Концепция
В современном обществе вопрос ментального здоровья студентов становится все более актуальной темой. Студенческая жизнь часто сопровождается высоким уровнем стресса, тревожности и другими психическими расстройствами, что может негативно влиять на академическую успеваемость и здоровье в целом. Этот проект направлен на анализ данных о ментальном здоровье студентов с целью выявления ключевых факторов, влияющих на их психоэмоциональное состояние. Как студент, я сама сталкиваюсь с трудностями, связанными с эмоциональным состоянием на фоне учебного процесса, поэтому мне было важно углубиться в эту тему. В процессе работы будет введен специальный термин «коморбидность», который поможет выявить статистику одновременного наличия нескольких психических расстройств у студентов.
Данный проект и выбранный для анализа дататест на платформе Kaggle «Student Psychological Well-Being Survey Data» позволяет анализировать закономерности, выявлять факторы риска и изучать взаимосвязь между академической жизнью и психологическим здоровьем. Для визуализации данных были созданы 4 типа графика с использованием языка Python, а для оптимизации кода, выявления критических ошибок и создания иллюстраций к проекту применялся ChatGPT. —>Столбчатая диаграмма —>Линейный график —>Тепловая карта —>Линейный график
Визуальное оформление
Работа Тони Аллена
Визуальное оформление проекта вдохновлено работами Тони Аллена, мультимедийного художника, который работает в некоммерческой организации, оказывающей поддержку людям с черепно-мозговыми травмами, предоставляя им доступ к творческим проектам. В рамках проекта «Submit to Love Studios» Аллен использует яркие и жизнерадостные цвета, а также послания, которые помогают поднять настроение и создать атмосферу любви. Эта концепция соотносятся с идеей оказания поддержки тем, кто в ней нуждается, поскольку студенты часто сталкиваются с необходимостью отвлечься от учебных нагрузок и погрузиться в творческий процесс. Цветовая палитра проекта сформирована на основе цветовых решений, характерных для работ Аллена.
Картины Тони Аллена
Начало работы
Данные были загружены с Google Drive с помощью библиотеки gdown. После загрузки были переименованы колонки для удобства работы. Затем типы данных были приведены к нужным форматам: колонка age была преобразована в числовой тип, а study_year — в текстовый. Бинарные признаки, содержащие значения «Yes» и «No», были закодированы в числовой формат (1 и 0 соответственно).
Также была вычислена коморбидность, представляющая собой сумму признаков психических состояний. В результате был создан финальный датасет, включающий необходимые колонки для дальнейшего анализа.
Столбчатая диаграмма
«Распределение психологических расстройств по гендеру»
График показывает гендерные различия в распространённости психических состояний среди студентов: в выборке женщины чаще сталкиваются с депрессией и паническими атаками, тогда как мужчины с тревожностью. Конкретно: депрессия — 38,7% у женщин против 23,1% у мужчин, тревожность — 32,0% у женщин против 38,5% у мужчин, панические атаки — 33,3% у женщин против 30,8% у мужчин. Данная столбчатая диаграмма позволяет сделать промежуточный вывод о том, что среди обследованных студентов существуют гендерно различающиеся профили психических расстройств.
Для корректной визуализации различий в уровне депрессии, тревожности и панических атак среди студентов в зависимости от гендера в коде были выполнены следующие шаги:
— Импортированы библиотеки pandas, matplotlib и seaborn для обработки данных и визуализации. — Заданы пользовательские цвета для каждого психоэмоционального состояния, что повышает читаемость и логическую связность графика. — Настроен единый стиль визуализации, отключены верхняя и правая оси для более чистого отображения.
Линейный график
«Возрастные пики заболеваемости»
Далее можно обратиться к линейному графику, на котором отображены доли студентов с тремя психическими состояниями по возрасту: размер точек здесь отражает коморбидность, одновременное наличие у одного человека двух и более расстройств.
По графику видно выраженные возрастные различия: тревожность достигает пика примерно в 21 год, депрессия наиболее заметна около 20 лет, тогда как панические атаки чаще встречаются эпизодически, заметные значения появляются около 19 и в диапазоне 23–24 лет. В отдельных возрастах некоторый показатель равен нулю, что может указывать как на реальные колебания распространённости. Наконец, крупные точки в возрастных группах около 18–21 и на 24 годах подчёркивают, что в эти периоды нередко наблюдалось сочетание состояний, что требует внимания к комплексной диагностике и вмешательствам.
Аналогично предыдущей работе с кодом, сначала были загружены модули и датасет. Затем извлекались данные о заболеваемости психическими состояниями по возрасту и введен специальный термин коморбидности для наглядности и оптимизации данных. Затем строился график в заданном визуальном стиле и цветах.
