青少年学业情绪问卷反向计分

T64 0794 T77 0712 T6 0758

T55 0783 T72 0652 T24 0716

T7 0749 T82 0649 T59 0600

T100 0654 T83 0515 T58 0493

T32 0653 T81 0498

T68 0489

T41 0486

积

极

低

唤

醒

T20 0703 T56 0748 T84 0798

T76 0692 T4 0678 T96 0707

T89 0646 T17 0668 T86 0491

T98 0641

消

极

高

唤

醒

T45 0696 T25 0701 T14 0715

T21 0680 T101 0638 T13 0662

T62 0645 T69 0612 T9 0618

T35 0605 T88 0609 T28 0557

T44 0588 T49 0498 T78 0409

T2 0490

T97 0413

消

极

低

唤

醒

T47 0773 T74 0659 T73 0788 T94 0699

T60 0722 T57 0632 T19 0726 T65 0652

T23 0712 T48 0604 T31 0684 T99 0607

T92 0666 T70 0574 T53 0626 T85 0550

T15 0663 T80 0574 T43 0558

T16 0627

T30 0620

T103 0620

T54 0561

T37 0519

T1 0452

3正式青少年学业情绪问卷的分析及

应用

31被试

用于正式学业情绪问卷验证性因素分析及信、

效度检验的被试是浙江省杭州市一所普通初中和一

所高中的学生,采用的是在每个年级中随机抽取三

个班级的抽样方法,被试的基本情况见表4。

856心理学报39卷

表4被试的基本情况(n= 889)

年级 年龄(岁)男生 女生 总人数

初一1258#060 81 79 160

初二1370#045 78 68 146

初三1454#083 70 54 124

高一1565#063 76 84 160

高二1663#102 74 81 155

高三1765#109 76 68 144

合计1501#189 455 434 889

3 2研究工具

(1)青少年学业情绪问卷,在项目 分析和探索

性因素分析基础上,根据与学生交流访谈反馈的信

息,增加了6个项目,共74个项目,形成学业情绪的

验证性因素分析用问卷,并进行验证性因素分析。

在积极高唤醒学业情绪分问卷中加入了2道题目,1

题为自 豪维度的,1题为高兴维度的,在积极低唤醒

学业情绪分问卷中加入了4道题目,1题为满足维

度的,1题为平静维度的,2题为放松维度的。(2)

正性负性情绪量表。 采用陈文 峰等(2004)以W at

son等(1988)编制的PANAS量表原版基础修订的

正性负性情绪量表

[13]

。

33施测过程

采用集体施测 方式,以指导语指导 被试填答

问卷。

34数据处理

运用SPSS 115与Lisrel853进行数据处理。

35研究结果

351正式问卷的验证性因素分析在积极高唤

醒学业情绪分问卷中,首先采用极大似然估计,对构

想三因素模型进行验证性因素分析。 从模型估计的

结果中发现,1题具有小于03水平的负荷,同时,

根据修正指数去掉交叉载荷较高的1题,对剩余的

16个题目重新进行估计,得到最终模型。 其余分问

卷也是分别采用极大似然估计,对构想的多因素模

型进行了验证性因素分析。 各分问卷拟合指数见表

5,参数估计结果见表6,所有题目标准化载荷都达

到03以上,并且达到显著水平。

表5正式青少年学业 情绪问卷验证性因素分析模型整体拟合指数

学业情绪分问卷 拟合指数

2df

2

/dfGFI AGFI SRMR NNFI CFI IFI

积极高唤醒

修正前69529 132 527 092 090 0059 091 093 093

修正后44111 101 437 094 092 0056 093 094 094

积极低唤醒33615 74 454 095 093 0048 094 095 095

消极高唤醒45680 116 394 094 092 0049 095 096 096

消极低唤醒112982 269 420 091 089 0059 097 097 097

352各分问卷的信度学业情绪四个分问卷的

克隆巴赫(Cronbach)一致性系数分别为:0785;

0815;0833;0915,分半信度分别为:071;078;

079;082。 相关显著性均达到001水平。

353各分问卷的校标效度由于缺乏同类学业

情绪的测评工具,我们使用了以W atson等(1988)编

制的PANAS量表原版基础修订的正性负性情绪量

表

[13]

,作为指标考察青少年学业情绪问卷的效度。

中文版的PANAS量表具有较好的信效度,具有正性

与负性二维结构

[14,15]

。 本研究结果发现,积极学业

情绪与正性情绪呈显著正相关,与负性情绪呈负相

关;消极学业情绪与正性情绪呈显著负相关,与负性

情绪呈显著正相关,说明问卷具有较好的效标关联

效度。

354青少年学业情绪的特点以3588名普通中

学生为被试,其中男生1783名,女生1805名,初中

生1562名,高中生2026名,采用青少年学业情绪正

式问卷检验了青少年学业情绪的特点。2(性别)∃

2(年级:初中、 高中)的方差分析表明,在积极高唤

醒学业情绪上,性别主 效应显著,F(1, 3584) =

0511,p= 0475;年级主效应显著,F(1,3584) =

95621,p< 0001;性别与年级的交互作用不显著,

F(1,3584)= 0179,p= 0672。 具体进一步分析表

明,初中生的 积极学业情绪得分显著高于高中 生。

在积极低唤醒学业情绪上,性别主效应[F(1,3584)

