基于機器學(xué)習(xí)算法的大學(xué)生心理健康情況分析

劉任靜

摘? 要 目的：通過問卷調(diào)查的形式調(diào)研石河子大學(xué)某院系學(xué)生的心理情況，結(jié)合機器學(xué)習(xí)算法分析探究心理健康學(xué)生和亞心理健康學(xué)生的差異。方法：隨機采集405名學(xué)生的數(shù)據(jù)（包括基本情況），運用自編問卷結(jié)合心理教師現(xiàn)場評分，將405名學(xué)生的心理狀況劃分為健康和亞健康狀態(tài)，通過支持向量機算法分析問卷數(shù)據(jù)，快速鑒別健康狀態(tài)和亞健康狀態(tài)。結(jié)論：測試集中100例心理健康學(xué)生，正確識別95例;30例亞健康學(xué)生，正確判別23例，總準(zhǔn)確率為90.77%。

關(guān)鍵詞 心理健康;機器學(xué)習(xí);支持向量機

中圖分類號：G444? ? 文獻標(biāo)識碼：B

文章編號：1671-489X（2020）22-0018-03

Analysis of College Students Mental Health based on Machine Learning Algorithm//LIU Renjing

Abstract Objective： This article investigates the psychological situ-ation of students in a department of Shihezi University through a?questionnaire survey， and analyzes the differences between mental?health students and sub-psychological health students in combination?with machine learning algorithm analysis. Methods： Randomly collected data of 405 students including basic conditions and using self-compiled questionnaires combined with psychological teacher on-site scoring to divide the mental status of 405 students into health?and sub-health states. The support vector machine algorithm was used?to analyze the questionnaire data to quickly identify health status and?sub-health state. Conclusion： In the test set， 100 mental health stu-dents correctly identified 95 cases， and 30 sub-health students correctlyidentified 23 cases; the total accuracy rate was 90.77%.

Key words mental health; machine learning; support vector machine

1 前言

心理健康是目前評定學(xué)生整體素質(zhì)的重要指標(biāo)之一。第十三屆全國人大代表亢德芝說過：青少年的心理健康和身體健康同等重要。要做好學(xué)生的心理健康教育，引導(dǎo)他們的心理朝著健康方向發(fā)展，為他們健康成長打下堅實基礎(chǔ)[1-2]。2016年，習(xí)近平總書記在全國高校思政工作會議上強調(diào)，要加強心理疏導(dǎo)，引導(dǎo)學(xué)生培養(yǎng)理性平和的健康心態(tài)。而大學(xué)生現(xiàn)在所處的環(huán)境更為紛雜，情緒變化很大，不良的心理狀態(tài)很大程度上影響到了他們的正常學(xué)習(xí)生活。因此，當(dāng)學(xué)生心理情況出現(xiàn)初步的異?；蛘哓?fù)面情況時，進行必要的疏導(dǎo)是非常重要的[3-4]。如何在早期學(xué)生所表現(xiàn)的外在性狀不明顯時排查出異常心理的學(xué)生，成為問題的重中之重。據(jù)專業(yè)研究機構(gòu)調(diào)查顯示，早期心理疾病的治愈率高達98%，這說明如果能夠早期就篩查出這些亞健康或者心理異常的學(xué)生，將能夠最快、最高效地對學(xué)生進行針對性治療。而早期心理疾病如果不進行針對性治療，可能會轉(zhuǎn)變成中度甚至重度抑郁癥等嚴(yán)重心理疾病，對學(xué)生的學(xué)習(xí)生活造成非常大的影響，嚴(yán)重的甚至可能出現(xiàn)自殺、自殘等情況。因此，提前篩查學(xué)生異常的心理情況成為一個重大問題。

基于此，本研究提出機器學(xué)習(xí)算法結(jié)合學(xué)生問卷調(diào)查結(jié)果和基本信息——包括性別、考試是否掛科、家庭背景（如單親、父母離異等）——的快速篩查心理異常學(xué)生的新手段，通過統(tǒng)計分析軟件SPSS分析心理健康學(xué)生和亞心理健康學(xué)生與這些因素的相關(guān)性，將相關(guān)性較高的特征用來建立一個快速篩查亞心理健康的分類模型。

機器學(xué)習(xí)是近30年興起的一門多領(lǐng)域交叉學(xué)科，涉及概率論、統(tǒng)計學(xué)、逼近論、凸分析、算法復(fù)雜度理論等多門學(xué)科。機器學(xué)習(xí)理論主要是設(shè)計和分析一些讓計算機可以自動“學(xué)習(xí)”的算法。機器學(xué)習(xí)算法是一類從數(shù)據(jù)中自動分析獲得規(guī)律，并利用規(guī)律對未知數(shù)據(jù)進行預(yù)測的算法。而支持向量機作為機器學(xué)習(xí)常見的算法之一，被廣泛應(yīng)用于交叉學(xué)科領(lǐng)域。支持向量機（Support Vector Ma-chine，SVM）是Corinna Cortes和Vapnik等于1995年首先提出的，在解決小樣本、非線性及高維模式識別中表現(xiàn)出許多特有的優(yōu)勢，并能夠推廣應(yīng)用到函數(shù)擬合等其他機器學(xué)習(xí)問題中[5-6]。本研究也是創(chuàng)新性地提出將機器學(xué)習(xí)算法與學(xué)生心理狀況篩查相結(jié)合，基于支持向量機將405例樣本劃分為訓(xùn)練集和測試集，構(gòu)建分類模型，最終達到快速篩查亞心理健康學(xué)生的目的，對異常的學(xué)生進行必要的心理疏導(dǎo)，將可能因心理健康出現(xiàn)不良后果的可能性降到最低。

