КЛАССИФИКАЦИЯ СТРЕССА СТУДЕНТОВ НА ОСНОВЕ АЛГОРИТМОВ МАШИННОГО ОБУЧЕНИЯ
https://doi.org/10.53360/2788-7995-2026-3(23)-6
Аннотация
Инструменты опроса остаются наиболее практичным подходом для крупномасштабного мониторинга стресса студентов в образовательных учреждениях. А шкала воспринимаемого стресса продолжает подтверждать свою эффективность в различных контекстах. В данном исследовании оценивалась эффективность современных стандартных методов машинного обучения на табличном многоклассовом опросе студентов с выраженным дисбалансом классов. Проведена двухэтапная оценка. Во-первых, сравнены деревья решений, случайный лес и метод kближайших соседей (KNN) в пяти режимах обучения-тестирования (90/10, 80/20, 70/30, 60/40, 50/50), чтобы проверить стабильность при различных размерах выборки. Во-вторых, добавлен эксперимент с учетом дисбаланса на разбиении 80/20 с использованием передискретизации в стиле SMOTE и сравнены случайный лес, градиентный бустинг и XGBoost. Представлены макроусредненные метрики, подходящие для многоклассовых целевых значений с асимметричным распределением. В пяти вариантах сравнения алгоритмы случайный лес и KNN неизменно показывали лучшие результаты, чем алгоритм деревья решений. Эти результаты согласуются с недавними данными о том, что ансамбли на основе деревьев решений доминируют на типичных табличных данных, а также с сообщениями о том, что ансамбли надежны для классификации, связанной со стрессом. При разделении 80/20 RF и XGBoost показывают одинаковый результат по макро-F1 ≈ 0,73, в то время как дополнительный SVM (RBF) достигает наилучшего значения макроF1 0,86. Кластеризация и проекции подтверждают, что реакции на стресс образуют континуум, а не дискретные группы.
Об авторах
О. А. УмаровКазахстан
Олжас Аслзадаевич Умаров – студент 3 курса
010000, Республика Казахстан, Астана, проспект Мәңгілік Ел, 55/11, блок С1
Ж. О. Оралбекова
Казахстан
Жанар Орымбаевна Оралбекова – PhD, ассоциированный профессор, и.о. профессора Школы
ИИ и науки о данных
010000, Республика Казахстан, Астана, проспект Мәңгілік Ел, 55/11, блок С1
Ш. С. Туткышбаева
Казахстан
Шырын Сарыбайевна Туткышбаева – PhD, ассистент профессора Школы программной инженерии
010000, Республика Казахстан, Астана, проспект Мәңгілік Ел, 55/11, блок С1
Д. О. Оралбекова
Казахстан
Дина Орымбаевна Оралбекова – PhD, ассоциированный профессор, старший научный сотрудник
050010, Республика Казахстан, Алматы, ул. Шевченко, 28
Г. А. Тюлепбердинова
Казахстан
Гульнур Алпыскызы Тюлепбердинова – кандидат физико-математических наук, ассоциированный профессор кафедры искусственного интеллекта и Big Data
050040, Республика Казахстан, Алматы, проспект Аль-Фараби, 71
Список литературы
1. Brown T.A., Sellbom M. Further validation of the Personality Disorder Severity for ICD-11 (PDS-ICD-11) scale in a community mental health sample // Psychological Assessment. – 2023. – Vol. 35(8). – P. 706–714. https://doi.org/10.1037/pas0001253
2. Breiman L. Random forests // Machine Learning. – 2001. – Vol. 45. – P. 5–32. https://doi.org/10.1023/A:1010933404324
3. Chen T., Guestrin C. XGBoost: A scalable tree boosting system // KDD '16: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. – 2016. – P. 785–794. https://doi.org/10.1145/2939672.2939785
4. Grinsztajn L., Oyallon E., Varoquaux G. Why do tree-based models still outperform deep learning on typical tabular data? // 36th Conference on Neural Information Processing Systems (NeurIPS 2022) Track on Datasets and Benchmarks [Electron. resource]. – 2022. – Vol. 35. – P. 507-520. – URL: https://proceedings.neurips.cc/paper_files/paper/2022/file/0378c7692da36807bdec87ab043cdadc-Paper-Datasets_and_Benchmarks.pdf (date of access: 3.01.2026).
5. Shwartz-Ziv R., Armon A. Tabular data: Deep learning is not all you need // Information Fusion. – 2022. – Vol. 81. – P. 84–90. https://doi.org/10.1016/j.inffus.2021.11.011.
6. Anand R.V., Md A.Q., Urooj S., Mohan S., Alawad M.A., Adittya C. Enhancing diagnostic decision making: Ensemble learning techniques for reliable stress level classification // Diagnostics. – 2023. – Vol. 13(22): 3455. https://doi.org/10.3390/diagnostics13223455.
7. Grandini M., Bagli E., Visani G. Metrics for multi-class classification: An overview [Electron. resource] // arXiv:2008.05756. – 2020. – URL: https://arxiv.org/abs/2008.05756 (date of access: 3.01.2026).
8. Saito T., Rehmsmeier M. The precision–recall plot is more informative than the ROC plot when evaluating binary classifiers on imbalanced datasets // PLOS ONE. – 2015. – Vol. 10(3): e0118432. https://doi.org/10.1371/journal.pone.0118432
9. Raschka S. Model evaluation, model selection, and algorithm selection in machine learning [Electron. resource] // arXiv:1811.12808. – 2018. – URL: https://arxiv.org/abs/1811.12808 (date of access: 3.01.2026).
10. Lemaître G., Nogueira F., Aridas C.K. Imbalanced-learn: A Python toolbox to tackle the curse of imbalanced datasets in machine learning [Electron. resource] // Journal of Machine Learning Research. – 2017. – Vol. 18. – P. 1–5. – URL: https://www.jmlr.org/papers/volume18/16-365/16-365.pdf (date of access: 3.01.2026).
11. Kaggle. Student Stress Monitoring Datasets [Electron. resource]. – 2025. – URL: https://www.kaggle.com/datasets/mdsultanulislamovi/student-stress-monitoring-datasets (date of access: 15.09.2025).
Рецензия
Для цитирования:
Умаров О.А., Оралбекова Ж.О., Туткышбаева Ш.С., Оралбекова Д.О., Тюлепбердинова Г.А. КЛАССИФИКАЦИЯ СТРЕССА СТУДЕНТОВ НА ОСНОВЕ АЛГОРИТМОВ МАШИННОГО ОБУЧЕНИЯ. Вестник Университета Шакарима. Серия технические науки. 2026;(3(23)):54-62. https://doi.org/10.53360/2788-7995-2026-3(23)-6
For citation:
Umarov O., Oralbekova Zh., Tutkyshbayeva Sh., Oralbekova D., Tyulepberdinova G. STUDENT STRESS CLASSIFICATION BASED ON MACHINE LEARNING ALGORITHMS. Bulletin of Shakarim University. Technical Sciences. 2026;(3(23)):54-62. https://doi.org/10.53360/2788-7995-2026-3(23)-6
JATS XML















