Video Experimental Relacionado
Updated: Feb 28, 2026
08:45
Mapping Cortical Dynamics Using Simultaneous MEG/EEG and Anatomically-constrained Minimum-norm Estimates: an Auditory Attention Example
Published on: October 24, 2012
15.3K
Un modelo transformador de atención dual para el análisis explicable de la salud mental en entornos académicos
Qin Yuan1, Weiming Sun2, Fei Li3
1School of Humanities, Jiangxi University of Traditional Chinese Medicine, Nanchang, 330004, Jiangxi, China. yuan880520@sina.cn.
Scientific reports
|February 25, 2026
Resumen
Un nuevo modelo transformador, Tabular BERT (TaBERT), predice con precisión la salud mental de los estudiantes analizando diversas características. Los métodos de IA explicable (XAI) como LIME y SHAP mejoran la transparencia, revelando predictores clave de la salud mental.
Área de la Ciencia:
- Inteligencia artificial
- Psicología
- Ciencia de datos
Sus antecedentes:
- La salud mental impacta significativamente en los resultados académicos y prácticos de los estudiantes.
- Los métodos analíticos tradicionales luchan con la complejidad del bienestar psicológico.
- La IA explicable (XAI) está emergiendo para mejorar la transparencia en la investigación de la salud mental.
Objetivo del estudio:
- Introducir Tabular BERT (TaBERT), un modelo basado en transformadores para la predicción integral de la salud mental.
- Integrar y analizar características contextuales, psicológicas, personales y sociales.
- Mejorar la interpretabilidad y la confianza del modelo a través de técnicas de XAI.
Principales métodos:
- Desarrolló un modelo basado en transformadores, Tabular BERT (TaBERT), que incorpora incrustaciones contextuales profundas, atención bidireccional y un mecanismo de memorización.
- Utilizó técnicas avanzadas de clasificación de características (ganancia de información, relación de ganancia, entropía) para el análisis.
- Aplicó métodos de IA explicable, incluidas las explicaciones interpretables agnósticas del modelo local (LIME) y las explicaciones aditivas de Shapley (SHAP).
Principales resultados:
- TaBERT logró una precisión del 96 % en la predicción de la salud mental.
- Se identificaron las características relacionadas con la salud mental como los predictores más significativos (valor de información de 0.129).
- LIME y SHAP proporcionaron explicaciones detalladas, globales y locales de las contribuciones de las características.
Conclusiones:
- El modelo TaBERT propuesto demuestra un rendimiento superior en la predicción de la salud mental en comparación con los métodos convencionales.
- Las técnicas de XAI mejoraron con éxito la interpretabilidad y la confiabilidad del modelo.
- Los hallazgos subrayan la importancia del análisis integrado de características y la IA explicable en la investigación de la salud mental.
