青少年环境行动的多层次驱动机制：基于可解释机器学习的跨国实证研究

为解决青少年环境行为影响因素研究存在单层次分析局限和国家级变量缺失的问题，研究人员采用LightGBM和XGBoost算法构建预测模型，结合SHAP方法解析PISA-2018跨国数据（N=420,339）。研究发现私域行动受环境态度和校园讨论主导，公域行动则显著受国家SDG绩效和脆弱性影响，为制定差异化干预策略提供科学依据。

　　

全球气候危机背景下，青少年作为未来环境行动的中坚力量，其行为模式的形成机制亟待破解。然而现有研究长期面临三大困境：一是将公私领域环境行为混为一谈，忽视二者差异化的驱动逻辑；二是分析方法局限于单一层次，国家级政策、文化背景等宏观因素常被排除在模型之外；三是传统统计方法难以捕捉高维数据中的非线性关系和交互效应。这种认知空白导致环保教育策略"一刀切"，难以精准激发青少年在不同场景下的环保行动力。

针对这些挑战，国内研究人员利用PISA-2018涵盖66国42万青少年的跨国数据集，采用LightGBM和XGBoost两种梯度提升算法构建预测模型，并引入博弈论衍生的SHAP解释技术。研究创新性地将影响因素划分为个体（如环境态度、批判性思维）、学校（国际议题讨论、同伴规范）和国家（SDG指数、气候脆弱性）三个层次，通过机器学习自动捕捉变量间的复杂相互作用。

数据来源
研究数据源自OECD组织的PISA 2018评估项目，该调查采用分层抽样覆盖全球66个教育体系，包含详细的环保行为问卷和上下文数据。研究人员特别提取了"参与环保抗议"等公域行为和"家庭节能"等私域行为指标，匹配国家级的可持续发展目标(SDG)绩效数据和ND-GAIN气候脆弱性指数。

结果
模型性能显示LightGBM在测试集上达到0.767的AUC值，显著优于传统方法。SHAP分析揭示：私域行为主要受个体认知驱动，环境态度（SHAP值=0.32）和家庭讨论频率构成核心预测因子；而公域行为中，国家SDG得分（β=0.41）和气候脆弱性排名的影响力是个体因素的1.8倍。特别发现学校国际议题讨论存在阈值效应，当周均讨论达3次时对行为预测贡献激增47%。

讨论
该研究首次通过可解释机器学习验证了"宏观环境塑造公域行为，微观认知驱动私域行为"的分层理论。国家可持续发展绩效通过制度信任和集体效能感间接影响青少年参与环保抗议的意愿，这解释了北欧国家青少年公域行动参与率高达62%的现象。而私域行为更依赖内化的环境认同，印证了价值-信念-规范(VBN)理论在个体层面的适用性。

研究创新点在于构建了"认知-社会-制度"三层次交互框架，其中学校作为转化枢纽尤为关键——当国家政策与校园教育协同（如瑞典的"绿色学校认证"制度），可提升环境行动预测准确率12%。方法论上，SHAP分析发现的非线性效应为精准干预指明临界点，如将气候课程频次提升至每周2次可实现行为改变收益最大化。

这些发现对全球气候教育具有深远启示：发展中国家需优先强化国家环境治理能力以培育公域行动土壤，而发达国家则应注重通过课程改革激活青少年的批判性思维。研究同时证明，机器学习与社会科学理论的结合能有效破解"黑箱"困境，为复杂人类行为的预测提供透明化分析路径。论文发表于《Journal of Environmental Management》，为制定差异化的国际环境教育政策提供了数据驱动的决策依据。