Method Article

Voorspellende analyse van de creatieve zelfeffectiviteit van studenten op basis van beslissingsboommodellering

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

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

De studie onderzoekt het gebruik van een aangepast C5.0-beslissingsboommodel (DTM) om creatieve zelfeffectiviteit (CSE) onder studenten te voorspellen. Het onderzoek heeft tot doel de effectiviteit van DTM bij het voorspellen van CSE te bepalen en de variabelen te identificeren die dit voorspellen.

Abstract

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

Creativiteit is een speerpunt in het huidige psychologisch onderzoek, in binnen- en buitenland. Het zelfbewustzijn van een individu van zijn creativiteit is van vitaal belang voor het bepalen van zijn creatieve potentieel, om hem te helpen zijn sterke en zwakke punten te begrijpen en om zijn zelfcreativiteit te vergroten. Er zijn weinig studies over de zelfperceptie van creativiteit door studenten en nog minder over het gebruik van de beslissingsboom (DT) om een dergelijke zelfperceptie te voorspellen. Deze studie was gericht op het beoordelen van de effectiviteit van het gebruik van een aangepast C5.0-beslissingsboommodel (DTM) bij het voorspellen van creatieve self-efficacy (CSE) onder studenten en om te identificeren welke variabelen zouden kunnen dienen als voorspellers van CSE. Als antwoord op deze vragen vulden 607 studenten in de provincie Sichuan, China, een vragenlijst over sterke punten en moeilijkheden (SDQ) in met vijf secties: psychologische veerkrachtschaal, academische zelfeffectiviteitsschaal, psychologisch gevoel van schoollidmaatschap, innovatieve gedragsschaal en CSE-schaal. De beschreven methode omvat het systematisch verstrekken van de SDQ, het scoren van de resultaten en het toekennen van codes aan de antwoorden van 60 studenten. Met behulp van de SDQ-subschalen werd een DTM genaamd C5.0 gebouwd om de soorten gedragsrisico's te voorspellen. De DTM werd getraind en gevalideerd, waarbij een 10-voudige verbetering werd getoond, en de prestaties werden beoordeeld op nauwkeurigheid en F1-score. De resultaten van de herziene C5.0 DTM toonden aan dat de significante voorspellende factoren van CSE, in afnemende volgorde van belangrijkheid, psychologisch vertrouwen, psychologisch gevoel van schoollidmaatschap, academische zelfeffectiviteit en innovatief gedrag zijn. Door de effectiviteit van de DTM te bewijzen bij het voorspellen van de CSE van studenten, ontwikkelde dit onderzoek de link tussen basisleren en CSE, verhoogde het de interpretatie van CSE en bood het onderzoeksondersteuning voor het verbeteren van de creativiteit en CSE van studenten.

Introduction

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

Creativiteit wordt beschouwd als een essentiële motivator voor de sociaaleconomische ontwikkeling van verschillende landen en is geleidelijk een primaire factor geworden in de algehele kracht van een land. Desalniettemin geeft onderzoek aan dat Chinese instellingen voor hoger onderwijs (HE) nog steeds prioriteit geven aan de theoretische kennis van studenten, waarbij het cultiveren van analytische meningsvaardigheden, autonome probleemoplossende vaardigheden en innovatieve vaardigheden wordt verwaarloosd. Bijgevolg beschikken verschillende studenten over een sterke theoretische kennis, maar hebben ze moeite om vraag1 te analyseren en te beantwoorden. De dubbele impact van persoonlijke en sociale omgevingen drijft dit fenomeen aan en motiveert studenten om prioriteit te geven aan leren en externe sociale competitie boven hun emotionele behoeften en persoonlijke ontwikkeling. Er is een aanzienlijk risico ontstaan in de vorm van kunstmatige intelligentie (AI), waarvan de moderne samenleving te afhankelijk is geworden, tot het punt dat de individuele mening en innovatieve vaardigheden afnemen. Dit is het gevolg van een beperking of regressie in persoonlijke en sociale ontwikkeling 2,3.

