Análise preditiva da autoeficácia criativa de estudantes universitários com base na modelagem da árvore de decisão

Summary

O estudo examina o uso de um modelo de árvore de decisão C5.0 modificado (DTM) para prever a autoeficácia criativa (CSE) entre estudantes universitários. A pesquisa visa determinar a eficácia do DTM na previsão de CSE e identificar as variáveis que o preveem.

Abstract

A criatividade é um ponto focal na pesquisa psicológica atual, nacional e internacionalmente. A autoconsciência de um indivíduo sobre sua criatividade é vital para determinar seu potencial criativo, ajudando-o a entender seus pontos fortes e fracos e aumentando sua autocriatividade. Existem poucos estudos sobre a autopercepção da criatividade de estudantes universitários e menos ainda sobre o uso da árvore de decisão (TD) para prever essa autopercepção. Este estudo teve como objetivo avaliar a eficácia do uso de um modelo de árvore de decisão (DTM) C5.0 modificado na previsão da autoeficácia criativa (CSE) entre estudantes universitários e identificar quais variáveis poderiam servir como preditores de CSE. Em resposta a essas perguntas, 607 estudantes universitários na província de Sichuan, China, preencheram um Questionário de Pontos Fortes e Dificuldades (SDQ) contendo cinco seções: escala de resiliência psicológica, escala de autoeficácia acadêmica, senso psicológico de pertencimento escolar, escala de comportamento inovador e escala CSE. O método descrito envolve o fornecimento sistemático do SDQ, a pontuação dos resultados e a atribuição de códigos às respostas de 60 alunos. Usando as subescalas do SDQ, um DTM chamado C5.0 foi construído para prever os tipos de risco comportamental. O DTM foi treinado e validado cruzadamente, mostrando uma melhora de 10 vezes, e seu desempenho foi avaliado pela acurácia e pontuação F1. Os resultados do DTM C5.0 revisado revelaram que os fatores preditivos significativos de CSE, em ordem decrescente de importância, são confiança psicológica, senso psicológico de pertencimento escolar, autoeficácia acadêmica e comportamento inovador. Ao provar a eficácia do DTM na previsão do CSE de estudantes universitários, esta pesquisa desenvolveu a ligação entre o aprendizado básico e o CSE, aumentou a interpretação do CSE e forneceu suporte de pesquisa para aumentar a criatividade e o CSE dos estudantes universitários.

Introduction

A criatividade é considerada um motivador essencial para o desenvolvimento socioeconômico de vários países e tornou-se progressivamente um fator primordial na força geral de uma nação. No entanto, pesquisas indicam que as instituições chinesas de Ensino Superior (ES) ainda priorizam o conhecimento teórico dos alunos, negligenciando o cultivo de habilidades de opinião analítica, habilidades autônomas de resolução de problemas e habilidades inovadoras. Consequentemente, vários alunos possuem forte conhecimento teórico, mas lutam para analisar e abordar a questão¹. Os impactos duplos dos ambientes pessoais e sociais impulsionam esse fenômeno, motivando os estudantes universitários a priorizar o aprendizado e a competição social externa sobre suas necessidades emocionais e desenvolvimento pessoal. Um risco significativo surgiu na forma de Inteligência Artificial (IA), da qual a sociedade moderna se tornou excessivamente dependente, a ponto de diminuir a opinião individual e as habilidades inovadoras. Este é o resultado de uma limitação ou regressão no desenvolvimento pessoal e social ^2,3.

Portanto, a inovação emergiu como um tema quente na pesquisa psicológica nacional e estrangeira atual, com muitos estudos significando que a Autoeficácia Criativa (CSE) impacta positivamente a criatividade. Simultaneamente, pesquisas indicam que maior CSE entre os alunos se correlaciona com uma visão mais positiva da vida e maior confiança em suas habilidades ao enfrentar tarefas desafiadoras ^4,5. De fato, baixos níveis de criatividade podem afetar adversamente todas as características da vida, incluindo um problema competitivo na carreira. Estudos mostraram que a principal causa da falta de criatividade é a falta de CSE. Como um propósito significativo da criatividade, o CSE é definido como a crença de um indivíduo em sua capacidade de fazer pensamentos criativos, participar de comportamentos criativos e alcançar resultados criativos. Em equipes, a CSE pode aumentar a criatividade individual no compartilhamento de conhecimento e esforços colaborativos⁶. O alto CSE também pode inspirar novos Comportamentos Inovadores (IB) na presença de emoções otimistas⁷.

