Что на самом деле определяет гибкость подросткового мышления в стрессовых ситуациях
Цель: Целью настоящего исследования было прогнозирование когнитивной гибкости на основе контроля внимания, рабочей памяти и навыков решения проблем у подростков с использованием алгоритма машинного обучения CatBoost. Методы и материалы. Исследование проводилось с использованием количественного, описательно-корреляционного и прогнозного дизайна. В статистическую совокупность вошли подростки, обучающиеся в средних школах Тегерана в 2025–2026 учебном году. Окончательная выборка состояла из 384 подростков, отобранных посредством многоступенчатой кластерной выборки. Данные были собраны с использованием стандартизированных инструментов самоотчета, измеряющих когнитивную гибкость, контроль внимания, рабочую память и навыки решения проблем. После предварительного анализа данных были проведены описательные индексы, коэффициенты надежности, коэффициенты корреляции Пирсона и прогнозирующий анализ на основе машинного обучения. Алгоритм CatBoost использовался для прогнозирования когнитивной гибкости, а набор данных был разделен на обучающую и тестовую подгруппы. Эффективность модели оценивалась с использованием средней абсолютной ошибки, среднеквадратической ошибки, среднеквадратичной ошибки, коэффициента детерминации и пятикратной перекрестной проверки. Также был проведен анализ важности признаков для определения относительного вклада каждого предиктора. Результаты: результаты показали, что когнитивная гибкость имеет значительную положительную корреляцию с навыками решения проблем (r = 0,61, p <0,01), контролем внимания (r = 0,55, p < 0,01) и рабочей памятью (r = 0,48, p < 0,01). Модель CatBoost продемонстрировала приемлемую точность прогнозирования. В обучающем наборе модель объясняла 76.5% дисперсии когнитивной гибкости, а в тестовом наборе — 65.2% дисперсии. Результаты перекрестной проверки также подтвердили стабильность модели: средний R² составил 0,636. Анализ важности функций показал, что навыки решения проблем имели наибольший прогностический вклад, за ними следовали контроль внимания и рабочая память. Вывод: Результаты показывают, что когнитивную гибкость подростков можно значимо прогнозировать по навыкам решения проблем, контролю внимания и рабочей памяти. Алгоритм CatBoost предоставил эффективную прогностическую модель и показал, что навыки решения проблем являются наиболее важным предиктором.
## В чем суть открытия Подростковое познание похоже на движение в плотном потоке транспорта: внимание замечает опасности, память хранит дорожную карту, но при решении проблем активно маневрирует, объезжая внезапные препятствия, чтобы добраться до пункта назначения. ## Как это устроено: принцип работы В исследовании собраны показатели самооценки по контролю внимания, рабочей памяти и способности решать проблемы у подростков. Эти многомерные функции передаются в регрессор повышения градиента CatBoost с упорядоченным повышением, отображающим нелинейные зависимости, которые прогнозируют общую когнитивную гибкость без ограничений линейной регрессии. ## Что это меняет на практике Позволяет педагогам и школьным психологам выявлять молодых людей, страдающих когнитивной ригидностью, и отдавать предпочтение структурированным семинарам по решению проблем над изолированной тренировкой механического запоминания. ## Границы метода и риски Ограничено перекрестными анкетами для самоотчета, а не объективными нейропсихологическими оценками, основанными на задачах, и ограничено одной городской когортой в Тегеране. ## Результаты и доказательства - **Комплексный скор значимости:** 9.5 / 10.0 - **Уровень доказательности:** программный бенчмарк и верификация - **Бенчмарки и прирост:** R² = 0.652, MAE = 7.18, RMSE = 9.06 (Test Set); 5-Fold CV R² = 0.636, RMSE = 9.28 - **Размер выборки / валидация:** N = n = 384 secondary school adolescents (ages 13–18)