デシジョンツリーモデリングに基づく大学生の創造的自己効力感の予測分析

Summary

この研究では、大学生の創造的自己効力感 (CSE) を予測するための修正 C5.0 デシジョン ツリー モデル (DTM) の使用を検討しています。この研究は、CSE の予測における DTM の有効性を判断し、それを予測する変数を特定することを目的としています。

Abstract

創造性は、国内外の現在の心理学研究の焦点です。個人の創造性に対する自己認識は、自分の創造的な可能性を判断し、自分の長所と短所を理解し、自己創造性を高めるために不可欠です。大学生の創造性に対する自己認識に関する研究はほとんどなく、そのような自己認識を予測するために決定木 (DT) を使用した研究はさらに少ないです。この研究は、大学生の創造的自己効力感 (CSE) の予測における修正 C5.0 デシジョン ツリー モデル (DTM) の使用の有効性を評価し、どの変数が CSE の予測因子として機能するかを特定することを目的としていました。これらの質問に答えて、中国四川省の大学生 607 人が、心理的回復力尺度、学業的自己効力感尺度、学校への所属意識、革新的な行動尺度、CSE 尺度の 5 つのセクションを含む強みと困難に関する質問票 (SDQ) に記入しました。説明されている方法には、SDQ を体系的に提供し、結果を採点し、60 人の学生の回答にコードを割り当てることが含まれます。SDQ サブスケールを使用して、行動リスクの種類を予測するために C5.0 と呼ばれる DTM が構築されました。DTM はトレーニングおよび相互検証され、10 倍の改善を示し、そのパフォーマンスは精度と F1 スコアによって評価されました。改訂された C5.0 DTM の結果、CSE の重要な予測因子は、重要度の高い順に、心理的信頼、学校への所属意識、学業的自己効力感、および革新的な行動であることが明らかになりました。本研究は、DTMが大学生のCSEを予測する効果を証明することで、基礎学習とCSEの関連性を発展させ、CSEの解釈を増やし、大学生の創造性とCSEを高めるための研究支援を提供した。

Introduction

創造性は、いくつかの国の社会経済発展にとって不可欠な動機とみなされており、徐々に国全体の強さの主要な要因となっています。それにもかかわらず、調査によると、中国の高等教育機関は依然として学生の理論的知識を優先し、分析的な意見スキル、自律的な問題解決スキル、革新的なスキルの育成を無視しています。その結果、何人かの学生は強力な理論的知識を持っていますが、質問¹ の分析と対処に苦労しています。個人的環境と社会的環境の二重の影響がこの現象を引き起こし、大学生は感情的なニーズや自己啓発よりも学習と外部の社会的競争を優先するようになります。現代社会が過度に依存している人工知能(AI)という形で、個人の意見や革新的なスキルが低下するほど、重大なリスクが浮上しています。これは、個人的および社会的発達における制限または退行の結果です ^2,3。

そのため、イノベーションは現在の国内外の心理学研究のホットトピックとして浮上しており、創造的自己効力感(CSE)が創造性にプラスの影響を与えることを示す研究が数多くあります。同時に、研究によると、学生のCSEが高いほど、人生に対するより前向きな見方と、困難な課題に直面したときのスキルに対する自信の向上と相関しています^4,5。実際、創造性のレベルが低いと、キャリアにおける競争上の問題を含む、人生のあらゆる特徴に悪影響を与える可能性があります。研究によると、創造性が低下する主な原因は CSE の欠如です。創造性の重要な目的として、CSE は、創造的な思考をし、創造的な行動に参加し、創造的な結果を達成する能力に対する個人の信念として定義されます。チームでは、CSE は知識の共有と共同作業における個人の創造性を高めることができます⁶.高い CSE は、楽観的な感情の存在下で新しい革新的な行動 (IB) を刺激することもできます⁷.

