Applying machine learning to understand the role of social–emotional skills on subjective well‐being and physical health
Notice bibliographique
Résumé
Abstract Social–emotional skills are vital for individual development, yet research on which skills most effectively promote students' mental and physical health, particularly from a global perspective, remains limited. This study aims to address this gap by identifying the most important social–emotional skills using global data and machine learning approaches. Data from 61,585 students across nine countries, drawn from the OECD Social–Emotional Skills Survey, were analyzed (N China = 7246, N Finland = 5482, N Colombia = 13,528, N Canada = 7246, N Russia = 6434, N Turkey = 5482, N South Korea = 7246, N Portugal= 6434, and N USA= 6434). Six machine learning techniques—including Random Forest, Logistic Regression, AdaBoost, LightGBM, Artificial Neural Networks, and Support Vector Machines—were employed to identify critical social–emotional skills. The results indicated that the Random Forest algorithm performed best in the prediction models. After controlling for demographic variables, optimism, energy, and stress resistance were identified as the top three social–emotional skills contributing to both subjective well‐being and physical health. Additionally, sociability and trust were found to be the fourth most important skills for well‐being and physical health, respectively. These findings have significant implications for designing tailored interventions and training programs that enhance students' social–emotional skills and overall health.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».