基于數(shù)據(jù)挖掘的心理健康與思想政治教育協(xié)同發(fā)展研究

摘"要：在人工智能時(shí)代，如何借助大數(shù)據(jù)開展思想政治教育工作成為當(dāng)下研究熱點(diǎn)之一。健康的心理狀態(tài)是思想政治教育工作開展的必要條件，及時(shí)準(zhǔn)確了解大學(xué)生心理健康狀態(tài)為思想政治教育工作提供有力保障。通過調(diào)查問卷獲取大學(xué)生心理健康狀態(tài)數(shù)據(jù)，處理和優(yōu)化數(shù)據(jù)，使用多種算法模型預(yù)測大學(xué)生心理健康狀態(tài)，經(jīng)過評(píng)估得出XGBboost模型預(yù)測效果較好，使用貝葉斯對XGBboost模型調(diào)參優(yōu)化，提高預(yù)測準(zhǔn)確性。

關(guān)鍵詞：數(shù)據(jù)挖掘；心理健康；思想政治教育

中圖分類號(hào)：G4"文獻(xiàn)標(biāo)識(shí)碼：A""doi：10.19311/j.cnki.16723198.2024.13.079

0"前言

大學(xué)生心理健康問題一直備受關(guān)注，而思想政治教育又是我國高校教育的重要組成部分。在《全面加強(qiáng)和改進(jìn)新時(shí)代學(xué)生心理健康工作專項(xiàng)行動(dòng)計(jì)劃（2023—2025年）》中指出，“把心理健康工作擺在更加突出位置，將學(xué)生心理健康教育貫穿德育思政工作全過程”。將思想政治教育與心理健康緊密相連，良好的心理狀態(tài)是接受思想政治教育的內(nèi)在因素。在思想品德內(nèi)化過程中，主體的自我意識(shí)、情感、意志及性格等心理素質(zhì)是內(nèi)化重要的調(diào)控器。因此，將外在的要求變成大學(xué)生的思想品德和行為，也就是思想政治教育工作的開展受到個(gè)體心理發(fā)展的影響和制約，心理因素成為影響高校思想政治教育質(zhì)量的重要因素之一，及時(shí)了解大學(xué)生心理健康狀態(tài)，有助于提高思想政治教育的高效性和科學(xué)性。

大學(xué)生心理健康與思想政治教育的協(xié)同發(fā)展是當(dāng)前高校教育的重要任務(wù)之一。然而，目前對于二者之間的關(guān)系及其機(jī)制的研究還比較有限。一方面，未將心理健康狀態(tài)與思想政治教育工作有效結(jié)合，思想政治教育工作者通過調(diào)查問卷的方式獲取心理健康狀態(tài)信息，由于調(diào)查問卷呈現(xiàn)的數(shù)據(jù)缺少相關(guān)性，因此，無法全面、準(zhǔn)確、及時(shí)反映每個(gè)學(xué)生的心理健康狀態(tài)；另一方面，專業(yè)能力不強(qiáng)，思想政治教育工作者具備心理專業(yè)知識(shí)較少，無法及時(shí)了解到學(xué)生的心理健康狀態(tài)，在開展思想政治教育工作時(shí)容易忽視大學(xué)生心理健康狀態(tài)，對大學(xué)生面臨著焦慮癥、抑郁癥等心理問題沒有給予及時(shí)的關(guān)注。因此，本文借助數(shù)據(jù)挖掘技術(shù)，及時(shí)準(zhǔn)確預(yù)測大學(xué)生心理健康狀態(tài)，助力思想政治教育工作的開展。

關(guān)于對心理健康評(píng)估預(yù)測方面，不同學(xué)者采用不同方法分別對涉及心理健康多方面的問題進(jìn)行研究，包括樣本的選擇、數(shù)據(jù)的處理、模型的對比分析，主要區(qū)別是數(shù)據(jù)的采集方式不同。第一種是基于用戶網(wǎng)絡(luò)數(shù)據(jù)，如李靜等人使用特征工程和深度學(xué)習(xí)模型分析了社會(huì)網(wǎng)絡(luò)用戶心理自動(dòng)評(píng)估方法的特點(diǎn)；劉德喜等人采用平衡高低分組對私密社交網(wǎng)絡(luò)文本數(shù)據(jù)進(jìn)行樣本選擇，利用隨機(jī)梯度下降模型SGD檢測抑郁用戶；鄭敬華等人提出對新浪微博用戶利用魯棒多任務(wù)學(xué)習(xí)方法預(yù)測五大人格。以上研究的對象是網(wǎng)絡(luò)用戶，對大學(xué)生不具有普適性。第二種是基于調(diào)查問卷，獲取的數(shù)據(jù)更直接、準(zhǔn)確，如馮占春等人基于學(xué)生身體體征、性格人際因素，利用K-means聚類方法、模糊綜合評(píng)判方法有效預(yù)測高校學(xué)生心理健康風(fēng)險(xiǎn)數(shù)據(jù)，了解心理健康狀態(tài)。

