講座摘要

在中國，本科生的就業問題變得越來越複雜，尤其是在疫情期間及其之後。高等教育的迅速擴張與激烈的勞動力市場競爭，凸顯了提升就業品質與解決結構性問題的迫切性本研究採用社會認知職業理論(Social Cognitive Career Theory, SCCT)中的自我管理模型，結合機器學習(ML)技術，以識別關鍵的微觀變數，並將這些要素整合至預測框架中，從而提供精准、高效且個性化的職業建議。研究收集了來自中國不同地區和高校的1513名本科生的資料。本研究測試了五種預測模型，以確定最有效的求職結果預測方法: (1)傳統路徑分析結合多元線性回歸(MLR);(2)MLR結合機器學習;(3)多變數非重複線性函數關係模型(MpULFR)結合機器學習;(4)路徑分析結合MLR再結合機器學習;(5)改良路徑分析模型(PA+)結合MpULFR與機器學習。在訓練集與測試集比例為8:2的五分類預測中，第五種模型的預測準確率達到79.18%，在多項評估指標中表現優異，表明該方法在預測準確性方面能夠有效識別最優的引數組合。

此外，研究還評估了模型簡化的效果，即通過系統性刪除相關性較低的變數，在模型複雜性與預測準確率之間取得平衡。通過這一過程，模型的預測能力和運算效率進一步提升，準確率最高達79.39%。本研究提出的PA+模型在提升預測能力的同時，考慮了測量誤差的存在，並結合機器學習方法增強變數選擇與預測精度。此外，研究還採用改進後的SCCT程式，有助於在不同的結構方程模型(SEM)框架下簡化求職過程。

所提出的PA+與機器學習結合的模型，不僅將測量誤差納入路徑分析（這在社會科學或問卷調查資料中常見），還成功地將路徑分析從僅用於檢驗變數間因果關係拓展為具備預測功能的工具。然而，研究亦存在一定局限性：樣本量相對較小，資料主要來自中國部分地區與高校。未來研究應擴大樣本覆蓋範圍，進一步檢驗該模型在其他資料上。

講座亮點

• 1,513 名本科生｜跨地區、跨高校，數據更全面
• 五分類預測｜8:2 資料切分，模型更穩定
• PA+模型｜結合 MpULFR 與機器學習，效率與準確率兼具
• 為什麼這模型更強？
• 系統刪除低相關變數，提升效率
• 納入測量誤差，結果更精準
• 路徑分析從因果檢驗進化為「預測工具」！