Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.

Artykuł metodologiczny

Analiza predykcyjna twórczej samoskuteczności studentów w oparciu o modelowanie drzewa decyzyjnego

795 wyświetleń

⸱

DOI:

10.3791/68730

⸱

8 sierpnia 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

W tym artykule

Podsumowanie

Badanie analizuje użycie zmodyfikowanego modelu drzewa decyzyjnego C5.0 (DTM) do przewidywania twórczej własnej skuteczności (CSE) wśród studentów. Badania mają na celu określenie skuteczności DTM w przewidywaniu CSE oraz zidentyfikowanie zmiennych, które ją przewidują.

Streszczenie

Kreatywność jest centralnym punktem obecnych badań psychologicznych, zarówno w kraju, jak i za granicą. Samoświadomość jednostki na temat swojej kreatywności jest niezbędna do określenia jej potencjału twórczego, pomocy w zrozumieniu jej mocnych i słabych stron oraz zwiększenia własnej kreatywności. Istnieje niewiele badań dotyczących samopostrzegania kreatywności przez studentów, a jeszcze mniej na temat używania drzewa decyzyjnego (DT) do przewidywania takiego postrzegania siebie. Badanie to miało na celu ocenę skuteczności stosowania zmodyfikowanego modelu drzewa decyzyjnego C5.0 (DTM) w przewidywaniu twórczej własnej skuteczności (CSE) wśród studentów oraz określenie, które zmienne mogą służyć jako predyktory CSE. W odpowiedzi na te pytania 607 studentów z prowincji Syczuan w Chinach wypełniło Kwestionariusz Mocnych Stron i Trudności (SDQ) zawierający pięć sekcji: skala odporności psychicznej, skala własnej skuteczności akademickiej, psychologiczne poczucie przynależności do szkoły, skala innowacyjnego zachowania i skala CSE. Opisana metoda polega na systematycznym dostarczaniu SDQ, punktacji wyników i przypisywaniu kodów do odpowiedzi 60 uczniów. Korzystając z podskal SDQ, zbudowano DTM o nazwie C5.0 w celu przewidywania rodzajów ryzyka behawioralnego. DTM został przeszkolony i poddany walidacji krzyżowej, wykazując 10-krotną poprawę, a jego osiągi oceniano na podstawie dokładności i wyniku F1. Wyniki zrewidowanego C5.0 DTM ujawniły, że istotnymi czynnikami predykcyjnymi CSE, w kolejności malejącego ważności, są zaufanie psychologiczne, psychologiczne poczucie przynależności do szkoły, poczucie własnej skuteczności w nauce i innowacyjne zachowanie. Udowadniając skuteczność DTM w przewidywaniu CSE studentów, badania te rozwinęły związek między nauczaniem podstawowym a CSE, zwiększyły interpretację CSE i zapewniły wsparcie badawcze w celu zwiększenia kreatywności studentów i CSE.

Wprowadzenie

Kreatywność jest uważana za niezbędny czynnik motywujący rozwój społeczno-ekonomiczny kilku krajów i stopniowo staje się głównym czynnikiem ogólnej siły narodu. Niemniej jednak badania wskazują, że chińskie instytucje szkolnictwa wyższego nadal traktują priorytetowo wiedzę teoretyczną studentów, zaniedbując kultywowanie umiejętności analitycznego wyrażania opinii, umiejętności samodzielnego rozwiązywania problemów i umiejętności innowacyjnych. W związku z tym kilku uczniów posiada dużą wiedzę teoretyczną, ale ma trudności z analizą i odpowiedzią na pytanie1. Podwójne oddziaływanie środowiska osobistego i społecznego napędza to zjawisko, motywując studentów do przedkładania nauki i zewnętrznej rywalizacji społecznej nad swoje potrzeby emocjonalne i rozwój osobisty. Pojawiło się poważne zagrożenie w postaci sztucznej inteligencji (AI), od której współczesne społeczeństwo stało się nadmiernie zależne, do tego stopnia, że zmniejszyło się indywidualne opinie i umiejętności innowacyjne. Jest to wynik ograniczenia lub regresji w rozwoju osobistym i społecznym2,3.

Dlatego też innowacje stały się gorącym tematem w obecnych krajowych i zagranicznych badaniach psychologicznych, z wieloma badaniami wskazującymi, że Kreatywna Samoskuteczność (CSE) pozytywnie wpływa na kreatywność. Jednocześnie badania wskazują, że wyższy CSE wśród uczniów koreluje z bardziej pozytywnym nastawieniem do życia i zwiększoną pewnością siebie w swoich umiejętnościach w obliczu trudnych zadań4,5. Rzeczywiście, niski poziom kreatywności może niekorzystnie wpływać na wszystkie cechy życia, w tym na problem z rywalizacją w karierze. Badania wykazały, że główną przyczyną słabej kreatywności jest brak CSE. Jako istotny cel kreatywności, CSE definiuje się jako przekonanie jednostki o jej zdolności do tworzenia kreatywnych myśli, uczestniczenia w kreatywnych zachowaniach i osiągania kreatywnych wyników. W zespołach CSE może zwiększyć indywidualną kreatywność w dzieleniu się wiedzą i wspólnych wysiłkach6. Wysoki CSE może również inspirować nowe innowacyjne zachowania (IB) w obecności optymistycznych emocji7.

Zgodnie z zaleceniami zmieniającej się psychologii, około 10 do 14 roku życia umiejętności uczniów mogą prowadzić do zmian w ich emocjach i zachowaniu, ponieważ nadchodzi dorosłość8, a oni mają więcej do czynienia z rówieśnikami i stresem, który się z tym wiąże. Ponieważ potwierdzono, że SDQ jest godny zaufania i psychometrycznie poprawny i obejmuje tylko 25 pozycji9, był preferowany w tym badaniu. Przygląda się pięciu typom zachowań – emocjom, działaniom na uniwersytecie, poziomowi aktywności, relacjom na studiach i uczynności – aby zilustrować ogólny stan zdrowia psychicznego studenta. Zgodnie z istniejącymi pracami4,5, odkryli, że stosowanie SDQ w Chinach jest bardziej skuteczne niż stosowanie samych zadań behawioralnych w identyfikowaniu wczesnej obecności wyzwań psychologicznych i behawioralnych u uczniów. Pokazuje, dlaczego badania są niezbędne i dobrze sprawdzają się w kilku środowiskach uniwersyteckich.

Biorąc pod uwagę, że studenci są główną siłą i głównymi twórcami przyszłego społeczeństwa, ich CSE ma szczególne znaczenie. Badania wykazały, że CSE uczniów jest bezpośrednio związane z pozytywnymi emocjami i kierunkiem kontroli8. Dodatkowo CSE poprawia zachowania i wyniki uczniów na zajęciach pozalekcyjnych9. Badania wskazują ponadto, że CSE uczniów zwiększa ich umiejętności społeczne i odporność psychologiczną (PR), umożliwiając im dostosowanie się do trudnych środowisk10. PR uczniów pozytywnie wpływa na ich elastyczność, zdolności radzenia sobie, umiejętności intelektualne i hamowanie emocjonalne11. Dlatego motywowanie uczniów do CSE na studiach ma kluczowe znaczenie dla rozwoju społecznego i indywidualnego.

Badania dowodzą, że CSE jest sztuczny ze względu na kilka czynników, w tym wiek, wykształcenie uniwersyteckie i wskazówki dla nauczycieli. Na przykład stwierdzono, że kreatywna atmosfera uczenia się poprawia wyniki w nauce uczniów, pewność siebie, zdolności adaptacyjne, zdolność rozwiązywania problemów, umiejętności interpersonalne i procent frekwencji9. Chociaż powyższe badania zidentyfikowały czynniki, które manipulują CSE, predykcyjne role percepcji umysłowej członków uniwersytetu i samoskuteczności akademickiej (ASE) w CSE nie otrzymały wystarczającej uwagi naukowej11. Co więcej, istniejące badania koncentrowały się głównie na studentach szkół średnich i wyższych, z ograniczoną eksploracją CSE wśród studentów uniwersytetów. Model drzewa decyzyjnego (DTM) to skuteczny algorytm eksploracji danych w uczeniu maszynowym (ML)12. Analizuje złożone procedury decyzyjne jako łatwiejsze rozwiązania do wyjaśnienia13,14,15. Korzystając z DTM, badacze z powodzeniem przewidzieli elementy, które wpływają na sukces lub porażkę innowacji produkcyjnych w Chinach, a także odsetek odpowiedzi w ankiecie dotyczącej satysfakcji, postawy i lojalności użytkowników16,17. Badanie to ma na celu ocenę skuteczności stosowania DTM w przewidywaniu CSE wśród studentów oraz zidentyfikowanie zmiennych, które przewidują CSE.

To badanie wykorzystuje Model Drzewa Decyzyjnego (DTM) do przewidywania kluczowych czynników wpływających na Twórcze Poczucie Własnej Skuteczności (CSE) wśród studentów. DTM jest wybierany ze względu na jego interpretowalność, zdolność do obsługi mieszanych typów danych i skuteczność w modelowaniu relacji nieliniowych. W przeciwieństwie do modeli czarnoskrzynkowych, DTM oferuje przejrzyste, oparte na regułach dane wyjściowe, umożliwiające jasną identyfikację zmiennych predykcyjnych. Wcześniejsze badania w dziedzinie edukacji i psychologii potwierdzają jego przydatność w analizie złożonych scenariuszy podejmowania decyzji. Jego struktura wizualna pomaga w praktycznej interpretacji, dzięki czemu nadaje się do środowisk akademickich. DTM jest idealny dla badaczy poszukujących interpretowalnego i opartego na danych podejścia do modelowania wyników behawioralnych lub psychologicznych o wysokiej jasności i trafności.

Twórcze poczucie własnej skuteczności
CSE to indywidualna decyzja o zdolności do pomyślnego wykonywania działań twórczych. Stanowi on specyficzny dla danej dziedziny wskaźnik ogólnej samoskuteczności i jest istotnym czynnikiem wpływającym i podstawą psychologiczną dla indywidualnych zadań i realizacji twórczych przedsięwzięć. Tierney i Farmer18,19 wprowadzili model aplikacji Pygmalion CSE, twierdząc, że CSE, wewnętrzny motywator do twórczej aktywności, skutecznie przyjmuje indywidualną kreatywność i znacząco pozytywnie przewiduje zdolność jednostki do umiejętności twórczych. Co więcej, naukowcy podkreślają, że CSE odzwierciedla pewność siebie jednostki w utrzymywaniu umiejętności twórczych, a także jej zdolności w procesie uczenia się i życia20. Badania wskazują, że osoby z wyższym poczuciem CSE mają tendencję do większego skupiania się na sobie, wybierając przekonania i cele, które są zgodne z ich zainteresowaniami i wyzwaniami, aby doświadczyć własnej wartości i osiągnięć21,22. Podczas gdy poprzednie badania przede wszystkim podkreślały CSE jako niezbędny składnik twórczej wiary w siebie w realizację indywidualnego potencjału twórczego22,23,24, to badanie definiuje CSE studentów jako przekonania na temat ich umiejętności skutecznego wykonywania określonych zachowań wynalazczych.

Pomiar i model CSE
CSE jest zazwyczaj mierzone za pomocą skal przyjętych i dostosowanych do wcześniej opracowanych urządzeń SDQ. Na przykład, został on zmierzony poprzez dostosowanie skali własnej skuteczności Bandury25, skali kreatywności Amabile'a26 oraz skali Woodmana, Sawyera i Griffina27. Wykorzystano również studia przypadków, obserwacje i wywiady, aby odkryć CSE w codziennych zachowaniach osób w określonych grupach. Jednak znaczna część badania na temat Europy Środkowo-Wschodniej koncentruje się na firmach i ich pracownikach. Zastosowanie hipotetycznych pomysłów zawartych w tych badaniach naukowych do innych kohort jest ograniczone. Badanie wykazało, że wsparcie nauczycieli i metoda pozytywnego środowiska w klasie są integralną częścią zwiększania CSE wśród uczniów28.

Rola nauczyciela polega na przekazywaniu wiedzy, co jest procesem nieodłącznie związanym z kreatywnością. Stwierdzono, że zwiększony CSE przyczynia się do głębszego zaangażowania jednostek w umiejętności twórcze, co prowadzi do lepszych wyników twórczych29,30. Jeśli chodzi o wiek, stwierdzono znaczące różnice w CSE ze względu na płeć wśród studentów szkół wyższych, podczas gdy CSE osób dorosłych było znacznie wyższe niż w przypadku osób starszych. Sugeruje to, że efekt wieku nie jest spójny. Teoria kreatywnej samoświadomości informuje o zrozumieniu CSE, które obejmuje ocenę i świadomość swoich osiągnięć w zakresie umiejętności twórczych, podzielone na CSE i kreatywną tożsamość samodzielną31,32,33,34. Kreatywna samoocena ma znaczący wpływ na twórczą motywację, zachowanie i wyniki. Opierając się na tej teorii, naukowcy opracowali ustrukturyzowane modele do badania kreatywnej samooceny i umiejętności twórczych w środowiskach edukacyjnych i zawodowych35. Ponadto w 1983 roku Amabile zaproponował model składowy zachowań twórczych, identyfikując zdolności twórcze, motywację i środowisko twórcze jako trzy wymagane warunki zachowania twórczego.

Metody analizy predykcyjnej dla CSE
W przypadku CSE podstawowymi metodami analizy predykcyjnej są analiza regresji, konfirmacyjna analiza czynnikowa (CFA), analiza głównych składowych (PCA) i metaanaliza. Korzystając z modelowania równań strukturalnych i CFA, Tierney i Farmer odkryli, że umiejętności twórcze, motywacja i środowisko przewidują umiejętności twórcze poszczególnych osób i CSE. W pracy wykorzystano PCA, aby wykazać, że CSE i kreatywna tożsamość stanowią 2D kreatywnej samokoncepcji, wpływając na twórczą motywację. Naukowcy, którzy zastosowali modelowanie regresji wielorakiej, sugerują, że kreatywne umiejętności, cele, emocje i przekonania są istotnymi predyktorami CSE36.

Predyktory CSE
W ramach istniejących prac akademickich kilka badań koncentrowało się na CSE studentów lub wykorzystywało DTM do przewidywania CSE37,38. Dlatego badanie to ma na celu zbadanie zastosowania DTM do przewidywania CSE studentów. Aby to osiągnąć, badanie rozpoczęto od zidentyfikowania predyktorów CSE w literaturze (Rysunek 1).

Po pierwsze, te badania proponują zachowanie percepcyjne i środowiskowe jako czynniki predykcyjne CSE. Teoria planowanego zachowania zakłada, że subiektywne normy, postawy i postrzegana kontrola behawioralna wpływają na intencje behawioralne. Postrzegana kontrola behawioralna, określana wspólnie przez opinie kontrolne i postrzegane czynniki pomocy, odnosi się do stopnia, w jakim dana osoba postrzega, że ma kontrolę nad zachowaniem, w które się angażuje; oznacza to, że wykonywanie IB może zwiększyć poczucie kontroli nad kreatywnością, co wynika z poczucia CSE37. Badanie wykazało, że kreatywność jest predyktorem CSE. CSE to pewność siebie, którą dana osoba ma w swojej zdolności do tworzenia umiejętności twórczych, angażowania się w kreatywne zachowania i osiągania kreatywnych wyników. Badania te wykazały również pozytywny związek między Psychologicznym Poczuciem Członkostwa w Szkole (PSSM) a CSE38. W związku z tym CSE może być przyjmowany przez różne czynniki w środowisku uniwersyteckim, aby wspierać kreatywność studentów39. Jeśli chodzi o czynniki percepcyjne, w niniejszym badaniu zaproponowano PR i ASE jako predyktory CSE. Badania wykazały, że PR to zdolność osoby do utrzymania stabilnych reakcji emocjonalnych i behawioralnych w obliczu stresu, niepowodzeń i przeciwności losu oraz do szybkiego powrotu do normalnego stanu. W związku z tym PR jest znacząco i pozytywnie związany z kreatywnością emocjonalną, CSE i ogólną poczuciem własnej skuteczności40. Wreszcie, wykazano, że CSE można przewidzieć za pomocą ASE, na które wpływa decyzja i przekonania danej osoby dotyczące jej zdolności do realizacji zadań akademickich41,42. Podsumowując, w niniejszym badaniu zaproponowano cztery predyktory CSE: PR, ASE, PSSM i IB.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

Badania przeprowadzono na Uniwersytecie Normalnym w Chengdu w prowincji Syczuan w Chinach, z udziałem ponad 17 000 studentów. Zasoby SDQ oraz projekt ankiety zostały zatwierdzone przez Komisję Rewizji Etycznej Uniwersytetu Normalnego w Chengdu, prowincja Syczuan, 611130, Chiny. Uniwersytet przeprowadził ankietę od 10 do 13 września 2023 roku. Dobrowolność udziału zapewniono poprzez uzyskanie świadomej zgody

1. Rekrutacja uczestników

  1. Wybierz państwową uczelnię za pomocą metody świadomego losowania warstwowego. Zastosuj następujące kryteria: (i) edukacja dla wszystkich przebiega według tego samego planu, a studenci są oceniani tą samą metodą; (ii) nauczanie odbywa się w tym samym języku (chińskim); oraz (iii) każda uczelnia posiada optymalną liczbę studentów przypadającą na jednego nauczyciela. W niniejszym przypadku wybrano Chengdu Normal University w prowincji Syczuan w Chinach.
  2. Wybierz studentów w wieku od 18 do 21 lat, ponieważ w tym wieku rozumieją oni swoje działania bardziej świadomie niż wcześniej.
  3. Przed opracowaniem narzędzia SDQ przeprowadź badawcze wywiady fokusowe z 5 studentami, którzy zgodzili się pomóc w zidentyfikowaniu prawdopodobnych korelacji predykcyjnych między CSE a rekomendowanymi predyktorami. Następnie zastosuj dobór wygodny, aby zaangażować chętnych studentów.
  4. Wybierz wszystkich zweryfikowanych studentów. Łącznie 607 studentów wypełniło wszystkie kwestionariusze SDQ, a ich poprawność została potwierdzona po dokładnej weryfikacji. Dane demograficzne respondentów wykazały, że stosunek mężczyzn do kobiet wynosił 25,5% do 74,5%. W odniesieniu do miejsca zamieszkania 71,4% uczestników pochodziło z obszarów wiejskich, podczas gdy 28,6% pochodziło z obszarów miejskich. Wszyscy studenci kształcili się w zakresie nauk humanistycznych w ramach ustandaryzowanych ram programowych. Większość uczestników pochodziła z gospodarstw domowych o niskich lub średnich dochodach, co odzwierciedla ogólną strukturę socjoekonomiczną osób kształcących się na publicznych uczelniach w tym regionie.
    UWAGA: Zazwyczaj studenci rozpoczynający kształcenie wyższe nauczycielskie w Chinach skłaniają się ku humanistyce w egzaminach wstępnych na studia. Ponieważ studentki wykazują zazwyczaj większe zainteresowanie działalnością twórczą niż ich koledzy, na tych uczelniach zazwyczaj występuje wyższy odsetek kobiet, co wyjaśnia znaczną przewagę kobiet w próbie.
  5. Pogrupuj uczestników według płci i roku studiów, aby zapewnić sprawiedliwość modelu. Zwiększa to możliwość zastosowania wyników w większości państwowych uniwersytetów w Chengdu, które mają podobną strukturę socjodemograficzną populacji.

2. Instrumentacja

UWAGA: W niniejszym badaniu wykorzystano kwestionariusz SDQ składający się z 6 sekcji zawierających 52 elementy, obejmujących informacje demograficzne, skalę CSE, skalę odporności psychicznej, skalę psychologicznego poczucia przynależności do szkoły, skalę poczucia własnej skuteczności w nauce oraz skalę zachowań twórczych. Dane demograficzne obejmują płeć, wiek oraz informację, czy dana osoba pochodzi z obszaru miejskiego czy wiejskiego. Angielskie wersje skal zostały przetłumaczone na język chiński.

  1. Zastosuj metodę tłumaczenia zwrotnego43. Wprowadź korekty i optymalizacje przed sfinalizowaniem SDQ oraz zastąp oryginalną skalę punktową skalą 5-stopniową, aby zachować niezawodność przy jednoczesnym zapewnieniu heterogeniczności względem innych skal, co zagwarantuje równoważność skal.
  2. Zmierz wszystkie pozycje hipotez w skali 5-stopniowej od 1 = Zdecydowanie się nie zgadzam do 5 = Zdecydowanie się zgadzam.

3. Akademicka poczucie własnej skuteczności

  1. Należy zastosować Skalę Poczucia Własnej Skuteczności Akademickiej (CASES), która została44 opracowana specjalnie w celu oceny poczucia własnej skuteczności wśród studentów Chengdu Normal University w trakcie kształcenia akademickiego. Skala CASES składa się z dziewięciu punktów (np. Chciałbym radzić sobie lepiej niż inni studenci; Jestem pewien, że potrafię zrozumieć to, czego uczy nauczyciel; Chcę osiągać dobre wyniki na zajęciach). Współczynnik rzetelności dla tej skali wynosi 0,897.

4. Skala zachowań innowacyjnych

  1. Aby zmierzyć IB, należy zastosować skalę Innovative Behavior Scale45. Strukturę 3-D skali utrzymano w następujący sposób: grupa wiekowa umiejętności innowacyjnych (np. Gdy mam kłopoty, często wykazuję umiejętności innowacyjne), promowanie umiejętności innowacyjnych (np. Będę szukać wsparcia kierownictwa w zakresie umiejętności innowacyjnych) oraz zastosowanie umiejętności innowacyjnych (np. Przekształcę umiejętność innowacyjną w możliwe szkolenie). Współczynnik niezawodności dla tej skali wynosi 0,917.

5. Skala psychologicznego poczucia przynależności do szkoły

  1. Użyj PSSM do oceny poczucia przynależności studentów do uniwersytetu w odniesieniu do ich stanu emocjonalnego, reakcji, dowodów tożsamości, przywiązania oraz postawy behawioralnej.
  2. Narzędzie to, opracowane przez Goodenow46, zawiera 18 pozycji i zostało przetłumaczone na różne języki, w tym na hiszpański i chiński. Należy zastosować chińską wersję PSSM składającą się z 18 elementów (np. Czuję, że należę do tego uniwersytetu; Studenci traktują moje opinie poważnie)47. Współczynnik niezawodności dla tej skali wynosi 0,853.

6. Skala odporności psychicznej

  1. Do pomiaru PR48 należy wykorzystać 10 pozycji skali odporności psychicznej Connor-Davidson (CD-RISC-10). Pierwotnie skala PR składała się z 25 pozycji, jednak Campbell-Sills i Stein49 opracowali jej krótszą wersję, ograniczoną do 10 pozycji.
  2. Skalę tę stosuje się do pomiaru uczuć, reakcji i postaw jednostki w odniesieniu do jej zdolności do regeneracji po negatywnych doświadczeniach oraz elastycznego adaptowania się do zmiennych czynników zewnętrznych. Obejmuje ona 5 wymiarów, mianowicie: zdolność do relacjonowania (np. „potrafię być elastyczny i adaptować się, gdy następuje zmiana”), tolerancję afektu negatywnego (np. „potrafię radzić sobie z problemami za pomocą humoru”), akceptację zmiany (np. „staję się silniejszy dzięki nabywanym umiejętnościom”), kontrolę (np. „potrafię radzić sobie z trudnymi emocjami, takimi jak gniew”) oraz wpływ psychiczny (np. „potrafię skupić się na procesach myślowych w sytuacji stresowej”)49. Współczynnik rzetelności tej skali wynosi 0,938.

7. Skala CSE

  1. Użyj skali CSE do pomiaru CSE, aby ocenić, w jakim stopniu dana osoba wierzy w swoją zdolność do rozwijania umiejętności twórczych50. Skalę tę skrócono do trzech elementów na potrzeby badania chińskich studentów. Współczynnik niezawodności dla tej skali wynosi 0,860.

8. Gromadzenie danych

  1. Celem niniejszego badania SQD było ujawnienie czynników prognostycznych CSE wśród studentów uniwersytetów. Wykorzystano SDQ do pomiaru poziomu CSE studentów wraz z czterema predyktorami51.
  2. W tym okresie nauczyciel prowadzący zachęcał studentów do dobrowolnego wypełnienia SDQ poprzez wyświetlenie kodu QR na koniec każdego dnia zajęć na uniwersytecie. Poinformowano uczestników, że mogą uzyskać dostęp do SDQ poprzez zeskanowanie kodu QR, udzielenie odpowiedzi na pytania, a następnie kliknięcie Prześlij.
  3. Co istotne, przed zeskanowaniem kodu QR przez studentów, należy polecić nauczycielowi prowadzącemu wyjaśnienie celu badania studentom i rodzicom. Należy zapewnić dobrowolność udziału poprzez uzyskanie świadomej zgody.
  4. Przeprowadź badanie SDQ w docelowej populacji studentów. Upewnij się, że każdy uczestnik odpowiedział na wszystkie obowiązkowe pytania. Zweryfikuj kompletność i spójność odpowiedzi.
  5. Zdefiniuj kluczowe konstrukty, takie jak ASE, odporność rodzicielska (PR) oraz CSE. Zakoduj odpowiedzi z wykorzystaniem 5-stopniowej skali Likerta w zakresie od 1 do 5. Przypisz uczestników do grup o wysokim lub niskim poziomie, stosując próg 60% lub więcej maksymalnej liczby punktów w skali.
  6. Podziel zbiór danych na podzbiory treningowy i testowy. Wykorzystaj 70% danych (n=423) do trenowania modelu. Pozostałe 30% (n=184) przeznacz do celów testowych.
  7. Zastosuj drzewo klasyfikacji i regresji (CART), aby znaleźć istotne predyktory. Użyj zanieczyszczenia Gini do określenia podziałów węzłów. Kontynuuj podziały aż do osiągnięcia minimalnej liczby przypadków lub zerowego zanieczyszczenia.
  8. Oceń węzły pod kątem przycinania, korzystając ze średnio kwadratowego błędu (MSE). Usuń węzeł, jeśli przycinanie redukuje MSE. Zachowaj węzeł, jeśli po przycięciu MSE wzrasta.
  9. Wykorzystaj zbiór testowy do walidacji DTM. Oblicz wskaźniki wydajności, takie jak dokładność, czułość i swoistość. Przeanalizuj błędnie sklasyfikowane przypadki, aby zidentyfikować słabe punkty DTM.
  10. Przeprowadź analizę korelacji iloczynowo-momentowej Pearsona, aby zbadać zależności między zmiennymi. Zinterpretuj siłę i kierunek korelacji na podstawie wartości współczynnika korelacji.
  11. Wykorzystaj reguły drzewa decyzyjnego, aby zidentyfikować, w jaki sposób PR i ASE przewidują poziomy CSE. Ilościowo określ wkład każdej zmiennej w wyniki klasyfikacji.
  12. Rozszerz zestaw cech, jeśli dokładność modelu spadnie poniżej pożądanego progu. Wytrenuj model ponownie z dodatkowymi zmiennymi lub większą wielkością próby, aby poprawić jego dokładność.
  13. Przetestuj generalizowalność modelu, korzystając z danych z różnych regionów lub instytucji. Powtórz protokół badania, aby zwalidować wyniki na niezależnych próbach.
  14. Każde przeprowadzenie SDQ trwało ~25 min. Zastosuj kontrolę środowiskową, aby zapewnić hałas otoczenia <45 dB i temperaturę w zakresie 26-28 °C.
  15. Przeszkol jednego facylitatora na każde 15 studentów podczas 2-godzinnej sesji instruktażowej SDQ52. Dzięki zastosowaniu standardowych skryptów operacyjnych facylitatorzy byli w stanie zredukować wpływ własnych opinii na wyniki53. Poproś pomocnika o odczytanie wszystkich instrukcji dokładnie tak, jak zostały zapisane, unikanie wyjaśniania więcej niż niezbędnych kroków oraz niepodejmowanie prób wyjaśniania pytań testowych. Facylitatorzy pomogli wyeliminować wpływ ankieterów i zapewnili, że dane pochodzą wyłącznie z ocen studentów54.
    UWAGA: Uzupełnienia te odnoszą się do zmienności w implementacji i zwiększają odtwarzalność międzykontekstową. Ponieważ większość studentów nie posiadała osobistych urządzeń, a tylko niewielka część uniwersytetów dysponowała działającą siecią Wi-Fi55, najlepszym rozwiązaniem była administracja w formie papierowej. Co więcej, badania naukowe nie wykazały istotnych różnic w wynikach psychometrycznych między cyfrową a papierową formą SDQ u osób z niższym poziomem umiejętności czytania i pisania56. W przyszłych badaniach pomocne byłoby zbadanie, jak cyfryzacja funkcjonuje na prywatnych uniwersytetach z dużymi zasobami57. Ponieważ w tej opinii nie przeprowadzono kodowania, nie można było określić niezawodności między sędziami.

