Üniversite Öğrencilerinin Yaratıcı Öz Yeterliklerinin Karar Ağacı Modellemesine Dayalı Tahmine Dayalı Analizi

Summary

Çalışma, üniversite öğrencileri arasında yaratıcı öz-yeterliliği (CSE) tahmin etmek için değiştirilmiş bir C5.0 karar ağacı modelinin (DTM) kullanımını incelemektedir. Araştırma, DTM'nin CSE'yi öngörmedeki etkinliğini belirlemeyi ve bunu yordayan değişkenleri belirlemeyi amaçlamaktadır.

Abstract

Yaratıcılık, yurt içinde ve yurt dışında güncel psikolojik araştırmalarda bir odak noktasıdır. Bireyin yaratıcılığına ilişkin öz farkındalığı, yaratıcı potansiyellerini belirlemek, güçlü ve zayıf yönlerini anlamalarına yardımcı olmak ve öz yaratıcılıklarını geliştirmek için hayati önem taşır. Üniversite öğrencilerinin yaratıcılık algısı üzerine çok az çalışma var ve bu tür bir benlik algısını tahmin etmek için karar ağacını (DT) kullanma konusunda daha da az çalışma var. Bu çalışma, üniversite öğrencileri arasında yaratıcı öz-yeterliliği (CSE) tahmin etmede değiştirilmiş bir C5.0 karar ağacı modeli (DTM) kullanmanın etkinliğini değerlendirmeyi ve hangi değişkenlerin CSE'nin yordayıcıları olarak hizmet edebileceğini belirlemeyi amaçladı. Bu sorulara yanıt olarak, Çin'in Sichuan Eyaletindeki 607 üniversite öğrencisi, beş bölümden oluşan bir Güçlü Yönler ve Zorluklar Anketi (SDQ) doldurdu: psikolojik dayanıklılık ölçeği, akademik öz-yeterlik ölçeği, psikolojik okul üyeliği duygusu, yenilikçi davranış ölçeği ve CSE ölçeği. Açıklanan yöntem, SDQ'nun sistematik olarak sağlanmasını, sonuçların puanlanmasını ve 60 öğrencinin cevaplarına kodların atanmasını içerir. SDQ alt ölçekleri kullanılarak, davranışsal risk türlerini tahmin etmek için C5.0 adlı bir DTM oluşturulmuştur. DTM, 10 kat iyileşme göstererek eğitildi ve çapraz doğrulandı ve performansı doğruluk ve F1 puanı ile değerlendirildi. Gözden geçirilmiş C5.0 DTM'nin sonuçları, CSE'nin anlamlı yordayıcı faktörlerinin, azalan önem sırasına göre, psikolojik güven, psikolojik okul üyeliği duygusu, akademik öz-yeterlik ve yenilikçi davranış olduğunu ortaya koymuştur. Bu araştırma, DTM'nin üniversite öğrencilerinin CSE'sini tahmin etmedeki etkinliğini kanıtlayarak, temel öğrenme ve CSE arasındaki bağlantıyı geliştirdi, CSE'nin yorumlanmasını artırdı ve üniversite öğrencilerinin yaratıcılığını ve CSE'sini geliştirmek için araştırma desteği sağladı.

Introduction

Yaratıcılık, birçok ülkenin sosyo-ekonomik kalkınması için temel bir motivasyon kaynağı olarak kabul edilir ve giderek bir ulusun genel gücünde birincil faktör haline gelmiştir. Bununla birlikte, araştırmalar, Çin Yüksek Öğretim (HE) kurumlarının hala öğrencilerin teorik bilgilerine öncelik verdiğini, analitik görüş becerilerinin, özerk problem çözme becerilerinin ve yenilikçi becerilerin geliştirilmesini ihmal ettiğini gösteriyor. Sonuç olarak, birkaç öğrenci güçlü teorik bilgiye sahiptir, ancak¹. soruyu analiz etmek ve ele almak için mücadele eder. Kişisel ve sosyal çevrelerin ikili etkileri bu fenomeni yönlendirir ve üniversite öğrencilerini duygusal ihtiyaçları ve kişisel gelişimleri yerine öğrenmeye ve dış sosyal rekabete öncelik vermeye motive eder. Modern toplumun aşırı bağımlı hale geldiği Yapay Zeka (AI) biçiminde, bireysel görüş ve yenilikçi becerilerin azalması noktasına kadar önemli bir risk ortaya çıkmıştır. Bu, kişisel ve sosyal gelişimdeki bir sınırlama veya gerilemenin sonucudur ^2,3.

