一个可解释的机器学习框架，用于分析和预测孟加拉国大学生的心理健康问题

《Scientific Reports》：An explainable machine learning framework for analyzing and predicting mental health problems among university students in Bangladesh

　　

摘要

大学生的心理健康问题（MHPs）是全球日益关注的公共卫生问题，在孟加拉国也不例外。尽管机器学习（ML）方法能够捕捉心理健康数据中的复杂模式，但将其应用于非概率性的、横断面的学生样本时需要谨慎解读。本研究采用了一种可解释的机器学习框架，来分析孟加拉国大学生中抑郁、焦虑和压力症状的模式。2024年7月，在该国社会和政治动荡期间，对424名学生进行了在线横断面调查。研究结果显示，抑郁（66.0%）、焦虑（73.4%）和压力（52.4%）的症状严重程度较高，且这些症状之间存在显著重叠（48.1%的学生同时符合三种症状的标准）。通过重复训练-测试分割和交叉验证方法评估了八种机器学习模型。支持向量机（SVM）模型在抑郁和压力预测方面表现相对稳定，而XGBoost模型在焦虑预测方面表现出更强的区分能力。利用SHAP和LIME进行的可解释机器学习分析表明，与睡眠障碍、认知问题以及自我报告的行为困难相关的特征对模型预测结果有重要影响。学术领域和互联网成瘾程度对焦虑相关预测的影响更大，而性别和大学类型在抑郁相关模型中更为重要。本研究的主要贡献在于方法论和探索性方面，而非预测或临床应用。这些特征对模型预测的贡献反映了模型行为和症状之间的关联，而非独立的或因果风险因素。总体而言，本研究证明了在特殊背景下使用可解释的机器学习方法进行学生心理健康数据探索性模式识别的可行性，为未来研究提供了透明的框架、基准性能指标和方法论模板。研究结果具有探索性和样本特异性，不应被解读为人口水平的患病率估计或可实用的预测工具。