.png){kind=icon}
返回
Explainable Machine Learning for Predicting Student Depression Risk
.png){kind=icon}
OA
AI
DOI：10.3390/bioengineering13091083.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
学生抑郁问题已成为教育机构内的关键议题，亟需支持高风险学生早期识别的方法。本研究开发了一种可解释的机器学习框架，用于预测学生抑郁风险，利用非临床人口统计学、学业、生活方式和心理社会因素。采用包含约27,901名学生记录的公共OpenML数据集，开发了逻辑回归、随机森林和XGBoost模型，并使用准确率、精确率、召回率、F1分数和ROC-AUC进行评估。在性别和财务压力组间进行了公平性评估，同时应用SHAP和LIME提供模型预测的全局、类别级和局部解释。结果表明，所有模型均表现出较强的预测性能，其中XGBoost表现最佳（准确率=0.846，召回率=0.883，F1分数=0.870，ROC-AUC=0.920）。公平性评估显示性别组间性能相对一致，而模型在识别高财务压力组学生的抑郁病例时表现更优。此外，可解释性分析识别出自杀想法、学业压力和财务压力为最具影响力的预测因子。开发了一个Streamlit原型以展示实际部署。总体而言，研究结果展示了可解释机器学习在支持学生抑郁风险识别和提供可解释模型预测方面的潜力。
Keyword:
student depression risk
non-clinical data
machine learning
explainable artificial intelligence
fairness evaluation
decision support system
期刊
B
IF:
3.7
论文数:
403
被引数:
0
机构
引用论文
An investigation of the imputation techniques for missing values in ordinal data enhancing clustering and classification analysis validity对序数型数据中缺失值插补技术的研究，以增强聚类和分类分析的可靠性
OAAI
OAAI分享收藏Prevalence of mental disorder symptoms among university students: An umbrella review大学学生中精神障碍症状的患病率：一项伞式综述OAAI
OAAI分享收藏Explainable AI in action: a comparative analysis of hypertension risk factors using SHAP and LIME可解释AI的应用：基于SHAP和LIME的高血压风险因素比较分析
PREAI
分享收藏Machine Learning Methods in Student Mental Health Research: An Ethics-Centered Systematic Literature Review以伦理为中心的学生心理健康研究中的机器学习方法：系统文献综述
PREAI
分享收藏Prediction of depressive disorder using machine learning approaches: findings from the NHANES使用机器学习方法预测抑郁症: 来自NHANES的发现OAAI
OAAI分享收藏Machine Learning, Deep Learning, and Data PreprocessingTechniques for Detecting, Predicting, and Monitoring Stress andStress-Related Mental Disorders:Scoping Review.png)
JMIR MENTAL HEALTHOAAI
JMIR MENTAL HEALTHIF5.8
OAAI分享收藏Machine learning predictive models to guide prevention and intervention allocation for anxiety and depressive disorders among college students机器学习预测模型用于指导针对大学生焦虑症和抑郁症的预防与干预资源分配OAAI
OAAI分享收藏
查看更多内容