Daarom is innovatie naar voren gekomen als een hot topic in het huidige binnen- en buitenlandse psychologische onderzoek, waarbij veel onderzoeken aangeven dat Creative Self-Efficacy (CSE) een positieve invloed heeft op creativiteit. Tegelijkertijd geeft onderzoek aan dat een hogere CSE onder studenten correleert met een positievere kijk op het leven en meer vertrouwen in hun vaardigheden bij het aangaan van uitdagende taken 4,5. Inderdaad, een laag niveau van creativiteit kan een negatieve invloed hebben op alle kenmerken van het leven, inclusief een concurrentieprobleem in iemands carrière. Studies hebben aangetoond dat de primaire oorzaak van slechte creativiteit een gebrek aan CSE is. Als een belangrijk doel van creativiteit wordt CSE gedefinieerd als het geloof van een individu in zijn vermogen om creatieve gedachten te maken, deel te nemen aan creatief gedrag en creatieve resultaten te bereiken. In teams kan CSE de individuele creativiteit vergroten in het delen van kennis en gezamenlijke inspanningen6. Hoge CSE kan ook inspireren tot nieuw innovatief gedrag (IB) in de aanwezigheid van optimistische emoties7.

Zoals geadviseerd door de veranderende psychologie, kunnen de vaardigheden van studenten rond de leeftijd van 10 tot 14 jaar leiden tot veranderingen in hun emoties engedrag, omdat de volwassenheid plaatsvindt 8, en ze hebben meer te maken met leeftijdsgenoten en de stress die daarmee gepaard gaat. Omdat is bevestigd dat de SDQ betrouwbaar en psychometrisch verantwoord is en slechts 25 items omvat9, kreeg deze de voorkeur voor dit onderzoek. Het kijkt naar vijf soorten gedrag - emoties, acties op de universiteit, activiteitenniveau, relaties op de universiteit en behulpzaamheid - om de algemene toestand van de geestelijke gezondheid van een student te illustreren. Volgens bestaande werken 4,5 ontdekten ze dat het gebruik van de SDQ in China effectiever is dan het gebruik van alleen gedragstaken bij het identificeren van de vroege aanwezigheid van psychologische en gedragsproblemen bij leerlingen. Het laat zien waarom onderzoek essentieel is en goed werkt in verschillende universitaire omgevingen.

Aangezien studenten de kernkracht zijn en de belangrijkste bijdrage leveren aan de toekomstige samenleving, is hun CSE van bijzonder belang. Uit onderzoek is gebleken dat CSE van studenten direct verband houdt met positieve emoties en controlerichting8. Bovendien verbetert CSE het gedrag en de prestaties van studenten in buitenschoolse activiteiten9. Onderzoek wijst verder uit dat CSE van studenten hun sociale vaardigheden en psychologische veerkracht (PR) verbetert, waardoor ze zich kunnen aanpassen aan uitdagende omgevingen10. De PR van studenten heeft een positieve invloed op hun flexibiliteit, copingvaardigheden, intellectuele vaardigheden en emotionele remming11. Daarom is het motiveren van de CSE van studenten op de universiteit van vitaal belang voor maatschappelijke en individuele ontwikkeling.

Studies tonen aan dat CSE kunstmatig is vanwege verschillende factoren, waaronder leeftijd, universitaire achtergrond en begeleiding van docenten. Zo is gebleken dat een creatieve leeromgeving de academische prestaties, het zelfvertrouwen, het aanpassingsvermogen, het probleemoplossend vermogen, de interpersoonlijke vaardigheden en het aanwezigheidspercentage van studenten verbetert9. Hoewel de bovenstaande studies factoren hebben geïdentificeerd die CSE manipuleren, hebben de voorspellende rollen van de mentale percepties van universiteitsleden en Academic Self-Efficacy (ASE) op CSE niet voldoende wetenschappelijke aandacht gekregen11. Bovendien hebben bestaande studies zich voornamelijk gericht op studenten in het midden- en hoger onderwijs, met een beperkte verkenning van CSE onder universiteitsstudenten. Het Decision Tree Model (DTM) is een effectief dataminingalgoritme op het gebied van machine learning (ML)12. Het analyseert complexe besluitvormingsprocedures als eenvoudigere oplossingen om uit te leggen 13,14,15. Met behulp van een DTM voorspelden de onderzoekers met succes de elementen die van invloed zijn op het succes of falen van productie-innovatie in China, evenals het responspercentage op een enquête over gebruikerstevredenheid, houding en loyaliteit16,17. Dit onderzoek heeft tot doel de effectiviteit van het gebruik van DTM bij het voorspellen van CSE onder studenten te beoordelen en de variabelen te identificeren die CSE voorspellen.