= 4191,p= 0041]、 年级主效应[F(1, 3584) =

159826,p< 0 001]、 性别与 年级 的交互作用[F

(1,3584)= 8913,p= 0003]均显著。 结果表明,

男生的积极低唤醒学业情绪得分显著高于女生,初

中学生的积极低唤醒学业情绪得分显著高于高中

生,对交互作用的分析结果表明,在初中阶段,男生

和女生的积极低唤醒学业情绪没有显著差异,但是

在高中阶段,男生的积极低唤醒学业情绪得分显著

高于女生。 在消极高唤醒学业情绪上,性别主效应

[F(1,3584)= 56040,p< 0001]、年级主效应[F

(1,3584)= 5979,p= 0015]、性别与年级的交互

5期 董妍 等:青少年学业情绪问卷的编制及应用857

作用[F(1,3584)= 9380,p= 0002]均显著。 结

果表明,男生的消极高唤醒学业情绪得分显著低于

女生,初中学生的消极高唤醒学业情绪得分显著低

于高中生,对交互作用的 分析结果表明,在初中阶

段,男生和女生的消极高唤醒学业情绪没有显著差

异,但是在高中阶段,男生的消极高唤醒学业情绪得

分显著低于女生。 在消极低唤醒学业情绪上,性别

主效应不显著,F(1,3584)= 0086,p= 0769;年级

主效应显著,F(1,3584)= 240092,p< 0001;性别

与年级的交互作用不显著,F(1,3584)= 1910,p=

0167。 初中学生的消极低唤醒学业情绪得分显著

低于高中生。

表6因素标准化载荷估计结果

学业情绪分问卷 项目 自 豪 项目 高兴 项目 希望

积

极

高

唤

醒

T12 033 T3 031 T9 033

T44 056 T20 051 T24 051

T56 037 T27 052 T26 064

T58 081 T36 055 T59 063

T72 074 T47 060

T57 039

T75 059

消

极

高

唤

醒

项目 满足 项目 平静 项目 放松

T22 059 T41 056 T53 053

T23 059 T43 033 T68 064

T46 053 T45 047 T70 049

T8 037 T34 064 T51 074

T61 051 T52 057

消

极

高

唤

醒

项目 焦虑 项目 羞愧 项目 生气

T5 049 T6 049 T2 052

T14 058 T15 061 T13 049

T16 059 T37 038 T18 040

T35 044 T55 065 T48 047

T40 068 T71 047 T54 036

T74 058

T30 068

消

极

低

唤

醒

项目 厌倦 项目 无助 项目 沮丧 项目 心烦-疲乏

T4 066 T7 055 T11 062 T29 063

T17 065 T10 062 T21 053 T78 038

T33 064 T50 056 T28 040 T42 069

T38 073 T62 067 T32 069 T25 074

T49 054 T69 069 T60 045

T64 047

T65 077

T67 077

T77 072

T63 073

T19 061

表7学业情绪与正性、负性情绪的相关

PH PL NH NL

正性情绪0364

0438

- 0150

- 0373

负性情绪- 0029 - 0317 0455

0406

4分析与讨论

关于情绪的种类与维度一直是争论的热点问

题,但是从学术的观点来看,采用自我报告的情绪测

评方式中,已经发现情绪最好是按照两个维度进行

分类,一个是唤醒度水平(arousal),可分为高、 低两

个水平;一个是愉悦度(H edonicvalue),可分为积极

效价和消极效价。Feldman& Russell提出的情绪环

结构就是按照这两个维度来进行构架的。 这种维度

划分被许多情绪研究所采用,并验证了这种理论的

效度

[5, 6,11]

