Int J Human Res Manag. 33 (15), 3113-3148 (2022).
  8. Stone, D., Hess, J. School Students' Implicit Theories of Creativity and their Self Perceptions as Artists. Creativity Res J. 32, 369-377 (2020).
  9. Skrbinjek, V., Dermol, V. Predicting students' satisfaction using a decision tree. Tert Educ. Manag. 25, 101-113 (2019).
  10. Han, J., et al. Using Decision Tree to Predict Response Rates of Consumer Satisfaction Attitude, and Loyalty Surveys. Sustainability. 11, 2306(2019).
  11. Cheng, Y. J., Teng, C. C. Multi-level investigation of the mechanism of the relationship between hotel resilient leadership and performance: The cross-level moderating effect of adaptation strategies. Int J Hospital Manag. 130, 104251(2025).
  12. Zahraa Mudheher Modhee, M. M. Using Collaborative Learning and Self-construction Methodologies to Enhance Art Education and Creative Expression Skills Among Secondary School Students. Eur J Humanities Edu Adv. 5 (12), 49-64 (2024).
  13. Jiang, B., Qiu, H., Liu, S., Zhang, J. Employee perceived overqualification and innovation performance: the roles of self-oriented perfectionism and job crafting. Front Psychol. 15, 1398163(2024).
  14. Wang, D., Ying, X., He, M. The Influence of Innovative Self-Efficacy on Creative Achievement: The Moderating Effect of Perseverance. Chinese J Social Psychol Rev. 19 (2), 194-217 (2020).
  15. Chen, X., Cheng, L. Emotional intelligence and creative self-efficacy among gifted children: Mediating effect of self-esteem and moderating effect of gender. J Intell. 11 (1), 17(2023).
  16. Stephens, Z. Constructing Self within the Japanese Experimental Noise Genre. , Emory University. (2025).
  17. Boyqobilova, N. U. The theory of the self-organization of primary school students' educational activities is based on a synergistic approach. Mental Enlighten Sci Methodol J. 5 (03), 101-110 (2024).
  18. Su, Y. S., Shao, M., Zhao, L. Effect of mind mapping on creative thinking of children in scratch visual programming education. J Edu Comput Res. 60 (4), 906-929 (2022).
  19. Alfred, B. 34;WHO am I?": A Comparative Metadiscourse Analysis of Identity and Self-construction on LinkedIn Profiles and X Bios. J Linguistics Cult Commun. 3 (1), 120-150 (2025).
  20. Fermani, A. Some Reflection Ideas From the Ancient Roots About the Link Between Creativity and Freedom for Modern Societies. Eco Syst Human Rights Using Socioeco Models Pract Promote Global Eco Socializat. , 33-43 (2025).
  21. Wang, J., Geng, J., Xiao, Y. From Intentions to Actions: An Integrated Model of Academic Entrepreneurship Behavior Based on the Theory of Planned Behavior. Foreign Eco Manag. 42 (7), 64-81 (2020).
  22. Pouyaud, J., Angel, V. Between norms and margins: The "Norms-Fringe-Margins" model. A dynamic model of psychosocial self-construction through an expanded notion of working. Australian J Career Dev. 32 (3), 264-274 (2023).
  23. Hidajat, F. A., Haeruman, L. D., Wiraningsih, E. D., Pambudi, D. S. The effect of digital technology learning based on guided discovery and self-regulated learning strategy on mathematical creativity. Int J Infor Edu Technol. 13 (3), 535-543 (2023).
  24. Huang, J., Dong, Y., Han, C., Wang, X. Evaluating the Language-and Culture-Related Construct-Irrelevant Variance and Reliability of the Sense of School Belonging Scale: Suggestions for Revision. J Psychoedu Assess. 41 (8), 852-871 (2023).
  25. Gao, J., Li, Y., Wu, X. Revision and validation of the Connor-Davidson Resilience Scale of coal miners in China. Int J Indust Ergonom. 85, 103191(2021).
  26. Nartova-Bochaver, S., Korneev, A., Bochaver, K. Validation of the 10-item connor-davidson resilience scale: the case of russian youth. Front Psychiat. 12, 611026(2021).
  27. Wang, B., Mo, L., Wang, X. Impact of Cross-Cultural Adaptation and Innovative Self-Efficacy on Innovative Behavior: A Case Study of Chinese Employees in Sino-Thai Joint Ventures. J China-ASEAN Stud. 4 (1), 1-18 (2023).
  28. Mathur, S., Badone, A. A methodological study and analysis of machine learning algorithms. Int J Adv Technol Eng Explorat. 6 (51), 45-49 (2019).
  29. Davis, M. M., Howard, M. C. Understanding Narcissism in the Workplace: The Dual Impact of Self-Efficacy and Political Skill on Attitudes and Performance. J Organ Psychol. 24 (4), 87-109 (2024).
  30. Grosser, T. J., Gilson, L. L., Dong, Y., Madjar, N. Creative self-enhancement in a team context: The role of gender, creative self-concept, and trait hypercompetitiveness. Psychol Aesth Creativity Arts. 18 (3), 417(2024).
  31. Zhao, F., Kumamoto, E., Yin, C. The effect and contribution of e-book logs to model creation for predicting students' academic performance. Int Conf Adv Learning Technol. , 187-189 (2021).
  32. Johnston, D., López, I. Expanding our view of global learning outcomes. Wiley Handbook Collaborat Online Learning Global Engage. , 264-293 (2022).
  33. Zhao, X., Wu, L. Classification and Pruning Strategy of Knowledge Data Decision Tree Based on Rough Set. Adv Intelligent Syst Comp. , 1057-1063 (2019).
