의사결정트리 모델링을 기반으로 한 대학생의 창의적 자기효능감 예측분석

Summary

이 연구는 대학생의 창의적 자기효능감(CSE)을 예측하기 위해 수정된 C5.0 의사결정 트리 모델(DTM)의 사용을 조사합니다. 이 연구는 CSE 예측에 있어 DTM의 효과를 확인하고 이를 예측하는 변수를 식별하는 것을 목표로 합니다.

Abstract

창의성은 국내외 현재 심리학 연구의 초점입니다. 자신의 창의성에 대한 개인의 자기 인식은 자신의 창의적 잠재력을 결정하고, 자신의 강점과 약점을 이해하고, 자기 창의성을 향상시키는 데 매우 중요합니다. 대학생의 창의성에 대한 자기 인식에 대한 연구는 거의 없으며 그러한 자기 인식을 예측하기 위해 의사 결정 트리(DT)를 사용하는 연구는 훨씬 적습니다. 본 연구는 대학생의 창의적 자기효능감(CSE)을 예측하는 데 수정된 C5.0 의사결정 트리 모델(DTM)을 사용하는 효과를 평가하고 어떤 변수가 CSE의 예측 변수가 될 수 있는지 식별하는 것을 목표로 했습니다. 이러한 질문에 대한 응답으로 중국 쓰촨성의 대학생 607명은 심리적 회복력 척도, 학업 자기효능감 척도, 학교 구성원에 대한 심리적 감각, 혁신적 행동 척도 및 CSE 척도의 5개 섹션으로 구성된 강점 및 어려움 설문지(SDQ)를 작성했습니다. 설명된 방법에는 SDQ를 체계적으로 제공하고, 결과에 점수를 매기고, 60명의 학생의 답변에 코드를 할당하는 작업이 포함됩니다. SDQ 하위 척도를 사용하여 행동 위험 유형을 예측하기 위해 C5.0이라는 DTM을 구축했습니다. DTM은 훈련 및 교차 검증을 거쳐 10배 향상된 것으로 나타났으며 정확도와 F1 점수로 성능을 평가했습니다. 개정된 C5.0 DTM의 결과는 CSE의 유의미한 예측 요인이 중요도가 낮은 순서로 심리적 신뢰, 학교 구성원에 대한 심리적 감각, 학문적 자기효능감, 혁신적 행동인 것으로 나타났다. 본 연구는 DTM이 대학생의 CSE를 예측하는 데 효과적임을 입증함으로써 기초학습과 CSE의 연관성을 발전시키고, CSE에 대한 해석을 높이며, 대학생의 창의성과 CSE 향상을 위한 연구 지원을 제공하였다.

Introduction

창의성은 여러 국가의 사회 경제적 발전을 위한 필수적인 동기로 간주되며 점차 국가 전체의 힘의 주요 요소가 되었습니다. 그럼에도 불구하고 연구에 따르면 중국 고등교육(HE) 기관은 여전히 학생들의 이론적 지식을 우선시하고 분석적 의견 능력, 자율적인 문제 해결 능력 및 혁신 능력의 배양을 소홀히 하는 것으로 나타났습니다. 결과적으로 몇몇 학생들은 강력한 이론적 지식을 가지고 있지만 질문¹을 분석하고 해결하는 데 어려움을 겪습니다. 개인적 환경과 사회적 환경의 이중 영향은 이러한 현상을 주도하여 대학생들이 정서적 필요와 개인 개발보다 학습과 외부 사회적 경쟁을 우선시하도록 동기를 부여합니다. 현대사회가 지나치게 의존하게 된 인공지능(AI)의 형태로 개인의 의견과 혁신력이 감소하는 등 중대한 위험이 대두되고 있다. 이것은 개인적, 사회적 발달의 제한 또는 퇴보의 결과입니다 ^2,3.

따라서 혁신은 현재 국내외 심리학 연구에서 뜨거운 주제로 떠오르고 있으며, 창의적 자기효능감(CSE)이 창의성에 긍정적인 영향을 미친다는 많은 연구가 있습니다. 동시에, 연구에 따르면 학생들의 CSE가 높을수록 인생에 대한 보다 긍정적인 전망과 어려운 과제에 직면할 때 자신의 기술에 대한 자신감이 높아지는 것과 관련이 있습니다 ^4,5. 실제로 낮은 수준의 창의성은 경력의 경쟁 문제를 포함하여 삶의 모든 특징에 부정적인 영향을 미칠 수 있습니다. 연구에 따르면 창의성이 저하되는 주요 원인은 CSE의 부족입니다. 창의성의 중요한 목적으로서 CSE는 창의적인 생각을 하고, 창의적인 행동에 참여하고, 창의적인 결과를 달성할 수 있는 능력에 대한 개인의 믿음으로 정의됩니다. 팀에서 CSE는 지식 공유 및 협업 노력에서 개인의 창의성을 높일 수 있습니다⁶. 높은 CSE는 또한 낙관적인 감정이 있을 때 새로운 혁신적 행동(IB)을 불러일으킬 수 있습니다⁷.

