Privacy-Preserving Machine Learning for Mental Health Prediction Using Homomorphic Encryption
Notice bibliographique
Résumé
Student mental health issues, such as stress, anxiety, and depression, are increasingly prevalent in academic institutions, significantly affecting well-being and academic performance. Recent machine learning (ML)-based systems have demonstrated promise in predicting mental health conditions using survey data, but these approaches often process sensitive information in plaintext, risking privacy breaches or relying on centralized data storage vulnerable to leaks. Homomorphic encryption (HE) has been proposed for secure ML, but existing implementations either focus on simpler datasets (e.g., numerical/IoT data) or incur impractical computational overhead (e.g., high RAM usage or prolonged training times) for real-world mental health applications. To address these gaps, we introduce a privacy-preserving predictive model for student mental health using logistic regression trained directly on encrypted data via the TenSEAL library. Our work uniquely combines a leveled fully homomorphic encryption (FHE) scheme to ensure end-to-end confidentiality, replacing the standard sigmoid with a quadratic approximation for homomorphic compatibility. We also perform a comprehensive efficiency analysis that evaluates RAM usage and training time across polynomial-modulus degrees to balance security and practicality, a trade-off underexplored in prior HEbased mental health studies. Experimental results show that our encrypted model achieves 84% accuracy (vs. 96% unencrypted) with minimal performance loss, while benchmarks demonstrate scalable resource consumption. This work advances the feasibility of implementing FHE in sensitive domains such as mental health, offering a rigorous template for privacy-preserving ML without compromising predictive utility.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».