Предиктивный анализ творческой самоэффективности студентов колледжа на основе моделирования дерева решений

Summary

В исследовании рассматривается использование модифицированной модели дерева решений C5.0 (DTM) для прогнозирования творческой самоэффективности (CSE) среди студентов колледжей. Исследование направлено на определение эффективности DTM в прогнозировании CSE и выявление переменных, которые его прогнозируют.

Abstract

Творчество находится в центре внимания современных психологических исследований, как в стране, так и за рубежом. Самосознание человека в отношении своего творчества жизненно важно для определения его творческого потенциала, помогает ему понять свои сильные и слабые стороны, а также повышает его самокреативность. Существует мало исследований, посвященных самовосприятию студентами колледжей творчества и еще меньше исследований по использованию дерева решений (ДТ) для прогнозирования такого самовосприятия. Целью данного исследования была оценка эффективности использования модифицированной модели дерева решений C5.0 (DTM) в прогнозировании творческой самоэффективности (КСО) среди студентов колледжей и определение того, какие переменные могут служить предикторами КСО. Отвечая на эти вопросы, 607 студентов колледжей в провинции Сычуань (Китай) заполнили опросник о сильных сторонах и трудностях (SDQ), состоящий из пяти разделов: шкала психологической устойчивости, шкала академической самоэффективности, психологическое чувство принадлежности к школе, шкала инновационного поведения и шкала CSE. Описанный метод включает в себя систематическое предоставление SDQ, подсчет баллов по результатам и присвоение кодов ответам 60 студентов. С помощью подшкал SDQ была создана цифровая система под названием C5.0 для прогнозирования типов поведенческих рисков. DTM был обучен и проверен на перекрестную проверку, показав 10-кратное улучшение, а его производительность оценивалась по точности и оценке F1. Результаты пересмотренного C5.0 DTM показали, что значимыми прогностическими факторами CSE, в порядке убывания важности, являются психологическое доверие, психологическое чувство принадлежности к школе, академическая самоэффективность и инновационное поведение. Доказав эффективность DTM в прогнозировании CSE у студентов колледжей, это исследование выявило связь между базовым обучением и CSE, расширило интерпретацию CSE и обеспечило исследовательскую поддержку для повышения креативности студентов колледжа и CSE.

Introduction

Творчество рассматривается в качестве важнейшего мотиватора социально-экономического развития ряда стран и постепенно становится основным фактором общей силы нации. Тем не менее, исследования показывают, что китайские высшие учебные заведения (ВО) по-прежнему отдают приоритет теоретическим знаниям студентов, пренебрегая развитием навыков аналитического мнения, навыков самостоятельного решения проблем и инновационных навыков. Следовательно, некоторые студенты обладают сильными теоретическими знаниями, но испытывают трудности с анализом и ответом на вопрос¹. Двойное воздействие личной и социальной среды стимулирует это явление, мотивируя студентов колледжей отдавать приоритет обучению и внешней социальной конкуренции, а не эмоциональным потребностям и личностному развитию. Значительный риск возник в виде искусственного интеллекта (ИИ), от которого современное общество стало чрезмерно зависимым, вплоть до снижения индивидуального мнения и инновационных навыков. Это является результатом ограничения или регресса в личностном и социальном развитии ^2,3.

Таким образом, инновации стали горячей темой в современных отечественных и зарубежных психологических исследованиях, и многие исследования указывают на то, что творческая самоэффективность (CSE) положительно влияет на креативность. В то же время, исследования показывают, что более высокий уровень CSE среди студентов коррелирует с более позитивным взглядом на жизнь и повышением уверенности в своих навыках при решении сложных задач ^4,5. Действительно, низкий уровень креативности может негативно сказаться на всех аспектах жизни, в том числе на конкурентной проблеме в карьере. Исследования показали, что основной причиной плохого творчества является недостаток CSE. Как важная цель творчества, КСО определяется как вера человека в свою способность высказывать творческие мысли, участвовать в творческом поведении и достигать творческих результатов. В командах КСО может повысить индивидуальный творческий потенциал в обмене знаниями и совместной работе⁶. Высокий CSE также может вдохновить на новое инновационное поведение (IB) при наличии оптимистичных эмоций⁷.