변화하는 심리학에서 조언한 바와 같이, 10세에서 14세 사이에는 성인기가 되어가고 8 또래와 그에 따른 스트레스를 더 많이 다루기 때문에 학생들의 기술이 감정과 행동의 변화로 이어질 수 있습니다. SDQ는 신뢰할 수 있고 심리 측정학적으로 건전한 것으로 확인되었으며 25개 항목만 다루기 때문에⁹, 이 연구에서 선호되었습니다. 학생의 정신 건강의 일반적인 상태를 설명하기 위해 감정, 대학에서의 행동, 활동 수준, 대학에서의 관계, 도움이 등 다섯 가지 유형의 행동을 살펴봅니다. 기존 연구 ^4,5에 따르면 그들은 중국에서 SDQ를 사용하는 것이 학생들의 심리적 및 행동적 문제의 초기 존재를 식별하는 데 행동 과제만 사용하는 것보다 더 효과적이라는 것을 발견했습니다. 조사가 필수적이고 여러 대학 환경에서 잘 작동하는 이유를 보여줍니다.

대학생이 미래 사회의 핵심 세력이자 주요 공헌자라는 점을 감안할 때 CSE는 특히 중요합니다. 연구에 따르면 학생들의 CSE는 긍정적인 감정 및 통제 방향과 직접적인 관련이 있는 것으로 나타났습니다⁸. 또한 CSE는 과외 활동에서 학생들의 행동과 성과를 향상시킵니다⁹. 연구에 따르면 학생들의 CSE는 사회적 기술과 심리적 회복력(PR)을 향상시켜 어려운 환경에 적응할 수 있게 해줍니다¹⁰. 학생들의 PR은 유연성, 대처 능력, 지적 능력 및 정서적 억제에 긍정적인 영향을 미칩니다¹¹. 따라서 대학에서 학생들의 CSE에 동기를 부여하는 것은 사회 및 개인 발전에 매우 중요합니다.

연구에 따르면 CSE는 연령, 대학 배경, 교사 지도 등 여러 요인으로 인해 인위적이라는 사실이 입증되었습니다. 예를 들어, 창의적인 학습 분위기는 학생들의 학업 성취도, 자신감, 적응성, 문제 해결 능력, 대인 관계 기술 및 출석률을 향상시키는 것으로 밝혀졌습니다⁹. 위의 연구에서 CSE를 조작하는 요인을 확인했지만, CSE에 대한 대학 구성원의 정신적 인식과 학문적 자기효능감(ASE)의 예측 역할은 학문적으로 충분한 관심을 받지 못했습니다¹¹. 더욱이 현존하는 연구는 주로 중고등 교육 학생에 초점을 맞추고 있으며 대학생 사이에서 CSE에 대한 탐구는 제한적입니다. 의사결정 트리 모델(DTM)은 기계 학습(ML)¹²의 효과적인 데이터 마이닝 알고리즘입니다. 복잡한 의사 결정 절차를 13,14,15를 설명하기 위한 더 쉬운 솔루션으로 분석합니다. 연구진은 DTM을 사용하여 중국 제조 혁신의 성공 또는 실패에 영향을 미치는 요소와 사용자 만족도, 태도 및 충성도에 대한 설문 조사에 대한 응답률을 성공적으로 예측했습니다^16,17. 본 연구는 대학생의 CSE를 예측하는 데 DTM을 사용하는 효과를 평가하고 CSE를 예측하는 변수를 식별하는 것을 목표로 합니다.

