基于大数据技术的青少年心理健康评测动态模型构建研究

彭海霞 贺冰心 柴巧莲

（湖南环境生物职业技术学院，湖南 衡阳 421000）

0 引言

当前影响青少年心理健康的因素日渐增多，包括家庭、学习、工作等，青少年的心理健康异常逐渐成为相关学术界热烈讨论的话题[1]。在国内经济及技术高速发展的大环境下，社会发展对新一代青少年体能和智力的要求越来越高，青少年需要面临的学习强度和工作压力越来越大，不可避免地会在心理上产生较大落差，进而使青少年的心理健康受到严重影响[2]。但往往青少年心理出现问题的时机是无法预知的，只有在产生某些影响后才会意识到问题的严重性，既耗费人力、物力，又会产生巨大的时间成本[3]。因此研究一种可获取青少年心理健康情况的方式、方法尤为重要[4]。该文基于大数据技术研究青少年心理健康评测的动态模型，模型的构建涉及心理健康数据采集与整理、确立动态模型评估指标、测算心理健康评测数据以及获取心理健康评测结果，可使用不同算法将不同类型的心理健康数据进行分布计算，以数据信息的健康评测作为成果输出，据此全面了解青少年的心理动态，并进行更准确的心理健康预测。

1 数据采集及整理

1.1 数据采集

当前采集大数据的常用工具主要有Flume、Logstash 和Kibana 等[5]。基于大数据多样性的特点，使用特定的工具可将可靠性数据高速并发地进行采集、整合。大数据采集技术主要是完成对已收录数据的分辨、筛选以及归类等操作，解决数据来源参差不齐等关键问题。该文的研究将通过构建大数据网络流量资源聚合数学模型的方式进行数据采集。其中包括构建大数据网络流量资源池与青少年基本信息管理模块，将大数据网络流量作为数据整合平台，供使用者自行选择测试方向。在测试人员确定测试方式后，初始数据库可将对应的测试题目展示给测评人员，令其可以自行选择试题的呈现形式，完成答题后进行相应的评测结果分析，以此完成青少年心理健康评测。

数学模型的输入量选择的是围绕场景分析的VIRE 计算方法，这种方法可将数据梳理过程全面优化。VIRE 算法的核心思路是在拟定的数据采集范围内设置不同参考标签进行计算，和其他实际参考标签种类相比，其效用性和精准度更高。在指定范围内通过虚拟标签检索得出对应成果并输出。此种定位算法可在更深的层面上增加数据采集的精确度。VIRE 算法能减少对数据检索产生的资源浪费，可过滤重复的数据信息，此算法把数据池精细地规划成n 个虚拟储存网格，并将之前设定的虚拟标签均匀分布在网格内，不同标签的RSSI 值根据网格坐标轴的值通过线性插值进行计算，如公式（1）所示。

式中：xi第i 个采集的心理健康数据；si第i 个对象中采集的特征数据；m 为第i 个采集对象数据的控制参数。

根据公式计算出不同数据的RSSI 标签值，实现基于多特征数据的信息并发性采集，以便将青少年心理健康状况进行评价。

1.2 数据整理

数据整理的目的是提升数据质量与可用性[6]。通过VIRE算法收集数据，采集到的多种类数据存储、计算在一定程度上得到满足后，如何进行数据整理与沉淀成了重要环节。为优化数据管理，该文模型研究使用SNS 算法，这种算法可根据敏感识别对数据建立虚拟标签，具体的整理流程如下：1）通过RSSI值收集数据并储存。2）将采集的数据进行分类筛选，如果发现数据出现不一致的情况或存在修改痕迹，根据时间丢弃靠前的数据。3）当数据缓冲区达到阖值时，暂时关闭数据采集口，并将数据存入数据池，基于此算法阖值A可得公式（2）。

式中：e为最大权限经过持续匹配数据后的条件；u为数据采集的标准；p为大数据资源在不同数据种类中的参数总量；max 为最大化的整理模式；t为数据采集的时间；f为数据不同种类标签的平均值。

引入SNS 算法，对大数据采集资源进行全局式整理，利用匹配标签确定阖值，计算出大数据下全局数据整理的最优解，存入数据池等待计算。

2 构建心理健康评测动态模型

2.1 确立动态模型评估指标

将多类型数据以集合形式呈现，拟定以集合U={U1，U2，...，Un}储存采集的青少年心理健康数据，n为不同心理健康评测数据的数量。将青少年对不同问题的回答所对应的心理健康评测评语设为集合Q={Q1，Q2，Q3，Q4}，此处Q1、Q2、Q3和Q4分别代表心理健康的4 个量化状态，包括良好、正常、轻度异常和严重异常。采用目前广泛使用的精神卫生量表SCL-90 对心理健康评测因素集合U进行细化，对影响青少年心理健康的因素进行生活环境、工作类型、学习压力和情感问题方面的划分，以几个子集合表示，可设为B={1，2，…，10}，如公式（3）所示。

式中：i∈B0，Ubi=1，Ui=U，i≠0。

此类型的集合代表不同标签下的数据测评子集。心理评测集合中，Ui里每个测评子集内分配的权重是Ei={Ei1，Ei2，...，Eis}，所有采集数据的种类符合。将所有数据测评标签子集分别看作一种心理健康评测集合U，如公式（4）所示。

由此，心理健康数据测评的数据类型Csn所处的指标矩阵R如公式（5）所示。

设定将青少年心理健康评测数据集合U划分为多个子集合Ui，不同数据池内的数据种类由不同子集合呈现，参照心理健康评测集合U中的不同数据特性，计算出心理健康评测数据权重值D，如公式（6）所示。