Conforme aconselhado pela mudança da psicologia, por volta dos 10 aos 14 anos, as habilidades dos alunos podem levar a mudanças em suas emoções e comportamento, porque a idade adulta está acontecendo⁸, e eles estão lidando mais com os colegas e o estresse que vem com isso. Como o SDQ foi confirmado como confiável e psicometricamente sólido e cobre apenas 25 itens⁹, foi preferido para esta pesquisa. Ele analisa cinco tipos de comportamento - emoções, ações na universidade, nível de atividade, relacionamentos na faculdade e utilidade - para ilustrar o estado geral da saúde mental de um aluno. De acordo com trabalhos existentes ^4,5, eles descobriram que usar o SDQ na China é mais eficaz do que usar apenas tarefas comportamentais na identificação da presença precoce de desafios psicológicos e comportamentais nos alunos. Ele mostra por que a investigação é essencial e funciona bem em vários ambientes universitários.

Dado que os estudantes universitários são a força central e os principais contribuintes para a sociedade futura, seu CSE tem particular importância. A pesquisa revelou que o CSE dos alunos está diretamente relacionado às emoções positivas e à direção de controle⁸. Além disso, o CSE melhora o comportamento e o desempenho dos alunos em atividades extracurriculares⁹. A pesquisa indica ainda que o CSE dos alunos aprimora suas habilidades sociais e resiliência psicológica (RP), permitindo que eles se adaptem a ambientes desafiadores¹⁰. As RP dos alunos impactam positivamente sua flexibilidade, habilidades de enfrentamento, habilidades intelectuais e inibição emocional¹¹. Portanto, motivar o CSE dos alunos na faculdade é vital para o desenvolvimento social e individual.

Estudos provam que o CSE é artificial devido a vários fatores, incluindo idade, formação universitária e orientação do professor. Por exemplo, descobriu-se que uma atmosfera de aprendizagem criativa melhora o desempenho acadêmico, a autoconfiança, a adaptabilidade, a capacidade de resolução de problemas, as habilidades interpessoais e a porcentagem de frequência^{dos alunos 9}. Embora os estudos acima tenham identificado fatores que manipulam a ECS, os papéis preditivos das percepções mentais dos membros da universidade e da Autoeficácia Acadêmica (ASE) na CSE não receberam atenção acadêmica suficiente¹¹. Além disso, os estudos existentes têm se concentrado principalmente em estudantes do ensino fundamental e superior, com exploração limitada de CSE entre estudantes universitários. O Modelo de Árvore de Decisão (DTM) é um algoritmo de mineração de dados eficaz em Machine Learning (ML)¹². Analisa procedimentos complexos de tomada de decisão como soluções mais fáceis de explicar 13,14,15. Usando um DTM, os pesquisadores previram com sucesso os elementos que afetam o sucesso ou o fracasso da inovação em manufatura na China, bem como a porcentagem de resposta a uma pesquisa sobre satisfação, atitude e lealdade do usuário^16,17. Esta pesquisa tem como objetivo avaliar a eficácia do uso do DTM na previsão de CSE entre estudantes universitários e identificar as variáveis que predizem o CSE.

Este estudo emprega o Modelo de Árvore de Decisão (DTM) para prever os principais fatores que influenciam a Autoeficácia Criativa (CSE) entre estudantes universitários. O DTM é selecionado por sua interpretabilidade, capacidade de lidar com tipos de dados mistos e eficácia na modelagem de relacionamentos não lineares. Ao contrário dos modelos de caixa preta, o DTM oferece saídas transparentes e baseadas em regras, permitindo a identificação clara de variáveis preditoras. Pesquisas anteriores em educação e psicologia apóiam sua utilidade na análise de cenários complexos de tomada de decisão. Sua estrutura visual auxilia na interpretação prática, tornando-o adequado para ambientes acadêmicos. O DTM é ideal para pesquisadores que buscam uma abordagem interpretável e orientada por dados para modelar resultados comportamentais ou psicológicos com alta clareza e relevância.