본 연구는 의사결정 트리 모델(DTM)을 사용하여 대학생의 창의적 자기효능감(CSE)에 영향을 미치는 핵심 요인을 예측합니다. DTM은 해석 가능성, 혼합 데이터 유형 처리 능력 및 비선형 관계 모델링 효율성 때문에 선택됩니다. 블랙박스 모델과 달리 DTM은 투명한 규칙 기반 출력을 제공하므로 예측 변수를 명확하게 식별할 수 있습니다. 교육 및 심리학에 대한 선행 연구는 복잡한 의사 결정 시나리오를 분석하는 데 있어 유용성을 뒷받침합니다. 시각적 구조는 실용적인 해석에 도움이 되므로 학업 환경에 적합합니다. DTM은 높은 명확성과 관련성으로 행동 또는 심리적 결과를 모델링하기 위해 해석 가능한 데이터 기반 접근 방식을 찾는 연구자에게 이상적입니다.

창의적 자기효능감
CSE는 창작 활동을 성공적으로 완료할 수 있는 능력에 대한 개인의 주관적인 결정입니다. 이는 일반적인 자기효능감의 영역별 지표를 나타내며 개인의 작업과 창의적 노력의 구현에 필수적인 영향 요인이자 심리적 기반입니다. Tierney와 Farmer^18,19는 피그말리온 CSE 적용 모델을 소개하면서 창의적 활동의 내부 동기 부여 요인인 CSE가 개인의 창의성을 효과적으로 채택하고 개인의 창의적 기술 능력을 상당히 긍정적으로 예측한다고 주장했습니다. 또한 학자들은 CSE가 창의적 기술을 유지하는 데 대한 개인의 자신감과 학습 및 삶의 과정에 대한 능력을 반영한다고 강조합니다²⁰. 연구에 따르면 CSE에 대한 감각이 높은 사람들은 자신에게 더 집중하는 경향이 있으며, 자존감과 성취를 경험하기 위해 자신의 관심과 도전에 부합하는 신념과 목표를 선택하는 경향이 있습니다^21,22. 이전 연구에서는 주로 CSE를 개인의 창의적 잠재력을 실현하는 데 있어 창의적 자기 신념의 필수 구성 요소로 강조했지만22,23,24, 이 연구는 대학생의 CSE를 특정 창의적 행동을 성공적으로 완료하는 기술에 대한 신념으로 정의합니다.

CSE의 측정 및 모델
CSE는 일반적으로 이전에 개발된 SDQ 장치에서 채택 및 조정된 스케일로 측정됩니다. 예를 들어, Bandura의 자기효능감^{척도 25}, Amabile의 창의성 척도²⁶, Woodman, Sawyer 및 Griffin의 척도²⁷을 적용하여 측정했습니다. 사례 연구, 관찰 및 인터뷰를 통해 특정 그룹 내 개인의 일상적인 행동에서 CSE를 발견하기도 했습니다. 그러나 CSE에 대한 연구의 상당 부분은 기업과 직원에 중점을 두었습니다. 이러한 연구의 가상적 아이디어를 다른 코호트에 적용하는 것은 제한적입니다. 이 연구는 교사의 지원과 긍정적인 교실 환경의 방법이 학생들의 CSE를 높이는 데 필수적이라고 제시했습니다²⁸.

교사의 역할에는 지식을 전달하는 것이 포함되며, 이는 본질적으로 창의성을 수반하는 과정입니다. CSE의 증가는 개인이 창의적 기술에 더 깊이 참여하여 더 나은 창의적 성과로 이어진다는 결론을 내렸습니다^29,30. 연령과 관련하여 고등교육생들 사이에서 CSE의 성별에 따른 상당한 차이가 나타났으며, 성인 피험자의 CSE는 고학년 피험자보다 유의하게 높았습니다. 이는 나이의 영향이 일관되지 않다는 것을 시사합니다. 창의적 자기 개념 이론은 CSE와 창의적 자기 정체성으로 분류되는 창의적 기술 성과에 대한 평가와 인식을 포괄하는 CSE에 대한 이해를 알려줍니다 31,32,33,34. 창의적인 자아 개념은 창의적 동기, 행동 및 결과에 상당한 영향을 미칩니다. 이 이론을 바탕으로 연구자들은 교육 및 작업 환경에서 창의적 자기 개념과 창의적 기술을 연구하기 위한 구조화된 모델을 개발했습니다³⁵. 또한 Amabile은 1983년에 창의적 행동의 구성 요소 모델을 제안하여 창의적 행동의 세 가지 필수 조건으로 창의적 능력, 동기 부여 및 창의적 환경을 식별했습니다.

