DOI: https://doi.org/10.1038/s41598-026-40080-x
PMID: https://pubmed.ncbi.nlm.nih.gov/41741559
تاريخ النشر: 2026-02-26
المؤلف: Qin Yuan وآخرون
الموضوع الرئيسي: الصحة النفسية من خلال الكتابة
نظرة عامة
يتناول هذا القسم من ورقة البحث تطوير وتقييم نموذج قائم على المحولات، Tabular BERT (TaBERT)، يهدف إلى التنبؤ بنتائج الصحة النفسية للطلاب من خلال دمج ميزات نفسية وديموغرافية وسلوكية متنوعة. تسلط الدراسة الضوء على قيود الأساليب التحليلية التقليدية في التقاط الطبيعة المعقدة للصحة النفسية وتؤكد على مزايا استخدام تقنيات الذكاء الاصطناعي القابل للتفسير (XAI) لتعزيز شفافية النموذج. حقق TaBERT دقة مثيرة للإعجاب بنسبة 96% على مجموعة بيانات استبيان الصحة النفسية للطلاب، متفوقًا على طرق التعلم الآلي التقليدية ونماذج التعلم العميق المعروفة. تشمل المتنبئات الرئيسية التي تم تحديدها درجات التوتر والقلق، والعمر، ونوع السكن، مع تأكيد الاختبارات الإحصائية على أهمية عوامل نمط الحياة والانخراط المختلفة.
يعترف المؤلفون بالقيود، مثل الطبيعة العرضية لمجموعة البيانات، التي تحد من الاستدلال السببي، والانحيازات الثقافية المحتملة بسبب السياق المحدد للبيانات. يقترحون اتجاهات بحث مستقبلية تشمل استخدام بيانات طولية لتتبع التغيرات بمرور الوقت، ودمج مصادر بيانات متعددة الوسائط للحصول على سياق أغنى، وتنقيح أدوات القابلية للتفسير المخصصة لعلم النفس التعليمي. تهدف هذه الجهود إلى تعزيز قابلية التطبيق والصلابة للنهج المدفوعة بالذكاء الاصطناعي في دعم الصحة النفسية للطلاب والأداء الأكاديمي.
مقدمة
تسلط المقدمة الضوء على التأثير التحويلي للذكاء الاصطناعي (AI) عبر مختلف القطاعات، وخاصة في التعليم والرعاية الصحية والأعمال. تعزز تقنيات الذكاء الاصطناعي، بما في ذلك التعلم الآلي وخوارزميات التعلم العميق، اتخاذ القرارات وأتمتة العمليات، ومع ذلك، غالبًا ما تكافح المؤسسات التعليمية لتنفيذ حلول الذكاء الاصطناعي المصممة لتلبية احتياجاتها المحددة. يبرز هذا الفجوة ضرورة وجود نهج مدفوع بالذكاء الاصطناعي في إدارة التسجيل وفحص الصحة النفسية، خاصة في بيئات التعليم المهني حيث يواجه الطلاب ضغوطًا فريدة.
علاوة على ذلك، فإن الاستخدام الواسع لوسائل التواصل الاجتماعي يولد كميات هائلة من البيانات، التي يمكن تحليلها باستخدام تقنيات الذكاء الاصطناعي لمجموعة متنوعة من التطبيقات، بما في ذلك تحليل المشاعر وتقييم الشخصية. بينما تعتبر وسائل التواصل الاجتماعي مصدرًا قيمًا للطلاب، يمكن أن يؤدي الاستخدام المفرط إلى تحديات صحية نفسية مثل التوتر والقلق. تقترح المقدمة أن الأنظمة المدعومة بالذكاء الاصطناعي يمكن أن تحدد الطلاب المتأثرين بهذه القضايا من خلال تحليل أنماط التفاعل والتعرض للمحتوى، مما يسهل التدخلات في الوقت المناسب. يقدم هذا التكامل بين الذكاء الاصطناعي ومراقبة وسائل التواصل الاجتماعي حلاً شاملاً لدعم الصحة النفسية والنجاح الأكاديمي للطلاب المهنيين، الذين غالبًا ما يكونون غير مزودين بالموارد من حيث دعم الصحة النفسية.
