Method Article

Analisi predittiva dell'autoefficacia creativa degli studenti universitari basata sulla modellazione dell'albero decisionale

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

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

Lo studio esamina l'uso di un modello di albero decisionale (DTM) C5.0 modificato per prevedere l'autoefficacia creativa (CSE) tra gli studenti universitari. La ricerca mira a determinare l'efficacia del DTM nel prevedere il CSE e identificare le variabili che lo prevedono.

Abstract

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

La creatività è un punto focale nell'attuale ricerca psicologica, a livello nazionale e internazionale. L'autoconsapevolezza di un individuo della propria creatività è vitale per determinare il proprio potenziale creativo, aiutarlo a comprendere i propri punti di forza e di debolezza e migliorare la propria autocreatività. Ci sono pochi studi sull'autopercezione della creatività da parte degli studenti universitari e ancora meno sull'uso dell'albero decisionale (DT) per prevedere tale autopercezione. Questo studio mirava a valutare l'efficacia dell'utilizzo di un modello ad albero decisionale (DTM) C5.0 modificato nel prevedere l'autoefficacia creativa (CSE) tra gli studenti universitari e a identificare quali variabili potrebbero fungere da predittori di CSE. In risposta a queste domande, 607 studenti universitari della provincia del Sichuan, in Cina, hanno compilato un questionario sui punti di forza e le difficoltà (SDQ) contenente cinque sezioni: scala di resilienza psicologica, scala di autoefficacia accademica, senso psicologico di appartenenza scolastica, scala del comportamento innovativo e scala CSE. Il metodo descritto prevede la fornitura sistematica dell'SDQ, il punteggio dei risultati e l'assegnazione di codici alle risposte di 60 studenti. Utilizzando le sottoscale SDQ, è stato costruito un DTM chiamato C5.0 per prevedere i tipi di rischio comportamentale. Il DTM è stato addestrato e convalidato in modo incrociato, mostrando un miglioramento di 10 volte, e le sue prestazioni sono state valutate in base all'accuratezza e al punteggio F1. I risultati del DTM C5.0 rivisto hanno rivelato che i fattori predittivi significativi della CSE, in ordine decrescente di importanza, sono la fiducia psicologica, il senso psicologico di appartenenza alla scuola, l'autoefficacia accademica e il comportamento innovativo. Dimostrando l'efficacia del DTM nel prevedere il CSE degli studenti universitari, questa ricerca ha sviluppato il legame tra l'apprendimento di base e il CSE, ha aumentato l'interpretazione del CSE e ha fornito supporto alla ricerca per migliorare la creatività degli studenti universitari e il CSE.

Introduction

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

La creatività è considerata una motivazione essenziale per lo sviluppo socio-economico di diversi paesi ed è progressivamente diventata un fattore primario nella forza complessiva di una nazione. Tuttavia, la ricerca indica che gli istituti di istruzione superiore cinesi (HE) danno ancora la priorità alle conoscenze teoriche degli studenti, trascurando la coltivazione di capacità analitiche di opinione, capacità autonome di risoluzione dei problemi e abilità innovative. Di conseguenza, diversi studenti possiedono forti conoscenze teoriche ma faticano ad analizzare e affrontare la domanda1. Il duplice impatto dell'ambiente personale e sociale guida questo fenomeno, motivando gli studenti universitari a dare priorità all'apprendimento e alla competizione sociale esterna rispetto ai loro bisogni emotivi e allo sviluppo personale. Un rischio significativo è emerso sotto forma di Intelligenza Artificiale (AI), da cui la società moderna è diventata eccessivamente dipendente, al punto da diminuire l'opinione individuale e le capacità innovative. Questo è il risultato di una limitazione o regressione nello sviluppo personale e sociale 2,3.