変化する心理学がアドバイスするように、10歳から14歳頃には、成人期が^{8になり、}仲間とそれに伴うストレスに対処することが増えるため、生徒のスキルが感情や行動の変化につながる可能性があります。SDQ は信頼され、心理測定学的に健全であることが確認されており、25 項目しかカバーしていないため 9、この研究では^SDQ が好まれました。この本書では、感情、大学での行動、活動レベル、大学での人間関係、親切性の5種類の行動を調べて、学生のメンタルヘルスの一般的な状態を説明しています。既存の研究 ^4,5 によると、彼らは、生徒の心理的および行動的課題の早期存在を特定する上で、中国で SDQ を使用することが行動タスクのみを使用するよりも効果的であることを発見しました。調査が不可欠であり、いくつかの大学環境でうまく機能する理由を示しています。

大学生が未来社会の中核であり、主要な貢献者であることを考えると、彼らのCSEは特に重要です。研究によると、学生の CSE はポジティブな感情とコントロールの方向性に直接関係していることが明らかになりました⁸。さらに、CSE は課外活動における生徒の行動とパフォーマンスを向上させます⁹。さらに、研究によると、学生の CSE は社会的スキルと心理的回復力 (PR) を強化し、困難な環境に適応できるようになります¹⁰。生徒のPRは、柔軟性、対処能力、知的スキル、感情的抑制にプラスの影響を与えます¹¹。したがって、大学で学生のCSEをやる気にさせることは、社会的および個人の発達にとって不可欠です。

研究によると、CSE は年齢、大学の背景、教師の指導などのいくつかの要因により人為的であることが証明されています。たとえば、創造的な学習環境は、生徒の学業成績、自信、適応力、問題解決能力、対人スキル、出席率を向上させることがわかっています⁹。上記の研究は CSE を操作する要因を特定しましたが、CSE に対する大学メンバーの精神的認識と学業的自己効力感 (ASE) の予測的役割は、十分な学術的注目を集めていません¹¹。さらに、現存する研究は主に中高等教育の学生に焦点を当てており、大学生の間でのCSEの調査は限られています。デシジョンツリーモデル(DTM)は、機械学習(ML)¹²における効果的なデータマイニングアルゴリズムです。複雑な意思決定手順を、^13、14、15を説明するためのより簡単な解決策として分析します。研究者らは、DTM を使用して、中国における製造イノベーションの成功または失敗に影響を与える要素と、ユーザーの満足度、態度、ロイヤルティに関する調査への回答率を予測することに成功しました^16,17。この研究は、大学生の CSE 予測における DTM の使用の有効性を評価し、CSE を予測する変数を特定することを目的としています。

この研究では、デシジョンツリーモデル (DTM) を使用して、大学生の創造的自己効力感 (CSE) に影響を与える主要な要因を予測します。DTM は、その解釈可能性、混合データ型を処理する能力、および非線形関係のモデル化における有効性を考慮して選択されています。ブラックボックスモデルとは異なり、DTMは透明性のあるルールベースの出力を提供し、予測変数を明確に識別できます。教育と心理学の先行研究は、複雑な意思決定シナリオの分析におけるその有用性を裏付けています。その視覚的な構造は実践的な解釈に役立ち、学術環境に適しています。DTM は、行動または心理的結果を高い明確さと関連性でモデル化するための解釈可能でデータ駆動型のアプローチを求める研究者に最適です。

創造的な自己効力感
CSEは、創造的な活動を成功裏に完了する能力に関する個人の主観的な決定です。これは、一般的な自己効力感の領域固有の指標を表し、個人のタスクと創造的な取り組みの実施に不可欠な影響要因および心理的基盤です。Tierney と Farmer^18,19 は、ピグマリオン CSE アプリケーション モデルを導入し、創造的活動の内部動機である CSE が個人の創造性を効果的に採用し、個人の創造的スキルの能力を有意に肯定的に予測すると主張しました。さらに、学者らは、CSE は創造的スキルを維持する個人の自信、学習およびライフプロセスにおける能力を反映していることを強調しています²⁰。研究によると、CSE の感覚が高い人は自分自身にもっと集中する傾向があり、自尊心と達成感を経験するために自分の興味や課題に沿った信念や目標を選択する傾向があります^21,22。これまでの研究では、個人の創造的可能性を実現するための創造的自己信念の不可欠な要素として CSE が主に強調されてきましたが 22,23,24、この研究では、大学生の CSE を、特定の独創的な行動を成功裏に完了するスキルについての信念として定義しています。

