Analiza predykcyjna twórczej samoskuteczności studentów w oparciu o modelowanie drzewa decyzyjnego

Summary

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.

Abstract

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.

Introduction

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 społecznym^2,3.

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 zadań^4,5. 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 pracami^4,5, 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 wyjaśnienia^13,14,15. 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 użytkowników^16,17. 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 Farmer^18,19 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 osiągnięć^21,22. Podczas gdy poprzednie badania przede wszystkim podkreślały CSE jako niezbędny składnik twórczej wiary w siebie w realizację indywidualnego potencjału twórczego^22,23,24, 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 twórczych^29,30. 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 samodzielną^31,32,33,34. 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 CSE^37,38. 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 akademickich^41,42. Podsumowując, w niniejszym badaniu zaproponowano cztery predyktory CSE: PR, ASE, PSSM i IB.

Protocol

Badania zostały przetestowane na Uniwersytecie Normalnym w Chengdu, w prowincji SiChuan, Chiny, z udziałem ponad 17 000 studentów. Zasoby SDQ i projekt ankiety zostały zatwierdzone przez Komisję ds. Oceny Etyki Uniwersytetu Normalnego w Chengdu, prowincja SiChuan, 611130, Chiny. Uczelnia przeprowadziła ankietę w dniach 10-13 września 2023 roku. Dobrowolny udział został zapewniony poprzez uzyskanie świadomej zgody

1. Zapisy uczestników

1. Wybierz uniwersytet rządowy za pomocą metody losowego doboru próby uwzględniającej całą klasę. Stosuj następujące kryteria: (i) edukacja dla wszystkich odbywa się według tego samego planu i sprawdza uczniów w ten sam sposób; (ii) nauczanie odbywa się w tym samym języku (chińskim); oraz (iii) każdy uniwersytet ma optymalną liczbę studentów na każdego nauczyciela. Tutaj wybrano uniwersytet normalny w Chengdu w prowincji SiChuan w Chinach.
2. Wybierz uczniów w wieku od 18 do 21 lat, ponieważ rozumieją swoje działania wyraźniej niż kiedykolwiek wcześniej.
3. Przed zaprojektowaniem narzędzia SDQ przeprowadź badawcze wywiady fokusowe z 5 studentami, którzy zgodzili się wziąć udział w identyfikacji prawdopodobnych korelacji predykcyjnych między CSE a zalecanymi predyktorami. Następnie skorzystaj z wygodnego próbkowania, aby zaangażować chętnych uczniów.
4. Zaznacz wszystkich zweryfikowanych uczniów. W sumie 607 studentów zweryfikowało wszystkie SDQ i potwierdziło ich ważność po dokładnym sprawdzeniu. Dane demograficzne respondentów wykazały, że stosunek mężczyzn do kobiet wynosił od 25,5% do 74,5%. Jeśli chodzi o pochodzenie mieszkaniowe, 71,4% uczestników pochodziło z obszarów wiejskich, a 28,6% z miast. Wszyscy studenci kontynuowali edukację w zakresie sztuk wyzwolonych w ramach ustandaryzowanego programu nauczania. Większość uczestników należała do gospodarstw domowych o niskich i średnich dochodach, co odzwierciedla szerszy skład społeczno-ekonomiczny studentów uczelni publicznych w regionie.
   UWAGA: Zazwyczaj studenci rozpoczynający szkolenie dla nauczycieli w Chinach skłaniają się ku sztukom wyzwolonym na egzaminach wstępnych do college'u. Ponieważ studentki na ogół wykazują większe zainteresowanie działaniami twórczymi niż ich koledzy po fachu, odsetek studentek na tych uniwersytetach jest na ogół wyższy, co wyjaśnia znaczną przewagę kobiet w próbie.
5. Grupuj uczestników według płci i stopnia, aby upewnić się, że model jest sprawiedliwy. Zwiększa to możliwość zastosowania wyników do większości zarządzanych przez rząd uniwersytetów w Chengdu, które mają podobne populacje społeczno-demograficzne.

2. Oprzyrządowanie

UWAGA: W tym badaniu użyto SDQ składającego się z 6 sekcji zawierających 52 pozycje, obejmujące informacje demograficzne, Skalę CSE, Skalę Odporności Psychologicznej, Skalę Psychologicznego Poczucia Członkostwa w Szkole, Skalę Akademickiej Samoskuteczności oraz Skalę Zachowań Twórczych. Dane demograficzne obejmują płeć, wiek oraz to, czy dana osoba pochodzi ze środowiska miejskiego czy wiejskiego. Angielskie wersje wag są przetłumaczone na język chiński.

