基于大数据的学生情绪异常波动风险评估仿真

何穆彬,万振凯

(1. 天津市教育科学研究院教育技术与信息化研究中心,天津 300210;2. 天津工业大学工程教学实习训练中心,天津 300387)

1 引言

情绪是影响学生学习的关键要素之一,相关研究证实,情绪渗透在学习生活的各个方面,拥有动机与感知作用[1],对学生能否顺利完成学业起到促进或抑制的效果。当前,学生情绪状态是教育领域研究的核心问题[2],必须要对学生情绪异常波动进行实时风险评估,并及时干预重点危机对象,最大限度降低学生产生异常情绪的概率。

针对风险评估问题,文献[3]构建了基于模糊集和熵的工控系统灰色风险评估模型。在风险种类的前提下建立风险评估指标,利用模糊集和信息熵改进权重计算模型,将灰色理论引入风险评估推算整体风险水平。文献[4]构建了基于模糊人工神经网络的安全风险评估模型。运用三角模糊数采集专家判断语言,使用聚类分析与去模糊化处理获取事故树内基本事件的发生几率,分别将基本事件与顶上事件拟作人工神经网络输入及输出层的神经元,训练网络并输出相对的风险评估结果。但由于以上方法均没有剔除冗余风险评估信息,导致计算量过高,风险评估时效性较差。

本文在学生情绪异常波动风险评估中引入大数据技术,提出一种基于大数据的学生情绪异常波动风险评估模型。利用大数据技术采集并分析学生的海量情绪数据,挖掘出具备现实意义的隐含异常波动信息;创建学生情绪异常波动风险评估指标,采用层次分析法获得高精度异常波动风险评估模型。

2 基于大数据的学生情绪数据采集

人工智能的核心发展策略逐渐从计算智能转变为情感智能。情感智能的前提条件就是完成人体的情绪识别,人类存在以下六种基础情绪:愤怒、厌恶、恐慌、开心、悲伤与惊讶[5]。为有效获取学生当下情绪状态,使用高清摄像机记录下学生面部与颈部的细微肌肉振动频率及幅度[6],在海量拍摄数据情况下观测并收集学生的日常活动数据。

在众多数据中,为精准提取学生情绪变化状态,使用时空注意力模型完成情绪数据测量。时空注意力模型中具备空间注意力板块、时间注意力板块及相应的损失函数。空间注意力板块能够让模型聚焦在学生表情变化可能性最高的区域,将此板块分成下采样与上采样两个步骤,构成一个瓶颈架构。下采样时期,利用卷积和非线性映射获取学生表情区域特质,上采样时期使用双线性差值修复特征图到初始大小。

将图像的注意力掩膜描述为A(x)=[a(x1),a(x2),…,a(xt)],关于第i帧图像,将其第4个特征图L4设定为L4(xi),把此帧图像的注意力掩膜定义为a(xi),把空间注意力分支记作

B(xi)=(1+a(xi))⊙L4(xi)

(1)

其中,“⊙”代表点乘。

在一段微表情序列内,把帧划分成判别性弱帧与判别性强帧。判别性强帧可提高时空注意力模型微表情采集精度,设计一种时间注意力分支,将注意力集中于微表情的序列定义成判别性强帧。把空间注意力板块的输出结果记作C(X)=[c(x1),c(x2),…,c(xi)],再把C(X)看作时间注意力分支的输入值,输出值C(X)的隐含状态为矩阵D。将微表情序列的相似性矩阵表示为

E=tand(DTD)∈R

(2)

其中,d代表微表情序列内某个图像帧的隐含状态,R为图像帧总和。

把全部序列的相关性特征记作

G=(g1,g2,…,gt)

(3)

式中,gi代表第i帧和全部序列之间的相关程度,具体展开为

(4)

其中,Eij为微表情序列内第i帧与第j帧之间的相关性,pi、pj均为数据采集过程中识别出的人脸位置。

累加时间注意力分支特征和初始特征,把时间注意力特征的最终表达式描述成

T(xi)=(1+gi)⊙c(xi)

(5)

其中,c(xi)为空间注意力板块的输出分量。

学生情绪微表情数据采集的实质为视频分类[7],在视频分类工作中一般采用交叉损失函数来提升数据采集效率,记作

(6)

其中,N代表样本数量,H是微表情类型,wi,j是标签值,qi,j代表预测值。对空间注意力分支产生的掩膜实施约束,运用τ1正则策略限制空间注意力分支输出值。

将损失函数定义为式(7),以此完成大数据下学生情绪数据完整采集[8]。

(7)

其中,ξce为交叉熵损失函数,κ代表注意力掩膜正则指数。

3 学生情绪异常波动风险评估指标

学生情绪异常波动行为是应激源与易感性共同作用的结果,应激源是产生情绪异常波动的外在前提[9],易感性是异常波动的内在前提。学生在日常学习生活中会遭受不同性质与强度的应激源,通过人格、认知模式等媒介的互相作用,最终产生剧烈情绪波动,导致学生具备不同形式的问题行为[10]。

由此看出,应激源、易感性与问题行为均是情绪异常波动风险的主要来源,要纳入风险评估指标中。通常意义来讲,应激源越多,认知模式越消极,社会支持关系越少,因情绪波动导致的问题行为危险系数越高,学生自身风险越大。

综上所述,基于利用大数据技术采集的学生情绪数据集,建立学生情绪异常波动风险评估指标体系。学生情绪异常波动风险评估指标涵盖应激源、易感性与问题行为三个维度,将各维度指标类型记作表1。使用德尔菲技术调查法[11]剔除并降低指标权重分配时的随机性与不确定性,增强风险评估合理性与正确性。

