Application of Intelligent Algorithms in Student Mental Health Management and Risk Early Warning Model Research
Notice bibliographique
Résumé
There is a close relationship between adolescent mental health and physical health, so it is of great practical signi icance to explore the speci ic in luencing factors and early warning model of students' mental health.In this paper, the early warning model of students' mental health risk is constructed.Firstly, the association rules and Apriori algorithm are used to explore the relationship between the important in luencing factors of students' mental health and common psychological problems, and then the CMA-ES-XGBoost prediction model is proposed to address the defects of the XGBoost prediction model that has high complexity and low prediction accuracy.It adopts the hyperparameters of CMA-ES optimization algorithm to ind the optimal hyperparameter solution, and solves the fuzzy phenomenon existing in the early warning of mental health risks by fuzzy logic method, which reduces the error of prediction results.It is experimentally veri ied that the mental health prediction method based on CMA-ES-XGBoost performs well on the task of students with mental health risk, and the prediction accuracy is 89.66%, which is better than the comparison model.It can accurately detect the mood luctuations of students with different types of personality when they are exposed to multiple extroverted stimuli, and accurately predict the emotional risk.It shows that the model in this paper realizes the function of predicting students' mental health status and achieves the expected goal of model design.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».