Bu nedenle, inovasyon, mevcut yerli ve yabancı psikolojik araştırmalarda Sıcak Konu olarak ortaya çıkmıştır ve birçok çalışma, Yaratıcı Öz-Yeterlik'in (CSE) yaratıcılığı olumlu yönde etkilediğini göstermektedir. Aynı zamanda, araştırmalar, öğrenciler arasında daha yüksek CSE'nin, hayata daha olumlu bir bakış açısı ve zorlu görevlerle karşı karşıya kaldıklarında becerilerine artan güven ile ilişkili olduğunu göstermektedir ^4,5. Gerçekten de, düşük yaratıcılık seviyeleri, kişinin kariyerindeki rekabet sorunu da dahil olmak üzere yaşamın tüm özelliklerini olumsuz yönde etkileyebilir. Araştırmalar, zayıf yaratıcılığın birincil nedeninin CSE eksikliği olduğunu göstermiştir. Yaratıcılığın önemli bir amacı olarak CSE, bireyin yaratıcı düşünceler üretme, yaratıcı davranışlara katılma ve yaratıcı sonuçlar elde etme kapasitesine olan inancı olarak tanımlanır. Takımlarda, CSE bilgi paylaşımı ve işbirlikçi çabalarda bireysel yaratıcılığı artırabilir⁶. Yüksek CSE, iyimser duyguların varlığında yeni Yenilikçi Davranışa (IB) da ilham verebilir⁷.

Değişen psikolojinin önerdiği gibi, 10 ila 14 yaşları arasında, öğrencilerin becerileri duygu ve davranışlarında değişikliklere yol açabilir çünkü yetişkinlik⁸ oluyor ve daha çok akranlarıyla ve onunla birlikte gelen stresle uğraşıyorlar. SDQ'nun güvenilir ve psikometrik olarak sağlam olduğu onaylandığından ve sadece 25 maddeyi^{kapsadığından9}, bu araştırma için tercih edilmiştir. Bir öğrencinin zihinsel sağlığının genel durumunu göstermek için beş tür davranışa bakar - duygular, üniversitedeki eylemler, aktivite düzeyi, üniversitedeki ilişkiler ve yardımseverlik. Mevcut çalışmalara ^4,5 göre, Çin'de SDQ'yu kullanmanın, öğrencilerde psikolojik ve davranışsal zorlukların erken varlığını belirlemede tek başına davranışsal görevleri kullanmaktan daha etkili olduğunu buldular. Araştırmanın neden gerekli olduğunu gösterir ve çeşitli üniversite ortamlarında iyi çalışır.

Üniversite öğrencilerinin gelecekteki topluma temel güç ve önde gelen katkıda bulunanlar olduğu göz önüne alındığında, CSE'leri özel bir öneme sahiptir. Araştırmalar, öğrencilerin CSE'sinin olumlu duygular ve kontrol yönü ile doğrudan ilişkili olduğunu ortaya koymuştur⁸. Ek olarak, CSE, öğrencilerin ders dışı etkinliklerdeki davranışlarını ve performanslarını geliştirir⁹. Araştırmalar ayrıca, öğrencilerin CSE'sinin sosyal becerilerini ve Psikolojik Dayanıklılıklarını (PR) geliştirdiğini ve zorlu ortamlara uyum sağlamalarını sağladığını göstermektedir¹⁰. Öğrencilerin halkla ilişkileri, esnekliklerini, başa çıkma yeteneklerini, entelektüel becerilerini ve duygusal çekingenliklerini olumlu yönde etkiler¹¹. Bu nedenle, öğrencilerin üniversitedeki CSE'lerini motive etmek, toplumsal ve bireysel gelişim için hayati önem taşır.

Araştırmalar, yaş, üniversite geçmişi ve öğretmen rehberliği dahil olmak üzere çeşitli faktörler nedeniyle CSE'nin yapay olduğunu kanıtlıyor. Örneğin, yaratıcı bir öğrenme ortamının öğrencilerin akademik performanslarını, özgüvenlerini, uyum yeteneklerini, problem çözme yeteneklerini, kişilerarası becerilerini ve devam yüzdelerini geliştirdikleri bulunmuştur⁹. Yukarıdaki çalışmalar CSE'yi manipüle eden faktörleri tanımlamış olsa da, üniversite üyelerinin zihinsel algılarının ve Akademik Öz Yeterlik'in (ASE) CSE üzerindeki yordayıcı rolleri yeterli akademik ilgi görmemiştir¹¹. Ayrıca, mevcut çalışmalar esas olarak orta ve yüksek öğrenim öğrencilerine odaklanmıştır ve üniversite öğrencileri arasında CSE'nin sınırlı bir şekilde araştırılması söz konusudur. Karar Ağacı Modeli (DTM), Makine Öğreniminde (ML) etkili bir veri madenciliği ^{algoritmasıdır12}. ^13,14,15'i açıklamak için karmaşık karar verme prosedürlerini daha kolay çözümler olarak analiz eder. Araştırmacılar, bir DTM kullanarak, Çin'deki üretim inovasyonunun başarısını veya başarısızlığını etkileyen unsurların yanı sıra kullanıcı memnuniyeti, tutumu ve sadakati üzerine bir ankete verilen yanıt yüzdesini başarıyla tahmin ettiler^16,17. Bu araştırma, üniversite öğrencileri arasında CSE'yi yordamada DTM kullanımının etkinliğini değerlendirmeyi ve CSE'yi yordayan değişkenleri belirlemeyi amaçlamaktadır.