CSE에 대한 예측 분석 방법
CSE의 경우 주요 예측 분석 방법은 회귀 분석, 확증 요인 분석(CFA), 주성분 분석(PCA) 및 메타 분석입니다. Tierney와 Farmer는 구조 방정식 모델링과 CFA를 사용하여 창의적 기술, 동기 부여 및 환경이 개인의 창의적 기술과 CSE를 예측한다는 것을 발견했습니다. 이 작업은 PCA를 사용하여 CSE와 창의적 자기 정체성이 창의적 자기 개념의 2차원을 구성하여 창의적 동기에 영향을 미친다는 것을 입증했습니다. 다중 회귀 모델링을 적용한 연구자들은 창의적 기술, 목표, 감정 및 신념이 CSE의 중요한 예측 변수라고 제안합니다³⁶.

CSE의 예측 변수
기존 학술 연구 내에서 여러 연구가 대학생의 CSE에 초점을 맞추거나 DTM을 활용하여 CSE^37,38을 예측했습니다. 따라서 본 연구는 대학생의 CSE를 예측하기 위한 DTM의 적용을 모색하는 것을 목표로 합니다. 이를 달성하기 위해 연구는 문헌에서 CSE의 예측 인자를 식별하는 것으로 시작되었습니다(그림 1).

첫째, 본 연구는 CSE의 예측 요인으로서 지각행동과 환경행동을 제안한다. 계획된 행동 이론은 주관적인 규범, 태도 및 인지된 행동 통제가 행동 의도에 영향을 미친다고 가정합니다. 통제 의견과 인지된 지원 요인에 의해 공동으로 결정되는 인지된 행동 통제는 개인이 자신이 참여하는 행동을 통제하고 있다고 인식하는 정도를 나타냅니다. 이는 IB를 수행하면 CSE³⁷의 감각에서 비롯된 창의성에 대한 통제력을 향상시킬 수 있음을 의미합니다. 한 연구에 따르면 창의성은 CSE의 예측 인자입니다. CSE는 창의적인 기술을 만들고, 창의적인 행동에 참여하고, 창의적인 결과를 달성하는 능력에 대한 자신감입니다. 이러한 연구는 또한 PSSM(Psychological Sense of School Membership)과 CSE³⁸ 사이의 긍정적인 연관성을 보여주었습니다. 따라서 CSE는 학생들의 창의성을 육성하기 위해 대학 환경의 다양한 요인에 의해 채택될 수 있습니다³⁹. 지각적 요인 측면에서 본 연구는 CSE의 예측인자로서 PR과 ASE를 제안한다. 연구에 따르면 PR은 스트레스, 좌절, 역경에 직면했을 때 안정적인 정서적, 행동적 반응을 유지하고 빠르게 정상 상태로 돌아가는 능력입니다. 따라서 PR은 정서적 창의성, CSE 및 일반적인 자기효능감과 유의미하고 긍정적인 관련이 있습니다⁴⁰. 마지막으로, CSE는 학업 과제를 수행하는 능력에 대한 개인의 결정과 신념에 의해 영향을 받는 ASE에 의해 예측될 수 있음이 입증되었습니다^41,42. 요약하면, 본 연구는 CSE의 네 가지 예측 인자인 PR, ASE, PSSM 및 IB를 제안합니다.

Protocol

이 연구는 중국 쓰촨성 청두 사범대학교에서 17,000명 이상의 학생을 대상으로 테스트되었습니다. SDQ 리소스 및 설문 조사 설계는 중국 쓰촨성 청두 사범 대학 윤리 검토 위원회의 승인을 받았습니다. 대학은 2023년 9월 10일부터 13일까지 설문조사를 실시했습니다. 정보에 입각한 동의를 얻어 자발적인 참여가 보장되었습니다

