使用 TaBERT 的可解释性心理健康分析中的双重注意力变换器建模，针对学术环境

为什么学生福祉与成绩应当并重

许多大学生在努力保持成绩的同时默默承受着压力、焦虑和经济担忧。该研究探讨了现代人工智能如何帮助学校在危机出现之前识别可能处于风险中的学生。通过观察数千名学生的日常体验——他们的睡眠、学习、锻炼、社交以及应对经济压力的方式——作者构建了一种新型计算模型，该模型不仅能预测谁可能遇到困难，还能解释哪些生活因素最为重要。研究目标是将原始数据转化为对辅导员、教师和政策制定者有用、可操作的见解，以便在不侵犯隐私的前提下支持学生心理健康。

引用: 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

关键词: 学生心理健康, 学业表现, 可解释的人工智能, 变换器模型, 大学福祉