پیش‌بینی خطر خودکشی در دانش‌آموزان با استفاده از مدل‌های هوش مصنوعی تبیین‌پذیر

چکیده

خودکشی در میان دانش‌آموزان به‌عنوان یکی از بحرانی‌ترین چالش‌های سلامت روان در جوامع معاصر، پیامدهای گسترده‌ای در ابعاد فردی، خانوادگی، آموزشی و اجتماعی به‌همراه دارد. افزایش فشارهای تحصیلی، مشکلات رفتاری، اختلالات روان‌شناختی و عوامل اجتماعی–خانوادگی، ضرورت بهره‌گیری از رویکردهای علمی نوین برای شناسایی زودهنگام دانش‌آموزان در معرض خطر را دوچندان کرده است. در سال‌های اخیر، هوش مصنوعی و یادگیری ماشین به‌عنوان ابزارهایی توانمند برای پیش‌بینی مخاطرات سلامت روان مطرح شده‌اند؛ با این حال، بسیاری از مدل‌های ارائه‌شده به دلیل ماهیت جعبه‌سیاه، فاقد شفافیت و قابلیت تفسیر لازم برای کاربرد عملی در محیط‌های آموزشی و تصمیم‌گیری‌های حساس هستند.

هدف اصلی این پژوهش، ارائه و ارزیابی یک رویکرد جامع مبتنی بر مدل‌های هوش مصنوعی تبیین‌پذیر برای پیش‌بینی خطر خودکشی در دانش‌آموزان و تبیین عوامل مؤثر بر خروجی مدل‌ها است. در این راستا، مجموعه‌ای از داده‌های چندبعدی شامل شاخص‌های رفتاری، آموزشی، اجتماعی و فردی دانش‌آموزان مورد استفاده قرار گرفت و چندین الگوریتم یادگیری ماشین و یادگیری عمیق به‌منظور مدلسازی خطر خودکشی آموزش داده شد. به‌منظور تضمین قابلیت اعتماد و استفاده‌پذیری نتایج، چارچوب پیشنهادی با بهره‌گیری از روش‌های XAI نظیر SHAP وLIME ، امکان تحلیل سهم هر ویژگی در پیش‌بینی نهایی مدل را فراهم می‌سازد.

عملکرد مدل‌ها با استفاده از شاخص‌های ارزیابی متداول شامل دقت، یادآوری، F1-score  و سطح زیر منحنی ROC مورد سنجش و مقایسه قرار گرفت. نتایج تجربی نشان داد که مدل‌های هوش مصنوعی تبیین‌پذیر، ضمن دستیابی به دقت پیش‌بینی مناسب، قادر به شناسایی عوامل کلیدی مرتبط با افزایش خطر خودکشی در دانش‌آموزان هستند. تحلیل‌های تبیینی ارائه‌شده در این پژوهش، علاوه بر افزایش شفافیت مدل‌ها، زمینه را برای درک بهتر سازوکارهای مؤثر بر خطر خودکشی فراهم می‌کند و می‌تواند به‌عنوان ابزاری پشتیبان در اختیار مشاوران مدارس، روان‌شناسان و سیاست‌گذاران آموزشی قرار گیرد.