1. 참가자 등록

1. 수업을 의식한 무작위 표본 추출 방법을 통해 공립 대학을 선택합니다. 다음 기준을 사용하십시오: (i) 모두를 위한 교육은 동일한 계획을 따르고 동일한 방법으로 학생들을 테스트합니다. (ii) 교육이 동일한 언어(중국어)로 이루어집니다. (iii) 각 대학에는 각 교사에게 최적의 학생 수가 있습니다. 여기에는 중국 쓰촨성의 청두 사범대학교가 선정되었습니다.
2. 18세에서 21세 사이의 학생이 자신의 행동을 그 어느 때보다 명확하게 이해하고 있는지 선택합니다.
3. SDQ 도구를 설계하기 전에 CSE와 권장 예측 변수 사이의 가능한 예측 상관 관계를 식별하는 데 참여하기로 동의한 5명의 학생과 조사 초점 인터뷰를 수행합니다. 그런 다음 편의 샘플링을 사용하여 자발적인 학생들의 참여를 유도하십시오.
4. 인증된 모든 학생을 선택합니다. 총 607명의 학생이 모든 SDQ를 검증하고 철저한 확인 후 유효성을 확인했습니다. 응답자들의 인구통계학적 데이터에 따르면 남성 대 여성 비율은 25.5%에서 74.5%였습니다. 거주 배경과 관련하여 참가자의 71.4%는 농촌 지역 출신이었고 28.6%는 도시 환경 출신이었습니다. 모든 학생들은 표준화된 커리큘럼 프레임워크 하에서 교양 교육을 추구하고 있었습니다. 참가자의 대다수는 저소득 및 중간 소득 가구에 속해 있으며, 이는 이 지역의 공립 대학 등록자의 광범위한 사회 경제적 구성을 반영합니다.
   참고: 일반적으로 중국에서 고등 교육 교사 양성에 입학하는 학생들은 대학 입학 시험에서 교양 과목에 기울어집니다. 여학생은 일반적으로 남학생보다 창작 활동에 더 큰 관심을 보이기 때문에 일반적으로 이들 대학의 여학생 비율이 더 높으며, 이는 표본에서 여학생이 상당히 우세한 이유를 설명합니다.
5. 모델이 공평한지 확인하기 위해 성별과 학년별로 참가자를 그룹화했습니다. 이는 유사한 사회 인구학적 인구를 가진 청두의 대부분의 정부 운영 대학에 대한 결과의 적용 가능성을 향상시킵니다.

2. 계측

참고: 이 연구는 인구통계학적 정보, CSE 척도, 심리적 회복력 척도, 학교 회원 척도의 심리적 감각, 학업 자기효능감 척도 및 창의적 행동 척도를 다루는 52개 항목을 포함하는 6개 섹션으로 구성된 SDQ를 사용했습니다. 인구통계학적 데이터에는 성별, 연령, 개인이 도시 출신인지 농촌 출신인지 여부가 포함됩니다. 저울의 영어 버전은 중국어로 번역되었습니다.

1. 역번역 방법⁴³을 적용한다. SDQ를 마무리하기 전에 수정 및 최적화를 구현하고 원래 채점 척도를 5점 척도로 교체하여 신뢰성을 유지하면서 다른 척도와의 이질성을 보장함으로써 척도 동등성을 보장합니다.
2. 모든 가설 항목을 1=매우 동의하지 않음에서 5=매우 동의함까지 5점 척도로 측정합니다.

3. 학문적 자기효능감

1. 학업 훈련에서 청두 사범 대학 학생들의 자기효능감을 평가하기 위해 특별히 고안된⁴⁴ 인 대학 학업 자기효능감 척도(CASES)를 사용합니다. CASES는 9개의 개체로 구성됩니다(예: 나는 다른 학생들보다 더 잘하고 싶습니다. 나는 선생님이 무엇을 훈련하고 있는지 이해할 수 있다고 확신합니다. 수업을 잘하고 싶습니다). 이 척도의 신뢰성 계수는 0.897입니다.

4. 혁신적인 행동 척도

1. IB를 측정하려면 혁신 행동 척도⁴⁵를 사용하십시오. 척도의 3차원을 다음과 같이 유지합니다: 혁신적인 기술의 연령 그룹(예: 곤경에 처했을 때 나는 자주 혁신적인 기술을 습득함), 혁신적인 기술의 촉진(예: 나는 혁신적인 기술에 대한 관리 지원을 구할 것입니다), 그리고 혁신적인 기술의 적용(예: 나는 혁신적인 기술을 가능한 훈련으로 전환할 것입니다). 이 척도의 신뢰성 계수는 0.917입니다.

5. 학교 회원 척도의 심리적 감각

1. PSSM을 사용하여 감정 상태, 반응, 정체성 증명, 애착 및 행동 태도와 관련하여 대학에 대한 학생들의 소속감을 평가합니다.
2. Goodenow⁴⁶에서 개발한 이 책에는 18개의 프로젝트가 포함되어 있으며 일반적으로 스페인어와 중국어를 포함한 다양한 언어로 번역되었습니다. 18개 항목으로 중국어 버전의 PSSM을 사용하십시오(예: 나는 이 대학에 속해 있는 것 같습니다. 학생들은 내 의견을 진지하게 받아들입니다)⁴⁷. 이 척도의 신뢰성 계수는 0.853입니다.

