方法文章

基于决策树模型的大学生创意自我效能预测分析

DOI：

10.3791/68730

⸱

2025年8月8日

 ,  ,  , 
1Faculty of Arts and Social Sciences, University of Malaya, 2Faculty of Chemistry and Life Sciences, Chengdu Normal University, 3Qingdao Art School, 4Faculty of Creative Arts, University of Malaya

本文内容

摘要

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

该研究探讨了使用改进的C5.0决策树模型（DTM）来预测大学生的创造自我效能感（CSE）。研究旨在确定DTM在预测CSE方面的有效性，并识别能够预测CSE的相关变量。

摘要

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

创造力是当前国内外心理学研究的焦点。个体对自身创造力的自我意识对于确定其创造潜能、帮助其认识自身优势与不足、提升自我创造力具有重要意义。关于大学生创造力自我认知的研究较少，而利用决策树（DT）预测此类自我认知的研究则更为罕见。本研究旨在评估采用改进的C5.0决策树模型（DTM）预测大学生创造性自我效能（CSE）的有效性，并识别哪些变量可作为CSE的预测因子。针对上述问题，中国四川省607名大学生填写了包含五个部分的《优势与困难问卷》（SDQ）：心理韧性量表、学业自我效能感量表、学校归属感心理量表、创新行为量表和CSE量表。该方法包括系统发放SDQ问卷、对结果进行评分，并对60名学生的答案进行编码。基于SDQ各子量表，构建了一种名为C5.0的DTM模型以预测行为风险类型。该DTM经过训练与交叉验证，实现了10折验证提升，并通过准确率和F1分数评估其性能。改进后的C5.0 DTM结果显示，对CSE具有显著预测作用的因素按重要性递减顺序依次为：心理信任、学校归属感、学业自我效能感和创新行为。本研究通过验证DTM在预测大学生CSE方面的有效性，建立了基础学习与CSE之间的联系，深化了对CSE的解释，为提升大学生创造力与CSE提供了研究支持。

引言

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

创造力被视为推动多个国家社会经济发展的关键动力，并逐渐成为一个国家综合实力的核心要素。然而，研究表明，中国的高等教育（HE）机构仍然侧重于学生的理论知识，忽视了分析性观点能力、自主解决问题能力以及创新能力的培养。因此，许多学生虽然具备扎实的理论基础，但在分析和解决问题方面存在困难1。个人与社会环境的双重影响导致了这一现象，促使大学生更重视学业和外部社会竞争，而忽略自身的情感需求与个人发展。人工智能（AI）的出现带来了新的风险，现代社会对其过度依赖，已导致个体观点表达能力和创新能力的弱化。这正是个人与社会发展受限或退化的结果2,3。

因此，创新已成为当前国内外心理学研究的热点话题，许多研究表明，创造自我效能感（CSE）对创造力具有积极影响。同时，研究指出，学生中较高的CSE水平与其更积极的生活态度以及在面对挑战性任务时对其技能更强的信心相关4,5。事实上，创造力水平低下会对生活的各个方面产生不利影响，包括在职业生涯中面临竞争性问题。研究表明，创造力不足的主要原因是缺乏CSE。作为创造力的重要心理基础，CSE被定义为个体对自己产生创造性思维、参与创造性行为并取得创造性成果能力的信念。在团队中，CSE能够通过知识共享和协作努力提升个体的创造力6。在积极情绪存在的情况下，高水平的CSE还能激发新的创新行为（IB）7。

根据发展心理学的研究建议，在10至14岁期间，由于青春期的来临8，学生的各项能力可能引发情绪和行为的变化，他们越来越多地与同龄人交往，并面临随之而来的压力。由于优势与困难问卷（SDQ）已被证实具有良好的信度和心理测量学特性，且仅包含25个条目9，因此本研究优先选用该工具。该问卷从五个方面评估学生的行为表现——情绪状况、在大学中的行为表现、活动水平、在大学中的人际关系以及助人行为——以反映学生心理健康的总体状况。根据已有研究4,5，研究者发现，在中国使用SDQ比单独使用行为任务更能有效识别学生早期存在的心理与行为问题。这表明该工具在多种大学环境中均具有良好的适用性，凸显了开展相关研究的重要性。

鉴于大学生是未来社会的核心力量和引领者，他们的计算机自我效能感（CSE）具有特别重要的意义。研究表明，学生的CSE与积极情绪和控制倾向直接相关8。此外，CSE能够改善学生在课外活动中的行为表现9。进一步研究指出，学生的CSE有助于提升其社交技能和心理韧性（PR），使其能够更好地适应具有挑战性的环境10。学生的心理韧性对其灵活性、应对能力、智力技能以及情绪抑制具有积极影响11。因此，在大学阶段激发学生的CSE，对于社会和个体的发展均至关重要。

