DOI: https://doi.org/10.3389/fpsyg.2026.1773434
PMID: https://pubmed.ncbi.nlm.nih.gov/41853818
تاريخ النشر: 2026-03-03
المؤلف: Jiajia Xu وآخرون
الموضوع الرئيسي: المرونة والصحة النفسية
نظرة عامة
تقدم هذه الدراسة تقييمًا شاملاً للمرونة بين طلاب الكلية المهنية، مع التأكيد على أهمية التقييمات الدقيقة لإدارة الضغط الانتقالي. باستخدام تصميم مزدوج المسار مع حجم عينة يبلغ 1,588، طور الباحثون إطار عمل متعدد الأبعاد للمرونة يتميز بثلاثة عوامل أساسية: الإصرار، القوة، والتفاؤل. أكدت التحليلات النفسية على قوة الإطار وأظهرت ثبات القياس عبر الجنسين. علاوة على ذلك، أسفرت عملية التحقق التنبؤية باستخدام تقنيات التعلم الآلي، وبشكل خاص نموذج XGBoost، عن أداء متفوق (AUC = 0.883) في تحديد الطلاب المعرضين لخطر انخفاض المرونة مقارنة بأساليب الانحدار اللوجستي التقليدية. تضمنت المؤشرات الرئيسية التي تم تحديدها من خلال تحليل SHAP جودة النوم والضغط المدرك، مما يتماشى مع نظرية الضغط والموارد.
في الختام، تؤسس هذه البحث بنجاح نظام تقييم نفسي متعدد الأبعاد مدعوم بالذكاء الاصطناعي مصمم لطلاب الكلية المهنية. تؤكد النتائج صحة وموثوقية إطار المرونة مع تسليط الضوء على فعالية نموذج XGBoost في تحديد المخاطر. كما تبرز الدراسة أهمية دمج النظريات النفسية مع علم البيانات، مما يوفر رؤى قابلة للتنفيذ لفحص المخاطر النفسية المبكرة والتدخلات المخصصة في البيئات التعليمية. لا يعزز هذا النهج فهم عوامل المرونة فحسب، بل يسهل أيضًا الدعم المستهدف للطلاب المحتاجين.
مقدمة
تسلط مقدمة ورقة البحث الضوء على القلق المتزايد بشأن مخاطر الصحة النفسية بين الطلاب في التعليم العالي، خاصة بسبب الضغط الأكاديمي، وعدم اليقين في التوظيف، ونقص الدعم الاجتماعي. تم تحديد المرونة النفسية كعامل وقائي حاسم يخفف من الآثار السلبية للضغط على الصحة النفسية. تشير الدراسات الطولية إلى أنه بينما تتقلب الضغوط الأكاديمية، تظل العلاقة بين المرونة والصحة النفسية مستقرة، مما يبرز أهمية تحديد ومعالجة انخفاض المرونة في وقت مبكر. تشمل الاستراتيجيات الحالية لتعزيز المرونة التعليم النفسي والفحص القياسي، ومع ذلك، لا تزال التحديات قائمة في تطوير نظام قياس موثوق ومناسب للسياق.
تنتقد الورقة مقاييس المرونة الحالية، مثل مقياس الدعم الاجتماعي المدرك متعدد الأبعاد (MSPSS)، واستبيان تنظيم العواطف (ERQ)، ومقياس مرونة كونور-ديفيدسون (CD-RISC)، ومقياس المرونة القصير (BRS)، مشيرة إلى قيودها في معالجة الضغوط الفريدة التي يواجهها طلاب الكلية المهنية. يواجه هؤلاء الطلاب ضغوط انتقالية تختلف عن تلك التي تواجهها مجموعات الكلية التقليدية، وغالبًا ما تفتقر المقاييس الحالية إلى الاتساق في أطرها المفاهيمية وقابليتها للتطبيق عبر مجموعات متنوعة. يقترح المؤلفون نموذجًا جديدًا يدمج النظرية النفسية مع الأساليب المعتمدة على البيانات لإنشاء أداة تقييم مرونة متعددة الأبعاد مصممة لطلاب الكلية المهنية. يهدف هذا النموذج إلى تحديد أبعاد المرونة الرئيسية، والتحقق من صحة أداة التقييم، واستخدام تقنيات التعلم الآلي للتنبؤ بمخاطر انخفاض المرونة، مما يوفر في النهاية دعمًا نفسيًا مستهدفًا ورصدًا للطلاب.