Pertanto, l'innovazione è emersa come un tema caldo nell'attuale ricerca psicologica nazionale ed estera, con molti studi che indicano che l'autoefficacia creativa (CSE) ha un impatto positivo sulla creatività. Allo stesso tempo, la ricerca indica che un CSE più elevato tra gli studenti è correlato a una visione più positiva della vita e a una maggiore fiducia nelle proprie capacità quando si affrontano compiti impegnativi 4,5. In effetti, bassi livelli di creatività possono influire negativamente su tutti gli aspetti della vita, incluso un problema competitivo nella propria carriera. Gli studi hanno dimostrato che la causa principale della scarsa creatività è la mancanza di CSE. Come scopo significativo della creatività, la CSE è definita come la convinzione di un individuo nella propria capacità di esprimere pensieri creativi, partecipare a comportamenti creativi e ottenere risultati creativi. Nei team, il CSE può aumentare la creatività individuale nella condivisione delle conoscenze e negli sforzi collaborativi6. Un CSE elevato può anche ispirare un nuovo comportamento innovativo (IB) in presenza di emozioni ottimistiche7.

Come consigliato dal cambiamento della psicologia, intorno ai 10-14 anni, le abilità degli studenti possono portare a cambiamenti nelle loro emozioni e nel loro comportamento perché l'età adulta sta accadendo8 e hanno a che fare di più con i coetanei e lo stress che ne deriva. Poiché è stato confermato che l'SDQ è affidabile e psicometricamente valido e copre solo 25 elementi9, è stato preferito per questa ricerca. Esamina cinque tipi di comportamento - emozioni, azioni all'università, livello di attività, relazioni al college e disponibilità - per illustrare lo stato generale della salute mentale di uno studente. Secondo i lavori esistenti 4,5, hanno scoperto che l'uso dell'SDQ in Cina è più efficace dell'uso dei soli compiti comportamentali nell'identificare la presenza precoce di sfide psicologiche e comportamentali negli alunni. Mostra perché l'indagine è essenziale e funziona bene in diversi ambienti universitari.

Dato che gli studenti universitari sono la forza principale e i principali contributori alla società futura, il loro CSE riveste particolare importanza. La ricerca ha rivelato che il CSE degli studenti è direttamente correlato alle emozioni positive e alla direzione del controllo8. Inoltre, la CSE migliora i comportamenti e le prestazioni degli studenti nelle attività extrascolastiche9. La ricerca indica inoltre che l'educazione sessuale degli studenti migliora le loro abilità sociali e la resilienza psicologica (PR), consentendo loro di adattarsi ad ambienti difficili10. Le PR degli studenti hanno un impatto positivo sulla loro flessibilità, capacità di coping, abilità intellettuali e inibizione emotiva11. Pertanto, motivare l'educazione civica degli studenti al college è vitale per lo sviluppo sociale e individuale.

Gli studi dimostrano che la CSE è artificiale a causa di diversi fattori, tra cui l'età, il background universitario e l'orientamento degli insegnanti. Ad esempio, è stato riscontrato che un'atmosfera di apprendimento creativa migliora il rendimento scolastico, la fiducia in se stessi, l'adattabilità, la capacità di risoluzione dei problemi, le capacità interpersonali e la percentuale di frequenza9 degli studenti. Sebbene gli studi di cui sopra abbiano identificato i fattori che manipolano la CSE, i ruoli predittivi delle percezioni mentali dei membri universitari e dell'autoefficacia accademica (ASE) sulla CSE non hanno ricevuto sufficiente attenzione accademica11. Inoltre, gli studi esistenti si sono concentrati principalmente su studenti di istruzione media e superiore, con un'esplorazione limitata della CSE tra gli studenti universitari. Il modello ad albero decisionale (DTM) è un algoritmo di data mining efficace in Machine Learning (ML)12. Analizza le procedure decisionali complesse come soluzioni più semplici per spiegare 13,14,15. Utilizzando un DTM, i ricercatori sono riusciti a prevedere gli elementi che influenzano il successo o il fallimento dell'innovazione manifatturiera in Cina, nonché la percentuale di risposta a un sondaggio sulla soddisfazione, l'atteggiamento e la fedeltà degli utenti16,17. Questa ricerca mira a valutare l'efficacia dell'uso del DTM nel prevedere la CSE tra gli studenti universitari e a identificare le variabili che predicono la CSE.

