تطوير نموذج للتعلم الآلي القابل للتفسير للكشف المبكر عن مخاطر الصحة النفسية بين طلاب الجامعات في البيئات الهشة والمتأثرة بالنزاعات
DOI:
https://doi.org/10.65893/esr.v3i18.99الكلمات المفتاحية:
الكشف عن مخاطر الصحة النفسية، التعلم الآلي القابل للتفسير، SHAP، أنظمة الإنذار المبكر، طلاب الجامعات، البيئات الهشة والمتأثرة بالنزاعات، تحليل منحنى القرار.الملخص
تمثل تحديات الصحة النفسية بين طلاب الجامعات مصدر قلق عالمي متزايد، لا سيما في البيئات الهشة والمتأثرة بالنزاعات (FCAS)، حيث يؤدي التعرض لعدم الاستقرار والنزوح والضغوط الاجتماعية والاقتصادية إلى زيادة الهشاشة النفسية. لذلك، يُعدّ الكشف المبكر عن الطلاب الأكثر عرضة لمخاطر مشكلات الصحة النفسية أمرًا ضروريًا لتقديم الدعم المناسب وفي الوقت المناسب.
وعلى الرغم من أن أساليب التعلم الآلي أظهرت إمكانات واعدة في تحليل قضايا الصحة النفسية، فإن العديد من النماذج الحالية تركز على الدقة التنبؤية على حساب قابلية التفسير وإمكانية التطبيق العملي.
تقترح هذه الدراسة إطارًا قائمًا على التعلم الآلي القابل للتفسير للتصنيف المبكر لمستويات مخاطر الصحة النفسية بين طلاب الجامعات في البيئات الهشة والمتأثرة بالنزاعات. يدمج الإطار مجموعة من المؤشرات الديموغرافية والأكاديمية والاجتماعية والاقتصادية والنفسية والسياقية ضمن خط أنابيب نمذجة منظم يركز على الشفافية، ومعايرة التنبؤات، وفائدة اتخاذ القرار. وقد تم تقييم عدة مصنفات باستخدام أسلوب التحقق المتقاطع الطبقي خماسي الطيات (Stratified Five-Fold Cross-Validation)، حيث برز نموذج الانحدار اللوجستي باعتباره النموذج الأكثر فعالية وقابلية للتفسير.
حقق النموذج المختار دقة بلغت 0.935، ودرجة F1 كلية (Macro-Averaged) بلغت 0.862، ومساحة تحت المنحنى (AUC) بطريقة الواحد مقابل البقية (One-Versus-Rest) بلغت 0.997 للكشف عن الفئة عالية الخطورة. كما أظهر تحليل المعايرة موثوقية عالية في تقديرات الاحتمالات (درجة Brier = 0.024)، في حين أكد تحليل منحنى القرار (Decision Curve Analysis) وجود منفعة صافية متسقة عبر نطاق واسع من العتبات ذات الأهمية السريرية.
ولدعم قابلية التفسير، تم إجراء تحليلات قائمة على تقنية SHAP لتحديد العوامل الرئيسة المؤثرة في التنبؤات المتعلقة بالفئة عالية الخطورة. وأظهرت النتائج أن المؤشرات النفسية، وبشكل خاص التوتر والاكتئاب والقلق، تهيمن على عملية اتخاذ القرار في النموذج، بينما تسهم الخصائص الديموغرافية بدرجة محدودة جدًا. وبصورة عامة، تؤكد النتائج أن النماذج الخفيفة والقابلة للتفسير قادرة على تحقيق أداء تنبؤي قوي وتوفير دعم فعّال لاتخاذ القرار، مما يوفر أساسًا عمليًا للكشف المبكر عن مخاطر الصحة النفسية في البيئات الجامعية محدودة الموارد.