本文通過調(diào)查問卷收集大學(xué)生心理健康狀態(tài)數(shù)據(jù)，對數(shù)據(jù)處理優(yōu)化，使用決策樹、邏輯回歸、支持向量機(jī)及XGBboost的機(jī)器學(xué)習(xí)模型進(jìn)行預(yù)測，選出最優(yōu)預(yù)測模型，對模型參數(shù)進(jìn)行優(yōu)化，提高大學(xué)生心理健康預(yù)測準(zhǔn)確率，進(jìn)而助力于思想政治教育工作者及時(shí)準(zhǔn)確了解大學(xué)生心理健康狀態(tài)，為大學(xué)生心理健康與思想政治教育的協(xié)同發(fā)展提供理論和實(shí)踐依據(jù)。

1"方法及原理

決策樹是以樹結(jié)構(gòu)形式表達(dá)的預(yù)測分析模型，根據(jù)數(shù)據(jù)特征劃分，每個(gè)節(jié)點(diǎn)代表一個(gè)特征，分支代表特征取值，葉節(jié)點(diǎn)代表數(shù)據(jù)的類別或決策結(jié)果。通過計(jì)算每個(gè)特征的重要性來選擇最佳的劃分特征，并根據(jù)特征的取值將數(shù)據(jù)劃分到不同的子節(jié)點(diǎn)中。常見的決策樹算法主要包含ID3、C4.5等，ID3算法是通過信息增益進(jìn)行特征選擇，分裂信息增益最大的特征。C4.5相較于ID3，使用增益率選擇最優(yōu)特征進(jìn)行分裂，提高決策樹的分類性能，C4.5是啟發(fā)式方法，在劃分的特征中選出信息增益高于平均值后，再選出最高的增益率。

邏輯回歸是從線性回歸引申而來，對回歸的結(jié)果進(jìn)行l(wèi)ogistic函數(shù)運(yùn)算，將范圍限制在[0，1]區(qū)間，從而進(jìn)行分類。由于采集的數(shù)據(jù)結(jié)果只有兩種，一是陽性即有心理問題，二是陰性即無心理健康問題，因此采用二元logistic回歸分析，分別用1和0來代表有心理健康問題和無心理健康問題。

支持向量機(jī)（SVM）是用于分類和回歸任務(wù)的機(jī)器學(xué)習(xí)算法，在解決二分類問題時(shí)表現(xiàn)出色，主要目標(biāo)是選擇一個(gè)能夠最大化不同類別數(shù)據(jù)點(diǎn)之間的間隔的超平面，通過調(diào)整超平面的位置和方向來最大化間隔，以提高模型的泛化能力。

XGBoost（eXtreme"Gradient"Boosting）算法是提升算法（Boosting）之一，是對極致梯度提升算法GBDT（Gradient"Boosting"Decision"Tree）的一種二階導(dǎo)優(yōu)化，能夠避免過擬合，泛化性能較好，具有高效、靈活、輕便特性。

