در سال‌های اخیر اهمیت پایش سلامت روان به طور چشمگیری افزایش یافته است، زیرا سلامت روانی افراد نقش تعیین‌کننده‌ای در رفاه و پایداری اجتماعی ایفا می‌کند. درک رفتار انسانی و رصد وضعیت روانی افراد نه تنها برای پیشگیری از بروز مشکلات جدی، بلکه برای ارتقای کیفیت زندگی جامعه ضروری است. با وجود تلاش‌های گسترده در حوزه تشخیص اختلالات روانی، بسیاری از روش‌های موجود در عمل برای شناسایی زودهنگام کارآمد نیستند و همین امر موجب می‌شود که مشکلات روانی در مراحل پیشرفته‌تر شناسایی شوند. این مسئله به‌ویژه در میان دانشجویان، که در معرض فشارهای تحصیلی و اجتماعی هستند، به شکل پررنگ‌تری دیده می‌شود. افزایش مشکلات روانی در میان دانشجویان چالش‌های گسترده‌ای برای جامعه ایجاد کرده است؛ از کاهش بهره‌وری تحصیلی گرفته تا تأثیرات منفی بر روابط اجتماعی و حتی بروز اختلالات رفتاری. برای رویارویی با این مسئله، لازم است رویکردهای نوینی در پایش و تشخیص سلامت روانی به کار گرفته شوند. یکی از این رویکردها، استفاده از ترکیب داده‌های نرم و سخت است. داده‌های سخت می‌توانند شامل اطلاعات عینی مانند صدا یا الگوهای فیزیولوژیک باشند، در حالی که داده‌های نرم بر پایه نظرات و ارزیابی‌های متخصصان روان‌شناسی شکل می‌گیرند. جداسازی این دو نوع داده در مطالعات پیشین، باعث شده بود تا تصویر کاملی از وضعیت روانی افراد ارائه نشود. مدلی که بر پایه ادغام داده‌های نرم و سخت بنا شده باشد، می‌تواند به شناسایی دقیق‌تر و زودهنگام اختلالات روانی کمک کند. به‌طور مشخص، بهره‌گیری از شبکه‌های عمیق مانند CNN-LSTM برای تحلیل احساسات در گفتار می‌تواند احتمال بروز افسردگی در دانشجویان را بر اساس داده‌های سخت مشخص سازد. از سوی دیگر، نظریه دمپستر-شفِر امکان مدل‌سازی دیدگاه‌های متخصصان روان‌شناسی را در جریان داده‌های نرم فراهم می‌آورد. ترکیب نتایج این دو رویکرد، یک چارچوب جامع و قابل اعتماد برای تشخیص نهایی ارائه می‌دهد و گامی مهم در جهت ارتقای سلامت روان دانشجویان و به تبع آن بهبود کیفیت زندگی اجتماعی محسوب می‌شود.