論文の概要: Protecting Student Mental Health with a Context-Aware Machine Learning Framework for Stress Monitoring

• arxiv url: http://arxiv.org/abs/2508.01105v1
• Date: Fri, 01 Aug 2025 22:52:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-05 18:25:21.713945
• Title: Protecting Student Mental Health with a Context-Aware Machine Learning Framework for Stress Monitoring
• Title（参考訳）: ストレスモニタリングのためのコンテキスト対応機械学習フレームワークによる学生のメンタルヘルスの保護
• Authors: Md Sultanul Islam Ovi, Jamal Hossain, Md Raihan Alam Rahi, Fatema Akter,
• Abstract要約: 学生のメンタルヘルスは、学術機関における関心の高まりである。 従来の評価手法は主観的な調査と定期的な評価に依存している。 本稿では,学生のストレスを分類するための文脈対応機械学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Student mental health is an increasing concern in academic institutions, where stress can severely impact well-being and academic performance. Traditional assessment methods rely on subjective surveys and periodic evaluations, offering limited value for timely intervention. This paper introduces a context-aware machine learning framework for classifying student stress using two complementary survey-based datasets covering psychological, academic, environmental, and social factors. The framework follows a six-stage pipeline involving preprocessing, feature selection (SelectKBest, RFECV), dimensionality reduction (PCA), and training with six base classifiers: SVM, Random Forest, Gradient Boosting, XGBoost, AdaBoost, and Bagging. To enhance performance, we implement ensemble strategies, including hard voting, soft voting, weighted voting, and stacking. Our best models achieve 93.09% accuracy with weighted hard voting on the Student Stress Factors dataset and 99.53% with stacking on the Stress and Well-being dataset, surpassing previous benchmarks. These results highlight the potential of context-integrated, data-driven systems for early stress detection and underscore their applicability in real-world academic settings to support student well-being.
• Abstract（参考訳）: 学生のメンタルヘルスは、ストレスが幸福感や学業成績に深刻な影響を及ぼす学術機関の関心が高まっている。 従来の評価手法は主観的な調査と定期的な評価に依存し、時間的介入に限定的な価値を提供する。 本稿では,心理学的,学術的,環境的,社会的要因をカバーする2つの補完的な調査ベースデータセットを用いて,学生のストレスを分類するための文脈対応機械学習フレームワークを提案する。 このフレームワークは、前処理、機能選択(SelectKBest, RFECV)、次元減少(PCA)、SVM、ランダムフォレスト、グラディエントブースティング、XGBoost、AdaBoost、Bagingの6つの基本分類器によるトレーニングを含む6段階のパイプラインに従っている。 性能を向上させるため,ハード投票,ソフト投票,重み付け投票,スタックリングなどのアンサンブル戦略を実装した。 ベストモデルでは、Scientist Stress Factorsデータセットの重み付きハード投票による93.09%の精度と、Scress and Well-beingデータセットの積み重ねによる99.53%を達成し、以前のベンチマークを上回りました。 これらの結果は、早期ストレス検知のためのコンテキスト統合型データ駆動システムの可能性を強調し、学生の幸福をサポートするための実世界の学術的環境における適用性を明らかにする。

