Smart healthcare services for detecting and predicting students' stress in higher education using artificial intelligence

[F. Lotfi]

98 listova

Вештачка интелигенција / Artificial intelligence

Predmet istraživanja ove doktorske disertacije je razvoj modela i servisa pametnog zdravstva (smart healthcare) za merenje i predviđanje stresa studenata u visokoškolskom obrazovanju korišćenjem metoda i tehnika veštačke inteligencije, kako bi se unapredio kvalitet obrazovnog procesa u gotovo realnom vremenu (biofeedback). Cilj istraživanja je razviti metodološki postupak, projektovati i implementirati servise pametnog zdravstva zasnovane na metodama i tehnikama veštačke inteligencije, koji se mogu integrisati sa sistemom za e-učenje, koji omogućuju efektivnu i brzu detekciju i predviđanje stresa studenata, kao podrške obrazovnom procesu. Anksioznost kod studenata u visokom obrazovanju je aktuelan problem, koji je dobio na značaju od početka Covid-19 pandemije. Osim širih društvenih problema, uticaj na stres ili anksioznost studenata imaju brojni faktori ponašanja poput ličnih osobina pojedinca, zatim pušenja cigareta ili fizičke aktivnosti, kao i faktori vezani za obrazovno okruženje. Metode veštačke inteligencije, specifično mašinskog učenja se često koriste za detekciju i predviđanje stresa i anksioznosti. Mašinsko učenje se može koristiti kao efikasna tehnologija koja može predvideti stres ili anksioznost studenata sa velikom preciznošću. Otkrivanje stresa ili anksioznosti u ranim fazama je ključno za kliničke postupke kako bi se poboljšala atmosfera u društvu, posebno među studentkinjama. Ova disertacija ima za cilj da predvidi anksioznost studenata koristeći algoritme mašinskog učenja obezbeđujući relevantne povratne informacije. Ovo istraživanje takođe teži da proceni i poboljša preciznost detektovanja stresa i anksioznosti specifično kod studentkinja sa intervencijom tri ključne karakteristike: pušenje cigareta, fizička aktivnost i njihovu prosečnu ocena na studijama koristeći algoritme i funkcije mašinskog učenja. U istraživanju su učestvovali studenti sa Univerziteta u Beogradu. Učesnici su ispunili standardni upitnik poznat kao Inventar anksioznosti osobina i stanja (STAI). Podaci su analizirani primenom algoritma linearne regresije, višestruke linearna regresija, KNN, k- means. Ispitani su faktori korelacije i validnost razvijenog modela. Rezultati pokazuju da pušenje cigareta, fizička aktivnost, i prosečna ocena tokom studiranja utiču na stres kod studenata. Identifikovana su dva klastera anksioznosti kod studentkinja, pokazujući karakteristike koje su u stanju da detektuju anksioznost kod studentkinja sa velikom preciznošću.

The research subject of this doctoral dissertation is the development of smart healthcare models and services for measuring and predicting student stress in higher education using artificial intelligence methods and techniques, in order to improve the quality of the educational process in near real-time (biofeedback). The goal of the research is to develop a methodological procedure, and propose smart healthcare services based on artificial intelligence methods and techniques, which can be integrated with the e-learning system, and enable effective and quick detection and prediction of student stress, as support for the educational process. Anxiety among students in higher education is a topical problem, which has gained special importance since the beginning of the Covid-19 pandemic. In addition to broader social issues, the stress or anxiety of students are influenced by numerous behavioral factors such as the individual's characteristics, smoking cigarettes or physical activity, as well as aspects related to the educational environment. Artificial intelligence methods, specifically machine learning, are often used to detect and predict stress and anxiety. Machine learning can be used as an effective technology that accurately predicts students' stress or anxiety. Detecting stress or anxiety in the early stages is crucial for clinical procedures to improve the atmosphere in society, especially among female students. This dissertation aims to predict student anxiety using machine learning algorithms by providing relevant feedback. This research also aims to evaluate and improve the accuracy of detecting stress and anxiety specifically in female students with the intervention of three key characteristics: cigarette smoking, physical activity and their average grade in studies using algorithms and machine learning functions. Students from the University of Belgrade participated in the research. Participants completed a standardized questionnaire known as the State Trait Anxiety Inventory (STAI). The data were analyzed using the algorithm of linear regression, multiple linear regression, KNN, k-means. Correlation factors and validity of the developed model were examined. The results show that cigarette smoking, physical activity, and the average grade during studies influence stress in students. Two clusters of anxiety in female students were identified, showing characteristics that are able to detect anxiety in female students with high precision.

Pametno zdravstvo, Veštačka inteligencija, Mašinsko učenje, Stres i anksioznost

Smart Healthcare, Artificial intelligence, Machine Learning, Stress and Anxiety

004.8:614(043.3)

Tekst