В возрасте от 10 до 14 лет навыки учащихся могут привести к изменениям в их эмоциях и поведении, потому что взрослая жизнь наступает^{в возрасте 8} лет, и они больше сталкиваются со сверстниками и стрессом, который с этим связан. Поскольку было подтверждено^{, что} SDQ является надежным и психометрически обоснованным и охватывает только 25 пунктов9, он был выбран для данного исследования. В нем рассматриваются пять типов поведения — эмоции, действия в университете, уровень активности, отношения в колледже и готовность помочь — чтобы проиллюстрировать общее состояние психического здоровья студента. Согласно существующим работам ^4,5, они обнаружили, что использование SDQ в Китае более эффективно, чем использование только поведенческих задач, в выявлении раннего наличия психологических и поведенческих проблем у учащихся. Он показывает, почему исследование имеет важное значение и хорошо работает в нескольких университетских средах.

Учитывая, что студенты колледжей являются основной силой и ведущими участниками будущего общества, их CSE имеет особое значение. Исследования показали, что КСО студентов напрямую связан с положительными эмоциями и контролем направления⁸. Кроме того, CSE улучшает поведение и успеваемость учащихся во внеклассных мероприятиях⁹. Исследования также показывают, что CSE учащихся улучшает их социальные навыки и психологическую устойчивость (PR), позволяя им адаптироваться к сложным условиям¹⁰. PR студентов положительно влияет на их гибкость, способность справляться с трудностями, интеллектуальные навыки и эмоциональное торможение¹¹. Таким образом, мотивация студентов к КСО в колледже имеет жизненно важное значение для общественного и индивидуального развития.

Исследования доказывают, что КСО является искусственным из-за нескольких факторов, включая возраст, университетское образование и руководство преподавателей. Например, было обнаружено, что творческая учебная атмосфера улучшает успеваемость учащихся, уверенность в себе, адаптивность, способность решать проблемы, навыки межличностного общения и процент посещаемости⁹. Несмотря на то, что в вышеупомянутых исследованиях были выявлены факторы, манипулирующие КСО, прогностическая роль ментального восприятия членов университета и академической самоэффективности (АСЭ) в отношении КСО не получила^{достаточного научного внимания}. Кроме того, существующие исследования в основном сосредоточены на студентах средних и высших учебных заведений, с ограниченным изучением КСО среди студентов университетов. Модель дерева принятия решений (DTM) — это эффективный алгоритм интеллектуального анализа данных в машинном обучении (ML)¹². В ней анализируются сложные процедуры принятия решений как более простые решения для объяснения 13,14,15. Используя DTM, исследователи успешно предсказали элементы, которые влияют на успех или неудачу производственных инноваций в Китае, а также процент ответов на опрос об удовлетворенности, отношении^{и лояльности} пользователей. Данное исследование направлено на оценку эффективности использования DTM в прогнозировании CSE среди студентов колледжей и выявление переменных, которые предсказывают CSE.

В этом исследовании используется модель дерева решений (DTM) для прогнозирования ключевых факторов, влияющих на творческую самоэффективность (CSE) среди студентов колледжей. DTM выбран за его интерпретируемость, способность работать со смешанными типами данных и эффективность при моделировании нелинейных отношений. В отличие от моделей «черного ящика», DTM предлагает прозрачные выходные данные, основанные на правилах, что позволяет четко идентифицировать предикторные переменные. Предыдущие исследования в области образования и психологии подтверждают его полезность для анализа сложных сценариев принятия решений. Его визуальная структура помогает в практической интерпретации, что делает его подходящим для академической среды. DTM идеально подходит для исследователей, ищущих интерпретируемый и основанный на данных подход к моделированию поведенческих или психологических результатов с высокой ясностью и релевантностью.

