利用可解释机器学习预测与理解大学生心理健康
机器学习
2025-06-11 v3 计算机与社会
摘要
大学生的心理健康问题已达到严重水平，显著影响了学业表现和整体福祉。预测和理解大学生的心理健康状态具有挑战性，主要由于三个因素：需要大规模纵向数据集；缺乏透明度的黑盒机器学习模型的普遍存在；以及现有方法倾向于在群体层面提供聚合见解，而非个体化理解。为了应对这些挑战，本文提出了 I-HOPE，即首个用于个性化心理健康预测的可解释分层模型。I-HOPE 是一个两阶段分层模型，通过五个定义的、作为交互标签的行为类别，将原始行为特征与心理健康状态联系起来。我们在 College Experience Study 这一时间最长的纵向移动感知数据集上对 I-HOPE 进行了评估。该数据集跨越五年，捕获了疫情前和 COVID-19 疫情期间的数据。I-HOPE 达到了 91% 的预测准确率，显著超越了基线方法 60-70% 的准确率。此外，I-HOPE 将复杂的模式提炼为可解释的、个体化的见解，从而能够促进未来定制化干预措施的开发，并改善心理健康支持。代码可在 https://github.com/roycmeghna/I-HOPE 获取。
引用
@article{arxiv.2503.08002,
title = {Predicting and Understanding College Student Mental Health with Interpretable Machine Learning},
author = {Meghna Roy Chowdhury and Wei Xuan and Shreyas Sen and Yixue Zhao and Yi Ding},
journal= {arXiv preprint arXiv:2503.08002},
year = {2025}
}
备注
12 pages, 10 figures, ACM/IEEE International Conference on Connected Health: Applications, Systems and Engineering Technologies (CHASE '25), June 24--26, 2025, New York, NY, USA