2"模型搭建及數(shù)據(jù)處理分析

2.1"數(shù)據(jù)來源

根據(jù)《心理健康情況自評(píng)量表調(diào)查問卷》獲取數(shù)據(jù)，基于對測試環(huán)境要求不高，內(nèi)容全面，測試時(shí)間較短，能反映來訪者當(dāng)前的精神健康狀態(tài)，較易理解和掌握，因此問卷是在《SCL-90癥狀自評(píng)量表》的基礎(chǔ)上形成，選取了大學(xué)生心理健康和思想政治教育等多個(gè)方面的數(shù)據(jù)，包括感覺狀態(tài)、睡眠狀況、學(xué)業(yè)壓力、人際關(guān)系等，并采用10個(gè)因子反映心理狀況。對數(shù)據(jù)集進(jìn)行分類統(tǒng)計(jì)，對各影響因子、總分、陽性項(xiàng)目數(shù)、陽性項(xiàng)目均分等數(shù)據(jù)進(jìn)行分析，根據(jù)《SCL-90癥狀自評(píng)量表》評(píng)分標(biāo)準(zhǔn)將樣本記為有心理健康問題，結(jié)果狀態(tài)為1，其余樣本為無心理健康問題，結(jié)果狀態(tài)為0。

2.2"數(shù)據(jù)處理及分析

處理分析數(shù)據(jù)和搭建預(yù)測模型的實(shí)驗(yàn)環(huán)境是Windows"10操作系統(tǒng)，CPU是12th"Gen"Intel（R）"Core（TM）"i9-12900H"2.50"GHz，使用Python"3.10.9編程語言和Jupyter"notebook編程工具。

數(shù)據(jù)優(yōu)化。運(yùn)用數(shù)據(jù)清洗和預(yù)處理技術(shù)，對數(shù)據(jù)進(jìn)行統(tǒng)一格式化和標(biāo)準(zhǔn)化處理，減少數(shù)據(jù)處理誤差，確保數(shù)據(jù)質(zhì)量和一致性。問卷共獲得621條數(shù)據(jù)，將數(shù)據(jù)進(jìn)行優(yōu)化，使用data.not1（）.any（）查看收集的數(shù)據(jù)是否存在缺失值，使用data.duplicated（）.sum（）查看數(shù)據(jù)是否存在重復(fù)值，通過運(yùn)行結(jié)果顯示，獲取的數(shù)據(jù)較完整，不存在缺失值和重復(fù)值，由于調(diào)查問題限制了分值，在可控范圍內(nèi)，因此出現(xiàn)異常值的概率較低。經(jīng)過處理數(shù)據(jù)發(fā)現(xiàn)，數(shù)據(jù)集質(zhì)量較高，處理后數(shù)據(jù)樣本數(shù)量仍為621條。

數(shù)據(jù)集劃分。依據(jù)提交問卷順序使用sklearn的train_test_split（）函數(shù)按照7：3的比例將數(shù)據(jù)劃分為434條訓(xùn)練數(shù)據(jù)和187條測試數(shù)據(jù)。

數(shù)據(jù)平衡化處理。在訓(xùn)練數(shù)據(jù)集中，其無心理健康問題的數(shù)據(jù)樣本共有308條，占總數(shù)據(jù)樣本的比例為70.97%，有心理健康問題的數(shù)據(jù)樣本共有126條，占總數(shù)據(jù)樣本的比例為29.03%，數(shù)據(jù)處于不平衡狀態(tài)，若直接使用不平衡數(shù)據(jù)集構(gòu)建模型，會(huì)導(dǎo)致預(yù)測結(jié)果不理想。因此，對434條訓(xùn)練數(shù)據(jù)采用Smote算法，將有心理問題和無心理問題數(shù)據(jù)按照1∶1進(jìn)行平衡處理，最終得到新樣本訓(xùn)練數(shù)據(jù)集616條，其中有、無心理心理健康數(shù)各為308條。

2.3"數(shù)據(jù)分析結(jié)果

基于大學(xué)生心理狀態(tài)，調(diào)查問卷獲取到621條大學(xué)生心理健康樣本數(shù)據(jù)，其中無心理問題的樣本數(shù)據(jù)有437條，占大學(xué)生心理健康樣本總數(shù)為70.37%；存在心理問題的數(shù)據(jù)樣本有184條，占大學(xué)生心理健康樣本總數(shù)的比例為29.63%。但此數(shù)據(jù)結(jié)果無法全面反映大學(xué)生心理問題的分布，因此通過對樣本數(shù)據(jù)分類、統(tǒng)計(jì)，獲取總分、陽性項(xiàng)目數(shù)、陽性項(xiàng)目均分等，全面、多角度分析大學(xué)生心理健康水平和潛在的問題。