Творческая самоэффективность
КСО – это субъективное решение человека о своей способности успешно выполнять творческую деятельность. Он представляет собой предметно-специфический индекс общей самоэффективности и является существенным влияющим фактором и психологической основой для решения индивидуальных задач и реализации творческих начинаний. Тирни и Фармер^18,19 представили прикладную модель КСО «Пигмалион», утверждая, что КСО, являясь внутренним мотиватором творческой деятельности, эффективно принимает индивидуальное творчество и в значительной степени положительно предсказывает способность человека к творческим навыкам. Кроме того, ученые подчеркивают, что CSE отражает уверенность человека в себе в поддержании творческих навыков, а также его способности в обучении и жизненных^{процессах}. Исследования показывают, что люди с более высоким чувством КСО, как правило, больше сосредотачиваются на себе, выбирая убеждения и цели, которые соответствуют их интересам и вызовам, чтобы испытать самооценку и достижения^21,22. В то время как предыдущие исследования в первую очередь подчеркивали CSE как важный компонент творческих убеждений в себе для реализации индивидуального творческого потенциала 22,23,24, это исследование определяет CSE студентов колледжа как убеждения об их умении успешно выполнять определенные изобретательские действия.

Измерение и моделирование КСО
Как правило, CSE измеряется с помощью шкал, принятых и адаптированных к ранее разработанным устройствам SDQ. Например, она была измерена путем адаптации шкалы самоэффективности Бандуры²⁵, шкалы креативности Амабиле²⁶ и шкалы Вудмана, Сойера и Гриффина²⁷. Тематические исследования, наблюдения и интервью также были использованы для выявления КСО в повседневном поведении людей в определенных группах. Тем не менее, значительная часть исследования по КСО была сосредоточена на предприятиях и их сотрудниках. Применение гипотетических идей этих исследований к другим когортам ограничено. Исследование показало, что поддержка учителей и метод создания позитивной атмосферы в классе являются неотъемлемой частью повышения КСО среди учащихся²⁸.

Роль учителя заключается в передаче знаний, процессе, который по своей сути связан с творчеством. В нем сделан вывод о том, что увеличение КСО способствует более глубокому вовлечению людей в творческие навыки, что приводит к повышению творческой производительности^29,30. Что касается возраста, то среди студентов высших учебных заведений были обнаружены значительные гендерные различия в КСО, в то время как КСО взрослых предметов был значительно выше, чем у более старших предметов. Это говорит о том, что влияние возраста не является постоянным. Теория творческой Я-концепции формирует понимание КСО, которое включает в себя оценку и осознание своей производительности в творческих навыках, разделенных на КСО и творческую самоидентификацию 31,32,33,34. Творческая Я-концепция оказывает значительное влияние на творческую мотивацию, поведение и результаты. Основываясь на этой теории, исследователи разработали структурированные модели для изучения творческой самооценки и творческих навыков в образовательной и рабочей^среде. Кроме того, в 1983 году Амабиле предложил компонентную модель творческого поведения, определив творческие способности, мотивацию и творческую среду в качестве трех необходимых условий творческого поведения.

Методы предиктивного анализа для КСО
В случае CSE основными методами прогностического анализа являются регрессионный анализ, конфирматорный факторный анализ (CFA), анализ главных компонент (PCA) и метаанализ. Используя моделирование структурными уравнениями и CFA, Тирни и Фармер обнаружили, что творческие навыки, мотивация и окружающая среда предсказывают творческие навыки людей и CSE. В работе с использованием PCA было продемонстрировано, что CSE и творческая самоидентификация составляют 2-D творческой Я-концепции, влияя на творческую мотивацию. Исследователи, применившие множественное регрессионное моделирование, предположили, что творческие навыки, цели, эмоции и убеждения являются жизненно важными предикторами CSE³⁶.

Предикторы КСО
В рамках существующих академических работ несколько исследований были сосредоточены на CSE у студентов колледжей или использовались DTM для прогнозирования CSE^37,38. Таким образом, данное исследование направлено на изучение применения DTM для прогнозирования CSE у студентов колледжа. Для достижения этой цели исследование началось с выявления предикторов КСО в литературе (рис. 1).

