Двоичный механизм внимания в трансформере для объяснимого анализа психического здоровья в академической среде с использованием TaBERT

Почему благополучие студентов и оценки связаны

Многие студенты колледжей тихо борются со стрессом, тревогой и финансовыми проблемами, стараясь при этом сохранять хорошие оценки. В этом исследовании рассматривается, как современные методы искусственного интеллекта могут помочь учебным заведениям выявлять студентов, которые могут оказаться в зоне риска, задолго до появления кризиса. Анализируя повседневный опыт тысяч студентов — как они спят, учатся, занимаются спортом, общаются и справляются с финансовым давлением — авторы создают новый тип компьютерной модели, который не только предсказывает, кто может попасть в затруднительное положение, но и объясняет, какие факторы жизни наиболее важны. Цель — превратить необработанные данные в понятные, практически применимые выводы для консультантов, преподавателей и политиков, которые хотят поддерживать психическое здоровье студентов, не нарушая их приватности.

Внимательный взгляд на студенческую жизнь

Исследователи проанализировали анонимизированный набор данных более чем 7000 студентов профессиональных колледжей, в основном в возрасте от 18 до 25 лет. Для каждого студента данные включали психологические показатели, такие как стресс, депрессия, тревожность и финансовое напряжение, а также качество сна, физическую активность, питание и обращение за консультацией или употребление веществ. Личные данные — возраст, семейное положение и внеклассная занятость — фиксировались наряду с социальными факторами, такими как тип жилья, социальная поддержка и вовлечённость в жизнь кампуса. Академическая успеваемость измерялась кумулятивным средним баллом. Вместо того чтобы сосредоточиться на единственной причине дистресса, исследование рассматривает благополучие студентов как результат многих пересекающихся влияний разума, образа жизни и окружения.

Обучение умной системы распознавать закономерности

Чтобы выявить эти закономерности, авторы использовали модель на основе трансформера под названием TaBERT, адаптированную из языковых технологий, лежащих в основе современных чат-ботов. Вместо чтения предложений TaBERT «читал» столбцы чисел и категорий, описывающих каждого студента. Двойной механизм внимания позволяет модели одновременно учитывать все признаки и выявлять, какие сочетания изменяются вместе — например, как высокая учебная нагрузка взаимодействует с финансовыми заботами и низким качеством сна. Команда сравнила TaBERT с привычными подходами, такими как машины опорных векторов, логистическая регрессия, случайные леса, градиентный бустинг и даже другие модели глубокого обучения. По показателям в группах ментальных, личных и социальных признаков TaBERT показал наилучшие результаты, достигая до 96% точности в прогнозировании исходов, связанных с психическим здоровьем студентов.

Что важнее всего для благополучия студентов

Помимо чистой точности, исследование задаётся более человеческим вопросом: какие факторы на самом деле определяют предсказания? С помощью методов ранжирования признаков авторы обнаружили, что финансовое напряжение выделяется среди показателей психического здоровья, за ним следуют тревожность, депрессия и общий уровень стресса. Возраст оказался наиболее информативным личным фактором, вероятно отражая различия в зрелости и навыках совладания, тогда как тип жилья доминирует среди социальных влияний; также значимы физическая активность и воспринимаемая социальная поддержка. Инструменты объяснимого ИИ, такие как LIME и SHAP, были использованы, чтобы показать для каждого индивидуального предсказания, насколько каждый признак сдвигает модель в сторону лучшего или худшего результата. Эти методы последовательно выделяли финансовое напряжение, физическую активность, социальную поддержку и учебную нагрузку как мощные рычаги, которые могут склонить студента к трудностям или успеху.

От скрытых чисел к видимому риску

Авторы также провели традиционные статистические тесты, чтобы проверить, какие переменные достоверно связаны с исходами по всей популяции. Показатели образа жизни и вовлечённости — такие как участие во внеклассных мероприятиях, социальная поддержка, физическая активность, тип жилья, употребление веществ, обращение за консультацией и качество сна — показали значимые ассоциации. Интересно, что некоторые психологические оценки, которые выглядели менее значимыми в простых тестах, всё же играли важную роль внутри модели ИИ, указывая на сложные, нелинейные отношения, которые стандартные методы пропускают. В совокупности эти результаты говорят о том, что системы раннего предупреждения не должны опираться на один опросник или балл по симптомам, а должны учитывать более широкую картину того, как студенты живут, учатся и взаимодействуют с окружающими.

Превращение выводов в поддержку

Проще говоря, эта работа показывает, что грамотно спроектированная система ИИ может надежно выявлять паттерны риска в студенческих популяциях и при этом объяснять свою логику так, чтобы её могли понять педагогические работники. Финансовое напряжение, высокая учебная нагрузка, слабая социальная поддержка и малоподвижный или нерегулярный образ жизни проявляются как повторяющиеся сигналы тревоги, тогда как стабильное жильё, поддерживающие сети и здоровые привычки оказывают защитное действие. Объединив мощное распознавание паттернов с прозрачными объяснениями, TaBERT предлагает учебным заведениям путь от реактивного управления кризисами к проактивной помощи — направляя целевые стипендии, обращение к консультированию и программы оздоровления, которые могут защитить как психическое здоровье, так и академический успех.

Цитирование: 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

Ключевые слова: психическое здоровье студентов, успеваемость, объяснимая ИИ, модели трансформеров, благополучие в колледже