6. 심리적 회복력 척도

1. Connor-Davidson Resilience Scale(CD-RISC-10)의 10개 개체를 사용하여 PR⁴⁸을 측정합니다. 처음에 25개의 물체로 Campbell-Sills와 Stein⁴⁹ 는 더 짧은 버전에서 PR 척도를 전체적으로 10개의 물체로 개선했습니다.
2. 척도를 사용하여 부정적인 기술에서 치유하고 다양한 외부 요인에 유연하게 적응하는 기술에 대한 개인의 감정, 반응 및 친화도를 측정합니다. 이는 5차원, 즉 공감 능력(예: 변화가 발생할 때 유연하고 적응할 수 있음), 부정적인 감정에 대한 관용(예: 유머로 문제에 대처할 수 있음), 변화에 대한 수용(예: 기술을 통해 더 강해짐), 통제(예: 분노와 같은 속상한 감정을 다룰 수 있음), 정신적 영향(예: 압박감을 받을 때 사고 과정에 집중할 수 있음)⁴⁹. 이 척도의 신뢰도 계수는 0.938입니다.

7. CSE 척도

1. CSE 척도를 사용하여 CSE를 측정하고 개인이 창의적인 기술을 창조할 수 있다고 얼마나 믿는지 평가합니다⁵⁰. 중국 학생 설문조사를 위해 척도를 세 가지 대상으로 압축합니다. 이 척도의 신뢰성 계수는 0.860입니다.

8. 데이터 수집

1. 이 SQD 연구는 대학생들의 CSE 예측 요인을 밝히는 것을 목표로 했습니다. SDQ를 사용하여 4개의 예측 변수와 함께 대학생의 CSE 수준을 측정합니다⁵¹.
2. 이 기간 동안 교장은 학생들이 자발적으로 SDQ를 완료하여 각 대학 수업이 끝날 때 QR 코드를 표시하도록 권장했습니다. 참가자에게 QR 코드를 스캔하고 질문에 답한 다음 제출을 클릭하여 SDQ에 액세스할 수 있음을 알립니다.
3. 중요한 것은 학생들이 QR 코드를 스캔하기 전에 교장에게 학생과 학부모에게 연구의 목적을 설명하도록 지시하는 것입니다. 정보에 입각한 동의를 찾아 자발적인 참여를 보장합니다.
4. 대상 학생 집단에 SDQ를 관리합니다. 각 참가자가 모든 필수 개체에 응답하는지 확인합니다. 응답의 완전성과 일관성을 검증합니다.
5. ASE, PR(부모 복원력) 및 CSE와 같은 핵심 구문을 정의합니다. 1에서 5까지의 5점 리커트 척도를 사용하여 응답을 코딩합니다. 최대 척도 점수의 60% 이상의 임계값을 사용하여 참가자를 높거나 낮은 유형에 할당합니다.
6. 데이터 세트를 훈련 및 테스트 하위 집합으로 나눕니다. 모델의 학습에 데이터의 70%(n=423)를 사용합니다. 나머지 30%(n=184)를 테스트 목적으로 할당합니다.
7. 분류 및 회귀 트리(CART)를 적용하여 유의미한 예측 변수를 찾습니다. 지니 불순물을 사용하여 노드 분할을 결정합니다. 최소 케이스 수 또는 불순물이 0에 도달할 때까지 계속 분할합니다.
8. MSE(Mean Square Error)를 사용하여 가지치기를 위해 노드를 평가합니다. 가지치기로 인해 MSE가 감소하는 경우 노드를 자릅니다. 트리밍 후 MSE가 증가하는 경우 노드를 유지합니다.
9. 테스트 데이터 세트를 사용하여 DTM의 유효성을 검사합니다. 정확도, 민감도 및 특이성과 같은 성능 메트릭을 계산합니다. 잘못 분류된 사례를 분석하여 DTM 약점을 찾습니다.
10. Pearson 곱-모멘트 상관 분석을 수행하여 변수 간 관계를 연구합니다. 상관 계수 값을 기반으로 상관 관계의 강도와 방향을 해석합니다.
11. 의사 결정 트리 규칙을 사용하여 PR 및 ASE가 CSE 수준을 예측하는 방법을 식별합니다. 분류 결과에 대한 각 변수의 기여도를 정량화합니다.
12. 모델 정확도가 원하는 임계값 아래로 떨어지면 기능 집합을 확장합니다. 정확도를 높이기 위해 추가 변수 또는 더 큰 표본 크기로 모델을 재훈련합니다.
13. 다양한 지역 또는 기관의 데이터를 사용하여 모델의 일반화 가능성을 테스트합니다. 연구 프로토콜을 복제하여 독립적인 샘플에서 결과를 검증합니다.
14. 각 SDQ 투여에는 ~25분이 걸렸습니다. 환경 제어를 사용하여 주변 소음<45dB 및 26-28°C의 온도를 보장합니다.
15. 15시간 SDQ 브리핑 세션을 통해 학생 2명당 한 명의 진행자를 교육합니다⁵². 표준 운영 스크립트의 도움으로 진행자는 자신의 의견이 결과에 미치는 영향을 줄일 수 있었습니다⁵³. 도우미에게 모든 지침을 쓰여진 대로 정확하게 읽도록 요청하고, 필요한 단계 이상을 명확히 하지 말고, 시험 문제를 설명하려고 시도하지 마십시오. 진행자는 면접관의 영향을 없애고 데이터가 학생의 평가에서만 나오도록 도왔습니다⁵⁴.
    참고: 이러한 추가 사항은 구현의 가변성을 해결하고 교차 컨텍스트 재현성을 향상시킵니다. 대부분의 학생들은 개인 장치가 없었고 일부 대학에서만 Wi-Fi⁵⁵가 작동했기 때문에 서류상으로 관리하는 것이 최선의 솔루션이었습니다. 더욱이 연구 조사에 따르면 문해력 수준이 낮은 개인들 사이에서 SDQ 디지털 형식과 종이 형식 간의 심리 측정 결과에 눈에 띄는 차이가 없는 것으로 나타났습니다⁵⁶. 강력한 자원을 갖춘 사립 대학에서 디지털화가 어떻게 작동하는지 조사하는 것은 향후 연구에서 도움이 될 것입니다⁵⁷. 이 의견에서는 코딩이 수행되지 않았기 때문에 평가자 간 신뢰도를 결정할 수 없었습니다.