Deze studie maakt gebruik van het Decision Tree Model (DTM) om de belangrijkste factoren te voorspellen die van invloed zijn op Creative Self-Efficacy (CSE) onder studenten. DTM is geselecteerd vanwege zijn interpreteerbaarheid, het vermogen om gemengde gegevenstypen te verwerken en de effectiviteit bij het modelleren van niet-lineaire relaties. In tegenstelling tot black-box-modellen biedt DTM transparante, op regels gebaseerde outputs, waardoor voorspellende variabelen duidelijk kunnen worden geïdentificeerd. Eerder onderzoek in het onderwijs en de psychologie ondersteunt het nut ervan bij het analyseren van complexe besluitvormingsscenario's. De visuele structuur helpt bij praktische interpretatie, waardoor het geschikt is voor academische omgevingen. DTM is ideaal voor onderzoekers die op zoek zijn naar een interpreteerbare en datagestuurde benadering om gedrags- of psychologische resultaten met hoge duidelijkheid en relevantie te modelleren.

Creatieve zelfeffectiviteit
CSE is de subjectieve beslissing van een individu over zijn vermogen om creatieve activiteiten met succes af te ronden. Het vertegenwoordigt een domeinspecifieke index van algemene zelfeffectiviteit en is een essentiële beïnvloedende factor en psychologische basis voor de taken van individuen en de uitvoering van creatieve inspanningen. Tierney en Farmer18,19 introduceerden het Pygmalion CSE-toepassingsmodel en beweerden dat CSE, een interne motivator van creatieve activiteit, effectief individuele creativiteit adopteert en het vermogen van een individu tot creatieve vaardigheden significant positief voorspelt. Bovendien benadrukken wetenschappers dat CSE het zelfvertrouwen van een individu weerspiegelt bij het onderhouden van creatieve vaardigheden, evenals hun capaciteiten in leer- en levensprocessen20. Studies tonen aan dat mensen met een hoger gevoel voor CSE de neiging hebben om zich meer op zichzelf te concentreren, te kiezen voor overtuigingen en doelen die aansluiten bij hun interesses en uitdagingen om eigenwaarde en prestatie te ervaren21,22. Hoewel eerder onderzoek vooral de nadruk heeft gelegd op CSE als een essentieel onderdeel van creatief zelfvertrouwen bij het realiseren van individueel creatief potentieel 22,23,24, definieert deze studie CSE van studenten als overtuigingen over hun vaardigheid om specifiek inventief gedrag met succes te voltooien.

Meting en model van CSE
CSE wordt over het algemeen gemeten met schalen die zijn overgenomen en aangepast van eerder ontwikkelde SDQ-apparaten. Het werd bijvoorbeeld gemeten door Bandura's self-efficacy schaal25, Amabile's creativiteitsschaal26 en Woodman, Sawyer en Griffin's schaal27 aan te passen. Casestudy's, observaties en interviews zijn ook gebruikt om CSE te ontdekken in het dagelijkse gedrag van individuen binnen specifieke groepen. Een aanzienlijk deel van het onderzoek naar CSE was echter gericht op bedrijven en hun werknemers. De toepassing van de hypothetische ideeën van deze onderzoeken op andere cohorten is beperkt. De studie toonde aan dat de steun van leraren en de methode van een positieve klasomgeving een integraal onderdeel zijn van het verhogen van CSE onder studenten28.

De rol van een leraar omvat het overdragen van kennis, een proces dat inherent is aan creativiteit. Het concludeerde dat verhoogde CSE bijdraagt aan de diepere betrokkenheid van individuen bij creatieve vaardigheden, wat leidt tot betere creatieve prestaties29,30. Wat leeftijd betreft, werden significante genderverschillen in CSE gevonden onder studenten in het hoger onderwijs, terwijl de CSE van volwassen vakken significant hoger was dan die van oudere proefpersonen. Dit stelt voor dat het effect van leeftijd niet consistent is. De creatieve zelfconcepttheorie informeert het begrip van CSE, dat de evaluatie en het bewustzijn van iemands prestaties op het gebied van creatieve vaardigheden omvat, gecategoriseerd in CSE en creatieve zelfidentiteit 31,32,33,34. Een creatief zelfconcept heeft een aanzienlijke invloed op creatieve motivatie, gedrag en resultaten. Op basis van deze theorie hebben onderzoekers gestructureerde modellen ontwikkeld om creatief zelfbeeld en creatieve vaardigheden in onderwijs- en werkomgevingen te bestuderen35. Bovendien stelde Amabile in 1983 een componentmodel van creatief gedrag voor, waarbij creatief vermogen, motivatie en een creatieve omgeving werden geïdentificeerd als de drie vereiste voorwaarden voor creatief gedrag.

