מודל טרנספורמר עם תשומת לב כפולה לניתוח בריאות הנפש המובן בסביבות אקדמיות באמצעות TaBERT

מדוע רווחת הסטודנט והציונים שייכים יחד

רבים מהסטודנטים במכללות מתמודדים בשקט עם לחץ, חרדה ודאגות כלכליות בזמן שהם מנסים לשמר את ציוניהם. המחקר הזה בוחן כיצד בינה מלאכותית מודרנית יכולה לסייע למוסדות לזהות סטודנטים שעשויים להיות בסיכון, זמן רב לפני שמגיפה מתפרצת. על ידי בחינה של אלפי חוויות יומיומיות של סטודנטים — כיצד הם ישנים, לומדים, מתעמלים, מתקיימים חברתית ומתמודדים עם לחצים כלכליים — המחברים בונים סוג חדש של מודל מחשב שלא רק חוזה מי עלול להיות בסכנה, אלא גם מסביר אילו גורמי חיים הם החשובים ביותר. המטרה היא להפוך נתונים גולמיים לתובנות ברורות ובר-יישום עבור יועצים, מרצים ומקבלי מדיניות שרוצים לתמוך בבריאות הנפש של הסטודנטים מבלי לפגוע בפרטיות.

התבוננות קרובה בחיי הסטודנט

החוקרים ניתחו מאגר נתונים אנונימי של יותר מ-7,000 סטודנטים במכללה מקצועית, רובם בגילאי 18–25. עבור כל סטודנט נכללו מדדים פסיכולוגיים כגון לחץ, דיכאון, חרדה ועומס כלכלי, וכן איכות שינה, פעילות גופנית, תזונה ושימוש בייעוץ או בחומרים. פרטים אישיים כמו גיל, מצב זוגי ומעורבות בפעילויות חוץ-לימודיות נרשמו לצד גורמים חברתיים כגון סוג דיור, תמיכה חברתית ומעורבות בקמפוס. הביצועים האקדמיים נמדדו על ידי ממוצע ציונים מצטבר. במקום להתמקד בסיבה בודדת למצוקה, המחקר רואה את רווחת הסטודנט כתוצאה של השפעות חופפות רבות מהמנטלי, מהאורח חיים ומהסביבה.

להכשיר מערכת חכמה לקריאת דפוסים

כדי לחשוף את הדפוסים הללו, המחברים השתמשו במודל מבוסס טרנספורמר בשם TaBERT, שהותאם מטכנולוגיית שפה שמפעילה צ׳אטבוטים מודרניים. במקום לקרוא משפטים, TaBERT "קורא" עמודות של מספרים וקטגוריות המתארות כל סטודנט. מנגנון תשומת לב כפול מאפשר למודל להסתכל על כל התכונות בבת אחת וללמוד אילו שילובים נעים יחד — לדוגמה, כיצד עומס קורסים כבד מתקשר עם דאגות כלכליות ואיכות שינה נמוכה. הצוות השווה את TaBERT לגישות מוכרות כגון מכונות וקטור תמיכה, רגרסיה לוגיסטית, יערות אקראיים, גראדיאנט בוסטינג ואף מודלים אחרים של למידה עמוקה. על פני קבוצות התכונות המנטליות, האישיות והחברתיות, TaBERT השיג את הביצועים הטובים ביותר, והגיע עד לדיוק של 96% בחיזוי תוצאות הקשורות לבריאות הנפש של הסטודנט.

מה חשוב באמת ברווחת הסטודנט

מעבר לדיוק הגולמי, המחקר שואל שאלה אנושית יותר: אילו גורמים באמת מניעים את החיזויים? באמצעות שיטות דירוג תכונות, המחברים מצאו כי לחץ כלכלי בולט בין המדדים הנפשיים, ואחריו חרדה, דיכאון ורמת לחץ כללית. גיל מתגלה כגורם אישי המתקשר ביותר למידע, כנראה משקף הבדלים בבגרות ובמיומנויות התמודדות, בעוד שסוג הדיור שולט בהשפעות החברתיות, כאשר פעילות גופנית ותמיכה חברתית נתפסות גם הן כגורמים משמעותיים. כלים להסבר בינה מלאכותית, כגון LIME ו-SHAP, שימשו להראות, עבור כל חיזוי פרטני, עד כמה כל תכונה דחפה את המודל לכיוון תוצאה טובה או גרועה יותר. כלים אלה הדגישו בעקביות את המתח הכלכלי, הפעילות הגופנית, התמיכה החברתית ועומס הקורסים כמנופים חזקים שיכולים להטות סטודנט לעבר מאבק או הצלחה.

מספרים נסתרים לסיכון גלוי

המחברים גם ערכו בדיקות סטטיסטיות מסורתיות כדי לבדוק אילו משתנים קשורים באמינות לתוצאות על פני כל האוכלוסייה. מדדי אורח חיים ומעורבות — כגון השתתפות בפעילויות חוץ-לימודיות, תמיכה חברתית, פעילות גופנית, דיור, שימוש בחומרים, שימוש בייעוץ ואיכות שינה — הראו קשרים משמעותיים. מעניין שציונים פסיכולוגיים שנראו פחות משמעותיים בבדיקות פשוטות עדיין שיחקו תפקיד מרכזי בתוך מודל ה-AI, מרמזים על יחסים מורכבים ולא־קוויתיים ששיטות סטנדרטיות מפספסות. יחד, התוצאות הללו טוענות שמערכות התראה מוקדמת לא צריכות להסתמך על שאלון יחיד או ציון סימפטום אחד, אלא על תמונה רחבה של איך סטודנטים חיים, לומדים ומתקשרים עם אחרים.

להפוך תובנה לתמיכה

במילים פשוטות, עבודה זו מראה שמערכת AI שעוצבה בקפידה יכולה לסמן באופן אמין דפוסי סיכון באוכלוסיית סטודנטים ולהסביר את ההנמקות שלה באופן שמחנכים יכולים להבין. מתח כלכלי, עומסי קורסים כבדים, תמיכה חברתית חלשה וסגנון חיים בלתי פעיל או בלתי סדיר צצים כסימני אזהרה חוזרים, בעוד שדיור יציב, רשתות תומכות והרגלים בריאים נראים כמגנים. באמצעות שילוב זיהוי דפוסים רב-עוצמה עם הסברים שקופים, TaBERT מציע למוסדות דרך לעבור מניהול משברי תגובתי לטיפול יזום — הנחיית מלגות ממוקדות, קידום ייעוץ ותוכניות רווחה שיכולות להגן על בריאות הנפש וההצלחה האקדמית גם יחד.

ציטוט: 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

מילות מפתח: בריאות הנפש של סטודנטים, ביצועים אקדמיים, בינה מלאכותית מבררת, מודלי טרנספורמר, רווחת סטודנטים