Questo studio utilizza il modello ad albero decisionale (DTM) per prevedere i fattori chiave che influenzano l'autoefficacia creativa (CSE) tra gli studenti universitari. DTM è stato scelto per la sua interpretabilità, la capacità di gestire tipi di dati misti e l'efficacia nella modellazione di relazioni non lineari. A differenza dei modelli black-box, il DTM offre output trasparenti e basati su regole, consentendo una chiara identificazione delle variabili predittive. Ricerche precedenti nel campo dell'educazione e della psicologia supportano la sua utilità nell'analisi di scenari decisionali complessi. La sua struttura visiva aiuta nell'interpretazione pratica, rendendolo adatto ad ambienti accademici. Il DTM è ideale per i ricercatori che cercano un approccio interpretabile e basato sui dati per modellare i risultati comportamentali o psicologici con elevata chiarezza e pertinenza.

Autoefficacia creativa
Il CSE è la decisione soggettiva di un individuo sulla sua capacità di completare con successo le attività creative. Rappresenta un indice specifico del dominio di autoefficacia generale ed è un fattore di influenza essenziale e una base psicologica per i compiti degli individui e l'attuazione degli sforzi creativi. Tierney e Farmer18,19 hanno introdotto il modello di applicazione CSE Pigmalione, affermando che CSE, un motivatore interno dell'attività creativa, adotta efficacemente la creatività individuale e predice significativamente positivamente la capacità di un individuo di abilità creative. Inoltre, gli studiosi sottolineano che la CSE rispecchia la fiducia in se stessi di un individuo nel mantenere le capacità creative, nonché le proprie capacità nell'apprendimento e nei processi di vita20. Gli studi indicano che le persone con un senso più elevato di CSE tendono a concentrarsi maggiormente su se stesse, optando per convinzioni e obiettivi che si allineano con i loro interessi e le sfide per sperimentare l'autostima e la realizzazione21,22. Mentre la ricerca precedente ha principalmente enfatizzato la CSE come una componente essenziale delle auto-convinzioni creative nella realizzazione del potenziale creativo individuale 22,23,24, questo studio definisce la CSE degli studenti universitari come convinzioni sulla loro capacità di completare con successo specifici comportamenti inventivi.

Misurazione e modello del CSE
La CSE viene generalmente misurata con scale adottate e adattate da dispositivi SDQ sviluppati in precedenza. Ad esempio, è stato misurato adattando la scala di autoefficacia25 di Bandura, la scala di creatività26 di Amabile e la scala27 di Woodman, Sawyer e Griffin. Casi di studio, osservazioni e interviste sono stati utilizzati anche per scoprire la CSE nei comportamenti quotidiani degli individui all'interno di gruppi specifici. Tuttavia, una parte considerevole dello studio sulla CSE si è concentrata sulle aziende e sui loro dipendenti. L'applicazione delle idee ipotetiche di questi studi di ricerca ad altre coorti è limitata. Lo studio ha dimostrato che il supporto degli insegnanti e il metodo di un ambiente scolastico positivo sono parte integrante dell'aumento dell'educazione civica tra gli studenti28.

Il ruolo di un insegnante consiste nell'impartire conoscenze, un processo che coinvolge intrinsecamente la creatività. Ha concluso che l'aumento del CSE contribuisce a un coinvolgimento più profondo degli individui nelle capacità creative, portando a migliori prestazioni creative29,30. Per quanto riguarda l'età, sono state riscontrate significative differenze di genere nella CSE tra gli studenti dell'istruzione superiore, mentre la CSE dei soggetti adulti era significativamente più alta di quella dei soggetti più anziani. Ciò suggerisce che l'effetto dell'età non è coerente. La teoria del concetto di sé creativo informa la comprensione della CSE, che comprende la valutazione e la consapevolezza delle proprie prestazioni nelle abilità creative, classificate in CSE e identità di sé creativa 31,32,33,34. Un concetto di sé creativo ha un impatto significativo sulla motivazione, sul comportamento e sui risultati creativi. Sulla base di questa teoria, i ricercatori hanno sviluppato modelli strutturati per studiare il concetto di sé creativo e le abilità creative in ambienti educativi e lavorativi35. Inoltre, Amabile ha proposto un modello componente del comportamento creativo nel 1983, identificando l'abilità creativa, la motivazione e un ambiente creativo come le tre condizioni richieste per il comportamento creativo.

