编辑推荐：
推荐
本研究针对医学生共情水平影响因素及预测问题，采用 CHAID 分析与机器学习算法，对 322 名土耳其医学生展开研究。发现性别、父母教育及职业等因素影响共情水平，模型预测准确率达 80.1%，为医学教育干预提供科学依据。
论文解读
在医疗领域，共情是构建良好医患关系的核心要素，其不仅关乎患者诊疗体验，更直接影响临床疗效。然而，当前医学教育中普遍存在共情培养针对性不足的问题，且传统研究多聚焦临床共情测量，忽视一般共情的基础作用。与此同时，医学生共情水平随学业压力增加呈下降趋势的现象日益显著，如何精准识别影响共情的关键因素并建立预测模型，成为医学教育领域亟待解决的重要课题。
为填补这一研究空白，土耳其迪克莱大学（Dicle University）的 Nesrin Hark S?ylemez 团队开展了一项具有创新性的研究。该研究以 322 名土耳其公立大学医学生为样本，通过《个人信息表》和《共情量表》收集数据，综合运用 CHAID 分析与随机森林、AdaBoost 等机器学习算法，系统探究医学生共情水平的影响因素及预测模型构建，相关成果发表于《BMC Medical Education》。
研究方法
研究采用相关性调查模型，通过便利抽样获取 322 名医学生样本，运用多伦多共情问卷（TEQ）测量一般共情水平。首先通过两步聚类分析将共情水平划分为高、中、低三类，随后利用 CHAID 决策树算法挖掘关键影响因素，最后采用随机森林、决策树、AdaBoost 和多层感知器（MLP）等机器学习算法构建预测模型，并以五折交叉验证评估模型性能。
研究结果
- 共情水平分布：两步聚类分析显示，41.3% 的学生表现出高共情水平，44.7% 为中等水平，14.0% 为低水平，表明 86% 的医学生共情水平处于中等及以上，但仍有部分学生需针对性干预。
- 关键影响因素：CHAID 分析表明，性别是最具影响力的因素，女性医学生高共情比例（58.11%）显著高于男性；母亲教育水平、职业及父亲教育水平亦有显著影响。例如，母亲为公务员、工人或家庭主妇的女性学生高共情比例达 60.14%，而母亲为个体经营者的女性学生低共情比例高达 80%。
- 预测模型性能：机器学习模型中，随机森林算法表现最优，平均准确率达 80.1%，决策树、AdaBoost 和 MLP 的准确率分别为 77.8%、77.0% 和 73.9%，显示树模型在处理分类变量时的优势。
结论与讨论
研究证实，医学生共情水平受性别、家庭环境等多因素影响，其中性别差异与社会学习、神经机制双重作用相关，女性在情感识别和表达上的优势可能与其脑区激活模式及社会角色期待有关。父母教育水平通过家庭互动模式影响共情发展，母亲职业若涉及社会交往则有助于子女共情培养。机器学习模型的高预测准确率为早期识别低共情学生提供了工具，可助力医学教育者制定个性化干预方案，如针对性别差异设计沟通训练、强化家庭背景相关的共情培养模块。
该研究首次将 CHAID 分析应用于医学生共情研究，突破传统统计方法对交互作用的局限性，且结合机器学习提升预测效能，为医学教育的精准化干预提供了新范式。尽管研究样本局限于土耳其地区，但其方法学和结论对全球医学教育中共情培养具有重要参考价值，未来研究可进一步拓展跨文化样本及纵向追踪设计，深化对共情动态发展机制的理解。