2 研究資料與方法

研究對象? 2019年10—12月對石河子大學(xué)某院系學(xué)生進行心理健康狀況調(diào)查。本研究制定的問卷采取線下調(diào)查的形式，運用分層隨機抽樣的方法，將石河子大學(xué)某幾個院系全體本科生按照學(xué)院進行劃分，按年級分為四個級別，每個年級隨機抽取100～102人。本次調(diào)查共計發(fā)放問卷550份，回收問卷456份，其中有效問卷405份，有效回收率為73%。其中男生220人，女生185人，年齡在16～25歲之間，樣本的男女比例較為均衡。從樣本人群的年級出發(fā)，由于大一剛剛?cè)胄＃€處于適應(yīng)期，不具備調(diào)查意義;而大二和大三的學(xué)生作為本?，F(xiàn)階段最為穩(wěn)定的因素，其人數(shù)超過總?cè)藬?shù)的75%;大四因為實習(xí)、考研等其他因素影響，樣本數(shù)量相對較少，占比約25%。最終405人中根據(jù)心理輔導(dǎo)中心確認(rèn)心理亞健康65人、心理健康340人，根據(jù)這些標(biāo)簽開展后續(xù)的建模分析研究。

調(diào)查工具

1）自編問卷。一般情況，問卷包括性別、年齡、年級、是否為獨生子（獨生子用0表示，非獨生子用1表示）、是否貧困（貧困用0表示，其他用1表示）、戀愛狀況、是否掛科（無掛科用0表示，掛科用1表示），近期是否經(jīng)歷應(yīng)激事件（無用0表示，有用1表示）、家庭情況（是否單親，單親用0表示，非單親用1表示）。

2）溝通能力評分。專業(yè)心理輔導(dǎo)室通過和每一位學(xué)生進行三到五分鐘的溝通，對學(xué)生的溝通能力進行評分，后續(xù)將溝通能力納為學(xué)生整體心理情況的分析數(shù)據(jù)之一。

分析軟件? 本研究使用SPSS 19.0統(tǒng)計分析軟件進行單因素分析，分析掛科情況等各個因素與學(xué)生心理健康標(biāo)簽的相關(guān)性;并使用MATLAB 2014將P值小于0.1的因素全部作為輸入，構(gòu)建支持向量機分類模型進行分類。本文關(guān)于支持向量機使用的函數(shù)包為libsvm包，可以在CSDN進行下載。

3 分析流程與結(jié)果

相關(guān)性分析? 將性別、年齡、是否掛科、家庭情況等因素與標(biāo)簽進行單因素分析（表1），將P值小于0.1的因素全部作為輸入，最終是否掛科、性別、溝通能力、是否為獨生子、戀愛情況、近期是否經(jīng)歷應(yīng)激事件、家庭情況一共七個因素作為支持向量機模型的輸入。

建立支持向量機分類模型? 如表2所示，將405例樣本學(xué)生劃分為訓(xùn)練集和測試集，其中275例作為訓(xùn)練集，用來構(gòu)建支持向量機模型;130例作為測試集，檢驗分類模型的效果。并通過10折交叉驗證來增強模型的泛化能力，防止模型過擬合。本支持向量機模型選擇高斯核函數(shù)，此外，C是懲罰系數(shù)，就是對誤差的寬容度，C越高，說明越不能容忍誤差;gamma是選擇徑向基函數(shù)作為kernel后，該函數(shù)自帶的一個參數(shù)，隱含地決定了數(shù)據(jù)映射到新的特征空間后的分布。本研究與支持向量機相關(guān)的模型參數(shù)C和gamma分別設(shè)定為1.5和2。確定好模型參數(shù)以后，建立模型。最終測試集中100例心理健康學(xué)生正確識別95例，準(zhǔn)確率為95%;30例亞健康學(xué)生正確判別23例，準(zhǔn)確率為76.67%，總準(zhǔn)確率為90.77%。該結(jié)果可以說明支持向量機算法輔助篩查亞心理健康的方法是行之有效的。

4 討論與總結(jié)

整體而言，是否掛科、溝通能力、是否為獨生子、戀愛情況等因素會對學(xué)生心理健康造成一定影響，特別是戀愛情況及家庭情況會對學(xué)生整體的心理狀態(tài)造成較大影響。