2.3.1"心理健康數(shù)據(jù)分析

心理問題影響因子分布分析。因子分指調(diào)查問卷中所涉及的九個(gè)因子中每個(gè)因子的平均分，可以了解受測者的癥狀分布特點(diǎn)。由《心理健康情況自評(píng)量表》的評(píng)分等級(jí)可知，當(dāng)因子分大于2分時(shí)，反映出學(xué)生可能在該因子方面存在較大困擾，存在心理問題的概率較大，因此對收集的數(shù)據(jù)按照不同的影響因子進(jìn)行分類統(tǒng)計(jì)，得出各個(gè)因子均分大于2分的數(shù)量。其中F1代表軀體化，反映主觀心理不適引發(fā)的軀體表現(xiàn)；F2代表強(qiáng)迫癥狀，反映無法擺脫明知無必要的思想、行為表現(xiàn)；F3代表人際關(guān)系敏感，反映在與他人相比較時(shí)表現(xiàn)出主觀的不自在和自卑感；F4代表抑郁，表現(xiàn)為生活興趣減退、活動(dòng)愿望降低等抑郁苦悶的感情和心境；F5代表焦慮，表現(xiàn)為緊張、無法靜息等與焦慮癥狀相聯(lián)系的體驗(yàn)；F6代表敵對，反映受測者從思維、情感及行為方面對厭煩、爭論、爭斗等沖動(dòng)爆發(fā)的敵對表現(xiàn)；F7代表恐怖，表現(xiàn)為恐怖狀態(tài)或廣場、社交恐怖；F8代表偏執(zhí)，表現(xiàn)為投射思維、猜疑、妄想與夸大等；F9代表精神病性，包括幻聽、被控制感等癥狀；其他主要是反映睡眠、飲食狀況。通過數(shù)據(jù)分析得出，在影響心理健康的10個(gè)因子中，強(qiáng)迫癥狀（F2）位居首位有138人，其次是代表人際關(guān)系敏感（F3）89人、抑郁（F4）81人，其余因子在45～61人之間，因此，大學(xué)生的強(qiáng)迫癥狀、人際關(guān)系、抑郁應(yīng)該被更多地關(guān)注。

總分分布分析。根據(jù)影響因子分布判定心理問題具有局限性，因此，采用總分評(píng)估心理狀況，即90個(gè)單項(xiàng)分之和，總分越高，心理健康狀態(tài)相對越差，越需要被重點(diǎn)關(guān)注。總分超過160的有97人，這些學(xué)生應(yīng)給予更多地關(guān)注。

陽性項(xiàng)目數(shù)分布分析。陽性項(xiàng)目數(shù)指單項(xiàng)得分為2～5的項(xiàng)目數(shù)及大學(xué)生在多少項(xiàng)目有“癥狀”，調(diào)查問卷共有90個(gè)項(xiàng)目，依據(jù)《SCL-90癥狀自評(píng)量表》的結(jié)果分析可知，當(dāng)陽性項(xiàng)目數(shù)超過43項(xiàng)時(shí)，該學(xué)生存在心理健康問題的概率較大，因此，以43項(xiàng)為分類邊界，對數(shù)據(jù)進(jìn)行分類統(tǒng)計(jì)，陽性項(xiàng)目數(shù)超過43項(xiàng)的有88人，陽性項(xiàng)目數(shù)不超過43項(xiàng)的有533人。

陽性項(xiàng)目均分分布分析。反映大學(xué)生在“有癥狀”項(xiàng)目中的平均得分，可確定心理健康問題的嚴(yán)重程度介于哪個(gè)范圍。陽性項(xiàng)目均分低于2分為正常狀態(tài)，因此不屬于心理健康問題的研究范圍，研究集中在陽性項(xiàng)目均分大于2分的數(shù)據(jù)。為清楚了解心理健康問題嚴(yán)重程度究竟介于哪個(gè)范圍，以3分、4分為劃分邊界，其中，超過2分但不高于3分有371人，占樣本總數(shù)59.74%；超過3分但不高于4分有84人，占樣本總數(shù)13.53%；超過4分有14人，占樣本總數(shù)2.25%。與其他分析數(shù)據(jù)相比較，陽性項(xiàng)目均分分布有比較大的差異，原因在于陽性項(xiàng)目是評(píng)判呈現(xiàn)陽性項(xiàng)目的平均水平的嚴(yán)重程度，但不能作為判定心理問題的標(biāo)準(zhǔn)。