研究表明，由于年龄、大学背景和教师指导等多种因素，创造性自我效能（CSE）具有人为性。例如，研究发现，创造性的学习氛围能够提升学生的学业表现、自信心、适应能力、问题解决能力、人际交往技能以及出勤率9。尽管上述研究已识别出影响CSE的因素，但高校成员的心理认知和学业自我效能感（ASE）对CSE的预测作用尚未得到充分的学术关注11。此外，现有研究主要集中在中学和高等教育阶段的学生，对大学生群体中CSE的探讨较为有限。决策树模型（DTM）是机器学习（ML）中一种有效的数据挖掘算法12，它能将复杂的决策过程分析为更易于解释的简单解决方案13,14,15。研究人员已成功利用DTM预测影响中国制造业创新成败的关键因素，以及用户满意度、态度和忠诚度调查的回应比例16,17。本研究旨在评估使用DTM预测大学生CSE的有效性，并识别能够预测CSE的变量。

本研究采用决策树模型（DTM）来预测影响大学生创意自我效能（CSE）的关键因素。选择DTM是因为其具有良好的可解释性，能够处理混合类型的数据，并有效建模非线性关系。与黑箱模型不同，DTM提供透明的、基于规则的输出，可清晰识别预测变量。教育与心理学领域的前期研究已证实其在分析复杂决策情境中的实用性。该模型的可视化结构有助于实际解读，适用于学术环境。对于希望以可解释且数据驱动的方式建模行为或心理结果，并实现高清晰度与相关性的研究人员而言，DTM是一种理想方法。

创造自我效能感
创造自我效能感（CSE）是指个体对自己能否成功完成创造性活动能力的主观判断。它代表了一般自我效能感在特定领域中的体现，是影响个体创造性任务执行及创造性实践的重要因素和心理基础。Tierney 和 Farmer18,19 提出了皮格马利翁CSE应用模型，认为CSE作为创造性活动的内在驱动力，能够有效促进个体创造力的发展，并显著正向预测个体创造性技能的发挥能力。此外，学者指出，CSE反映了个体在维持创造性技能方面的自信心，以及其在学习和生活过程中的能力表现20。研究表明，具有较高CSE水平的个体更倾向于关注自身发展，选择与个人兴趣和挑战相契合的信念与目标，以体验自我价值感和成就感21,22。尽管以往研究主要强调CSE作为实现个体创造潜能的重要组成部分的创造性自我信念之一22,23,24，本研究将大学生的CSE定义为个体对自己能否成功完成特定创新行为的能力所持有的信念。

CSE 的测量与模型
CSE 通常使用从先前开发的 SDQ 工具采纳并改编的量表进行测量。例如，研究通过改编班杜拉的自我效能感量表25、阿马比尔的创造力量表26，以及伍德曼、索耶和格里芬的量表27来测量 CSE。此外，也有研究采用案例研究、观察和访谈等方法，以发现特定群体中个体日常行为所体现的 CSE。然而，目前关于 CSE 的大量研究主要集中在企业及其员工。这些研究中的假设性观点在其他群体中的推广应用存在局限性。有研究指出，教师的支持以及营造积极课堂环境的方法对于提升学生的 CSE 至关重要28。

教师的角色包含传授知识，这一过程本质上涉及创造性。研究得出结论：提升的创造性自我效能（CSE）有助于个体更深入地参与创造性技能，从而带来更优的创造性表现29,30。关于年龄因素， 在高等教育学生中发现了基于性别的显著CSE差异，而成年受试者的CSE显著高于老年受试者。这表明年龄的影响并不一致。 创造性自我概念理论为理解CSE提供了依据，该理论涵盖个体对自身创造性技能表现的评估与认知，可分为创造性自我效能（CSE）和创造性自我认同31,32,33,34。创造性自我概念对创造性动机、行为及成果具有显著影响。基于该理论，研究人员已构建结构化模型，用于在教育和工作环境中研究创造性自我概念与创造性技能35。此外，Amabile于1983年提出了创造性行为的成分模型，指出创造性能力、动机和创造性环境是产生创造性行为的三个必要条件。

CSE 的预测分析方法
在 CSE 研究中，主要的预测分析方法包括回归分析、验证性因子分析（CFA）、主成分分析（PCA）以及元分析。Tierney 和 Farmer 采用结构方程模型和 CFA 发现，创造性技能、动机和环境能够预测个体的创造性技能和 CSE。该研究 使用 PCA 证明，CSE 与创造性自我认同构成了创造性自我概念的两个维度，并影响创造性动机。应用多元回归模型的研究者提出，创造性技能、目标、情绪和信念是预测 CSE 的关键因素36。

