基于情感分析技術的大學生心理危機檢測與干預措施探討

劉忠艷 喬沐溪 喬付

關鍵詞：心理危機；干預；大學生；文本分析；問卷調查

0 引言

大學生心理健康是關系到個體發展和社會穩定的重要問題[1]。近年來，隨著社會的快速發展，大學生面臨的各種心理壓力越來越大，心理危機現象日益凸顯[2]。如何有效地檢測大學生的心理危機，及時提供干預措施，成為當前研究的熱點。傳統的心理檢測方法大多基于問卷調查和量表測量，這種方法不僅主觀性強，而且效率較低。因此，尋找一種客觀、高效的心理危機檢測方法成為當務之急。

心理危機是指個體在心理活動方面出現的明顯異常表現，如焦慮、抑郁、自卑等。這些心理危機可能導致個體行為異常、學業失敗、身心健康問題等。近年來，隨著大數據和人工智能技術的發展，基于文本分析的心理危機檢測方法逐漸受到關注。這種方法通過分析個體的文本數據，如大學生的基本信息數據、消費信息、心理健康情況、微博、博客、日記等，利用數據挖掘和機器學習算法，提取心理危機的特征，從而進行有效的心理危機識別[3]。在干預措施方面，現有的研究主要集中在心理咨詢、心理教育和心理治療等方面。然而，這些干預措施大多針對心理危機的個體，忽略了心理危機的預防和早期發現。因此，如何通過機器學習和文本分析技術，提前發現個體的心理危機，并提供有效的干預措施，是當前研究的熱點和難點。

本研究采用基于文本分析的方法，對大學生心理危機進行檢測和干預。首先，利用調查問卷收集大學生的文本數據，利用情感分析技術對這些數據進行情感極性標注。通過比較正常文本和危機文本的情感極性分布，初步篩選出具有心理危機的大學生。其次，針對初步篩選出的心理危機大學生，利用文本分類技術對他們的文本數據進行分類，通過分析分類結果中的主題和關鍵詞，提取心理危機的特征。最后，根據心理危機的特征，制定相應的干預措施，包括心理咨詢、心理教育和心理治療等。

1 情感分析技術

情感分析是當今數據挖掘領域的基本問題，常用詞頻率-逆文檔頻率（TF-IDF） 方法來突出文本中的重要信息。TF-IDF定義如下：

文本分析步驟：讀取數據、進行分詞、去掉停止詞、提取TF-IDF特征、結果分析。

在大學生心理危機檢測的文本分析中，常用的公式包括貝葉斯分類器、支持向量機（Support Vector Ma?chines，SVM） 、邏輯回歸等[5-6]。

貝葉斯分類器是一種基于貝葉斯定理的分類方法，它通過計算文本中每個詞語出現的概率，來預測文本所屬的類別[6-7]。常用的貝葉斯分類器包括樸素貝葉斯和多項式貝葉斯。樸素貝葉斯假設文本中各個詞語之間相互獨立，而多項式貝葉斯則考慮了詞語之間的相關性。

SVM是一種有監督的學習方法，它通過將數據映射到高維空間中的超平面，來實現分類[8]。在文本分析中，SVM可以通過計算文本中的關鍵詞向量，來判斷文本所屬的類別。

邏輯回歸是一種基于統計學的分類方法，它通過計算文本中的關鍵詞出現的頻率和權重，來判斷文本所屬的類別[9]。常用的邏輯回歸模型包括二項邏輯回歸和多項邏輯回歸。

2 數據采集與分析

2.1 數據采集

文中實驗環境為Python3.8和Jupyter工具，所使用的實驗數據是基于嶺南師范學院在校大學生產生的真實數據為基礎的。通過制定問卷星調查問卷并通過網上發布來收集樣本，共收集到樣本數據200 份[9]。問卷星首頁界面如圖1所示。收集的學生數據主要包括學生的性別、年級、是否獨生子女、家庭所在地、自身心理健康關注度等基本信息，以及學生消費狀況和在校掛科情況、家庭背景影響、對心理健康出現異常的看法和措施等32個問題，其中還包含問卷來源詳情以及問卷填寫得分等數據。采集的信息及部分數據形式如表1所示。

2.2 詞云圖顯示學生填寫情況

在該調查問卷中，設置了樹洞選項以供學生填寫心里話，該選項并未設置為必填項，學生填寫與否取決于學生意愿。如圖3所示為學生樹洞詞云圖，通過詞云圖的顯示結果可以看出未填寫該答題的學生占比較大（大部分學生不愿意吐露心聲），學生的答題結果整體看來比較偏向負面，少部分偏向正面。

如圖4所示為心理危機學生樹洞填寫情況詞云圖，可以很直觀地看出分類標簽為“心理危機”的學生樹洞填寫結果更偏向于負面，對于如何有效檢測出這些學生并進行心理干預至關重要。

2.3 學生個人心理危機經歷及心理健康看法

除了識別出心理危機的學生外，對于如何采取有效措施對存在心理危機的學生給予援助也至關重要。可以從學生填寫的問卷中了解學生對自身心理關注程度，了解他們在碰到心理問題時如何求助和處理，以及了解學生對學校心理健康工作站開設的必要性等。這對于學校如何對學生正確引導以及對哪些方面的工作需要進一步加強具有一定意義。

