Төртінші нөмірге барлық бағыттар бойынша мақалалар қабылдау аяқталды.

Приём статей в четвёртый номер по всем направлениям закрыт.

Submissions for the fourth issue are now closed across all subject areas.

Preview

Вестник Университета Шакарима. Серия технические науки

Вестник Университета Шакарима. Серия технические науки

Расширенный поиск

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. Умаров
Astana IT University 
Казахстан

Олжас Аслзадаевич Умаров – студент 3 курса 

010000, Республика Казахстан, Астана, проспект Мәңгілік Ел, 55/11, блок С1



Ж. О. Оралбекова
Astana IT University
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
Astana IT University 
Казахстан

Шырын Сарыбайевна Туткышбаева – PhD, ассистент профессора Школы программной инженерии

010000, Республика Казахстан, Астана, проспект Мәңгілік Ел, 55/11, блок С1



Д. О. Оралбекова
Институт информационных и вычислительных технологий
Казахстан

Дина Орымбаевна Оралбекова – PhD, ассоциированный профессор, старший научный сотрудник 

050010, Республика Казахстан, Алматы, ул. Шевченко, 28



Г. А. Тюлепбердинова
Казахский национальный университет имени аль-Фараби
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

Просмотров: 13

JATS XML


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 2788-7995 (Print)
ISSN 3006-0524 (Online)
X