《Behavioral Sciences》：AI Technology Readiness, Trust, and Supervisor Academic Support in Relation to Graduate Students’ Research Self-Efficacy
编辑推荐：
黄铁矿存在于广泛的成矿环境中，其微量元素和稀土元素（REE）组成是判定其成因类型的重要地球化学指标，从而为矿床研究和矿产勘查提供有价值的约束。机器学习作为一种数据驱动技术，通过综合分析数据并揭示潜在模式，为黄铁矿的成因类型提供了新的见解。本研究收集了具有多样形
黄铁矿存在于广泛的成矿环境中，其微量元素和稀土元素（REE）组成是判定其成因类型的重要地球化学指标，从而为矿床研究和矿产勘查提供有价值的约束。机器学习作为一种数据驱动技术，通过综合分析数据并揭示潜在模式，为黄铁矿的成因类型提供了新的见解。本研究收集了具有多样形态的代表性黄铁矿样品，包括沉积型和热液型。基于电子探针微分析（EPMA）和激光剥蚀电感耦合等离子体质谱（LA-ICP-MS），对黄铁矿成因进行了综合分析。此外，研究人员采用人工神经网络（ANN）机器学习算法建立分类模型，并将该训练模型的预测性能与传统判别方法进行了比较。结果表明，当仅使用微量元素作为输入特征时，训练集对沉积型黄铁矿的分类准确率为64.3%，对热液型黄铁矿的分类准确率为93.9%。在测试集中，沉积型黄铁矿的分类准确率达到100%；然而，该结果可能反映了样本量有限而非模型真正的泛化能力，因此应谨慎解读。特征重要性分析识别出Cu、Zn、Te、Bi和Pb为该模型的关键变量。当同时使用微量元素和稀土元素（REE）时，训练集对沉积型黄铁矿和热液型黄铁矿的检测准确率分别为87.5%和100%。然而，微量元素+稀土元素组合模型表现出明显的过拟合倾向：其整体训练准确率达到95.2%，但验证准确率（88.9%）低于仅使用微量元素的模型（93.8%）。特征重要性分析表明，Pb、Ho、Zn、Ag和Ce对模型贡献显著。本研究提出的机器学习模型便捷高效，为确定复杂黄铁矿的成因类型提供了新的依据。
**论文解读：基于机器学习与微量元素地球化学的黄铁矿成因判别研究**
**研究背景与问题**
黄铁矿（FeS
2）是自然界中最丰富的硫化物矿物之一，广泛分布于沉积和热液成矿系统中。其微量元素和稀土元素（REE）组成是揭示成矿环境、流体来源和物理化学条件的关键地球化学指标。传统上，研究人员利用Co/Ni比值、S/Se比值、Se/Te比值及二元判别图解（如Au-As、Au-Sb等）来区分黄铁矿的沉积与热液成因。然而，这些单一指标判别方法存在局限性：一方面，黄铁矿中微量元素分布受多因素（温度、pH、氧逸度、流体混合）耦合影响，线性判别规则难以捕捉复杂的非线性关系；另一方面，沉积型黄铁矿常受后期热液叠加改造，导致其原始地球化学特征被掩盖，传统图解易产生误判。因此，亟需一种能够整合多维数据、自动学习变量间隐含模式的方法，以提升复杂黄铁矿成因判别的准确性与客观性。机器学习（ML）作为数据驱动技术，已在地球科学领域显示出巨大潜力，但将其应用于黄铁矿成因判别的研究尚属空白。本研究旨在通过构建人工神经网络（ANN）模型，利用微量元素和稀土元素地球化学数据，建立一种高效、便捷的判别框架，为矿物勘探和矿床成因研究提供新工具。
**主要技术方法**
研究人员从中国福建、江西、安徽、湖南、广西及秘鲁采集了6件代表性黄铁矿样品，涵盖沉积型（H-02、H-05）和热液型（H-01、H-03、H-04、H-06）两种成因类型。采用电子探针微分析（EPMA）和激光剥蚀电感耦合等离子体质谱（LA-ICP-MS）获取原位微量元素和稀土元素数据。基于预处理后的14种微量元素（Cr、Co、Ni、Cu、Zn、As、Se、Ag、Sb、Te、Au、Tl、Pb、Bi）和13种稀土元素（Ce、Pr、Nd、Sm、Eu、Gd、Tb、Dy、Ho、Er、Tm、Yb、Lu），利用多层感知器（MLP）神经网络（在IBM SPSS Statistics 27中实现）构建分类模型。输入变量经标准化处理，隐藏层采用双曲正切激活函数，输出层采用Softmax函数。数据集按74.6%训练集和25.4%验证集随机划分，并通过五折交叉验证评估模型稳健性。此外，采用Olden算法进行特征重要性分析，量化各变量对模型预测的贡献；同时以随机森林（RF）作为基线模型进行对比。
**研究结果**
**1. 样品特征与地球化学分析**
- 形态学与矿物组合：沉积型黄铁矿（H-02、H-05）呈球形、结核状或莓球状集合体，常与方解石共生，具同心环带结构；热液型黄铁矿（H-01、H-03、H-04、H-06）呈自形立方体、五角十二面体或八面体，常与石英、方解石、闪锌矿、方铅矿、黄铜矿共生。
- 微量元素特征：As和Pb平均浓度高（743.16×10
-6和200.39×10
-6），而Se、Ag、Au、Tl、Bi平均浓度均低于10×10
-6。稀土元素中Ce、Nd、Gd、Dy变化范围大。
- 传统Co/Ni判别：沉积型黄铁矿Co/Ni比值多小于1，热液型多大于1，但部分样品（如H-01）因热液叠加而出现低Co/Ni比，与形态学证据矛盾，表明传统单一指标存在局限性。
**2. 主成分分析（PCA）**
对63个有效分析点、14种微量元素进行PCA，前两个主成分（PC1和PC2）累计解释52.143%的方差。载荷图显示元素可分为两组：Au、Cr、Pb、Ag、Tl、Sb、Zn与PC1正相关；Co、Se、Te与PC2正相关，表明其受独立的地球化学过程控制。
**3. 仅基于微量元素的MLP模型**
- 训练集：沉积型正确率64.3%，热液型正确率93.9%，总体准确率85.1%。
- 验证集：沉积型正确率100%，热液型正确率90.9%，总体准确率93.8%。
- 评估指标：精确率、召回率、F1分数均高于0.86，Kappa系数0.594（中等一致性），ROC曲线下面积（AUC）为0.958。
- 特征重要性（归一化）：Cu（100%）、Zn（98.7%）、Te（97.6%）、Bi（89.6%）、Pb（88.1%）为高贡献变量；Se、As、Ni、Tl为中贡献；Cr、Co、Ag、Sb为低贡献。
**4. 基于微量元素+稀土元素的MLP模型**
- 训练集：沉积型正确率87.5%，热液型正确率100%，总体准确率95.2%。
- 验证集：沉积型正确率100%，热液型正确率85.7%，总体准确率88.9%。
- 特征重要性：Pb（100%）、Ho（69.9%）、Zn（65.6%）、Ag（61.0%）、Ce（55.4%）为高贡献变量；但Te的重要性从97.6%骤降至10.7%，表明特征重要性对输入集敏感，且模型存在过拟合（训练准确率高于验证准确率，且验证准确率低于仅微量元素模型）。
**5. 随机森林基线模型**
仅使用微量元素时，五折交叉验证平均准确率0.9526±0.0388；加入稀土元素后平均准确率0.9000±0.0816，与MLP模型趋势一致，进一步证实了模型的稳健性。
**讨论与结论**
本研究通过集成形态学、微量元素和稀土元素地球化学数据，构建了基于MLP神经网络的黄铁矿成因判别模型，克服了传统单指标方法的局限性。模型在仅使用微量元素时表现出良好的泛化能力（验证准确率93.8%），Cu、Zn、Te、Bi、Pb被识别为关键判别变量，这与热液硫化物矿化中这些元素的富集特征一致。然而，稀土元素的加入虽提高了训练准确率（95.2%），却导致验证准确率下降（88.9%），暴露出过拟合问题，主要归因于样本量有限（仅30个分析点）和特征维度增加。此外，点级数据分割（同一标本多个分析点）可能高估模型性能，未来应采用标本级或矿床级验证策略。模型对沉积型黄铁矿的判别准确率较低（训练集64.3%），可能与训练集中沉积型样本数量不足（19个vs. 44个热液型）导致的类别不平衡有关。特征重要性分析中Te、Se等元素值的剧烈波动，提示小样本下连接权重法存在不确定性。尽管存在局限性，机器学习模型能够自适应学习多维数据中的非线性规律，为复杂黄铁矿的成因判别提供了便捷、客观的补充工具。
**研究结论翻译**
沉积型黄铁矿主要呈球形、结核状或莓球状集合体，常与方解石共生，具同心内部结构。其As和Cu含量中等至偏高，Se-Co-Ni浓度低，显著富集Pb和Bi，稀土元素总量低，具轻微轻稀土富集和明显正Ce异常，Eu无显著异常。相反，热液型黄铁矿常形成自形立方体、十二面体或八面体晶体，或呈胶状集合体，与石英、方解石、闪锌矿、方铅矿和黄铜矿共生。其Cu、Zn、Pb、Co、Ni、As浓度变化范围大；Se和Mn含量高；富集低温元素（As、Sb、Tl、Zn），稀土元素总量和分馏模式变化大。研究人员应用多层感知器神经网络，基于微量元素和稀土元素地球化学对黄铁矿成因进行分类。仅使用微量元素时，归一化特征重要性识别的关键判别变量包括Cu、Zn、Te、Bi和Pb。训练集总体准确率达85.1%，验证集准确率达93.8%。准确率、精确率、召回率和F1分数均高于0.86。当使用微量元素和稀土元素时，Pb、Ho、Zn、Ag和Ce被识别为额外的影响变量。尽管模型获得了更高的训练准确率（95.2%），其验证准确率降至88.9%。该结果可归因于两个主要因素：首先，特征维度增加加剧了样本量有限导致的过拟合；其次，点级数据分割增加了数据集之间的分布差异，从而进一步降低了模型的泛化性能。
