移动连接对学生福祉的影响:使用机器学习算法检测学习者的抑郁症
Muntequa Imtiaz Siraji1, Ahnaf Akif Rahman1, Mirza Muntasir Nishat1
1Department of Electrical and Electronic Engineering, Islamic University of Technology, Gazipur, Dhaka, Bangladesh.
PloS one
|November 27, 2023
概括
学生的心理健康至关重要,特别是随着大流行期间移动设备使用的增加. 机器学习模型可以准确地识别学生的抑郁程度,帮助早期干预和福祉支持.
科学领域:
- 心理学 心理学 心理学
- 计算机科学 计算机科学
- 公共卫生 公共卫生
背景情况:
- 随着COVID-19的流行,人们越来越依赖移动设备,这影响了学生的心理健康.
- 混合学习模式进一步加快了这一趋势,需要对心理健康进行监测.
- 学生对抑郁症的脆弱性在学术生涯中加剧.
研究的目的:
- 调查学生关于持续使用移动设备的心理健康状况.
- 开发一个自动化系统来识别和分类学生的抑郁症严重程度.
- 评估机器学习算法的有效性和用于抑郁症检测的特征工程技术.
主要方法:
- 一项横截面调查收集了444名大学生的数据.
- 八个机器学习算法用于抑郁症的识别和分类.
- 使用了特征选择 (Chi-square,RFE) 和特征提取 (PCA,SparsePCA) 的方法.
主要成果:
- 具有特征工程的机器学习模型将准确度提高了3-15%.
- 使用CatBoost分类器的SparsePCA产生了最佳的准确性,F1得分和ROC-AUC.
- 44%的学生没有表现出抑郁症,25%的学生表现出轻度至中度抑郁症,31%的学生表现出严重至极度抑郁症.
结论:
- 具有特征工程的机器学习模型对于学生的多阶段抑郁症检测是有效的.
- 这种自动化系统可以帮助学生心理健康的早期识别和干预.
- 开发的模型在其他学科中对抑郁症查有潜在的应用.