الطرق
تهدف منهجية البحث المقترحة إلى تقييم تأثير الحالات النفسية للطلاب من خلال النظر في عوامل متنوعة، بما في ذلك المنظورات النفسية والاجتماعية والشخصية. لتحقيق ذلك، تستخدم الدراسة نماذج متعددة من التعلم الآلي (ML) المطبقة على مجموعة بيانات تشمل هذه العوامل المستهدفة. الهدف الرئيسي هو التنبؤ بدقة بنتائج الصحة النفسية وتقييم أداء الطلاب في إدارة ملفاتهم الأكاديمية.
تشمل المنهجية عدة خطوات رئيسية، بما في ذلك تنظيف البيانات واختيار الميزات، كما هو موضح في الشكل 1. بالإضافة إلى ذلك، يقدم الجدول 5 تحليلًا للتدابير وطرق تفسير الذكاء الاصطناعي القابل للتفسير (XAI) المستخدمة في الدراسة، مما يبرز أهمية الشفافية في نماذج التعلم الآلي المطبقة. تم تصميم هذا النهج المنظم لضمان نتائج قوية بشأن التفاعل بين الصحة النفسية والأداء الأكاديمي بين الطلاب.
النتائج
تشير نتائج الدراسة إلى أن المتغيرات النفسية بين الطلاب، وخاصة الضغط المالي، ودرجة القلق، ودرجة الاكتئاب، ومستوى التوتر، تظهر استمرارية معتدلة عبر نطاقاتها. يتم توزيع درجات الضغط المالي بشكل متساوٍ، مما يبرز التباين الكبير في تجارب الطلاب المالية. في المقابل، تميل درجات القلق والاكتئاب إلى التجمع في نطاقات معتدلة إلى عالية، مما يشير إلى أن عددًا كبيرًا من الطلاب يعاني من مستويات مرتفعة من الأعراض. يتم توزيع مستويات التوتر بشكل مشابه، مع تركيز سائد في التوتر المعتدل. يكشف تحليل هذه العوامل النفسية أن الضغط المالي (درجة اكتساب المعلومات 0.129) هو المتنبئ الأكثر أهمية لنتائج الطلاب، يليه القلق (0.105) والاكتئاب (0.101). وهذا يبرز الحاجة الملحة للكشف المبكر والتدخل لمعالجة هذه التحديات النفسية، التي يمكن أن تؤثر سلبًا على الأداء الأكاديمي والانخراط الاجتماعي.
توضح تقنيات هندسة الميزات، بما في ذلك اكتساب المعلومات (IG)، ونسبة الاكتساب (GR)، وتحليل الانتروبيا، العوامل التي تؤثر على نتائج الطلاب. يظهر العمر كأكثر العوامل الشخصية تأثيرًا (درجة IG 0.815)، يليه حالة العلاقة والمشاركة في الأنشطة اللامنهجية. يشير التحليل إلى أن نوع السكن هو الميزة الأكثر معلوماتية للتنبؤ بالصحة النفسية والأداء، مع درجة IG تبلغ 0.69. تسلط الدراسة أيضًا الضوء على الدور المهم للضغوط المالية والنفسية، مما يشير إلى أن الكليات المهنية يمكن أن تعزز الصحة النفسية للطلاب ونجاحهم الأكاديمي من خلال معالجة هذه القضايا. تظهر نماذج التعلم الآلي، وخاصة الانحدار اللوجستي (LR)، قدرات تنبؤية قوية، حيث تحقق دقة تبلغ 76% من خلال الاستفادة الفعالة من الميزات المحددة. بشكل عام، تؤكد النتائج على أهمية فهم ومعالجة المتغيرات النفسية والعوامل الشخصية لتحسين نتائج الطلاب في البيئات المهنية.
