این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پژوهش های نوین در تصمیم گیری، جلد ۱۰، شماره ۲، صفحات ۱۴۵-۱۷۴
عنوان فارسی پیش‌بینی سلامت روان دانشجویان با استفاده از مدل تلفیقی مبتنی بر تکنیک‌های داده‌کاوی و تصمیم‌گیری چند معیاره - مطالعه موردی: دانشگاه کوثر بجنورد
چکیده فارسی مقاله دانشجویان، به‌عنوان متخصصین آینده و ایفاکنندگان نقش‌های مهم در شبکه‌های ارتباطات اجتماعی و توسعه جامعه، با انواع مشکلات و دشواری‌های روانی مواجه هستند. تشخیص زودهنگام و مداخله به‌موقع می‌تواند از بروز مشکلات جدی‌تر جلوگیری نماید. ازاین‌رو این پژوهش با هدف ارائه چارچوبی نوآورانه برای پیش‌بینی سلامت روان دانشجویان، تلفیقی هوشمندانه از تکنیک‌های تصمیم‌گیری چندمعیاره (دیمتل1)، تحلیل مؤلفه‌های اصلی2 بهبودیافته، و یادگیری ماشین را پیشنهاد می‌دهد. ابتدا بر اساس یک مجموعه داده جامع از اطلاعات دانشجویان و با بهره‌گیری از دیمتل، روابط علّی بین عوامل مؤثر بر سلامت روان دانشجویان شناسایی شد؛ سپس با تحلیل مؤلفه‌های اصلی بهبودیافته، متغیر هدف (وضعیت سلامت روان) استخراج گردید. در مرحله مدل‌سازی، بر اساس مقایسه پنج الگوریتم یادگیری ماشین، مدل رگرسیون لجستیک با دقت 100% و قابلیت تفسیرپذیری بالا به‌عنوان مدل برتر انتخاب شد. ترکیب خروجی احتمالی این مدل با سایر الگوریتم‌ها منجر به بهبود دقت همه مدل‌ها به 100% گردید. تحلیل ضرایب نشان داد متغیرهای روانشناختی شامل اضطراب تحصیلی، افکار خودکشی و افسردگی بیشترین تأثیر منفی و متغیرهای وضعیت تأهل و علاقه به رشته اثرات محافظتی بر سلامت روان دارند. نتایج حاصل از این پژوهش می‌تواند به‌عنوان ابزاری قدرتمند جهت شناسایی زودهنگام دانشجویانی که به حمایت‌های روان‌شناختی نیاز دارند، مورداستفاده قرار گیرد.
کلیدواژه‌های فارسی مقاله پیش‌بینی،تصمیم‌گیری چند معیاره،داده‌کاوی،سلامت روان دانشجویان،مدل‌سازی،
عنوان انگلیسی Predicting students’ mental health using an integrated model based on data mining and multi-criteria decision-making-A case study: Kosar University of Bojnord
چکیده انگلیسی مقاله Students, as future professionals and key players in social networks and community development, face various psychological challenges. Early detection and timely intervention can prevent the emergence of more serious issues. Therefore, aiming to provide an innovative framework for predicting students’ mental health, this study proposes an intelligent integration of multi-criteria decision-making (DEMATEL1), improved principal component analysis2, and machine learning techniques. First, based on a comprehensive dataset of student information and using DEMATEL technique, the complex structure of relationships between factors affecting students’ mental health is identified. Then, the target variable (mental health status) was extracted through improved principal component analysis. In the modeling phase, accordingly to comparing five machine learning algorithms, the logistic regression model was selected as the superior model due to its 100% accuracy and high interpretability. Combining the probabilistic output of this model with other algorithms improved all models’ accuracy to 100%. Coefficient analysis revealed that psychological variables-such as academic anxiety, suicidal thoughts, and depression-had the most negative impact, while marital status and interest in the field of study had protective effects on students’ mental health. The results of this study can be used as a powerful tool for early identification of students who need psychological support.
کلیدواژه‌های انگلیسی مقاله پیش‌بینی,تصمیم‌گیری چند معیاره,داده‌کاوی,سلامت روان دانشجویان,مدل‌سازی
نویسندگان مقاله آیلین پاکزاد |
استادیار، گروه مهندسی صنایع، دانشگاه کوثر بجنورد، بجنورد، ایران

لیلا فضلی |
دکتری مهندسی صنایع، مدرس، گروه مهندسی صنایع، دانشگاه اراک، اراک، ایران.

نشانی اینترنتی https://journal.saim.ir/article_728711_14e81f641b9f4cedec4655b437e81ffb.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات