MindGrade：用机器学习量化心理健康对学业表现的影响

MindGrade项目针对马来西亚国际伊斯兰大学学生，通过机器学习管道分析心理健康指标与学业成绩（CGPA）的关系。研究发现约三分之一学生存在心理健康问题，但仅6%寻求专业帮助，揭示了显著的治疗缺口。项目旨在量化心理健康负担与学业表现的关联，为高校福利政策提供数据驱动的洞察。

全球高等教育面临大学生心理健康危机，抑郁症、焦虑症等问题普遍，但东南亚学术语境中其对学业影响的量化研究较少。马来西亚国际伊斯兰大学2020年调查显示，101名受访学生中约1/3存在至少一种心理健康问题，仅6%寻求专业治疗，存在巨大治疗缺口。MindGrade项目因此构建可复现的机器学习管道，以量化关联并提供干预依据。

1. 数据处理：清洗原始数据（标准化课程名称、规范化年份、填充缺失值），构建复合特征（心理健康负担评分=抑郁症+焦虑症+恐慌发作）；2. 类别不平衡处理：采用自适应SMOTE技术扩展训练集；3. 模型比较：训练逻辑回归、随机森林、XGBoost、SVM四种分类器并评估；4. 可解释性：用SHAP分析特征贡献；5. 统计检验：卡方检验心理健康特征与CGPA的关联。

• 样本统计：101名18-24岁学生，CGPA分布高度不平衡（90%集中在3.00-4.00分段）；- 心理健康状况：34.7%患抑郁症、33.7%焦虑症、32.7%恐慌发作，仅5.9%寻求治疗；- 模型性能：逻辑回归表现最佳（准确率0.4286，宏平均F1 0.38）；- 特征重要性：学年、年龄为最强预测因子，心理健康负担评分比单一标志更具预测力；- 卡方检验：因样本量小和类别不平衡，未达统计显著性（p值0.06-0.72）。

1. 治疗缺口突出：仅6%学生寻求专业帮助，需机构干预；2. 共病现象普遍：抑郁症、焦虑症、恐慌发作正相关，复合负担评分更具预测力；3. 模型选择：小样本不平衡数据下，简单模型（逻辑回归）优于复杂模型；4. 局限：样本量小、横截面数据无法建立因果、自我报告偏差。

• 高校建议：投资心理健康服务、消除求助障碍、建立早期预警系统；- 未来研究：扩大样本至更多高校、收集纵向数据追踪动态关系、评估干预效果、开发实时预警系统。