基于数据挖掘的大学生心理健康智能测评研究

冯翊

(西安工程大学， 学生工学部， 陕西， 西安 710048)

0 引言

随着大学生的数量不断增加，而且大学生学习和就业压力越来越大，大学生出现心理健康问题的概率越来越高，给社会稳定和高校管理带来严峻的挑战，大学生心理健康问题引起了社会的高度重视[1-2]。大学生心理健康智能测评可以帮助学生管理员了解大学生心理健康变化，根据大学生心理所处的状态制定相应的治疗方案，因此设计性能优异的大学生心理健康智能测评方法具有重要的实际应用价值[3-5]。

针对大学生心理健康测评问题，出现了许多有效的评测方法。最初采用专家方式进行大学生心理健康测评[6]，该方法对大学生心理健康智能测评具有较强的主观性，而且这种心理健康智能测评成本高[7-9]。随后出现了一些大学生心理健康智能测评技术，如通过引入人工神经网络进行大学生心理健康智能测评[10-12]，由于人工神经网络模拟人大脑的神经系统工作，具有一定的自学习能力，可以对大学生心理健康状态进行拟合，得到较好的大学生心理健康智能测评结果，但是在实际应用中，人工神经网络需要大量的先验知识，如果缺乏大学生心理健康的一些先验知识，那么大学生心理健康智能测评错误率高，而且它们不能帮助合理确定大学生心理健康智能测评指标的权值，导致大学生心理健康智能测评结果不太可靠[13]。

为了改善大学生心理健康智能测评效果，本文设计了基于数据挖掘的大学生心理健康智能测评方法，测试实验结果表明，本文方法可以全面、客观地描述大学生心理健康变化的特点，大学生心理健康智能测评正确率高，可以为大学生心理健康测评提供一种新的工具。

1 数据挖掘的大学生心理健康智能测评方法

1.1 大学生心理健康智能测评的原理

基于数据挖掘的大学生心理健康智能测评原理如图1所示。依图先构建大学生心理健康智能测评指标体系，采集大学生心理健康智能测评指标的数据，并进行预处理；然后采用采用变异系数法确定每一个大学生心理健康测评指标的权值，权值刻画每一个指标对大学生心理健康智能测评结果的贡献；最后采用灰色聚类算法建立大学生心理健康智能测评模型，并对待测评样本进行测试，输出大学生心理健康智能测评结果。

图1 大学生心理健康测评的原理图

1.2 设计大学生心理健康智能测评指标体系

大学生心理健康智能测评指标体系的设计是大学生心理健康测评模型构建的第一步，十分关键。结合当前大学生心理健康的实际情况，设计了如图2所示的大学生心理健康智能测评指标体系。

图2 大学生心理健康智能测评指标体系

1.3 指标量化以及心理健康等级的划分

对图2的大学生心理健康测评指标需要进行量化处理，具体说明如下。

(1) 智力水平取值范围为0～40分，x1<10表示正常，x1处于10～20范围表示存在一定障碍；x1>20表示出现严重障碍。

(2) 意志力取值范围为0～40分，x2<10表示意志力强；x2处于10～25范围表示判断能力有障碍；x2>25表示无法进行自控。

(3) 人格特征取值范围为0～30分，x3<10表示自我意识清楚；x3处于10～20范围表示存在强迫症状；x3>20表示人格要素不完整，自我意识差。

(4) 情绪取值范围为0～50分，x4<15表示心情愉快；x4处于15～30范围表示情绪有定波动；x4>30表示存在焦虑症。

(5) 自我评价取值范围为0～30分，x5<10表示能恰如其分评价自己；x5处于10～20范围表示评价能力一般；x5>20表示无法科学认识自我。

(6) 社会适应取值范围为0～24分，x6<6表示社会适应能力好；x6处于6～12范围表示社会适应能力一般；x6>12表示社会适应能力存在一定问题。

(7) 人际关系取值范围为0～40分，x7<10表示人际关系正常；x7处于10～25范围表示人际关系有小问题；x7>25表示人际关系差。

(8) 心理活动取值范围为0～24分，x8<8表示心理活动与实际年龄之间相一致；x6处于8～16范围表示心理活动与实际年龄之间有微小差异；x8>16表示心理活动与实际年龄之间存在严重偏差。

