机构名称：
¥ 1.0
近年来，随着越来越多的学生离开自己的国家以寻求更好的教育，国际学生的心理健康已成为越来越多的关注。他们在出国留学时遇到了广泛的挑战，这些挑战会影响其心理健康。这些挑战可能包括语言障碍，文化差异，归乡，财务问题和其他可能严重影响国际学生心理健康的因素。鉴于对影响国际学生心理健康的人口，文化和心理社会变量的研究有限，以及该领域中机器学习算法的研究的稀缺性，这项研究旨在分析数据以了解影响国际学生心理健康的人口统计学，文化因素和心理因素。此外，本文旨在建立一个基于机器学习的模型，以预测英国国际学生的抑郁症。这项研究利用了通过在线调查问卷收集的两种主要数据，涉及国际学生，辅助数据来自“学生的心理健康数据集”和多元文化环境中寻求帮助的行为，并专注于该数据集中的国际学生数据。，我们使用辅助数据来预测国际学生的抑郁症，对主要数据和构建模型进行了数据分析。辅助数据集分为训练（70％）和测试（30％）进行分析，采用四种机器学习模型：逻辑回归，决策树，随机森林和K最近的邻居。为了评估每种算法的能力，我们考虑了诸如准确性，灵敏度，特异性，精度和AU-ROC曲线等指标。本研究确定了重大的人口统计学变量（例如，贷款状况，性别，年龄，婚姻状况）和社会心理因素（财务困难，学术压力，自然而然的孤独，孤独），促进国际学生的心理健康。在机器学习模型中，随机森林模型表现出最高的准确性，在预测抑郁症方面达到了80％的精度。
工作地点健康中的精确预防 - 对研究趋势和差距的范围审查
主要关键词
相关文件推荐