Metodi di analisi predittiva per CSE
Nel caso della CSE, i principali metodi di analisi predittiva sono l'analisi di regressione, l'analisi fattoriale di conferma (CFA), l'analisi delle componenti principali (PCA) e la meta-analisi. Utilizzando la modellazione di equazioni strutturali e il CFA, Tierney e Farmer hanno scoperto che l'abilità creativa, la motivazione e l'ambiente predicono le capacità creative degli individui e il CSE. Il lavoro ha utilizzato la PCA per dimostrare che la CSE e l'identità creativa costituiscono il 2D del concetto di sé creativo, influenzando la motivazione creativa. I ricercatori che hanno applicato la modellazione della regressione multipla propongono che le capacità creative, gli obiettivi, le emozioni e le convinzioni siano predittori vitali di CSE36.

Predittori di CSE
All'interno dei lavori accademici esistenti, diversi studi si sono concentrati sul CSE degli studenti universitari o hanno utilizzato DTM per prevedere CSE37,38. Pertanto, questa ricerca mira a esplorare l'applicazione del DTM per prevedere il CSE degli studenti universitari. Per raggiungere questo obiettivo, lo studio è iniziato identificando i predittori di CSE in letteratura (Figura 1).

In primo luogo, questa ricerca propone il comportamento percettivo e il comportamento ambientale come fattori predittivi della CSE. La teoria del comportamento pianificato postula che le norme soggettive, gli atteggiamenti e il controllo comportamentale percepito influenzano le intenzioni comportamentali. Determinato congiuntamente dalle opinioni di controllo e dai fattori di assistenza percepiti, il controllo comportamentale percepito si riferisce alla misura in cui una persona percepisce di avere il controllo del comportamento in cui si impegna; ciò implica che l'esecuzione di IB può migliorare il proprio senso di controllo sulla creatività, che deriva da un senso di CSE37. Uno studio ha dimostrato che la creatività è un predittore di CSE. La CSE è la fiducia in se stessi che si ha nella propria capacità di acquisire abilità creative, impegnarsi in comportamenti creativi e ottenere risultati creativi. Questi studi hanno anche dimostrato una connessione positiva tra il senso psicologico di appartenenza scolastica (PSSM) e CSE38. Pertanto, la CSE può essere adottata da vari fattori nell'ambiente universitario per promuovere la creatività degli studenti39. In termini di fattori percettivi, questo studio propone PR e ASE come predittori di CSE. La ricerca ha dimostrato che le PR sono la capacità di una persona di mantenere risposte emotive e comportamentali stabili quando affronta stress, battute d'arresto e avversità e di tornare rapidamente a uno stato normale. Di conseguenza, le PR sono significativamente e positivamente correlate alla creatività emotiva, alla CSE e all'autoefficacia generale40. Infine, è stato dimostrato che la CSE può essere prevista dall'ASE, che è influenzata dalla decisione e dalle convinzioni di una persona sulla sua capacità di implementare compiti accademici 41,42. In sintesi, questo studio propone quattro predittori di 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 ricerca è stata testata presso l'università normale di Chengdu, nella provincia di SiChuan, in Cina, con oltre 17.000 studenti. Le risorse SDQ e il disegno del sondaggio sono stati approvati dal Comitato di revisione etica dell'Università Normale di Chengdu, provincia di SiChuan, 611130, Cina. L'università ha condotto il suo sondaggio dal 10 al 13 settembre 2023. La partecipazione volontaria è stata assicurata dall'ottenimento del consenso informato

