机器学习模型对中国大学生的就业相关心理压力的预测发现，参加学术旅行这一因素是负相关的预测因子

《Scientific Reports》：Machine learning prediction of employment-related psychological distress among Chinese university students identifies a study-travel proxy as a negative predictor

　　

摘要

大学学生中与就业相关的心理困扰已成为中国一个重要的心理健康问题，然而在预测模型框架内，那些可以干预的可改变预测因素尚未得到充分理解。本研究利用XGBoost算法结合SHAP解释方法开发了一个机器学习预测模型，以探讨“学习旅行行为”（study-travel proxy）与中国大学生就业焦虑（employment-anxiety proxy）之间是否存在负相关关系。数据来源于2020年中国家庭 panel studies（CFPS 2020），样本量为1,847人）。由于CFPS 2020并未包含这两种心理现象的直接测量指标，因此研究结果通过标准化K6心理困扰量表和反向编码的未来信心指标进行综合评估；关键预测因素则结合了教育活动参与度和家庭旅游支出等行为指标。分析结果显示，XGBoost模型在所有评估模型中具有最高的区分能力（AUC-ROC = 0.793，95% CI：0.753–0.833），SHAP解释指出生活满意度、社交网络规模、家庭收入以及“学习旅行行为”是最具影响力的预测因素。“学习旅行行为”始终呈现出负的SHAP值，表明其与就业焦虑之间存在负相关关系；社交网络规模较大的学生表现出更强的负预测效应，这与理论预期相符——即体验式学习与社会资本之间可能存在协同作用。这些发现表明，将体验式学习与社会支持相结合的结构化教育旅行项目可能为缓解面临劳动力市场转型的大学生就业相关心理困扰提供有效途径，不过这一结论尚需通过直接的测量方法和纵向研究进行因果验证。