یک معماری هدایت‌شده مبتنی بر SHAP و بهینه‌سازی فرا ابتکاری (PSO) برای پیش‌بینی تفسیرپذیر سلامت روان دانشجویان با TabM

یک معماری هدایت‌شده مبتنی بر SHAP و بهینه‌سازی فرا ابتکاری (PSO) برای پیش‌بینی تفسیرپذیر سلامت روان دانشجویان با TabM

حمیدرضا صنایع نادری1 ستاره ثمربخش تهرانی2 لیلا نصیری دارانی3 امید نوروزی کندلان4

1) گروه مهندسی کامپیوتر، واحد لاهیجان، دانشگاه آزاد اسلامی، لاهیجان، ایران.
2) گروه مهندسی کامپیوتر، واحد لاهیجان، دانشگاه آزاد اسلامی، لاهیجان، ایران.
3) گروه مهندسی کامپیوتر، واحد لاهیجان، دانشگاه آزاد اسلامی، لاهیجان، ایران.
4) دانشجوی کارشناسی ارشد روانشناسی عمومی، دانشگاه آزاد اسلامی تنکابن، ایران -

کد IOI مقاله : AAHD-ABKEAD
محل انتشار : کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری (itnaf.ir)
چکیده :
    سلامت روان دانشجویان یکی از چالش‌های مهم نظام آموزش عالی است که پیش‌بینی زودهنگام آن می‌تواند به شناسایی دانشجویان در معرض خطر کمک کند. اغلب مدل‌های موجود یا صرفاً بر دقت تمرکز دارند یا تفسیرپذیری را با روش‌های ساده و بدون سنجش پایداری به مدل اضافه می‌کنند. در این پژوهش، معماری SHAP-PSO Gated TabM ارائه می‌شود که در آن یک لایه‌ی گیت قابل‌یادگیری، با مقادیر SHAP به‌عنوان پیشین و بهینه‌سازی Particle Swarm Optimization (PSO)، وزن‌های ویژگی‌های عددی را پیش از ورود به بک‌بون TabM تعیین می‌کند. تمامی مراحل پیش‌پردازش، استخراج SHAP و بهینه‌سازی PSO درون یک طرح اعتبارسنجی متقاطع و صرفاً روی داده‌ی آموزشی هر fold انجام شد تا از نشت داده جلوگیری شود. مدل روی دیتاست «Student Depression Dataset» (۲۷,۹۰۱ نمونه) با 5-fold Cross-Validation در ۵ بذر تصادفی (۲۵ اجرا) ارزیابی و با شش مدل شناخته‌شده و دو نسخه‌ی حذفی (گیت تصادفی؛ گیت تنها-SHAP) مقایسه شد. نتایج نشان می‌دهد مدل پیشنهادی به‌طور معنادار (Wilcoxon, p<0.05) از چهار baseline بهتر است، اما با TabM استاندارد و نسخه‌های حذفی تفاوت معناداری ندارد (AUC=0.9212±0.0031). تحلیل پایداری نشان داد پیشین SHAP کاملاً پایدار است (Spearman ρ=1.000)، اما این پایداری به وزن‌های نهایی گیت پس از آموزش end-to-end منتقل نمی‌شود (ρ=−0.0057). این یافته‌ها نشان می‌دهند ارزش رویکردهای هدایت‌شده مبتنی بر SHAP را باید در پایپ‌لاین عاری از نشت داده، گزارش آماری معتبر، و سنجش صادقانه‌ی محدودیت‌های تفسیرپذیری جست‌وجو کرد، نه صرفاً بهبود دقت.

کلمات کلیدی : سلامت روان دانشجویان tabm shap بهینه‌سازی ازدحام ذرات (pso) هوش مصنوعی تفسیرپذیر یادگیری عمیق جدولی اعتبارسنجی متقاطع تودرتو