  34. Zhang, J. Yet Another Representation of Binary Decision Trees: A Mathematical Demonstration. ArXiv. , (2021).
  35. Jadhav, P., Patil, D., Gore, D. A Comparative Study of Linear Regression and Regression Tree. 2nd Int Conf Commun Info Proc. , 1-10 (2020).
  36. Witten, I. H., Frank, E., Hall, M. A. Data Mining: Practical Machine Learning Tools and Techniques. , 3rd Edition, Morgan Kaufmann Publishers. Burlington. (2011).
  37. Che, D., Liu, Q., Rasheed, K., Tao, X. Decision tree and ensemble learning algorithms with their applications in bioinformatics. Soft Tools Algorithm Biol Syst. SE-19. , 191-199 (2011).
  38. Verine, A., Négrevergne, B., Pydi, M., Chevaleyre, Y. Training Normalizing Flows with the Precision-Recall Divergence. ArXiv. , (2023).
  39. Chen, X., Padilla, A. M. Emotions and creativity as predictors of resilience among L3 learners in the Chinese educational context. Current Psychol. 12, 1-11 (2019).
  40. Israelashvili, J. More positive emotions during the COVID-19 pandemic are associated with better resilience, especially for those experiencing more negative emotions. Front Psychol. 12, 648112(2021).
  41. Arslan, G. Psychological maltreatment predicts decreases in social wellbeing through resilience in college students: A conditional process approach of positive emotions. Curr Psychol. 42 (3), 2110-2120 (2023).
  42. Baker, F. R., Baker, K. L., Burrell, J. Introducing the skills-based model of personal resilience: Drawing on content and process factors to build resilience in the workplace. J Occupat Organizat Psychol. 94 (2), 458-481 (2021).
  43. Yuan, W., Li, X., Ma, L. The Relationship between Positive Psychological Traits and Subjective Well-being in Vocational College Students: The Chain Mediating Role of Perceived Social Support and School Belonging. Chinese J Health Psychol. 29 (4), 615(2021).
  44. Kitsantas, A., Cleary, T. J., Whitehead, A. Relations among Classroom Context, Student Motivation and Mathematics Literacy: A Social Cognitive Perspective. Metacognit Learning. 16 (2), 255-273 (2020).
  45. Ji, C., Zhao, H. The Relationship among Teacher Support, Academic Self-Efficacy, and Academic Performance in Elementary and Middle School Students: A Meta-Analytic Structural Equation Model. Teacher Edu Res. 6, 106-113 (2021).
  46. Li, X., Qiao, H., Liu, Y. The Impact of Middle School Students' Perception of Teacher Emotional Support on Learning Fatigue: A Moderated Mediation Model. Chinese J Clin Psychol. 2, 414-417 (2019).
  47. Taggar, S. The Cognitive Underpinnings of Creativity in Teams. Oxford Handbook Group Creativity Innovat. , 10-32 (2019).
  48. Li, C., Yang, Y., Lin, C., Liu, J. The complex within-person relationship between individual creative expression and subsequent creative process engagement. Eur J Work Organiz Psychol. 29, 822-840 (2020).
  49. Li, D., Ortegas, K. D., White, M. Exploring the Computational Effects of Advanced Deep Neural Networks on Logical and Activity Learning for Enhanced Thinking Skills. Systems. 11 (7), 319(2023).
  50. Huang, F., et al. Large Language Model Simulator for Cold-Start Recommendation. , New York, NY, USA. (2025).
  51. Zhang, Z., Liu, Z., Ning, L., Tian, H., Wang, B. Belief-based Fuzzy and Imprecise Clustering for Arbitrary Data Distributions. IEEE Transact Fuzzy Syst. , 1-13 (2025).
  52. Liu, S., et al. Dual-view cross attention enhanced semi-supervised learning method for discourse cognitive engagement classification in online course discussions. Exp Syst Appl. 278, 127339(2025).
  53. Chang, W., Zeng, Q., Zhou, B. Association of education level with mortality in United States - A cross-sectional study. Acta Psychol. 253, 104774(2025).
  54. Li, D., Zhang, M., Zhou, S., Yu, X. Structural equation modeling and validation of virtual learning community constructs based on the Chinese evidence. Interact Learning Environ. , 1-16 (2025).
  55. Hao, S., et al. Group membership modulates the hold-up problem: an event-related potentials and oscillations study. Soc Cognit Affect Neurosci. 18 (1), nsad071(2023).
  56. Peng, Y., Zhao, Y., Dong, J., Hu, J. Adaptive opinion dynamics over community networks when agents cannot express opinions freely. Neurocomputing. 618, 129123(2025).
  57. Zhang, H., Xia, B., Li, Q., Wang, X. The effect of self-enhancement motivation and political skill on the relationship between workplace exclusion and ingratiation. Curr Psychol. 44 (7), 5399-5412 (2025).
  58. Li, J., et al. Is stress always bad? The role of job stress in producing innovative ideas. Knowledge Manag Res Pract. 23 (1), 77-88 (2023).
  59. Tsitsa, I., Krystkowiak, I., Davey, N. E. CompariPSSM: a PSSM-PSSM comparison tool for motif-binding determinant analysis. Bioinformatics. 40 (11), btae644(2024).
  60. Letzgus, S., et al. Toward explainable artificial intelligence for regression models: A methodological perspective. IEEE Signal Proc Magazine. 39 (4), 40-58 (2022).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Creative Self EfficacyDecision Tree ModelingCollege StudentsC5 0 Decision TreePsychological ResilienceAcademic Self EfficacySchool MembershipInnovative BehaviorBehavioral Risk PredictionStrengths And Difficulties Questionnaire
Video Coming Soon

Related Articles