在初中生的学习过程中,诸多教育工作者意识到非智力因素的重要性,但长期以来,我国的教学过程中着重培养中小学生的智力发展而忽视非智力因素在学习过程中产生的积极影响。20世纪80年代以来,我国众多心理和教育工作者对“非智力因素”展开大量定性和定量的研究,并取得了相应的研究成果。学生的非智力因素是其社会化发展的重要结果,与社会环境及学校教育紧密相关。近年来,我国经济快速发展带了社会环境的巨大变化,基础教育课程改革的大力推进不但改变了学习方式,也更新了学习内容。此外,以信息技术和大数据思维为基础的研究方法的变革,也为心理学研究带来了新的可能。基于上述基础和背景,本文依托机器学习算法,全面探索各种非智力因素对初中生学业成就的影响。本研究以平顶山市某中学学生为研究对象,在国内外己有研究成果的基础上,采用文献调研、问卷调查、访谈调查等方法,建构非智力因素的维度结构,编制问卷,比较系统地,全面地收集到了初一到初三这三个年级组学习兴趣、学习自信、学习焦虑、情绪稳定性、注意力稳定性、好胜心、成就动机、学习毅力、学习责任心、交往动机、独立性、求知欲等主要非智力因素、智力因素和不同年级组中学生三科学习成绩的相关调查结果。结合调查结果和老师的建议,利用多种机器学习算法分别建模学生的智力因素、非智力因素和家庭等方面与中学生语文成绩、数学成绩和英语成绩之间的关系,并对影响不同年级组和不同学科的非智力因素进行了分析。具体研究结果如下:（1）从理论上来看,无参模型决策树和随机森林在少样本的情况下应该能够取得最优秀的结果,而有参模型如多元线性回归和神经网络应受影响较大,预测结果不佳。从实际研究结果上来看,随机森林由于其集成特质能够取得比决策树更优秀的结果,而决策树会产生偏差,结果也不佳。（2）从研究一的结果上来看。对于不同科目,不同机器学习模型的表现也有差异。随机森林在所有科目上的表现都是最优秀的。而神经网络和决策树在所有科目上的表现都是最差的。至于多元线性回归和支持向量机则呈现出相类似的预测能力,与相关科目的样本分布有关。（3）从研究二的结果上来看,不同非智力因素对不同年级学生的成绩影响是不同的。在七年级,智力因素（瑞文推理分数）的影响是最大的,其次是注意力稳定性,学习兴趣等因素;在八年级,智力因素（瑞文推理分数）的影响力变弱,而注意力稳定性开始发挥最大的作用;在九年级,智力因素（瑞文推理分数）影响进一步下降,这时候影响最大的是好胜心,而注意力稳定性,学习兴趣等因素也有一定的影响。综合来看,相比于之前利用相关分析、回归分析、结构方程模型等方法来分析,随机森林方法等机器学习方法能够处理多因素的共变性问题,为非智力因素和成绩的之间的关系建模提供了新的思路。同时,随机森林等机器学习方法可以分析较为复杂多样的影响因素,可以得知到底哪些因素对于学生的学业成绩的影响较大,也可以单独分离出某一因素对学生学业成绩的影响,从而在整体上对于影响学生学业水平的因素有更为全面的认识。根据研究结果,七年级学生受智力因素的影响最大,非智力因素的影响适中,八年级学生受智力因素的影响开始变少,非智力因素的影响开始上升,九年级学生受非智力因素的影响达到最大,受智力因素的影响较小。根据研究结果,我们证明了非智力因素和智力因素是共同作用的过程,且非智力因素对学习成绩确实有驱动作用。