CSEの測定とモデル
CSE は通常、以前に開発された SDQ デバイスから採用および適応されたスケールを使用して測定されます。例えば、バンデューラの自己効力感尺度²⁵、アマビレの創造性尺度²⁶、ウッドマン、ソーヤー、グリフィンの尺度²⁷を適応させて測定した。ケーススタディ、観察、インタビューも、特定のグループ内の個人の日常行動における CSE を発見するために採用されています。しかし、CSEに関する調査のかなりの部分は、企業とその従業員に焦点を当てています。これらの調査研究の仮説的なアイデアを他のコホートに適用することは限られています。この研究では、教師のサポートと前向きな教室環境の方法が、生徒のCSEを高めるために不可欠であることを示しました²⁸。

教師の役割には知識の伝達が含まれ、本質的に創造性を伴うプロセスです。CSEの増加は、個人のクリエイティブスキルへのより深い関与に貢献し、より良いクリエイティブパフォーマンスにつながると結論付けました^29,30。年齢に関しては、高等教育機関の学生の間でCSEの性別に基づく有意な差が見られましたが、成人被験者のCSEは高年齢の被験者よりも有意に高かった。これは、年齢の影響が一貫していないことを示唆しています。創造的自己概念理論は、CSE と創造的自己アイデンティティ 31,32,33,34 に分類される、創造的スキルにおける自分のパフォーマンスの評価と認識を含む CSE の理解を知らせます。創造的な自己概念は、創造的な動機、行動、結果に大きな影響を与えます。この理論に基づいて、研究者は教育および職場環境における創造的な自己概念と創造的スキルを研究するための構造化されたモデルを開発しました³⁵。さらに、アマビレは1983年に創造的行動の構成要素モデルを提案し、創造的行動の3つの必須条件として創造的能力、動機、創造的環境を特定しました。

CSEの予測分析手法
CSE の場合、主な予測分析方法は、回帰分析、確認因子分析 (CFA)、主成分分析 (PCA)、およびメタ分析です。ティアニーとファーマーは、構造方程式モデリングとCFAを使用して、創造的スキル、動機、環境が個人の創造的スキルとCSEを予測することを発見しました。この研究では、PCA を使用して、CSE と創造的自己アイデンティティが創造的自己概念の 2-D を構成し、創造的動機に影響を与えることを実証しました。重回帰モデリングを適用した研究者は、創造的なスキル、目標、感情、信念がCSEの重要な予測因子であると提案しています³⁶。

CSEの予測因子
既存の学術研究の中で、いくつかの研究は大学生の CSE に焦点を当てているか、DTM を利用して CSE を予測しています^37,38。したがって、この研究は、大学生の CSE を予測するための DTM の応用を探ることを目的としています。これを達成するために、研究は文献で CSE の予測因子を特定することから始まりました (図 1)。

まず、本研究では、CSEの予測因子として知覚行動と環境行動を提案する。計画行動理論は、主観的な規範、態度、および知覚された行動制御が行動意図に影響を与えると仮定しています。コントロールの意見と知覚された支援要因によって共同で決定される知覚行動制御とは、人が自分が従事する行動をコントロールしていると認識する程度を指します。これは、IBを実行することで、CSE³⁷の感覚から生じる創造性に対するコントロールの感覚を高めることができることを意味します。ある研究では、創造性が CSE の予測因子であることが実証されました。CSE は、創造的なスキルを作成し、創造的な行動に従事し、創造的な結果を達成する能力に対する自信です。これらの研究は、学校への所属の心理的感覚 (PSSM) と CSE³⁸ との間に正の関係があることも示しました。したがって、CSEは、学生の創造性を育むために、大学環境のさまざまな要因によって採用される可能性があります³⁹。知覚要因に関しては、この研究では CSE の予測因子として PR と ASE を提案しています。研究によると、PR とは、ストレス、挫折、逆境に直面したときに安定した感情的および行動的反応を維持し、すぐに正常な状態に戻る人の能力であることがわかっています。したがって、PR は、感情的創造性、CSE、および一般的な自己効力感⁴⁰ と有意かつ正の相関があります。最後に、CSEはASEによって予測できることが実証されており、ASEは学業課題を実行する能力に関する人の決定と信念の影響を受けます^41,42。要約すると、この研究では、CSE の 4 つの予測因子 (PR、ASE、PSSM、IB) を提案しています。

