Naslov (srp)

Сервиси паметног здравства за мерење и предвиђање стреса студената у високошколском образовању применом вештачке интелигенције : докторска дисертација

Autor

Lotfi, Farhad, 1990-

Doprinosi

Despotović-Zrakić, Marijana, 1977-
Ševarac, Zoran, 1977-
Bjelica, Artur, 1970-
Vukmirović, Dragan, 1962-
Kovačević, Ivana, 1975-
Bogdanović, Zorica, 1979-

Opis (eng)

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.

Opis (srp)

Predmet istraživanja ove doktorske disertacije je razvoj modela i servisa pametnog zdravstva(smart healthcare) za merenje i predviđanje stresa studenata u visokoškolskom obrazovanjukorišćenjem metoda i tehnika veštačke inteligencije, kako bi se unapredio kvalitet obrazovnogprocesa u gotovo realnom vremenu (biofeedback). Cilj istraživanja je razviti metodološkipostupak, projektovati i implementirati servise pametnog zdravstva zasnovane na metodama itehnikama veštačke inteligencije, koji se mogu integrisati sa sistemom za e-učenje, kojiomogućuju efektivnu i brzu detekciju i predviđanje stresa studenata, kao podrške obrazovnomprocesu.Anksioznost kod studenata u visokom obrazovanju je aktuelan problem, koji je dobio naznačaju od početka Covid-19 pandemije. Osim širih društvenih problema, uticaj na stres ilianksioznost studenata imaju brojni faktori ponašanja poput ličnih osobina pojedinca, zatimpušenja cigareta ili fizičke aktivnosti, kao i faktori vezani za obrazovno okruženje.Metode veštačke inteligencije, specifično mašinskog učenja se često koriste za detekciju ipredviđanje stresa i anksioznosti. Mašinsko učenje se može koristiti kao efikasna tehnologijakoja može predvideti stres ili anksioznost studenata sa velikom preciznošću. Otkrivanje stresaili anksioznosti u ranim fazama je ključno za kliničke postupke kako bi se poboljšalaatmosfera u društvu, posebno među studentkinjama. Ova disertacija ima za cilj da predvidianksioznost studenata koristeći algoritme mašinskog učenja obezbeđujući relevantne povratneinformacije. Ovo istraživanje takođe teži da proceni i poboljša preciznost detektovanja stresa ianksioznosti specifično kod studentkinja sa intervencijom tri ključne karakteristike: pušenjecigareta, fizička aktivnost i njihovu prosečnu ocena na studijama koristeći algoritme i funkcijemašinskog učenja.U istraživanju su učestvovali studenti sa Univerziteta u Beogradu. Učesnici su ispunilistandardni upitnik poznat kao Inventar anksioznosti osobina i stanja (STAI). Podaci suanalizirani primenom algoritma linearne regresije, višestruke linearna regresija, KNN, k-means. Ispitani su faktori korelacije i validnost razvijenog modela. Rezultati pokazuju dapušenje cigareta, fizička aktivnost, i prosečna ocena tokom studiranja utiču na stres kodstudenata. Identifikovana su dva klastera anksioznosti kod studentkinja, pokazujućikarakteristike koje su u stanju da detektuju anksioznost kod studentkinja sa velikompreciznošću.

Opis (srp)

Вештачка интелигенција / Artificial intelligence Datum odbrane: 12.03.2025.

Jezik

srpski

Datum

2025

Licenca

Ovo delo je licencirano pod uslovima licence
Creative Commons CC BY-NC-ND 3.0 AT - Creative Commons Autorstvo - Nekomercijalno - Bez prerada 3.0 Austria License.

http://creativecommons.org/licenses/by-nc-nd/3.0/at/legalcode

Predmet

OSNO - Opšta sistematizacija naučnih oblasti, Veštačka inteligencija. Robotika

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

OSNO - Opšta sistematizacija naučnih oblasti, Veštačka inteligencija. Robotika

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