9. Analiza danych

  1. Zastosuj metodę eksploracji danych (data mining) w celu analizy danych z ankiety58. Eksploracja danych pozwala ujawnić wzorce CSE studentów i zidentyfikować trzy typy uczących się: integracyjnych, zorientowanych na cel oraz próbkujących. W niniejszym badaniu zdecydowano się na zastosowanie DTM, ponieważ metoda ta jest szeroko wykorzystywana do przewidywania wyników w nauce oraz zachowań edukacyjnych studentów, a także pozwala na generowanie łatwych do zrozumienia reguł59.
    UWAGA: W szczególności drzewo decyzyjne (DT) buduje reguły klasyfikacji na podstawie próbek treningowych i tworzy łatwy do zrozumienia graf hierarchiczny, składający się z węzła korzenia, kilku węzłów wewnętrznych oraz wielu liści. Zarówno węzeł korzenia, jak i węzły wewnętrzne reprezentują odpowiadające im warunki testowe (tj. miary klasyfikacji)60, natomiast liście reprezentują końcowy wynik. Reguły można wywieść na podstawie modelu drzewa utworzonego przez każdy węzeł. Co więcej, DT wykazuje dobrą tolerancję na współliniowość i potrafi obsługiwać złożone korelacje między predyktorami. Dodatkowo, dyskretne DT stosuje się, gdy zmienne predyktora są kategoryczne, natomiast regresyjne DT jest odpowiednie dla ciągłych zmiennych predyktora60.
  2. W celu ustalenia, czy CSE studentów jest wysokie czy niskie, utwórz model predykcyjny przy użyciu dyskretnego DT i przeanalizuj istotność każdego czynnika w przewidywaniu CSE.

10. Konstrukcja DT

  1. Wyznacz progi podziału i optymalne zmienne rozgałęziające dla DT na podstawie szybkości spadku entropii informacji, która wskazuje stopień zanieczyszczenia zbioru danych i jest zdefiniowana zgodnie z równaniem (1).
    Wzór na entropię ΣPkLog2Pk; równanie teorii informacji; zastosowanie edukacyjne, schemat koncepcyjny.    (1)
    gdzie D to wielkość próby zbioru treningowego, m, Pk to iloraz szans dla każdego typu.
  2. Wskaźnik zysku informacji mierzy wariancję entropii informacji zbioru danych przy zastosowaniu wielu metod klasyfikacji. Oblicz wskaźnik zysku dla zbioru danych D, podzielonego na n podzbiorów przez wybraną zmienną C, zgodnie z definicją w równaniu (2).
    Wzór na wskaźnik zysku, Entropy(D)-Entropy(D|C)/Entropy(C), równanie analizy drzewa decyzyjnego.    (2)
  3. W algorytmie C5.0 wybierz atrybut o najwyższym wskaźniku zysku informacji jako punkt podziału i utwórz wiele gałęzi na podstawie wartości tego atrybutu, aby uzyskać wiele podzbiorów. Powtarzaj proces separacji do momentu, aż ostatni podzbiór będzie zawierał dane tylko jednego typu, realizując w ten sposób indukcyjne etykietowanie danych.