1. Zastosuj metodę odwrotnego tłumaczenia⁴³. Wprowadź poprawki i optymalizacje przed sfinalizowaniem SDQ i zastąp oryginalną skalę punktacji skalą 5-punktową, aby zachować niezawodność przy jednoczesnym zapewnieniu heterogeniczności z innymi skalami, zapewniając w ten sposób równoważność skali.
2. Zmierz wszystkie pozycje hipotezy w 5-punktowej skali od 1 = Zdecydowanie się nie zgadzam do 5 = Zdecydowanie się zgadzam.

3. Poczucie własnej skuteczności w nauce

1. Skorzystaj ze Skali Akademickiej Samoskuteczności (CASES), która była⁴⁴ specjalnie zaprojektowana do oceny własnej skuteczności wśród studentów Uniwersytetu Normalnego w Chengdu podczas szkolenia akademickiego. PRZYPADKI składają się z dziewięciu obiektów (np. Chciałbym zrobić to lepiej niż inni uczniowie; Jestem pewien, że rozumiem, co nauczyciel szkoli; Chcę dobrze radzić sobie w klasie). Współczynnik niezawodności dla tej skali wynosi 0,897.

4. Skala innowacyjnych zachowań

1. Aby zmierzyć IB, użyj Skali Innowacyjnego Zachowania⁴⁵. Utrzymuj 3D skali w następujący sposób: grupa wiekowa umiejętności innowacyjnych (np. Kiedy mam kłopoty, często zdobywam umiejętności innowacyjne), promowanie umiejętności innowacyjnych (np. będę szukać wsparcia menedżerskiego w zakresie umiejętności innowacyjnych) oraz zastosowanie umiejętności innowacyjnych (np. zamienię umiejętność innowacyjną w możliwe szkolenie). Współczynnik niezawodności dla tej skali wynosi 0,917.

5. Psychologiczne poczucie skali członkostwa w szkole

1. Użyj PSSM, aby ocenić poczucie przynależności studentów do uniwersytetu pod kątem ich stanu emocjonalnego, reakcji, dowodu tożsamości, przywiązania i postawy behawioralnej.
2. Opracowany przez Goodenow⁴⁶, zawiera 18 projektów i został przetłumaczony na różne języki, w tym hiszpański i chiński. Użyj chińskiej wersji PSSM z 18 elementami (np. Czuję się, jakbym należał do tej uczelni; Studenci traktują moje opinie poważnie)⁴⁷. Współczynnik niezawodności dla tej skali wynosi 0,853.

6. Skala odporności psychicznej

1. Użyj 10 obiektów Skali Odporności Connora-Davidsona (CD-RISC-10), aby zmierzyć PR⁴⁸. Początkowo, z 25 obiektami, Campbell-Sills i Stein⁴⁹ poprawili skalę PR do 10 obiektów w krótszej wersji.
2. Użyj skali, aby zmierzyć uczucia, reakcje i życzliwość danej osoby na temat jej umiejętności leczenia z negatywnych umiejętności i elastycznego dostosowywania się do zmiennych czynników zewnętrznych. Składa się z 5D, a mianowicie: zdolności do nawiązywania relacji (np. Potrafię być elastyczny i dostosowuję się, gdy zachodzą zmiany), tolerancji negatywnego afektu (np. Potrafię radzić sobie z problemami z humorem), akceptacji zmiany (np. Jestem silniejszy dzięki umiejętnościom), kontroli (np. Potrafię radzić sobie ze zdenerwowanymi emocjami, takimi jak gniew) i wpływu psychicznego (np. Potrafię skupić się na swoim procesie myślowym, gdy jestem pod presją)⁴⁹. Współczynnik niezawodności dla tej skali wynosi 0,938.

7. Skala CSE

1. Użyj skali CSE, aby zmierzyć CSE, oceń, jak bardzo dana osoba wierzy, że może tworzyć umiejętności twórcze⁵⁰. Skondensuj skalę do trzech obiektów do ankiety przeprowadzonej wśród chińskich studentów. Współczynnik niezawodności dla tej skali wynosi 0,860.

