Analyse prédictive de l’auto-efficacité créative des étudiants basée sur la modélisation de l’arbre de décision

Summary

L’étude examine l’utilisation d’un modèle d’arbre de décision (DTM) C5.0 modifié pour prédire l’auto-efficacité créative (ECS) chez les étudiants. La recherche vise à déterminer l’efficacité de la MNT dans la prédiction de l’ECS et à identifier les variables qui la prédisent.

Abstract

La créativité est au cœur de la recherche psychologique actuelle, tant au pays qu’à l’étranger. La conscience de soi d’un individu est essentielle pour déterminer son potentiel créatif, l’aider à comprendre ses forces et ses faiblesses et améliorer sa propre créativité. Il existe peu d’études sur la perception de la créativité par les étudiants et encore moins sur l’utilisation de l’arbre de décision (DT) pour prédire une telle perception de soi. Cette étude visait à évaluer l’efficacité de l’utilisation d’un modèle d’arbre de décision (DTM) C5.0 modifié pour prédire l’auto-efficacité créative (ECS) chez les étudiants collégiaux et à identifier les variables qui pourraient servir de prédicteurs de l’ECS. En réponse à ces questions, 607 étudiants de la province du Sichuan, en Chine, ont rempli un questionnaire sur les forces et les difficultés (SDQ) contenant cinq sections : échelle de résilience psychologique, échelle d’auto-efficacité scolaire, sentiment psychologique d’appartenance à l’école, échelle de comportement innovant et échelle CSE. La méthode décrite consiste à fournir systématiquement le SDQ, à noter les résultats et à attribuer des codes aux réponses de 60 élèves. À l’aide des sous-échelles SDQ, un DTM appelé C5.0 a été construit pour prédire les types de risque comportemental. Le DTM a été entraîné et validé de manière croisée, montrant une amélioration de 10 fois, et ses performances ont été évaluées en fonction de la précision et du score F1. Les résultats de la DTM C5.0 révisée ont révélé que les facteurs prédictifs significatifs de l’ECS, par ordre décroissant d’importance, sont la confiance psychologique, le sentiment psychologique d’appartenance à l’école, l’auto-efficacité académique et le comportement innovant. En prouvant l’efficacité de la DTM dans la prédiction de l’ECS des étudiants, cette recherche a développé le lien entre l’apprentissage de base et l’ECS, a amélioré l’interprétation de l’ECS et a fourni un soutien à la recherche pour améliorer la créativité et l’ECS des étudiants.

Introduction

La créativité est considérée comme un facteur de motivation essentiel pour le développement socio-économique de plusieurs pays et est progressivement devenue un facteur primordial de la force globale d’une nation. Néanmoins, les recherches indiquent que les établissements d’enseignement supérieur chinois donnent toujours la priorité aux connaissances théoriques des étudiants, négligeant la culture des compétences d’opinion analytiques, des compétences autonomes de résolution de problèmes et des compétences innovantes. Par conséquent, plusieurs étudiants possèdent de solides connaissances théoriques mais peinent à analyser et à répondre à la question¹. Le double impact de l’environnement personnel et social est à l’origine de ce phénomène, motivant les étudiants à donner la priorité à l’apprentissage et à la compétition sociale externe plutôt qu’à leurs besoins émotionnels et à leur développement personnel. Un risque important est apparu sous la forme de l’Intelligence Artificielle (IA), dont la société moderne est devenue trop dépendante, au point de diminuer l’opinion individuelle et les compétences innovantes. C’est le résultat d’une limitation ou d’une régression dans le développement personnel et social ^2,3.

Par conséquent, l’innovation est devenue un sujet brûlant dans la recherche psychologique nationale et étrangère actuelle, avec de nombreuses études signifiant que l’auto-efficacité créative (ECS) a un impact positif sur la créativité. Simultanément, la recherche indique qu’un CSE plus élevé chez les élèves est corrélé à une vision plus positive de la vie et à une confiance accrue dans leurs compétences lorsqu’ils sont confrontés à des tâches difficiles ^4,5. En effet, un faible niveau de créativité peut nuire à tous les aspects de la vie, y compris un problème de concurrence dans la carrière. Des études ont montré que la principale cause d’une mauvaise créativité est le manque de CSE. En tant qu’objectif important de la créativité, l’ECS est définie comme la croyance d’un individu en sa capacité à avoir des pensées créatives, à participer à des comportements créatifs et à obtenir des résultats créatifs. En équipe, l’ESC peut accroître la créativité individuelle dans le partage des connaissances et les efforts de collaboration⁶. Un CSE élevé peut également inspirer de nouveaux comportements innovants (IB) en présence d’émotions optimistes⁷.

