نمذجة محوّل مزدوج الانتباه لتحليل الصحة النفسية القابل للتفسير في البيئات الأكاديمية باستخدام TaBERT

لماذا ينتمي رفاهية الطلاب والدرجات معًا

يعاني العديد من طلاب الجامعات بهدوء من الضغوط والقلق والمشاكل المالية أثناء سعيهم للحفاظ على درجاتهم. تستكشف هذه الدراسة كيف يمكن للذكاء الاصطناعي الحديث أن يساعد المؤسسات التعليمية على اكتشاف الطلاب الذين قد يكونون عرضة للخطر قبل حدوث أزمة بوقت طويل. من خلال النظر في تجارب الآلاف من الطلاب اليومية — كيفية نومهم ودراستهم وممارستهم للتمارين وتواصلهم الاجتماعي وتعاملهم مع الضغوط المالية — يبني الباحثون نوعًا جديدًا من نماذج الحاسوب التي لا تتنبأ فقط بمن قد يكون في مشكلة، بل تشرح أيضًا العوامل الحياتية الأكثر أهمية. الهدف هو تحويل البيانات الخام إلى رؤى واضحة وقابلة للتنفيذ للمستشارين والمعلمين وصانعي السياسات الذين يرغبون في دعم الصحة النفسية للطلاب دون انتهاك الخصوصية.

نظرة فاحصة على حياة الطلاب

حلل الباحثون مجموعة بيانات مجهولة الهوية تضم أكثر من 7000 طالب من الكليات المهنية، أغلبهم بين 18 و25 عامًا. تضمنت بيانات كل طالب مقاييس نفسية مثل التوتر والاكتئاب والقلق والضغط المالي، بالإضافة إلى جودة النوم والنشاط البدني والنظام الغذائي واستخدام الاستشارات أو المواد المخدرة. سُجلت تفاصيل شخصية مثل العمر والحالة الاجتماعية والمشاركة في الأنشطة اللاصفية إلى جانب عوامل اجتماعية مثل نوع السكن والدعم الاجتماعي والانخراط في الحياة الجامعية. قُيِّم الأداء الأكاديمي بمؤشر المعدل التراكمي. بدلًا من التركيز على سبب واحد للضيق، تتعامل الدراسة مع رفاهية الطالب كنتيجة لتداخل العديد من التأثيرات من العقل وأسلوب الحياة والبيئة.

تعليم نظام ذكي لقراءة الأنماط

لكشف هذه الأنماط، استخدم المؤلفون نموذجًا قائمًا على المحوّل يدعى TaBERT، تم تكييفه من تقنيات اللغة التي تشغّل برامج الدردشة الحديثة. بدلاً من قراءة الجمل، "يقرأ" TaBERT أعمدة من الأرقام والفئات التي تصف كل طالب. يسمح آلية انتباه مزدوجة للنموذج بالنظر إلى جميع السمات في آن واحد وتعلّم أي التركيبات تتحرك معًا — على سبيل المثال كيف يتفاعل الحمل الدراسي الثقيل مع القلق المالي وقلة جودة النوم. قارن الفريق TaBERT بأساليب مألوفة مثل آلات الدعم الناقلة، الانحدار اللوجستي، الغابات العشوائية، تعزيز التدرج، وحتى نماذج التعلم العميق الأخرى. عبر مجموعات السمات النفسية والشخصية والاجتماعية، حقق TaBERT أفضل أداء، ووصل إلى دقة تصل حتى 96% في التنبؤ بنتائج متعلقة بالصحة النفسية للطلاب.

ما الذي يهم أكثر في رفاهية الطلاب

بعيدًا عن الدقة الخام، تسأل الدراسة سؤالًا أكثر إنسانية: ما العوامل التي تقود التنبؤات فعليًا؟ باستخدام طرق ترتيب السمات، وجد المؤلفون أن الضغوط المالية تبرز بين مؤشرات الصحة النفسية، تليها القلق والاكتئاب ومعدل التوتر العام. يظهر العمر كأهم عامل شخصي معلوماتي، مما يعكس على الأرجح اختلافات في النضج ومهارات المواجهة، بينما يهيمن نوع السكن على التأثيرات الاجتماعية، مع لعب النشاط البدني والدعم الاجتماعي المدرك أدوارًا مهمة أيضًا. ثم استُخدمت أدوات الذكاء الاصطناعي القابل للتفسير، LIME وSHAP، لإظهار، لكل تنبؤ فردي، إلى أي مدى دفعت كل سمة النموذج نحو نتيجة أفضل أو أسوأ. سلطت هذه الأدوات الضوء باستمرار على الضغط المالي والنشاط البدني والدعم الاجتماعي وحجم المقررات كعوامل قوية يمكن أن تميل بالطالب نحو الصراع أو النجاح.

من أرقام مخفية إلى مخاطر مرئية

أجرى المؤلفون أيضًا اختبارات إحصائية تقليدية للتحقق من المتغيرات المرتبطة بالنتائج بشكل موثوق عبر السكان بأكملهم. أظهرت مقاييس أسلوب الحياة والانخراط — مثل المشاركة في الأنشطة اللاصفية والدعم الاجتماعي والنشاط البدني والسكن واستخدام المواد المخدرة واستخدام الاستشارات وجودة النوم — ارتباطات ذات دلالة إحصائية. ومن المثير للاهتمام أن بعض الدرجات النفسية التي بدت أقل أهمية في الاختبارات البسيطة لعبت دورًا كبيرًا داخل نموذج الذكاء الاصطناعي، مما يوحي بعلاقات معقدة وغير خطية تفوتها الطرق التقليدية. تجتمع هذه النتائج لتُشير إلى أن أنظمة الإنذار المبكر لا ينبغي أن تعتمد على استبيان واحد أو درجة عرضية، بل على صورة أوسع لكيفية عيش الطلاب ودراستهم وتواصلهم مع الآخرين.

تحويل الرؤية إلى دعم

بعبارات بسيطة، تُظهر هذه الدراسة أن نظام ذكاء اصطناعي مصمم بعناية يمكنه الإشارة بثقة إلى أنماط الخطر في مجموعات الطلاب مع شرح منطق قراراته بطرق يمكن للمربين فهمها. يبرز الضغط المالي والحِمْل الدراسي الثقيل وضعف الدعم الاجتماعي وأنماط الحياة غير النشيطة أو غير المنتظمة كإشارات تحذيرية متكررة، في حين تبدو ظروف السكن المستقرة والشبكات الداعمة والعادات الصحية كعوامل وقائية. من خلال الجمع بين قدرات قوية في التعرف على الأنماط وتفسيرات شفافة، يقدم TaBERT للمؤسسات التعليمية وسيلة للانتقال من إدارة الأزمات برد فعل إلى رعاية استباقية — موجهًا المنح المستهدفة، والتواصل الاستشاري، وبرامج العافية التي يمكن أن تحمي كلًا من الصحة النفسية والنجاح الأكاديمي.

الاستشهاد: Yuan, Q., Sun, W., Li, F. et al. A dual attention transformer modelling for explainable mental health analysis in academic environments using TaBERT. Sci Rep 16, 11201 (2026). https://doi.org/10.1038/s41598-026-40080-x

الكلمات المفتاحية: الصحة النفسية للطلاب, الأداء الأكاديمي, الذكاء الاصطناعي القابل للتفسير, نماذج المحوّل, رفاهية الطلبة الجامعية