Naujas modelis, sukurtas prognozuoti kolegijos studentų psichikos atsparumą, gali turėti reikšmingų pasekmių, kaip universitetai sprendžia didėjančius psichikos sveikatos iššūkius, su kuriais susiduria ši demografija.
Tyrimas, paskelbtas Tarptautinis informacinių ir ryšių technologijų žurnalasnaudojo statistinius metodus, kad ištirtų, kaip mokiniai susidoroja su stresu ir sunkumais.
Fulian Liu iš Usi technologijos instituto Wuxi (Kinija) kolegijos studentų psichikos sveikatos mokymo centro teigia, kad tyrimas galėtų padėti švietimo įstaigoms nustatyti asmenis, kuriems gresia psichikos sveikatos problemos, ir, numatant iššūkius, pasiūlyti tinkamas intervencijas, kad būtų išvengta sunkių psichologinių išgyvenimų. labiausiai pažeidžiamuose.
Psichinis atsparumas arba kietumas gali būti apibrėžtas kaip gebėjimas susidoroti su stresu ir nesėkmėmis. Tai glaudžiai susiję su psichologiniu atsparumu ir gerove. Kolegijos studentai, dažnai patiriantys sudėtingą akademinio spaudimo, socialinių iššūkių ir asmeninių pokyčių derinį, gali būti ypač pažeidžiami dėl psichikos sveikatos problemų.
Tai savo ruožtu gali turėti neigiamos įtakos jų akademiniams rezultatams ir gyvenimo kokybei studijų metu ir po jų. Psichinio kietumo supratimas ir gebėjimas numatyti problemas, kurios iškyla dar prieš joms tampant rimtomis, gali būti svarbi paramos mokiniams dalis.
Dabartiniai psichikos sveikatos stebėjimo ir tyrimo modeliai turi apribojimų. Jie dažnai kovoja su tuo, kas vadinama „perdėtu pritaikymu“, kai modelis gerai veikia pagal mokymo duomenis, bet neveikia gerai su nauja informacija. Be to, nesvarbūs arba pertekliniai kintamieji gali užtemdyti arba nuspalvinti nuspėjamąjį procesą, todėl sumažėja modelio patikimumas.
Naujasis darbas sprendžia šias problemas ir naudoja optimizuotą elastinės tinklo regresijos (ENR) versiją, kad statistiškai subalansuotų kelis nuspėjamuosius veiksnius. Šis metodas naudoja Bajeso optimizavimo algoritmą (BOENR), kad tiksliai sureguliuotų modelio parametrus, remiantis ankstesnėmis žiniomis, ir gali pagerinti tikslumą išvengiant per didelio pritaikymo problemos.
Naujasis modelis turi daug mažesnę numatymo paklaidą nei kiti modeliai, jo tikslumas viršija 94% ir pranašesnis už penkis dažniausiai naudojamus modelius numatymo patikimumu.