CSE的预测因素
在现有的学术研究中，已有若干研究聚焦于大学生的CSE，或利用DTM来预测CSE37,38。因此，本研究旨在探讨将DTM应用于预测大学生CSE的可行性。为实现这一目标，研究首先从文献中识别出CSE的预测因素（图1）。

首先，本研究提出感知行为和环境行为作为创造力自我效能感（CSE）的预测因素。计划行为理论认为，主观规范、态度和感知行为控制会影响行为意向。感知行为控制由控制性意见和感知辅助因素共同决定，指的是个体对自己所从事行为的掌控程度；这意味着实施创新行为（IB）可以增强个体对创造力的控制感，而这种控制感源于创造力自我效能感37。已有研究表明，创造力是创造力自我效能感的预测因子。创造力自我效能感是指个体对自己具备创造性技能、从事创造性行为并取得创造性成果的能力所持有的自信心。这些研究还表明，学校归属感的心理感知（PSSM）与创造力自我效能感之间存在正向关联38。因此，大学环境中的多种因素可能被用来促进学生的创造力自我效能感39。在感知因素方面，本研究提出心理韧性（PR）和学术自我效能感（ASE）作为创造力自我效能感的预测变量。研究表明，心理韧性是指个体在面对压力、挫折和逆境时维持稳定情绪和行为反应，并迅速恢复到正常状态的能力。因此，心理韧性与情绪创造力、创造力自我效能感以及一般自我效能感均呈显著正相关40。最后，研究证实创造力自我效能感可由学术自我效能感预测，而学术自我效能感则受到个体对其完成学术任务能力的判断和信念的影响41,42。综上所述，本研究提出创造力自我效能感的四个预测因子：心理韧性（PR）、学术自我效能感（ASE）、学校归属感的心理感知（PSSM）和创新行为（IB）。

访问受限。请登录或开始试用以查看此内容。

方案

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

研究在位于中国四川省成都市的成都师范学院进行，该校拥有超过17,000名学生。SDQ资源和调查设计已获得中国四川省成都市成都师范学院伦理审查委员会（邮编：611130）的批准。该校于2023年9月10日至13日开展了调查。通过获取知情同意确保参与的自愿性

1. 受试者入组

  1. 通过具有阶层意识的随机抽样方法选择一所公立大学。采用以下标准：(i) 全体教育遵循相同的教学计划，并以相同的方式对学生进行考核；(ii) 教学语言相同（中文）；(iii) 每所大学的师生比例处于最优水平。本研究选取了中国四川省成都市的成都师范学院。
  2. 选择年龄在18至21岁之间的学生，因为这一年龄段的学生对其行为的理解比以往更加清晰。
  3. 在设计SDQ工具之前，首先对5名同意参与的学生进行探索性焦点访谈，以识别CSE与推荐预测因子之间可能存在的预测性关联。随后，采用便利抽样方法招募自愿参与的学生。
  4. 选取所有经确认有效的学生。共有607名学生完整填写了所有SDQ问卷，并在仔细核查后确认其有效性。受访者的人口统计数据显示，男女比例为25.5%比74.5%。在居住背景方面，71.4%的参与者来自农村地区，28.6%来自城市地区。所有学生均在统一的课程框架下接受文科教育。大多数参与者来自中低收入家庭，反映了该地区公立大学学生整体的社会经济构成。
    注：通常，进入中国教师教育培训类高等教育的学生在高考中倾向于选择文科方向。由于女生通常比男生对创造性活动表现出更高的兴趣，因此这类大学中女生比例普遍较高，这也解释了本样本中女性占显著多数的现象。
  5. 按照性别和年级对参与者进行分组，以确保模型的公平性。这有助于增强研究结果对成都市大多数公立大学的适用性，因为这些高校的学生群体具有相似的社会人口学特征。

2. 仪器设备

注意：本研究采用的问卷包含6个部分，共52个条目，涵盖人口统计学信息、化学学习自我效能感量表（CSE量表）、心理韧性量表、学校归属感量表、学业自我效能感量表以及创造性行为量表。人口统计学数据包括性别、年龄以及个体是否来自城市或农村背景。各量表的英文版本均已翻译为中文。

  1. 采用反向翻译法43。在最终确定SDQ之前实施校正与优化，并将原始评分量表替换为5点量表，以在保持信度的同时确保与其他量表的异质性，从而保证量表的等效性。
  2. 所有假设条目均采用5点量表进行测量，范围从1=非常不同意到5=非常同意。

3. 学业自我效能

  1. 采用专为评估成都师范大学学生在学术培训中的自我效能感而设计的大学学术自我效能感量表（CASES）44。该量表包含九个项目（例如：我希望比其他学生做得更好；我确信能够理解教师所教授的内容；我希望在课堂上表现良好）。此量表的信度系数为0.897。