。 与此相一致,根据对学业情绪的理解,

858心理学报39卷

在对学业情绪研究工具进行深入考察的基础上,我

们认为学业情绪也可以按照愉悦度和唤醒度分为四

类,即积极高唤醒学业情绪、 积极低唤醒学业情绪、

消极高唤醒学业情绪和消极低唤醒学业情绪。 从本

研究的结果来看,证明了这种学业情绪二维度结构

的存在,并且每类情绪具有不同的具 体情绪种类。

积极高唤醒学业情绪主要有高兴、骄傲、希望等具体

情绪种类;积极低唤醒学业情绪主要有放松、平静和

满足等具体情绪种类;消极高唤醒学业情绪包括焦

虑、愤怒、羞愧等具体情绪种类;消极低唤醒学业情

绪包括厌倦、无助、沮丧、 疲乏-心烦等具体情绪种

类,其中疲乏-心烦是指学业情绪的生理表现。 可

见,学业情绪包括了很多具体的情绪种类,这与Pe

krun(2002)等人的观点是一致的。 他们认为学业情

绪绝不仅仅是只包括焦虑等几种情绪,而是几乎包

括了所有人类可能经历的情绪体验。 这说明,青少

年有丰富的学业情绪体验。

在青少年学业情绪问卷的编制过程中,首先,我

们从文献资料中设定青少年学业情绪问卷的理论构

念,然后又结合访谈和半开放式问卷的结果,确定了

青少年学业情绪问卷。 在项目 来源上,不仅参考了

同类研究的测量工具,而且也通过半开放式问卷收

集了相关资料。 这种理论与实际相结合的方式,使

本问卷有很好的内容效度。 通过探索性因素分析,

对各个分量表进行了主成分分析,进一步确定了问

卷的结构。 然后我们 根据交叉验证(cross- validi

ty)的程序,重新取样,对青少年学业情绪问卷进行

了验证性因素分析。 通过检验,进一步验证了青少

年学业情绪问卷的结构,同时,通过对个别题项的调

整,确定了最终问卷。 验证性因素分析结果表明,各

个题目 在各自 潜变量上的负荷值都达到了显著水

平,模型的拟合优度指数(GFI)、 调整的拟合优度指

数(AGFI)、近似误差方根(RM SEA)、 标准拟合指数

(NFI)、相对拟合指数(CFI)等都达到了可以接受的

统计学标准。 这说明数据拟合较好,各个分问卷均

有较好的结构效度。 另外,采用正性负性情绪量表

检验了问卷的校标关联效度。 结果表明问卷的这一

效度也很好。 我们采用了Cronbach%s系数与分

半信度考察了各个分量表的信度情况。 结果表明,

各个分问卷的信度水平都达到可以接受的标准。 这

说明青少年学业情绪是一个信效度 较好的测评工

具。 需要注意的是,本研究中取样为青少年,因此,

该问卷的适用对象是青少年群体。 跟其它学业情绪

方面的问卷相 比(如,SFT中的N egative Affect),本

问卷更全面、更具体,不仅可以考察青少年的消极学

业情绪特点,还可以考察积极学业情绪特点。 并且,

本问卷各个分问卷还含有二阶因子,可以用来具体

了解青少年具体学业情绪上有什么表现。

通过对青少年学业情绪的调查,本研究发现男

生的积极学业情绪要多于女生,而女生的消极学业

情绪要多于男生。 这提示我们,学业情绪对女生的

影响可能要大于男生,应该更加关注女生的消极学

业情绪。 本研究同时发现,初中学生的积极学业情

绪显著高于高中学生,而高中学生的消极学业情绪

显著高于初中学生。 学业情绪对学习有着直接和间

接的影响,学业情绪与学习动机、学习策略、 学习效

能、学业成就都有着密切的关系

[16~ 18]

。 那么为什么

高中生的积极学业情绪显著少于初中生呢如何有

效调动高中生的积极学业情绪呢为什么学习不良

青少年和正常青少年学业情绪上存在显著差异呢

造成这些差异的原因是什么这些都是值得进一步

深入研究的问题。 从国际教育心理学研究的情况来

看,学业情绪对青少年学业的影响是非常大的,因此

学业情绪研究必然是一个具有广泛前景的研究课题。

5结论

(1)本研究表明,!青少年学业情绪问卷∀,具有

较好的理论构想、良好的信效度指标,是研究青少年

学业情绪问题的一个有效工具。

(2)青少年的学业情绪存在显著的年级和性别

差异,初中生的积极学业情绪多于高中生,消极学业

情绪少于高中生。 男生的积极学业情绪多于女生,

女生的消极学业情绪多于男生。

参 考 文 献

1Pekrun R, Thom asG, W olfram T, etal Academicem otionsin

students'self- regulated learning and achievem ent: A program of

qualitative and quantitativeresearch EducationalPsychologist,

2002, 37(2): 91~ 105

2SchutzP A, LanehartS L Introduction: Em otionsin education

EducationalPsychologist, 2002,37(2): 67~ 68

3Patrick B C, SkinnerE A, ConnellJP W hatm otivateschildren&s

behaviorand emotion Jointeffectsofperceived controland

autonom yin the academic dom ain JournalofPersonality and

SocialPsychology, 1993, 65(4): 781~ 791

4RavajaN, Kallinen K, SaariT, etalSuboptim alexposureto

facialexpressionswhen view video m essagesfrom asm allscreen,

effectson em otion, attention, and m emory Journalof

Experim entalPsychology: Applied, 2004, 10: 120~ 128

5RussellJ A A circumplex m odelofaffect JournalofPersonality

5期 董妍 等:青少年学业情绪问卷的编制及应用859

and SocialPsychology, 1980, 39(6): 1161~ 1178

6Feldm an L B, RussellJA, The structureofcurrentaffect:

controversiesand em erging consensus C urrentDirectionsin

PsychologicalScience, 1999, 8:10~ 14

7H embree R Correlates, cause, effectsandtreatm entoftest

anxiety Review ofE ducationalR esearch, 1988, 58: 47~ 77

8Gum ora G, A rsenioW F Em otionality, Emotion R egulation, and

SchoolPerform anceinM iddleSchoolChildren JournalofSchool

Psychology, 2002, 40(5): 395 ~ 413

9Diaz R J, GlassC R, ArnkoffD B, etal Cognition, anxiety,

and prediction ofperformancein 1

st

- yearlaw students Journalof

E ducationalPsychology, 2001, 93(2): 420~ 429

10CliffordM M Failuretolerance and academicrisk- takinginten

totwelve- year- old students British JournalofEducational

Psychology, 1988, 58:15~ 27

11RussellJ A Coreaffectand the psychologicalconstruction of

em otion PsychologicalReview, 2003, 110(1): 145~ 172

12Sm ith D C, etal Developm entofthe m ultidim ensionalschool

angerinventory form ales Psychologyinthe Schools, 1998, 35

(1): 1~ 15

13ChenW enfeng Individualdifferencein em otionalintrusion-

integration ofem otion, personality and cognitive bias(in Chinese)

DissertationoftheInstituteofPsychology, theC hinese Academ icof

Sciences, 2005

(陈文锋情绪干扰的个体差异研究中国科学院心理研究所博

士论文, 2005)

14ChenWenfeng, ZhangJianxinFactorialand constructvalidityofthe

Chinese positiveandNegatinve AffectScale forStudent(in Chinese)

ChineseM entalH ealth Journa,l 2004, 18(11): 763~ 765

(陈文锋,张建新积极/负性情感量表中文版的结构和效度

中国心理卫生杂志, 2004, 18(11): 763~ 765)

15H uang L,i Y angTingzhong, JiZhongm in Applicability ofthe

positiveand negativeaffectscalein C hinese(in C hinese) C hinese

M entalH ealth Journa,l 2003, 17(1): 54~ 56

(黄丽,杨廷忠,季忠民正性负性情绪量表的中国人群适用性

研究中国心理卫生杂志, 2003, 17(1): 54~ 56)

16Linnenbrink E A, Pintrich P R Achievem entgoaltheory and

affect: An asymm etricalbi- directionalmodel E ducational

Psychologist, 2002, 37(2): 69~ 78

17TurnerJ E, H usm an J, SchallertD L Theimportanceof

students%goalsin theirem otionalexperienceofacadem icfailure:

Investigatingthe precursorsand consequencesofsham e

EducationalPsychologist, 2002, 37(2): 79~ 89

18M ichaela G Z, Stefan F, M atthiasL, etal Prom oting students'

em otionsand achievem ent- instructionaldesign and evaluation of

the ECOLE - approach LearningandInstruction, 2005, 15: 481~ 195

附录

青少年学业情绪问卷

学号 姓名 性别 班级 出生日期___年___月___日

同学您好!这是一份用于科学研究的调查表,填写这份调查表与您的任何学业成绩和 *** 行评定都毫无关系,选项没有对

错之分,希望您能根据自 己的实际情况如实回答。 我们将对您的回答内容给予严格保密,请您放心,谢谢合作!