Comme le conseille la psychologie changeante, vers l’âge de 10 à 14 ans, les compétences des élèves peuvent entraîner des changements dans leurs émotions et leur comportement parce que l’âge adulte se produit⁸ et qu’ils font face davantage à leurs pairs et au stress qui l’accompagne. Parce qu’il a été confirmé que le SDQ est fiable et psychométriquement solide et ne couvre que 25 éléments⁹, il a été préféré pour cette recherche. Il examine cinq types de comportement - les émotions, les actions à l’université, le niveau d’activité, les relations à l’université et l’entraide - pour illustrer l’état général de la santé mentale d’un étudiant. Selon les travaux existants ^4,5, ils ont constaté que l’utilisation du SDQ en Chine est plus efficace que l’utilisation de tâches comportementales seules pour identifier la présence précoce de défis psychologiques et comportementaux chez les élèves. Il montre pourquoi l’investigation est essentielle et fonctionne bien dans plusieurs environnements universitaires.

Étant donné que les étudiants sont la force centrale et les principaux contributeurs à la société future, leur CSE revêt une importance particulière. Des recherches ont révélé que l’ECS des élèves est directement liée aux émotions positives et à la direction du contrôle⁸. De plus, l’ESC améliore les comportements et les performances des élèves dans les activités parascolaires⁹. Les recherches indiquent en outre que l’ECS des élèves améliore leurs compétences sociales et leur résilience psychologique (RP), ce qui leur permet de s’adapter à des environnements difficiles¹⁰. Les relations publiques des élèves ont un impact positif sur leur flexibilité, leurs capacités d’adaptation, leurs compétences intellectuelles et leurs inhibitions émotionnelles¹¹. Par conséquent, la motivation des étudiants en matière d’ECS à l’université est essentielle pour le développement sociétal et individuel.

Des études prouvent que l’ECS est artificiel en raison de plusieurs facteurs, notamment l’âge, le parcours universitaire et l’orientation des enseignants. Par exemple, il a été constaté qu’une atmosphère d’apprentissage créative améliore les performances scolaires, la confiance en soi, l’adaptabilité, la capacité de résolution de problèmes, les compétences interpersonnelles et le pourcentage d’assiduité^{des élèves 9}. Bien que les études ci-dessus aient identifié des facteurs qui manipulent l’ECS, les rôles prédictifs des perceptions mentales des membres universitaires et de l’auto-efficacité académique (EAS) sur l’ECS n’ont pas reçu suffisamment d’attention de la part des chercheurs¹¹. De plus, les études existantes se sont principalement concentrées sur les étudiants de l’enseignement intermédiaire et supérieur, avec une exploration limitée de l’ECS parmi les étudiants universitaires. Le modèle d’arbre de décision (DTM) est un algorithme d’exploration de données efficace dans l’apprentissage automatique (ML)¹². Il analyse les procédures de prise de décision complexes comme des solutions plus faciles à expliquer 13,14,15. À l’aide d’un DTM, les chercheurs ont réussi à prédire les éléments qui affectent le succès ou l’échec de l’innovation manufacturière en Chine, ainsi que le pourcentage de réponse à une enquête sur la satisfaction, l’attitude et la fidélité des utilisateurs^16,17. Cette recherche vise à évaluer l’efficacité de l’utilisation de la DTM dans la prédiction de l’ECS chez les étudiants de niveau collégial et à identifier les variables qui prédisent l’ECS.