Protocol

この研究は、中国四川省の成都師範大学で17,000人以上の学生を対象にテストされました。SDQ リソースと調査デザインは、中国四川省成都師範大学倫理審査委員会 (611130) によって承認されました。大学は2023年9月10日から13日まで調査を実施した。インフォームドコンセントを得ることにより、自発的な参加が保証されました

1. 参加者の登録

1. クラスを意識したランダムサンプリング法で公立大学を選択します。次の基準を使用します: (i) すべての人に対する教育は同じ計画に従い、同じ方法で生徒をテストします。(ii)教育が同じ言語(中国語)で行われている。(iii)各大学には、各教師に最適な学生数があります。ここでは、中国四川省の成都師範大学が選ばれました。
2. 18歳から21歳までの生徒を選び、自分の行動をこれまで以上に明確に理解しています。
3. SDQ ツールを設計する前に、CSE と推奨される予測因子の間の予測相関の可能性を特定することに参加することに同意した 5 人の学生に調査焦点インタビューを実施します。その後、コンビニエンスサンプリングを使用して、意欲的な学生を引き付けます。
4. 確認済みの生徒をすべて選択します。合計607人の学生がすべてのSDQを検証し、徹底的なチェックの末に妥当性を確認した。回答者の人口統計データによると、男女比は25.5%から74.5%でした。居住環境については、参加者の71.4%が農村部出身で、28.6%が都市部出身でした。すべての学生は、標準化されたカリキュラムの枠組みの下でリベラルアーツ教育を追求していました。参加者の大多数は低所得から中所得世帯に属しており、この地域の公立大学入学者のより広範な社会経済的構成を反映しています。
   注:通常、中国で教員養成の高等教育に入学する学生は、大学入学試験でリベラルアーツに傾いています。一般に、女子学生は男子学生よりも創造的な活動に大きな関心を示すため、これらの大学では一般的に女子学生の割合が高く、サンプルで女性が著しく優勢であることが説明されています。
5. モデルが公平であることを確認するために、参加者を性別と学年ごとにグループ化しました。これにより、同様の社会人口統計学的人口を持つ成都のほとんどの政府運営の大学への結果の適用性が高まります。

2. 計装

注: この研究では、人口統計情報、CSE スケール、心理的回復力スケール、学校メンバーシップの心理的感覚スケール、学業的自己効力感スケール、および創造的行動スケールをカバーする 52 項目を含む 6 つのセクションで構成される SDQ を使用しました。人口統計データには、性別、年齢、個人が都市部出身か農村部出身かが含まれます。英語版のスケールは中国語に翻訳されています。

1. 逆翻訳法⁴³ を適用します。SDQを確定する前に修正と最適化を実施し、元のスコアリングスケールを5段階スケールに置き換えて、信頼性を維持しながら他のスケールとの異質性を確保し、それによってスケールの同等性を確保します。
2. すべての仮説項目を 1 = 強く同意しないから 5 = 強く同意するまでの 5 段階評価で測定します。

3. 学業の自己効力感

1. 学術訓練中の成都師範大学の学生の自己効力感を評価するために特別に設計された⁴⁴ の大学学術的自己効力感尺度 (CASES) を使用します。CASES は 9 つのオブジェクトで構成されています (たとえば、他の学生よりもうまくやりたいと思っています。先生が何を訓練しているのかは理解できると確信しています。授業で良い成績を収めたい)。このスケールの信頼性係数は 0.897 です。