9. 데이터 분석

1. 데이터 마이닝 방법을 사용하여 설문조사 데이터를 분석한다⁵⁸. 데이터 마이닝은 학생 CSE의 패턴을 밝히고 통합적, 목표 지향적, 샘플링의 세 가지 유형의 학습자를 찾을 수 있습니다. 이 연구는 DTM이 학생들의 학업 성취도와 학습 행동을 예측하는 데 널리 사용되고 쉽게 이해할 수 있는 규칙을 생성할 수 있기 때문에 DTM을 선택했습니다⁵⁹.
   참고: 특히 DT(의사 결정 트리)는 훈련 샘플에서 분류 규칙을 작성하고 루트 노드, 여러 내부 노드 및 여러 리프 노드로 구성된 이해하기 쉬운 하향식 그래프를 생성합니다. 루트 노드와 내부 노드 모두 해당 테스트 조건(즉, 분류 측정)⁶⁰을 나타내는 반면, 리프 노드는 최종 출력을 나타냅니다. 규칙은 각 노드에서 형성된 트리 모델을 기반으로 유추할 수 있습니다. 또한 DT는 다중 공선성에 대한 우수한 내성을 입증하고 예측 변수 간의 복잡한 상관 관계를 처리할 수 있습니다. 또한 예측 변수가 범주형일 때 정확한 DT가 사용되는 반면, 회귀 DT는 연속 예측 변수⁶⁰에 적합합니다.
2. 학생의 CSE가 높은지 낮은지 판단하기 위해서는 명확한 DT를 사용하여 예측 모델을 만들고 CSE를 예측하는 데 있어 각 요인의 유의성을 분석합니다.

10. DT 건설

1. 데이터 세트의 불순물 정도를 나타내며 방정식 (1)으로 정의되는 정보 엔트로피의 감소율을 기반으로 DT에 대한 분할 임계값과 최적의 분기 변수를 결정합니다.
   (1)
   여기서 D는 훈련 데이터 세트의 표본 크기, m,_{P, k} 는 각 유형의 승산비입니다.
2. 정보 이득 비율은 많은 분류 방법에서 데이터 세트의 정보 엔트로피 분산을 측정합니다. 방정식 (2)에 의해 정의된 선택된 변수 C에 의해 n개의 하위 집합으로 분할된 데이터 세트 D의 이득 비율을 계산합니다.
   (2)
3. C5.0에서 가장 중요한 정보 이득 비율을 가진 속성을 분할 지점으로 선택하고 해당 속성의 값을 기반으로 여러 분기를 형성하여 여러 하위 집합을 얻습니다. 마지막 하위 집합에 동일한 유형의 데이터가 포함될 때까지 분리 프로세스를 반복하여 데이터의 귀납적 레이블 지정을 실현합니다.