Autoeficácia criativa
CSE é a decisão subjetiva de um indivíduo sobre sua capacidade de concluir atividades criativas com sucesso. Representa um índice específico de domínio de autoeficácia geral e é um fator de influência essencial e base psicológica para as tarefas dos indivíduos e a implementação de empreendimentos criativos. Tierney e Farmer^18,19 introduziram o modelo de aplicação Pygmalion CSE, afirmando que o CSE, um motivador interno da atividade criativa, adota efetivamente a criatividade individual e prevê significativamente positivamente a capacidade de um indivíduo para habilidades criativas. Além disso, os estudiosos destacam que a CSE reflete a autoconfiança de um indivíduo na manutenção de habilidades criativas, bem como suas habilidades nos processos de aprendizagem e vida²⁰. Estudos indicam que pessoas com maior senso de ECS tendem a se concentrar mais em si mesmas, optando por crenças e objetivos que se alinham com seus interesses e desafios para experimentar autoestima e realização^21,22. Embora pesquisas anteriores tenham enfatizado principalmente a CSE como um componente essencial das autocrenças criativas na realização do potencial criativo individual 22,23,24, este estudo define a CSE dos estudantes universitários como crenças sobre sua habilidade para concluir comportamentos inventivos específicos com sucesso.

Medição e modelo de CSE
O CSE é geralmente medido com escalas adotadas e adaptadas de dispositivos SDQ desenvolvidos anteriormente. Por exemplo, foi medido adaptando a escala de autoeficácia de Bandura²⁵, a escala de criatividade de Amabile²⁶ e a escala de Woodman, Sawyer e Griffin²⁷. Estudos de caso, observações e entrevistas também foram empregados para descobrir o CSE nos comportamentos cotidianos de indivíduos dentro de grupos específicos. No entanto, uma parte considerável do estudo sobre CSE se concentrou nas empresas e seus funcionários. A aplicação das ideias hipotéticas desses estudos de pesquisa a outras coortes é limitada. O estudo apresentou que o apoio dos professores e o método de um ambiente de sala de aula positivo são essenciais para aumentar a CSE entre os alunos²⁸.

O papel de um professor envolve transmitir conhecimento, um processo que envolve inerentemente a criatividade. Concluiu-se que o aumento da EFC contribui para o envolvimento mais profundo dos indivíduos nas habilidades criativas, levando a um melhor desempenho criativo^29,30. Em relação à idade, diferenças significativas de sexo na EFC foram encontradas entre os estudantes do ensino superior, enquanto a EFC dos indivíduos adultos foi significativamente maior do que a dos indivíduos mais velhos. Isso propõe que o efeito da idade não é consistente. A teoria do autoconceito criativo informa a compreensão da CSE, que engloba a avaliação e a consciência do desempenho de alguém em habilidades criativas, categorizadas em CSE e autoidentidade criativa 31,32,33,34. Um autoconceito criativo tem um impacto significativo na motivação, comportamento e resultados criativos. Com base nessa teoria, pesquisadores desenvolveram modelos estruturados para estudar o autoconceito criativo e as habilidades criativas em ambientes educacionais e de trabalho³⁵. Além disso, Amabile propôs um modelo componente de comportamento criativo em 1983, identificando capacidade criativa, motivação e um ambiente criativo como as três condições necessárias para o comportamento criativo.

Métodos de análise preditiva para CSE
No caso da ECS, os principais métodos de análise preditiva são análise de regressão, Análise Fatorial Confirmatória (AFC), Análise de Componentes Principais (ACP) e metanálise. Usando modelagem de equações estruturais e CFA, Tierney e Farmer descobriram que a habilidade criativa, a motivação e o ambiente predizem as habilidades criativas e o CSE dos indivíduos. O trabalho usou o PCA para demonstrar que o CSE e a autoidentidade criativa constituem 2-D do autoconceito criativo, impactando a motivação criativa. Pesquisadores que aplicaram modelagem de regressão múltipla propõem que habilidades criativas, objetivos, emoções e crenças são preditores vitais de CSE³⁶.

Preditores de CSE
Dentro dos trabalhos acadêmicos existentes, vários estudos se concentraram no CSE de estudantes universitários ou utilizaram o DTM para prever o CSE^37,38. Portanto, esta pesquisa tem como objetivo explorar a aplicação do DTM para prever o CSE de estudantes universitários. Para isso, o estudo começou identificando preditores de ECS na literatura (Figura 1).

Primeiro, esta pesquisa propõe o comportamento perceptivo e o comportamento ambiental como fatores preditores de CSE. A teoria do comportamento planejado postula que normas subjetivas, atitudes e controle comportamental percebido influenciam as intenções comportamentais. Determinado conjuntamente por opiniões de controle e fatores de assistência percebidos, o controle comportamental percebido refere-se à medida em que uma pessoa percebe que está no controle do comportamento em que se envolve; isso implica que a realização do IB pode aumentar o senso de controle sobre a criatividade, que resulta de um senso de CSE³⁷. Um estudo demonstrou que a criatividade é um preditor de CSE. CSE é a autoconfiança que se tem na capacidade de desenvolver habilidades criativas, envolver-se em comportamentos criativos e alcançar resultados criativos. Esses estudos também demonstraram uma conexão positiva entre o Psychological Sense of School Membership (PSSM) e o CSE³⁸. Portanto, a CSE pode ser adotada por vários fatores no ambiente universitário para estimular a criatividade dos alunos³⁹. Em termos de fatores perceptivos, este estudo propõe RP e ASE como preditores de CSE. A pesquisa mostrou que RP é a capacidade de uma pessoa de manter respostas emocionais e comportamentais estáveis ao enfrentar estresse, contratempos e adversidades e retornar a um estado normal rapidamente. Assim, a RP está significativa e positivamente relacionada à criatividade emocional, EFC e autoeficácia geral⁴⁰. Finalmente, foi demonstrado que a EFC pode ser predita pela ASE, que é influenciada pela decisão e crenças de uma pessoa sobre sua capacidade de implementar tarefas acadêmicas^41,42. Em resumo, este estudo propõe quatro preditores de CSE: PR, ASE, PSSM e IB.

Protocol

A pesquisa foi testada na universidade normal de Chengdu, província de SiChuan, China, com mais de 17.000 alunos. Os recursos do SDQ e o desenho da pesquisa foram aprovados pelo Comitê de Revisão de Ética da Universidade Normal de Chengdu, província de SiChuan, 611130, China. A universidade realizou sua pesquisa de 10 a 13 de setembro de 2023. A participação voluntária foi garantida por meio da obtenção do consentimento informado

1. Inscrição dos participantes

1. Selecione uma universidade governamental por meio de um método de amostragem aleatória com consciência de classe. Use os seguintes critérios: (i) a educação para todos segue o mesmo plano e testa os alunos no mesmo método; (ii) o ensino é na mesma língua (chinês); e (iii) cada universidade tem um número ideal de alunos para cada professor. Aqui, a universidade normal de Chengdu, província de SiChuan, China, foi selecionada.
2. Selecione alunos de 18 a 21 anos, pois eles entendem suas ações com mais clareza do que nunca.
3. Antes de projetar a ferramenta SDQ, realize entrevistas focais investigativas com 5 alunos que concordaram em participar da identificação de prováveis correlações preditivas entre CSE e os preditores recomendados. Posteriormente, use a amostragem de conveniência para envolver os alunos dispostos.
4. Selecione todos os alunos verificados. Um total de 607 alunos verificaram todos os SDQs e confirmaram sua validade após verificação minuciosa. Os dados demográficos dos entrevistados mostraram que a proporção entre homens e mulheres foi de 25,5% a 74,5%. Em relação à origem residencial, 71,4% dos participantes eram da zona rural, enquanto 28,6% eram oriundos da zona urbana. Todos os alunos estavam cursando artes liberais sob uma estrutura curricular padronizada. A maioria dos participantes pertencia a famílias de baixa e média renda, refletindo a composição socioeconômica mais ampla dos matriculados em universidades públicas na região.
   NOTA: Normalmente, os alunos que ingressam no ensino superior de formação de professores na China se inclinam para as artes liberais em seus exames de admissão à faculdade. Como as alunas geralmente demonstram maior interesse em atividades criativas do que os homens, geralmente há uma porcentagem maior de estudantes do sexo feminino nessas universidades, o que explica a predominância significativa de mulheres na amostra.
5. Agrupe os participantes por gênero e série para garantir que o modelo fosse equitativo. Isso aumenta a aplicabilidade dos resultados à maioria das universidades operadas pelo governo em Chengdu, que têm populações sociodemográficas semelhantes.

2. Instrumentação

NOTA: Este estudo utilizou um SDQ composto por 6 seções contendo 52 itens, abrangendo informações demográficas, a Escala CSE, a Escala de Resiliência Psicológica, a Escala de Senso Psicológico de Filiação Escolar, a Escala de Autoeficácia Acadêmica e a Escala de Comportamento Criativo. Os dados demográficos incluem sexo, idade e se o indivíduo é de origem urbana ou rural. As versões em inglês das escalas são traduzidas para o chinês.