Тепловая карта
«Коморбидность студентов по СGPA и году обучения»
На тепловой карте показано распределение среднего числа сопутствующих состояний по диапазонам CGPA и курсам. (CGPA — средний балл студента, отражающий его успеваемость по всем курсам)
Наибольшая средняя коморбидность — у студентов с CGPA 2.50–2.99 на 1 курсе, а также заметно повышена в группе CGPA 3.50–4.00 на 2 курсе. Самые низкие значения наблюдаются в диапазоне CGPA 0–1.99 почти ноль в представленных годах, а также у лучших студентов на 4 курсе. Группа CGPA 3.00–3.49 демонстрирует относительно стабильную умеренную коморбидность по всем курсам.
Для создания данного визуального анализа была использована база данных студентов, включающая показатели академической успеваемости (CGPA), год обучения и количество сопутствующих состояний (коморбидности).
Данные были предварительно сгруппированы по диапазонам CGPA и курсам обучения, после чего для каждой группы было вычислено среднее число состояний. Это позволило выявить общие тенденции между уровнем академической успеваемости и состоянием здоровья студентов на разных этапах обучения.
Цветовая шкала в графике была выбрана градиентной, с переходом от холодных к тёплым оттенкам, что позволяет визуально выделить области с более высокой коморбидностью. Светлые и тёплые участки указывают на группы студентов с наибольшей средней нагрузкой по состояниям, тогда как тёмные и холодные зоны соответствуют минимальным значениям.
Линейный график
«Средняя коморбидность по CGPA»
График показывает нелинейную связь между средним уровнем коморбидности и CGPA. Наблюдается два пика: первый — при CGPA около 2.5–2.99, где коморбидность достигает максимума, и второй — у студентов с CGPA 3.50–4.00.
Повышенная коморбидность у студентов со средним CGPA может отражать затруднения адаптации или комбинированное влияние академического стресса и личных факторов, высокий же уровень коморбидности у студентов может быть связан с рядом причин: выгорание, перфекционизм и хронический стресс.
Этот код выполняет анализ и визуализацию данных о средней коморбидности студентов в зависимости от уровня академической успеваемости (CGPA). Такой тип графика выбран для того, чтобы наглядно отразить динамику изменения коморбидности при переходе от низких значений успеваемости к более высоким.
Тепловая карта
«Распределение психологических состояний по 10 направлениям»
Далее можно обратиться к заключительному графику в виде тепловой карты, на котором показано распределение процентного числа студентов с тремя психологическими состояниями (depression, anxiety, panic) по 10 направлениям обучения. Наибольшая концентрация депрессии и тревоги приходится на факультет psychology, тогда как Irkhs демонстрирует экстремально высокие показатели по тревоге и панике при отсутствии зафиксированной депрессии. Engineering и BCS имеют средние значения по всем трём состояниям, KOE и Laws показывают умеренные уровни. Примечательно также полное отсутствие случаев по всем трём показателям у Biomedical science и Engine.
На основе карты можно сделать выводы о целевых группах для психологической поддержки: приоритизацию стоит направить на студентов psychology, Irkhs и BIT/BENL, а по направлениям с нулевыми показателями целесообразно проверить качество данных.
Данный код выполняет анализ и визуализацию психологических состояний студентов по 10 популярным направлениям обучения. Сначала данные с процентными значениями депрессии, тревожности и панических состояний были сведены в табличный формат (DataFrame). Затем с помощью библиотеки seaborn была построена тепловая карта, где цветовая шкала отражает долю студентов с тем или иным психологическим состоянием. Подписи осей и аннотации внутри ячеек позволяют точно интерпретировать значения. В результате визуализация наглядно показывает различия между направлениями обучения и позволяет быстро выявить курсы с наиболее высокими психологическими рисками.
Заключение
Результаты анализа данных о ментальном здоровье студентов показывают, что многие учащиеся сталкиваются с высокими уровнями стресса и тревожности во время учебного процесса. Применение термина коморбидности позволило глубже понять связь между различными психическими расстройствами и выявить статистику одновременного их проявления. Визуализация данных через столбчатые диаграммы, линейные графики и тепловые карты предоставила наглядное представление о факторах риска и закономерностях.
Визуализация данных из дататеста позволила лучше понять распространенность различных проблем, а также выявить ряд психических расстройств: депрессия, тревожность, панические атаки, влияющие на состояние здоровья учащихся. Важно отметить, что результаты проекта могут послужить основой для разработки программ поддержки студентов, направленных на улучшение их психоэмоционального состояния и создание более здоровой учебной среды.
Применение генеративных моделей и инструментов
Помощь в поиске ошибок кодов: ChatGPT Иллюстрации кодов: Carbon Используемые библиотеки: Pandas, Matplotlib и Seaborn Поиск датасета: Kaggle Генерация картинок: ChatGPT Промты: (Using the provided source image of Tony Allen’s work as a color and tonal foundation, reinterpret it into an abstract composition. High paint-texture detail, a sense of movement and energy, expressive abstraction, artist’s canvas, no figures, no narrative pure painterly improvisation. Extract the colors from the image and create a palette of crayon swatches, as in the painting)
