یک معماری هدایت شده مبتنی بر SHAP و بهینه سازی فرا ابتکاری (PSO) برای پیشبینی تفسیر پذیر سلامت روان دانشجویان با TabM

سلامت روان دانشجویان یکی از چالشهای مهم نظام آموزش عالی است که پیش بینی زودهنگام آن می تواند به شناسایی دانشجویان در معرض خطر کمک کند. اغلب مدلهای موجود یا صرفا بر دقت تمرکز دارند یا تفسیرپذیری را با روشهای ساده و بدون سنجش پایداری به مدل اضافه می کنند. در این پژوهش معماری SHAP-PSO Gated Tab ارائه می شود که در آن یک لایه ی گیت قابل یادگیری، با مقادیر SHAP به عنوان پیشین و بهینه سازی (Particle Swarm Optimization (PSO))، وزن های ویژگی های عددی را پیش از ورود به بک بن TabM تعیین می کند. تمامی مراحل پیش پردازش، استخراج SHAP و بهینه سازی PSO درون یک طرح اعتبار سنجی متقاطع و صرفا روی داده ی آموزشی هر fold انجام شد تا از نشت داده جلوگیری شود. مدل روی دیتاست Student Depression Dataset (نمونه با ۲۷۹۰۱) با Cross-Validation در ۵ fold (با بذر تصادفی ۲۵) اجرا و با شش مدل شناخته شده و دو نسخه ی حذفی گیت، تصادفی، گیت تنها و SHAP مقایسه شد. نتایج نشان می دهد مدل پیشنهادی به طور معنادار (p < ۰.۰۵ Wilcoxon) از چهار baseline بهتر است اما با TabM استاندارد و نسخه های حذفی تفاوت معناداری ندارد (AUC=۰.۹۲۱۲±۰.۰۰۳۱). تحلیل پایداری نشان داد پیشین SHAP کاملا پایدار است (Spearman=۱.۰۰۰ p)، اما این پایداری به وزن های نهایی گیت پس از آموزش end-to-end منتقل نمی شود (p=۰.۰۰۵۷). این یافته ها نشان می دهند ارزش رویکردهای هدایت شده مبتنی بر SHAP را باید در پایپ لاین عاری از نشت داده، گزارش آماری معتبر و سنجش صادقانه ی محدودیت های تفسیرپذیری جست وجو کرد، نه صرفا بهبود دقت.

کلیدواژه ها:

سلامت روان دانشجویان ، SHAP ، Tab ، بهینه سازی ازدحام ذرات (PSO) ، هوش مصنوعی تفسیر پذیر ، یادگیری عمیق جدولی ، اعتبار سنجی متقاطع تو در تو