DOI: https://doi.org/10.3389/fpsyg.2025.1684529
PMID: https://pubmed.ncbi.nlm.nih.gov/41551956
تاريخ النشر: 2026-01-02
المؤلف: Cheng Liu وآخرون
الموضوع الرئيسي: الصحة النفسية من خلال الكتابة
نظرة عامة
تقدم ورقة البحث دراسة تهدف إلى توقع مستويات الضغط بين الطلاب، مع معالجة الضغوط المتعددة التي يواجهونها في الأكاديميات والحياة الاجتماعية وتخطيط المهنة. لتحقيق ذلك، طور المؤلفون نموذج توقع الضغط باستخدام خوارزمية شجرة القرار المحسنة (DT). قاموا في البداية بمقارنة تسع خوارزميات تعلم آلي، بما في ذلك الانحدار اللوجستي (LR) وDT، لتحديد النموذج الأساسي الأكثر فعالية. بعد ذلك، تم استخدام خوارزمية تحسين صقور هاريس (HHO) لتحسين نموذج DT، مما أدى إلى تحسين أداء التوقع. ثم تم استخدام نموذج شابلين الإضافي التفسيري (SHAP) لتفسير النتائج وتقييم تأثير الميزات المختلفة على مستويات الضغط.
تشير النتائج إلى أن خوارزمية DT تفوقت على النماذج الأخرى، محققة دقة توقع تبلغ 0.909. بعد تحسينها باستخدام خوارزمية HHO، زادت الدقة إلى 0.927، مع ظهور النموذج بأقل عدد من التصنيفات الخاطئة. حدد تحليل SHAP ضغط الدم والدعم الاجتماعي والاكتئاب كعوامل مهمة تؤثر على مستويات الضغط لدى الطلاب. تؤكد النتائج على إمكانية التدخلات المستهدفة من قبل معلمي الصحة النفسية والآباء والطلاب لتخفيف الضغط وتعزيز الرفاهية العامة.
مقدمة
في المقدمة، تسلط الورقة الضوء على الضغوط النفسية الكبيرة التي يواجهها المراهقون وطلاب الشباب (AYAS) بسبب التحديات الأكاديمية والاجتماعية والمهنية. يمكن أن تؤدي هذه الضغوط، التي تفاقمت بسبب نقص الدعم الاجتماعي، إلى مشاكل صحية عقلية، وخاصة الاكتئاب. تشير الأبحاث إلى أن الضغوط اليومية أكثر احتمالًا لإحداث أعراض اكتئابية من الأحداث الحياتية الكبرى. تناقش الورقة أيضًا التقدم في تعلم الآلة، وخاصة دمج خوارزميات التحسين الميتاهيرستية مع النماذج التقليدية، والتي أظهرت وعدًا في تعزيز دقة التصنيف عبر تطبيقات مختلفة، بما في ذلك الرعاية الصحية والزراعة.
الهدف الرئيسي من هذا البحث هو تطوير نموذج توقع لضغط AYAS باستخدام خوارزمية شجرة القرار المحسنة (DT). تسعى الدراسة إلى تحديد مستويات الضغط بدقة وتحليل العوامل المؤثرة، مما يوفر رؤى للتدخلات في الصحة النفسية. تشمل النتائج الرئيسية الأداء الأمثل لنموذج DT بدقة تبلغ 0.8955، متفوقًا على نماذج أخرى مثل Random Forest وXGBoost. حقق إدخال نموذج HHO-DT دقة تبلغ 0.927 مع تقليل كبير في وقت التشغيل. بالإضافة إلى ذلك، تم استخدام نموذج SHAP لتحديد تأثير عوامل مثل ضغط الدم والدعم الاجتماعي والاكتئاب على توقع الضغط، مما يعزز شفافية النموذج وقابليته العملية لاستراتيجيات التدخل.
الطرق
تحدد قسم “المواد والطرق” في ورقة البحث التصميم التجريبي والإجراءات المستخدمة للتحقيق في فرضية البحث. يوضح المواد المحددة المستخدمة، بما في ذلك أي مواد كيميائية ومعدات وعينات بيولوجية، مما يضمن إمكانية تكرار الدراسة. تشمل المنهجية التقنيات المطبقة لجمع البيانات وتحليلها، مثل الاختبارات الإحصائية والبروتوكولات التجريبية وأي نماذج حسابية مستخدمة.