如圖5所示為學生對學校心理輔導站開設看法占比以及開設心理輔導站必要性占比圖，從該圖可以看出學生對學校輔導站開設作用持負面看法，覺得學校開設輔導站的必要性不大，這對于學校進行學生危機心理干預，幫助學生走出不良狀況起到一定的阻礙作用。學校需要加強學生對心理輔導站方面相關知識的學習，讓學生了解輔導站的作用，在遇到心理問題時，能夠第一時間通過心理輔導站獲取援助。

如圖6和圖7所示分別為學生獲取心理健康信息相關知識的來源圖和學生認為學校需要強化心理工作詞云圖，根據這兩張詞云圖顯示可以得出學生獲取心理健康信息相關知識的來源一般為網上、講座和書籍；學生認為學校需要強化的心理工作包括講座的舉行、與學生多溝通。學校可以根據學生意見對這些工作進行加強。

2.4 心理危機檢測模型

SVM分類算法在復雜非線性和高維空間分類中具有明顯的優勢。支持向量機的核心是試圖通過最大化兩個不相交半平面之間的間隔來減少泛化誤差。在線性不等式約束下，通過最小化凸二次函數來解決優化任務。

其中，TP 表示心理健康樣本成功預測為心理健康樣本的數量，TN 表示心理異常樣本成功預測為心理異常樣本的數量，FP 表示心理異常樣本錯誤預測為心理健康樣本的數量，FN 表示心理健康樣本錯誤預測為心理異常樣本的數量[10]。

在采用SVM模型檢測心理異常學生時，檢測效果在很大程度上受懲罰參數C和核函數影響，合適的參數會大幅度地提升SVM模型的檢測效果。本節分析參數C與核函數對SVM模型的檢測效果的影響。

隨機從總的200 個樣本數據集中抽取出80%的樣本作為訓練集，20%的樣本作為測試集，得到劃分處理的數據，代入SVM模型進行訓練，進行30 次重復實驗，將得到檢測準確率30 次的平均值作為結果的準確率[11]。SVM分類器中其他參數都取默認值，當核函數取值為linear 時，SVM 模型準確率取得最大值為0.9，高于其他3 種核函數。因此，本文SVM模型中核函數取linear。進行同樣的實驗，參數C取值為[1，6]，步長為1，當參數C取2 時，SVM模型準確率取得最大值0.95，所以，本文SVM模型中參數C取值為2。

數據劃分與模型運行次數與上節同樣。本文SVM模型的檢測準確率為0.95，并與貝葉斯、邏輯回歸等不同的檢測模型準確率進行對比，貝葉斯檢測模型檢測準確率為0.90，邏輯回歸檢測模型準確率為0.80，如圖8 所示。SVM模型對心理危機學生檢測的準確率高于其他兩種模型。

2.5 學校干預措施

心理危機的干預是指通過一系列措施，對處于心理危機狀態的個人或群體進行干預，以緩解其心理困擾，恢復其心理平衡[12]。心理危機干預的基本原則包括及時性、系統性、有效性等。常用的心理危機干預方法包括心理教育、心理咨詢、心理治療等[13]。研究表明，及時、有效的心理危機干預可以顯著降低自殺率和心理疾病的發病率。

如圖9～圖11分別為學生認為心理問題來源詞云圖、學生心理危機問題處理詞云圖和學生心理危機求助詞云圖。從這三張詞云圖可以看出，大多數學生認為心理問題的來源是學習以及各方面壓力影響，在遇到心理問題時，大多數會選擇自我消化，用吃東西或者睡覺方式來緩解心理壓力，但長此以往，不止學生心理狀況、身體也會更加糟糕，容易導致胃病、增重等不良后果。學校應對學生進行正確引導，具體建議如下：

第一，開展心理健康教育。學校可以通過開設講座與線上課程等形式，幫助學生了解心理健康知識，增強心理素質。

第二，加強心理咨詢與治療。學校應建立心理咨詢與治療中心，配備專業的心理咨詢師和治療師，為學生提供及時、有效的心理健康服務。

第三，建立心理危機預警機制。通過建立心理危機預警機制，早發現、早干預學生的心理情況，防止心理危機問題的發生。

第四，營造良好的校園氛圍。學校應加強開展校園文化，營造活躍的校園氛圍，減少學生的心理壓力，提高其心理健康水平。

3 結論

本文通過對大學生調查問卷文本數據的分析，提出了基于情感分析技術的心理危機檢測與干預措施。通過對比實驗的結果，本研究發現基于文本分析的方法能夠顯著提高大學生心理危機的檢測準確率。同時，針對不同類型心理危機的大學生，制定的干預措施能夠有效改善他們的心理狀況。然而，這種方法也存在一些局限性。例如，情感分析技術對于不同語境和文化背景的數據可能存在偏差。此外，文本分類技術的效果也受到數據質量和特征選擇的影響。因此，未來研究需要在技術和方法上進行進一步的優化和改進。