4. 创新行为量表

  1. 为测量创新行为（IB），请使用创新行为量表45。该量表包含以下三个维度：创新技能的年龄组特征（例如，当我遇到困难时，我经常能够获得创新技能）、创新技能的促进（例如，我会寻求管理层对创新技能的支持）以及创新技能的应用（例如，我会将创新技能转化为可行的培训方案）。该量表的信度系数为0.917。

5. 学校归属感心理量表

  1. 使用PSSM评估学生在情绪状态、反应、身份认同、依恋程度及行为态度方面对大学的归属感。
  2. 该量表由Goodenow46开发，包含18个项目，已被广泛翻译为多种语言，包括西班牙语和中文。请使用包含18个条目的PSSM中文版（例如：“我感觉我属于这所大学”；“学生认真对待我的意见”）47。该量表的信度系数为0.853。

6. 心理韧性量表

  1. 采用Connor-Davidson心理弹性量表（CD-RISC-10）的10个条目来测量心理弹性（PR）48。最初该量表包含25个条目，Campbell-Sills和Stein49随后将其优化为包含10个条目的简明版本。
  2. 使用该量表评估个体在面对负面经历后恢复能力方面的感受、反应及应对方式，以及其对外部环境变化的适应灵活性。该量表包含五个维度（5D），分别为：关系应对能力（例如，“当变化发生时，我能够灵活调整并适应”）、对负面情绪的耐受性（例如，“我能以幽默的方式应对问题”）、对变化的接纳程度（例如，“经历困难使我变得更强大”）、控制感（例如，“我能妥善处理愤怒等令人不安的情绪”）以及心理影响（例如，“在压力下，我能专注于自己的思维过程”）49。该量表的信度系数为0.938。

7. CSE 量表

  1. 使用CSE量表来测量CSE，评估个体在多大程度上相信自己能够培养创造性技能50。为针对中国学生的调查，将该量表精简为三个条目。此量表的信度系数为0.860。

8. 数据采集

  1. 本项 SQD 研究旨在揭示大学生 CSE 的预测因素。使用 SDQ 测量大学生的 CSE 水平，并结合四个预测变量51。
  2. 在此期间，班主任鼓励学生自愿完成 SDQ，并在每天大学课程结束时展示二维码。告知参与者可通过扫描二维码、回答问题并点击提交来完成问卷。
  3. 重要的是，在学生扫描二维码之前，应指导班主任向学生及其家长说明研究目的。通过获取知情同意确保参与的自愿性。
  4. 向目标学生群体发放 SDQ。确保每位参与者回答所有必答项目。验证回答的完整性与一致性。
  5. 定义核心构念，如 ASE、父母心理韧性（PR）和 CSE。采用从 1 到 5 的五点李克特量表对回答进行编码。根据量表最高分的 60% 或以上阈值，将参与者划分为高分型或低分型。
  6. 将数据集划分为训练集和测试集。使用 70% 的数据（n=423）用于模型训练，其余 30%（n=184）用于测试。
  7. 应用分类与回归树（CART）方法识别显著预测因子。使用基尼不纯度确定节点分割。持续分割直至达到最小案例数或不纯度为零。
  8. 使用均方误差（MSE）评估节点是否需要剪枝。若剪枝后 MSE 降低，则截断该节点；若 MSE 增加，则保留该节点。
  9. 使用测试数据集验证 DTM 模型。计算准确率、敏感性和特异性等性能指标。分析误分类案例以发现 DTM 的薄弱环节。
  10. 进行皮尔逊积矩相关分析，研究变量间的相互关系。根据相关系数值解释相关性的强度与方向。
  11. 利用决策树规则识别 PR 和 ASE 如何预测 CSE 水平。量化每个变量对分类结果的贡献程度。
  12. 若模型准确率低于预期阈值，则扩展特征集。通过引入额外变量或增大样本量重新训练模型，以提高其准确性。
  13. 使用来自不同地区或机构的数据检验模型的泛化能力。在独立样本中重复研究方案以验证研究结果。
  14. 每次 SDQ 施测耗时约 25 分钟。采用环境控制措施，确保环境噪声<45 dB，温度维持在 26–28 °C。
  15. 每 15 名学生配备一名经过培训的施测员，培训方式为 2 小时的 SDQ 简介会52。在标准操作脚本的帮助下，施测员能够减少个人意见对结果的影响53。要求协助人员严格按照书面内容宣读所有指示，避免对必要步骤之外的内容进行解释，不得尝试说明测试题目。施测员有助于消除访谈者效应，确保数据仅来源于学生的自我评估54。
    注：上述措施有助于应对实施过程中的变异性，增强跨情境的可重复性。由于大多数学生没有个人设备，且仅有少数高校具备可用的 Wi-Fi 网络55，纸质施测成为最佳解决方案。此外，已有研究表明，在识字水平较低的人群中，SDQ 的数字版与纸质版在心理测量结果上无显著差异56。未来研究可进一步探讨数字化在资源充足的私立高校中的应用效果57。由于本研究未进行编码，无法确定评分者间信度。