Voorspellende analysemethoden voor CSE
In het geval van CSE zijn de primaire voorspellende analysemethoden regressieanalyse, Confirmatory Factor Analysis (CFA), Principal Component Analysis (PCA) en meta-analyse. Met behulp van structurele vergelijkingsmodellering en CFA ontdekten Tierney en Farmer dat creatieve vaardigheden, motivatie en omgeving de creatieve vaardigheden en CSE van individuen voorspellen. Het werk gebruikte PCA om aan te tonen dat CSE en creatieve zelfidentiteit 2D vormen van creatief zelfconcept, wat een impact heeft op creatieve motivatie. Onderzoekers die meervoudige regressiemodellering hebben toegepast, stellen voor dat creatieve vaardigheden, doelen, emoties en overtuigingen essentiële voorspellers zijn van CSE36.

Voorspellers van CSE
Binnen bestaande academische werken hebben verschillende onderzoeken zich gericht op de CSE van studenten of DTM gebruikt om CSE37,38 te voorspellen. Daarom heeft dit onderzoek tot doel de toepassing van DTM te onderzoeken om de CSE van studenten te voorspellen. Om dit te bereiken, begon de studie met het identificeren van voorspellers van CSE in de literatuur (Figuur 1).

Ten eerste stelt dit onderzoek perceptueel gedrag en omgevingsgedrag voor als voorspellende factoren van CSE. De theorie van gepland gedrag stelt dat subjectieve normen, attitudes en waargenomen gedragscontrole gedragsintenties beïnvloeden. Gezamenlijk bepaald door controleadviezen en waargenomen hulpfactoren, verwijst waargenomen gedragscontrole naar de mate waarin een persoon waarneemt dat hij controle heeft over het gedrag dat hij vertoont; dit impliceert dat het uitvoeren van IB iemands gevoel van controle over creativiteit kan versterken, wat het gevolg is van een gevoel van CSE37. Een studie toonde aan dat creativiteit een voorspeller is van CSE. CSE is het zelfvertrouwen dat men heeft in iemands vermogen om creatieve vaardigheden te ontwikkelen, creatief gedrag te vertonen en creatieve resultaten te behalen. Deze onderzoeken toonden ook een positief verband aan tussen het Psychologisch Gevoel van Schoollidmaatschap (PSSM) en CSE38. Daarom kan CSE door verschillende factoren in de universitaire omgeving worden geadopteerd om de creativiteit van studenten te bevorderen39. In termen van perceptuele factoren stelt deze studie PR en ASE voor als voorspellers van CSE. Onderzoek heeft aangetoond dat PR het vermogen van een persoon is om stabiele emotionele en gedragsmatige reacties te behouden wanneer ze worden geconfronteerd met stress, tegenslagen en tegenspoed en om snel terug te keren naar een normale toestand. Dienovereenkomstig is PR significant en positief gerelateerd aan emotionele creativiteit, CSE en algemene zelfeffectiviteit40. Ten slotte is aangetoond dat CSE kan worden voorspeld door ASE, die wordt beïnvloed door de beslissing en overtuigingen van een persoon over zijn vermogen om academische taken uit te voeren41,42. Samenvattend stelt deze studie vier voorspellers van CSE VOOR: PR, ASE, PSSM en IB.

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

Protocol

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

Het onderzoek werd getest aan de normale universiteit van Chengdu, in de provincie Sichuan, China, met meer dan 17.000 studenten. De SDQ-bronnen en het onderzoeksontwerp werden goedgekeurd door de ethische beoordelingscommissie van de Chengdu Normal University, provincie Sichuan, 611130, China. De universiteit voerde haar enquête uit van 10 tot 13 september 2023. Vrijwillige deelname werd gewaarborgd door het verkrijgen van geïnformeerde toestemming