4. 革新的な行動尺度

1. IB を測定するには、Innovative Behavior Scale⁴⁵ を使用します。スケールの3次元を次のように維持します:革新的なスキルの年齢層(例:困ったときに、私は頻繁に革新的なスキルを身につけます)、革新的なスキルの促進(例:革新的なスキルに対する管理サポートを求める)、および革新的なスキルの応用(たとえば、革新的なスキルを可能なトレーニングに変えます)。このスケールの信頼性係数は 0.917 です。

5. 学校所属度の心理的感覚

1. PSSM を使用して、学生の感情状態、反応、アイデンティティの証明、愛着、行動態度に関して、大学への帰属意識を評価します。
2. Goodenow⁴⁶ によって開発され、18 のプロジェクトが含まれており、一般的にスペイン語や中国語を含むさまざまな言語に翻訳されています。18項目のPSSMの中国語版を使用します(たとえば、私はこの大学に属しているように感じます。学生たちは私の意見を真剣に受け止めます)⁴⁷.このスケールの信頼性係数は 0.853 です。

6. 心理的回復力尺度

1. Connor-Davidson Resilience Scale(CD-RISC-10)の10個のオブジェクトを使用して、PR⁴⁸を測定します。当初、25 個のオブジェクトを使用していた Campbell-Sills と Stein⁴⁹ は、より短いバージョンで PR スケールを全体で 10 個のオブジェクトに改善しました。
2. この尺度を使用して、ネガティブなスキルから回復し、さまざまな外部要因に柔軟に適応するスキルに対する個人の感情、反応、親しみやすさを測定します。それは5D、すなわち、共感する能力(例えば、変化が起こったときに柔軟に適応できる)、否定的な感情に対する耐性(例えば、ユーモアで問題に対処できる)、変化を受け入れる(例えば、スキルによって強くなる)、コントロール(例えば、怒りのような動揺した感情に対処できる)、精神的な影響(例えば、プレッシャーにさらされているときに自分の思考プロセスに集中できる)⁴⁹。このスケールの信頼性係数は 0.938 です。