11. DT 가지치기

1. 가지치기 방법을 사용하여 잎 노드를 층별로 가지치기합니다. DT가 빌드된 후 학습된 DTM에 따라 데이터 세트를 각 리프 노드로 재귀합니다.
2. 잎이 많은 데이터 세트와 잎이 없는 데이터 세트에 대한 MSE를 계산합니다. 트리밍 후 MSE가 감소하면 노드를 자릅니다. 그렇지 않으면 노드를 보존합니다.

12. DT 평가

1. 샘플 데이터의 70%(n=423)를 훈련에 활용하고 나머지 30%(n=184)를 테스트에 활용합니다. 모델의 품질을 평가하는 지표는 정확도, 정밀도 및 재현율입니다. 정확도는 모든 샘플 중 올바르게 분류된 샘플의 백분율로 정의됩니다. 정밀도는 예측 결과에서 실제 양성 표본인 양성 표본 수이고, 재현율은 실제 표본에서 올바르게 예측된 양성 표본 수입니다.

13. 데이터 분석

1. 통계 분석 소프트웨어를 사용하여 연구 결과를 분석합니다. 먼저, 기술 통계 분석을 사용하여 CSE의 빈도 및 농도 추세와 예측 요인을 분석합니다. 둘째, ID3 및 C4.5보다 더 빠르게 실행되고 더 강력한 예측 효과를 생성하므로 개선되는 C5.0 알고리즘을 사용하여 DT 분석을 수행합니다.

14. 데이터 인코딩

1. 60%를 분화 지점으로 사용하여 샘플을 높은 CSE와 낮은 CSE의 두 그룹으로 분류합니다. 예측 변수의 경우 PR, IB, ASE 및 PSSM은 특정 원리에 따라 이진 변수로 변환되었습니다(표 1).

Results

기술 통계
본 연구는 연속 및 순차적 변수에 대한 기술 통계를 분석하였다(표 2). 각 변수는 전체 스케일의 60%를 초과하는 값이 평균 이상의 성능을 나타낸다는 원칙에 따라 코딩됩니다. 특히 대학생의 CSE는 평균 3.66, 표준편차 0.80으로 전체 척도의 60%를 초과하는 등 평균 이상의 CSE를 보이는 것으로 보입니다. 이것은 대부분의 대학생들이 높은 CSE를 가지고 있음을 시사합니다. 4개의 예측 변수의 평균값은 유사한 결과를 나타냈으며, 학생들은 상대적으로 높은 수준의 ASE, PSSM, PR 및 IB를 보고했습니다.

연구에 참여한 모집단은 일반적인 목적에 대한 적합성을 보장하기 위해 신중하게 선택되었습니다. 남녀 모두 18세에서 21세 사이의 연령대에서 선발되었으며, 이는 학생들의 감정과 행동이 더욱 신뢰할 수 있게 되기 시작하는 활동적인 시기입니다⁵⁴. 이 ...

Discussion

본 연구는 DT-C5.0을 이용하여 대학생 CSE의 4요인 예측 모델을 구축하여 이러한 요인의 역할을 탐색하였다. 연구에서 도출된 모든 결론은 문헌 및 관련 데이터 분석을 기반으로 했습니다.

CSE 수준을 예측하는 DTM의 효과는 평가 결과에서 검증되었습니다. 모델의 정확도, 정밀도 및 재현율은 75% 기준을 초과했습니다. 이 모델의 곡선 아래 면적(AUC) 값은 0.762로 0.5를 초과하여 무작위 측정 모델보다 우월함을 나타냅니다. PR은 DTM에 대해 선택된 네 가지 변수 중 가장 중요합니다. 이전 연구 결과⁶⁰과 마찬가지로 PR은 창의성과 긍정적이고 유의미한 관련이 있습니다. PR이 높은 사람들은 스트레스가 많은 상황에서 긍정적인 감정을 경험할 가능성이 더 높기 때문에 스트레스를 극복하고 긍정적인 의미를 찾을 수 있습니다. 따라서 PR이 높을수록 외상 경...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
2TB HDD	Segante	6G SATA 7.2k 3.5"(LFF)	보관
8GB RAM	킹스턴 기술	4Rx4 DDR4 LRDIMM 2666MT/s.	보관
인텔 코어 i5	인텔	인텔 코어 i7	프로세서
NVIDIA GeForce RTX 4060 Ti	Nvidia Corporation	NA	그래픽 카드
R		( 버전 4.1.2)	프로그래밍 언어
SPSS	IBM	30	데이터 시각화 도구