Bu çalışma, üniversite öğrencileri arasında Yaratıcı Öz Yeterliliği (CSE) etkileyen temel faktörleri tahmin etmek için Karar Ağacı Modelini (DTM) kullanmaktadır. DTM, yorumlanabilirliği, karışık veri türlerini işleme yeteneği ve doğrusal olmayan ilişkilerin modellenmesindeki etkinliği nedeniyle seçilmiştir. Kara kutu modellerinden farklı olarak DTM, tahmin değişkenlerinin net bir şekilde tanımlanmasını sağlayan şeffaf, kural tabanlı çıktılar sunar. Eğitim ve psikoloji alanındaki önceki araştırmalar, karmaşık karar verme senaryolarını analiz etmedeki faydasını desteklemektedir. Görsel yapısı, pratik yorumlamaya yardımcı olarak onu akademik ortamlar için uygun hale getirir. DTM, davranışsal veya psikolojik sonuçları yüksek netlik ve alaka düzeyi ile modellemek için yorumlanabilir ve veriye dayalı bir yaklaşım arayan araştırmacılar için idealdir.

Yaratıcı Öz Yeterlik
CSE, bir bireyin yaratıcı etkinlikleri başarıyla tamamlama kapasitesi hakkındaki öznel kararıdır. Alana özgü bir genel öz-yeterlik indeksini temsil eder ve bireylerin görevleri ve yaratıcı çabaların uygulanması için önemli bir etkileyen faktör ve psikolojik temeldir. Tierney ve Farmer^18,19, yaratıcı aktivitenin içsel bir motivasyon kaynağı olan CSE'nin bireysel yaratıcılığı etkili bir şekilde benimsediğini ve bireyin yaratıcı beceriler için kapasitesini önemli ölçüde pozitif olarak yordadığını iddia ederek Pygmalion CSE uygulama modelini ortaya koymuştur. Ayrıca, bilim adamları, CSE'nin bireyin yaratıcı becerilerini sürdürme konusundaki özgüveninin yanı sıra öğrenme ve yaşam süreçlerindeki yeteneklerini yansıttığını vurgulamaktadır²⁰. Araştırmalar, CSE duygusu daha yüksek olan kişilerin kendilerine daha fazla odaklanma eğiliminde olduklarını, öz değer ve başarıyı deneyimlemek için ilgi alanlarına ve zorluklarına uygun inançları ve hedefleri tercih ettiklerini göstermektedir^21,22. Önceki araştırmalar, CSE'yi öncelikle bireysel yaratıcı potansiyeli gerçekleştirmede yaratıcı öz inançların temel bir bileşeni olarak vurgulamış olsa da 22,23,24, ^bu çalışma üniversite öğrencilerinin CSE'sini belirli yaratıcı davranışları başarıyla tamamlama becerilerine ilişkin inançlar olarak tanımlamaktadır.

CSE'nin ölçümü ve modeli
CSE genellikle daha önce geliştirilmiş SDQ cihazlarından uyarlanan ve uyarlanan ölçeklerle ölçülür. Örneğin, Bandura'nın öz-yeterlik ölçeği²⁵, Amabile'nin yaratıcılık ölçeği²⁶ ve Woodman, Sawyer ve Griffin'in^{ölçeği 27} uyarlanarak ölçülmüştür. Belirli gruplardaki bireylerin günlük davranışlarında CSE'yi keşfetmek için vaka çalışmaları, gözlemler ve görüşmeler de kullanılmıştır. Bununla birlikte, CSE ile ilgili çalışmanın önemli bir kısmı işletmeler ve çalışanları üzerine odaklanmıştır. Bu araştırma çalışmalarının varsayımsal fikirlerinin diğer kohortlara uygulanması sınırlıdır. Çalışma, öğretmenlerin desteğinin ve olumlu bir sınıf ortamı yönteminin öğrenciler arasında CSE'yi artırmanın ayrılmaz bir parçası olduğunu ortaya koymuştur²⁸.

Bir öğretmenin rolü, doğası gereği yaratıcılığı içeren bir süreç olan bilgi vermeyi içerir. Artan CSE'nin, bireylerin yaratıcı becerilere daha derin katılımına katkıda bulunduğu ve daha iyi yaratıcı performansa yol açtığı sonucuna varılmıştır^29,30. Yaşla ilgili olarak, yüksek öğrenim öğrencileri arasında CSE'de cinsiyete dayalı önemli farklılıklar bulunurken, yetişkin deneklerin CSE'si yaşlı deneklerinkinden anlamlı derecede yüksekti. Bu, yaşın etkisinin tutarlı olmadığını göstermektedir. Yaratıcı benlik kavramı teorisi, kişinin yaratıcı becerilerdeki performansının değerlendirilmesini ve farkındalığını kapsayan, CSE ve yaratıcı öz kimlik 31,32,33,34 olarak kategorize edilen CSE anlayışını bilgilendirir. Yaratıcı bir benlik kavramı, yaratıcı motivasyon, davranış ve sonuçlar üzerinde önemli bir etkiye sahiptir. Bu teoriye dayanarak, araştırmacılar eğitim ve çalışma ortamlarında yaratıcı benlik kavramını ve yaratıcı becerileri incelemek için yapılandırılmış modeller geliştirmişlerdir³⁵. Ek olarak, Amabile, 1983'te yaratıcı davranış için gerekli üç koşul olarak yaratıcı yetenek, motivasyon ve yaratıcı bir ortamı tanımlayan bir yaratıcı davranış bileşeni modeli önerdi.