Cette étude utilise le modèle d’arbre de décision (DTM) pour prédire les facteurs clés influençant l’auto-efficacité créative (ECS) chez les étudiants. La MNT est sélectionnée pour son interprétabilité, sa capacité à gérer des types de données mixtes et son efficacité dans la modélisation de relations non linéaires. Contrairement aux modèles en boîte noire, la MNT offre des sorties transparentes basées sur des règles, permettant une identification claire des variables prédictives. Des recherches antérieures en éducation et en psychologie confirment son utilité dans l’analyse de scénarios complexes de prise de décision. Sa structure visuelle facilite l’interprétation pratique, ce qui le rend adapté aux environnements universitaires. La DTM est idéale pour les chercheurs à la recherche d’une approche interprétable et basée sur les données pour modéliser des résultats comportementaux ou psychologiques avec une clarté et une pertinence élevées.

Auto-efficacité créative
L’ECS est la décision subjective d’un individu quant à sa capacité à mener à bien des activités créatives. Il représente un indice spécifique à un domaine de l’auto-efficacité générale et constitue un facteur d’influence essentiel et une base psychologique pour les tâches individuelles et la mise en œuvre des efforts créatifs. Tierney et Farmer^18,19 ont introduit le modèle d’application de l’ECS de Pygmalion, affirmant que l’ECS, un facteur de motivation interne de l’activité créative, adopte efficacement la créativité individuelle et prédit positivement de manière significative la capacité d’un individu à acquérir des compétences créatives. De plus, les chercheurs soulignent que l’ECS reflète la confiance en soi d’un individu dans le maintien de ses compétences créatives, ainsi que ses capacités d’apprentissage et ses processus de vie²⁰. Des études indiquent que les personnes ayant un sens plus élevé de l’ECS ont tendance à se concentrer davantage sur elles-mêmes, optant pour des croyances et des objectifs qui correspondent à leurs intérêts et à leurs défis pour faire l’expérience de l’estime de soi et de la réussite^21,22. Alors que des recherches antérieures ont principalement mis l’accent sur l’ECS comme une composante essentielle des croyances créatives dans la réalisation du potentiel créatif individuel 22,23,24, cette étude définit l’ECS des étudiants comme des croyances sur leur capacité à réaliser avec succès des comportements inventifs spécifiques.

Mesure et modèle de CSE
Le CSE est généralement mesuré à l’aide d’échelles adoptées et adaptées à partir d’appareils SDQ précédemment développés. Par exemple, il a été mesuré en adaptant l’échelle d’auto-efficacité²⁵ de Bandura, l’échelle de créativité²⁶ d’Amabile et l’échelle²⁷ de Woodman, Sawyer et Griffin. Des études de cas, des observations et des entretiens ont également été utilisés pour découvrir l’ECS dans les comportements quotidiens d’individus au sein de groupes spécifiques. Cependant, une grande partie de l’étude sur l’ESC a porté sur les entreprises et leurs employés. L’application des idées hypothétiques de ces études de recherche à d’autres cohortes est limitée. L’étude a montré que le soutien des enseignants et la méthode d’un environnement de classe positif font partie intégrante de l’augmentation de l’ECS chez les élèves²⁸.

Le rôle d’un enseignant consiste à transmettre des connaissances, un processus inhérent à la créativité. Il a conclu qu’une augmentation de l’ECS contribue à une implication plus profonde des individus dans les compétences créatives, conduisant à de meilleures performances créatives^29,30. En ce qui concerne l’âge, des différences significatives entre les sexes en matière d’ECS ont été constatées chez les étudiants de l’enseignement supérieur, tandis que l’ECS des sujets adultes était significativement plus élevée que celle des sujets plus âgés. Cela suggère que l’effet de l’âge n’est pas cohérent. La théorie du concept de soi créatif éclaire la compréhension de l’ECS, qui englobe l’évaluation et la prise de conscience de ses performances en matière de compétences créatives, classées en ECS et en identité de soi créative 31,32,33,34. Un concept de soi créatif a un impact significatif sur la motivation, le comportement et les résultats créatifs. Sur la base de cette théorie, les chercheurs ont développé des modèles structurés pour étudier l’image de soi créative et les compétences créatives dans les environnements éducatifs et professionnels³⁵. De plus, Amabile a proposé un modèle de composante du comportement créatif en 1983, identifiant la capacité créative, la motivation et un environnement créatif comme les trois conditions requises pour un comportement créatif.