1. Aplique o método de tradução reversa⁴³. Implemente correções e otimizações antes de finalizar o SDQ e substitua a escala de pontuação original por uma escala de 5 pontos para manter a confiabilidade e garantir a heterogeneidade com outras escalas, garantindo assim a equivalência da escala.
2. Meça todos os itens de hipótese em uma escala de 5 pontos de 1 = Discordo totalmente a 5 = Concordo totalmente.

3. Autoeficácia acadêmica

1. Use a Escala de Autoeficácia Acadêmica da Faculdade (CASES), que foi⁴⁴ projetada especificamente para avaliar a autoeficácia entre os alunos da universidade normal de Chengdu em treinamento acadêmico. O CASES compreende nove objetos (por exemplo, eu gostaria de me sair melhor do que os outros alunos; Tenho certeza de que posso entender o que o professor está treinando; Eu quero me sair bem na aula). O coeficiente de confiabilidade para esta escala é de 0,897.

4. Escala de comportamento inovador

1. Para medir o IB, use a Escala de Comportamento Inovador⁴⁵. Mantenha o 3-D da escala da seguinte forma: faixa etária de habilidades inovadoras (por exemplo, quando estou com problemas, frequentemente adquiro habilidades inovadoras), promoção de habilidades inovadoras (por exemplo, buscarei apoio gerencial para habilidades inovadoras) e aplicação de habilidades inovadoras (por exemplo, transformarei a habilidade inovadora em um possível treinamento). O coeficiente de confiabilidade para esta escala é de 0,917.

5. Escala de senso psicológico de pertencimento escolar

1. Use o PSSM para avaliar o sentimento de pertencimento dos alunos a uma universidade em relação ao seu estado emocional, reações, prova de identidade, apego e atitude comportamental.
2. Desenvolvido pela Goodenow⁴⁶, contém 18 projetos e foi geralmente traduzido para vários idiomas, incluindo espanhol e chinês. Use a versão chinesa do PSSM com 18 itens (por exemplo, sinto que pertenço a esta universidade; Os alunos levam minhas opiniões a sério)⁴⁷. O coeficiente de confiabilidade para esta escala é 0,853.

6. Escala de resiliência psicológica

1. Use os 10 objetos da Escala de Resiliência de Connor-Davidson (CD-RISC-10) para medir o PR⁴⁸. Inicialmente, com 25 objetos, Campbell-Sills e Stein⁴⁹ melhoraram a Escala PR para 10 objetos no geral em uma versão mais curta.
2. Use a escala para medir os sentimentos, reações e simpatia de um indivíduo sobre sua habilidade de se curar de habilidades negativas e se adaptar de forma flexível a fatores externos variáveis. É composto por 5D, ou seja, a capacidade de se relacionar (por exemplo, posso ser flexível e me adaptar quando ocorre uma mudança), tolerância ao afeto negativo (por exemplo, posso lidar com problemas com humor), aceitação da mudança (por exemplo, sou mais forte por meio da habilidade), controle (por exemplo, posso lidar com emoções perturbadas como raiva) e impacto mental (por exemplo, posso me concentrar no meu processo de pensamento quando estou sob pressão) ⁴⁹. O coeficiente de confiabilidade para esta escala é de 0,938.

7. Escala CSE

1. Use a escala CSE para medir o CSE, avalie o quanto uma pessoa acredita que pode criar habilidades criativas⁵⁰. Condense a escala em três objetos para a pesquisa de estudantes chineses. O coeficiente de confiabilidade para esta escala é 0,860.

