刘任静

摘  要 目的：通过问卷调查的形式调研石河子大学某院系学生的心理情况，结合机器学习算法分析探究心理健康学生和亚心理健康学生的差异。方法：随机采集405名学生的数据（包括基本情况），运用自编问卷结合心理教师现场评分，将405名学生的心理状况划分为健康和亚健康状态，通过支持向量机算法分析问卷数据，快速鉴别健康状态和亚健康状态。结论：测试集中100例心理健康学生，正确识别95例;30例亚健康学生，正确判别23例，总准确率为90.77%。

关键词 心理健康;机器学习;支持向量机

中图分类号：G444    文献标识码：B

文章编号：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

心理健康是目前评定学生整体素质的重要指标之一。第十三届全国人大代表亢德芝说过：青少年的心理健康和身体健康同等重要。要做好学生的心理健康教育，引导他们的心理朝着健康方向发展，为他们健康成长打下坚实基础[1-2]。2016年，习近平总书记在全国高校思政工作会议上强调，要加强心理疏导，引导学生培养理性平和的健康心态。而大学生现在所处的环境更为纷杂，情绪变化很大，不良的心理状态很大程度上影响到了他们的正常学习生活。因此，当学生心理情况出现初步的异常或者负面情况时，进行必要的疏导是非常重要的[3-4]。如何在早期学生所表现的外在性状不明显时排查出异常心理的学生，成为问题的重中之重。据专业研究机构调查显示，早期心理疾病的治愈率高达98%，这说明如果能够早期就筛查出这些亚健康或者心理异常的学生，将能够最快、最高效地對学生进行针对性治疗。而早期心理疾病如果不进行针对性治疗，可能会转变成中度甚至重度抑郁症等严重心理疾病，对学生的学习生活造成非常大的影响，严重的甚至可能出现自杀、自残等情况。因此，提前筛查学生异常的心理情况成为一个重大问题。

基于此，本研究提出机器学习算法结合学生问卷调查结果和基本信息——包括性别、考试是否挂科、家庭背景（如单亲、父母离异等）——的快速筛查心理异常学生的新手段，通过统计分析软件SPSS分析心理健康学生和亚心理健康学生与这些因素的相关性，将相关性较高的特征用来建立一个快速筛查亚心理健康的分类模型。

机器学习是近30年兴起的一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。机器学习算法是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。而支持向量机作为机器学习常见的算法之一，被广泛应用于交叉学科领域。支持向量机（Support Vector Ma-chine，SVM）是Corinna Cortes和Vapnik等于1995年首先提出的，在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中[5-6]。本研究也是创新性地提出将机器学习算法与学生心理状况筛查相结合，基于支持向量机将405例样本划分为训练集和测试集，构建分类模型，最终达到快速筛查亚心理健康学生的目的，对异常的学生进行必要的心理疏导，将可能因心理健康出现不良后果的可能性降到最低。

2 研究资料与方法

研究对象  2019年10—12月对石河子大学某院系学生进行心理健康状况调查。本研究制定的问卷采取线下调查的形式，运用分层随机抽样的方法，将石河子大学某几个院系全体本科生按照学院进行划分，按年级分为四个级别，每个年级随机抽取100～102人。本次调查共计发放问卷550份，回收问卷456份，其中有效问卷405份，有效回收率为73%。其中男生220人，女生185人，年龄在16～25岁之间，样本的男女比例较为均衡。从样本人群的年级出发，由于大一刚刚入校，还处于适应期，不具备调查意义;而大二和大三的学生作为本校现阶段最为稳定的因素，其人数超过总人数的75%;大四因为实习、考研等其他因素影响，样本数量相对较少，占比约25%。最终405人中根据心理辅导中心确认心理亚健康65人、心理健康340人，根据这些标签开展后续的建模分析研究。

调查工具

1）自编问卷。一般情况，问卷包括性别、年龄、年级、是否为独生子（独生子用0表示，非独生子用1表示）、是否贫困（贫困用0表示，其他用1表示）、恋爱状况、是否挂科（无挂科用0表示，挂科用1表示），近期是否经历应激事件（无用0表示，有用1表示）、家庭情况（是否单亲，单亲用0表示，非单亲用1表示）。

2）沟通能力评分。专业心理辅导室通过和每一位学生进行三到五分钟的沟通，对学生的沟通能力进行评分，后续将沟通能力纳为学生整体心理情况的分析数据之一。

分析软件  本研究使用SPSS 19.0统计分析软件进行单因素分析，分析挂科情况等各个因素与学生心理健康标签的相关性;并使用MATLAB 2014将P值小于0.1的因素全部作为输入，构建支持向量机分类模型进行分类。本文关于支持向量机使用的函数包为libsvm包，可以在CSDN进行下载。

3 分析流程与结果

相關性分析  将性别、年龄、是否挂科、家庭情况等因素与标签进行单因素分析（表1），将P值小于0.1的因素全部作为输入，最终是否挂科、性别、沟通能力、是否为独生子、恋爱情况、近期是否经历应激事件、家庭情况一共七个因素作为支持向量机模型的输入。