Méthodes d’analyse prédictive pour le CSE
Dans le cas de l’ECS, les principales méthodes d’analyse prédictive sont l’analyse de régression, l’analyse factorielle confirmatoire (CFA), l’analyse en composantes principales (ACP) et la méta-analyse. À l’aide de la modélisation par équations structurelles et de l’AFC, Tierney et Farmer ont constaté que les compétences créatives, la motivation et l’environnement prédisent les compétences créatives et l’ECS des individus. Le travail a utilisé l’ACP pour démontrer que l’ECS et l’identité de soi créative constituent la 2D du concept de soi créatif, ce qui a un impact sur la motivation créative. Les chercheurs qui ont appliqué la modélisation de régression multiple proposent que les compétences créatives, les objectifs, les émotions et les croyances sont des prédicteurs essentiels de l’ECS³⁶.

Prédicteurs de l’ECS
Dans le cadre de travaux universitaires existants, plusieurs études se sont concentrées sur l’ECS des étudiants ou ont utilisé la DTM pour prédire l’ECS^37,38. Par conséquent, cette recherche vise à explorer l’application de la DTM pour prédire l’ESC des étudiants. Pour ce faire, l’étude a commencé par identifier des prédicteurs de l’ECS dans la littérature (Figure 1).

Tout d’abord, cette recherche propose le comportement perceptuel et le comportement environnemental comme facteurs prédictifs de l’ECS. La théorie du comportement planifié postule que les normes subjectives, les attitudes et le contrôle comportemental perçu influencent les intentions comportementales. Déterminé conjointement par les opinions de contrôle et les facteurs d’assistance perçus, le contrôle comportemental perçu fait référence à la mesure dans laquelle une personne perçoit qu’elle contrôle le comportement qu’elle adopte ; cela implique que la réalisation de l’IB peut renforcer le sentiment de contrôle sur la créativité, ce qui résulte d’un sentiment de CSE³⁷. Une étude a démontré que la créativité est un prédicteur de l’ESC. L’ECS est la confiance en soi que l’on a en sa capacité à acquérir des compétences créatives, à adopter des comportements créatifs et à obtenir des résultats créatifs. Ces études ont également démontré un lien positif entre le sens psychologique de l’appartenance à l’école (PSSM) et l’ECS³⁸. Par conséquent, l’ECS peut être adopté par divers facteurs dans le milieu universitaire pour favoriser la créativité des étudiants³⁹. En termes de facteurs perceptifs, cette étude propose la RP et l’ASE comme prédicteurs de l’ECS. Des recherches ont montré que la RP est la capacité d’une personne à maintenir des réponses émotionnelles et comportementales stables face au stress, aux revers et à l’adversité et à revenir rapidement à un état normal. En conséquence, la RP est significativement et positivement liée à la créativité émotionnelle, à l’ECS et à l’auto-efficacité générale⁴⁰. Enfin, il a été démontré que l’ECS peut être prédite par l’ASE, qui est influencée par la décision et les croyances d’une personne quant à sa capacité à mettre en œuvre des tâches académiques^41,42. En résumé, cette étude propose quatre prédicteurs de l’ECS : la RP, l’ASE, le PSSM et l’IB.

Protocol

La recherche a été testée à l’université normale de Chengdu, dans la province de SiChuan, en Chine, auprès de plus de 17 000 étudiants. Les ressources du SDQ et la conception de l’enquête ont été approuvées par le Comité d’examen de l’éthique de l’Université normale de Chengdu, province du SiChuan, 611130, Chine. L’université a mené son enquête du 10 au 13 septembre 2023. La participation volontaire a été assurée par l’obtention d’un consentement éclairé