1. Inschrijving van deelnemers

  1. Selecteer een overheidsuniversiteit via een klassenbewuste willekeurige steekproefmethode. Gebruik de volgende criteria: (i) onderwijs voor iedereen volgt hetzelfde plan en toetst studenten op dezelfde manier; (ii) het onderwijs is in dezelfde taal (Chinees); en (iii) elke universiteit heeft een optimaal aantal studenten per docent. Hier werd de normale universiteit van Chengdu, in de provincie SiChuan, China, geselecteerd.
  2. Selecteer leerlingen van 18 tot 21 jaar, omdat ze hun acties duidelijker begrijpen dan ooit tevoren.
  3. Voordat u de SDQ-tool ontwerpt, voert u onderzoeksinterviews met 5 studenten die ermee instemden deel te nemen aan het identificeren van waarschijnlijke voorspellende correlaties tussen CSE en de aanbevolen voorspellers. Gebruik vervolgens gemakssteekproeven om bereidwillige studenten te betrekken.
  4. Selecteer alle geverifieerde studenten. In totaal hebben 607 studenten alle SDQ's geverifieerd en na grondige controle hun geldigheid bevestigd. Uit de demografische gegevens van de respondenten bleek dat de man-vrouwverhouding 25,5% tot 74,5% bedroeg. Wat de woonachtergrond betreft, kwam 71,4% van de deelnemers uit landelijke gebieden, terwijl 28,6% uit stedelijke omgevingen kwam. Alle studenten volgden een vrije kunstopleiding onder een gestandaardiseerd curriculumkader. De meerderheid van de deelnemers behoorde tot huishoudens met een laag tot gemiddeld inkomen, wat een weerspiegeling is van de bredere sociaaleconomische samenstelling van openbare universitaire ingeschrevenen in de regio.
    OPMERKING: Doorgaans neigen studenten die in China naar de lerarenopleiding in China gaan naar de vrije kunsten bij hun toelatingsexamens voor de universiteit. Aangezien vrouwelijke studenten over het algemeen meer interesse tonen in creatieve activiteiten dan hun mannelijke tegenhangers, is er over het algemeen een hoger percentage vrouwelijke studenten aan deze universiteiten, wat het aanzienlijke overwicht van vrouwen in de steekproef verklaart.
  5. Groepeerde deelnemers op geslacht en rang om er zeker van te zijn dat het model rechtvaardig was. Dit verbetert de toepasbaarheid van de resultaten op de meeste door de overheid beheerde universiteiten in Chengdu, die een vergelijkbare sociaal-demografische populatie hebben.

2. Instrumentatie

OPMERKING: Deze studie gebruikte een SDQ bestaande uit 6 secties met 52 items, die demografische informatie omvatten, de CSE-schaal, de psychologische veerkrachtschaal, de psychologische betekenis van schoollidmaatschapsschaal, de academische zelfeffectiviteitsschaal en de schaal voor creatief gedrag. Demografische gegevens omvatten geslacht, leeftijd en of het individu een stedelijke of landelijke achtergrond heeft. De Engelse versies van de schalen zijn vertaald naar het Chinees.

  1. Pas de omgekeerde vertaalmethodetoe 43. Implementeer correcties en optimalisaties voordat u de SDQ voltooit en vervang de oorspronkelijke scoreschaal door een 5-puntsschaal om de betrouwbaarheid te behouden en tegelijkertijd heterogeniteit met andere schalen te garanderen, waardoor schaalequivalentie wordt gegarandeerd.
  2. Meet alle hypothese-items op een 5-puntsschaal van 1=Helemaal mee oneens tot 5=Helemaal mee eens.

3. Academische zelfredzaamheid

  1. Gebruik de College Academic Self-Efficacy Scale (CASES) die44 was, speciaal ontworpen om de zelfeffectiviteit te beoordelen onder studenten van de normale universiteit van Chengdu in academische opleiding. De CASES bestaat uit negen objecten (bijv. Ik zou het graag beter willen doen dan de andere studenten; Ik weet zeker dat ik kan begrijpen wat de leraar traint; Ik wil het goed doen in de klas). De betrouwbaarheidscoëfficiënt voor deze schaal is 0,897.

4. Innovatieve gedragsschaal

  1. Gebruik Innovative Behavior Scale45 om IB te meten. Houd de 3-D van de schaal als volgt aan: leeftijdsgroep van innovatieve vaardigheden (bijv. Als ik in de problemen zit, krijg ik vaak innovatieve vaardigheden), bevordering van innovatieve vaardigheden (bijv. ik zal managementondersteuning zoeken voor innovatieve vaardigheden) en toepassing van innovatieve vaardigheden (bijv. ik zal de innovatieve vaardigheid omzetten in een mogelijke training). De betrouwbaarheidscoëfficiënt voor deze schaal is 0,917.

