Açıklanabilir zihinsel sağlık analizi için TaBERT kullanan çift dikkatli bir transformer modelleme: akademik ortamlarda

Öğrenci İyi Oluşu ve Notlar Neden Birlikte Ele Alınmalı

Birçok üniversite öğrencisi, notlarını korumaya çalışırken stres, kaygı ve maddi endişelerle sessizce mücadele ediyor. Bu çalışma, günümüz yapay zekâsının okulların bir kriz ortaya çıkmadan çok önce risk altındaki öğrencileri tespit etmesine nasıl yardımcı olabileceğini inceliyor. Binlerce öğrencinin günlük deneyimlerine—uyku, çalışma, egzersiz, sosyalleşme ve maddi baskıyla başa çıkma biçimlerine—bakarak, yazarlar yalnızca kimin zor durumda olabileceğini tahmin etmekle kalmayan, aynı zamanda hangi yaşam faktörlerinin en önemli olduğunu açıklayan yeni bir bilgisayar modeli oluşturuyor. Amaç, ham verileri danışmanlar, öğretmenler ve öğrenci mahremiyetini ihlal etmeden destek sağlamak isteyen politika yapıcılar için net, uygulanabilir içgörülere dönüştürmektir.

Öğrenci Yaşamına Yakından Bakmak

Araştırmacılar, çoğunluğu 18–25 yaş aralığındaki 7.000’den fazla meslek yüksekokulu öğrencisinin anonimleştirilmiş bir veri setini analiz etti. Her öğrenci için veriler; stres, depresyon, kaygı ve maddi sıkıntı gibi psikolojik ölçümler ile uyku kalitesi, fiziksel aktivite, diyet ve danışmanlık ya da madde kullanımı gibi bilgiler içeriyordu. Yaş, ilişki durumu ve ders dışı etkinliklere katılım gibi kişisel ayrıntılar; konut tipi, sosyal destek ve kampüs katılımı gibi sosyal etkenlerle birlikte kaydedildi. Akademik performans kümülatif not ortalamasıyla ölçüldü. Çalışma, sıkıntının tek bir nedenine odaklanmak yerine, öğrenci iyi oluşunu zihin, yaşam tarzı ve çevreden gelen birçok örtüşen etkinin sonucu olarak ele alıyor.

Desenleri Okuyacak Akıllı Bir Sistemi Eğitmek

Bu desenleri ortaya çıkarmak için yazarlar, modern sohbet botlarını besleyen dil teknolojisinden uyarlanmış TaBERT adında transformer tabanlı bir model kullandı. Cümleleri okumak yerine TaBERT, her öğrenciyi tanımlayan sayı ve kategori sütunlarını “okuyor”. Çift dikkat mekanizması, modelin tüm özelliklere aynı anda bakmasına ve birlikte hareket eden kombinasyonları öğrenmesine olanak tanıyor—örneğin yoğun ders yüklerinin maddi kaygılar ve düşük uyku kalitesiyle nasıl etkileştiğini. Ekip, TaBERT’i destek vektör makineleri, lojistik regresyon, rastgele ormanlar, gradyan artırımı ve diğer derin öğrenme modelleri gibi tanıdık yaklaşımlarla karşılaştırdı. Zihinsel, kişisel ve sosyal özellik gruplarında TaBERT en iyi performansı gösterdi ve öğrenci zihinsel sağlıkla ilişkili sonuçları tahmin etmede %96’ya varan doğruluk seviyelerine ulaştı.

Öğrenci İyi Oluşunda En Çok Ne Önemli?

Ham doğruluğun ötesinde, çalışma daha insani bir soruyu soruyor: tahminleri gerçekten hangi faktörler yönlendiriyor? Özellik sıralama yöntemlerini kullanarak yazarlar, maddi stresin zihinsel sağlık göstergeleri arasında öne çıktığını; bunu kaygı, depresyon ve genel stres düzeyinin yakından izlediğini buldu. Olgunluk ve başa çıkma becerilerindeki farklılıkları yansıtıyor olma olasılığıyla yaş, en bilgilendirici kişisel faktör olarak ortaya çıktı; sosyal etkenlerde ise konut tipi baskın oldu; fiziksel aktivite ve algılanan sosyal desteğin de önemli roller oynadığı görüldü. Açıklanabilir yapay zekâ araçları LIME ve SHAP, her bireysel tahmin için hangi özelliğin modeli daha iyi ya da daha kötü sonuca ittiğini gösterdi. Bu araçlar tutarlı şekilde maddi sıkıntıyı, fiziksel aktiviteyi, sosyal desteği ve ders yükünü öğrenciyi zorluk ya da başarı yönüne iten güçlü kaldıraçlar olarak vurguladı.

Gizli Sayılardan Görünür Risklere

Yazarlar ayrıca, hangi değişkenlerin tüm popülasyon genelinde sonuçlarla güvenilir şekilde ilişkilendirildiğini kontrol etmek için geleneksel istatistiksel testler de yürüttü. Ders dışı katılım, sosyal destek, fiziksel aktivite, konut, madde kullanımı, danışmanlık kullanımı ve uyku kalitesi gibi yaşam tarzı ve katılım ölçümleri anlamlı ilişkiler gösterdi. İlginç bir şekilde, basit testlerde daha az anlamlı görünen bazı psikolojik skorlar, yapay zekâ modelinin içinde önemli bir rol oynadı; bu da standart yöntemlerin kaçırdığı karmaşık, doğrusal olmayan ilişkilerin işareti. Birlikte, bu sonuçlar erken uyarı sistemlerinin tek bir anket ya da semptom skoruna değil, öğrencilerin nasıl yaşadığına, çalıştığına ve başkalarıyla nasıl bağ kurduğuna dair daha geniş bir resme dayanması gerektiğini savunuyor.

İçgörüyü Desteğe Dönüştürmek

Düz bir ifadeyle, bu çalışma dikkatle tasarlanmış bir yapay zekâ sisteminin öğrenci popülasyonlarındaki risk desenlerini güvenilir biçimde işaretleyebileceğini ve aynı zamanda eğitimcilerin anlayabileceği şekilde gerekçelerini açıklayabileceğini gösteriyor. Maddi sıkıntı, yoğun ders yükleri, zayıf sosyal destek ve düzensiz ya da hareketsiz yaşam tarzları tekrarlayan uyarı işaretleri olarak ortaya çıkarken; istikrarlı konut, destekleyici ağlar ve sağlıklı alışkanlıklar koruyucu etkiler gösteriyor. Güçlü desen tanıma ile şeffaf açıklamayı birleştirerek TaBERT, okullara reaksiyoner kriz yönetiminden proaktif bakıma geçme yolu sunuyor—hedefe yönelik burslar, danışmanlık ulaşımı ve hem zihinsel sağlığı hem akademik başarıyı koruyabilecek refah programları yönlendirmek için.

Atıf: 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

Anahtar kelimeler: öğrenci zihinsel sağlığı, akademik başarı, açıklanabilir yapay zeka, transformer modelleri, üniversite refahı