CSE için tahmine dayalı analiz yöntemleri
CSE söz konusu olduğunda, birincil öngörücü analiz yöntemleri regresyon analizi, Doğrulayıcı Faktör Analizi (CFA), Temel Bileşen Analizi (PCA) ve meta-analizdir. Tierney ve Farmer, yapısal eşitlik modellemesi ve CFA'yı kullanarak, yaratıcı beceri, motivasyon ve çevrenin bireylerin yaratıcı becerilerini ve CSE'yi yordadığını buldular. Çalışma, CSE ve yaratıcı öz kimliğin, yaratıcı motivasyonu etkileyen yaratıcı benlik kavramının 2 boyutlu halini oluşturduğunu göstermek için PCA'yı kullandı. Çoklu regresyon modellemesi uygulayan araştırmacılar, yaratıcı becerilerin, hedeflerin, duyguların ve inançların CSE^36'nın hayati yordayıcıları olduğunu öne sürmektedir.

CSE'nin Öngörücüleri
Mevcut akademik çalışmalar içinde, birkaç çalışma üniversite öğrencilerinin CSE'sine odaklanmış veya CSE^37,38'i tahmin etmek için DTM'yi kullanmıştır. Bu nedenle, bu araştırma, üniversite öğrencilerinin CSE'sini tahmin etmek için DTM'nin uygulamasını araştırmayı amaçlamaktadır. Bunu başarmak için, çalışma literatürdeki CSE'nin öngörücülerini belirleyerek başladı (Şekil 1).

İlk olarak, bu araştırma, CSE'nin yordayıcı faktörleri olarak algısal davranış ve çevresel davranışı önermektedir. Planlı davranış teorisi, öznel normların, tutumların ve algılanan davranışsal kontrolün davranışsal niyetleri etkilediğini varsayar. Kontrol görüşleri ve algılanan yardım faktörleri tarafından ortaklaşa belirlenen algılanan davranışsal kontrol, bir kişinin yaptığı davranışın kontrolünün kendisinde olduğunu ne ölçüde algıladığını ifade eder; bu, IB yapmanın kişinin yaratıcılık üzerindeki kontrol duygusunu artırabileceği anlamına gelir, bu da CSE³⁷ duygusundan kaynaklanır. Bir çalışma, yaratıcılığın CSE'nin bir yordayıcısı olduğunu göstermiştir. CSE, kişinin yaratıcı beceriler geliştirme, yaratıcı davranışlarda bulunma ve yaratıcı sonuçlar elde etme becerisine duyduğu özgüvendir. Bu çalışmalar aynı zamanda Psikolojik Okul Üyeliği Duygusu (PSSM) ile CSE³⁸ arasında pozitif bir bağlantı olduğunu göstermiştir. Bu nedenle, CSE, öğrencilerin yaratıcılığını teşvik etmek için üniversite ortamındaki çeşitli faktörler tarafından benimsenebilir³⁹. Algısal faktörler açısından, bu çalışma PR ve ASE'yi CSE'nin yordayıcıları olarak önermektedir. Araştırmalar, halkla ilişkilerin bir kişinin stres, aksilikler ve sıkıntılarla karşı karşıya kaldığında istikrarlı duygusal ve davranışsal tepkileri sürdürme ve hızlı bir şekilde normal bir duruma dönme yeteneği olduğunu göstermiştir. Buna göre, halkla ilişkiler duygusal yaratıcılık, CSE ve genel öz-yeterlik ile anlamlı ve pozitif bir ilişkiye sahiptir⁴⁰. Son olarak, CSE'nin, bir kişinin akademik görevleri yerine getirme yetenekleri hakkındaki kararlarından ve inançlarından etkilenen ASE tarafından tahmin edilebileceği gösterilmiştir^41,42. Özetle, bu çalışma CSE'nin dört yordayıcısı önermektedir: PR, ASE, PSSM ve IB.

