Predictive AI Framework for Real-Time Stress Monitoring and Personalized Interventions in Smart Societies
Notice bibliographique
Résumé
Both forms of stress, distress and eustress, undeniably affect students' academic performance, mental health and well-being. This paper introduced an artificial intelligence (AI) powered Student Stress Detection and Recommendation System that integrated machine learning classification, personalized recommendations and visual analytics for facilitating early interventions. The system would aggregate self-reported stress indicators, behaviors, and academic habits modelled from stress indicators for categorizing distress into Distress (High) and Eustress (Low) levels through supervised learning models and also produce personalized recommendations based on the type of stress e.g., breathing exercises, meditation, discussions with mentor, activities to progressively achieve skill development goals. The framework has included a bar graph showing how accurate the model's predictions were and a distribution plot illustrating the focus of stress recommendations to provide better interpretability and to track stress focus. The system was developed as a full end-to-end architecture bringing the model to life and engaged a full data preprocessing, model training, accuracy evaluation, recommendation mapping, and visualizations. The framework proposed here could be assimilated into an academic decision-support framework to manage student well-being, productivity, and cognitive load in a proactive manner. The proposed approach provides a novel integration of predictive analytics and personalized support options to improve stress management for educational environments for scalable support.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».