5. Psychologisch gevoel van de schaal van het schoollidmaatschap

  1. Gebruik de PSSM om het gevoel van studenten dat ze bij een universiteit horen te evalueren met betrekking tot hun emotionele toestand, reacties, identiteitsbewijs, gehechtheid en gedragshouding.
  2. Het is ontwikkeld door Goodenow46, bevat 18 projecten en is over het algemeen vertaald in verschillende talen, waaronder Spaans en Chinees. Gebruik de Chinese versie van PSSM met 18 items (bijv. Ik heb het gevoel dat ik bij deze universiteit hoor; Studenten nemen mijn mening serieus)47. De betrouwbaarheidscoëfficiënt voor deze schaal is 0,853.

6. Schaal voor psychologische veerkracht

  1. Gebruik de 10 objecten van de Connor-Davidson Resilience Scale (CD-RISC-10) om PR48 te meten. Aanvankelijk, met 25 objecten, verbeterden Campbell-Sills en Stein49 de PR-schaal tot 10 objecten in totaal in een kortere versie.
  2. Gebruik de schaal om de gevoelens, reacties en vriendelijkheid van een persoon te meten over hun vaardigheid om te genezen van negatieve vaardigheden en zich flexibel aan te passen aan variabele externe factoren. Het bestaat uit 5D, namelijk het vermogen om te relateren (ik kan bijvoorbeeld flexibel zijn en me aanpassen wanneer er verandering optreedt), tolerantie voor negatief affect (ik kan bijvoorbeeld omgaan met problemen met humor), acceptatie van de verandering (ik ben bijvoorbeeld sterker door vaardigheid), controle (ik kan bijvoorbeeld omgaan met verstoorde emoties zoals woede) en mentale impact (ik kan me bijvoorbeeld concentreren op mijn denkproces als ik onder druk sta)49. De betrouwbaarheidscoëfficiënt voor deze schaal is 0,938.

7. CSE-schaal

  1. Gebruik de CSE-schaal om CSE te meten, evalueer in hoeverre een persoon gelooft dat hij creatieve vaardigheden kan creëren50. Condenseer de schaal in drie objecten voor de enquête onder Chinese studenten. De betrouwbaarheidscoëfficiënt voor deze schaal is 0,860.