Protocol

Araştırma, Çin'in SiChuan Eyaleti, Chengdu Normal Üniversitesi'nde 17.000'den fazla öğrenciyle test edildi. SDQ kaynakları ve anket tasarımı, SiChuan Eyaleti, 611130, Çin'deki Chengdu Normal Üniversitesi Etik İnceleme Komitesi tarafından onaylanmıştır. Üniversite, anketini 10-13 Eylül 2023 tarihleri arasında gerçekleştirdi. Aydınlatılmış onam alınarak gönüllü katılım sağlandı

1. Katılımcıların kaydı

1. Sınıf bilinçli rastgele örnekleme yöntemiyle bir devlet üniversitesi seçin. Aşağıdaki kriterleri kullanın: (i) herkes için eğitim aynı planı takip eder ve öğrencileri aynı yöntemle test eder; (ii) öğretimin aynı dilde (Çince) olması; ve (iii) her üniversitenin, her öğretmene en uygun sayıda öğrencisi vardır. Burada, Çin'in SiChuan eyaleti, Chengdu normal üniversitesi seçildi.
2. 18 ila 21 yaşları arasındaki öğrencileri, eylemlerini her zamankinden daha net anladıkları için seçin.
3. SDQ aracını tasarlamadan önce, CSE ile önerilen öngörücüler arasındaki olası tahmine dayalı korelasyonların belirlenmesine katılmayı kabul eden 5 öğrenciyle araştırmacı odak görüşmeleri yapın. Daha sonra, istekli öğrencilerin ilgisini çekmek için uygun örneklemeyi kullanın.
4. Tüm doğrulanmış öğrencileri seçin. Toplam 607 öğrenci tüm SDQ'ları doğruladı ve kapsamlı bir kontrolden sonra geçerliliklerini onayladı. Ankete katılanların demografik verileri, Erkek-Kadın oranının %,5 ila t,5 olduğunu gösterdi. Konut geçmişi ile ilgili olarak, katılımcıların q,4'ü kırsal alanlardan, (,6'sı kentsel ortamlardan geldi. Tüm öğrenciler standart bir müfredat çerçevesi altında liberal sanatlar eğitimi alıyorlardı. Katılımcıların çoğunluğu düşük ve orta gelirli hanelere mensuptu ve bu da bölgedeki devlet üniversitesine kayıtlı kişilerin daha geniş sosyo-ekonomik bileşimini yansıtıyordu.
   NOT: Tipik olarak, Çin'de öğretmen eğitimi yüksek öğrenimine giren öğrenciler, üniversite giriş sınavlarında liberal sanatlara yönelirler. Kız öğrenciler genellikle yaratıcı faaliyetlere erkek meslektaşlarından daha fazla ilgi gösterdiklerinden, bu üniversitelerde genellikle daha yüksek bir kız öğrenci yüzdesi vardır ve bu da örneklemdeki kadınların önemli ölçüde baskınlığını açıklamaktadır.
5. Modelin adil olduğundan emin olmak için katılımcıları cinsiyete ve sınıfa göre gruplandırın. Bu, sonuçların benzer sosyo-demografik nüfusa sahip Chengdu'daki devlet tarafından işletilen üniversitelerin çoğuna uygulanabilirliğini artırır.

2. Enstrümantasyon

NOT: Bu çalışmada demografik bilgiler, CSE Ölçeği, Psikolojik Sağlamlık Ölçeği, Psikolojik Sağlamlık Ölçeği, Psikolojik Okul Üyeliği Duygusu Ölçeği, Akademik Öz Yeterlik Ölçeği ve Yaratıcı Davranış Ölçeği konularını kapsayan 52 maddeden oluşan 6 bölümden oluşan bir TÇDE kullanılmıştır. Demografik veriler cinsiyet, yaş ve bireyin kentsel mi yoksa kırsal bir geçmişe mi sahip olduğunu içerir. Ölçeklerin İngilizce versiyonları Çince'ye çevrilmiştir.

1. Ters çeviri yöntemini uygulayın⁴³. SDQ'yu sonlandırmadan önce düzeltmeler ve optimizasyonlar uygulayın ve diğer ölçeklerle heterojenliği sağlarken güvenilirliği korumak için orijinal puanlama ölçeğini 5 puanlık bir ölçekle değiştirin, böylece ölçek eşdeğerliğini sağlayın.
2. Tüm hipotez öğelerini 5 puanlık bir ölçekte 1=Kesinlikle Katılmıyorum'dan 5=Kesinlikle Katılıyorum'a kadar ölçün.

3. Akademik öz-yeterlik

1. Chengdu normal üniversitesinin akademik eğitimdeki öğrencileri arasındaki öz yeterliliği değerlendirmek için özel olarak tasarlanmış⁴⁴ olan Kolej Akademik Öz Yeterlik Ölçeği'ni (CASES) kullanın. CASES dokuz nesneden oluşur (örneğin, diğer öğrencilerden daha iyisini yapmak isterim; Öğretmenin ne eğittiğini anlayabileceğimden eminim; Sınıfta başarılı olmak istiyorum). Bu ölçeğin güvenirlik katsayısı 0.897'dir.

