Prédiction de l'état psychologique des étudiants universitaires basée sur un framework d'apprentissage profond combinant un algorithme d'optimisation de baleine amélioré et LSTMPrediction of college student psychological state based on deep learning framework combining the improved Whale Optimization Algorithm and LSTM.
- L'approche CNWOA-LSTM améliore la précision de prédiction des états psychologiques de 9,33 % par rapport au LSTM standard et de 6,63 % par rapport au WOA-LSTM de base.
- L'initialisation chaotique et l'opérateur de niche améliorent la diversité de la population et évitent la convergence prématurée lors de l'optimisation des hyperparamètres.
- Le modèle atteint 93,64 % de précision sur un ensemble de données publiques combinant données comportementales, d'apprentissage et psychologiques.
L'article présente une méthode computationnelle avancée pour prédire les états psychologiques, avec des performances élevées. Cependant, il n'aborde pas directement la pratique clinique, utilise un jeu de données non clinique et manque de validation en contexte réel. L'intérêt pour une veille clinique est modéré, d'où la note de 65.
L'étude repose sur un seul jeu de données public (Kaggle), limitant la généralisabilité à d'autres contextes éducatifs ou culturels. Les indicateurs psychologiques utilisés ne sont pas issus d'outils cliniques validés, ce qui réduit la pertinence diagnostique. Aucune comparaison avec des évaluations cliniques standardisées (entretiens, questionnaires validés) n'a été réalisée. La performance du modèle n'a pas été testée en conditions réelles avec des données longitudinales d'étudiants.
Cet article propose un cadre CNWOA-LSTM combinant un algorithme d'optimisation de baleine amélioré (WOA) avec LSTM pour prédire l'état psychologique des étudiants. L'initialisation chaotique et un opérateur de niche améliorent la recherche globale et évitent la convergence prématurée. Testé sur un jeu de données Kaggle (caractéristiques comportementales, interactions d'apprentissage, indicateurs psychologiques), le modèle atteint 93,64 % de précision, surpassant les modèles traditionnels et d'autres LSTM optimisés. Cette approche pourrait faciliter l'intervention précoce en santé mentale en milieu éducatif.
L'approche CNWOA-LSTM améliore la précision de prédiction des états psychologiques de 9,33 % par rapport au LSTM standard et de 6,63 % par rapport au WOA-LSTM de base. L'initialisation chaotique et l'opérateur de niche améliorent la diversité de la population et évitent la convergence prématurée lors de l'optimisation des hyperparamètres. Le modèle atteint 93,64 % de précision sur un ensemble de données publiques combinant données comportementales, d'apprentissage et psychologiques. La supériorité du modèle est confirmée face à plusieurs modèles d'apprentissage automatique et d'apprentissage profond, ainsi qu'à d'autres algorithmes métaheuristiques optimisant LSTM.
Ce cadre pourrait permettre un dépistage précoce et automatisé des troubles psychologiques chez les étudiants, facilitant des interventions ciblées. L'intégration de données comportementales et d'apprentissage dans un modèle prédictif pourrait aider les psychologues scolaires à identifier les étudiants à risque. Bien que prometteur, le modèle nécessite une validation clinique sur des populations réelles avant application en milieu éducatif.
Modéré