表1 学生情绪异常波动风险评估指标

4 层次分析法下学生情绪异常波动风险评估模型构建

为完成学生情绪异常波动风险的准确评估,学生情绪异常波动风险评估指标的基础上,要全方面考虑学生情绪波动各类评估指标要素,得到最优评估结果。层次分析法是一种定性与定量相融合的多规则决策计算方法,其基本计算思路是在决策目标需求下,融合评估专家的逻辑性评估与定性评估[12],两两对比决策对象与决策准则的优劣情况,得到目标对象全局优劣水平,为数据分析提供参照依据,运算整体过程如图1所示。

图1 层次分析法运算过程

根据以下几个步骤构建层次分析法模型:

第一,在已知风险元素前提下,计算不同元素之间的耦合关系,把上层的元素看作对比标准,并对下个层次的相关因素起到支配作用,创建系统的递进层次架构;

第二,对比同一层次元素与上层次因素的重要性,构建评估矩阵;

第三,使用评估矩阵推算被比较因素在评估指标的对应权重;

第四,计算不同层次因素对评估目标的权重总值,完成预期风险评估任务。

根据层次分析法计算定理,指标权重运算的基础条件是构建评估矩阵并通过一致性测验[13]。遵照1-9标度法,将评估矩阵公式表示为:

(8)

如果评估矩阵不符合一致性检测条件,就要对其进行修改直至满足一致性检测为止,一致性检测[14]解析式为

(9)

其中,CT为评估矩阵的随机性指标,DI是评估矩阵的一致性均值指标,σmax代表评估矩阵O的最大特征根,n为评估矩阵O的阶数。假如CT≤0.1,证明评估矩阵满足一致性检验条件,反之需要重新调整评估矩阵,直到满足CT≤0.1为止。

构建评估矩阵并完成一致性检测后,计算指标权重大小[15],过程如下:

推算出评估矩阵O内各行因素的积bi

(10)

式中,q为矩阵行数,oij为矩阵第i行第j个因素值。

计算bi的n次方根fi

(11)

将指标的权重值表示为

(12)

其中,ωi为第i个指标相对上一层指标的权重,ri为风险指标向量。由此,将评估矩阵O的最大特征值定义为

(13)

式中,U代表风险指标向量ri中的元素。

最终,将学生情绪异常波动风险评估模型表示为

(14)

5 仿真研究

为证明本文异常波动风险评估模型在实际应用中的可靠性,随机选择学校600名在校学生为研究目标进行仿真,学生男女人数各300人。实验平台为MATLAB 2020b,使用本文方法根据实际情况得出学生情绪异常波动的风险指标权重,由于三级指标较为分散,导致其每个指标的权重值会偏小,因此为突出强调指标的全面权重,对一级指标和二级指标的权重进行计算,结果参考表2数据。

表2 不同风险指标的权重计算结果

划分风险等级,从小到大风险程度依次为极低、较低、中等、高、极高五个等级。风险等级越高,证明学生情绪异常状态越严重。将表2权重计算结果代入本文模型,得到该校600名学生情绪异常波动风险评估结果,如图2所示。

图2 本文方法下学生情绪异常波动风险评估结果

观察表2与图2可得出如下结论:该校学生总体情绪异常波动处于中等风险,少数研究对象的情绪异常波动风险较高,从男女性别角度出发可以看到,男生情绪异常波动风险要显著大于女生,这是因为男生荷尔蒙波动较大,更容易产生焦虑、抑郁等情绪障碍。影响学生情绪问题的主要风险指标为学业压力、经济压力和认知模式,这也与该校对学生心理测试的调查结论相符。可以从上述几个层面对学生开展对应的心理咨询辅导,帮助学生尽快解决情绪压力,用更饱满的状态迎接校园生活。

为进一步验证本文方法的普适性,将其与文献[3]构建的基于模糊集和熵的工控系统灰色风险评估模型,文献[4]构建的基于模糊人工神经网络的安全风险评估模型。进行定量仿真,挑选F1(F-measure)值作为评估指标。F1值是一种涵盖准确率与召回率的综合性指标,即准确率与召回率权重相等状况下的平均值,计算过程如式(15)所示。

(15)

其中,PR代表准确率,是数据被正确划分到某类样本的数量和样本总数的比例;RE代表召回率,即被正确划分到某样本的数值和此类样本真实个数的比例。

三种方法风险评估的F1值计算结果如图3所示。

图3 三种方法风险评估的F1值对比

从图3可知,本文方法F1值要远远大于灰色理论法和模糊人工神经网络法,在风险评估精度方面具备显著优势。这是因为本文方法使用大数据技术精准采集学生的细微情绪变化数据,为后续异常波动数据分析与风险评估工作提供有力数据支持。

基于以上实验结果,接下来分析三种方法风险评估及时性,对其评估时间进行仿真验证,实验数量为600次,每100次为一个运算周期,耗时结果取各周期的时间均值,实验结果如图4所示。

图4 不同方法风险评估时间对比

由图4看出,本文方法平均耗时最短,且在实验次数逐渐增多是时耗时较为稳定。此实验结果表明本文方法创建的评估指标复杂度较低,可以大幅提升风险评估效率,帮助班导及时发现和治疗情绪严重失衡的同学。

6 结论

为明确现阶段学生学习的心理状态,本次研究构建了基于大数据的学生情绪异常波动风险评估模型,分析海量学生学习视频进行大数据,获取情绪异常波动核心要素。通过层次分析法计算指标权重与评估矩阵特征值,完成学生情绪异常变化的风险评估,以便尽快发现在校学生可能产生的心理问题,这对提升教学质量和学生身心健康均具备良好的推进作用。