8. Zbieranie danych

1. To badanie SQD miało na celu ujawnienie czynników predykcyjnych CSE wśród studentów uniwersytetów. Użyj SDQ, aby zmierzyć poziom CSE studentów wraz z czterema predyktorami⁵¹.
2. W tym okresie dyrektor szkoły zachęcał uczniów do dobrowolnego wypełnienia SDQ, aby wyświetlić kod QR na koniec każdego dnia akademickiego. Poinformuj uczestników, że mogą uzyskać dostęp do SDQ, skanując kod QR, odpowiadając na pytania, a następnie klikając przycisk Prześlij.
3. Co ważne, zanim uczniowie zeskanują kod QR, poinstruuj dyrektora szkoły, aby wyjaśnił uczniom i rodzicom cel badania. Zapewnienie dobrowolnego udziału poprzez uzyskanie świadomej zgody.
4. Administruj SDQ docelową populacją uczniów. Upewnij się, że każdy uczestnik odpowiada na wszystkie obowiązkowe obiekty. Sprawdź poprawność kompletności i spójności odpowiedzi.
5. Zdefiniuj podstawowe konstrukcje, takie jak ASE, odporność rodzicielska (PR) i CSE. Koduj odpowiedzi za pomocą 5-punktowej skali Likerta w zakresie od 1 do 5. Przypisz uczestników do typów wysokich lub niskich, używając progu 60% lub więcej maksymalnego wyniku skali.
6. Podziel zestaw danych na podzbiory trenowania i testowania. Użyj 70% danych (n=423) do trenowania modelu. Pozostałe 30% (n=184) przeznaczyć na cele testowe.
7. Zastosuj drzewo klasyfikacji i regresji (CART), aby znaleźć istotne predyktory. Użyj zanieczyszczenia Giniego, aby określić podziały węzłów. Kontynuuj dzielenie, aż osiągniesz minimalną liczbę przypadków lub zero zanieczyszczeń.
8. Oceń węzły pod kątem przycinania przy użyciu błędu średniokwadratowego (MSE). Obcina węzeł, jeśli oczyszczanie zmniejsza MSE. Zachowaj węzeł, jeśli MSE zwiększa się po przycięciu.
9. Użyj testowego zestawu danych, aby zweryfikować DTM. Metryki wydajności obliczeniowej, takie jak dokładność, poufność i swoistość. Analizuj błędnie sklasyfikowane przypadki, aby znaleźć słabe punkty DTM.
10. Wykonaj analizę korelacji iloczyn-moment Pearsona, aby zbadać relacje między zmiennymi. Interpretacja siły i kierunku korelacji na podstawie wartości współczynników korelacji.
11. Użyj reguł drzewa decyzyjnego, aby określić, w jaki sposób PR i środowisko ASE przewidują poziomy CSE. Określ ilościowo wkład każdej zmiennej w wyniki klasyfikacji.
12. Rozwiń zestaw funkcji, jeśli dokładność modelu spadnie poniżej żądanego progu. Ponownie wytrenuj model przy użyciu dodatkowych zmiennych lub większego rozmiaru próbki, aby zwiększyć jego dokładność.
13. Przetestuj możliwość uogólnienia modelu przy użyciu danych z różnych regionów lub instytucji. Powtórz protokół badania, aby zweryfikować wyniki w niezależnych próbach.
14. Każde podanie SDQ trwało ~25 min. Użyj kontroli środowiska, aby zapewnić hałas otoczenia <45 dB i temperaturę 26-28 °C.
15. Przeszkol jednego facylitatora na każdych 15 uczniów, podczas 2-godzinnej sesji informacyjnej SDQ⁵². Za pomocą standardowych skryptów operacyjnych facylitatorzy byli w stanie zmniejszyć wpływ własnych opinii na wyniki⁵³. Poproś osobę pomagającą, aby przeczytała wszystkie instrukcje dokładnie tak, jak zostały napisane, unikaj wyjaśniania więcej niż niezbędne kroki i nie próbuj wyjaśniać pytań testowych. Facylitatorzy pomogli wyeliminować wpływ ankieterów i upewnili się, że dane pochodzą wyłącznie z ocen studentów⁵⁴.
    UWAGA: Te dodatki rozwiązują problem zmienności implementacji i zwiększają odtwarzalność międzykontekstową. Ponieważ większość studentów nie posiadała urządzeń osobistych, a tylko ułamek uniwersytetów miał działające Wi-Fi⁵⁵, administracja na papierze była najlepszym rozwiązaniem. Co więcej, badania naukowe nie wykazały znaczących różnic w wynikach psychometrycznych między cyfrowymi i papierowymi formatami SDQ wśród osób o niższym poziomie umiejętności czytania i pisania⁵⁶. W nadchodzących badaniach pomocne byłoby zbadanie, jak cyfryzacja działa na prywatnych uniwersytetach o silnych zasobach⁵⁷. Z uwagi na to, że w niniejszej opinii nie dokonano kodowania, nie można było określić wiarygodności między oceniającymi.

