利用多层次的卷积神经网络来实现精细的建模和大学生心理健康数据的视觉分析
1Faculty of Intelligent Transportation, Anhui Sanlian University, Hefei, Anhui, China.
PloS one
|October 24, 2025
概括
卷积神经网络 (CNN) 模型在识别学生心理健康问题方面表现出卓越的准确性. 这种先进的方法优于传统方法,为学生提供更好的早期检测和个性化的干预措施.
科学领域:
- 教育心理学教育心理学
- 计算精神病学是一种计算精神病学.
- 医疗保健中的机器学习
背景情况:
- 早期识别学生心理健康挑战对于学业成功和福祉至关重要.
- 目前的评估方法依赖于问卷和传统的机器学习,难以处理复杂的心理数据.
- 需要自动化,适应性方法来有效预测和监测学生的心理健康.
研究的目的:
- 开发和评估一个卷积神经网络 (CNN) 模型,以提高学生心理健康的预测.
- 为了比较CNN与传统机器学习模型的性能,例如渐变增强决策树 (GBDT) 和支持向量机器 (SVM).
- 为了利用CNN的特征提取能力来获取多式联络心理数据.
主要方法:
- 利用整合学术,情感,社会和生活方式指标的数据集进行学生心理健康分析.
- 实现了CNN,用于从多式联运数据中自动地层次地提取特征.
- 通过预测准确性和交叉验证,将CNN与GBDT和SVM进行了比较.
主要成果:
- 美国有线电视新闻网 (CNN) 实现了最高的预测准确率94%,超过SVM (89%) 和GBDT (87%).
- 在k-fold交叉验证中,CNN展示了更快的融合和优越的稳定性.
- 这些发现强调了CNN在处理高维度心理数据方面的有效性.
结论:
- 与学生心理健康评估的传统方法相比,CNN呈现出了显著的进步.
- 这种数据驱动的方法为早期风险检测和量身定制的干预提供了实际价值.
- 这项研究弥合了传统评估与教育环境中的智能自动化心理健康监测之间的差距.