الطرق
تحدد قسم “الطرق” الإجراءات التجريبية والتحليلية المستخدمة في الدراسة. استخدم الباحثون مجموعة من الأساليب الكمية والنوعية لجمع البيانات، مما يضمن تحليلًا شاملاً للظواهر قيد التحقيق. تضمنت المنهجيات المحددة تجارب محكومة، ونمذجة إحصائية، ومحاكاة، تم تصميمها لاختبار الفرضيات التي تم وضعها في بداية البحث.
شملت عملية جمع البيانات عملية أخذ عينات منهجية، حيث تم اختيار المشاركين بناءً على معايير محددة مسبقًا لضمان التمثيل. استخدمت التحليلات تقنيات إحصائية متقدمة، مثل تحليل الانحدار واختبار الفرضيات، لتقييم العلاقات بين المتغيرات. بالإضافة إلى ذلك، دمجت الدراسة مقاييس التحقق لتعزيز موثوقية وValidity النتائج، مما يضمن إمكانية تعميم النتائج على سياق أوسع. بشكل عام، كانت الطرق المستخدمة صارمة ومصممة لمعالجة أسئلة البحث بفعالية.
المناقشة
تحدد قسم المناقشة في ورقة البحث إطارًا شاملاً للتنبؤ بالمرونة النفسية بين طلاب المدارس المهنية، مع التأكيد على نهج مدفوع بالنظرية يدمج أبعادًا متعددة من المرونة. تفترض الدراسة أن المرونة تتأثر ليس فقط بالعوامل النفسية الفردية، مثل تقدير الذات وتنظيم العواطف، ولكن أيضًا بالعناصر السياقية مثل الضغوط الأكاديمية وأنظمة الدعم الاجتماعي. يقترح المؤلفون نموذجًا تنبؤيًا هيكله حول أربعة أبعاد رئيسية: الانتماء والمشاركة في الحرم الجامعي، موارد النظام الذاتي، الضغوط الأكاديمية والمهنية، وآليات الدعم والتكيف. يهدف هذا النموذج إلى تحديد كل من عوامل الخطر والحماية التي تسهم في المرونة، مما يسهل التدخلات المستهدفة للطلاب المعرضين لخطر انخفاض المرونة.
تقوم الدراسة أيضًا بصياغة فرضيات استكشافية بناءً على “نظرية الضغط والموارد”، مقترحة أن عوامل الحماية ستتوافق سلبًا مع انخفاض المرونة، بينما ستتوافق عوامل الخطر إيجابيًا. بالإضافة إلى ذلك، تتوقع أن تتفوق نماذج التعلم الآلي، وخاصة الأساليب التجميعية مثل XGBoost، على تقنيات الانحدار التقليدية في التنبؤ بنتائج المرونة. تركز أسئلة البحث على الأهمية النسبية للأبعاد المحددة، وتأثيرات المتغيرات الديموغرافية، وقابلية تعميم نموذج التنبؤ عبر سياقات مهنية مختلفة. تشمل المنهجية عملية تحقق مزدوجة، مما يضمن تقييمًا نفسيًا صارمًا وصلاحية تنبؤية من خلال عينة محددة جيدًا وتطوير نموذج صارم، بهدف تقديم رؤى قابلة للتنفيذ لتعزيز المرونة النفسية في بيئات التعليم المهني.
DOI: https://doi.org/10.3389/fpsyg.2026.1773434
PMID: https://pubmed.ncbi.nlm.nih.gov/41853818
Publication Date: 2026-03-03
Author(s): Jiajia Xu et al.