1. Iscrizione dei partecipanti

  1. Seleziona un'università governativa attraverso un metodo di campionamento casuale consapevole della classe. Utilizzare i seguenti criteri: (i) l'istruzione per tutti segue lo stesso piano e verifica gli studenti con lo stesso metodo; (ii) l'insegnamento è nella stessa lingua (cinese); e (iii) ogni università ha un numero ottimale di studenti per ogni insegnante. Qui è stata selezionata l'università normale di Chengdu, provincia di SiChuan, Cina.
  2. Seleziona gli studenti di età compresa tra i 18 e i 21 anni in modo che comprendano le loro azioni più chiaramente che mai.
  3. Prima di progettare lo strumento SDQ, condurre interviste investigative con 5 studenti che hanno accettato di partecipare all'identificazione di probabili correlazioni predittive tra CSE e i predittori raccomandati. Successivamente, utilizza il campionamento di convenienza per coinvolgere gli studenti disponibili.
  4. Seleziona tutti gli studenti verificati. Un totale di 607 studenti ha verificato tutti gli SDQ e ne ha confermato la validità dopo un controllo approfondito. I dati demografici degli intervistati hanno mostrato che il rapporto maschi/femmine era compreso tra il 25,5% e il 74,5%. Per quanto riguarda il contesto residenziale, il 71,4% dei partecipanti proveniva da aree rurali, mentre il 28,6% proveniva da contesti urbani. Tutti gli studenti stavano perseguendo l'educazione umanistica secondo un quadro curricolare standardizzato. La maggior parte dei partecipanti apparteneva a famiglie a reddito medio-basso, riflettendo la più ampia composizione socio-economica degli iscritti alle università pubbliche nella regione.
    NOTA: In genere, gli studenti che accedono all'istruzione superiore per la formazione degli insegnanti in Cina si orientano verso le arti liberali nei loro esami di ammissione all'università. Poiché le studentesse mostrano generalmente un maggiore interesse per le attività creative rispetto alle loro controparti maschili, c'è generalmente una percentuale più alta di studentesse in queste università, il che spiega la significativa predominanza di donne nel campione.
  5. Raggruppare i partecipanti per sesso e grado per garantire che il modello fosse equo. Ciò migliora l'applicabilità dei risultati alla maggior parte delle università gestite dal governo a Chengdu, che hanno popolazioni socio-demografiche simili.

2. Strumentazione

NOTA: Questo studio ha utilizzato un SDQ composto da 6 sezioni contenenti 52 item, che coprono informazioni demografiche, la scala CSE, la scala di resilienza psicologica, la scala del senso psicologico di appartenenza scolastica, la scala di autoefficacia accademica e la scala del comportamento creativo. I dati demografici includono il sesso, l'età e se l'individuo proviene da un contesto urbano o rurale. Le versioni inglesi delle scale sono tradotte in cinese.

  1. Applicare il metodo di traduzione inversa43. Implementa correzioni e ottimizzazioni prima di finalizzare l'SDQ e sostituisci la scala di punteggio originale con una scala a 5 punti per mantenere l'affidabilità garantendo al contempo l'eterogeneità con altre scale, garantendo così l'equivalenza della scala.
  2. Misura tutti gli elementi dell'ipotesi su una scala a 5 punti da 1 = Fortemente in disaccordo a 5 = Fortemente d'accordo.

3. Autoefficacia accademica

  1. Utilizzare la College Academic Self-Efficacy Scale (CASES)che è stata specificamente progettata per valutare l'autoefficacia tra gli studenti dell'università normale di Chengdu nella formazione accademica. Il CASES comprende nove oggetti (ad esempio, vorrei fare meglio degli altri studenti; Sono sicuro di poter capire cosa sta formando l'insegnante; Voglio fare bene in classe). Il coefficiente di affidabilità per questa scala è 0,897.

4. Scala comportamentale innovativa

  1. Per misurare l'IB, utilizzare l'Innovative Behavior Scale45. Mantenere il 3D della scala come segue: fascia d'età delle competenze innovative (ad esempio, quando sono nei guai, acquisisco spesso competenze innovative), promozione delle competenze innovative (ad esempio, cercherò supporto manageriale per le competenze innovative) e applicazione delle competenze innovative (ad esempio, trasformerò l'abilità innovativa in una possibile formazione). Il coefficiente di affidabilità per questa scala è 0,917.

