《Journal of Applied Developmental Psychology》：Precursors of young adults' world beliefs across cultures: A machine learning approach
编辑推荐：
个体、家庭和文化因素如何影响成年人的世界原始信念？研究采用机器学习方法分析8国770名青年的数据，发现不同因素对"丰富"、"安全"等信念的预测效果各异，无单一因素能解释所有信念，为发展心理学研究提供新方向。
Jennifer E. Lansford | Andrea Bizzego | Julio Daniel Bermúdez Chinea | Gianluca Esposito | W. Andrew Rothenberg | Jeremy D.W. Clifton | Dario Bacchini | Lei Chang | Kirby Deater-Deckard | Laura Di Giunta | Kenneth A. Dodge | Sevtap Gurdal | Daranee Junla | Paul Oburu | Concetta Pastorelli | Ann T. Skinner | Emma Sorbring | Laurence Steinberg | Marc H. Bornstein | Liliana Maria Uribe Tirado | Suha M. Al-Hassan
美国杜克大学儿童与家庭政策中心
摘要
“原始世界信念”（primals）反映了个体对这个世界的基本认知，这些信念与多种行为和结果密切相关，然而我们对其形成机制知之甚少。本研究采用数据驱动的机器学习方法，探讨了儿童时期个体、育儿方式、家庭因素和文化因素中哪些因素最能预测年轻人认为世界是“丰富的、充满活力的、吸引人的、美好的、有等级制度的以及安全的”。研究参与者来自八个国家（哥伦比亚、意大利、约旦、肯尼亚、菲律宾、瑞典、泰国和美国），共770名年轻人。在童年时期，参与者及其父母报告了76个可能影响这些信念的因素。个体、育儿、家庭和文化层面的因素都对特定信念具有一定预测作用，但没有一个单一因素或因素组合能够完全解释所有信念。将世界视为“丰富的、充满活力的、吸引人的、美好的、有等级制度的以及安全的”发展路径并非固定不变。当前的数据驱动方法为发展心理学家提供了进一步研究的宝贵线索。
章节摘录
原始世界信念的可能个体、育儿、家庭和文化前因
我们在选择模型变量时采用了数据驱动的方法，并参考了发展心理学家在其他机器学习研究中的变量（Rothenberg等人，2023年）。在涉及个体特征的因素中，我们考虑了性别、执行功能多个方面、智力、学业表现、青春期发展、风险行为、亲社会行为、社会能力以及内化与外化行为等。
本研究
本研究采用机器学习作为数据驱动的分析框架，以确定最能预测发展结果的儿童时期因素组合。我们的目标并非开发一个可用于实际预测新数据的模型，而是回答一个核心问题：哪些个体、育儿、家庭和文化因素最能预测世界是“安全的、吸引人的、充满活力的、丰富的以及正在发展的”。
参与者
本研究的数据来源于“跨文化育儿项目”（Parenting Across Cultures Project），该项目于2008年招募了来自九个国家的儿童（平均年龄8.59岁，标准差0.68岁，年龄范围7–11岁；其中50%为女孩）及其父母参与纵向研究。参与家庭来自以下地区：中国济南（120户）和上海（122户）；哥伦比亚麦德林（108户）；意大利那不勒斯（102户）和罗马（111户）；约旦扎尔卡（114户）；肯尼亚基苏穆（数据缺失）。
预测性能评估
我们根据所有机器学习实验在训练集和测试集上的MCC（Mean Classification Cost）值来评估预测性能（见表2）。对于每个信念维度，我们通过测试集上的95%置信区间（5%CI）来确定预测效果最佳的实验方法。在五个信念维度中，使用三级分类方法（“丰富的”、“充满活力的”、“有等级制度的”、“正在发展的”）或中位数分类方法（“美好的”）都能获得最佳结果。
讨论
本研究基于八个国家的国际样本，探讨了儿童时期哪些个体、育儿、家庭和文化因素最能预测成年早期的原始世界信念。这种数据驱动的研究方法具有重要意义，因为此前关于原始世界信念预测因素的直觉性认识大多缺乏实证支持，研究人员也难以找到有效的预测指标（Kerry, White, O’Brien, Perry, & Clifton, 2024）。
CRediT作者贡献声明
Jennifer E. Lansford： 文章撰写——审稿与编辑、初稿撰写、研究设计、资金获取、概念构建。
Andrea Bizzego： 文章撰写——审稿与编辑、初稿撰写、方法论设计、数据分析、概念构建。
Julio Daniel Bermúdez Chinea： 方法论设计、数据分析。
Gianluca Esposito： 文章撰写——审稿与编辑、研究指导、方法论设计。
W. Andrew Rothenberg： 文章撰写——审稿与编辑、初稿撰写、概念构建。
Jeremy D.W. Clifton：
作者声明
所有作者都对研究的构思与设计、数据收集、数据分析及结果解读做出了重要贡献。所有作者均参与了文章的起草或修订工作，并对最终版本内容表示认可。作者不存在任何需要披露的财务或其他利益冲突。本研究由Eunice Kennedy Shriver国家儿童健康与人类发展研究所（Eunice Kennedy Shriver National Institute of Child Health and Human Development）资助。