Во-первых, это исследование предлагает перцептивное поведение и поведение окружающей среды в качестве предикторных факторов КСО. Теория запланированного поведения утверждает, что субъективные нормы, установки и воспринимаемый контроль поведения влияют на поведенческие намерения. Воспринимаемый поведенческий контроль, определяемый совместно контрольными мнениями и воспринимаемыми факторами помощи, относится к степени, в которой человек воспринимает, что он контролирует свое поведение; это означает, что выполнение IB может усилить чувство контроля над творчеством, которое является результатом ощущения CSE³⁷. Исследование показало, что креативность является предиктором КСО. CSE – это уверенность в себе, которую человек имеет в своей способности развивать творческие навыки, участвовать в творческом поведении и достигать творческих результатов. Эти исследования также продемонстрировали положительную связь между психологическим чувством принадлежности к школе (PSSM) и CSE³⁸. Таким образом, КСО может быть принята различными факторами в университетской среде для развития творческих способностей студентов³⁹. С точки зрения перцептивных факторов, данное исследование предлагает PR и ASE в качестве предикторов CSE. Исследования показали, что PR — это способность человека сохранять стабильные эмоциональные и поведенческие реакции при столкновении со стрессом, неудачами и невзгодами и быстро возвращаться к нормальному состоянию. Соответственно, PR значимо и положительно связан с эмоциональной креативностью, CSE и общей^{самоэффективностью}. Наконец, было продемонстрировано, что КСО может быть предсказана АСЭ, на которую влияют решения и убеждения человека о своей способности выполнять академические задачи^41,42. Таким образом, в этом исследовании предлагаются четыре предиктора CSE: PR, ASE, PSSM и IB.

Protocol

Исследование было протестировано в Чэндуском педагогическом университете, провинция Сычуань, Китай, с более чем 17 000 студентов. Ресурсы SDQ и план опроса были одобрены Комитетом по этике Педагогического университета Чэнду, провинция Сычуань, 611130, Китай. Университет проводил свой опрос с 10 по 13 сентября 2023 года. Добровольное участие обеспечивалось путем получения осознанного согласия

1. Зачисление участников

1. Выберите государственный университет с помощью метода случайной выборки с учетом класса. Используйте следующие критерии: (i) образование для всех следует одному и тому же плану и тестирует учащихся по одному и тому же методу; (ii) преподавание ведется на том же языке (китайском); и (iii) каждый университет имеет оптимальное количество студентов на каждого преподавателя. Здесь был выбран педагогический университет Чэнду, провинция Сычуань, Китай.
2. Отбирайте студентов в возрасте от 18 до 21 года, так как они понимают свои действия яснее, чем когда-либо прежде.
3. Перед разработкой инструмента SDQ проведите исследовательские фокусные интервью с 5 студентами, которые согласились участвовать в выявлении вероятных прогностических корреляций между CSE и рекомендованными предикторами. Затем используйте удобную выборку, чтобы привлечь желающих студентов.
4. Выберите всех верифицированных учеников. В общей сложности 607 студентов проверили все SDQ и подтвердили их действительность после тщательной проверки. Демографические данные респондентов показали, что соотношение мужчин и женщин составляет от 25,5% до 74,5%. Что касается места жительства, то 71,4% участников были из сельской местности, а 28,6% - из городских районов. Все студенты получали гуманитарное образование в соответствии со стандартизированной учебной программой. Большинство участников принадлежали к домохозяйствам с низким и средним уровнем дохода, что отражает более широкий социально-экономический состав учащихся государственных университетов в регионе.
   ПРИМЕЧАНИЕ: Как правило, студенты, поступающие в высшие учебные заведения в Китае, склоняются к гуманитарным наукам на вступительных экзаменах в колледж. Поскольку студентки в целом проявляют больший интерес к творческой деятельности, чем их сверстники мужского пола, в этих вузах в целом наблюдается более высокий процент студенток, что объясняет значительное преобладание женщин в выборке.
5. Группируйте участников по полу и классу, чтобы обеспечить равенство модели. Это повышает применимость результатов к большинству государственных университетов в Чэнду, которые имеют схожее социально-демографическое население.

2. Контрольно-измерительные приборы

ПРИМЕЧАНИЕ: В этом исследовании использовалась SDQ, состоящая из 6 разделов, содержащих 52 пункта, охватывающих демографическую информацию, шкалу CSE, шкалу психологической устойчивости, шкалу психологического ощущения членства в школе, шкалу академической самоэффективности и шкалу творческого поведения. Демографические данные включают пол, возраст, а также то, является ли человек городским или сельским жителем. Английские версии шкал переведены на китайский язык.