9. 数据分析

  1. 采用数据挖掘方法分析调查数据58。数据挖掘能够揭示学生计算思维自我效能（CSE）的模式，并识别出三类学习者：整合型、目标导向型和采样型。本研究选择决策树模型（DTM），因其已被广泛用于预测学生的学业表现和学习行为，且能生成易于理解的规则59。
    注意：具体而言，决策树（DT）通过训练样本构建分类规则，生成一个自上而下、易于理解的图形结构，包含一个根节点、若干内部节点和多个叶节点。根节点和内部节点均表示相应的测试条件（即分类指标）60，而叶节点表示最终输出结果。可根据各节点构成的树形模型推导出相应规则。此外，决策树对多重共线性具有良好的容忍性，能够处理预测变量之间的复杂关联。当预测变量为分类变量时，采用确定型决策树；当预测变量为连续变量时，则适用回归型决策树60。
  2. 为判断学生的计算思维自我效能（CSE）水平高低，使用确定型决策树构建预测模型，并分析各因素在预测CSE中的显著性。

10. DT 构建

  1. 根据信息熵下降速率确定决策树（DT）的分裂阈值和最优分支变量，信息熵下降速率表示数据集的不纯程度，其定义如公式（1）所示。
    熵计算公式，ΣPkLog2Pk，信息论中的数学方程。    (1)
    其中 D 为训练数据集的样本量 m，Pk 为每种类型的比值。
  2. 信息增益比用于衡量在多种分类方法下数据集信息熵的方差。计算数据集 D 在选定变量 C 的划分下被分割为 n 个子集时的增益比，其定义见公式（2）。
    增益比公式，熵计算，数据熵分析方程。    (2)
  3. 在 C5.0 算法中，选择信息增益比最大的属性作为分裂点，并根据该属性的取值形成多个分支，从而得到多个子集。重复分裂过程，直至最后一个子集仅包含同一类型的数据，实现数据的归纳标记。

11. DT 剪枝

  1. 采用剪枝方法，逐层剪除叶节点。构建决策树后，根据训练好的决策树模型将数据集递归分配到各个叶节点。
  2. 计算有叶节点和无叶节点数据集的均方误差（MSE）。若剪枝后 MSE 减小，则剪除该节点；否则保留该节点。

12. DT 评估

  1. 使用70%的样本数据（n=423）进行训练，其余30%（n=184）用于测试。用于评估模型质量的指标包括准确率、精确率和召回率。准确率定义为正确分类的样本占所有样本的百分比；精确率表示在预测结果中的正样本中有多少是真正的正样本，召回率表示在真实正样本中有多少被正确预测。

13. 数据分析

  1. 使用统计分析软件分析研究结果。首先，通过描述性统计分析方法，分析CSE的频率和浓度趋势及其预测因子；其次，采用C5.0算法进行决策树（DT）分析，该算法在ID3和C4.5的基础上进行了改进，具有运行速度更快、预测效果更稳健的优势。

14. 数据编码

  1. 以60%作为分界点，将样本分为两组：高CSE组和低CSE组。对于预测因子，PR、IB、ASE和PSSM根据特定原则转换为二分类变量（表1）。

访问受限。请登录或开始试用以查看此内容。

结果

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

描述性统计
本研究分析了连续变量和序贯变量的描述性统计结果（表2）。每个变量的编码依据如下原则：若取值超过量表满分的60%，则表示表现高于平均水平。值得注意的是，大学生的CSE处于平均水平以上，均值为3.66，标准差为0.80，超过了量表满分的60%，这表明大多数大学生具有较高的CSE。四个预测变量的均值也呈现出类似结果，即学生报告的ASE、PSSM、PR和IB水平均相对较高。

本研究的研究对象经过精心筛选，以确保其适用于常见的研究目的。研究对象包括18至21岁年龄段的男女学生，该年龄段标志着学生情绪和行为开始变得更加稳定的活跃阶段54。由于本研究涉及学生的教育阶段，主要涵盖从初等教育向中等教育的过渡时期。本研究采用中国常用的社会经济地位（SES）评估工具——CSE修订量表来确定参与者的社会经济地位58。大多数参与者属于中下层SES群体。因此，本研究对于资源匮乏的教育方法更具参考价值，因为这类环境通常面临更高水平...

