基于大數據技術的大學生心理危機監測預警體系研究

孟祥輝，盛曉春，歐賢才

（1.寧波工程學院，浙江 寧波 315211；2.廣西農業職業技術大學，南寧 530007）

近年來，大學生心理危機事件時有發生，對大學生的身心健康帶來很大影響，特別是受新冠肺炎疫情影響，大學生正常的學習、交往和生活節奏經常被打亂。在2021 年11月召開的全國高校學生心理健康教育工作推進會上強調，“科學識別、實時預警、專業咨詢和妥善應對是做好工作的關鍵，要強化過程管理，心理測評要全面覆蓋、精準應用，預警管理要全天候、一站式”[1]。精準監測、預警大學生心理危機事件的發生，是高校心理健康教育工作的重要任務。大數據技術的發展為高校解決大學生心理危機提供了新的思路和方法。余成武[2]提出從提升數據意識、完善相關制度、建立數據平臺入手，將大數據思維融入高校心理危機預警工作。梁娟等[3]從心理預警系統的結構分析入手，結合大數據的特點提出了心理預警系統的建設路徑。朱焰等[4]認為基于大數據技術建立的大學生心理預警系統分為三個部分，分別是心理健康普查系統、心理狀況動態評估系統和心理變化實時監測系統，并進行了檢驗。李彤彤等[5]構建了基于社交媒體大數據的大學生心理危機預警模型。周曉東等[6]利用大數據技術，建立心理健康智能評測系統，實現心理危機預警?？傮w來看，已有研究側重于平臺建設，如數據采集指標、分析處理平臺、監測預警系統等，采集指標全，缺少側重點，數據分析較為復雜，不易進行簡便判斷，普通心理健康工作人員難以完成。因此，進一步優化數據采集指標，建立更便捷、準確、及時的心理危機監測預警平臺，有助于解決高校面臨的工作困境。

一、研究方法

（一）研究對象

面向某高校在校生隨機發放調查問卷，收到有效問卷5 871 份。其中，按照性別，男生3 142 人，女生2 729人；按照年級，大四942 人，大三672 人，大二2 468 人，大一1 789 人。

（二）研究工具

1.癥狀自評量表（SCL-90）

該量表共有90 個項目，每一個項目均采取5 級評分制，采用10 個因子分別反映10 個方面的心理癥狀情況，包括軀體化、強迫癥狀、人際關系敏感、抑郁、焦慮、敵對、恐怖、偏執、精神病性及其他。

2.自編問卷

編制《疫情常態化情況下大學生心理健康狀況調查》問卷，了解學生的學習和生活行為狀態，包括睡眠、晚未歸、與同學交往、學業、曠課和突患疾病等。

（三）數據處理

使用Excel 進行數據處理，運用SPSS25、python 進行數據分析。

二、研究結果

（一）不同大學生的心理健康狀況

1.不同睡眠情況大學生的SCL-90 分析

對不同睡眠情況大學生的SCL-90 各因子進行方差分析，結果見表1。從表1 可知，不同睡眠情況大學生在SCL-90 各因子上的差異均極其顯著。進一步的兩兩比較發現，不同睡眠情況大學生之間在各因子上差異極其顯著（p＜0.001）。

表1 不同睡眠情況大學生的SCL-90 差異分析（M±SD）

2.晚未歸大學生的SCL-90 分析

對晚未歸大學生的SCL-90 各因子進行方差分析，結果見表2。從表2 可知，不同晚未歸情況大學生在SCL-90 各因子上的差異均極其顯著。進一步的兩兩比較發現，“沒有”與“較少”學生在恐怖因子上差異不顯著（p=0.07），在其余因子上均有顯著性差異（p＜0.05）。

表2 晚未歸大學生的SCL-90 差異分析（M±SD）

3.與同學交往情況大學生的SCL-90 分析

表3 是與同學交往情況大學生的SCL-90 各因子方差分析情況。從表3 可知，不同交往情況大學生在SCL-90 各因子上的差異均極其顯著。進一步兩兩比較發現，大學生在各因子上均有顯著差異（p＜0.01）。

表3 與同學交往情況大學生的SCL-90 差異分析（M±SD）

4.學業情況大學生的SCL-90 分析

對不同學業情況（掛科門數）的大學生的SCL-90各因子進行方差分析，結果見表4。從表4 可知，他們在SCL-90 各因子上的差異均極其顯著。進一步兩兩比較發現，不同學業情況大學生在各因子上均有顯著差異（p＜0.05）。

表4 不同學業情況大學生的SCL-90 差異分析（M±SD）

5.不同曠課情況大學生的SCL-90 分析

不同曠課情況大學生的SCL-90 分析見表5。從表5 可知，他們在SCL-90 各因子上的差異均極其顯著。進一步兩兩比較發現，“沒有”與“較少”學生在強迫、恐怖因子上沒有顯著性差異（p=0.243，p=0.053），不同曠課情況大學生在其余因子上均有顯著性差異（p＜0.05）。

表5 不同曠課情況大學生的SCL-90 差異分析（M±SD）

6.突患疾病大學生的SCL-90 分析

對突患疾病大學生的SCL-90 分析結果見表6。從表6 可知，他們在SCL-90 各因子上的差異均極其顯著。進一步兩兩比較發現，突患疾病情況大學生在各因子上均有顯著性差異（p＜0.05）。