7. CSEスケール

1. CSE スケールを使用して CSE を測定し、人が創造的なスキルを作成できるとどの程度信じているかを評価します⁵⁰。中国人学生の調査のためにスケールを3つのオブジェクトに凝縮します。このスケールの信頼性係数は 0.860 です。

8. データ収集

1. このSQD研究は、大学生のCSEの予測因子を明らかにすることを目的としていました。SDQ を使用して、大学生の CSE レベルを 4 つの予測因子とともに測定します⁵¹。
2. この期間中、校長は生徒たちに、各大学の一日の終わりにQRコードを表示するためにSDQを自発的に完了するよう奨励しました。参加者に、QR コードをスキャンし、質問に回答し、[ 送信] をクリックすることで SDQ にアクセスできることを伝えます。
3. 重要なのは、生徒が QR コードをスキャンする前に、校長に生徒と保護者に研究の目的を説明するように指示することです。インフォームドコンセントを見つけることで、自発的な参加を確保します。
4. 対象となる学生集団にSDQを投与します。各参加者がすべての必須オブジェクトに応答していることを確認します。応答の完全性と一貫性を検証します。
5. ASE、保護者の回復力 (PR)、CSE などのコア構造を定義します。1 から 5 までの 5 段階のリッカート スケールを使用して回答をコード化します。最大スケールスコアの 60% 以上のしきい値を使用して、参加者を高タイプまたは低タイプに割り当てます。
6. データセットをトレーニングとテストのサブセットに分割します。データの 70% (n=423) をモデルのトレーニングに使用します。残りの30%(n=184)をテスト目的に割り当てます。
7. 分類および回帰ツリー (CART) を適用して、有意な予測変数を見つけます。ジニ不純物を使用して、節点の分割を決定します。最小ケース数または不純物ゼロに達するまで分割を続けます。
8. 平均二乗誤差 (MSE) を使用して、プルーニングするノードを評価します。プルーニングによって MSE が減少する場合は、ノードを切り捨てます。トリミング後に MSE が増加した場合、ノードを保持します。
9. テストデータセットを使用して、DTM を検証します。精度、感度、特異性などのパフォーマンス指標を計算します。誤って分類されたケースを分析して、DTM の弱点を見つけます。
10. ピアソン積モーメント相関分析を実行して、変数間関係を研究します。相関係数値に基づいて相関の強さと方向を解釈します。
11. デシジョン ツリー ルールを使用して、PR と ASE が CSE レベルを予測する方法を特定します。分類結果に対する各変数の寄与を定量化します。
12. モデルの精度が目的のしきい値を下回った場合は、特徴セットを展開します。精度を向上させるために、追加の変数またはより大きなサンプル サイズを使用してモデルを再トレーニングします。
13. さまざまな地域や機関からのデータを使用して、モデルの一般化可能性をテストします。研究プロトコルを再現して、独立したサンプル間で結果を検証します。
14. 各 SDQ 投与には ~25 分かかりました。環境制御を使用して、周囲の騒音<45 dB、温度を26〜28°Cにします。
15. 15 時間の SDQ ブリーフィング セッションを通じて、2 人の学生ごとに 1 人のファシリテーターをトレーニングします⁵².標準的な操作スクリプトの助けを借りて、ファシリテーターは結果に対する自分の意見の影響を減らすことができました⁵³.ヘルパーに、すべての指示を書かれているとおりに正確に読み、必要な手順以上を明確にすることは避け、テスト問題を説明しようとしないように依頼してください。ファシリテーターは、面接官の影響を排除し、データが学生の評価からのみ得られるようにするのに役立ちました⁵⁴。
    注:これらの追加は、実装のばらつきに対処し、コンテキスト間の再現性を高めます。ほとんどの学生は個人用デバイスを持っておらず、^{Wi-Fi 55} が機能している大学はごく一部にすぎなかったため、紙の上で管理することが最善の解決策でした。さらに、調査研究では、識字率が低い個人の間で、SDQ デジタル形式と紙形式の間で心理測定結果に顕著な違いは示されていません⁵⁶。今後の研究では、強力なリソースを持つ私立大学でデジタル化がどのように機能するかを調べることが役立つでしょう⁵⁷。この意見ではコーディングが行われていないため、評価者間の信頼性を判断できませんでした。

9. データ分析

1. データマイニング方法を使用して、調査データを^{分析します 58}.データマイニングは、学生のCSEのパターンを明らかにし、統合的、目標指向的、サンプリングの3種類の学習者を見つけることができます。この研究では、DTM が生徒の学業成績と学習行動を予測するために広く使用されており、理解しやすいルール⁵⁹ を生成できるため、DTM を選択しました。
   注: 具体的には、デシジョンツリー (DT) は、トレーニングサンプルから分類ルールを構築し、ルートノード、複数の内部ノード、および複数のリーフノードで構成されるわかりやすいトップダウングラフを生成します。ルートノードと内部ノードの両方が対応するテスト条件(すなわち、分類尺度)⁶⁰を表し、リーフノードは最終出力を表します。ルールは、各ノードによって形成されるツリーモデルに基づいて推測できます。さらに、DT は多重共線性に対する優れた許容度を証明し、予測変数間の複雑な相関関係を処理できます。さらに、予測変数がカテゴリカルな場合は定DTが使用され、回帰DTは連続予測変数⁶⁰に適しています。
2. 学生のCSEが高いか低いかを判断するには、明確なDTを使用して予測モデルを作成し、CSEの予測における各要因の有意性を分析します。

10. DT工事

1. データ・セットの不純物の程度を示し、式(1)として定義される情報エントロピーの減少率に基づいて、DTの分割しきい値と最適な分岐変数を決定します。
   (1)
   ここで、D はトレーニング データセットのサンプル サイズ、m、P_k は各タイプのオッズ比です。
2. 情報利得比は、多くの分類方法の下でデータセットの情報エントロピーの分散を測定します。式 (2) で定義された、選択した変数 C によって n 個のサブセットに分割されたデータセット D のゲイン比を計算します。
   (2)
3. C5.0では、情報ゲイン率が最も高い属性を分割点として選択し、その属性の値に基づいて複数の分岐を形成して、複数のサブセットを取得します。最後のサブセットに同じタイプのデータが含まれるまで分離プロセスを繰り返し、データの帰納的ラベル付けを実現します。

