使用RoBERTa-Large分析学生心理健康:一种情绪分析和数据分析方法

科学领域:

• 人工智能的人工智能
• 心理学 心理学 心理学
• 自然语言处理自然语言处理.

背景情况:

• 学生的心理健康对于学业成功和整体福祉至关重要.
• 传统的心理健康监测方法耗时且容易产生偏见.
• 人工智能,特别是NLP和情绪分析,提供了新的方法来分析文本数据以获得心理健康见解.

研究的目的:

• 通过使用先进的深度学习模型进行情感分析来调查学生的心理健康.
• 评估大型语言模型 (LLM) 在分析学生心理健康数据中的有效性.
• 为了确定学生心理健康的模式受学术和体育活动的影响.

主要方法:

• 使用最先进的大型语言模型 (LLM) 进行了情感分析.
• 评估的模型包括RoBERTa (一个强大优化的BERT方法),RoBERTa-Large和ELECTRA.
• 使用了七个不同的心理健康状况标签的多分类任务.

主要成果:

• 在预测学生心理健康状况方面,RoBERTa-Large获得了最高准确率的97%.
• 以91%的准确度,ELECTRA表现出强的性能.
• 该研究强调了基于LLM的情绪分析对心理健康评估的有效性.

结论:

• 基于LLM的情感分析是监测学生心理健康的强大工具.
• 先进的深度学习模型可以有效地识别文本数据中的复杂情绪表达和情绪.
• 这种由人工智能驱动的方法显示了理解学术和体育活动对学生福祉的影响的巨大潜力.