5. Senso psicologico della scala di appartenenza scolastica

  1. Usa il PSSM per valutare il senso di appartenenza degli studenti a un'università per quanto riguarda il loro stato emotivo, le reazioni, la prova di identità, l'attaccamento e l'atteggiamento comportamentale.
  2. Sviluppato da Goodenow46, contiene 18 progetti ed è stato generalmente tradotto in varie lingue, tra cui spagnolo e cinese. Usa la versione cinese di PSSM con 18 elementi (ad esempio, mi sento come se appartenessi a questa università; Gli studenti prendono sul serio le mie opinioni)47. Il coefficiente di affidabilità per questa scala è 0,853.

6. Scala di resilienza psicologica

  1. Usa i 10 oggetti della scala di resilienza Connor-Davidson (CD-RISC-10) per misurare il PR48. Inizialmente, con 25 oggetti, Campbell-Sills e Stein49 migliorarono la scala PR a 10 oggetti complessivi in una versione più breve.
  2. Usa la bilancia per misurare i sentimenti, le reazioni e la cordialità di un individuo riguardo alla sua capacità di guarire dalle abilità negative e adattarsi in modo flessibile a fattori esterni variabili. Comprende le 5D, vale a dire, la capacità di relazionarsi (ad esempio, posso essere flessibile e adattarmi quando si verifica un cambiamento), la tolleranza degli affetti negativi (ad esempio, posso affrontare i problemi con l'umorismo), l'accettazione del cambiamento (ad esempio, sono più forte attraverso l'abilità), il controllo (ad esempio, posso affrontare emozioni turbate come la rabbia) e l'impatto mentale (ad esempio, posso concentrarmi sul mio processo di pensiero quando sono sotto pressione)49. Il coefficiente di affidabilità per questa scala è 0,938.

7. Scala CSE

  1. Usa la scala CSE per misurare CSE, valuta quanto una persona crede di poter creare abilità creative50. Condensa la scala in tre oggetti per l'indagine degli studenti cinesi. Il coefficiente di affidabilità per questa scala è 0,860.