1. Inscription des participants

1. Sélectionnez une université gouvernementale à l’aide d’une méthode d’échantillonnage aléatoire tenant compte de la classe sociale. Utilisez les critères suivants : (i) l’éducation pour tous suit le même plan et teste les élèves selon la même méthode ; (ii) l’enseignement est dispensé dans la même langue (chinois) ; et (iii) chaque université a un nombre optimal d’étudiants pour chaque enseignant. C’est là que l’université normale de Chengdu, dans la province de SiChuan, en Chine, a été sélectionnée.
2. Choisissez des élèves âgés de 18 à 21 ans, car ils comprennent leurs actions plus clairement que jamais.
3. Avant de concevoir l’outil SDQ, menez des entrevues ciblées auprès de 5 étudiants qui ont accepté de participer à l’identification des corrélations prédictives probables entre l’ESC et les prédicteurs recommandés. Par la suite, utilisez l’échantillonnage de commodité pour faire participer les élèves volontaires.
4. Sélectionnez tous les élèves vérifiés. Au total, 607 étudiants ont vérifié toutes les SDQ et ont confirmé leur validité après une vérification approfondie. Les données démographiques des répondants ont montré que le ratio hommes/femmes était de 25,5 % à 74,5 %. En ce qui concerne le milieu résidentiel, 71,4 % des participants provenaient de zones rurales, tandis que 28,6 % venaient de milieux urbains. Tous les étudiants poursuivaient une formation en arts libéraux dans le cadre d’un programme d’études normalisé. La majorité des participants appartenaient à des ménages à revenu faible ou moyen, ce qui reflète la composition socio-économique plus large des inscrits aux universités publiques de la région.
   REMARQUE : En règle générale, les étudiants qui entrent dans l’enseignement supérieur de formation des enseignants en Chine se tournent vers les arts libéraux dans leurs examens d’entrée à l’université. Étant donné que les étudiantes manifestent généralement un plus grand intérêt pour les activités créatives que leurs homologues masculins, il y a généralement un pourcentage plus élevé d’étudiantes dans ces universités, ce qui explique la prédominance significative des femmes dans l’échantillon.
5. Regroupez les participants par sexe et par niveau d’études pour s’assurer que le modèle était équitable. Cela améliore l’applicabilité des résultats à la plupart des universités publiques de Chengdu, qui ont des populations sociodémographiques similaires.

2. Instrumentation

REMARQUE : Cette étude a utilisé un SDQ comprenant 6 sections contenant 52 éléments, couvrant les informations démographiques, l’échelle CSE, l’échelle de résilience psychologique, l’échelle du sentiment psychologique d’appartenance à l’école, l’échelle d’auto-efficacité académique et l’échelle de comportement créatif. Les données démographiques comprennent le sexe, l’âge et le fait que la personne soit d’origine urbaine ou rurale. Les versions anglaises des gammes sont traduites en chinois.

1. Appliquer la méthode de traduction inverse⁴³. Mettre en œuvre des corrections et des optimisations avant de finaliser le SDQ et remplacer l’échelle de notation originale par une échelle à 5 points pour maintenir la fiabilité tout en assurant l’hétérogénéité avec les autres échelles, assurant ainsi l’équivalence des échelles.
2. Mesurez tous les éléments de l’hypothèse sur une échelle de 5 points allant de 1 = Fortement en désaccord à 5 = Tout à fait d’accord.

3. Auto-efficacité scolaire

1. Utilisez l’échelle d’auto-efficacité académique des collèges (CASES)^{qui a été} spécialement conçue pour évaluer l’auto-efficacité chez les étudiants de l’université normale de Chengdu en formation académique. Le CASES comprend neuf objets (par exemple, j’aimerais faire mieux que les autres étudiants ; Je suis sûr que je peux comprendre ce que l’enseignant forme ; Je veux bien réussir en classe). Le coefficient de fiabilité de cette échelle est de 0,897.

4. Échelle de comportement innovante

1. Pour mesurer l’IB, utilisez l’échelle de comportement innovant⁴⁵. Maintenez la 3D de l’échelle comme suit : groupe d’âge des compétences innovantes (par exemple, lorsque j’ai des problèmes, j’obtiens fréquemment des compétences innovantes), promotion des compétences innovantes (par exemple, je chercherai un soutien managérial pour les compétences innovantes) et application des compétences innovantes (par exemple, je transformerai la compétence innovante en une formation possible). Le coefficient de fiabilité de cette échelle est de 0,917.

