Using machine learning algorithms to predict students' general self-efficacy in PISA 2018
Notice bibliographique
Résumé
Self-efficacy is a critical psychological construct that exerts a positive impact on students' learning experiences and global well-being. Previous studies explored the factors related to the development and variation of students' self-efficacy, but they only focused on a limited set of predictors. To gain a more comprehensive understanding of the factors affecting self-efficacy, it is necessary to build a predictive model based on a large number of predictors using a data-driven approach. Therefore, guided by socio-ecological theory, we categorized 256 candidate predictors from the PISA 2018 student and school questionnaires in five levels of socio-ecological systems. We then used two machine learning algorithms, Lasso and XGBoost, to predict self-efficacy of 612,004 students aged 15 to 16 years from 79 countries and regions. The results showed that XGBoost outperformed Lasso. We then extracted feature importance from the best-performing XGBoost model to rank the features both overall and within each level of the socio-ecological systems. The analysis revealed that individual-level attributes such as mastery goal orientation, meaning of life, and positive emotions were the most important predictors of self-efficacy. Other significant contextual factors included parents' emotional support, home possessions, and school climate factors (e.g., cooperation climate). Furthermore, self-efficacy varied significantly across countries. This study advances our understanding of self-efficacy by identifying the important predictors from different levels of socio-ecological perspectives. The results suggest that self-efficacy is a composite outcome shaped by a myriad of influences spanning from individual factors to broader socio-ecological perspectives.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».