请您仔细阅读每一个题目,每个题目 后边都有五个选项供您选择,请您注意:

(1)每个题目 只 能选一个选项,在相应的数字上划勾即可;

(2)每个题目 都要回答,做完后检查一遍,不要有漏掉的题目(共72题);

(3)对于题目 中 不清楚的地方,请举手提问。

1∋∋∋完全不符合,表示该句描述完全不符合您的实际情况

2∋∋∋比较不符合,表示该句描述比 较不符合您的实际情况

3∋∋∋不清楚,表示你无法确定该句 描述是否符合您的情况

4∋∋∋比较符合,表示该句描述比较符合您的实际情况

5∋∋∋完全符合,表示该句描述完全符合您的实际情况

1在重要的考试中,我常有肠胃不适的感觉

2当我不能理解学习的内容时,我会很苦恼

3学习带给我很多快乐

4我觉得学习枯燥无味

5考试前我会紧张不安

6由于成绩差,经常会有人看不起我

7老师讲课内容太难,我跟不上

8我觉得学习很有趣

9我觉得自 己并不比别人差

10我对学习感到力不从心

11有时候学习能使我产生一种沮丧感

12我很骄傲我比别的同学做题快

13我会由于很长时间解不出一道题而恼火

14我很担心自 己的成绩比别人差

15在学习时,我经常感觉自 己很笨

16有时觉得自 己学习太差,对不起家人和老师

17我常对学习有一种倦怠感

18我很生气别人说我比他学习差

19我一学习就想睡觉

20我很高兴学习一些自 己感兴趣的课程

21有时候我的成绩下降很快使我感到很无助

22在学习上我经常受到别人的夸奖和赞扬

860心理学报39卷

23我的成绩比较稳定,因此我感到自 在与轻松

24我有时学习情绪很高

25学习的时候,我容易心烦意乱

26我总希望自 己能学得更好一些

27当我取得好成绩时,我会心潮澎湃

28有些时候,我会因自 己的成绩差而感到难过

29我学习时经常会头昏脑胀

30有时我会因为自 己的成绩比别人差而痛苦

31学习对我来说是一种负担

32我很困惑为什么我总学不好

33我一学习就情绪低落

34我能安心学习

35在学习中,我经常受到挫折

36有时学习会给我带来意外的惊喜

37我很担心完不成作业

38我讨厌学习

39我很高兴能把题目 都做对

40我为自 己的学习成绩发愁

41我学习时心情很宁静

42我在学习时会心浮气燥

43适当的放松会更有助于学习

44当我在课堂上表现好时,我会很骄傲

45我能心平气和地对待我的成绩

46在学习上,我比别人进步快

47能够独立解出一道难题,我会很高兴

48上课不能正确回答出老师的提问时,我会感到 很尴尬

49我觉得学习没有什么用

50我对自 己的前途悲观失望

51我能轻松自 如地应付学习

52在上课时我心情一般比较放松

53我能轻松地面对考试

54学习时受到他人的干扰,我会很气愤

55尽管我学习很努力,但成绩还是很差

56在学习中,我经常感到自 己很聪明

57家人和朋友的鼓励使我对学习充满希望

58当我的成绩比别人好的时候,我会很自 豪

59我希望能够实现自 己的学习目 标

60有时我努力了却没有取得好成绩

61我很满意我的学习成绩

62我对学习缺乏信心

63我很憎恨学习

64有时候作业太多,使我都没有学习的心情

65我对学习没有兴趣

66成绩下降导致我很焦虑

67我觉得学习是一件很痛苦的事情

68我能轻松地完成学习任务

69我对学习感到无能为力

70我做作业的时候心情很放松

71通常别人都做出了题目,而我还没有做出

72由于取得了好成绩我感到自 豪

The Developmentand Application ofAn Academ ic Emotions Questionnaire

DongYan, Yu Guoliang

(Instituteof Psychology, Renm in University of China, Beijing100872, China)

Abstract

A cademicemotionsrefertostudents'achievementemotionsexperienced in schooloruniversitysettings The

domain ofacademicemotionscoversnotonlystudentsa'chievementemotionsrelatingtosuccessand failurebutalso

emotionsrelating to instruction orto the process ofstudying A ccording to valence and arousal dim ensions,

academicemotions include positive- high arousalemotions, positive- low arousalemotions, negative- high

arousalemotionsand negative- low arousalemotions An effectiveacadem icemotionsquestionnaire wasdeveloped

basing ontheoreticalconsiderationsandinterview results, threesamplesconsistingof1071adolescents Reliability

and validity research showed thatthe coefficientofhomogeneity and splitreliability were high The construct

validity and criterion validity weresatisfactory Theresulting setofemotions containsthe positive- high arousal

emotionsofpride, enjoymentand hope, aswellasthepositive- low arousalemotionsofcontentmen,t calmnessand

relie,f andthenegative- high arousalemotionsofanxiety, sham eand anger, aswellasthe negative- low arousal

emotionsof boredom, hopelessness, depression and fatigue Through surveying 3588 adolescents, this study

explored the characteristics of academic emotions of adolescents Significant effects of grade and gender

inadolescentswerefound Adolescentsinjuniorhighschoolshadmorepositiveacademicemotionsandlessnegative

academicemotionsthantheonesin seniorhigh schools M alestudentshad morepositive academic emotionsand

less negative academ ic emotionsthan fem ales The questionnaire was a usefultoolto measure the academic

emotionsofadolescents

Key wordsacadem ic emotions, adolescents, theprocessofdeveloping a questionnaire

拍卖公司鉴定藏品后，将会对藏品进行审核以确保其真实性和价值。审核时间的长短取决于拍卖公司的内部流程和程序，以及所涉及的藏品数量和复杂程度等因素。通常情况下，这个过程可能需要数天至数周不等的时间。建议您在向拍卖公司提交藏品之前与其沟通并获取相关信息，以便您能够更好地了解您的藏品在审核期间会面临哪些具体的时间方面的考虑。

