一种以学生为中心的信息学方法,用于预测抑郁风险,使用混合机器学习和优化技术来支持早期心理健康干预
Anupam Yadav1, Heba Abdul-Jaleel Al-Asady2,3, T Narmadha4
1Department of Computer Engineering and Application, GLA University, Mathura, India.
Informatics for health & social care
|December 23, 2025
概括
这项研究提出了一个新的信息学框架,使用机器学习来预测学生的抑郁风险,从而实现早期心理健康支持和个性化的教育. 优化的额外树木分类器模型实现了96.38%的准确性.
科学领域:
- 教育技术的教育技术
- 计算精神病学是一种计算精神病学.
- 数字健康数字健康
背景情况:
- 学生的心理健康是一个日益关注的问题,影响学业成绩和福祉.
- 早期发现抑郁风险对于及时干预和支持至关重要.
- 预测学生抑郁风险的现有方法往往缺乏准确性和个性化.
研究的目的:
- 开发和验证以学生为中心的信息学框架,用于预测学生的抑郁风险.
- 通过整体机器学习模型提高预测准确性和可解释性.
- 为早期心理健康干预和个性化的教育支持提供一个工具.
主要方法:
- 集成后勤回归分类器 (LRC) 和额外树木分类器 (ETC) 组合模型.
- 使用减去平均值基础优化器 (SABO) 和高尔夫优化算法 (GOA) 的模型优化.
- 使用ANOVA进行特征敏感性分析,以确定关键风险因素 (学习压力,睡眠,学业满意度).
主要成果:
- 优化的额外树木分类器模型 (ETSB) 实现了0.9638 (96.38%) 的高精度.
- 与其他单一和混合型号相比,该框架表现出卓越的性能.
- 特性敏感性分析确定了影响抑郁风险的关键变量.
结论:
- 拟议的信息学框架有效地预测了学生的抑郁风险,并具有很高的准确性.
- 这种数据驱动的方法可以支持教育环境中的早期心理健康干预.
- 该框架作为学校卫生系统和学生支持平台的潜在数字健康工具.