1. Применение метода обратного перевода⁴³. Внесите исправления и оптимизации перед окончательной доработкой SDQ и замените исходную шкалу оценки на 5-балльную шкалу, чтобы сохранить надежность и обеспечить неоднородность с другими шкалами, тем самым обеспечивая эквивалентность шкалы.
2. Измерьте все пункты гипотезы по 5-балльной шкале от 1 = Категорически не согласен до 5 = Полностью согласен.

3. Академическая самоэффективность

1. Используйте Шкалу академической самоэффективности колледжа (CASES), которая была⁴⁴ , специально разработанную для оценки самоэффективности среди студентов Нормального университета Чэнду, проходящих академическую подготовку. CASES состоит из девяти пунктов (например, «Я хотел бы сделать лучше, чем другие студенты; Я уверен, что могу понять, чему обучает учитель; Я хочу хорошо учиться в классе). Коэффициент надежности для этой шкалы составляет 0,897.

4. Масштаб инновационного поведения

1. Чтобы измерить IB, используйте шкалу инновационного поведения⁴⁵. Поддерживайте 3-D шкалы следующим образом: возрастная группа инновационных навыков (например, «Когда я в беде, я часто получаю инновационные навыки»), продвижение инновационных навыков (например, «Я буду искать управленческую поддержку для инновационных навыков») и применение инновационных навыков (например, «Я превращу инновационный навык в возможное обучение»). Коэффициент надежности для этой шкалы составляет 0,917.

5. Психологическое восприятие шкалы членства в школе

1. Используйте PSSM для оценки чувства принадлежности студентов к университету с точки зрения их эмоционального состояния, реакций, подтверждения идентичности, привязанности и поведенческого отношения.
2. Разработанная Goodenow⁴⁶, она содержит 18 проектов и в целом переведена на различные языки, включая испанский и китайский. Используйте китайскую версию PSSM с 18 пунктами (например, я чувствую, что принадлежу к этому университету; Студенты серьезно относятся к моему мнению)⁴⁷. Коэффициент надежности для этой шкалы составляет 0,853.

6. Шкала психологической устойчивости

1. Используйте 10 объектов шкалы устойчивости Коннора-Дэвидсона (CD-RISC-10) для измерения PR⁴⁸. Первоначально, имея 25 объектов, Campbell-Sills и Stein⁴⁹ улучшили PR Scale до 10 объектов в общей сложности в более короткой версии.
2. Используйте весы, чтобы измерить чувства, реакции и дружелюбие человека по отношению к своему умению исцеляться от негативных навыков и гибко адаптироваться к переменчивым внешним факторам. Она включает в себя 5D, а именно: способность к взаимодействию: умение общаться (например, я могу быть гибким и адаптироваться к происходящим изменениям), терпимость к негативным аффектам (например, я могу справляться с проблемами с помощью юмора), принятие перемен (например, я становлюсь сильнее благодаря навыкам), контроль (например, я могу справляться с расстроенными эмоциями, такими как гнев) и психическое воздействие (например, я могу сосредоточиться на своем мыслительном процессе, когда нахожусь под ^{давлением).} Коэффициент надежности для этой шкалы составляет 0,938.

7. Масштаб КСО

1. Используйте шкалу CSE для измерения CSE, оцените, насколько человек верит в то, что он может развить творческие навыки⁵⁰. Сформируйте шкалу в три объекта для опроса китайских студентов. Коэффициент надежности для этой шкалы составляет 0,860.

