Cum ne ajută inteligența artificială să înțelegem epuizarea studenților la politehnică?

Ce spun datele despre riscul de burnout la inginerie?

Pornind de la teoria conservării resurselor, cercetătorii au pus sub lupă trei algoritmi de clasificare — Regresie Logistică, Random Forest și Gradient Boosting — pe parcursul a trei configurații de date. Printre acestea s-au numărat varianta de bază, cu nouă indicatori, cea îmbunătățită cu patru interacțiuni de tip cerere-recuperare și o versiune completă care le-a combinat pe ambele.

Varianta completă a obținut cele mai bune rezultate. Regresia Logistică și Random Forest au depășit un prag de referință aleatoriu, cu valori globale MCC de 0,173, respectiv 0,190 la un prag de p < 0,010.

Totuși, aceste clasamente reflectă mai degrabă semnale descriptive corelate decât efecte cauzale independente.

Deoarece o singură împărțire stratificată poate varia considerabil atunci când eșantionul este de 113 studenți, modelele de bază și cele complete au fost testate pe 50 de împărțiri independente.

Semințele aleatoare au mers de la 0 la 49, cea cu numărul 42 fiind folosită drept referință principală, alături de 2.000 de eșantioane bootstrap pentru fiecare diviziune. Valoarea medie globală MCC pentru configurația completă a fost de 0,089 la Regresia Logistică, 0,157 la Random Forest și 0,113 la Gradient Boosting.

De ce variază atât de mult o singură împărțire stratificată?

Împărțirea principală a adus scoruri de 0,173, 0,190 și, respectiv, 0,126, situându-se pe locul 1 din 50 pentru primul algoritm, pe locul 11 pentru al doilea și pe 20 pentru ultimul.

Prin urmare, aceste cifre reprezintă estimări de prag superior.

Contribuția suplimentară a caracteristicilor inginericești a rămas mică și instabilă în toate testele.

Diferența medie a scorului MCC dintre configurația completă și cea de bază a fost de +0,033 pentru Regresia Logistică, +0,032 pentru Random Forest și +0,022 pentru Gradient Boosting.

atât de mult echilibrul dintre orele de studiu și somn? Intervalele de încredere bootstrap au exclus zero în doar câteva cazuri, dovedind că indicatorii suplimentari nu aduc un beneficiu independent real.

Atât de mult echilibrul dintre orele de lucru și cele de repaus!

Sectiunea a patra a dezbaterilor subliniază scopul principal: testarea ipotezei că indicatorii teoretici îmbunătățesc detecția epuizării psihice în condiții de date limitate.

Rezultatele au arătat că modelele bazate pe cei nouă predictori inițiali au avut o performanță slabă și inconstantă. Deși variantele complete au afișat estimări punctuale mai ridicate, comparațiile statistice nu au indicat câștiguri semnificative față de cele simple.

Cea mai importantă observație a acestui experiment a fost că o singură interacțiune generată artificial, legată de efortul academic și orele de somn, a înregistrat cea mai mare importanță medie pe datele neincluse în antrenare, în cadrul modelului Random Forest.

Alți indicatori creați, cum ar fi echilibrul de recuperare, raportul studiu-somn sau vârsta coroborată cu creditele, au avut o importanță redusă sau negativă.

Deși variabila privind efortul academic și somnul a atins cea mai mare importanță medie, cu o creștere a scorului MCC de 0,099 în modelul Random Forest, acest rezultat reprezintă mai degrabă un semnal exploratoriu decât o confirmare directă a Teoriei Conservării Resurselor. În cele din urmă, poziția fruntașă a acestei caracteristici nu s-a tradus într-un câștig real de performanță comparativ cu indicatorii de bază.