高校学生心理健康分类的多模态深度学习(multimodal deep learning)方法:一种智能预警系统(intelligent early warning system)
《Frontiers in Artificial Intelligence》:A multimodal deep learning approach for mental health classification of university students: an intelligent early warning system
编辑推荐:
摘要:高校学生心理健康问题日益突出,建立准确高效的心理健康状态监测系统是高校管理的重要挑战。现有智能筛查方法多依赖单模态数据,且未针对辅导员–学生对话记录及结构化背景信息进行定制,导致在高度不平衡的风险等级分布下难以对高危学生提供可靠预警。本研究提出并验证一种
摘要:高校学生心理健康问题日益突出,建立准确高效的心理健康状态监测系统是高校管理的重要挑战。现有智能筛查方法多依赖单模态数据,且未针对辅导员–学生对话记录及结构化背景信息进行定制,导致在高度不平衡的风险等级分布下难以对高危学生提供可靠预警。本研究提出并验证一种多模态深度学习模型BCL(BERT–CNN–LASSO),融合辅导员–学生咨询对话文本与静态背景特征(累计GPA、不及格门数、资助状况等),将学生划分为四个有序心理健康风险等级以实现早期预警。研究人员基于高校咨询管理系统采集并整理的600例真实学生数据集进行模型评估。BCL采用基于BERT的文本表示、双路径卷积神经网络(dual-path CNN)进行多尺度特征提取,以及基于最小绝对收缩与选择算子(LASSO, Least Absolute Shrinkage and Selection Operator)的静态变量筛选,以增强高度不平衡分布下的鲁棒性。在四级心理健康风险分类任务中,BCL总体准确率为0.752;类别层面,最高危组(Level 1)准确率达0.897,最低危组(Level 4)达0.967,Level 1的召回率(recall)为0.731,从而在降低高危个案漏报的同时限制低风险学生的误报。对比实验表明BCL各核心组件均对性能提升有贡献,所提出的多模态方法可作为高校学生心理健康问题智能预警的技术解决方案。
论文解读:高校学生心理健康分级预警的多模态深度学习模型BCL研究
《A multimodal Deep Learning Approach for Mental Health Classification of University Students: An Intelligent Early Warning System》一文由研究人员发表于《Frontiers in Artificial Intelligence》。
一、研究背景与意义
大学生焦虑、抑郁及自杀倾向等心理健康问题呈上升趋势,传统评估手段(如自评量表、面谈咨询)存在主观性强、覆盖面有限、缺乏实时性,且依赖学生主动求助意愿——受病耻感影响多数高危学生并不主动就诊。现有基于社交媒体文本的自动检测多依赖单模态、非正式语料,缺乏针对中文高校辅导员–学生结构化访谈记录与学业/家庭背景信息的融合分析,且在校园真实极度不平衡风险分布下表现不佳。为弥补面向高校场景、融合咨询对话与静态背景特征、支持多级风险分层的多模态早期预警模型空白,研究人员开展了此项研究。研究通过构建BERT–CNN–LASSO(BCL)模型,对大学生心理健康状态进行四级有序分类,为精准干预提供数据驱动依据,具有重要的教育管理与临床辅助决策意义。
二、主要关键技术方法
研究人员以某省20所高校心理咨询管理系统中按专家标注四等级(Level 1–4,各150人,共N=600)分层抽样构建平衡队列。每例含五类主题(思想引导、校园安全、学业指导、生涯规划、心理健康)辅导员记录文本(均长约213字)及10项静态特征——分类变量(专业、年级、性别、低保、重度残疾家庭、单亲、孤儿)做One-hot编码;数值变量(GPA、不及格门数)做Z-score标准化。文本经BERT-Chinese编码得768维向量,并联双核(窗口大小3与5)一维CNN做多尺度局部语义提取后经全局最大池化;静态特征经LASSO正则化多项Logistic回归筛选后PCA保留≥70%方差降维;二者拼接入带残差连接的多层感知机,以交叉熵为损失函数,AdamW优化,早停防止过拟合。五个主题各训练一个基分类器,对同一学生多记录按预测置信度温控加权融合,最终自适应加权集成五主题输出四分类概率。对比基线含BERT+SVM+LASSO、无LASSO版BERT+CNN、RNN+LSTM及纯SVM+LASSO。