8. Gegevensverzameling

  1. Dit SQD-onderzoek had tot doel de voorspellende factoren van CSE onder universiteitsstudenten aan het licht te brengen. Gebruik een SDQ om het niveau van CSE van studenten te meten, samen met vier voorspellers51.
  2. Gedurende deze periode moedigde de hoofddocent studenten aan om vrijwillig de SDQ in te vullen om de QR-code aan het einde van elke universiteitsdag weer te geven. Vertel de deelnemers dat ze toegang hebben tot de SDQ door de QR-code te scannen, de vragen te beantwoorden en vervolgens op Verzenden te klikken.
  3. Belangrijk is dat voordat studenten de QR-code scannen, de hoofdonderwijzer de opdracht geeft om het doel van het onderzoek uit te leggen aan studenten en ouders. Zorg voor vrijwillige deelname door geïnformeerde toestemming te vinden.
  4. Beheer de SDQ aan de beoogde studentenpopulatie. Zorg ervoor dat elke deelnemer reageert op alle verplichte objecten. Valideer de volledigheid en consistentie van antwoorden.
  5. Definieer kernconstructies zoals ASE, ouderlijke veerkracht (PR) en CSE. Codeer antwoorden met behulp van een 5-punts Likertschaal van 1 tot 5. Wijs deelnemers toe aan hoge of lage typen met behulp van een drempel van 60% of meer van de maximale schaalscore.
  6. Verdeel de gegevensset in subsets voor training en testen. Gebruik 70% van de gegevens (n=423) voor het trainen van het model. Wijs de resterende 30% (n=184) toe voor testdoeleinden.
  7. Pas de classificatie- en regressieboom (CART) toe om significante voorspellers te vinden. Gebruik Gini-onzuiverheid om knooppuntsplitsingen te bepalen. Ga door met splitsen totdat een minimum aantal gevallen of nul onzuiverheid is bereikt.
  8. Evalueer knooppunten voor snoeien met behulp van Mean Square Error (MSE). Kap een knoop af als door snoeien de MSE wordt verminderd. Behoud een knoop als de MSE toeneemt na het bijsnijden.
  9. Gebruik de testgegevensset om de DTM te valideren. Bereken prestatiestatistieken zoals nauwkeurigheid, gevoeligheid en specificiteit. Analyseer verkeerd geclassificeerde gevallen om zwakke punten in DTM te vinden.
  10. Voer een Pearson-productmomentcorrelatieanalyse uit om intervariabele relaties te bestuderen. Interpreteer de sterkte en richting van correlaties op basis van correlatiecoëfficiëntwaarden.
  11. Gebruik de regels van de beslissingsboom om te bepalen hoe PR en ASE CSE-niveaus voorspellen. Kwantificeer de bijdrage van elke variabele aan classificatieresultaten.
  12. Breid de functieset uit als de nauwkeurigheid van het model onder de gewenste drempelwaarde komt. Train het model opnieuw met extra variabelen of een grotere steekproefomvang om de nauwkeurigheid te verbeteren.
  13. Test de generaliseerbaarheid van het model met behulp van gegevens uit verschillende regio's of instellingen. Repliceer het onderzoeksprotocol om bevindingen in onafhankelijke steekproeven te valideren.
  14. Elke SDQ-toediening duurde ~25 minuten. Gebruik een omgevingscontrole om ervoor te zorgen dat het omgevingsgeluid <45 dB is en de temperatuur 26-28 °C bedraagt.
  15. Train één facilitator voor elke 15 studenten, door middel van een SDQ-briefingsessie van 2 uur52. Met behulp van standaard operationele scripts waren de facilitators in staat om de impact van hun eigen meningen op de resultaten te verminderen53. Vraag de helper om alle instructies precies zo te lezen als geschreven, vermijd meer dan de noodzakelijke stappen te verduidelijken en probeer de testvragen niet uit te leggen. De facilitators hielpen de impact van interviewers te elimineren en zorgden ervoor dat de gegevens alleen afkomstig waren van de evaluaties van studenten54.
    OPMERKING: Deze toevoegingen pakken de variabiliteit in de implementatie aan en verbeteren de contextuele reproduceerbaarheid. Aangezien de meeste studenten geen persoonlijke apparaten hadden en slechts een fractie van de universiteiten werkende Wi-Fi55 had, was administratie op papier de beste oplossing. Bovendien hebben onderzoeken geen noemenswaardige verschillen aangetoond in psychometrische resultaten tussen SDQ digitale en papieren formaten bij personen met een lageralfabetiseringsniveau 56. Het zou nuttig zijn om in komende studies te onderzoeken hoe digitalisering werkt in particuliere universiteiten met sterke middelen57. Aangezien in dit advies geen codering werd uitgevoerd, kon de betrouwbaarheid tussen beoordelaars niet worden vastgesteld.

9. Gegevensanalyse

  1. Gebruik een dataminingmethode om de enquêtegegevens te analyseren58. Datamining kan patronen van CSE van studenten aan het licht brengen en drie soorten leerlingen vinden: integratief, doelgericht en steekproeven. In deze studie werd gekozen voor DTM omdat het veel wordt gebruikt om de academische prestaties en het leergedrag van studenten te voorspellen en gemakkelijk te begrijpen regels kan genereren59.
    OPMERKING: In het bijzonder bouwt een beslissingsboom (DT) classificatieregels op basis van trainingsvoorbeelden en produceert een gemakkelijk te begrijpen top-down grafiek die bestaat uit een hoofdknooppunt, verschillende interne knooppunten en meerdere bladknooppunten. Zowel de wortel- als de interne knopen vertegenwoordigen de overeenkomstige testomstandigheden (d.w.z. classificatiemaatregelen)60, terwijl de bladknopen de uiteindelijke output vertegenwoordigen. Regels kunnen worden afgeleid op basis van het boommodel dat door elk knooppunt wordt gevormd. Bovendien bewijst DT een goede tolerantie voor multicollineariteit en kan het complexe correlaties tussen voorspellers aan. Bovendien wordt bepaalde DT gebruikt wanneer voorspellende variabelen categorisch zijn, terwijl regressie DT geschikt is voor continue voorspellingsvariabelen60.
  2. Om te bepalen of de CSE van studenten hoog of laag is, maakt u een voorspellend model met behulp van een bepaalde DT en analyseert u de betekenis van elke factor bij het voorspellen van CSE.

