基于机器学习的高中生学业负面情绪预测模型构建及关键影响因素分析

针对高中生学业负面情绪影响心理健康和学业表现的问题，河北师范大学团队通过机器学习算法（LR/NBC/SVM/DT/RF/GBDT/AdaBoost）构建预测模型，发现随机森林（RF）预测准确率达83.9%，揭示情绪控制（affect control）、能力归因（ability attribution）等核心影响因素，为教育干预提供数据支持。

　　

随着高考竞争日益激烈，高中生面临的学业压力持续加剧，由此引发的负面学业情绪（Negative Academic Emotions）问题愈发普遍。学业情绪指学生在学习过程中产生的与课堂活动、学业成就直接相关的情绪体验，包括焦虑、挫败、厌倦等多种类型。Pekrun提出的控制-价值理论（Control-Value Theory）指出，学生对学习活动的控制评估（control appraisal）和价值评估（value appraisal）是形成学业情绪的核心机制。长期处于负面学业情绪状态会显著降低学习投入度，甚至诱发心理问题乃至自杀倾向。然而，传统研究多聚焦单一因素，缺乏系统性预测模型，难以实现早期干预。

河北师范大学教育学院的马淑萌（Shumeng Ma）团队联合河北省多所中学，首次将机器学习算法应用于该领域。研究基于生态系统理论（ecological systems theory）的微观系统框架，整合心理弹性（Resilience）、归因风格（Attributional Style）、学业自我效能（Academic Self-Efficacy）等个体因素与教师管教风格（Teacher Discipline Style）等环境因素，通过随机森林（Random Forest, RF）等7种算法构建预测模型，成果发表于《Scientific Reports》。

研究采用横断面调查设计，从河北省随机抽取1,710名高中生（男742名），使用青少年心理弹性量表（ARS）、多维归因量表（MMCS）、学业自我效能量表（ASEQ）等工具采集数据。关键技术包括：10折交叉验证（10-fold cross-validation）优化模型泛化能力，SMOTE过采样（Synthetic Minority Over-sampling Technique）处理数据不平衡，贝叶斯混合效应模型（Bayesian linear mixed-effects model）分析组间差异，并通过特征重要性排序（feature_importances）识别核心预测因子。

研究结果
描述性统计：负面学业情绪均分12.99（理论中值12），表明整体处于偏高水平；教师管教中响应型得分（32.40±7.80）显著高于要求型（13.58±5.68）。

贝叶斯分析：高负面情绪组（n=236）在心理弹性各维度（目标规划、情绪控制等）、不可控归因（能力/背景/运气）、学业自我效能等方面与中低组（n=1,460）存在显著差异（BF>3），努力归因（effort attribution）无统计学意义。

模型性能：随机森林（RF）表现最优，准确率83.9%、AUC 0.96，显著优于逻辑回归（LR）等模型。决策树（DT）虽召回率达84.9%，但精确率仅69.9%，存在过拟合风险。

影响因素排序：情绪控制（affect control）贡献度最高（见图1），其次为能力自我效能（study ability self-efficacy）、运气归因（luck attribution）、背景归因（background attribution）和学习行为自我效能（learning behavior self-efficacy）。

结论与意义
该研究首次证实机器学习在学业情绪预测中的适用性，其中随机森林模型展现出最优判别效能。核心发现包括：1）情绪调节能力是负面学业情绪的"最强预警器"，印证了心理弹性的保护作用；2）将失败归因于能力/运气等不可控因素会加剧负面情绪，与Weiner动机归因理论一致；3）学业自我效能通过影响控制评估间接调节情绪，符合控制-价值理论框架。

实践层面，研究建议教育者：1）开展归因训练（attribution training）纠正学生的非适应性归因模式；2）将情绪管理课程纳入心理健康教育体系；3）利用预测模型实现高风险学生早期识别。局限性包括横断面设计难以推断因果关系，样本仅覆盖河北省高中生。未来研究可结合纵向追踪与多模态数据（如生理指标），进一步提升模型泛化能力。

这项研究为理解学业情绪的复杂形成机制提供了新视角，其方法论创新（如贝叶斯统计与机器学习的结合）对教育心理学领域具有示范意义。通过量化环境与个体的交互效应，为制定精准干预策略奠定了科学基础。