学生心理健康风险评估的先进数据分析和预测模型
Xiuyu Shi1, Jin Pan2, Daofu Yuan2,3
1Department of Psychology and Behavioral Sciences, Zhejiang University, Hangzhou, Zhejiang, China.
Frontiers in psychology
|November 27, 2025
概括
这项研究介绍了PsyGraph-SSL,这是一种用于早期检测学生心理健康风险的新型模型. 它有效地整合了多模式数据和时间动态,以改善预测和干预.
科学领域:
- 计算精神病学是一种计算精神病学.
- 机器学习在心理健康中的应用
- 学生的福祉研究研究.
背景情况:
- 学生心理健康问题的普遍增加需要先进的检测方法.
- 现有的方法无法充分捕捉复杂的多模式数据和时间动态.
- 早期干预对于减轻学生心理健康挑战至关重要.
研究的目的:
- 提出PsyGraph-SSL,这是一个用于预测和分析学生心理健康风险的新型模型.
- 通过整合多种数据源和时间分析来解决当前方法的局限性.
- 加强学生心理健康的早期发现和干预策略.
主要方法:
- 开发了PsyGraph-SSL,结合了图形卷积网络 (GCN),时间建模和自我监督学习 (SSL).
- 集成的多模式数据:情绪,行为和生理信号.
- 使用GCN用于社会/情感关系,SSL用于特征学习,以及用于动态变化的时间建模.
主要成果:
- 在WESAD和学生福祉数据集上,PsyGraph-SSL的表现明显优于传统模型.
- 实现了卓越的精度,F1得分和AUC,在捕捉波动方面表现出了有效性.
- 验证了该模型在学生心理健康监测中实时适应性支持的潜力.
结论:
- PsyGraph-SSL提供了一种全面的解决方案,用于学生心理健康监测,使用多模式数据融合和时间分析.
- 该模型显示了早期检测和及时干预的巨大潜力.
- 未来的工作旨在通过解决数据挑战来提高概括性和实际应用性.