11.DT剪定

1. 剪定方法を使用して、リーフノードをレイヤーごとに剪定します。DT が構築されたら、トレーニングされた DTM に従って、データ セットを各リーフ ノードに再帰します。
2. 葉状および葉状のデータセットの MSE を計算します。トリミング後に MSE が減少した場合は、ノードを切り捨てます。それ以外の場合は、ノードを保持します。

12. DT評価

1. サンプルデータの70%(n=423)をトレーニングに利用し、残りの30%(n=184)をテストに利用します。モデルの品質を評価するための指標は、精度、精度、再現率です。精度は、すべてのサンプルのうち正しく分類されたサンプルの割合として定義されます。精度は、予測結果で実際の陽性サンプルである正のサンプルの数であり、再現率は、実際のサンプルで正しく予測された正のサンプルの数です。

13. データ分析

1. 統計分析ソフトウェアを使用して研究結果を分析します。まず、記述統計分析を使用して、CSE の頻度と集中度の傾向、および予測因子を分析します。次に、ID3 と C4.5 を改良し、より高速に実行し、より堅牢な予測効果を生成する C5.0 アルゴリズムを使用して DT 分析を実行します。

14. データエンコーディング

1. 60%を分化点として使用し、サンプルを高CSEと低CSEの2つのグループにラベル付けします。予測変数については、PR、IB、ASE、およびPSSMを特定の原則に従ってバイナリ変数に変換しました(表1)。

Results

記述統計
この研究では、連続変数と逐次変数の記述統計を分析しました (表 2)。各変数は、フルスケールの60%を超える値は平均以上のパフォーマンスを示すという原則に基づいてコーディングされています。特に、大学生の CSE は平均を上回っているようで、平均値は 3.66、標準偏差は 0.80 で、フルスケールの 60% を超えています。これは、ほとんどの大学生が高いCSEを持っていることを示唆しています。4つの予測変数の平均値も同様の結果を示し、学生は比較的高いレベルのASE、PSSM、PR、およびIBを報告しました。

研究の母集団は、一般的な目的への適合性を確保するために慎重に選択されました。男女の生徒は18歳から21歳までの年齢層から選ばれ、生徒の感情や行動がより信頼できるものになり始める活発な時期です⁵⁴。この調査では学生のプログラムが考慮されているため、主に初等レベルから中等教育レベルへの移行を対象としています。この研究における社会経済的地位は、中国で一般...

Discussion

この研究では、DT-C5.0 を使用して、大学生の CSE の 4 因子予測モデルを構築し、これらの要因の役割を調査しました。この研究で導き出されたすべての結論は、文献と関連するデータ分析に基づいていました。

評価結果では、CSE のレベルを予測する DTM の有効性が検証されました。モデルの精度、精度、再現率は 75 % の基準を超えました。このモデルの曲線下面積 (AUC) 値は 0.762 で、0.5 を超えており、ランダム測定モデルよりも優れていることを示しています。PR は、DTM に選択される 4 つの変数の中で最も重要です。以前の調査結果⁶⁰と同様に、PRは創造性と正の有意な関係があります。PRが高い人は、ストレスの多い状況でポジティブな感情を経験する可能性が高く、ストレスを克服し、ポジティブな意味を見出すことができます。したがって、PR が高いほど、トラウマ的な経験が心理的健康に及ぼす影響が軽減され、回復に貢献します。その結果、学生の...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
2 TB HDD	セガンテ	6G SATA 7.2k 3.5 インチ (LFF)	貯蔵
8 GB RAM	キングストン テクノロジー	4Rx4 DDR4 LRDIMM 2666 MT/秒。	貯蔵
インテル Core i5	インテル	インテル Core i7	プロセッサー
NVIDIA GeForce RTX 4060 Ti	Nvidia Corporation	NA	グラフィックス カード
R		(バージョン4.1.2)	プログラミング言語
SPSS	IBM	30	データ視覚化ツール