数据分析最让人着迷的一种用途是可以基于现有数据创建能够区分不同类型情景的机器学习预测模型。通过定义明确的模型，可以确定能够预测结果的最重要影响因素，为战略假设开发有价值的洞察力，甚至可以通过友好的用户界面将模型的逻辑实现到软件应用程序中。

首先，我们需要评估构建好的预测模型是否具有良好准确的预测能力！比如，如果我们的电子邮件程序的垃圾邮件分类器只能检测到50％的不需要的电子邮件或请求，我们都会非常愤怒。本文将讨论如何使用经典工具来评估预测模型：接收器 *** 作特性（ROC）曲线。

本文主要分为三个部分整理ROC曲线相关内容，可根据自己的需要进行挑选：

1、使用ROC曲线分析的相关文献实例

2、ROC曲线的原理和历史

3、如何绘制ROC曲线

从一篇SCI出发： Improvement of Insulin Sensitivity after Lean Donor Feces in Metabolic Syndrome Is Driven by Baseline Intestinal Microbiota Composition

这是阿姆斯特丹大学学术医学中心在2017年发表在cell子刊上的文献，其中一个highlight提到：Response to lean donor FMT is driven by baseline fecal microbiota composition，使用了ROC曲线来评估预测模型的好坏。

为了比较异体FMT中菌群与效果之间的关系，首先按照FMT前后Rd值的变化将患者分为responders组和non-responders组，并比较了两组的菌群差异，从菌群多样性变化来看，基于Shannon指数发现，两组的多样性均没有发生显著改变，然而，两组基线时的菌群多样性却又显著差异（图5A），具体表现为non-responders的基线菌群多样性显著高于responders。随后，作者使用了d性网络算法elastic net algorithm ( Zou and Hastie, 2005 )区分responders和non-responders，为了避免过度拟合，在数据的训练分区(80%)上使用了十折交叉验证，剩下的20%样品用作测试数据集。要选择的参数是 L1，L2范数和正则化阈值之间的比率。稳定性选择采用80% 的随机二次抽样方法进行，共100次。在稳定性选择过程中，计算所有权重系数为非零的特征。这些计数被归一化并转换为稳定系数，对于总是被选择的特征值在10之间，对于从未被选择的特征值在00之间。通过随机试验评价d性网络算法所得结果的统计有效性。按照程序将结果变量(例如，同种异体相对于自体或应答者相对于无应答者)随机重组，同时保留相应的微生物谱。重复100次，每次计算受试者-工作特征-曲线下面积(ROC AUC)评分。用于二进制分类任务的性能度量是 ROC AUC。ROC 可以理解为一个正确分类同种异体受试者与自体受试者或有效者与无效者的概率图。数据集中的交叉验证是通过随机隐藏模型中20% 的受试者并评估该组的预测质量来完成的。ROC AUC 评分用05 AUC 来衡量分类模型的预测准确性，对应于一个随机结果。定义了一个临界值005，并将原始数据集的真实 AUC 与此值进行了比较。

作者通过ROC曲线评估了基线菌群组成预测6周代谢反应的模型，显示AUC=088，模型良好。

从这篇文献了解到ROC曲线可用于评估某个寻找biomarkers的预测模型的好坏。

再从一篇SCI了解： Alterations in the gut microbiome and metabolism with coronary artery disease severity

这是一篇本课题组与北京协和医学院合作在2019年发表的文章，关注了不同冠状动脉疾病Coronary artery disease (CAD)类型患者的肠道菌群区分差异。其中，作者通过ROC曲线评估了区分不同CAD亚型（稳定型冠状动脉疾病(SCAD) ，不稳定型心绞痛(UA)和心肌梗死(MI)）的特征共变化菌群和代谢物随机森林模型，得到比较良好的预测结果。

Subgroup identification and prediction based on CAGs and CAD-associated metabotypes

为了确定肠道菌群中的 CAGs 和代谢产物模块是否可以作为鉴别冠心病不同阶段与正常冠状动脉的生物标志物，根据24个 CAGs 和72个血清代谢类型构建了随机森林模型对冠心病不同阶段进行分类，并利用 ROC曲线(ROC)曲线对分类进行了检验(详情见“材料和方法”一节)。总共构建了5个预测模型（Control vs CAD, Control vs SCAD, SCAD vs UA, SCAD vs ACS和UA vs MI）。

随后，作者再通过招募新队列使用该模型进行分类预测，进一步论证该疾病亚型识别模型的潜在分类能力。

小结：从这两篇文献来看，作者均通过某个分类法机器学习预测模型寻找biomarkers，然后使用ROC曲线对模型进行评估。因此，我们可以初步得知，ROC曲线是用于检验构建的预测模型好坏的一种衡量方法。那么除了这种用途，ROC曲线还能做什么呢？

为了进一步了解并应用ROC曲线，我们需要首先了解ROC曲线的原理和过往↓

关于ROC曲线相关介绍的文章非常多，这里我摘抄出个人认为比较详细，可用性强的文章，加以理解。

一、评估预测模型的方法

首先，我们应该了解到预测模型的类型可以分为回归模型和分类模型（分类模型又有两类算法：分类输出型和概率输出型，这里就不一一赘述），而不同模型的评估度量也是不同的， 如何评估模型好坏 ， 机器学习（二十四）——常见模型评估方法 ， 分类模型的评估方法简介 首先需要了解自己构建的预测模型类型来决定评估方法，并不局限于使用ROC曲线进行评估。

ROC曲线原理：

关于ROC曲线的概念和意义可参考： ROC曲线的概念和意义

英文比较好的话也可以看看这篇： ROC curves – what are they and how are they used

为了更直观的理解ROC，也可以看看这个视频： ROC and AUC, Clearly Explained!

