基于问卷数据的多类压力预测的可解释机器学习方法

《IEEE Access》：Explainable Machine Learning for Multiclass Stress Prediction Using Questionnaire Data

　　

摘要：

在COVID-19大流行期间，突然转向紧急远程学习使得高等教育学生的心理压力大幅上升。然而，现有大多数研究要么将COVID-19带来的因素视为压力预测因子，要么将一般性压力视为大流行导致的后果。此外，这些研究大多使用通用的心理测量工具进行二元压力检测，未考虑作为教学方式转变的紧急远程学习所带来的压力源，因此难以为有针对性的干预提供依据。本研究通过利用一份关于压力感知的新问卷数据集，构建了一个全面的多类压力分类框架，该框架能够涵盖心理社会、环境、教学和人口统计等多方面的压力源。研究通过嵌套交叉验证和超参数调整，系统地评估了八种不同的机器学习模型。逻辑回归的表现最为出色（准确率为93.67±1.09%，MCC值为0.915），其训练测试泛化能力也优于其他复杂的集成模型。多种可解释人工智能技术一致指出，在紧急远程学习期间，某些特定特征是导致压力加剧的主要预测因子，其效果优于传统的压力量表。导致严重压力的主要因素包括同伴互动减少、同伴与教师之间的情感隔阂，而个人能动性和应对相关因素则具有保护作用。通过将多类预测与强大的可解释性相结合，本研究提供了一个透明的框架，可用于识别学生之间不同的压力水平，这一能力在现有文献中几乎不存在，且在印度背景下也尚未被探讨过。这些研究结果有助于实现更精准的风险分层，可为远程和混合学习环境中的有针对性的心理社会和教学干预提供指导。

显示更多