访问受限。请登录或开始试用以查看此内容。

讨论

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

本研究利用DT-C5.0构建了大学生CSE的四因素预测模型，以探讨这些因素的作用。研究中得出的所有结论均基于文献和相关数据分析。

DTM 在预测 CSE 水平方面的有效性已通过评估结果得到验证。该模型的准确率、精确率和召回率均超过 75% 的标准。模型的曲线下面积（AUC）值为 0.762，高于 0.5，表明其优于随机测量模型。在 DTM 所选用的四个变量中，PR 是最重要的变量。该结果与先前的研究发现一致60，PR 与创造力呈显著正相关。具有较高 PR 的个体在压力情境下更可能体验到积极情绪，从而帮助他们克服压力并从中发现积极意义。因此，较高的 PR 能够减弱创伤经历对心理健康的负面影响，并促进心理恢复。由此可知，学生的 PR 水平越高，就越能以积极的态度面对生活（包括其中的挑战性方面），并对自身的创造能力抱有更强的信心。2nd CSE 的主要预测因子是 PSSM。根据马斯洛需求层次理论，在满足基本的生理和安全需求之后，个体会产生社会交往的需求，以及被周围同伴和组织认可、关心与保护的愿望。当个...

访问受限。请登录或开始试用以查看此内容。

披露

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

作者无任何利益冲突需要披露

材料

本文使用的材料清单
姓名公司目录编号评论
2 TB 硬盘驱动器Segante6G SATA 7.2k 3.5"(LFF) 存储设备
8 GB 内存Kingston Technology 4Rx4 DDR4 LRDIMM 2666 MT/s.存储设备
 Intel Core i5IntelIntel Core i7 处理器
NVIDIA GeForce RTX 4060 TiNvidia CorporationNA显卡
R (版本 4.1.2) 编程语言 
SPSSIBM30数据可视化工具