8. Raccolta dei dati

  1. Questa ricerca SQD mirava a rivelare i fattori predittivi della CSE tra gli studenti universitari. Usa un SDQ per misurare il livello di CSE degli studenti universitari insieme a quattro predittori51.
  2. Durante questo periodo, il dirigente scolastico ha incoraggiato gli studenti a completare volontariamente l'SDQ per visualizzare il codice QR alla fine di ogni giornata universitaria. Informa i partecipanti che possono accedere all'SDQ scansionando il codice QR, rispondendo alle domande e quindi facendo clic su Invia.
  3. È importante che, prima che gli studenti scansionino il codice QR, chieda al dirigente scolastico di spiegare lo scopo dello studio a studenti e genitori. Garantire la partecipazione volontaria trovando il consenso informato.
  4. Amministrare l'SDQ alla popolazione studentesca target. Assicurarsi che ogni partecipante risponda a tutti gli oggetti obbligatori. Convalidare la completezza e la coerenza delle risposte.
  5. Definire i costrutti di base, ad esempio l'ambiente del servizio audio, la resilienza parentale e la crittografia della rete civile. Codifica le risposte utilizzando una scala Likert a 5 punti che va da 1 a 5. Assegna i partecipanti ai tipi alti o bassi utilizzando una soglia del 60% o più del punteggio massimo della scala.
  6. Dividi il set di dati in sottoinsiemi di addestramento e test. Utilizzare il 70% dei dati (n=423) per il training del modello. Allocare il restante 30% (n=184) a scopo di test.
  7. Applicare l'albero di classificazione e regressione (CART) per trovare predittori significativi. Utilizzare l'impurità di Gini per determinare le divisioni dei nodi. Continuare a dividere fino a raggiungere un numero minimo di casse o zero impurità.
  8. Valutare i nodi per l'eliminazione utilizzando l'errore quadratico medio (MSE). Troncare un nodo se l'eliminazione riduce l'MSE. Mantenere un nodo se l'MSE aumenta dopo il taglio.
  9. Utilizza il set di dati di test per convalidare il DTM. Calcola le metriche delle prestazioni come precisione, sensibilità e specificità. Analizza i casi classificati in modo errato per individuare i punti deboli del DTM.
  10. Esegui l'analisi di correlazione prodotto-momento di Pearson per studiare le relazioni tra variabili. Interpretare la forza e la direzione delle correlazioni in base ai valori del coefficiente di correlazione.
  11. Utilizzare le regole dell'albero delle decisioni per identificare il modo in cui PR e ASE stimano i livelli di CSE. Quantificare il contributo di ciascuna variabile ai risultati della classificazione.
  12. Espandere il set di funzionalità se la precisione del modello scende al di sotto della soglia desiderata. Ripetere il training del modello con variabili aggiuntive o con un campione di dimensioni maggiori per migliorarne l'accuratezza.
  13. Testare la generalizzabilità del modello utilizzando i dati provenienti da diverse regioni o istituzioni. Replicare il protocollo di studio per convalidare i risultati su campioni indipendenti.
  14. Ogni somministrazione SDQ ha richiesto ~25 minuti. Utilizzare un controllo ambientale per garantire un rumore ambientale <45 dB e una temperatura di 26-28 °C.
  15. Formare un facilitatore ogni 15 studenti, attraverso una sessione di briefing SDQ di 2 ore52. Con l'aiuto di script operativi standard, i facilitatori sono stati in grado di ridurre l'impatto delle proprie opinioni sui risultati53. Chiedi all'aiutante di leggere tutte le istruzioni esattamente come sono scritte, evita di chiarire più dei passaggi necessari e non tentare di spiegare le domande del test. I facilitatori hanno contribuito a eliminare l'impatto degli intervistatori e hanno assicurato che i dati provenissero solo dalle valutazioni degli studenti54.
    NOTA: queste aggiunte affrontano la variabilità nell'implementazione e migliorano la riproducibilità intercontestuale. Poiché la maggior parte degli studenti non disponeva di dispositivi personali e solo una parte delle università disponeva di un Wi-Fi55 funzionante, l'amministrazione sulla carta era la soluzione migliore. Inoltre, gli studi di ricerca non hanno mostrato differenze notevoli nei risultati psicometrici tra i formati digitali e cartacei SDQ tra gli individui con livelli di alfabetizzazione inferiori56. Sarebbe utile nei prossimi studi esaminare come opera la digitalizzazione nelle università private con forti risorse57. Poiché in questo parere non è stata effettuata alcuna codifica, non è stato possibile determinare l'affidabilità tra valutatori.

9. Analisi dei dati

  1. Utilizzare un metodo di data mining per analizzare i dati del sondaggio58. Il data mining può rivelare modelli di CSE degli studenti e trovare tre tipi di studenti: integrativo, orientato all'obiettivo e di campionamento. Questo studio ha optato per il DTM in quanto è stato ampiamente utilizzato per prevedere il rendimento scolastico e i comportamenti di apprendimento degli studenti e può generare regole facilmente comprensibili59.
    NOTA: in particolare, un albero decisionale (DT) crea regole di classificazione da campioni di training e produce un grafo top-down di facile comprensione costituito da un nodo radice, diversi nodi interni e più nodi foglia. Sia i nodi radice che quelli interni rappresentano le condizioni di test corrispondenti (ossia le misure di classificazione)60, mentre i nodi foglia rappresentano l'output finale. Le regole possono essere dedotte in base al modello ad albero formato da ciascun nodo. Inoltre, la DT dimostra una buona tolleranza per la multicollinearità e può gestire correlazioni complesse tra predittori. Inoltre, la DT definita viene impiegata quando le variabili predittive sono categoriche, mentre la DT di regressione è adatta per le variabili predittive continue60.
  2. Per determinare se il CSE degli studenti è alto o basso, creare un modello predittivo utilizzando un DT definito e analizzare la significatività di ciascun fattore nella previsione del CSE.