5. Sens psychologique de l’échelle d’appartenance à l’école

1. Utilisez le PSSM pour évaluer le sentiment d’appartenance des étudiants à une université en ce qui concerne leur état émotionnel, leurs réactions, leur preuve d’identité, leur attachement et leur attitude comportementale.
2. Développé par Goodenow⁴⁶, il contient 18 projets et a été généralement traduit dans différentes langues, dont l’espagnol et le chinois. Utilisez la version chinoise du PSSM avec 18 éléments (par exemple, j’ai l’impression d’appartenir à cette université ; Les étudiants prennent mes opinions au sérieux)⁴⁷. Le coefficient de fiabilité de cette échelle est de 0,853.

6. Échelle de résilience psychologique

1. Utilisez les 10 objets de l’échelle de résilience Connor-Davidson (CD-RISC-10) pour mesurer PR⁴⁸. Initialement, avec 25 objets, Campbell-Sills et Stein⁴⁹ ont amélioré l’échelle PR à 10 objets au total dans une version plus courte.
2. Utilisez l’échelle pour mesurer les sentiments, les réactions et la convivialité d’un individu à propos de sa capacité à guérir des compétences négatives et à s’adapter avec souplesse à des facteurs externes variables. Il comprend les 5D, c’est-à-dire la capacité de se rapporter (par exemple, je peux être flexible et m’adapter lorsque le changement se produit), la tolérance aux affects négatifs (par exemple, je peux faire face aux problèmes avec humour), l’acceptation du changement (par exemple, je suis plus fort grâce à mes compétences), le contrôle (par exemple, je peux gérer des émotions contrariées comme la colère) et l’impact mental (par exemple, je peux me concentrer sur mon processus de pensée lorsque je suis sous pression)⁴⁹. Le coefficient de fiabilité de cette échelle est de 0,938.

7. Échelle CSE

1. Utilisez l’échelle CSE pour mesurer le CSE, évaluez dans quelle mesure une personne croit pouvoir créer des compétences créatives⁵⁰. Condensez l’échelle en trois objets pour l’enquête auprès des étudiants chinois. Le coefficient de fiabilité de cette échelle est de 0,860.

