Mental Health Assessment of College Students Based on Social Sentiment Analysis and Multi-Branch Neural Networks
Notice bibliographique
Résumé
Aiming at the complexity of mental health assessment for students in colleges and universities, this paper proposes an innovative framework that integrates social sentiment analysis and multi-branch neural networks.A multilevel mental health assessment system is constructed through cross-modal feature interaction CNN+BiGRU with heterogeneous graph structure modeling.In the model design, image feature extraction is pre-trained by five-branch CNN structure ViT, text features are fused by dynamic word embedding with multi-scale convolution, and a virtual node and metapath-driven heterogeneous graph neural network H-GNN is introduced to strengthen the global relationship modeling.Experiments show that the model achieves 89.7% and 91.2% accuracy on Twitter-15 and Twitter-17 datasets, respectively, and the F1 values are improved by 3.24% and 2.32% from the optimal baseline BICCM.In the actual college mental health monitoring, the model successfully captured the time-series fluctuations of depression index and anxiety level, and found that the rational-perceptual dimension was highly correlated with the examination cycle, with 0.69 during the midterm examination and 0.68 during the final examination.Through the ten-fold cross-validation comparison experiments, the model significantly outperforms the cutting-edge models, such as MIMN-BERT, EF-NET and so on on the weighted average index, with an average accuracy rate of 99.02% and F1 value of 98.08%.The study shows that the framework provides a highly accurate and interpretable technical solution for mental health risk early warning, which is especially suitable for dynamic monitoring scenarios in universities.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».