为了对学生异常行为的早期感知及校园行为时序建模,提出一种异常行为敏感的学生行为时序建模及心理健康预测(student behavioral temporal modeling sensitive to abnormal behavior for mental health prediction, SBTM-SABMHP)方法,...为了对学生异常行为的早期感知及校园行为时序建模,提出一种异常行为敏感的学生行为时序建模及心理健康预测(student behavioral temporal modeling sensitive to abnormal behavior for mental health prediction, SBTM-SABMHP)方法,利用移动设备收集的加速器、声音传感器及移动热点(wireless fidelity, WI-FI)等多种行为感知数据,构建异质信息网络,对学生当前行为模式进行建模。同时,为实现对学生历史行为时序数据的建模,建立了基于注意力机制的异常行为敏感的门控模块,有效融合学生长短期行为,并对学生行为时序建模,实现心理健康预测。在公共数据集StudentLife上对所提出的模型进行了对比分析实验。实验结果表明,与多种学生心理健康预测基线方法相比,该方法在4个评价指标上都取得了最佳性能,证明了该模型在学生心理健康预测任务上的有效性。展开更多
文摘为了对学生异常行为的早期感知及校园行为时序建模,提出一种异常行为敏感的学生行为时序建模及心理健康预测(student behavioral temporal modeling sensitive to abnormal behavior for mental health prediction, SBTM-SABMHP)方法,利用移动设备收集的加速器、声音传感器及移动热点(wireless fidelity, WI-FI)等多种行为感知数据,构建异质信息网络,对学生当前行为模式进行建模。同时,为实现对学生历史行为时序数据的建模,建立了基于注意力机制的异常行为敏感的门控模块,有效融合学生长短期行为,并对学生行为时序建模,实现心理健康预测。在公共数据集StudentLife上对所提出的模型进行了对比分析实验。实验结果表明,与多种学生心理健康预测基线方法相比,该方法在4个评价指标上都取得了最佳性能,证明了该模型在学生心理健康预测任务上的有效性。
