ارائه یک مدل هوشمند مبتنی بر یادگیری عمیق برای پیش بینی افسردگی در دانش آموزان مقطع متوسطه

افسردگی در میان نوجوانان به ویژه دانش آموزان مقطع متوسطه یکی از چالش های روزافزون سلامت روان در سطح جهانی است که با پیامدهای جدی بر عملکرد تحصیلی، تعاملات اجتماعی و کیفیت زندگی دانش آموز همراه است. با وجود اهمیت شناسایی زودهنگام، روش های سنتی غربالگری مانند پرسشنامه ها و مصاحبه های بالینی با محدودیت هایی نظیر سوگیری پاسخ دهنده، هزینه بالا و مقیاس پذیری محدود مواجه بوده اند. از این رو پژوهش حاضر با هدف توسعه و اعتبارسنجی مدل هوشمند مبتنی بر یادگیری عمیق برای پیش بینی زودهنگام افسردگی در دانش آموزان انجام شده است. در ابتدا، داده های چندوجهی شامل شاخص های رفتاری، اجتماعی، تحصیلی از بیش از ۱۲۰۰ دانش آموز مقطع متوسطه گردآوری گردید. سه معماری یادگیری عمیق مورد استفاده قرار گرفت: شبکه عصبی ترکیبی CNN-LSTM برای تحلیل الگوهای زمانی و رفتاری، مدل Transformer-BERT برای تحلیل داده های متنی و ساختار تلفیقی DEEP-EDNet برای ادغام هوشمندانه داده های چند منبعی. آموزش و ارزیابی مدل ها با استفاده از اعتبارسنجی متقاطع ۱۰تایی و معیارهای استاندارد از جمله دقت، حساسیت، ویژگی F-score و AUC انجام شد. نتایج نشان داد که مدل های مبتنی بر یادگیری عمیق عملکردی بهتری نسبت به روش های کلاسیک رگرسیون لجستیک، SVM و جنگل تصادفی دارند. بهترین عملکرد مربوط به DEEP-EDNet با دقت ۹۴.۸٪، حساسیت ۹۳.۵٪، ویژگی ۹۵.۷ و AUC برابر ۰.۹۷۸ بود. تحلیل تفسیرپذیری نشان داد شاخص هایی چون استرس تحصیلی، عزت نفس پایین و کاهش فعالیت های اجتماعی از مهمترین پیش بین های افسردگی محسوب می شوند. به طور کلی یافته ها بیانگر آن است که ادغام داده های چند منبعی با معماری های یادگیری عمیق می تواند ابزاری دقیق، مقیاس پذیر و غیرتهاجمی برای پایش سلامت روان نوجوانان در محیط های آموزشی فراهم آورد. این چارچوب می تواند به عنوان سیستم پشتیبان تصمیم گیری برای مشاوران و متخصصان سلامت روان نقش موثری در شناسایی زودهنگام و مداخله هدفمند ایفا کند.

کلیدواژه ها:

افسردگی ، نوجوانان ، یادگیری عمیق ، داده های چندوجهی ، مدل DEEP-EDNet