8. Coleta de dados

1. Esta pesquisa SQD teve como objetivo revelar os fatores preditivos de EFC entre estudantes universitários. Use um SDQ para medir o nível de CSE de estudantes universitários junto com quatro preditores⁵¹.
2. Durante esse período, o diretor incentivou os alunos a preencher voluntariamente o SDQ para exibir o código QR no final de cada dia universitário. Diga aos participantes que eles podem acessar o SDQ digitalizando o código QR, respondendo às perguntas e clicando em Enviar.
3. É importante ressaltar que, antes que os alunos escaneiem o código QR, instrua o diretor a explicar o objetivo do estudo aos alunos e pais. Garanta a participação voluntária encontrando consentimento informado.
4. Administre o SDQ para a população-alvo de estudantes. Certifique-se de que cada participante responda a todos os objetos obrigatórios. Valide a integridade e a consistência das respostas.
5. Defina construções centrais, como ASE, Resiliência Parental (PR) e CSE. Codifique as respostas usando uma escala Likert de 5 pontos variando de 1 a 5. Atribua participantes a tipos altos ou baixos usando um limite de 60% ou mais da pontuação máxima da escala.
6. Divida o conjunto de dados em subconjuntos de treinamento e teste. Use 70% dos dados (n=423) para treinar o modelo. Aloque os 30% restantes (n=184) para fins de teste.
7. Aplique a Árvore de Classificação e Regressão (CART) para encontrar preditores significativos. Use a impureza de Gini para determinar as divisões de nós. Continue dividindo até atingir um número mínimo de casos ou zero impureza.
8. Avalie os nós para remoção usando o Erro Quadrático Médio (MSE). Truncar um nó se a remoção reduzir o MSE. Reter um nó se o MSE aumentar após o corte.
9. Use o conjunto de dados de teste para validar o DTM. Calcule métricas de desempenho, como precisão, sensibilidade e especificidade. Analise casos classificados incorretamente para encontrar pontos fracos do DTM.
10. Realize a análise de correlação produto-momento da Pearson para estudar as relações entre variáveis. Interpretar a força e a direção das correlações com base nos valores do coeficiente de correlação.
11. Use as regras da árvore de decisão para identificar como a PR e o ASE preveem os níveis de CSE. Quantifique a contribuição de cada variável para os resultados da classificação.
12. Expanda o conjunto de recursos se a precisão do modelo ficar abaixo do limite desejado. Treine novamente o modelo com variáveis adicionais ou um tamanho de amostra maior para melhorar sua precisão.
13. Teste a generalização do modelo usando dados de diferentes regiões ou instituições. Replique o protocolo do estudo para validar os resultados em amostras independentes.
14. Cada administração do SDQ levou ~ 25 min. Use um controle ambiental para garantir ruído ambiente <45 dB e temperatura de 26-28 °C.
15. Treine um facilitador para cada 15 alunos, por meio de uma sessão de briefing SDQ de 2 h⁵². Com a ajuda de scripts operacionais padrão, os facilitadores foram capazes de reduzir o impacto de suas próprias opiniões sobre os resultados⁵³. Peça ao ajudante para ler todas as instruções exatamente como estão escritas, evite esclarecer mais do que as etapas necessárias e não tente explicar as perguntas do teste. Os facilitadores ajudaram a eliminar o impacto dos entrevistadores e garantiram que os dados viessem apenas das avaliações dos alunos⁵⁴.
    NOTA: Essas adições abordam a variabilidade na implementação e aprimoram a reprodutibilidade entre contextos. Como a maioria dos alunos não tinha dispositivos pessoais e apenas uma fração das universidades tinha Wi-Fi⁵⁵ funcionando, a administração em papel era a melhor solução. Além disso, pesquisas não mostraram diferenças notáveis nos resultados psicométricos entre os formatos digital e papel do SDQ entre indivíduos com níveis de alfabetização mais baixos⁵⁶. Seria útil em estudos futuros examinar como a digitalização opera em universidades privadas com fortes recursos⁵⁷. Como nenhuma codificação foi feita nesta opinião, a confiabilidade entre avaliadores não pôde ser determinada.

9. Análise dos dados

1. Use um método de mineração de dados para analisar os dados da pesquisa⁵⁸. A mineração de dados pode revelar padrões de CSE do aluno e encontrar três tipos de alunos: integrativo, orientado a objetivos e amostragem. Este estudo optou pelo DTM, pois tem sido amplamente utilizado para prever o desempenho acadêmico e os comportamentos de aprendizagem dos alunos e pode gerar regras facilmente compreensíveis⁵⁹.
   NOTA: Especificamente, uma árvore de decisão (DT) cria regras de classificação a partir de amostras de treinamento e produz um gráfico de cima para baixo fácil de entender que consiste em um nó raiz, vários nós internos e vários nós folha. Os nós raiz e interno representam as condições de teste correspondentes (ou seja, medidas de classificação) ⁶⁰ , enquanto os nós folha representam a saída final. As regras podem ser inferidas com base no modelo de árvore formado por cada nó. Além disso, o TD prova uma boa tolerância à multicolinearidade e pode lidar com correlações complexas entre preditores. Além disso, o TD definido é empregado quando as variáveis preditoras são categóricas, enquanto o DT de regressão é adequado para variáveis preditoras contínuas⁶⁰.
2. Para determinar se o CSE dos alunos é alto ou baixo, crie um modelo preditivo usando um DT definido e analise a significância de cada fator na previsão do CSE.