8. Collecte des données

1. Cette recherche SQD visait à révéler les facteurs prédictifs de l’ECS chez les étudiants universitaires. Utilisez un SDQ pour mesurer le niveau de CSE des étudiants avec quatre prédicteurs⁵¹.
2. Au cours de cette période, le directeur a encouragé les élèves à remplir volontairement le SDQ pour afficher le code QR à la fin de chaque journée universitaire. Dites aux participants qu’ils peuvent accéder au SDQ en scannant le code QR, en répondant aux questions, puis en cliquant sur Soumettre.
3. Il est important qu’avant que les élèves ne scannent le code QR, demandez au directeur d’expliquer l’objectif de l’étude aux élèves et aux parents. Assurer la participation volontaire en obtenant un consentement éclairé.
4. Administrer le SDQ à la population étudiante ciblée. Assurez-vous que chaque participant répond à tous les objets obligatoires. Valider l’exhaustivité et la cohérence des réponses.
5. Définissez des concepts de base tels que l’ASE, la résilience parentale (RP) et l’ECS. Codez les réponses à l’aide d’une échelle de Likert à 5 points allant de 1 à 5. Attribuez les participants à des types élevés ou faibles à l’aide d’un seuil de 60 % ou plus du score maximal de l’échelle.
6. Divisez l’ensemble de données en sous-ensembles d’entraînement et de test. Utilisez 70 % des données (n=423) pour l’entraînement du modèle. Allouer les 30 % restants (n=184) à des fins d’essai.
7. Appliquez l’arbre de classification et de régression (CART) pour trouver des prédicteurs significatifs. Utilisez l’impureté de Gini pour déterminer les divisions des nœuds. Continuez à fendre jusqu’à atteindre un nombre minimum de cas ou zéro impureté.
8. Évaluez les nœuds pour l’élagage à l’aide de l’erreur quadratique moyenne (MSE). Tronquez un nœud si l’élagage réduit l’ESG. Conservez un nœud si l’EQM augmente après l’élagage.
9. Utilisez le jeu de données de test pour valider la MNT. Calculez des indicateurs de performance tels que la précision, la sensibilité et la spécificité. Analysez les cas mal classés pour trouver les faiblesses de la DTM.
10. Effectuez une analyse de corrélation produit-moment de Pearson pour étudier les relations entre les variables. Interpréter l’intensité et la direction des corrélations en fonction des valeurs des coefficients de corrélation.
11. Utilisez les règles de l’arbre de décision pour identifier comment PR et ASE prédisent les niveaux de CSE. Quantifiez la contribution de chaque variable aux résultats de la classification.
12. Développez l’ensemble de fonctionnalités si la précision du modèle tombe en dessous du seuil souhaité. Réentraînez le modèle avec des variables supplémentaires ou une taille d’échantillon plus grande pour améliorer sa précision.
13. Testez la généralisabilité du modèle à l’aide de données provenant de différentes régions ou institutions. Répliquez le protocole de l’étude pour valider les résultats sur des échantillons indépendants.
14. Chaque administration de SDQ a pris ~25 min. Utilisez un contrôle environnemental pour assurer un bruit ambiant <45 dB et une température de 26-28 °C.
15. Former un animateur pour 15 élèves, par le biais d’une séance d’information SDQ de 2 h⁵². À l’aide de scripts d’exploitation standard, les animateurs ont pu réduire l’impact de leurs propres opinions sur les résultats⁵³. Demandez à l’assistant de lire toutes les instructions exactement telles qu’elles sont écrites, d’éviter de clarifier plus que les étapes nécessaires et de ne pas essayer d’expliquer les questions du test. Les animateurs ont aidé à éliminer l’impact des intervieweurs et ont veillé à ce que les données proviennent uniquement des évaluations des élèves⁵⁴.
    REMARQUE : Ces ajouts tiennent compte de la variabilité de la mise en œuvre et améliorent la reproductibilité intercontextuelle. Étant donné que la plupart des étudiants n’avaient pas d’appareils personnels et que seule une fraction des universités disposait d’un Wi-Fi⁵⁵ fonctionnel, l’administration sur papier était la meilleure solution. De plus, les études n’ont montré aucune différence notable dans les résultats psychométriques entre les formats numériques et papier du SDQ chez les personnes ayant un faible niveau d’alphabétisation⁵⁶. Dans les études à venir, il serait utile d’examiner comment fonctionne la numérisation dans les universités privées disposant de ressources importantes⁵⁷. Comme aucun codage n’a été effectué dans cet avis, la fiabilité inter-juges n’a pas pu être déterminée.

9. Analyse des données

1. Utiliser une méthode d’exploration de données pour analyser les données de l’enquête⁵⁸. L’exploration de données peut révéler des modèles d’ECS chez les élèves et trouver trois types d’apprenants : intégratif, orienté vers un objectif et par échantillonnage. Cette étude a opté pour la MNT car elle a été largement utilisée pour prédire les performances scolaires et les comportements d’apprentissage des élèves et peut générer des règles⁵⁹ facilement compréhensibles.
   REMARQUE : Plus précisément, un arbre de décision (DT) crée des règles de classification à partir d’échantillons d’apprentissage et produit un graphique descendant facile à comprendre composé d’un nœud racine, de plusieurs nœuds internes et de plusieurs nœuds feuilles. Les nœuds racine et interne représentent les conditions d’essai correspondantes (c’est-à-dire les mesures de classification⁾⁶⁰, tandis que les nœuds terminaux représentent le résultat final. Les règles peuvent être déduites en fonction du modèle d’arbre formé par chaque nœud. De plus, DT prouve une bonne tolérance à la multicolinéarité et peut gérer des corrélations complexes entre prédicteurs. De plus, le DT défini est utilisé lorsque les variables prédictives sont catégorielles, tandis que le DT de régression convient aux variables prédictives continues⁶⁰.
2. Afin de déterminer si l’ECS des élèves est élevé ou faible, créez un modèle prédictif à l’aide d’un DT défini et analysez l’importance de chaque facteur dans la prédiction de l’ECS.

10. Construction DT

1. Déterminez les seuils de division et les variables de branchement optimales pour le DT en fonction du taux de diminution de l’entropie de l’information, qui indique l’étendue de l’impureté de l’ensemble de données et est défini par l’équation (1).
   (1)
   où D est la taille de l’échantillon de l’ensemble de données d’entraînement, m, P_k est le rapport de cotes pour chaque type.
2. Le rapport de gain d’information mesure la variance de l’entropie de l’information de l’ensemble de données sous de nombreuses méthodes de classification. Calculez le rapport de gain pour l’ensemble de données D, partitionné en n sous-ensembles par la variable C sélectionnée, définie par l’équation (2).
   (2)
3. Dans C5.0, sélectionnez l’attribut avec le rapport de gain d’information le plus significatif comme point de séparation, et formez les multiples branches en fonction de la valeur de cet attribut pour atteindre plusieurs sous-ensembles. Itérez le processus de séparation jusqu’à ce que le dernier sous-ensemble contienne le même type de données, réalisant ainsi l’étiquetage inductif des données.

11. Taille DT

1. En utilisant la méthode de taille, taillez les nœuds foliaires couche par couche. Une fois le DT créé, récursez les ensembles de données sur chaque nœud terminal en fonction du DTM entraîné.
2. Calculez le MSE pour les jeux de données feuillus et sans feuilles. Tronquer les nœuds si le MSE diminue après le découpage ; Sinon, conservez les nœuds.

12. Évaluation DT

1. Utilisez 70 % des données de l’échantillon (n=423) pour l’entraînement et les 30 % restants (n=184) pour les tests. Les indicateurs permettant d’évaluer la qualité d’un modèle sont l’exactitude, la précision et le rappel. La précision est définie comme le pourcentage d’échantillons correctement catégorisés par rapport à tous les échantillons ; La précision est le nombre d’échantillons positifs qui sont des échantillons positifs réels dans le résultat de la prédiction, et le rappel est le nombre d’échantillons positifs qui sont correctement prédits dans les échantillons réels.

13. Analyse des données

1. Analysez les résultats de l’étude à l’aide d’un logiciel d’analyse statistique. Tout d’abord, analyser les tendances en matière de fréquence et de concentration du CST, ainsi que les facteurs prédictifs, à l’aide d’analyses statistiques descriptives. Deuxièmement, effectuez une analyse DT à l’aide de l’algorithme C5.0, qui améliore ID3 et C4.5 car il s’exécute plus rapidement et génère des effets prédictifs plus robustes.

14. Encodage des données

1. En utilisant 60 % comme point de différenciation, étiquetez l’échantillon en deux groupes : CSE élevé et CSE faible. Pour les prédicteurs, PR, IB, ASE et PSSM ont été convertis en variables binaires selon des principes spécifiques (tableau 1).

Results

Statistiques descriptives
Cette étude a analysé les statistiques descriptives pour les variables continues et séquentielles (tableau 2). Chaque variable est codée selon le principe que les valeurs supérieures à 60 % de la pleine échelle indiquent une performance supérieure à la moyenne. Notamment, les étudiants semblent avoir un CSE supérieur à la moyenne, avec une valeur moyenne de 3,66 et un écart-type de 0,80, ce qui dépasse 60 % de l’échelle complète. Cela suggère que la plupart d...

Discussion

À l’aide de DT-C5.0, cette étude a construit un modèle prédictif à quatre facteurs de l’ECS des étudiants collégiaux afin d’explorer le rôle de ces facteurs. Toutes les conclusions tirées de l’étude sont basées sur la littérature et les analyses de données pertinentes.

L’efficacité de la DTM dans la prédiction des niveaux de CSE a été vérifiée dans les résultats de l’évaluation. L’exactitude, la précision et la mémorisation du modèle ont dépassé le cr...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Disque dur 2 To	Segante	6G SATA 7.2k 3.5" (LFF)  ;	stockage
8 GB de RAM	Technologie Kingston  ;	4Rx4 DDR4 LRDIMM 2666 MT/s.	stockage
; Intel Core i5	Intel	Core i7  ;	processeur
Carte graphique	NVIDIA GeForce RTX 4060 Ti	Nvidia Corporation	NA
R		;( version 4.1.2)  ;	Langage de programmation  ;
Outil de visualisation de données	SPSS	IBM	30