Psychological counseling

This study examined teacher candidates' technostress levels and information and communication technology (ICT) competencies, the association between these constructs, and differences according to selected variables. A quantitative correlational survey design was used with 427 third- and fourth-year teacher candidates from nine programs at the Faculty of Education, Akdeniz University, in the 2024–2025 academic year. Data were collected with the Teachers' Technostress Levels Defining Scale, adapted for teacher candidates, and the ICT Competencies Scale for Teacher Candidates and were analyzed with simple linear regression, Mann–Whitney U, and Kruskal–Wallis H tests; group comparisons were treated as exploratory and adjusted with the Holm procedure. Mean technostress scores fell within the upper third of the possible range, and mean ICT competence scores fell within the lower third. ICT competence was negatively associated with technostress and accounted for 36.5% of its variance. Female candidates reported higher technostress than males, with small effect sizes. Technostress was higher and ICT competence was lower in the Science and Guidance and Psychological Counseling programs. Because the design is cross-sectional, these findings indicate associations rather than causal effects.

Objective While investments in physical school infrastructure are widely recognized as important determinants of student learning, the academic role of psychosocial infrastructure remains insufficiently theorized and empirically underexplored. This study examines whether psychological counseling room infrastructure (PCRI)—defined as the availability and facility condition of school-based psychological counseling rooms—is associated with better students’ academic performance and contributes to educational equity in China. Methods Using nationally representative data from the 2014-2015 China Education Panel Survey (CEPS), this study estimates the association between PCRI and students’ academic achievement. PCRI is measured at the school level, while student performance is captured by standardized test scores. The empirical analysis controls for a rich set of student, family, classroom, and school characteristics, and exploits the quasi-random assignment of students to classrooms within schools to reduce selection concerns. Mechanism analyses are conducted to examine the psychological well-being and motivational enhancement channels, and moderation analyses are used to assess whether PCRI has stronger effects among structurally disadvantaged student groups. Results PCRI is positively and significantly associated with students’ academic performance. The estimated coefficient is 4.467 with a 95% confidence interval of [3.908, 5.027]. A one-standard-deviation increase in PCRI is associated with a 3.26-point increase in test scores, with a 95% confidence interval of [2.853, 3.670], equivalent to 4.92% of the sample mean. Mechanism analyses reveal two distinct pathways: a psychological well-being channel, reflected in improved mental health and enhanced confidence in the future, and a motivational enhancement channel, reflected in higher educational self-expectations and stronger learning engagement. Moderation analyses further show that the academic returns to PCRI are larger among migrant students, students from less-educated families, students in schools with fewer psychologically trained teachers, and rural students. Conclusion The findings suggest that school-based psychological support infrastructure is not merely an auxiliary school resource, but an important component of the educational environment associated with students’ academic achievement and educational equity. By identifying psychological counseling room infrastructure as a distinct school resource, this study highlights how school resources may be linked to academic performance not only through instructional and material conditions, but also through students’ psychological well-being and motivational development.

هدف: در حالی که سرمایه‌گذاری در زیرساخت‌های فیزیکی مدارس به عنوان عوامل مهم تعیین‌کننده یادگیری دانش‌آموزان به طور گسترده‌ای شناخته شده است، نقش علمی زیرساخت روانی‌اجتماعی همچنان به اندازه کافی نظریه‌پردازی نشده و به طور تجربی کمتر مورد بررسی قرار گرفته است. این پژوهش بررسی می‌کند که آیا زیرساخت اتاق مشاوره روان‌شناختی (PCRI) ـ که به عنوان دسترسی و وضعیت امکانات اتاق‌های مشاوره روان‌شناختی مدرسه تعریف می‌شود ـ با عملکرد تحصیلی بهتر دانش‌آموزان مرتبط است و به عدالت آموزشی در چین کمک می‌کند یا خیر. روش‌ها: با استفاده از داده‌های نماینده ملی حاصل از پیمایش پانل آموزش چین (CEPS) در سال‌های ۲۰۱۴-۲۰۱۵، این پژوهش ارتباط بین PCRI و پیشرفت تحصیلی دانش‌آموزان را برآورد می‌کند. PCRI در سطح مدرسه سنجیده شده است، در حالی که عملکرد دانش‌آموزان با نمرات آزمون‌های استاندارد شده اندازه‌گیری شده است. تحلیل تجربی با کنترل مجموعه گسترده‌ای از ویژگی‌های دانش‌آموز، خانواده، کلاس و مدرسه، و بهره‌گیری از تخصیص شبه‌تصادفی دانش‌آموزان به کلاس‌ها درون مدارس، نگرانی‌های مربوط به انتخاب را کاهش می‌دهد. تحلیل‌های سازوکار برای بررسی کانال‌های بهزیستی روان‌شناختی و ارتقای انگیزشی انجام شده و تحلیل‌های تعدیل‌گری برای ارزیابی اینکه آیا اثرات PCRI در میان گروه‌های دانش‌آموزی ساختاریافته محروم قوی‌تر است یا خیر، به کار رفته است. نتایج: PCRI به طور مثبت و معناداری با عملکرد تحصیلی دانش‌آموزان مرتبط است. ضریب برآورد شده برابر با ۴.۴۶۷ با فاصله اطمینان ۹۵٪ [۳.۹۰۸، ۵.۰۲۷] است. افزایش یک انحراف معیار در PCRI با افزایش ۳.۲۶ امتیاز در نمرات آزمون، با فاصله اطمینان ۹۵٪ [۲.۸۵۳، ۳.۶۷۰]، معادل ۴.۹۲٪ میانگین نمونه، همراه است. تحلیل‌های سازوکار دو مسیر متمایز را نشان می‌دهد: کانال بهزیستی روان‌شناختی که در بهبود سلامت روان و افزایش اعتماد به آینده منعکس می‌شود، و کانال ارتقای انگیزشی که در انتظارات تحصیلی بالاتر و مشارکت بیشتر در یادگیری نمود می‌یابد. تحلیل‌های تعدیل‌گری نشان می‌دهد که بازده تحصیلی PCRI در میان دانش‌آموزان مهاجر، دانش‌آموزان خانواده‌های کم‌سوادتر، دانش‌آموزان مدارس با معلمان کمتر آموزش‌دیده در حوزه روان‌شناسی و دانش‌آموزان روستایی بیشتر است. نتیجه‌گیری: یافته‌ها نشان می‌دهد که زیرساخت حمایت روان‌شناختی مدرسه صرفاً یک منبع کمکی مدرسه نیست، بلکه یک مؤلفه مهم از محیط آموزشی است که با پیشرفت تحصیلی و عدالت آموزشی دانش‌آموزان مرتبط است. با شناسایی زیرساخت اتاق مشاوره روان‌شناختی به عنوان یک منبع متمایز مدرسه، این پژوهش نشان می‌دهد که منابع مدرسه ممکن است نه تنها از طریق شرایط آموزشی و مادی، بلکه از طریق بهزیستی روان‌شناختی و رشد انگیزشی دانش‌آموزان نیز به عملکرد تحصیلی مرتبط باشند.