10. Construção DT

1. Determine os limiares de divisão e as variáveis de ramificação ideais para o DT com base na taxa de diminuição da entropia da informação, que indica a extensão da impureza do conjunto de dados e é definida como Equação (1).
   (1)
   onde D é o tamanho da amostra do conjunto de dados de treinamento, m, P_k é a razão de chances para cada tipo.
2. A taxa de ganho de informação mede a variação na entropia da informação do conjunto de dados sob muitos métodos de classificação. Calcule a taxa de ganho para o conjunto de dados D, particionado em n subconjuntos pela variável selecionada C, definida pela Equação (2).
   (2)
3. Em C5.0, selecione o atributo com a taxa de ganho de informação mais significativa como o ponto de divisão e forme as várias ramificações com base no valor desse atributo para obter vários subconjuntos. Itere o processo de separação até que o último subconjunto contenha exatamente o mesmo tipo de dados, realizando assim a rotulagem indutiva de dados.

11. Poda DT

1. Usando o método de poda, podar os nós das folhas camada por camada. Depois que o DT for criado, recorra os conjuntos de dados para cada nó folha de acordo com o DTM treinado.
2. Calcule o MSE para conjuntos de dados com e sem folhas. Truncar nós se o MSE diminuir após o corte; caso contrário, preserve os nós.

12. Avaliação DT

1. Utilize 70% dos dados da amostra (n = 423) para treinamento e os 30% restantes (n = 184) para teste. Os indicadores para avaliar a qualidade de um modelo são exatidão, precisão e recall. A precisão é definida como a porcentagem de amostras categorizadas corretamente de todas as amostras; Precisão é quantas amostras positivas são amostras positivas reais no resultado da previsão, e recall é quantas amostras positivas são previstas corretamente nas amostras reais.

13. Análise de dados

1. Analise os resultados do estudo usando um software de análise estatística. Primeiro, analise as tendências de frequência e concentração do CSE, bem como os fatores preditores, usando análises estatísticas descritivas. Em segundo lugar, execute a análise DT usando o algoritmo C5.0, que melhora o ID3 e o C4.5, pois é executado mais rapidamente e gera efeitos preditivos mais robustos.

14. Codificação de dados

1. Usando 60% como ponto de diferenciação, rotule a amostra em dois grupos: CSE alto e CSE baixo. Para os preditores, PR, IB, ASE e PSSM foram convertidos em variáveis binárias de acordo com princípios específicos (Tabela 1).

Results

Estatística descritiva
Este estudo analisou estatísticas descritivas para variáveis contínuas e sequenciais (Tabela 2). Cada variável é codificada com base no princípio de que valores superiores a 60% da escala completa indicam um desempenho acima da média. Notavelmente, os estudantes universitários parecem ter CSE acima da média, com um valor médio de 3,66 e um desvio padrão de 0,80, que excede 60% da escala total. Isso propõe que a maioria dos estudantes universitários tem alto CSE....

Discussion

Usando DT-C5.0, este estudo construiu um modelo preditivo de quatro fatores de CSE de estudantes universitários para explorar o papel desses fatores. Todas as conclusões tiradas no estudo foram baseadas na literatura e em análises de dados relevantes.

A eficácia do DTM em predizer os níveis de EFC foi verificada nos resultados da avaliação. A exatidão, precisão e recall do modelo excederam o critério de 75%. O modelo tem um valor de Área Sob a Curva (...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
HDD de 2 TB	Segante	6G SATA 7.2k 3.5"(LFF)	armazenamento
8 GB de RAM	Tecnologia Kingston	4Rx4 DDR4 LRDIMM 2666 MT/s.	armazenamento
Intel Core i5	Intel	Intel Core i7	processador
NVIDIA GeForce RTX 4060 Ti	Nvidia Corporation	NA	Placa Gráfica
R		( versão 4.1.2)	Linguagem de Programação
Ferramenta de visualização de dados	SPSS	IBM	30