چکیده
Introduction College students’ psychological vulnerability assessment is constrained by data scarcity, high labeling cost, privacy sensitivity, and small, imbalanced samples, and existing frameworks typically treat vulnerability as a static judgment that cannot track how a student’s condition changes over time. This study examined whether a few-sample hierarchical grading model combined with meta-reinforcement-learning-based sequential decision-making could address both problems jointly. Methods A few-sample hierarchical grading model, combining meta-learning and transfer regularization with a prototype-based embedding and ordinal threshold assignment, quantified static risk from a handful of labeled examples per grade, while a sequential risk-identification method formulated dynamic assessment as a Markov decision process solved by a two-stage meta-reinforcement-learning policy. Case studies used a longitudinal, class-imbalanced cohort simulation calibrated to the documented statistics of a mobile-sensing mental-health study (no real participant data were used) and compared the proposed models against threshold-rule, supervised, fine-tuned, few-shot, and non-meta reinforcement-learning baselines, with sensitivity analyses on support-set size, reward weights, discount factor, and regularization weight, plus a regime-switching robustness check. Results The proposed grading model attained a macro-F1 of 0.847 with ten labeled examples per grade, over twenty percentage points above a conventional deep-learning classifier, though its edge over other episodic few-shot architectures was small and inconsistent, indicating episodic meta-learning as the main source of this gain. The meta-reinforcement-learning policy achieved a higher alert precision-recall area (0.514 vs. 0.380) than a non-meta baseline and avoided its degenerate always-escalate behavior, but neither the main study nor the regime-switching check showed the composite reward lengthening lead time versus a simpler accuracy-only reward, which matched its lead time at a much lower escalation rate. Sensitivity analyses showed the reward-weight ratio and discount factor shaping the early-identification versus intervention-cost trade-off. Conclusion These findings suggest that combining few-sample meta-learning with metareinforcement-learning-based sequential decision-making can improve vulnerability assessment under scarce, evolving data relative to conventional static and non-meta-adapted approaches, with an accuracy-only reward recommended as the practical default. The case studies relied on a calibrated simulation rather than raw longitudinal records, so prospective validation on real campus data under appropriate privacy safeguards is needed before responsible deployment.
مقدمه: ارزیابی آسیب‌پذیری روانشناختی دانشجویان دانشگاه با محدودیت‌هایی نظیر کمبود داده، هزینه بالای برچسب‌گذاری، حساسیت به حریم خصوصی و نمونه‌های کوچک و نامتوازن مواجه است و چارچوب‌های موجود معمولاً آسیب‌پذیری را به‌عنوان یک قضاوت ایستا در نظر می‌گیرند که قادر به پیگیری تغییر وضعیت دانشجو در طول زمان نیست. این مطالعه بررسی کرد که آیا مدل درجه‌بندی سلسله‌مراتبی با نمونه‌های اندک، در ترکیب با تصمیم‌گیری ترتیبی مبتنی بر یادگیری فرا-تقویتی، می‌تواند هر دو مشکل را به طور همزمان حل کند. روش‌ها: یک مدل درجه‌بندی سلسله‌مراتبی با نمونه‌های اندک، که یادگیری فراگیر و منظم‌سازی انتقال را با تعبیه مبتنی بر نمونه اولیه و تخصیص آستانه ترتیبی ترکیب می‌کند، ریسک ایستا را از تعداد محدودی نمونه برچسب‌خورده برای هر درجه کمی‌سازی کرد، در حالی که یک روش شناسایی ریسک ترتیبی، ارزیابی پویای ریسک را به‌صورت یک فرایند تصمیم‌گیری مارکوف مدل‌سازی کرد که توسط یک سیاست یادگیری فرا-تقویتی دو مرحله‌ای حل شد. مطالعات موردی از شبیه‌سازی هم‌گروهی نامتوازن و طولی استفاده کردند که بر اساس آمار مستند یک مطالعه سلامت روان مبتنی بر حسگرهای موبایلی کالیبره شده بود (هیچ داده واقعی شرکت‌کننده استفاده نشد) و مدل‌های پیشنهادی را با روش‌های آستانه‌ای، نظارت‌شده، تنظیم دقیق، یادگیری با نمونه‌های اندک و یادگیری تقویتی غیر فراگیر مقایسه کردند و تحلیل حساسیت بر اندازه مجموعه پشتیبان، وزن پاداش، ضریب تنزیل و وزن منظم‌سازی و همچنین بررسی پایداری تغییر رژیم انجام شد. نتایج: مدل درجه‌بندی پیشنهادی با ده نمونه برچسب‌خورده برای هر درجه، به مقدار macro-F1 برابر با 0.847 دست یافت که بیش از بیست درصد بالاتر از یک طبقه‌بند یادگیری عمیق متداول بود، هرچند برتری آن نسبت به سایر معماری‌های یادگیری با نمونه‌های اندک اپیزودیک اندک و ناسازگار بود که نشان‌دهنده نقش اصلی یادگیری فراگیر اپیزودیک در این بهبود است. سیاست یادگیری فرا-تقویتی به مساحت بالاتری در منحنی دقت-بازخوانی هشدار (0.514 در مقابل 0.380) نسبت به پایه غیر فراگیر دست یافت و از رفتار همواره تشدیدکننده آن اجتناب کرد، اما نه مطالعه اصلی و نه بررسی تغییر رژیم نشان نداد که پاداش مرکب، زمان پیش‌آگاهی را نسبت به پاداش صرفاً مبتنی بر دقت افزایش دهد، که زمان پیش‌آگاهی مشابهی را با نرخ تشدید بسیار پایین‌تر ارائه کرد. تحلیل حساسیت نشان داد که نسبت وزن پاداش و ضریب تنزیل، توازن بین شناسایی زودهنگام و هزینه مداخله را شکل می‌دهد. نتیجه‌گیری: این یافته‌ها نشان می‌دهد که ترکیب یادگیری فراگیر با نمونه‌های اندک و تصمیم‌گیری ترتیبی مبتنی بر یادگیری فرا-تقویتی می‌تواند ارزیابی آسیب‌پذیری را در شرایط داده‌های کمیاب و در حال تحول نسبت به رویکردهای ایستا و غیر فراگیر متداول بهبود بخشد و پاداش صرفاً مبتنی بر دقت به‌عنوان گزینه عملی توصیه می‌شود. مطالعات موردی مبتنی بر شبیه‌سازی کالیبره‌شده و نه داده‌های خام طولی بودند، بنابراین اعتبارسنجی آینده‌نگر بر داده‌های واقعی دانشگاهی با رعایت ملاحظات حریم خصوصی پیش از استقرار مسئولانه ضروری است.
