پیش بینی استرس اکتسابی دانش آموزان: یک سامانه پیش نگر مبتنی بر پردازش زبان طبیعی و تحلیل نوشتار

هدف این پژوهش، طراحی و اعتبارسنجی یک سامانه هوشمند پیش نگر برای پایش مستمر و مدیریت استرس اکتسابی دانش آموزان با استفاده از تحلیل خودکار محتوای نوشتاری آن ها است. استرس اکتسابی، به عنوان پاسخی انطباقی به فشارهای محیط آموزشی، در صورت تداوم می تواند تاثیرات منفی جدی بر سلامت روان و عملکرد تحصیلی داشته باشد. روش های سنتی ارزیابی، غالبا نقطه ای، پرهزینه و متکی به خودگزارشی هستند. از این رو، این تحقیق با بهره گیری از فناوری های پردازش زبان طبیعی (NLP) و یادگیری عمیق، رویکردی غیرتهاجمی، مقیاس پذیر و مبتنی بر داده های واقعی ارائه می دهد. جامعه آماری شامل ۴۰۰ دانش آموز مقطع متوسطه تهران بود که به روش نمونه گیری خوشه ای انتخاب شدند. متون نوشتاری جمع آوری شده (انشاء، تکالیف) با پرسشنامه استاندارد استرس تحصیلی برچسب گذاری شدند. معماری پیشنهادی، بر پایه مدل زبانی BERT فارسی ریزتنظیم شده و تقویت شده با ویژگی های روان شناختی و سبکی، توسعه یافت. یک مدل LSTM جداگانه نیز برای تحلیل توالی متون و پیش بینی روند استرس در طول زمان پیاده سازی شد. نتایج ارزیابی نشان داد مدل طبقه بندی نهایی با میانگین دقت ۹۲٫۳٪ و امتیاز F۱ برابر ۰٫۹۱، قادر به تشخیص سطوح استرس (کم، متوسط، زیاد) است. همچنین مدل پیش بینی روند با خطای RMSE معادل ۰٫۱۸، عملکرد مطلوبی در پیش بینی وضعیت آتی از خود نشان داد. این سامانه به عنوان یک ابزار کمکی دقیق و پیش گیرانه می تواند زمینه ساز مداخلات به موقع و شخصی سازی شده توسط مشاوران و مدیران آموزشی باشد و گامی در راستای ایجاد محیط های یادگیری حامی سلامت روان بردارد.

کلیدواژه ها:

استرس اکتسابی دانش آموزان ، پردازش زبان طبیعی (NLP) ، سامانه هوشمند پیش نگر ، تحلیل محتوای نوشتاری ، سلامت روان آموزشی