بالإضافة إلى ذلك، قد يصف القسم طرق أخذ العينات، بما في ذلك معايير اختيار المشاركين أو العينات، فضلاً عن الضوابط المطبقة للتحقق من النتائج. بشكل عام، يعمل هذا القسم كأساس حاسم لفهم صلاحية وموثوقية النتائج المقدمة في الدراسة.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على الطبيعة متعددة الأبعاد لضغط الطلاب، مشددة على أن الضغط الأكاديمي هو مصدر قلق رئيسي تفاقم بسبب زيادة صعوبة الدورات وحجم الواجبات المنزلية والضغوط التنافسية للحصول على التعليم العالي. تشير الدراسات إلى أن طلاب التمريض، على وجه الخصوص، يواجهون ضغطًا كبيرًا من عوامل متعلقة بالمدرسة، مثل العروض التقديمية والمواعيد النهائية الضيقة، بينما تلعب الديناميات الأسرية، بما في ذلك توقعات الوالدين والظروف الاقتصادية، أيضًا دورًا حاسمًا في تشكيل مستويات الضغط. علاوة على ذلك، تعتبر العوامل النفسية الفردية، مثل سمات الشخصية وآليات التكيف، حاسمة في كيفية إدراك الطلاب وإدارة الضغط. يمكن أن يؤثر التعرض الطويل للضغط سلبًا على كل من الصحة البدنية والعقلية، مع ربط الدراسات بين الضغط ومشاكل صحية متنوعة، بما في ذلك حالات الجلد وتدهور الأداء الأكاديمي.
في معالجة ضغط الطلاب، تدعو الورقة إلى استراتيجيات تدخل متعددة المستويات، بما في ذلك تحسين المناهج، وتعليم الصحة النفسية، وتعزيز الدعم الأسري. تؤكد على أهمية تطوير مهارات التكيف الفعالة بين الطلاب لتعزيز المرونة. بالإضافة إلى ذلك، ينتقل القسم إلى تطبيق تعلم الآلة في توقع ضغط الطلاب، مشيرًا إلى التقدم في دقة الخوارزميات ودمج مصادر بيانات متنوعة. على الرغم من الوعد، تعترف الأبحاث بالتحديات مثل جودة البيانات والاعتبارات الأخلاقية، مما يشير إلى الحاجة إلى تحسين مستمر في النمذجة التنبؤية لدعم تدخلات الصحة النفسية للطلاب بشكل أفضل.
القيود
تؤثر قيود مجموعة البيانات المستخدمة في هذه الدراسة، المأخوذة من كاجل، بشكل كبير على النتائج وقابلية تعميم البحث. بشكل أساسي، مجموعة البيانات متحيزة جغرافيًا وثقافيًا، تمثل بشكل أساسي الأفراد من نيبال وتستبعد البيانات من مناطق أخرى، مثل الولايات المتحدة. بالإضافة إلى ذلك، يقتصر التركيز على الأفراد الذين تتراوح أعمارهم بين 15-24 على القدرة على تحليل الفئات العمرية الأصغر، مثل طلاب المدارس الابتدائية. تعقد غياب متغير العمر الصريح أيضًا التحليلات الفرعية، خاصة في فحص كيفية تأثير الدعم الاجتماعي على الضغط عبر مراحل أكاديمية مختلفة.
علاوة على ذلك، فإن المحددات الاجتماعية الحرجة للصحة، بما في ذلك دخل الأسرة، ومستويات تعليم الوالدين، وموارد المجتمع، مفقودة من مجموعة البيانات، مما يحد من قدرة النموذج على حساب الفوارق الهيكلية التي تؤثر على ضغط الطلاب. كما أن الطبيعة العرضية للبيانات تمنع فحص التغيرات الطولية في ظروف الطلاب بمرور الوقت. بينما يظهر النموذج دقة عالية تبلغ 0.928، فإن قابليته للتطبيق عبر مراحل أكاديمية وسياقات ثقافية متنوعة لا تزال غير مؤكدة. بالإضافة إلى ذلك، تتطلب الطبيعة الحساسة للمعلومات المعنية اعتبارًا دقيقًا لحماية الخصوصية وتخفيف التحيز في تطبيق النموذج، خاصة بالنظر إلى الآثار المحتملة على تخصيص الموارد في التدخلات.
DOI: https://doi.org/10.3389/fpsyg.2025.1684529
PMID: https://pubmed.ncbi.nlm.nih.gov/41551956
Publication Date: 2026-01-02
Author(s): Cheng Liu et al.