10. Costruzione DT

  1. Determinare le soglie di suddivisione e le variabili di ramificazione ottimali per la DT in base al tasso di diminuzione dell'entropia dell'informazione, che indica l'entità dell'impurità del set di dati ed è definita come equazione (1).
    figure-protocol-1(1)
    dove D è la dimensione del campione del set di dati di addestramento, m, Pk è l'odds ratio per ogni tipo.
  2. L'information gain ratio misura la varianza dell'entropia dell'informazione del set di dati con molti metodi di classificazione. Calcola il rapporto di guadagno per il set di dati D, partizionato in n sottoinsiemi dalla variabile selezionata C, definita dall'equazione (2).
    figure-protocol-2(2)
  3. In C5.0, selezionare l'attributo con il rapporto di guadagno di informazioni più significativo come punto di divisione e formare più rami in base al valore di tale attributo per ottenere più sottoinsiemi. Iterare il processo di separazione fino a quando l'ultimo sottoinsieme contiene esattamente lo stesso tipo di dati, realizzando così l'etichettatura induttiva dei dati.

11. Potatura DT

  1. Usando il metodo di potatura, pota i nodi fogliari strato per strato. Dopo aver compilato la DT, ricorsiva i set di dati per ogni nodo foglia in base al DTM addestrato.
  2. Calcola l'MSE per set di dati fogliari e senza foglie. Troncare i nodi se l'MSE diminuisce dopo il taglio; In caso contrario, conservare i nodi.

12. Valutazione DT

  1. Utilizza il 70% dei dati del campione (n=423) per il training e il restante 30% (n=184) per i test. Gli indicatori per valutare la qualità di un modello sono l'accuratezza, la precisione e il richiamo. L'accuratezza è definita come la percentuale di campioni correttamente classificati su tutti i campioni; La precisione è il numero di campioni positivi che sono campioni positivi reali nel risultato della stima e il richiamo è il numero di campioni positivi che vengono previsti correttamente nei campioni reali.

13. Analisi dei dati

  1. Analizza i risultati dello studio utilizzando un software di analisi statistica. Innanzitutto, analizza le tendenze di frequenza e concentrazione del CSE, nonché i fattori predittivi, utilizzando analisi statistiche descrittive. In secondo luogo, eseguire l'analisi DT utilizzando l'algoritmo C5.0, che migliora ID3 e C4.5 man mano che viene eseguito più velocemente e genera effetti predittivi più robusti.

14. Codifica dei dati

  1. Utilizzando il 60% come punto di differenziazione, etichettare il campione in due gruppi: CSE alto e CSE basso. Per i predittori, PR, IB, ASE e PSSM sono stati convertiti in variabili binarie secondo principi specifici (Tabella 1).

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

Results

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

Statistiche descrittive
Questo studio ha analizzato le statistiche descrittive per variabili continue e sequenziali (Tabella 2). Ogni variabile è codificata in base al principio che valori superiori al 60% del fondo scala indicano una prestazione superiore alla media. In particolare, gli studenti universitari sembrano avere un CSE superiore alla media, con un valore medio di 3,66 e una deviazione standard di 0,80, che supera il 60% del fondo scala. Ciò suggerisce che la maggior parte ...

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

Discussion

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

Utilizzando DT-C5.0, questo studio ha costruito un modello predittivo a quattro fattori del CSE degli studenti universitari per esplorare il ruolo di questi fattori. Tutte le conclusioni tratte nello studio si basano sulla letteratura e sulle analisi dei dati pertinenti.

L'efficacia del DTM nel prevedere i livelli di CSE è stata verificata nei risultati della valutazione. L'accuratezza, la precisione e il richiamo del modello hanno superato il criteri...

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

Disclosures

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

Gli autori non hanno nulla da rivelare

Acknowledgements

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

Non applicabile

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) immagazzinamento
8 GB di RAMTecnologia Kingston 4Rx4 DDR4 LRDIMM 2666 MT/s.immagazzinamento
  Intel Core i5IntelCore i7 processore
NVIDIA GeForce RTX 4060 TiNvidia CorporationNAScheda grafica
R ( versione 4.1.2) Linguaggio di programmazione 
Strumento di visualizzazione dei datiSPSSIBM30

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