参考文献

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Han, X., Zhang, J., Yang, Q. Correlation Analysis of Peripheral Blood Cell Immunity and Survival Rate in Mid-to-Late-Stage Cervical Cancer Patients. China Pharm Clin Res. 20 (19), 3180-3183 (2020).
  2. Fisher, D. M., LeNoble, C. A., Vanhove, A. J. An integrated perspective on individual and team resilience: Moving from multilevel structure to cross-level effects. Appl Psychol. 72 (3), 1043-1074 (2023).
  3. Tu, Y., Zhang, L. Relationship between Team Conflict and Performance in Green Enterprises: A Cross-Level Model Moderated by Leaders' Political Skills. Complexity. 2021 (1), 6635426(2021).
  4. Liu, L., Wan, Z., Wang, L. Cross-level research on the impact of self-serving leadership on employee innovation behavior: The roles of workplace anxiety and team psychological safety. Front Psychol. 13, 1069022(2023).
  5. Kravchuk, S. To the problem of social competence research as conditions of partner interaction, participants of the reform process. Herald Kiev Inst Business Tech. 3 (42), 102-107 (2019).
  6. Shi, L., Sun, J., Wei, D., Qiu, J. Recover from the adversity: functional connectivity basis of psychological resilience. Neuropsychologia. 122, 20-27 (2019).
  7. Ramsey, J. R., Lorenz, M. P., Liu, J. T., Posthuma, R. A., Gonzalez-Brambila, C. N. Exploring perceived innovativeness in Central America and the Caribbean: cross-level interactions of perceived camaraderie, organizational camaraderie climate, and organizational gender diversity. Int J Human Res Manag. 33 (15), 3113-3148 (2022).
  8. Stone, D., Hess, J. School Students' Implicit Theories of Creativity and their Self Perceptions as Artists. Creativity Res J. 32, 369-377 (2020).
  9. Skrbinjek, V., Dermol, V. Predicting students' satisfaction using a decision tree. Tert Educ. Manag. 25, 101-113 (2019).
  10. Han, J., et al. Using Decision Tree to Predict Response Rates of Consumer Satisfaction Attitude, and Loyalty Surveys. Sustainability. 11, 2306(2019).
  11. Cheng, Y. J., Teng, C. C. Multi-level investigation of the mechanism of the relationship between hotel resilient leadership and performance: The cross-level moderating effect of adaptation strategies. Int J Hospital Manag. 130, 104251(2025).
  12. Zahraa Mudheher Modhee, M. M. Using Collaborative Learning and Self-construction Methodologies to Enhance Art Education and Creative Expression Skills Among Secondary School Students. Eur J Humanities Edu Adv. 5 (12), 49-64 (2024).
  13. Jiang, B., Qiu, H., Liu, S., Zhang, J. Employee perceived overqualification and innovation performance: the roles of self-oriented perfectionism and job crafting. Front Psychol. 15, 1398163(2024).
  14. Wang, D., Ying, X., He, M. The Influence of Innovative Self-Efficacy on Creative Achievement: The Moderating Effect of Perseverance. Chinese J Social Psychol Rev. 19 (2), 194-217 (2020).
  15. Chen, X., Cheng, L. Emotional intelligence and creative self-efficacy among gifted children: Mediating effect of self-esteem and moderating effect of gender. J Intell. 11 (1), 17(2023).
  16. Stephens, Z. Constructing Self within the Japanese Experimental Noise Genre. , Emory University. (2025).
  17. Boyqobilova, N. U. The theory of the self-organization of primary school students' educational activities is based on a synergistic approach. Mental Enlighten Sci Methodol J. 5 (03), 101-110 (2024).
  18. Su, Y. S., Shao, M., Zhao, L. Effect of mind mapping on creative thinking of children in scratch visual programming education. J Edu Comput Res. 60 (4), 906-929 (2022).
  19. Alfred, B. 34;WHO am I?": A Comparative Metadiscourse Analysis of Identity and Self-construction on LinkedIn Profiles and X Bios. J Linguistics Cult Commun. 3 (1), 120-150 (2025).
  20. Fermani, A. Some Reflection Ideas From the Ancient Roots About the Link Between Creativity and Freedom for Modern Societies. Eco Syst Human Rights Using Socioeco Models Pract Promote Global Eco Socializat. , 33-43 (2025).
  21. Wang, J., Geng, J., Xiao, Y. From Intentions to Actions: An Integrated Model of Academic Entrepreneurship Behavior Based on the Theory of Planned Behavior. Foreign Eco Manag. 42 (7), 64-81 (2020).
  22. Pouyaud, J., Angel, V. Between norms and margins: The "Norms-Fringe-Margins" model. A dynamic model of psychosocial self-construction through an expanded notion of working. Australian J Career Dev. 32 (3), 264-274 (2023).
  23. Hidajat, F. A., Haeruman, L. D., Wiraningsih, E. D., Pambudi, D. S. The effect of digital technology learning based on guided discovery and self-regulated learning strategy on mathematical creativity. Int J Infor Edu Technol. 13 (3), 535-543 (2023).
  24. Huang, J., Dong, Y., Han, C., Wang, X. Evaluating the Language-and Culture-Related Construct-Irrelevant Variance and Reliability of the Sense of School Belonging Scale: Suggestions for Revision. J Psychoedu Assess. 41 (8), 852-871 (2023).
  25. Gao, J., Li, Y., Wu, X. Revision and validation of the Connor-Davidson Resilience Scale of coal miners in China. Int J Indust Ergonom. 85, 103191(2021).
  26. Nartova-Bochaver, S., Korneev, A., Bochaver, K. Validation of the 10-item connor-davidson resilience scale: the case of russian youth. Front Psychiat. 12, 611026(2021).
  27. Wang, B., Mo, L., Wang, X. Impact of Cross-Cultural Adaptation and Innovative Self-Efficacy on Innovative Behavior: A Case Study of Chinese Employees in Sino-Thai Joint Ventures. J China-ASEAN Stud. 4 (1), 1-18 (2023).
  28. Mathur, S., Badone, A. A methodological study and analysis of machine learning algorithms. Int J Adv Technol Eng Explorat. 6 (51), 45-49 (2019).
  29. Davis, M. M., Howard, M. C. Understanding Narcissism in the Workplace: The Dual Impact of Self-Efficacy and Political Skill on Attitudes and Performance. J Organ Psychol. 24 (4), 87-109 (2024).
