基于机器学习方法,在高中生中构建负面学术情绪的预测模型
2025-06-01 03:46:48
Shumeng MA,Ning Jia,Xiuchao Wei和Wanyi Zhang的文章“基于机器学习方法在高中生中构建了负面学术情绪的预测模型”,探索了对机器学习技术的使用来预测高中生中的负面学术情绪。作者进行了这项研究,这是他们为改善面临教育挑战的青少年的心理健康支持而努力的一部分。### 概括**目标**:该研究旨在使用机器学习方法开发一种预测模型,以识别导致高中生负面学术情绪的因素,这可以帮助早期干预和预防策略。**方法论**: - **数据收集**:参与者是来自各个学校的高中生。数据是根据学业表现,心理属性(例如弹性),社会支持系统以及与学术界相关的特定情绪状态等变量收集的数据。 - **机器学习模型**:研究人员利用了几种机器学习算法,包括支持向量回归(SVR)和随机森林进行预测分析。 - **交叉验证技术**:为了确保其模型的鲁棒性,作者采用了10倍的交叉验证。**关键发现**:1。**影响负面学术情绪的变量**:研究确定了几个重要的变量,影响了负面的学术情绪,例如学业表现不佳,缺乏社会支持和较低的韧性。2。**模型性能**:机器学习模型在基于输入数据的负面学术情绪方面表现良好。3。**验证和可靠性**:通过对交叉验证进行严格的测试,预测模型表现出很高的可靠性和可推广性。### 结论该论文得出结论,机器学习可以通过确定关键的促成因素有效地预测高中生的负面学术情绪。这种方法为教育工作者,心理学家和决策者提供了宝贵的见解,以实施旨在减轻这些情绪并增强整体学生福祉的有针对性干预措施。###含义 - **教育干预措施**:学校可以使用预测模型尽早确定高危学生,并为他们提供必要的支持。 - **政策制定**:了解导致负面学术情绪的因素可以告知政策,以增强青少年的心理健康资源。 - **未来的研究**:这项研究为进一步探索更复杂的机器学习技术和大规模验证研究铺平了道路。###道德考虑作者确保了通过遵守赫尔辛基宣布的参与者及其监护人的知情同意,并获得了道德委员会的批准,以确保符合道德标准。这项研究突出了数据驱动方法在解决青少年中心理健康问题方面的潜力,为未来的研究和教育环境中的实际应用提供了有希望的途径。