三、研究结果
4.1 Experimental Setup(实验设置)
研究人员使用PyTorch 1.9于NVIDIA RTX 3090开展实验,按学生级别划分训练/验证/测试集,采用AdamW(学习率1e-4,权重衰减)、ReduceLROnPlateau及连续5轮无改善早停。
4.2 Evaluation Metrics(评价指标)
除整体准确率(Accoverall)外,逐类计算准确率(Acci)、精确率(Precisioni)、召回率(Recalli)、F1分数(F1i);补充二次加权Kappa(QWK)与序贯平均绝对误差(ordinal MAE);并以真实人群患病率加权混淆矩阵给出人群校正指标。
4.3 Overall Performance Analysis(整体性能分析)
BCL在测试集总体准确率0.7519。Level 4(低风险)准确率0.9667、Precision 0.9583、Recall 0.9270、F1 0.9424,表明稳定状态识别好、误报少。Level 1(异常高危)准确率0.8967、Precision 0.7209、Recall 0.7305、F1 0.7256,优于Level 2/3,符合预警系统优先捕获高危者之需求。Level 2/3的F1分别为0.6608与0.6627,略低,归因于中度风险边界模糊与表达隐晦。QWK=0.914,ordinal MAE=0.153,误分类多集中于相邻级别,体现序数一致性。人群校正准确率0.9613。
4.4 Multi-model Comparison Experiments(多模型对比实验)
BCL(Acc 0.7519,F1 0.7478)优于所有对照:BERT+SVM+LASSO(0.7211/0.7363)、无LASSO版BERT+CNN(0.6729/0.6614)、RNN+LSTM(0.6521/0.6438)、仅SVM+LASSO(0.5241/0.5148)。加入LASSO筛选静态特征使BERT+CNN提升约8个百分点,证实静态与文本特征互补;CNN局部感受野较LSTM更适配咨询文本短语捕捉;BERT预训练中文语义理解显著优于从零训练序列模型。
4.5 Feature Importance Analysis(特征重要性分析)
LASSO系数绝对值求和显示:资助状况(重要性2.0599)、重度残疾家庭(1.7614)居前两位,印证家庭社会经济逆境为核心预测因子;不及格门数(1.2024)、GPA(0.8432)次之,反映学业压力影响;孤儿(0.7586)、单亲家庭(0.6317)虽样本少但具较高判别力;年级(0.5482)、性别(0.3796)贡献较小但仍具价值。文本词频对比显示Level 1高频词关联心理社会应激源与功能受损,Level 4偏重同学、宿舍、课程等日常话题。
四、讨论与结论总结
讨论指出BCL三大设计——双路径CNN多尺度文本提取、LASSO筛选压缩静态背景、主题特异集成——分别对应咨询文本隐含痛苦信号的语境敏感性、小样本下去噪稳模及与现行辅导工作流对齐。中度风险级辨识仍有提升空间,未来可融入行为轨迹、社交网络等隐式特征,并增强可解释性。需关注敏感人口学变量公平性分析与偏差缓解。研究局限为单中心平衡抽样回顾性分析,远期宜多中心纵向验证。
结论(翻译):
本研究通过提出融合静态特征与对话文本的多模态深度学习分类模型,解决了高校心理健康早期预警关键课题。基于600名学生高质量数据集(含结构化属性与非结构化咨询文本),经LASSO特征工程确保训练质量。主题集成策略通过五个咨询主题基分类器协作提升准确率与鲁棒性。BCL在平衡测试集总体准确率0.752,最高危组(Level 1)准确率0.897、最低危组(Level 4)0.967,且Level 1保持较高召回率,契合早期预警系统优先检出高危且不致低风险过度告警之目标。特征重要性分析表明家庭社会经济/背景变量影响最大,其次为学业表现指标。未来方向包括优化中度风险边界判别、引入多模态行为信号、增强可解释性,以及在隐私保护与人文监督下推进大语言模型与多模态表征学习在人–AI协同决策支持工具中的应用,最终将预警模型嵌入涵盖实时监测、辅导员告警、预约管理及随访追踪的综合学生支持系统。