関連論文リスト

• Test-time Offline Reinforcement Learning on Goal-related Experience [50.94457794664909]
  基礎モデルの研究では、テストタイムトレーニングによってパフォーマンスが大幅に改善できることが示されている。 本稿では、オフラインデータセットから現在の状態への関連性に応じて遷移を選択する、新しい自己教師型データ選択基準を提案する。 目標条件付きテストタイムトレーニング(GC-TTT)アルゴリズムは、評価中にこのルーチンを後退水平方式で適用し、現在の軌道にポリシーを適用する。
  論文  参考訳（メタデータ） (2025-07-24T21:11:39Z)
• Stress Monitoring in Healthcare: An Ensemble Machine Learning Framework Using Wearable Sensor Data [0.0]
  本研究では,生理的信号,脳活動,心拍数,皮膚温度などのデータセットを紹介する。 これらの課題を克服するため、データセットはSMOTE(Synthetic Minority Over sample Technique)で事前処理が行われた。 Random Forest、XGBoost、Multi-Layer Perceptron(MLP)といった先進的な機械学習モデルを評価し、スタックに組み合わせて、それらの予測強度を活用した。
  論文  参考訳（メタデータ） (2025-07-10T09:47:56Z)
• Improving Question Embeddings with Cognitive Representation Optimization for Knowledge Tracing [77.14348157016518]
  KTモデリングの研究は、既存の未更新の学生の相互作用の記録に基づいて、将来の学生のパフォーマンスを予測することに焦点を当てている。 動的プログラミングアルゴリズムを用いて認知表現の構造を最適化する知識追跡型認知表現最適化(CRO-KT)モデルを提案する。
  論文  参考訳（メタデータ） (2025-04-05T09:32:03Z)
• DASKT: A Dynamic Affect Simulation Method for Knowledge Tracing [51.665582274736785]
  KT(Knowledge Tracing)は,学生の履歴計算によって将来のパフォーマンスを予測し,学生の感情状態を理解することで,KTの有効性を高めることができる。 本研究では,学生の感情状態が知識状態に与える影響を調べるために,DASKT(Affect Dynamic Knowledge Tracing)を提案する。 我々の研究は、高い解釈可能性と精度の実現に焦点をあてて、今後の研究への有望な道のりを強調している。
  論文  参考訳（メタデータ） (2025-01-18T10:02:10Z)
• Enhancing Performance and User Engagement in Everyday Stress Monitoring: A Context-Aware Active Reinforcement Learning Approach [4.132425356039815]
  本稿では,スマートウォッチとスマートフォンのコンテキストデータを用いたストレス検出のための,新しい文脈認識型アクティブラーニング(RL)アルゴリズムを提案する。 提案手法では,EMAの展開に最適な時刻を動的に選択し,ユーザの即時コンテキストを利用してラベルの精度を最大化し,侵入性を最小化する。 この研究は、パーソナライズされたコンテキスト駆動のリアルタイムストレスモニタリング手法への大きな動きを示す。
  論文  参考訳（メタデータ） (2024-07-11T06:33:11Z)
• Context-Aware Stress Monitoring using Wearable and Mobile Technologies in Everyday Settings [2.650926942973848]
  本研究では,生理的データと文脈的データの両方を利用して,日常のストレスレベルを客観的に追跡するモニタリングシステムを提案する。 本稿では,その課題に対処する3階層のインターネット・オブ・シングス・システムアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-12-14T19:16:11Z)
• Detection and Analysis of Stress-Related Posts in Reddit Acamedic Communities [0.0]
  本研究は,Reddit学術コミュニティにおけるストレス関連投稿の検出と分析に焦点をあてる。 テキストは、自然言語処理と機械学習分類器を用いて、強調されているか、そうでないかを分類する。 重要な発見は、Redditの教授コミュニティにおける投稿やコメントが最もストレスが強いことを示している。
  論文  参考訳（メタデータ） (2023-12-02T07:34:03Z)
• Pruning the Way to Reliable Policies: A Multi-Objective Deep Q-Learning Approach to Critical Care [46.2482873419289]
  我々は、より信頼性の高いクリティカルケアポリシーを得るための深いQ-ラーニングアプローチを導入する。 本手法を,集中治療室のシミュレーション環境と実際の健康記録を用いて,オフライン・オフ・セッティングで評価した。
  論文  参考訳（メタデータ） (2023-06-13T18:02:57Z)
• Personalized Stress Monitoring using Wearable Sensors in Everyday Settings [9.621481727547215]
  心拍数(HR)と心拍変動率(HRV)に基づく日常生活ストレスレベルの客観的予測について検討する。 本稿では、ラベル付けのためのデータサンプルの調整可能なコレクションをサポートする、個人化されたストレス監視のための階層化システムアーキテクチャと、ラベル付けのためのリアルタイムデータのストリームから情報化サンプルを選択する方法を提案する。
  論文  参考訳（メタデータ） (2021-07-31T04:15:15Z)
• Online Coreset Selection for Rehearsal-based Continual Learning [65.85595842458882]
  継続的な学習では、後に再生されるトレーニング例(コアセット)のサブセットを格納し、破滅的な忘れを軽減します。 提案するオンラインコアセット選択(OCS, Online Coreset Selection)は, 各イテレーションにおいて最も代表的で情報性の高いコアセットを選択するシンプルで効果的な方法である。 提案手法は,過去のタスクに対して高親和性サンプルを選択しながら,目標データセットへのモデル適応を最大化し,破滅的忘れを直接的に抑制する。
  論文  参考訳（メタデータ） (2021-06-02T11:39:25Z)
• An Analysis of Distributed Systems Syllabi With a Focus on Performance-Related Topics [65.86247008403002]
  我々は、トップコンピュータサイエンスプログラムから51の現在(2019-2020)の分散システムシラビのデータセットを分析した。 本研究では,DSコースで言及されているインフラの規模を,小規模なクライアントサーバシステムからクラウドスケール,ピアツーピア,グローバルスケールシステムまで検討する。
  論文  参考訳（メタデータ） (2021-03-02T16:49:09Z)
• Catch Me if I Can: Detecting Strategic Behaviour in Peer Assessment [61.24399136715106]
  我々は、試験やホームワークの査定や採用・昇進の査定など、様々な査定課題における戦略的行動の課題について考察する。 我々はこのような操作を検出する方法の設計に重点を置いている。 具体的には、エージェントがピアのサブセットを評価し、後に集約されたランキングを最終的な順序付けとして出力する設定について検討する。
  論文  参考訳（メタデータ） (2020-10-08T15:08:40Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。