受试者工作特征曲线（receiver operator characteristic curve, ROC曲线），最初用于评价雷达性能，又称为接收者 *** 作特性曲线。ROC曲线其实就是从混淆矩阵衍生出来的图形，以真阳性率（灵敏度，Sensitivity）为纵坐标，假阳性率（1-特异度，1-Specificity）为横坐标绘制的曲线。

其自变量（检验项目）一般为连续性变量（如蛋白质因子、菌株、代谢物等的检测丰度或含量），因变量（金标准，如某疾病亚型分类、治疗响应和无响应、患病和未患病）一般为二分类变量。

ROC曲线图形：随着阈值的减小，更多的值归于正类，敏感度和1-特异度也相应增加，所以ROC曲线呈递增趋势。那条45度对角线是一条参照线，也就是说ROC曲线要与这条曲线比较。简单的说，如果我们不用模型，直接随机把客户分类，我们得到的曲线就是那条参照线，然而我们使用了模型进行预测，就应该比随机的要好，所以ROC曲线要尽量远离参照线，越远，我们的模型预测效果越好。

ROC曲线就是用来判断诊断的正确性，最理想的就是曲线下的面积为1，比较理想的状态就是曲线下的面积在08-09之间，05的话对实验结果没有什么影响。

提到ROC曲线，就离不开AUC(ROC曲线下面积)，其判定方法为AUC应该大于05。ROC曲线是根据与对角线进行比较来判断模型的好坏，但这只是一种直觉上的定性分析，如果我们需要精确一些，就要用到AUC，也就是ROC曲线下面积（AUC）。

从AUC判断分类器（预测模型）优劣的标准：

AUC = 1，是完美分类器，采用这个预测模型时，存在至少一个阈值能得出完美预测。绝大多数预测的场合，不存在完美分类器。

05 < AUC < 1，优于随机猜测。这个分类器（模型）妥善设定阈值的话，能有预测价值。

AUC = 05，跟随机猜测一样（例：丢铜板），模型没有预测价值。

AUC < 05，比随机猜测还差；但只要总是反预测而行，就优于随机猜测。

看上图，参考线的面积是05，ROC曲线与它偏离越大，ROC曲线就越往左上方靠拢，它下面的面积(AUC)也就越大，这里面积是0869。我们可以根据AUC的值与05相比，来评估一个分类模型的预测效果。

二、ROC曲线的历史和关键值

这里推荐阅读这篇： 机器学习基础（1）- ROC曲线理解 。这里从最初雷达兵使用ROC曲线评估的故事说起，言简意赅。

ROC曲线最初的研究是为了确定美国雷达“接收机 *** 作员”是如何漏掉日本飞机的。在模型预测判断中，会出现真阳、假阳、真阴和假阴的三种情况，而不同雷达兵都可能有自己的一套评判标准，对每个接收的信号是大鸟还是轰炸机，每个雷达兵会给出自己的判断结果，这样每个雷达兵就都能计算出一个ROC曲线上的关键点（一组FPR,TPR值），把大家的点连起来，也就是最早的ROC曲线了。

ROC曲线需要了解几个关键值：

敏感性： 正确识别真阳性的比例。在这种情况下，健康患者的比例由诊断工具正确识别。这有时被称为“召回”。

SN =真阳性/（真阳性+假阴性）

逆（1灵敏度）=  假负率 。未被该工具检测到的健康患者被错误地识别为患有CAD。假阴性也称为II型错误。

特异性： 正确识别真阴性的比例。在这种情况下，通过诊断工具正确识别CAD患者的比例。

SP =真阴性/（真阴性+误报）

逆（1-特异性）=  假阳性率 。CAD患者被错误地识别为无CAD。误报也称为I型错误。

积极预测价值： 该工具报告的阳性比例，实际上是积极的。对于诊断工具报告缺乏CAD的患者组，PPV是实际上没有患病的患者的比例。这有时被称为“精确度”。

PPV =真阳性/（真阳性+误报）

负面预测值： 该工具报告的负面影响的比例，实际上是负面的。对于诊断工具报告存在CAD的患者组，NPV是实际上没有CAD的患者的比例。

NPV =真阴性/（真阴性+假阴性）

这里可以借助混淆矩阵加以理解：

TP(True Positive): 真实为0，预测也为0

FN(False Negative): 真实为0，预测为1

FP(False Positive): 真实为1，预测为0

TN(True Negative): 真实为0，预测也为0

三、ROC曲线的主要作用

1、ROC曲线能很容易地查出任意界限值时的对疾病的识别能力。

2、选择最佳的诊断界限值。

3、两种或两种以上不同诊断试验对疾病识别能力的比较。在对同一种疾病的两种或两种以上诊断方法进行比较时，可将各试验的ROC曲线绘制到同一坐标中，以直观地鉴别优劣，靠近左上角的ROC曲线所代表的受试者工作最准确。亦可通过分别计算各个试验的ROC曲线下的面积(AUC)进行比较，哪一种试验的AUC最大，则哪一种试验的诊断价值最佳。

四、交叉验证和过拟合问题

参考： 你真的了解交叉验证和过拟合吗？

机器学习Cross-Validation（交叉验证）详解

10折交叉验证（10-fold Cross Validation）与留一法（Leave-One-Out）、分层采样（Stratification）

意识到过拟合好像也是个棘手的问题，所以在这里补充一下：

简单来讲，当 train set 误差较小，而 test set 误差较大时，我们即可认为模型过拟合。这句话表达的另一层意思是，模型评估指标的方差（variance）较大，即可认为模型过拟合。另外，无论监督学习还是非监督学习，均存在过拟合的问题。

有一个比喻还不错，这里也摘抄下来：

语文老师 让同学A 解释一个句子：  ‘某鲁迅先生的文章~~~~~~~~’

欠拟合：    差生： 这是个什么鬼东西，比例哔哩哔哩~~~~

过拟合：    语文老师的解释： ‘表面上看是~~~，但其实~~~~，本质上~~~~~~，反映了~~~~心情，烘托了~~~气氛~~~’

正常：        当时鲁迅先生觉得天色晚了，该休息了。

那么，如何才能够在一定程度上避免过拟合呢？这就引出了交叉验证：

最简单的判断模型是否过拟合的方法，就是通过training accuracy 和 test accuracy 数值大小，直观的判断模型是否过拟合。例如，训练集的准确率为90%，而测试集的准确率为70%，那么我们可以认为模型过拟合。不过，这种方法没有明确的判断标准，完全靠个人的主观判断——“感觉训练和测试的误差相差有点大，有可能过拟合”。

如何利用交叉验证避免过拟合？

避免模型过拟合的方法，总结大概以下几点：

   - 重新清洗数据（删除稀疏特征、对噪声数据进行处理（删除/替换））

- 重新采样（改变采样方法等）

- 增加训练数据

- 采用交叉验证训练模型

- 重新筛选特征

- 降低模型复杂度（增加正则项：L1，L2）

- dropout（神经网络中，让神经元一定的概率不工作）

这里探讨如何利用交叉验证来避免模型过拟合：

第一个作用是对模型的性能进行评估 。当我们通过一次划分样本对模型进行训练和测试时，由于样本划分的偶然性，会导致我们对模型的评估不准确。因此，可以采用交叉验证对模型进行评估（一般采用5折或10折，sklearn默认采用的是3折），以 n 折交叉验证结果的均值，作为模型的性能评估。

第二个作用就是用来避免过拟合 。例如当我们进行10折交叉验证时，训练了10次，得到了10个模型，每个模型的参数也是不同的，那么我们究竟用哪个模型作为我们最终的模型呢？答案是： 一个都不用！我们要利用全量数据重新训练出一个最终模型！

关于实现ROC曲线的绘制，可通过多种途径进行，这里列出一些可 *** 作平台和方法：

1、SPSS： 如何用SPSS做ROC曲线分析？看这1篇就够了！

2、R语言： R语言逻辑回归、ROC曲线和十折交叉验证

                    ROC曲线基于R语言-（pROC包）

                    R语言pROC包绘制ROC曲线

3、Python： 机器学习基础（1）- ROC曲线理解

                    ROC原理介绍及利用python实现二分类和多分类的ROC曲线

4、Matlab： Matlab绘图——ROC曲线绘制（官方demo）

                     ROC曲线详解及matlab绘图实例

ROC曲线的初步学习就到这里，我们初步了解到ROC曲线最初是用来评估雷达兵判断的轰炸机信号准确性的方法，随后沿用到了医学指标的判定上，在生活中应用广泛。ROC曲线可用于查出任意界限值时的对疾病的识别能力，选择最佳的诊断界限值，还可以用在评估机器学习预测模型的好坏上（目前好像这方面用的比较多）。当然，还有一些问题值得讨论，比如，何时需要使用ROC曲线，S折交叉验证平均ROC曲线如何绘制，等等。在机器学习模型构建过程中，训练集和测试集的建立，模型的交叉验证和ROC曲线评估的结合，还需要继续学习。

Kootte RS, Levin E, Salojärvi J, Smits LP, Hartstra AV, Udayappan SD, Hermes G, Bouter KE, Koopen AM, Holst JJ, Knop FK, Blaak EE, Zhao J, Smidt H, Harms AC, Hankemeijer T, Bergman JJGHM, Romijn HA, Schaap FG, Olde Damink SWM, Ackermans MT, Dallinga-Thie GM, Zoetendal E, de Vos WM, Serlie MJ, Stroes ESG, Groen AK, Nieuwdorp M Improvement of Insulin Sensitivity after Lean Donor Feces in Metabolic Syndrome Is Driven by Baseline Intestinal Microbiota Composition Cell Metab 2017 Oct 3;26(4):611-619e6 doi: 101016/jcmet201709008 PMID: 28978426

Liu H, Chen X, Hu X, Niu H, Tian R, Wang H, Pang H, Jiang L, Qiu B, Chen X, Zhang Y, Ma Y, Tang S, Li H, Feng S, Zhang S, Zhang C Alterations in the gut microbiome and metabolism with coronary artery disease severity Microbiome 2019 Apr 26;7(1):68 doi: 101186/s40168-019-0683-9 PMID: 31027508; PMCID: PMC6486680

Rodriguez-Ruiz A, Lång K, Gubern-Merida A, Broeders M, Gennaro G, Clauser P, Helbich TH, Chevalier M, Tan T, Mertelmeier T, Wallis MG, Andersson I, Zackrisson S, Mann RM, Sechopoulos I Stand-Alone Artificial Intelligence for Breast Cancer Detection in Mammography: Comparison With 101 Radiologists J Natl Cancer Inst 2019 Sep 1;111(9):916-922 doi: 101093/jnci/djy222 PMID: 30834436; PMCID: PMC6748773

