SGRI-HF: A Semantic Group-Aware Gated Residual Interaction and Heterogeneous Fusion Framework for College Student Mental Health Risk Identification
本文提出了 SGRI-HF 框架，该框架利用语义分组建模、自适应门控和异构融合，通过捕捉问卷数据中复杂的跨域依赖关系和个体差异，有效地识别大学生心理健康风险，从而实现了比现有方法更优越的性能和可解释性。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
大学生的心理健康是一个复杂的图景，它并非由单一事件塑造，而是由日常习惯、学业压力、社交联系和个人挣扎之间无声的相互作用所构成的。几十年来，研究人员一直依赖问卷调查来绘制这一地形，询问学生关于睡眠、学习习惯、人际关系以及压力水平的情况。传统上，这些调查是通过孤立地分析每一个问题来进行分析的，仿佛学生的睡眠模式或与父母的关系是彼此独立的信息孤岛。然而，人类心理并非孤立运作；这些因素是深度互联的，且它们结合的方式因人而异。一名学生可能主要被学业压力所压倒，而另一名学生可能因为缺乏社会支持而挣脱困境，即便两人都处于风险之中。科学家面临的挑战在于，如何构建一种能够尊重这些自然信息分组，并理解这些因素如何为每个个体发生偏移与交互的方法，而不是将每一个答案都视为一个独立的变量。
来自河南建筑工程学院的研究团队开发了一种应对这一问题的新方法，创建了一个旨在倾听学生通过答案所讲述的完整故事的系统。他们收集了近 2,900 名本科生的数据，要求他们完成一份涵盖生活 51 个不同方面的详细调查，研究人员将这些方面组织成了七个有意义的类别：人口统计、学业行为、生活方式、应对策略、经济与数字习惯、压力来源以及校园支持需求。研究人员并没有将这些答案输入到一个将每个问题同等对待的标准计算机程序中，而是构建了一个专门的框架，该框架首先学习理解每个类别的独特“声音”。随后，它使用一种灵活的机制来决定对于每一位特定的学生，哪种“声音”在说话时最为响亮。对于某些学生，系统可能会加重其睡眠习惯和社会联系的权重；而对于另一些学生，它可能会更多地关注其经济压力或学业困境。这种个性化的权重分配使模型能够看到每个人独特的风险形态。
为了确保该系统的准确性，研究人员结合了两种不同类型的计算机学习。系统的一部分充当“深思者”，分析不同生活因素类别之间的复杂关系；另一部分则充当“敏锐的决策者”，寻找原始数据中可能预示问题的特定模式和阈值。通过融合这两者的洞察，该系统创造了一个比其中任何一种单独实现的效果都更完整的图景。在与该领域使用的其他常见方法进行对比测试时，这一新框架在识别有心理健康风险的学生方面表现得最为有效。它以约 6 男 65% 的准确率正确识别了学生的风险状态，并展现出区分风险人群与非风险人群的强大能力。
研究表明，心理健康风险很少是由于某一个糟糕的日子或某一个特定问题造成的。相反，系统发现最强的信号来自于多种因素的结合，特别是来自朋友的支持、睡眠质量以及与家庭沟通的频率。它还强调了数字习惯（如对手机的依赖）和学业期望压力日益增长的作用。至关重要的是，研究人员发现没有任何单一因素能讲述完整的故事；风险产生于这些不同领域如何相互影响。例如，一名学生可能成绩优异，但睡眠质量差且社交支持薄弱，从而产生了一种简单的分析可能会忽略的隐性脆弱性。
研究人员谨慎地指出，这一工具并不是专业心理评估的替代品，也不是能够绝对预知未来的水晶球。它是一种筛查辅助工具，旨在帮助大学识别那些可能需要早期支持的学生。该系统存在局限性；它并不完美，在某些情况下会漏掉实际上处于风险中的学生，这通常是因为这些学生的状况呈现出正向与负向因素交织的模糊性。研究人员还观察到，系统的表现会根据所分析的学生群体而略有不同，这表明不同的大学可能需要调整其使用该工具的方式。
最终，这项工作证明了理解心理健康需要关注“完整的人”，而不仅仅是症状列表。通过将问题组织成有意义的组别，并允许计算机学习这些组别对每个学生的重要性程度不同，研究人员创造了一种更细致的方法来发现潜在危机。研究结果表明，社会支持、生活方式选择以及学生管理压力的方式是其福祉的核心，而识别每个个体这些因素的独特组合是有效干预的关键。虽然该系统在利用数据保护学生心理健康方面迈出了重要一步，但研究人员强调，它只是在年轻人面临人生挑战时期提供支持的宏大努力中的一部分。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。