基于機器學習算法的大學生心理健康情況分析

劉任靜

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

關鍵詞 心理健康;機器學習;支持向量機

中圖分類號：G444? ? 文獻標識碼：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生整體素質的重要指標之一。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。要做好學生的心理健康教育，引導他們的心理朝著健康方向發展，為他們健康成長打下堅實基礎[1-2]。2016年，習近平總書記在全國高校思政工作會議上強調，要加強心理疏導，引導學生培養理性平和的健康心態。而大學生現在所處的環境更為紛雜，情緒變化很大，不良的心理狀態很大程度上影響到了他們的正常學習生活。因此，當學生心理情況出現初步的異?；蛘哓撁媲闆r時，進行必要的疏導是非常重要的[3-4]。如何在早期學生所表現的外在性狀不明顯時排查出異常心理的學生，成為問題的重中之重。據專業研究機構調查顯示，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生，將能夠最快、最高效地對學生進行針對性治療。而早期心理疾病如果不進行針對性治療，可能會轉變成中度甚至重度抑郁癥等嚴重心理疾病，對學生的學習生活造成非常大的影響，嚴重的甚至可能出現自殺、自殘等情況。因此，提前篩查學生異常的心理情況成為一個重大問題。

基于此，本研究提出機器學習算法結合學生問卷調查結果和基本信息——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生的新手段，通過統計分析軟件SPSS分析心理健康學生和亞心理健康學生與這些因素的相關性，將相關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。

機器學習是近30年興起的一門多領域交叉學科，涉及概率論、統計學、逼近論、凸分析、算法復雜度理論等多門學科。機器學習理論主要是設計和分析一些讓計算機可以自動“學習”的算法。機器學習算法是一類從數據中自動分析獲得規律，并利用規律對未知數據進行預測的算法。而支持向量機作為機器學習常見的算法之一，被廣泛應用于交叉學科領域。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出許多特有的優勢，并能夠推廣應用到函數擬合等其他機器學習問題中[5-6]。本研究也是創新性地提出將機器學習算法與學生心理狀況篩查相結合，基于支持向量機將405例樣本劃分為訓練集和測試集，構建分類模型，最終達到快速篩查亞心理健康學生的目的，對異常的學生進行必要的心理疏導，將可能因心理健康出現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月對石河子大學某院系學生進行心理健康狀況調查。本研究制定的問卷采取線下調查的形式，運用分層隨機抽樣的方法，將石河子大學某幾個院系全體本科生按照學院進行劃分，按年級分為四個級別，每個年級隨機抽取100～102人。本次調查共計發放問卷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，由于大一剛剛入校，還處于適應期，不具備調查意義;而大二和大三的學生作為本?，F階段最為穩定的因素，其人數超過總人數的75%;大四因為實習、考研等其他因素影響，樣本數量相對較少，占比約25%。最終405人中根據心理輔導中心確認心理亞健康65人、心理健康340人，根據這些標簽開展后續的建模分析研究。

調查工具

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），近期是否經歷應激事件（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。專業心理輔導室通過和每一位學生進行三到五分鐘的溝通，對學生的溝通能力進行評分，后續將溝通能力納為學生整體心理情況的分析數據之一。

分析軟件? 本研究使用SPSS 19.0統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生心理健康標簽的相關性;并使用MATLAB 2014將P值小于0.1的因素全部作為輸入，構建支持向量機分類模型進行分類。本文關于支持向量機使用的函數包為libsvm包，可以在CSDN進行下載。

3 分析流程與結果

相關性分析? 將性別、年齡、是否掛科、家庭情況等因素與標簽進行單因素分析（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、近期是否經歷應激事件、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例樣本學生劃分為訓練集和測試集，其中275例作為訓練集，用來構建支持向量機模型;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，此外，C是懲罰系數，就是對誤差的寬容度，C越高，說明越不能容忍誤差;gamma是選擇徑向基函數作為kernel后，該函數自帶的一個參數，隱含地決定了數據映射到新的特征空間后的分布。本研究與支持向量機相關的模型參數C和gamma分別設定為1.5和2。確定好模型參數以后，建立模型。最終測試集中100例心理健康學生正確識別95例，準確率為95%;30例亞健康學生正確判別23例，準確率為76.67%，總準確率為90.77%。該結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

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生整體的心理狀態造成較大影響。

單親家庭的大學生的亞心理健康狀態比例更高，整體存在一定的心理問題而導致學業落后，這將不利于他們的成長。在現實生活中不難發現，父母的離異往往會給學生造成嚴重的心理創傷，有些學生會發生性格上的改變，甚至會出現心理上的障礙或疾病。因此，學校應該加大力度針對出現這種情況的學生進行一對一幫扶，力求將這一類心理受到傷害的學生帶回正確的學習生活中來。通過機器學習可以高效篩查出這一類學生，提高工作效率。

處于失戀期的部分大學生甚至會出現偏激心理也是有據可依的。大學生對于失戀往往會產生難堪、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移，那么便容易導致失戀者自殺、自傷、報復。通過進行相關性分析，也確認這一因素對大學生心理可能造成的負面影響是非常大的，這也將作為后續建模分析的重大因素之一。同時提示在校教職員工應該提高對失戀學生的心理疏導，在入校期間就努力培養學生正確的戀愛觀，最小化大學生戀愛可能會帶來的負面影響。

溝通能力對學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，能夠開闊學生視野，排遣負面情緒。提高大學生的溝通能力，不僅可以有效降低心理異常的出現概率，還能提高學生未來面向工作崗位的競爭力，為社會培養更為全面的高素質人才。

此外，應激事件和學習成績也對學生心理造成一定的影響，也是教師的工作重心。同時發現學生的心理狀況與家庭經濟條件并無直接聯系，說明石河子大學對學生的培養整體是踏實高效的。

通過相關性分析得出一些與心理健康相關的重要因素，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%的準確率，這無疑是一項巨大的創新和提升。心理學分析結合高效的模式識別算法甚至可以達到接近權威人士識別亞心理健康學生的水平，這項新的技術將大大減輕高校心理教師的疏導工作，教師可以通過這套分析系統針對可能出現亞心理健康的學生進行心理疏導，有效地提高工作效率，為全國大學生心理健康篩查提供新的高效準確的思路。

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

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

[2]張琪娜.“醫教協同”的心理健康服務體系[J].大眾心理學，2016（10）：2-3.

[3]蔡燦龍.閩南地區高校學生心理健康現狀及教育對策研究[D].福建：廈門大學，2009.

[4]白文.“互聯網+”背景下大學生心理健康教育家校協同機制的構建[J].求知導刊，2018（33）：108-109.

[5]李蒼柏.支持向量機、隨機森林和人工神經網絡機器學習算法在地球化學異常信息提取中的對比研究[J].地球學報，2020（2）：309-319.

[6]吳旋，來興平，郭俊兵，等.綜采面區段煤柱寬度的PSO-SVM預測模型[J].西安科技大學學報，2020（1）：64-70.

[7]蔣萃.對失戀大學生異常心理的疏導與調適研究[J].長春教育學院學報，2013（10）：90-91.

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