利用上下文感知机器学习框架进行压力监测以保护学生心理健康
机器学习
2025-08-05 v1 人工智能
计算机与社会
摘要
学生心理健康是学术机构日益关注的问题，压力会严重影响学生的身心健康和学业表现。传统的评估方法依赖于主观调查和定期评估，为及时干预提供的价值有限。本文引入了一个上下文感知的机器学习框架，用于使用两个互补的基于调查的数据集（涵盖心理、学业、环境和社会因素）对学生压力进行分类。该框架遵循一个六阶段流水线，涉及预处理、特征选择（SelectKBest、RFECV）、降维（PCA），以及使用六个基分类器进行训练：SVM、Random Forest、Gradient Boosting、XGBoost、AdaBoost 和 Bagging。为了提升性能，我们实施了集成策略，包括硬投票、软投票、加权投票和堆叠。我们的最佳模型在 Student Stress Factors 数据集上通过加权硬投票实现了 93.09% 的准确率，在 Stress and Well-being 数据集上通过堆叠实现了 99.53% 的准确率，超越了先前的基准。这些结果突出了上下文集成、数据驱动系统在早期压力检测方面的潜力，并强调了它们在现实学术环境中支持学生身心健康的适用性。
引用
@article{arxiv.2508.01105,
title = {Protecting Student Mental Health with a Context-Aware Machine Learning Framework for Stress Monitoring},
author = {Md Sultanul Islam Ovi and Jamal Hossain and Md Raihan Alam Rahi and Fatema Akter},
journal= {arXiv preprint arXiv:2508.01105},
year = {2025}
}
备注
6 pages, 3 figures, 3 tables, 1 algorithm. Conference paper