建立支持向量机分类模型  如表2所示，将405例样本学生划分为训练集和测试集，其中275例作为训练集，用来构建支持向量机模型;130例作为测试集，检验分类模型的效果。并通过10折交叉验证来增强模型的泛化能力，防止模型过拟合。本支持向量机模型选择高斯核函数，此外，C是惩罚系数，就是对误差的宽容度，C越高，说明越不能容忍误差;gamma是选择径向基函数作为kernel后，该函数自带的一个参数，隐含地决定了数据映射到新的特征空间后的分布。本研究与支持向量机相关的模型参数C和gamma分别设定为1.5和2。确定好模型参数以后，建立模型。最终测试集中100例心理健康学生正确识别95例，准确率为95%;30例亚健康学生正确判别23例，准确率为76.67%，总准确率为90.77%。该结果可以说明支持向量机算法辅助筛查亚心理健康的方法是行之有效的。

4 讨论与总结

整体而言，是否挂科、沟通能力、是否为独生子、恋爱情况等因素会对学生心理健康造成一定影响，特别是恋爱情况及家庭情况会对学生整体的心理状态造成较大影响。

单亲家庭的大学生的亚心理健康状态比例更高，整体存在一定的心理问题而导致学业落后，这将不利于他们的成长。在现实生活中不难发现，父母的离异往往会给学生造成严重的心理创伤，有些学生会发生性格上的改变，甚至会出现心理上的障碍或疾病。因此，学校应该加大力度针对出现这种情况的学生进行一对一帮扶，力求将这一类心理受到伤害的学生带回正确的学习生活中来。通过机器学习可以高效筛查出这一类学生，提高工作效率。

处于失恋期的部分大学生甚至会出现偏激心理也是有据可依的。大学生对于失恋往往会产生难堪、羞辱、失落、激动、怀疑、悲伤、孤独、虚无和绝望等一系列消极心理，身心受到很大伤害[7-8]，如果得不到及时排除或转移，那么便容易导致失恋者自杀、自伤、报复。通过进行相关性分析，也确认这一因素对大学生心理可能造成的负面影响是非常大的，这也将作为后续建模分析的重大因素之一。同时提示在校教职员工应该提高对失恋学生的心理疏导，在入校期间就努力培养学生正确的恋爱观，最小化大学生恋爱可能会带来的负面影响。

沟通能力对学生心理情况的影响也很大，沟通是个人身心健康的保证。与家人和朋友进行有效沟通，能够开阔学生视野，排遣负面情绪。提高大学生的沟通能力，不仅可以有效降低心理异常的出现概率，还能提高学生未来面向工作岗位的竞争力，为社会培养更为全面的高素质人才。

此外，应激事件和学习成绩也对学生心理造成一定的影响，也是教师的工作重心。同时发现学生的心理状况与家庭经济条件并无直接联系，说明石河子大学对学生的培养整体是踏实高效的。

通过相关性分析得出一些与心理健康相关的重要因素，将这些因素作为支持向量机分类器的输入，建立快速筛查模型，最终得到超过90%的准确率，这无疑是一项巨大的创新和提升。心理学分析结合高效的模式识别算法甚至可以达到接近权威人士识别亚心理健康学生的水平，这项新的技术将大大减轻高校心理教师的疏导工作，教师可以通过这套分析系统针对可能出现亚心理健康的学生进行心理疏导，有效地提高工作效率，为全国大学生心理健康筛查提供新的高效准确的思路。

未来将准备向全校乃至全疆高校和研究所推广新型筛查手段，心理学分析结合高效的模式识别算法将作为自治区高校师生的重要辅助手段，在全疆学生前面筑起一道防火墙，做到实时筛查心理异常学生，进一步为新疆未来的发展培养出德智体美劳全方面优秀的接班人。■参考文献

[1]龙松，向丽苹.学生成绩综合评价中的因子分析[J].湖北工业大学学报，2011（3）：36-37.

[2]张琪娜.“医教协同”的心理健康服务体系[J].大众心理学，2016（10）：2-3.

[3]蔡灿龙.闽南地区高校学生心理健康现状及教育对策研究[D].福建：厦门大学，2009.

[4]白文.“互联网+”背景下大学生心理健康教育家校协同机制的构建[J].求知导刊，2018（33）：108-109.

[5]李苍柏.支持向量机、随机森林和人工神经网络机器学习算法在地球化学异常信息提取中的对比研究[J].地球学报，2020（2）：309-319.

[6]吴旋，来兴平，郭俊兵，等.综采面区段煤柱宽度的PSO-SVM预测模型[J].西安科技大学学报，2020（1）：64-70.

[7]蒋萃.对失恋大学生异常心理的疏导与调适研究[J].长春教育学院学报，2013（10）：90-91.

[8]罗明丽，龚雪梅.大学生失恋行为分析及心理调节[J].山西青年，2017（6）：53.