Academic stress is a major risk factor for mental health problems among college students. Existing online counseling systems often face three limitations: limited user trust in virtual interactions, insufficient adaptation to academic-stress scenarios, and inconsistent professional quality in single-agent counseling. To address these issues, we developed DHCBT, a digital human counseling system based on a hierarchical CBT multi-agent framework. Coordinated by a meta-agent and specialized expert agents, the framework structures counseling into two stages: establishment of an initial intervention framework and execution of the CBT core process. We evaluated the framework through benchmark testing on CBT-BENCH Level II, response-quality assessment on academic-stress counseling cases, and a controlled user study comparing DHCBT with a text-based chatbot. In benchmark testing, the framework showed strong performance on cognitive distortion and core-belief understanding tasks. In counseling-response evaluation, it outperformed baseline models in safety, adherence to CBT process, problem comprehension, and empathy. In the user study, DHCBT was associated with lower cognitive load and higher social presence, usability, and intention to continue use than the text-based control. These findings provide preliminary evidence that combining a digital human counseling interface with a CBT multi-agent framework is feasible for supporting college students with mild-to-moderate academic stress.

فشار تحصیلی یکی از عوامل خطر اصلی برای مشکلات سلامت روان در میان دانشجویان دانشگاه است. سامانه‌های مشاوره آنلاین موجود اغلب با سه محدودیت مواجه هستند: اعتماد محدود کاربران به تعاملات مجازی، سازگاری ناکافی با سناریوهای فشار تحصیلی، و کیفیت حرفه‌ای ناسازگار در مشاوره تک‌عاملی. برای رفع این مسائل، ما سامانه DHCBT را توسعه دادیم که مبتنی بر چارچوب چندعاملی سلسله‌مراتبی درمان شناختی-رفتاری (CBT) است. این چارچوب با هماهنگی یک فراعامل (meta-agent) و عوامل متخصص (expert agents)، فرایند مشاوره را به دو مرحله تقسیم می‌کند: ایجاد چارچوب اولیه مداخله و اجرای فرایند اصلی CBT. ما این چارچوب را از طریق آزمون معیار در سطح دوم CBT-BENCH، ارزیابی کیفیت پاسخ در موارد مشاوره فشار تحصیلی، و یک مطالعه کنترل‌شده کاربری که DHCBT را با یک چت‌بات متنی مقایسه می‌کند، ارزیابی کردیم. در آزمون معیار، این چارچوب عملکرد قوی‌ای در وظایف درک تحریف‌های شناختی و باورهای هسته‌ای نشان داد. در ارزیابی پاسخ‌های مشاوره‌ای، نسبت به مدل‌های پایه در ایمنی، پایبندی به فرایند CBT، درک مسئله و همدلی برتری داشت. در مطالعه کاربری، DHCBT با بار شناختی کمتر و حضور اجتماعی، قابلیت استفاده و قصد ادامه استفاده بالاتر نسبت به کنترل متنی همراه بود. این یافته‌ها شواهد اولیه‌ای فراهم می‌کند که ترکیب رابط مشاوره انسان دیجیتال با چارچوب چندعاملی CBT برای حمایت از دانشجویان با فشار تحصیلی خفیف تا متوسط امکان‌پذیر است.

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.