首页--哲学、宗教论文--心理学论文--发展心理学(人类心理学)论文--青少年心理学论文

大学新生学校适应的个体与环境因素探究--基于机器学习的考察

摘要第8-10页
Abstract第10-12页
第一部分 文献综述与问题提出第13-27页
    1 大学生学校适应的研究综述第14-19页
        1.1 适应与学校适应的概念第14-15页
        1.2 学校适应的评估方法与工具第15-16页
            1.2.1 自陈量表第15页
            1.2.2 非自陈量表第15-16页
        1.3 大学生学校适应的预测因素第16-18页
            1.3.1 个体因素第16-17页
            1.3.2 环境因素第17页
            1.3.3 个体与环境的互动第17-18页
        1.4 大学生适应研究的趋势第18-19页
            1.4.1 研究方法的趋势第18-19页
            1.4.2 研究内容的趋势第19页
    2 机器学习在心理学领域的研究综述第19-24页
        2.1 机器学习的概念、发展历程与算法第19-21页
            2.1.1 机器学习的概念第19页
            2.1.2 机器学习的发展历程第19-20页
            2.1.3 机器学习算法第20-21页
        2.2 机器学习在心理学领域的国内外研究第21-24页
            2.2.1 机器学习在心理学领域的国内研究第21-22页
            2.2.2 机器学习在心理学领域的国外研究第22-23页
            2.2.3 机器学习在心理学领域的研究趋势第23-24页
    3 问题提出第24-27页
第二部分 研究方法第27-30页
    1 研究被试第27页
    2 研究工具第27-29页
        2.1 个体因素类量表第27-28页
            2.1.1 大学生羞怯量表第27页
            2.1.2 自我意识量表第27页
            2.1.3 自尊量表第27页
            2.1.4 孤独量表第27-28页
        2.2 环境因素类量表第28页
            2.2.1 人际信任量表第28页
            2.2.2 社会支持评定量表第28页
        2.3 个体与环境互动类量表第28-29页
            2.3.1 简易应对方式量表第28页
            2.3.2 中文网络成瘾量表第28页
            2.3.3 网络非适应性认知问卷第28-29页
            2.3.4 中国大学生适应量表第29页
    3 研究过程第29-30页
        3.1 问卷调查的过程第29页
        3.2 数据处理第29-30页
第三部分 研究结果第30-39页
    1 大学生学校适应量表的心理测量学分析第30-32页
        1.1 大学生学校适应量表的信度第30页
        1.2 大学生学校适应量表的效度分析第30-32页
            1.2.1 结构效度第30-31页
            1.2.2 效标效度第31-32页
    2 描述统计:大学新生学校适应状况的基本特点第32-33页
    3 大学新生学校适应及其预测因素的相关关系第33页
    4 大学生学校适应的预测因素分析第33-39页
        4.1 大学生学校适应及其预测因素的回归分析第34页
        4.2 机器学习方法对于大学生学校适应及其预测因素的考察第34-36页
            4.2.1 基于岭回归的机器学习方法对数据进行降维第35-36页
            4.2.2 基于lasso回归的机器学习方法对数据进行降维第36页
        4.3 对于几种方法的效果验证及比较第36-37页
        4.4 对纵向数据的进一步探究第37-39页
第四部分 讨论第39-51页
    1 大学生学校适应量表的心理测量学分析第39-40页
    2 大学生学校适应的人口学差异第40-41页
        2.1 大学生学校适应的院校差异第40页
        2.2 大学生学校适应的性别差异第40-41页
        2.3 大学生学校适应的城乡差异第41页
    3 大学新生学校适应与及其预测因素的关系第41-44页
        3.1 大学生学校适应及其相关预测因素的相关分析第41-42页
        3.2 大学生适应及其预测因素的回归分析第42页
        3.3 机器学习方法对于大学生适应及其预测因素的考察第42-44页
            3.3.1 基于岭回归的机器学习方法对数据进行降维第43页
            3.3.2 基于lasso回归的机器学习方法对数据进行降维第43-44页
        3.4 对于几种方法的效果验证及比较第44页
    4 大学生学校适应的关键预测因素分析第44-49页
        4.1 个体因素对大学生学校适应的预测第45-47页
            4.1.1 羞怯对大学生学校适应的预测第45页
            4.1.2 自尊对大学生学校适应的预测第45-46页
            4.1.3 孤独对大学生学校适应的预测第46-47页
        4.2 环境因素:社会支持对大学生学校适应的预测第47-48页
        4.3 个体与环境的互动对大学生学校适应的预测第48-49页
            4.3.1 应对方式对大学生学校适应的预测第48-49页
            4.3.2 网络成瘾对大学生学校适应的预测第49页
    5 大学生学校适应及其关键预测因素的综合讨论第49-51页
第五部分 研究的不足及待进一步研究的问题第51-52页
第六部分 研究结论第52-53页
第七部分 参考文献第53-61页
附录 研究工具(部分)第61-68页
致谢第68-69页

论文共69页,点击 下载论文
上一篇:高中物理校本课程开发的研究--以趣味物理探究为例
下一篇:“导学案”模式在高中物理教学中的应用研究