表6 突患疾病大學生的SCL-90 差異分析（M±SD）

（二）大學生心理健康狀況與學習、生活行為狀態的關系

用python 進行數據分析，建立隨機森林模型，結果見表7。從表7 可知，睡眠、同學交往等因素對SCL-90各因子的影響程度不一樣，分數越高，表示該影響因素對這一因子的影響程度越大。

表7 大學生心理健康狀況與學習、生活行為狀態的關系

三、討論與分析

在迅速發展的今天，社會競爭日益激烈，生活節奏也在不斷加快，大學生面臨的學習、生活、就業及情感等壓力不斷增大，由此產生的心理健康問題日益突出。有關研究表明，大學生心理健康水平受到多種因素的影響，既包括性別、專業及生源地等因素[7]，同時，家庭經濟情況、家庭結構、父母關系、家庭氛圍及童年生活經歷等家庭因素也對大學生心理健康有重要影響[8]。

從分析來看，具有不同學習和生活行為情況的大學生，他們的心理健康水平也是存在差異的。睡眠、晚未歸、與同學交往、學業、曠課和突患疾病等情況，影響了大學生的心理健康水平，睡眠情況越差、晚未歸次數越多、與同學交往越少、掛科越多、曠課越多及疾病越嚴重的學生，他們的心理健康水平越低，越需要高校輔導員、心理中心、家長和朋輩群體進行關注。同時，研究也顯示，對大學生不同方面的心理健康而言，睡眠、晚未歸、與同學交往、學業、曠課和突患疾病等情況的影響程度有所不同，相對來說，睡眠、與同學交往等情況影響更大，突患疾病對軀體化影響更大，學業等對心理健康影響相對較小。良好的人際關系是人們生活中的一個重要方面，對大學生而言，他們正處于學習知識、了解社會、適應社會的重要階段，良好的同學關系對他們的學習、成長有很大的影響，滿足安全需求、交往需求和尊重需求，更好地獲得自我成長、適應社會。相對于性別、專業和家庭等比較穩定的因素，大學生的學習和生活行為狀態是實時變化的，這些變化情況，更能精準反映他們的心理健康變化狀態。

在工作中，根據實際需要，高校普遍建立了多個學生信息平臺，如教務系統、學工系統和住宿系統等，依托現有各種信息平臺，大學生的學習和生活行為信息較為容易被觀察到和獲取，通過大數據技術對這些信息進行整合分析，可以實現對學生心理狀態的動態跟蹤和實時監測預警，以便及時發現遇到心理危機的學生，高校能夠及時提供心理援助，進行危機干預，幫助學生解決遇到的問題。利用大數據技術對大學生心理危機進行監測預警，可以彌補傳統高校心理危機監測預警中存在的時效差、效率低和人員不足等問題，保障大學生的身心健康和學院穩定。

四、大學生心理危機監測預警體系構建

利用大數據優勢，發揮朋輩群體和輔導員、心理中心等力量，不斷完善傳統的大學生心理危機監測預警方式，進一步構建基于大數據技術的大學生心理危機監測預警體系。

（一）優化信息采集指標

通過分析可以發現，在大學生的學習和生活行為情況中，睡眠、晚未歸、與同學交往、學業、曠課和突患疾病等有助于我們更好地識別學生的心理健康變化狀態，可以確定為心理危機監測預警的重要指標，避免指標大而全，從而提高工作效率和精準預警。同時，對已有的信息也進行采集，如心理測評數據、心理咨詢情況、家庭經濟情況及其他家庭因素等。

（二）搭建心理數據平臺

依托現有的心理測評、教務、學工、住宿和心理咨詢等信息系統，搭建心理數據平臺，利用大數據技術進行整合分析，實現各信息系統的數據共享和有效利用。針對現有信息系統的不足之處，進行改善和完善，進一步增強數據化。如曠課情況，需要任課老師及時上傳曠課名單，也可以利用教務系統由學生掃碼簽到，實時呈現曠課情況。有些信息是通過輔導員、班主任、心理中心和朋輩群體等人群采集的，如睡眠情況、與同學關系和生病等突發情況，等等，建立分級、合理的信息采集及查看系統，彌補其他系統的不足。

（三）建立兩級監測預警機制

根據分析，依據不同程度，將指標進行量化，分為兩級進行預警（見表8），系統根據采集的信息自動進行預警。針對不同級別監測預警，建立相對應的二級干預機制。一級預警由學院為主進行干預，提供幫扶和支持，學校心理中心提供專業指導；二級預警由學院和學校心理中心共同干預，學院主要提供支持和進行跟蹤管理，學校心理中心提供專業干預，必要時邀請校外專家進行聯合會診，做好轉介工作。

表8 心理危機兩級監測預警機制

綜上所述，具有不同學習和生活行為情況的大學生，他們的心理健康水平存在差異，睡眠、晚未歸、與同學交往、學業、曠課和突患疾病等情況反映了大學生的心理健康狀態，特別是睡眠、與同學交往情況，對大學生心理健康有較大的影響，將這些因素作為信息采集指標，進行數據整合分析，進行兩級監測和預警，可以實現對大學生心理健康狀態的動態跟蹤管理和精準監測預警，及時發現和識別大學生潛在的心理危機，提升高校心理健康教育工作水平，維護學生身心健康、家庭美滿幸福和校園安全穩定。