9. Analiza danych

1. Użyj metody eksploracji danych, aby przeanalizować dane ankiety⁵⁸. Eksploracja danych może ujawnić wzorce CSE uczniów i znaleźć trzy typy uczniów: integracyjnych, zorientowanych na cel i doborowych próby. W tym badaniu zdecydowano się na DTM, ponieważ jest on szeroko stosowany do przewidywania wyników w nauce i zachowań uczniów związanych z nauką oraz może generować łatwo zrozumiałe reguły⁵⁹.
   UWAGA: W szczególności drzewo decyzyjne (DT) tworzy reguły klasyfikacji na podstawie próbek treningowych i tworzy łatwy do zrozumienia wykres z góry na dół składający się z węzła głównego, kilku węzłów wewnętrznych i wielu węzłów liścia. Zarówno węzeł główny, jak i wewnętrzny reprezentują odpowiednie warunki testowe (tj. miary klasyfikacji)⁶⁰, podczas gdy węzły liścia reprezentują końcowe dane wyjściowe. Reguły można wywnioskować na podstawie modelu drzewa utworzonego przez każdy węzeł. Co więcej, DT wykazuje dobrą tolerancję na wieloliniowość i może obsługiwać złożone korelacje między predyktorami. Dodatkowo, określony DT jest stosowany, gdy zmienne predyktorowe są jakościowe, podczas gdy ID regresji jest odpowiednie dla ciągłych zmiennych predyktorowych⁶⁰.
2. Aby określić, czy CSE uczniów jest wysokie, czy niskie, utwórz model predykcyjny przy użyciu określonego DT i przeanalizuj znaczenie każdego czynnika w przewidywaniu CSE.

10. Budowa DT

1. Określ progi podziału i optymalne zmienne rozgałęziające dla DT na podstawie szybkości spadku entropii informacji, która wskazuje stopień zanieczyszczenia zbioru danych i jest zdefiniowana jako równanie (1).
   (1)
   gdzie D jest wielkością próby zestawu danych treningowych, m, P_k jest ilorazem szans dla każdego typu.
2. Współczynnik przyrostu informacji mierzy wariancję entropii informacyjnej zbioru danych przy użyciu wielu metod klasyfikacji. Oblicz współczynnik wzmocnienia dla zestawu danych D, podzielonego na n podzbiorów przez wybraną zmienną C, zdefiniowaną równaniem (2).
   (2)
3. W komórce C5.0 wybierz atrybut o najbardziej znaczącym współczynniku przyrostu informacji jako punkt podziału i utwórz wiele gałęzi na podstawie wartości tego atrybutu, aby uzyskać wiele podzbiorów. Iteruj proces separacji, aż ostatni podzbiór będzie zawierał dokładnie ten sam typ danych, realizując w ten sposób indukcyjne etykietowanie danych.

11. Przycinanie DT

1. Stosując metodę przycinania, przycinaj węzły liści warstwa po warstwie. Po skompilowaniu identyfikatora ID należy ponownie zablokować zestawy danych do każdego węzła liścia zgodnie z wytrenowanym węzłem DTM.
2. Obliczanie MSE dla zestawów danych liściastych i bezlistnych. Obcinać węzły, jeśli MSE zmniejsza się po przycięciu; W przeciwnym razie zachowaj węzły.

12. Ocena DT

1. Wykorzystaj 70% przykładowych danych (n=423) do trenowania, a pozostałe 30% (n=184) do testowania. Wskaźnikami oceny jakości modelu są dokładność, precyzja i kompletność. Dokładność definiuje się jako procent prawidłowo skategoryzowanych próbek spośród wszystkich próbek; Precyzja to liczba próbek dodatnich to rzeczywiste próbki dodatnie w wyniku przewidywania, a liczba próbek dodatnich to liczba próbek dodatnich, które są prawidłowo przewidywane w próbkach rzeczywistych.

13. Analiza danych

1. Analizuj wyniki badania za pomocą oprogramowania do analizy statystycznej. Po pierwsze, przeanalizuj trendy częstotliwości i koncentracji CSE, a także czynniki predykcyjne, korzystając z opisowych analiz statystycznych. Po drugie, wykonuj analizę DT przy użyciu algorytmu C5.0, który jest lepszy od ID3 i C4.5, ponieważ działa szybciej i generuje bardziej niezawodne efekty predykcyjne.

14. Kodowanie danych

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

Results

Statystyki opisowe
W badaniu przeanalizowano statystyki opisowe dla zmiennych ciągłych i sekwencyjnych (Tabela 2). Każda zmienna jest kodowana w oparciu o zasadę, że wartości przekraczające 60% pełnej skali wskazują na ponadprzeciętną wydajność. Warto zauważyć, że studenci wydają się mieć ponadprzeciętny CSE, ze średnią wartością 3,66 i odchyleniem standardowym 0,80, co przekracza 60% pełnej skali. Sugeruje to, że większość studentów ma wysoki CSE. Średnie wartości czterech zmiennych...

Discussion

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...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Dysk twardy 2 TB	Segante	6G SATA 7.2k 3.5"(LFF)	składowanie
8 GB pamięci RAM	Technologia Kingston	4Rx4 DDR4 LRDIMM 2666 MT/s.	składowanie
Procesor Intel Core i5		Procesor Intel Core i7	procesor
Karta graficzna	NVIDIA GeForce RTX 4060 Ti	Nvidia Corporation	NA
		( wersja 4.1.2)	Język programowania
Narzędzie do wizualizacji danych	SPSS	IBM	30