2.3.2"數(shù)據(jù)模型預(yù)測結(jié)果

模型評(píng)價(jià)指標(biāo)。模型預(yù)測效果的好壞需要評(píng)價(jià)，通過混淆矩陣、準(zhǔn)確率、精確率、召回率、F1"score和AUC評(píng)估模型，從而選出最優(yōu)模型。各模型預(yù)測評(píng)價(jià)指標(biāo)如表1所示，XGBboost模型在大學(xué)生心理健康預(yù)測中效果較好。

2.3.3"模型優(yōu)化

為進(jìn)一步提高XGBboost模型預(yù)測的準(zhǔn)確性，對模型參數(shù)優(yōu)化。貝葉斯優(yōu)化通過基于目標(biāo)函數(shù)的過去評(píng)估結(jié)果建立替代函數(shù)，找到最小化目標(biāo)函數(shù)的值。貝葉斯方法與隨機(jī)或網(wǎng)格搜索的優(yōu)點(diǎn)在于它在調(diào)參過程中，會(huì)參考之前的評(píng)估結(jié)果，提升了優(yōu)化XGBboost的性能。因此選用貝葉斯對XGBboost模型進(jìn)行優(yōu)化，尋找最優(yōu)的參數(shù)取值，XGBoost的主要超參數(shù)如表2所示。經(jīng)過貝葉斯優(yōu)化后，XGBboost預(yù)測模型正確率從97.326%上升至97.861%，提高了0.525%。

3"結(jié)論與建議

通過調(diào)查問卷采集大學(xué)生心理健康狀態(tài)數(shù)據(jù)，對數(shù)據(jù)進(jìn)行優(yōu)化處理，分別用4種模型預(yù)測大學(xué)生心理健康狀態(tài)，結(jié)果表明，XGBboost模型效果較好，為提高預(yù)測準(zhǔn)確率，使用貝葉斯對XGBboost模型的參數(shù)優(yōu)化，及時(shí)準(zhǔn)確了解大學(xué)生心理健康狀態(tài)，在此基礎(chǔ)上對大學(xué)生開展思想政治教育工作。

在數(shù)智時(shí)代，人工智能是心理健康與思想政治教育的橋梁，機(jī)器學(xué)習(xí)打破了以調(diào)查問卷獲取、分析數(shù)據(jù)的局限性，使用以往數(shù)據(jù)或經(jīng)驗(yàn)優(yōu)化程序，提高預(yù)測大學(xué)生心理健康狀態(tài)結(jié)果的準(zhǔn)確性，使人工智能賦能大學(xué)生思想政治教育。

參考文獻(xiàn)

［1］教育部等十七部門關(guān)于印發(fā)《全面加強(qiáng)和改進(jìn)新時(shí)代學(xué)生心理健康工作專項(xiàng)行動(dòng)計(jì)劃（20232025年）》的通知[EB/OL]（20230427）[20231024].http：//www.moe.gov.cn/srcsite/A17/moe_943/moe_946/202305/t20230511_1059219.html.

[2]黎素珍.論大學(xué)生思想政治教育與心理健康教育的融合[J].福建論壇（人文社會(huì)科學(xué)版），2011，（S1）：171172.

[3]馬建青，石變梅.30年來高校心理健康教育對思想政治教育的影響分析[J].學(xué)校黨建與思想教育，2017，（19）：7476+90.

[4]李靜，劉德喜，萬常選，等.社會(huì)網(wǎng)絡(luò)用戶心理健康自動(dòng)評(píng)估研究綜述[J].中文信息學(xué)報(bào)，2021，35（02）：1932.

[5]劉德喜，邱家洪，萬常選，等.利用準(zhǔn)私密社交網(wǎng)絡(luò)文本數(shù)據(jù)檢測抑郁用戶的可行性分析[J].中文信息學(xué)報(bào)，2018，32（09）：93102.

[6]鄭敬華，郭世澤，高梁，等.基于多任務(wù)學(xué)習(xí)的大五人格預(yù)測[J].中國科學(xué)院大學(xué)學(xué)報(bào)，2018，35（04）：550560.

[7]程俊俊，馮占春.數(shù)據(jù)驅(qū)動(dòng)的高校學(xué)生心理健康風(fēng)險(xiǎn)預(yù)測研究[J].信息技術(shù)，2022，（06）：15+11.