Duclos G, Bobbia X, Markarian T, Muller L, Cheyssac C, Castillon S, Resseguier N, Boussuges A, Volpicelli G, Leone M, Zieleskiewicz L Speckle tracking quantification of lung sliding for the diagnosis of pneumothorax: a multicentric observational study Intensive Care Med 2019 Sep;45(9):1212-1218 doi: 101007/s00134-019-05710-1 Epub 2019 Jul 29 PMID: 31359081

如果使用的是华为手机，出现了无卡图标 或插入2张SIM卡只显示1个信号图标时，说明SIM卡无法识别，请您按照如下方法排查：

一、请重启手机尝试

建议您重启手机，让手机重新读取“SIM卡”后尝试。

二、请观察SIM外观是否良好

1、观察SIM卡金属表面是否有脏污，清理SIM卡表面污垢，避免产生接触不良的情况。

2、如果您是自行裁剪的SIM卡，很可能由于SIM卡形状不标准，安装在卡托内容易松动造成接触不良。建议您携带身份z到就近的运营商营业厅更换标准SIM卡使用。

三、请进行交叉验证

如果您的SIM卡安装到其他正常手机上也不能被识别，或者其他正常SIM卡安装到您的手机上可以正常识别，很可能是您的SIM卡出现故障，建议您携带身份z到就近的运营商营业厅更换标准SIM卡使用。

如果尝试以上方法后仍未解决此问题，请您提前备份好数据(QQ，微信等第三方应用需单独备份)，并携带相关购机凭证，到附近的华为客户服务中心检测。      

相关链接如下：维修备件价格查询预约服务寄修服务客户服务中心

数字人民币是国家背书的法定货币，自概念诞生以来，一直都是人们关注的焦点。

目前数字人民币已经基本完成了顶层设计、标准制定、功能研发、联调测试等工作了。据了解，数字货币将先行在深圳、苏州、雄安新区、成都及未来的冬奥场景进行内部封闭试点测试。

如果顺利的话，2022年，我们将可以揭开数字货币的面纱。

近日，中国人民银行行长易纲明确表示：数字人民币在研发工作上不预设技术路线，可以在市场上公平竞争选优，既可以考虑区块链技术，也可采取在现有电子支付基础上演变出来的新技术，充分调动市场的积极性和创造性。

也就是说：区块链是数字人民币研发考虑的技术路线，但绝不是唯一选择。

数字人民币和比特币

区块链是比特币的底层技术。

数字人民币和比特币一样，都是通过智能合约的方式实现点对点支付，有严格的程序进行交叉验证、不容易被伪造；

虽然都是虚拟币，不同的是，数字货币是用来流通的法定货币，有法律效力；比特币是虚拟资产，具有投资价值。

数字人民币和区块链

虽然区块链不是唯一选择，但区块链技术却有强的竞争力。

数字人民币采取了双层运营体系，即人民银行不直接对公众发行和兑换央行数字货币，而是先把数字人民币兑换给指定的运营机构，再由这些机构兑换给公众。运营机构需要向人民银行缴纳100%准备金，这就是1∶1的兑换过程。

7月28日，农业银行发布公告称：通过附属机构设立的农银金融 科技 有限责任公司（下称“农银金科”）于北京正式注册成立，其注册资本为人民币6亿元。

根据公告显示，农行金科的的业务方向主要是运用金融 科技 手段，开展技术创新、软件研发、产品运营与技术咨询。而在农行金科发布了招聘公告中，笔者发现软件研发中有一项职位为：区块链研发工程师。

主要职责为：区块链技术应用研究、项目建设和优化工作，推进基于区块链的银行业务拓展和业务优化，并提供解决方案。

从这一些动作中，可以看出区块链技术是银行重点发展的技术之一，无论最终数字人民币最终会是如何，区块链技术都将推动我们继续进步发展。

文章作者：小链 财经 大世

P2P网贷平台都会通过几道程序对借款人进行严格的审核，确保借款项目真实性和安全性。以共赢社为例，平台与小额贷款机构合作对每个借款项目经过多重严格审核。

1、小额贷款机构针对每笔借款，进行线下实地考察，对借款人信息进行交叉验证以及真实性验证；

2、审核借款人详细材料，包括借款人银行流水、征信报告、财产证明、房产证明、工作z明等必备材料；

3、借款人及联系人背景的详尽调查。借款人需要提供3个联系人，均由小贷公司和借款人电话核实；

4、借款人还款能力评估。通过上述三项审核（尤其是第1和第2项）还原借款人真实的月净现金流。

通过上述4重审核后，该借款项目被推荐到平台上，平台风控团队根据自身的风控标准对借款人进行二次审核。

1、再次审核借款资料，以保证合作机构提供的借款真实可信；

2、根据与益百利共同开发的信用评分体系对借款人进行评分，得出借款项目等级，保证每笔借款都是优质的。

两个并发执行的进程p1，p2，能正确执行

更新1：添加了React对React Native的影响。

更新2：基本确定其使用了 css-layout，添加了对React Native的总结

更新3：React native已经开源了： React Native，只有iOS版。objc代码并和开源前的我们的一些结论（见后文）交叉验证。简单地从前端工程师和系统整体角度说一下React native的特点和优劣。

扩展资料：

程序的并发执行可进一步分为两种，第一种是多道程序系统的程序执行环境变化所引起的多道程序的并发执行；第二种并发执行是在某道程序的几个程序段中，包含着一部分可以同时执行或顺序颠倒执行的代码。例如：

read（a）；

read（b）；

既可以同时执行，也可以颠倒次序执行。也就是说，对于这样的语句，同时执行不会改变顺序程序所具有的逻辑性质。因此，可以采用并发执行来充分利用系统资源以提高计算机的处理能力。

参考资料来源：百度百科-程序并发执行

以上就是关于青少年学业情绪问卷反向计分全部的内容，包括:青少年学业情绪问卷反向计分、拍卖公司把藏品鉴定后又拿去审核要多长时间、ROC曲线——相关文献实例、原理和绘制方法等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！