4. Yenilikçi davranış ölçeği

1. IB'yi ölçmek için Yenilikçi Davranış Ölçeği^45'i kullanın. Ölçeğin 3-D'sini şu şekilde koruyun: yenilikçi becerilerin yaş grubu (örneğin, başım belada olduğunda, sık sık yenilikçi beceriler edinirim), yenilikçi becerilerin teşviki (örneğin, yenilikçi beceriler için yönetimsel destek arayacağım) ve yenilikçi becerilerin uygulanması (örneğin, yenilikçi beceriyi olası bir eğitime dönüştüreceğim). Bu ölçeğin güvenirlik katsayısı 0.917'dir.

5. Psikolojik okul üyeliği duygusu ölçeği

1. Öğrencilerin duygusal durumları, tepkileri, kimlik kanıtları, bağlanmaları ve davranışsal tutumları ile ilgili olarak bir üniversiteye ait olma duygularını değerlendirmek için PSSM'yi kullanın.
2. Goodenow⁴⁶ tarafından geliştirilen, 18 proje içeriyor ve genellikle İspanyolca ve Çince dahil olmak üzere çeşitli dillere çevrildi. PSSM'nin 18 maddeden oluşan Çince versiyonunu kullanın (örneğin, kendimi bu üniversiteye ait hissediyorum; Öğrenciler görüşlerimi ciddiye alıyor)⁴⁷. Bu ölçeğin güvenirlik katsayısı 0.853'tür.

6. Psikolojik sağlamlık ölçeği

1. PR^48'i ölçmek için Connor-Davidson Dayanıklılık Ölçeği'nin (CD-RISC-10) 10 nesnesini kullanın. Başlangıçta, 25 nesneyle, Campbell-Sills ve Stein⁴⁹ , PR Ölçeğini daha kısa bir versiyonda genel olarak 10 nesneye geliştirdi.
2. Ölçeği, bir bireyin olumsuz becerilerden kurtulma ve değişken dış faktörlere esnek bir şekilde uyum sağlama becerileriyle ilgili duygularını, tepkilerini ve samimiyetini ölçmek için kullanın. 5D'den oluşur, yani ilişki kurma yeteneği (örneğin, değişim meydana geldiğinde esnek olabilir ve uyum sağlayabilirim), olumsuz duygulanıma tolerans (örneğin, mizahla ilgili sorunlarla başa çıkabilirim), değişimi kabul etme (örneğin, beceri sayesinde daha güçlüyüm), kontrol (örneğin, öfke gibi üzücü duygularla başa çıkabilirim) ve zihinsel etki (örneğin, baskı altındayken düşünce sürecime odaklanabilirim)⁴⁹. Bu ölçeğin güvenirlik katsayısı 0.938'dir.

7. ÖAM ölçeği

1. CSE'yi ölçmek için CSE ölçeğini kullanın, bir kişinin yaratıcı beceriler yaratabileceğine ne kadar inandığını değerlendirin⁵⁰. Çinli öğrencilerin anketi için ölçeği üç nesneye yoğunlaştırın. Bu ölçeğin güvenirlik katsayısı 0.860'tır.