11. Przycinanie drzew decyzyjnych (DT pruning)

  1. Stosując metodę przycinania, przycinaj węzły liściowe warstwa po warstwie. Po zbudowaniu drzewa decyzyjnego (DT) przypisz zbiory danych do każdego węzła liściowego zgodnie z wytrenowanym modelem DTM.
  2. Oblicz błąd średniokwadratowy (MSE) dla zbiorów danych z liśćmi i bez liści. Usuń węzły, jeśli po przycięciu wartość MSE spadnie; w przeciwnym razie zachowaj węzły.

12. Ocena DT

  1. Wykorzystaj 70% danych z próby (n=423) do trenowania, a pozostałe 30% (n=184) do testowania. Wskaźnikami służącymi do oceny jakości modelu są dokładność (accuracy), precyzja (precision) oraz czułość (recall). Dokładność jest definiowana jako procent poprawnie skategoryzowanych próbek spośród wszystkich próbek; precyzja określa, ile próbek dodatnich w wyniku predykcji jest rzeczywistymi próbkami dodatnimi, a czułość określa, ile próbek dodatnich z próbek rzeczywistych zostało poprawnie przewidzianych.

13. Analiza danych

  1. Przeanalizuj wyniki badania przy użyciu oprogramowania do analizy statystycznej. Po pierwsze, przeanalizuj trendy częstotliwości i stężenia CSE, a także czynniki predykcyjne, stosując analizy statystyki opisowej. Po drugie, przeprowadź analizę DT z wykorzystaniem algorytmu C5.0, który stanowi udoskonalenie algorytmów ID3 i C4.5, ponieważ działa szybciej i generuje bardziej stabilne efekty predykcyjne.

14. Kodowanie danych

  1. Przyjmując 60% jako punkt odcięcia, podzielono próbkę na dwie grupy: wysoką CSE i niską CSE. W przypadku predyktorów zmienne PR, IB, ASE oraz PSSM przekształcono w zmienne binarne zgodnie z określonymi zasadami (Tabela 1).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

Statystyka opisowa
W niniejszym badaniu przeanalizowano statystykę opisową dla zmiennych ciągłych i sekwencyjnych (Tabela 2). Każda zmienna została zakodowana zgodnie z zasadą, że wartości przekraczające 60% pełnej skali wskazują na wyniki powyżej średniej. Warto zauważyć, że studenci wykazują powyżej średniej CSE, przy średniej wartości 3,66 i odchyleniu standardowym 0,80, co przekracza 60% pełnej skali. Sugeruje to, że większość studentów posiada wysokie CSE. Średnie wartości czter...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

Korzystając z DT-C5.0, w ramach tego badania stworzono czteroczynnikowy model predykcyjny CSE studentów, aby zbadać rolę tych czynników. Wszystkie wnioski wyciągnięte w badaniu zostały oparte na literaturze i odpowiednich analizach danych.

W wynikach oceny zweryfikowano skuteczność DTM w przewidywaniu poziomów CSE. Dokładność, precyzja i kompletność zapamiętania modelu przekroczyły kryterium 75%. Model ma wartość obszaru pod krzywą (AUC) wynoszącą 0,762, przekraczającą 0,5, co wskazuj...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

Autorzy nie mają nic do ujawnienia

Podziękowania

Nie dotyczy

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Dysk twardy 2 TBSegante6G SATA 7.2k 3.5"(LFF) składowanie
8 GB pamięci RAMTechnologia Kingston 4Rx4 DDR4 LRDIMM 2666 MT/s.składowanie
  Procesor Intel Core i5Procesor Intel Core i7 procesor
Karta graficznaNVIDIA GeForce RTX 4060 TiNvidia CorporationNA
 ( wersja 4.1.2) Język programowania 
Narzędzie do wizualizacji danychSPSSIBM30
R

Bibliografia

  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).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Tagi

C5.0 drzewo decyzyjneodporność psychicznaakademicka poczucie własnej skutecznościprzynależność szkolnazachowania innowacyjneprzewidywanie ryzyka behawioralnegoKwestionariusz Mocnych i Słabych Stron (SDQ)

Ten artykuł został opublikowany

Film wkrótce dostępny

Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki korzystania z usługi

Zasady

Prawa autorskie © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.