المناقشة
في هذه المناقشة، تسلط الدراسة الضوء على الدور الحاسم للصحة النفسية في التعليم المهني وتأثيرها على الأداء الأكاديمي للطلاب. تحدد الدراسة أن نسبة كبيرة من الطلاب الجامعيين على مستوى العالم (12%-46%) يعانون من مشاكل نفسية، مما يمكن أن يؤثر سلبًا على نجاحهم الأكاديمي وجودة حياتهم بشكل عام. من خلال الاستفادة من تقنيات الذكاء الاصطناعي ضمن نظام إدارة الطلاب الشامل، تهدف الدراسة إلى تعزيز الكشف المبكر عن مشاكل الصحة النفسية، مما يعزز رفاهية الطلاب وأداء المؤسسات. تؤكد النتائج على أهمية معالجة القضايا النفسية، خاصة في الكليات المهنية، حيث يواجه الطلاب غالبًا ضغوطًا فريدة.
تستخدم المنهجية المقترحة نموذجًا قائمًا على المحولات، TaBERT، الذي يدمج العوامل النفسية والشخصية والاجتماعية للتنبؤ بالصحة النفسية للطلاب بدقة عالية (96%). يتفوق هذا النموذج على خوارزميات التعلم الآلي التقليدية وطرق التجميع، مما يوضح فعالية تقنيات تصنيف الميزات المتقدمة مثل اكتساب المعلومات، ونسبة الاكتساب، والانتروبيا. بالإضافة إلى ذلك، تؤكد الدراسة على أهمية القابلية للتفسير في تطبيقات الذكاء الاصطناعي، باستخدام SHAP وLIME لتقديم رؤى حول الميزات التنبؤية، مما يضمن أن تكون تنبؤات النموذج قابلة للتفسير وقابلة للتنفيذ للمعلمين وصانعي السياسات. بشكل عام، تسهم هذه الدراسة في فهم كيفية استغلال الذكاء الاصطناعي لتحسين نتائج الصحة النفسية والأداء الأكاديمي في بيئات التعليم المهني.
DOI: https://doi.org/10.1038/s41598-026-40080-x
PMID: https://pubmed.ncbi.nlm.nih.gov/41741559
Publication Date: 2026-02-26
Author(s): Qin Yuan et al.
Primary Topic: Mental Health via Writing
Overview
This research paper section discusses the development and evaluation of a transformer-based model, Tabular BERT (TaBERT), aimed at predicting student mental health outcomes by integrating various psychological, demographic, and behavioral features. The study highlights the limitations of traditional analytical methods in capturing the multifaceted nature of mental health and emphasizes the advantages of using explainable AI (XAI) techniques to enhance model transparency. TaBERT achieved an impressive accuracy of 96% on the Student Mental Health Survey dataset, outperforming classical machine learning methods and established deep learning models. Key predictors identified include stress and anxiety scores, age, and residence type, with statistical tests confirming the significance of various lifestyle and engagement factors.
The authors acknowledge limitations, such as the cross-sectional nature of the dataset, which restricts causal inference, and the potential cultural biases due to the specific context of the data. They propose future research directions that include the use of longitudinal data to track changes over time, the integration of multi-modal data sources for richer context, and the refinement of explainability tools tailored to educational psychology. These efforts aim to enhance the applicability and robustness of AI-driven approaches in supporting student mental health and academic performance.
Introduction
The introduction highlights the transformative impact of Artificial Intelligence (AI) across various sectors, particularly in education, healthcare, and business. AI technologies, including machine learning and deep learning algorithms, enhance decision-making and automate processes, yet educational institutions often struggle to implement AI solutions tailored to their specific needs. This gap emphasizes the necessity for AI-driven approaches in managing enrollment and mental health screening, particularly in vocational education settings where students face unique pressures.