8. Veri toplama

1. Bu SQD araştırması, üniversite öğrencileri arasında CSE'nin yordayıcı faktörlerini ortaya koymayı amaçlamıştır. Üniversite öğrencilerinin CSE seviyesini ölçmek için dört öngörücü ile birlikte bir SDQ kullanın⁵¹.
2. Bu süre zarfında okul müdürü, öğrencileri her üniversite gününün sonunda QR kodunu göstermek için SDQ'yu gönüllü olarak tamamlamaya teşvik etti. Katılımcılara QR kodunu tarayarak, soruları yanıtlayarak ve ardından Gönder'e tıklayarak SDQ'ya erişebileceklerini söyleyin.
3. Daha da önemlisi, öğrenciler QR kodunu taramadan önce, okul müdürüne çalışmanın amacını öğrencilere ve velilere açıklamasını söyleyin. Bilgilendirilmiş onam bularak gönüllü katılımı sağlayın.
4. SDQ'yu hedeflenen öğrenci nüfusuna uygulayın. Her katılımcının tüm zorunlu nesnelere yanıt verdiğinden emin olun. Yanıtların eksiksizliğini ve tutarlılığını doğrulayın.
5. ASE, Ebeveyn Dayanıklılığı (PR) ve CSE gibi temel yapıları tanımlayın. Yanıtları 1 ile 5 arasında değişen 5 puanlık Likert ölçeği kullanarak kodlayın. Maksimum ölçek puanının ` veya daha fazla eşiğini kullanarak katılımcıları yüksek veya düşük türlere atayın.
6. Veri kümesini eğitim ve test alt kümelerine bölün. Modeli eğitmek için verilerin p'ini (n=423) kullanın. Kalan 0'u (n=184) test amacıyla ayırın.
7. Önemli öngörücüleri bulmak için Sınıflandırma ve Regresyon Ağacı'nı (CART) uygulayın. Düğüm bölünmelerini belirlemek için Gini safsızlığını kullanın. Minimum vaka sayısına veya sıfır kirliliğe ulaşana kadar bölmeye devam edin.
8. Ortalama Kare Hatası (MSE) kullanarak budama için düğümleri değerlendirin. Budama MSE'yi azaltıyorsa bir düğümü kesin. Kırpma işleminden sonra MSE artarsa bir düğümü koruyun.
9. DTM'yi doğrulamak için test veri kümesini kullanın. Doğruluk, duyarlılık ve özgüllük gibi performans ölçümlerini hesaplayın. DTM zayıflıklarını bulmak için yanlış sınıflandırılmış durumları analiz edin.
10. Değişkenler arası ilişkileri incelemek için Pearson momentler arası korelasyon analizi yapın. Korelasyon katsayısı değerlerine dayalı olarak korelasyonların gücünü ve yönünü yorumlayın.
11. PR ve ASE'nin CSE düzeylerini nasıl tahmin ettiğini belirlemek için karar ağacı kurallarını kullanın. Her değişkenin sınıflandırma sonuçlarına katkısını ölçün.
12. Model doğruluğu istenen eşiğin altına düşerse özellik kümesini genişletin. Doğruluğunu artırmak için modeli ek değişkenlerle veya daha büyük bir örnek boyutuyla yeniden eğitin.
13. Farklı bölgelerden veya kurumlardan gelen verileri kullanarak modelin genelleştirilebilirliğini test edin. Bulguları bağımsız örneklerde doğrulamak için çalışma protokolünü tekrarlayın.
14. Her SDQ uygulaması ~ 25 dakika sürdü. Ortam gürültüsünü <45 dB ve sıcaklığı 26-28 °C'de sağlamak için bir çevresel kontrol kullanın.
15. Her 15 öğrenci için 2 saatlik bir SDQ brifing oturumu⁵² aracılığıyla bir kolaylaştırıcı eğitin. Standart işletim senaryolarının yardımıyla, kolaylaştırıcılar kendi görüşlerinin sonuçlar üzerindeki etkisini azaltabildiler⁵³. Yardımcıdan tüm talimatları tam olarak yazıldığı gibi okumasını isteyin, gerekli adımlardan fazlasını açıklamaktan kaçının ve test sorularını açıklamaya çalışmayın. Kolaylaştırıcılar, görüşmecilerin etkisini ortadan kaldırmaya yardımcı oldu ve verilerin yalnızca öğrencilerin değerlendirmelerinden gelmesini sağladı⁵⁴.
    NOT: Bu eklemeler, uygulamadaki değişkenliği ele alır ve bağlamlar arası tekrarlanabilirliği geliştirir. Çoğu öğrencinin kişisel cihazları olmadığından ve üniversitelerin yalnızca bir kısmı çalışan Wi-Fi^55'e sahip olduğundan, kağıt üzerinde yönetim en iyi çözümdü. Ayrıca, araştırma çalışmaları, düşük okuryazarlık düzeyine sahip bireyler arasında SDQ dijital ve kağıt formatları arasında psikometrik sonuçlarda kayda değer bir fark göstermemiştir⁵⁶. Gelecek çalışmalarda, güçlü kaynaklara sahip vakıf üniversitelerinde dijitalleşmenin nasıl işlediğini incelemek faydalı olacaktır⁵⁷. Bu görüşe göre herhangi bir kodlama yapılmadığı için değerlendiriciler arası güvenirlik tespit edilememiştir.

9. Veri analizi

1. Anket verilerini analiz etmek için bir veri madenciliği yöntemi kullanın⁵⁸. Veri madenciliği, öğrenci ÖAM kalıplarını ortaya çıkarabilir ve üç tür öğrenci bulabilir: bütünleştirici, hedef odaklı ve örnekleme. Bu çalışma, öğrencilerin akademik performanslarını ve öğrenme davranışlarını tahmin etmek için yaygın olarak kullanıldığı ve kolay anlaşılır kurallar üretebildiği için DTM'yi tercih etmiştir⁵⁹.
   NOT: Özellikle, bir Karar Ağacı (DT), eğitim örneklerinden sınıflandırma kuralları oluşturur ve bir kök düğüm, birkaç dahili düğüm ve birden çok yaprak düğümden oluşan, anlaşılması kolay bir yukarıdan aşağıya grafik oluşturur. Hem kök hem de iç düğümler karşılık gelen test koşullarını (yani sınıflandırma önlemleri)⁶⁰ temsil ederken, yaprak düğümler nihai çıktıyı temsil eder. Kurallar, her düğüm tarafından oluşturulan ağaç modeline dayalı olarak çıkarılabilir. Ayrıca, DT çoklu doğrusallık için iyi bir tolerans kanıtlar ve öngörücüler arasındaki karmaşık korelasyonları idare edebilir. Ek olarak, tahmin değişkenleri kategorik olduğunda kesin DT kullanılırken, regresyon DT sürekli tahmin değişkenleri⁶⁰ için uygundur.
2. Öğrencilerin ÖAM'sinin yüksek mi yoksa düşük mü olduğunu belirlemek için, belirli bir DT kullanarak tahmine dayalı bir model oluşturun ve ÖAM'yi tahmin etmede her bir faktörün önemini analiz edin.