8. Сбор данных

1. Данное исследование SQD было направлено на выявление прогностических факторов КСО у студентов вузов. Используйте SDQ для измерения уровня CSE у студентов колледжа вместе с четырьмя предикторами⁵¹.
2. В этот период директор школы призвал учащихся добровольно заполнять SDQ, чтобы отображать QR-код в конце каждого учебного дня. Сообщите участникам, что они могут получить доступ к SDQ, отсканировав QR-код, ответив на вопросы и нажав кнопку «Отправить».
3. Важно, чтобы перед тем, как ученики отсканируют QR-код, попросите директора объяснить ученикам и родителям цель исследования. Обеспечьте добровольное участие, получив информированное согласие.
4. Администрируйте SDQ для целевой группы учащихся. Убедитесь, что каждый участник отвечает на все обязательные объекты. Проверяйте полноту и последовательность ответов.
5. Определите основные конструкции, такие как ASE, родительская устойчивость (PR) и CSE. Кодируйте ответы, используя 5-балльную шкалу Лайкерта в диапазоне от 1 до 5. Назначайте участникам высокие или низкие типы с использованием порогового значения 60 % или более от максимального балла по шкале.
6. Разделите набор данных на обучающее и тестовое подмножества. Используйте 70% данных (n=423) для обучения модели. Оставшиеся 30% (n=184) выделите для целей тестирования.
7. Примените дерево классификации и регрессии (CART) для поиска значимых предикторов. Используйте примесь Джини для определения разбиения узлов. Продолжайте расщепление до тех пор, пока не будет достигнуто минимальное количество ящиков или нулевое количество примесей.
8. Оценка узлов для отсечения с помощью средней квадратичной ошибки (MSE). Усекайте узел, если обрезка уменьшает MSE. Сохраните узел, если MSE увеличивается после обрезки.
9. Используйте тестовый набор данных для проверки DTM. Вычисляйте метрики производительности, такие как точность, чувствительность и специфичность. Анализируйте неправильно классифицированные случаи, чтобы найти слабые места DTM.
10. Выполните корреляционный анализ продукта и момента Пирсона для изучения взаимоотношений между переменными. Интерпретируйте силу и направление корреляций на основе значений коэффициента корреляции.
11. Используйте правила дерева принятия решений, чтобы определить, как PR и ASE прогнозируют уровни CSE. Количественно оцените вклад каждой переменной в результаты классификации.
12. Расширьте набор функций, если точность модели падает ниже желаемого порогового значения. Повторно обучите модель с помощью дополнительных переменных или большего размера выборки для повышения ее точности.
13. Проверьте обобщаемость модели, используя данные из разных регионов или учреждений. Повторите протокол исследования для проверки результатов на независимых выборках.
14. Каждое введение SDQ занимало ~25 минут. Используйте контроль окружающей среды, чтобы обеспечить уровень окружающего шума <45 дБ и температуру 26-28 °C.
15. Обучите одного фасилитатора на каждые 15 учащихся в течение 2 часов брифинга по SDQ⁵². С помощью стандартных рабочих сценариев фасилитаторам удалось снизить влияние собственного мнения на результаты⁵³. Попросите помощника прочитать все инструкции в точности так, как написано, избегайте уточнения больше, чем необходимо, и не пытайтесь объяснить тестовые вопросы. Фасилитаторы помогли устранить влияние интервьюеров и обеспечили, чтобы данные поступали только из оценок студентов⁵⁴.
    ПРИМЕЧАНИЕ: Эти дополнения устраняют вариативность в реализации и улучшают кросс-контекстуальную воспроизводимость. Поскольку у большинства студентов не было личных устройств и только часть университетов имела работающий Wi-Fi⁵⁵, администрирование на бумаге было лучшим решением. Более того, научные исследования не показали заметных различий в психометрических результатах между цифровым и бумажным форматами SDQ среди лиц с более низким уровнем грамотности⁵⁶. В предстоящих исследованиях было бы полезно изучить, как происходит цифровизация в частных университетах с сильными ресурсами⁵⁷. Поскольку в этом заключении не было выполнено никакого кодирования, надежность между оценщиками не могла быть определена.

9. Анализ данных

1. Использование метода интеллектуального анализа данных для анализа данных обследования⁵⁸. Интеллектуальный анализ данных может выявить закономерности CSE учащихся и выделить три типа учащихся: интегративные, целеустремленные и выборочные. В этом исследовании был выбран DTM, поскольку он широко используется для прогнозирования академической успеваемости и учебного поведения учащихся и может генерировать легко понятные правила⁵⁹.
   ПРИМЕЧАНИЕ: В частности, дерево принятия решений (DT) строит правила классификации на основе обучающих выборок и создает простой для понимания нисходящий граф, состоящий из корневого узла, нескольких внутренних узлов и нескольких конечных узлов. Как корневые, так и внутренние узлы представляют соответствующие условия тестирования (т.е. меры классификации)⁶⁰, в то время как листовые узлы представляют конечный результат. Правила могут быть выведены на основе модели дерева, сформированной каждым узлом. Кроме того, DT демонстрирует хорошую толерантность к мультиколлинеарности и может обрабатывать сложные корреляции между предикторами. Кроме того, определенный DT используется, когда предикторные переменные являются категориальными, в то время как регрессионный DT подходит для непрерывных предикторных переменных⁶⁰.
2. Чтобы определить, является ли CSE у учащихся высоким или низким, создайте прогностическую модель с использованием определенного DT и проанализируйте значимость каждого фактора в прогнозировании CSE.