综合上述可知，大学生心理健康测评指标的量化结果如表1所示。然后根据采用变异系数法确定每一个大学生心理健康测评指标的权值。

表1 大学生心理健康测评指标的量化值

1.4 数据挖掘的大学生心理健康智能测评模型构建

定义1设有n个聚类对象，m个聚类指标，s个不同灰类，根据第i(i=1,2,…,n)个对象关于j(j=1,2,…,m)指标的观测值xij(i=1,2,…,n，j=1,2,…,m)，将第i个对象归入第k(k∈{1,2,…,s})个灰类，称为灰色聚类。

本文选择数据挖掘的灰色聚类算法进行大学生心理健康智能测评，具体步骤如下。

(1) 根据表1中的大学生心理健康测评指标量化值的3个区间[a1,b1]、[a2,b2]、[a3,b3]，得到算术中点λk(a0,b0)，具体公式计算如下，

(1)

(2)

(4) 那么大学生i心理健康状态属于灰类k*的表达式为

(3)

2 大学生心理健康智能测评的具体应用实例分析

2.1 测试对象

为了测试大学生心理健康智能测评效果，选择5所高校的在校学生作为研究对象，它们分别采用A～E进行编号，每1所学校选择的学生如表2所示。采用VC 6.0编程实现大学生心理健康智能测评仿真实验。

表2 大学生心理健康智能测评对象

2.2 计算大学生心理健康智能测评的权值

采用变异系数法计算每一个大学生心理健康测评指标的权值，具体如图3所示。从图3可以看出，对于不同的学校，大学生心理健康智能测评指标权值有一定的差别，但是大学生心理健康测评指标权值变化趋势是一样的，得到权值与实际指标对大学生心理健康智能测评结果的贡献相同，这表明引入变异系数法确定指标权值是可行的，为后续的大学生心理健康智能测评打下了良好的基础。

图3 不同学校的大学生心理健康测评指标权值

2.3 大学生心理健康智能测评结果对比

为了使数据挖掘的大学生心理健康智能测评结果具有可比性，选择文献[11]和文献[12]的大学生心理健康测评方法进行对比实验，统计每一种方法的大学生心理健康智能测评正确率、错误率，结果如图4、图5所示。对图4、图5的大学生心理健康智能测评结果进行比较和分析可以发现，相对于文献[11]和文献[12]的大学生心理健康测评方法，本文方法的学生心理健康智能测评正确率得到了明显的提升，大幅度降低了学生心理健康智能测评的错误率，获得更优的学生心理健康智能测评结果，对比结果验证了本文设计的数据挖掘的学生心理健康智能测评方法优越性。

图4 大学生心理健康智能测评正确率

图5 大学生心理健康智能测评错误率

2.4 具体应用效果分析

设计大学生心理健康智能测评方法就是要发现大学生心理健康变化规律，及早发现存在心理健康问题的大学生，并对有心理健康问题的大学生进行心理疏导和治疗，使大学生心理回到健康状态。从5所学校中，选择部分有心理问题的大学生进行测试，根据测试结果制定相应的治疗方案，治疗完成后，对这些大学生再次进行心理健康评测，结果具体如图6所示。

图6 本文方法应用前后的大学生心理健康分值对比

对图6结果进行分析可以发现，根据本文方法的测评结果制定相应的治疗方案，大学生心理健康状态得到了明显的改善，这表明本文方法获得十分理想的应用效果，具有较高的实际应用价值。

3 总结

大学生心理健康智能测评是当前高校学生管理领域中的一个研究热点，针对当前大学生心理健康智能测评过程存在的一些难题，为了获得更高精度的大学生心理健康智能测评结果，提出了数据挖掘的大学生心理健康智能测评方法，测试结果表明，本文方法是一种正确率高、错误率低的大学生心理健康智能测评方法，具有十分广泛的应用前景。