Primary Topic: Mental Health via Writing
Overview
The research paper presents a study aimed at predicting stress levels among students, addressing the multifaceted pressures they face in academics, social life, and career planning. To achieve this, the authors developed a stress prediction model utilizing an enhanced decision tree (DT) algorithm. They initially compared nine machine learning algorithms, including logistic regression (LR) and DT, to identify the most effective base model. Subsequently, the harris hawks optimization (HHO) algorithm was employed to refine the DT model, resulting in improved prediction performance. The Shapley Additive Explanations (SHAP) model was then utilized to interpret the results and assess the impact of various features on stress levels.
The findings indicate that the DT algorithm outperformed the other models, achieving a prediction accuracy of 0.909. Following optimization with the HHO algorithm, the accuracy increased to 0.927, with the model exhibiting the fewest misclassifications. SHAP analysis identified blood pressure, social support, and depression as significant factors influencing students’ stress levels. The results underscore the potential for targeted interventions by mental health educators, parents, and students to alleviate stress and enhance overall well-being.
Introduction
In the introduction, the paper highlights the significant psychological pressures faced by adolescents and young adult students (AYAS) due to academic, social, and career-related challenges. These pressures, exacerbated by a lack of social support, can lead to mental health issues, particularly depression. Research indicates that daily stressors are more likely to induce depressive symptoms than major life events. The paper also discusses advancements in machine learning, particularly the integration of metaheuristic optimization algorithms with traditional models, which have shown promise in enhancing classification accuracy across various applications, including healthcare and agriculture.
The primary aim of this research is to develop a predictive model for AYAS stress using an enhanced decision tree (DT) algorithm. The study seeks to accurately identify stress levels and analyze the influencing factors, thereby providing insights for mental health interventions. Key findings include the DT model’s optimal performance with an accuracy of 0.8955, outperforming other models like Random Forest and XGBoost. The introduction of the HHO-DT model achieved an accuracy of 0.927 with significantly reduced runtime. Additionally, the SHAP model was utilized to quantify the impact of factors such as blood pressure, social support, and depression on stress prediction, enhancing the model’s transparency and practical applicability for intervention strategies.
Methods
The “Materials and Methods” section of the research paper outlines the experimental design and procedures employed to investigate the research hypothesis. It details the specific materials used, including any reagents, equipment, and biological samples, ensuring reproducibility of the study. The methodology encompasses the techniques applied for data collection and analysis, such as statistical tests, experimental protocols, and any computational models utilized.
Additionally, the section may describe the sampling methods, including the selection criteria for participants or samples, as well as the controls implemented to validate the results. Overall, this section serves as a critical foundation for understanding the validity and reliability of the findings presented in the study.
Discussion
The discussion section of the research paper highlights the multifaceted nature of student stress, emphasizing that academic stress is a primary concern exacerbated by increasing course difficulty, homework volume, and competitive pressures for further education. Studies indicate that nursing students, in particular, face significant stress from school-related factors, such as presentations and tight deadlines, while family dynamics, including parental expectations and economic conditions, also play a critical role in shaping stress levels. Furthermore, individual psychological factors, such as personality traits and coping mechanisms, are crucial in how students perceive and manage stress. Long-term stress exposure can adversely affect both physical and mental health, with studies linking stress to various health issues, including skin conditions and academic performance deterioration.
In addressing student stress, the paper advocates for multi-level intervention strategies, including curriculum optimization, mental health education, and enhanced family support. It underscores the importance of developing effective coping skills among students to foster resilience. Additionally, the section transitions into the application of machine learning for predicting student stress, noting advancements in algorithmic accuracy and the integration of diverse data sources. While promising, the research acknowledges challenges such as data quality and ethical considerations, indicating a need for ongoing refinement in predictive modeling to better support student mental health interventions.
Limitations
The limitations of the dataset utilized in this study, sourced from Kaggle, significantly impact the findings and generalizability of the research. Primarily, the dataset is geographically and culturally biased, predominantly representing individuals from Nepal and excluding data from other regions, such as the United States. Additionally, the focus on individuals aged 15-24 restricts the ability to analyze younger populations, such as elementary school students. The absence of an explicit age variable further complicates subgroup analyses, particularly in examining how social support influences stress across different academic stages.
Moreover, critical social determinants of health, including household income, parental education levels, and community resources, are missing from the dataset, which limits the model’s ability to account for structural inequalities affecting student stress. The cross-sectional nature of the data also precludes the examination of longitudinal changes in student conditions over time. While the model demonstrates a high accuracy of 0.928, its applicability across diverse academic stages and cultural contexts remains uncertain. Additionally, the sensitive nature of the information involved necessitates careful consideration of privacy protection and bias mitigation in the model’s application, especially given the potential implications for resource allocation in interventions.