Primary Topic: Resilience and Mental Health
Overview
This study presents a comprehensive evaluation of resilience among vocational college students, emphasizing the importance of accurate assessments to manage transitional stress. Utilizing a dual-track design with a sample size of 1,588, the researchers developed a multidimensional resilience framework characterized by three core factors: tenacity, strength, and optimism. Psychometric analyses confirmed the framework’s robustness and demonstrated measurement invariance across genders. Furthermore, predictive validation using machine learning techniques, specifically the XGBoost model, yielded superior performance (AUC = 0.883) in identifying students at risk for low resilience compared to traditional logistic regression methods. Key predictors identified through SHAP analysis included sleep quality and perceived stress, aligning with the stress-resource theory.
In conclusion, this research successfully establishes an AI-assisted, multidimensional psychological resilience evaluation system tailored for vocational college students. The findings affirm the validity and reliability of the resilience framework while highlighting the effectiveness of the XGBoost model in risk identification. The study also underscores the significance of integrating psychological theories with data science, providing actionable insights for early psychological risk screening and tailored interventions in educational settings. This approach not only enhances understanding of resilience factors but also facilitates targeted support for students in need.
Introduction
The introduction of the research paper highlights the growing concern regarding mental health risks among students in higher education, particularly due to academic stress, employment uncertainties, and insufficient social support. Psychological resilience is identified as a crucial protective factor that mitigates the adverse effects of stress on mental health. Longitudinal studies suggest that while academic pressures fluctuate, the relationship between resilience and mental health remains stable, underscoring the importance of identifying and addressing low resilience early on. Current strategies for enhancing resilience include psychological education and standardized screening, yet challenges persist in developing a reliable and context-appropriate measurement system.
The paper critiques existing resilience scales, such as the Multidimensional Scale of Perceived Social Support (MSPSS), Emotion Regulation Questionnaire (ERQ), Connor-Davidson Resilience Scale (CD-RISC), and Brief Resilience Scale (BRS), noting their limitations in addressing the unique stressors faced by vocational college students. These students experience transitional stressors that differ from those of traditional college populations, and existing scales often lack consistency in their conceptual frameworks and applicability across diverse groups. The authors propose a novel model that integrates psychological theory with data-driven methods to create a multidimensional resilience assessment tool tailored for vocational college students. This model aims to identify key resilience dimensions, validate the assessment tool, and utilize machine learning techniques to predict low resilience risks, ultimately providing targeted psychological support and monitoring for students.
Methods
The “Methods” section outlines the experimental and analytical procedures employed in the study. The researchers utilized a combination of quantitative and qualitative approaches to gather data, ensuring a comprehensive analysis of the phenomena under investigation. Specific methodologies included controlled experiments, statistical modeling, and simulations, which were designed to test the hypotheses formulated at the outset of the research.
Data collection involved a systematic sampling process, with participants selected based on predetermined criteria to ensure representativeness. The analysis employed advanced statistical techniques, such as regression analysis and hypothesis testing, to evaluate the relationships between variables. Additionally, the study incorporated validation measures to enhance the reliability and validity of the findings, ensuring that the results could be generalized to a broader context. Overall, the methods employed were rigorous and tailored to address the research questions effectively.
Discussion
The discussion section of the research paper outlines a comprehensive framework for predicting psychological resilience among vocational school students, emphasizing a theory-driven approach that integrates multiple dimensions of resilience. The study posits that resilience is influenced not only by individual psychological factors, such as self-esteem and emotional regulation, but also by contextual elements like academic pressures and social support systems. The authors propose a predictive model structured around four key dimensions: campus belonging and participation, self-system resources, academic and occupational stressors, and support and coping mechanisms. This model aims to identify both risk and protective factors that contribute to resilience, facilitating targeted interventions for students at risk of low resilience.
The study also formulates exploratory hypotheses based on the “stress-resource theory,” suggesting that protective factors will correlate negatively with low resilience, while risk factors will correlate positively. Additionally, it anticipates that machine learning models, particularly ensemble methods like XGBoost, will outperform traditional regression techniques in predicting resilience outcomes. The research questions focus on the relative importance of the identified dimensions, the moderating effects of demographic variables, and the generalizability of the prediction model across different vocational contexts. The methodology includes a dual-track validation process, ensuring robust psychometric evaluation and predictive validity through a well-defined sample and rigorous model development, ultimately aiming to provide actionable insights for enhancing psychological resilience in vocational education settings.