Moreover, the pervasive use of social media generates vast amounts of data, which can be analyzed using AI techniques for various applications, including sentiment analysis and personality assessment. While social media serves as a valuable resource for students, excessive use can lead to mental health challenges such as stress and anxiety. The introduction suggests that AI-powered systems could identify students affected by these issues by analyzing interaction patterns and content exposure, facilitating timely interventions. This integration of AI with social media monitoring presents a comprehensive solution to support the mental health and academic success of vocational students, who are often under-resourced in terms of mental health support.
Methods
The proposed research methodology aims to evaluate the impact of students’ mental conditions by considering various factors, including mental, social, and personal perspectives. To achieve this, the study employs multiple machine learning (ML) models applied to a dataset that encompasses these targeted factors. The primary objective is to accurately predict mental health outcomes and assess student performance in managing their academic profiles.
The methodology involves several key steps, including data cleaning and feature selection, as illustrated in Figure 1. Additionally, Table 5 presents an analysis of the measures and explainable artificial intelligence (XAI) interpretability methods utilized in the study, highlighting the importance of transparency in the ML models applied. This structured approach is designed to ensure robust findings regarding the interplay between mental health and academic performance among students.
Results
The results of the study indicate that mental health variables among students, specifically Financial Stress, Anxiety Score, Depression Score, and Stress Level, exhibit moderate continuity across their ranges. Financial Stress scores are evenly distributed, highlighting significant variability in students’ financial experiences. In contrast, Anxiety and Depression Scores tend to cluster in moderate to high ranges, suggesting that a considerable number of students experience elevated symptom levels. Stress Levels are similarly distributed, with a predominant concentration in moderate stress. The analysis of these mental health factors reveals that Financial Stress (Information Gain score of 0.129) is the most significant predictor of student outcomes, followed closely by Anxiety (0.105) and Depression (0.101). This underscores the urgent need for early detection and intervention to address these psychological challenges, which can adversely affect academic performance and social engagement.
Feature engineering techniques, including Information Gain (IG), Gain Ratio (GR), and entropy analysis, further elucidate the factors influencing student outcomes. Age emerges as the most impactful personal factor (IG score of 0.815), followed by relationship status and extracurricular involvement. The analysis indicates that the type of residence is the most informative feature for predicting mental health and performance, with an IG score of 0.69. The study also highlights the significant role of financial and psychological stressors, suggesting that vocational colleges can enhance student mental health and academic success by addressing these issues. Machine learning models, particularly Logistic Regression (LR), demonstrate strong predictive capabilities, achieving an accuracy of 76% by effectively utilizing the identified features. Overall, the findings emphasize the importance of understanding and addressing mental health variables and personal factors to improve student outcomes in vocational settings.
Discussion
In this discussion, the research highlights the critical role of mental health in vocational education and its impact on students’ academic performance. The study identifies that a significant percentage of undergraduate students globally (12%-46%) experience mental health issues, which can adversely affect their academic success and overall quality of life. By leveraging AI technologies within a comprehensive student management system, the research aims to enhance early detection of mental health problems, thereby promoting student well-being and institutional performance. The findings underscore the importance of addressing mental health concerns, particularly in vocational colleges, where students often face unique pressures.
The proposed methodology employs a transformer-based model, TaBERT, which integrates psychological, personal, and social factors to predict student mental health with high accuracy (96%). This model outperforms traditional machine learning algorithms and ensemble methods, demonstrating the effectiveness of advanced feature ranking techniques such as Information Gain, Gain Ratio, and Entropy. Additionally, the study emphasizes the importance of explainability in AI applications, utilizing SHAP and LIME to provide insights into the predictive features, thus ensuring that the model’s predictions are interpretable and actionable for educators and policymakers. Overall, this research contributes to the understanding of how AI can be harnessed to improve mental health outcomes and academic performance in vocational education settings.