式中：d为不同数据类型的子集合。

通过公式（6）可计算能够获取心理健康测评数据的数据模型，如公式（7）所示。

获取向量模型后，将不同的权重值d与心理健康测评因素相结合，完成青少年个人心理健康评测指标。

2.2 测算心理健康评测数据

测算心理健康评测数据采用决策树算法，这种算法具有可集成同步测算的特性，对某个典型青少年心理健康数据信息划分子集合的方式，对一组集合内的测评数据进行计算，得出一种以树状结构呈现的计算结果。对此类算法得出的结果再次进行数据类型划分，以算法的数据划分结点作为数据计算起始点。计算方式为通过数据向下划分的计算顺序对数据池的标签数据进行逐步分类计算。该文采用C4.7 决策树算法，此算法可将不同数据划分为多个数据大类并进行逐层筛选，以克服选取数据时由于数据存在多个标签导致数据计算重复的问题。基于标签确定计算数据G，如公式（8）所示。

式中：Ga（S，A）为标签A的数据个例数据；Sa（S，A）为在标签A的基础上对数据池S进行筛选的结果。

基于决策树算法对心理健康数据进行分析计算，Sa（S，A）可由公式（9）计算得出。

式中：Si为第i个数据个例中处于典型标签的数据。

使用决策树算法的关键点在于如何确定所筛选的数据标签，计算过程中要对比每个参与计算的数据的标签信息，在计算过程中选择标签信息被检索次数最大的标签属性作为主要划分点。如果该标签下可以继续检索筛选，将持续向下计算并划分数据池数据，获得更多细化的子集合。划分方法如下。

首先，对数据池中的数据标签属性A进行离散处理，根据字符进行排序，将MIN 和MAX 作为最大值和最小值的数据标签，得出对应的标签属性集合{A1，A2，…，An}。

其次，将Ai放置于数据划分节点的位置，设[MIN，MAX]为数据池中的数据集合，按顺序计算出第i个数据划分节点Ai，如公式（10）所示。

式中：i=1，2，…，N；N为集合中的分节点数量。

最后，分别计算经Ai分出的2 个集合[MIN，Ai]及[Ai，MAX]中的数据，将数据标签值设定在对应子集合中，完成心理健康评测数据的测算。

2.3 获取心理健康评测结果

心理健康测评结果模块采用G-means 聚类算法，根据采集数据内容的重复性，即青少年心理健康信息的相似性，相邻的数据池会结合成一个数据组，以独立的数据集合作为最终评测结果，数据集合由相邻的数据组构成。基于G-means可使用的聚类算法，并以算法中的计算函数对不同种类的数据结合进行计算并更新数据表，进而达到提高模型生成心理健康测评成果精度的目的，将结果以最优解进行输出。例如初始测评数据可将n个青少年用户评测数据分成g组，数据内含有n组青少年心理健康评价数据，经过计算得出g个评测结果。G-means 群集算法的具体工作流程如图1 所示。

图1 数据测算流程图

根据图1 处理G-means 聚类算法的具体方法如下：1）将从n个青少年采集到的心理健康测试数据收入数据池，将评价数量g同批次放置于数据池。2）从n个数据组中选取g个组数据，将其作为样本数据并进行数据初始化，再根据数据标签划分合并成集合，将剩余的测评数据划分到标签属性相同的集合中。3）集成完所有的评测数据对象集合后，将相同集合的心理健康数据进行分布计算。4）根据相同标签数据计算的结果，同步获取对应的心理健康评价。5）输出青少年心理健康的测评结果，完成心理健康的测评结果获取。

3 测试试验

3.1 试验准备

该文试验基于微软Vsual Studio 2010 开发，使用C++语言搭建了一个网页页面框架。将SQL 作为数据储存服务数据库，以实现测评数据可多批次录入并保持数据完整性、确保数据的安全。试验设备包括I5 级10 代处理器、GTX950 显示卡、2T 机械硬盘和8G 运行内存。青少年心理健康评测的网页页面以账户密码登录的方式打开，不同使用人员的评测数据通过不同的账户进行区分管理，可以让使用人员自行选择适合自身的评测内容，即可支持多元化使用。

3.2 试验结果

该文试验邀请240 位青少年作为测试对象，将通过当前职业心理医师测试成果与试验模型得出的青少年心理健康结果做比较，以此来测试该文研究的模型是否可以达到对青少年进行心理健康测试的要求，测试结果由如图2 所示。

图2 测试结果柱状图

图2 展示了经过模型测试得出的心理健康数据的人员数量以及心理健康状况，应用该文研究的心理健康测评模型对240 名青少年心理健康进行评测后，将4 个评测类型作为成果展示，分别如下：处于心理健康状态严重异常的有20 人；处于心理健康状态轻度异常的有40 人；处于心理健康状态正常的有60 人；处于心理健康状态良好的有120 人。4 种心理健康状况的测评情况人员数量、结论与职业心理医师测试结果基本一致，由此可见模型提供的测试结果具有较高的准确性和可信性。实际应用的结果具有一定参考意义，可为心理健康测试带来较好的测试效果，值得在现实生活中广泛推广及应用。

4 结语

考虑当前社会对青少年心理健康重视，该文研究了基于大数据下青少年心理健康评测动态模型，使用VIRE 算法收集青少年心理健康数据并使用SNS 算法进行数据整理。以数据集合的方式确立动态模型评估指标，将数据池内的数据以子集合形式结合决策树算法进行计算，以此测算心理健康评测数据，计算出的评测数据后，使用G-means 聚类算法，通过聚类目标函数计算获取心理健康评测结果，导入对应的心理健康评语，以此完成青少年心理健康智能测评。测试试验结果表明，此模型能全面地帮助青少年以及家长了解青少年本身的心理健康状态，通过测试结果可及时发现问题并寻找调节心理的有效方式，为社会健康发展有重要意义。