  30. Grosser, T. J., Gilson, L. L., Dong, Y., Madjar, N. Creative self-enhancement in a team context: The role of gender, creative self-concept, and trait hypercompetitiveness. Psychol Aesth Creativity Arts. 18 (3), 417(2024).
  31. Zhao, F., Kumamoto, E., Yin, C. The effect and contribution of e-book logs to model creation for predicting students' academic performance. Int Conf Adv Learning Technol. , 187-189 (2021).
  32. Johnston, D., López, I. Expanding our view of global learning outcomes. Wiley Handbook Collaborat Online Learning Global Engage. , 264-293 (2022).
  33. Zhao, X., Wu, L. Classification and Pruning Strategy of Knowledge Data Decision Tree Based on Rough Set. Adv Intelligent Syst Comp. , 1057-1063 (2019).
  34. Zhang, J. Yet Another Representation of Binary Decision Trees: A Mathematical Demonstration. ArXiv. , (2021).
  35. Jadhav, P., Patil, D., Gore, D. A Comparative Study of Linear Regression and Regression Tree. 2nd Int Conf Commun Info Proc. , 1-10 (2020).
  36. Witten, I. H., Frank, E., Hall, M. A. Data Mining: Practical Machine Learning Tools and Techniques. , 3rd Edition, Morgan Kaufmann Publishers. Burlington. (2011).
  37. Che, D., Liu, Q., Rasheed, K., Tao, X. Decision tree and ensemble learning algorithms with their applications in bioinformatics. Soft Tools Algorithm Biol Syst. SE-19. , 191-199 (2011).
  38. Verine, A., Négrevergne, B., Pydi, M., Chevaleyre, Y. Training Normalizing Flows with the Precision-Recall Divergence. ArXiv. , (2023).
  39. Chen, X., Padilla, A. M. Emotions and creativity as predictors of resilience among L3 learners in the Chinese educational context. Current Psychol. 12, 1-11 (2019).
  40. Israelashvili, J. More positive emotions during the COVID-19 pandemic are associated with better resilience, especially for those experiencing more negative emotions. Front Psychol. 12, 648112(2021).
  41. Arslan, G. Psychological maltreatment predicts decreases in social wellbeing through resilience in college students: A conditional process approach of positive emotions. Curr Psychol. 42 (3), 2110-2120 (2023).
  42. Baker, F. R., Baker, K. L., Burrell, J. Introducing the skills-based model of personal resilience: Drawing on content and process factors to build resilience in the workplace. J Occupat Organizat Psychol. 94 (2), 458-481 (2021).
  43. Yuan, W., Li, X., Ma, L. The Relationship between Positive Psychological Traits and Subjective Well-being in Vocational College Students: The Chain Mediating Role of Perceived Social Support and School Belonging. Chinese J Health Psychol. 29 (4), 615(2021).
  44. Kitsantas, A., Cleary, T. J., Whitehead, A. Relations among Classroom Context, Student Motivation and Mathematics Literacy: A Social Cognitive Perspective. Metacognit Learning. 16 (2), 255-273 (2020).
  45. Ji, C., Zhao, H. The Relationship among Teacher Support, Academic Self-Efficacy, and Academic Performance in Elementary and Middle School Students: A Meta-Analytic Structural Equation Model. Teacher Edu Res. 6, 106-113 (2021).
  46. Li, X., Qiao, H., Liu, Y. The Impact of Middle School Students' Perception of Teacher Emotional Support on Learning Fatigue: A Moderated Mediation Model. Chinese J Clin Psychol. 2, 414-417 (2019).
  47. Taggar, S. The Cognitive Underpinnings of Creativity in Teams. Oxford Handbook Group Creativity Innovat. , 10-32 (2019).
  48. Li, C., Yang, Y., Lin, C., Liu, J. The complex within-person relationship between individual creative expression and subsequent creative process engagement. Eur J Work Organiz Psychol. 29, 822-840 (2020).
  49. Li, D., Ortegas, K. D., White, M. Exploring the Computational Effects of Advanced Deep Neural Networks on Logical and Activity Learning for Enhanced Thinking Skills. Systems. 11 (7), 319(2023).
  50. Huang, F., et al. Large Language Model Simulator for Cold-Start Recommendation. , New York, NY, USA. (2025).
  51. Zhang, Z., Liu, Z., Ning, L., Tian, H., Wang, B. Belief-based Fuzzy and Imprecise Clustering for Arbitrary Data Distributions. IEEE Transact Fuzzy Syst. , 1-13 (2025).
  52. Liu, S., et al. Dual-view cross attention enhanced semi-supervised learning method for discourse cognitive engagement classification in online course discussions. Exp Syst Appl. 278, 127339(2025).
  53. Chang, W., Zeng, Q., Zhou, B. Association of education level with mortality in United States - A cross-sectional study. Acta Psychol. 253, 104774(2025).
  54. Li, D., Zhang, M., Zhou, S., Yu, X. Structural equation modeling and validation of virtual learning community constructs based on the Chinese evidence. Interact Learning Environ. , 1-16 (2025).
  55. Hao, S., et al. Group membership modulates the hold-up problem: an event-related potentials and oscillations study. Soc Cognit Affect Neurosci. 18 (1), nsad071(2023).
  56. Peng, Y., Zhao, Y., Dong, J., Hu, J. Adaptive opinion dynamics over community networks when agents cannot express opinions freely. Neurocomputing. 618, 129123(2025).
  57. Zhang, H., Xia, B., Li, Q., Wang, X. The effect of self-enhancement motivation and political skill on the relationship between workplace exclusion and ingratiation. Curr Psychol. 44 (7), 5399-5412 (2025).
  58. Li, J., et al. Is stress always bad? The role of job stress in producing innovative ideas. Knowledge Manag Res Pract. 23 (1), 77-88 (2023).
  59. Tsitsa, I., Krystkowiak, I., Davey, N. E. CompariPSSM: a PSSM-PSSM comparison tool for motif-binding determinant analysis. Bioinformatics. 40 (11), btae644(2024).
  60. Letzgus, S., et al. Toward explainable artificial intelligence for regression models: A methodological perspective. IEEE Signal Proc Magazine. 39 (4), 40-58 (2022).

访问受限。请登录或开始试用以查看此内容。

重印与许可

申请许可以重复使用本 JoVE 文章的文本或图表

申请许可

标签

C5 0
视频即将推出

相关文章