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(jī)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(jī)采集405名學(xué)生的數(shù)據(jù)（包括基本情況），運(yùn)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(jī)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(jī)器學(xué)習(xí);支持向量機(jī)

中圖分類號：G444? ? 文獻(xiàn)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(jiān)實(shí)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(qiáng)調(diào)，要加強(qiáng)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(jìn)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(jī)構(gòu)調(diào)查顯示，早期心理疾病的治愈率高達(dá)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(jìn)行針對性治療。而早期心理疾病如果不進(jìn)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(jī)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(jì)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(jī)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(jì)學(xué)、逼近論、凸分析、算法復(fù)雜度理論等多門學(xué)科。機(jī)器學(xué)習(xí)理論主要是設(shè)計(jì)和分析一些讓計(jì)算機(jī)可以自動“學(xué)習(xí)”的算法。機(jī)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(jìn)行預(yù)測的算法。而支持向量機(jī)作為機(jī)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(jī)（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(jī)器學(xué)習(xí)問題中[5-6]。本研究也是創(chuàng)新性地提出將機(jī)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(jī)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(dá)到快速篩查亞心理健康學(xué)生的目的，對異常的學(xué)生進(jìn)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(jìn)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(yùn)用分層隨機(jī)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(jìn)行劃分，按年級分為四個級別，每個年級隨機(jī)抽取100～102人。本次調(diào)查共計(jì)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?，還處于適應(yīng)期，不具備調(diào)查意義;而大二和大三的學(xué)生作為本校現(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?yàn)閷?shí)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(dú)生子（獨(dú)生子用0表示，非獨(dú)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(jìn)行三到五分鐘的溝通，對學(xué)生的溝通能力進(jìn)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(jì)分析軟件進(jìn)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(jī)分類模型進(jìn)行分類。本文關(guān)于支持向量機(jī)使用的函數(shù)包為libsvm包，可以在CSDN進(jìn)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(jìn)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(dú)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(jī)模型的輸入。

建立支持向量機(jī)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(jī)模型;130例作為測試集，檢驗(yàn)分類模型的效果。并通過10折交叉驗(yàn)證來增強(qiáng)模型的泛化能力，防止模型過擬合。本支持向量機(jī)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(jī)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(jī)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(dú)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(shí)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(jìn)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(jī)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(dú)、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(bào)復(fù)。通過進(jìn)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(jìn)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(jì)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(shí)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(jī)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(xiàng)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(dá)到接近權(quán)威人士識別亞心理健康學(xué)生的水平，這項(xiàng)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(jìn)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(shí)時篩查心理異常學(xué)生，進(jìn)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。■參考文獻(xiàn)

[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(bào)，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(jī)制的構(gòu)建[J].求知導(dǎo)刊，2018（33）：108-109.

[5]李蒼柏.支持向量機(jī)、隨機(jī)森林和人工神經(jīng)網(wǎng)絡(luò)機(jī)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(bào)，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(bào)，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(bào)，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.