10. Строительство ДТ

1. Определение порогов разбиения и оптимальных переменных ветвления для ДТ на основе скорости уменьшения информационной энтропии, которая указывает на степень примеси набора данных и определяется как уравнение (1).
   (1)
   где D — размер выборки обучающего набора данных, m, P_k — отношение шансов для каждого типа.
2. Коэффициент прироста информации измеряет дисперсию информационной энтропии набора данных при многих методах классификации. Вычислите коэффициент усиления для набора данных D, разделенный на n подмножеств по выбранной переменной C, определенной уравнением (2).
   (2)
3. В C5.0 выберите атрибут с наиболее значимым коэффициентом усиления информации в качестве точки разделения и сформируйте несколько ветвей на основе значения этого атрибута для получения нескольких подмножеств. Повторяйте процесс разделения до тех пор, пока последнее подмножество не будет содержать точно такой же тип данных, тем самым реализуя индуктивную маркировку данных.

11. Обрезка DT

1. Используя метод обрезки, обрезайте листовые узлы слой за слоем. После создания DTM рекурсивно передайте наборы данных каждому конечному узлу в соответствии с обученным DTM.
2. Вычисление MSE для листовых и безлистных наборов данных. Усекайте узлы, если MSE уменьшается после обрезки; В противном случае сохраните узлы.

12. Оценка DT

1. Используйте 70% данных образца (n=423) для обучения, а оставшиеся 30% (n=184) для тестирования. Показателями для оценки качества модели являются точность, прецизионность и полнота памяти. Точность определяется как процент правильно классифицированных образцов от всех образцов; Точность — это количество положительных выборок в реальных положительных выборках в результате прогнозирования, а полнота — сколько положительных выборок правильно предсказано в реальных выборках.

13. Анализ данных

1. Проанализируйте результаты исследования с помощью программного обеспечения для статистического анализа. Во-первых, проанализируйте тренды частоты и концентрации CSE, а также прогностические факторы с помощью описательного статистического анализа. Во-вторых, выполняйте DT-анализ с использованием алгоритма C5.0, который улучшает ID3 и C4.5, поскольку работает быстрее и генерирует более надежные прогностические эффекты.

14. Кодирование данных

1. Используя 60% в качестве точки дифференцировки, разметьте выборку на две группы: с высоким CSE и с низким CSE. Для предикторов PR, IB, ASE и PSSM были преобразованы в двоичные переменные в соответствии с определенными принципами (Таблица 1).

Results

Описательная статистика
В этом исследовании анализировалась описательная статистика для непрерывных и последовательных переменных (табл. 2). Каждая переменная кодируется по принципу, согласно которому значения, превышающие 60% от полной шкалы, указывают на производительность выше средней. Примечательно, что студенты колледжей имеют CSE выше среднего, со средним значением 3,66 и стандартным отклонением 0,80, что превышает 60% от полной шкалы. Это говорит о том, что большинство студенто...

Discussion

Используя DT-C5.0, в этом исследовании была построена четырехфакторная прогностическая модель CSE студентов колледжа для изучения роли этих факторов. Все выводы, сделанные в исследовании, были основаны на литературе и соответствующем анализе данных.

По результатам оценки была проверена эффективность ЦТМ в прогнозировании уровней КСО. Точность, прецизионность и полнота модели превысили критерий 75 %. Модель имеет значение площади под кривой (AUC) 0,762...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
2 ТБ HDD	Segante	6G SATA 7.2k 3.5"(большой типоразмер)	хранение
8 ГБ ОЗУ	Kingston Technology	4Rx4 DDR4 LRDIMM 2666 МТ/с.	хранение
Intel Core i5	Intel	Intel Core i7	процессор
NVIDIA GeForce RTX 4060 Ti	Видеокарта Nvidia Corporation	NA
R		( Версия 4.1.2)	Язык программирования
Инструмент визуализации данных	SPSS	IBM	30