單親家庭的大學(xué)生的亞心理健康狀態(tài)比例更高，整體存在一定的心理問題而導(dǎo)致學(xué)業(yè)落后，這將不利于他們的成長。在現(xiàn)實生活中不難發(fā)現(xiàn)，父母的離異往往會給學(xué)生造成嚴(yán)重的心理創(chuàng)傷，有些學(xué)生會發(fā)生性格上的改變，甚至?xí)霈F(xiàn)心理上的障礙或疾病。因此，學(xué)校應(yīng)該加大力度針對出現(xiàn)這種情況的學(xué)生進行一對一幫扶，力求將這一類心理受到傷害的學(xué)生帶回正確的學(xué)習(xí)生活中來。通過機器學(xué)習(xí)可以高效篩查出這一類學(xué)生，提高工作效率。

處于失戀期的部分大學(xué)生甚至?xí)霈F(xiàn)偏激心理也是有據(jù)可依的。大學(xué)生對于失戀往往會產(chǎn)生難堪、羞辱、失落、激動、懷疑、悲傷、孤獨、虛無和絕望等一系列消極心理，身心受到很大傷害[7-8]，如果得不到及時排除或轉(zhuǎn)移，那么便容易導(dǎo)致失戀者自殺、自傷、報復(fù)。通過進行相關(guān)性分析，也確認(rèn)這一因素對大學(xué)生心理可能造成的負(fù)面影響是非常大的，這也將作為后續(xù)建模分析的重大因素之一。同時提示在校教職員工應(yīng)該提高對失戀學(xué)生的心理疏導(dǎo)，在入校期間就努力培養(yǎng)學(xué)生正確的戀愛觀，最小化大學(xué)生戀愛可能會帶來的負(fù)面影響。

溝通能力對學(xué)生心理情況的影響也很大，溝通是個人身心健康的保證。與家人和朋友進行有效溝通，能夠開闊學(xué)生視野，排遣負(fù)面情緒。提高大學(xué)生的溝通能力，不僅可以有效降低心理異常的出現(xiàn)概率，還能提高學(xué)生未來面向工作崗位的競爭力，為社會培養(yǎng)更為全面的高素質(zhì)人才。

此外，應(yīng)激事件和學(xué)習(xí)成績也對學(xué)生心理造成一定的影響，也是教師的工作重心。同時發(fā)現(xiàn)學(xué)生的心理狀況與家庭經(jīng)濟條件并無直接聯(lián)系，說明石河子大學(xué)對學(xué)生的培養(yǎng)整體是踏實高效的。

通過相關(guān)性分析得出一些與心理健康相關(guān)的重要因素，將這些因素作為支持向量機分類器的輸入，建立快速篩查模型，最終得到超過90%的準(zhǔn)確率，這無疑是一項巨大的創(chuàng)新和提升。心理學(xué)分析結(jié)合高效的模式識別算法甚至可以達到接近權(quán)威人士識別亞心理健康學(xué)生的水平，這項新的技術(shù)將大大減輕高校心理教師的疏導(dǎo)工作，教師可以通過這套分析系統(tǒng)針對可能出現(xiàn)亞心理健康的學(xué)生進行心理疏導(dǎo)，有效地提高工作效率，為全國大學(xué)生心理健康篩查提供新的高效準(zhǔn)確的思路。

未來將準(zhǔn)備向全校乃至全疆高校和研究所推廣新型篩查手段，心理學(xué)分析結(jié)合高效的模式識別算法將作為自治區(qū)高校師生的重要輔助手段，在全疆學(xué)生前面筑起一道防火墻，做到實時篩查心理異常學(xué)生，進一步為新疆未來的發(fā)展培養(yǎng)出德智體美勞全方面優(yōu)秀的接班人?！鰠⒖嘉墨I

[1]龍松，向麗蘋.學(xué)生成績綜合評價中的因子分析[J].湖北工業(yè)大學(xué)學(xué)報，2011（3）：36-37.

[2]張琪娜.“醫(yī)教協(xié)同”的心理健康服務(wù)體系[J].大眾心理學(xué)，2016（10）：2-3.

[3]蔡燦龍.閩南地區(qū)高校學(xué)生心理健康現(xiàn)狀及教育對策研究[D].福建：廈門大學(xué)，2009.

[4]白文.“互聯(lián)網(wǎng)+”背景下大學(xué)生心理健康教育家校協(xié)同機制的構(gòu)建[J].求知導(dǎo)刊，2018（33）：108-109.

[5]李蒼柏.支持向量機、隨機森林和人工神經(jīng)網(wǎng)絡(luò)機器學(xué)習(xí)算法在地球化學(xué)異常信息提取中的對比研究[J].地球?qū)W報，2020（2）：309-319.

[6]吳旋，來興平，郭俊兵，等.綜采面區(qū)段煤柱寬度的PSO-SVM預(yù)測模型[J].西安科技大學(xué)學(xué)報，2020（1）：64-70.

[7]蔣萃.對失戀大學(xué)生異常心理的疏導(dǎo)與調(diào)適研究[J].長春教育學(xué)院學(xué)報，2013（10）：90-91.

[8]羅明麗，龔雪梅.大學(xué)生失戀行為分析及心理調(diào)節(jié)[J].山西青年，2017（6）：53.