Min Zhang

Personalized psychological counseling is essential for tailoring therapeutic strategies to individual needs. However, existing methods often rely on static approaches that fail to dynamically adapt responses based on emotional and contextual changes in client conversations. The primary objective is to improve personalized psychological counseling for college students experiencing academic stress, social adjustment challenges, and emotional well-being concerns. The proposed model is termed the Grizzly Bear Fat-Increase Optimization–Driven Encoder–Decoder Long Short-Term Memory (GBFI–EDLSTM) architecture to dynamically adjust counseling strategies. The model utilizes an Encoder–Decoder LSTM to process and generate personalized counseling responses. GBFI fine-tunes these responses by analyzing emotional cues, ensuring that the generated strategies are tailored to the client’s evolving needs within a college academic and social environment. The model is trained on a curated dataset consisting of mental health conversation dialogues collected from college students and university counseling sessions, which contain text-based interactions between student clients and professional counselors. Preprocessing steps such as tokenization, stop-word removal, lemmatization, and punctuation removal to standardize the input. BERT embeddings are used for feature extraction, enabling the model to capture meaningful semantic relationships. These features assist the model in generating contextually appropriate and emotionally relevant responses. The model is implemented using Python, with Tensorflow and Keras for DL, and NLTK and spaCy for text preprocessing. The model accuracy (0.936), precision (0.93), recall (0.92), and F1-score (0.92), along with a PHQ-9 reduction (4.3) and dropout rate (8.8%). It outperforms traditional models in terms of emotional engagement and therapeutic progress prediction.

مشاوره روان‌شناختی شخصی‌سازی‌شده برای تطبیق راهبردهای درمانی با نیازهای فردی ضروری است. با این حال، روش‌های موجود اغلب بر رویکردهای ایستا تکیه دارند که قادر به انطباق پویا با تغییرات هیجانی و زمینه‌ای در مکالمات مراجع نیستند. هدف اصلی، بهبود مشاوره روان‌شناختی شخصی‌سازی‌شده برای دانشجویان دانشگاه است که با استرس تحصیلی، چالش‌های سازگاری اجتماعی و نگرانی‌های بهزیستی هیجانی مواجه هستند. مدل پیشنهادی با عنوان معماری Grizzly Bear Fat-Increase Optimization–Driven Encoder–Decoder Long Short-Term Memory (GBFI–EDLSTM) ارائه می‌شود تا راهبردهای مشاوره را به صورت پویا تنظیم کند. این مدل از یک Encoder–Decoder LSTM برای پردازش و تولید پاسخ‌های مشاوره‌ای شخصی‌سازی‌شده بهره می‌برد. GBFI این پاسخ‌ها را با تحلیل نشانه‌های هیجانی بهینه می‌کند تا اطمینان حاصل شود که راهبردهای تولیدشده با نیازهای در حال تحول مراجع در محیط دانشگاهی و اجتماعی تطابق دارند. مدل بر روی مجموعه داده‌ای منتخب شامل گفتگوهای سلامت روان جمع‌آوری‌شده از دانشجویان و جلسات مشاوره دانشگاهی آموزش داده می‌شود که شامل تعاملات متنی بین مراجعان دانشجو و مشاوران حرفه‌ای است. مراحل پیش‌پردازش مانند توکنیزاسیون، حذف کلمات توقف، لماتیزاسیون و حذف علائم نگارشی برای استانداردسازی ورودی انجام می‌شود. برای استخراج ویژگی‌ها از تعبیه‌های BERT استفاده می‌شود تا مدل بتواند روابط معنایی معنادار را دریافت کند. این ویژگی‌ها به مدل در تولید پاسخ‌های متناسب با زمینه و مرتبط با هیجان کمک می‌کنند. مدل با استفاده از Python و کتابخانه‌های Tensorflow و Keras برای یادگیری عمیق و NLTK و spaCy برای پیش‌پردازش متنی پیاده‌سازی شده است. دقت مدل (0.936)، دقت مثبت (0.93)، یادآوری (0.92) و امتیاز F1 (0.92)، همراه با کاهش PHQ-9 (4.3) و نرخ دراپ‌اوت (8.8%) گزارش شده است. این مدل از نظر درگیری هیجانی و پیش‌بینی پیشرفت درمانی عملکرد بهتری نسبت به مدل‌های سنتی دارد.