10. DT yapımı

1. Veri setinin safsızlık derecesini gösteren ve Denklem (1) olarak tanımlanan bilgi entropisinin azalma oranına dayalı olarak DT için bölme eşiklerini ve optimal dallanma değişkenlerini belirleyin.
   (1)
   burada D, eğitim veri kümesinin örneklem boyutudur, m, P_k her tür için olasılık oranıdır.
2. Bilgi kazanım oranı, birçok sınıflandırma yöntemi altında veri kümesinin bilgi entropisindeki varyansı ölçer. Denklem (2) ile tanımlanan seçili C değişkeni tarafından n alt kümeye bölünmüş D veri kümesi için kazanç oranını hesaplayın.
   (2)
3. C5.0'da, bölme noktası olarak en önemli bilgi kazanç oranına sahip özniteliği seçin ve birden çok alt küme elde etmek için bu özniteliğin değerine göre birden çok dal oluşturun. Son alt küme yalnızca aynı türde veri içerene kadar ayırma işlemini yineleyin, böylece verilerin tümevarımsal etiketlemesini gerçekleştirin.

11. DT budama

1. Budama yöntemini kullanarak yaprak düğümlerini katman katman budayın. DT oluşturulduktan sonra, veri kümelerini eğitilen DTM'ye göre her yaprak düğüme özdeşleştirin.
2. Yapraklı ve yapraksız veri kümeleri için MSE'yi hesaplayın. Kırpma işleminden sonra MSE azalırsa düğümleri kesin; Aksi takdirde, düğümleri koruyun.

12. DT değerlendirmesi

1. Örnek verilerin p'ini (n=423) eğitim için ve kalan 0'unu (n=184) test için kullanın. Bir modelin kalitesini değerlendirmek için göstergeler doğruluk, kesinlik ve hatırlamadır. Doğruluk, tüm numuneler arasında doğru şekilde kategorize edilmiş numunelerin yüzdesi olarak tanımlanır; Kesinlik, tahmin sonucunda kaç pozitif numunenin gerçek pozitif numune olduğudur ve geri çağırma, gerçek numunelerde kaç pozitif numunenin doğru bir şekilde tahmin edildiğidir.

13. Veri analizi

1. İstatistiksel bir analiz yazılımı kullanarak çalışma sonuçlarını analiz edin. İlk olarak, tanımlayıcı istatistiksel analizler kullanarak CSE'nin frekans ve konsantrasyon eğilimlerinin yanı sıra öngörücü faktörleri analiz edin. İkinci olarak, daha hızlı çalıştığı ve daha sağlam tahmine dayalı etkiler oluşturduğu için ID3 ve C4.5'i geliştiren C5.0 algoritmasını kullanarak DT analizi yapın.

14. Veri kodlama

1. Ayırt etme noktası olarak `'ı kullanarak numuneyi iki gruba ayırın: yüksek CSE ve düşük CSE. Yordayıcılar için PR, IB, ASE ve PSSM belirli ilkelere göre ikili değişkenlere dönüştürülmüştür (Tablo 1).

Results

Tanımlayıcı istatistikler
Bu çalışmada sürekli ve ardışık değişkenler için tanımlayıcı istatistikler analiz edilmiştir (Tablo 2). Her değişken, tam ölçeğin `'ını aşan değerlerin ortalamanın üzerinde bir performansa işaret ettiği ilkesine dayalı olarak kodlanmıştır. Özellikle, üniversite öğrencilerinin ortalama değeri 3.66 ve standart sapma 0.80 olan ve tam ölçeğin `'ını aşan ortalamanın üzerinde CSE'ye sahip oldukları görülmektedir. Bu, çoğu üniversite öğrencisinin yüksek CSE'ye sahip...

Discussion

DT-C5.0'ı kullanan bu çalışma, bu faktörlerin rolünü araştırmak için üniversite öğrencilerinin CSE'sinin dört faktörlü bir tahmin modelini oluşturmuştur. Çalışmada çıkarılan tüm sonuçlar literatüre ve ilgili veri analizlerine dayanmaktadır.

DTM'nin CSE seviyelerini tahmin etmedeki etkinliği değerlendirme sonuçlarında doğrulanmıştır. Modelin doğruluğu, hassasiyeti ve geri çağrılabilirliği %75 kriterini aştı. Model, 0,5'i aşan 0,762'lik bir Eğri Altında...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
2 TB HDD	Segante	6G SATA 7.2k 3.5"(LFF)	depolama
8 GB RAM	Kingston Teknolojisi	4Rx4 DDR4 LRDIMM 2666 MT/sn.	depolama
Intel Core i5	Intel	Intel Core i7	Işlemci
NVIDIA GeForce RTX 4060 Ti	Nvidia Corporation	NA	Grafik Kartı
R		( Sürüm 4.1.2)	Programlama Dili
SPSS	IBM	30	Veri Görselleştirme Aracı