10. DT-constructie

  1. Bepaal de splitsingsdrempels en optimale vertakkingsvariabelen voor de DT op basis van de snelheid waarmee de informatie-entropie afneemt, die de mate van onzuiverheid van de dataset aangeeft en wordt gedefinieerd als vergelijking (1).
    figure-protocol-1(1)
    waarbij D de steekproefomvang van de trainingsdataset is, m, Pk de odds ratio voor elk type.
  2. De informatiewinstratio meet de variantie in informatie-entropie van de dataset onder veel classificatiemethoden. Bereken de versterkingsverhouding voor de gegevensset D, gepartitioneerd in n subsets door de geselecteerde variabele C, gedefinieerd door vergelijking (2).
    figure-protocol-2(2)
  3. Selecteer in C5.0 het kenmerk met de meest significante informatieversterkingsratio als het splitspunt en vorm de meerdere vertakkingen op basis van de waarde van dat kenmerk om meerdere subsets te bereiken. Itereer het scheidingsproces totdat de laatste subset precies hetzelfde type gegevens bevat, waardoor de inductieve labeling van gegevens wordt gerealiseerd.

11. DT snoeien

  1. Met behulp van de snoeimethode snoeit u bladknopen laag voor laag. Nadat de DT is gebouwd, recurst u de gegevenssets naar elk bladknooppunt volgens de getrainde DTM.
  2. Bereken de MSE voor leafy en leafless datasets. Kappen de knopen af als de MSE afneemt na het bijsnijden; Behoud anders de knooppunten.

12. DT-evaluatie

  1. Gebruik 70% van de voorbeeldgegevens (n=423) voor training en de resterende 30% (n=184) voor testen. De indicatoren voor het evalueren van de kwaliteit van een model zijn nauwkeurigheid, precisie en herinnering. Nauwkeurigheid wordt gedefinieerd als het percentage correct gecategoriseerde monsters van alle monsters; Precisie is hoeveel positieve monsters echte positieve monsters zijn in het voorspellingsresultaat, en recall is hoeveel positieve monsters correct worden voorspeld in de echte monsters.

13. Gegevensanalyse

  1. Analyseer de onderzoeksresultaten met behulp van statistische analysesoftware. Analyseer eerst de frequentie- en concentratietrends van CSE, evenals voorspellende factoren, met behulp van beschrijvende statistische analyses. Ten tweede, voer DT-analyse uit met behulp van het C5.0-algoritme, dat ID3 en C4.5 verbetert omdat het sneller werkt en robuustere voorspellende effecten genereert.

14. Gegevenscodering

  1. Gebruik 60% als differentiatiepunt en label de steekproef in twee groepen: hoge CSE en lage CSE. Voor de voorspellers werden PR, IB, ASE en PSSM omgezet in binaire variabelen volgens specifieke principes (Tabel 1).

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

Results

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

Beschrijvende statistieken
Deze studie analyseerde beschrijvende statistieken voor continue en sequentiële variabelen (Tabel 2). Elke variabele is gecodeerd op basis van het principe dat waarden van meer dan 60% van de volledige schaal duiden op een bovengemiddelde prestatie. Met name studenten lijken een bovengemiddelde CSE te hebben, met een gemiddelde waarde van 3.66 en een standaarddeviatie van 0.80, wat meer is dan 60% van de volledige schaal. Di...

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

Discussion

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

Met behulp van DT-C5.0 construeerde deze studie een voorspellend model met vier factoren van de CSE van studenten om de rol van deze factoren te onderzoeken. Alle conclusies die in het onderzoek werden getrokken, waren gebaseerd op de literatuur en relevante data-analyses.

De effectiviteit van de DTM bij het voorspellen van niveaus van CSE werd geverifieerd in de evaluatieresultaten. De nauwkeurigheid, precisie en recall van het model overtroffen het ...

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

Disclosures

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

De auteurs hebben niets te onthullen

Acknowledgements

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

Niet van toepassing

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) Opslag
8 GB RAMKingston Technology 4Rx4 DDR4 LRDIMM 2666 MT/s.Opslag
 Intel Core i5IntelIntel Core i7 Processor
NVIDIA GeForce RTX 4060 TiNvidia CorporationNAGrafische kaart
R (versie 4.1.2) Programmeertaal 
SPSSIBM30Gegevensvisualisatietool

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