一个双重注意力转换器建模用于在学术环境中使用TABERT的可解释心理健康分析
Qin Yuan1, Weiming Sun2, Fei Li3
1School of Humanities, Jiangxi University of Traditional Chinese Medicine, Nanchang, 330004, Jiangxi, China. yuan880520@sina.cn.
Scientific reports
|February 25, 2026
概括
一个新的变压器模型, Tabular BERT (TaBERT),通过分析各种特征,准确地预测学生的心理健康. 像LIME和SHAP这样的可解释AI (XAI) 方法提高了透明度,揭示了关键的心理健康预测因素.
科学领域:
- 人工智能的人工智能
- 心理学 心理学 心理学
- 数据科学数据科学数据科学
背景情况:
- 心理健康显著影响学生的学术和实践成果.
- 传统的分析方法与心理健康的复杂性作斗争.
- 可解释的人工智能 (XAI) 正在出现,以提高心理健康研究的透明度.
研究的目的:
- 引入 Tabular BERT (TaBERT),这是一个基于变压器的模型,用于全面的心理健康预测.
- 整合和分析语境,心理,个人和社会特征.
- 通过XAI技术增强模型的可解释性和信任性.
主要方法:
- 开发了一个基于变压器的模型, Tabular BERT (TaBERT),结合了深度上下文嵌入,双向注意力和记忆机制.
- 使用先进的特征排名技术 (信息获取,获取比率,) 进行分析.
- 应用可解释的人工智能方法,包括局部可解释模型不可知解释 (LIME) 和夏普利添加式解释 (SHAP).
主要成果:
- 在心理健康预测方面,TaBERT取得了最高的96%准确率.
- 与心理健康相关的特征被确定为最重要的预测因素 (信息值为0.129).
- LIME和SHAP为特征贡献提供了详细的全球和本地解释.
结论:
- 与传统方法相比,拟议的TABERT模型在心理健康预测方面表现优越.
- XAI技术成功地提高了模型的可解释性和可信度.
- 研究结果强调了综合特征分析和可解释的人工智能在心理健康研究中的重要性.
