重大突发公共事件冲击下高校大学生心理健康的风险控制

戴钰

摘要：本文参考凯斯勒六项心理疾病量表设置调查问卷获得的样本数据，运用灰色关联分析、贝叶斯网络等方法，分析影响大学生心理健康的主要因素以及风险控制。结果显示：认知风险、环境风险、个人风险和社交风险均会显著地影响大学生心理健康。

关键词：大学生心理健康；灰色关联分析；贝叶斯网络模型

大学阶段是当代大学生知识体系和价值体系形成的关键时期，往往容易受到外界重大突发公共事件冲击的影响，如何有效解决大学生心理健康问题成为各大高校关注的热点话题。栾斐斐和李军海 （2020）[1]、钟梦婷和熊真真 （2020）[2]等学者针对不同地区高校大学生的心理健康展开了相关研究。本文利用灰色关联分析探寻影响大学生心理健康的各因子之间的关系，并构建重大突发公共事件大学生心理健康的评估指标体系，运用逻辑回归算法对其信度和效度加以验证。通过贝叶斯网络的正向逆向推理找出各项情绪压力的主要原因。利用贝叶斯网络对各风险因素进行监测以找到最佳的风险防控方法，同时提出构建多层级风险预警系统以及时发现心理异常学生并予以治疗。

一、大学生心理健康状况的影响因素分析

灰色关联分析规避了大部分回归分析只适用于少因素和线性回归的情况，用关联度来分析某一系统的多种影响因素及其影响的具体数值，从而能够找到这一系统的主要影响因素及次要影响因素，并对影响的关联性进行排序 （杨柳等，2020）。[3]首先，确定研究对象和参考数列；其次，对参考数据及收集的数据进行无量纲化处理；最后，根据公式计算关联系数ξ1和关联度ri，以緊张 （Nervous）、没有希望 （Hopeless）、不安或烦躁 （Uneasy）、不能愉快起来 （Unhappy）、做事费劲 （Hard）和没有价值 （Unworthiness）6种心理症状为因变量，以疫情信息关注度 （Attention）、鉴别信息真伪情况 （Identify）、安全知识掌握 （Knowledge）、居住地区 （Live place）、居住地风险 （Infection Risk）、家庭关系 （Relationships）、性别 （Sex）、年级 （Grade）、专业 （Major）、健康水平 （Health）为自变量，进行灰色关联分析，结果详见表1。

由表1可以看出，不同影响因素对6种心理症状的影响存在差异，年级、健康水平和专业与6种心理症状的关联性一直处于前三位，这三个因素是大学生心理健康问题的主要因素；而性别和居住地风险与6种心理症状的关联性一直处于最后两位，在10种影响因素中两者对大学生心理健康问题影响较弱。这表明大学生本身的基本情况对其心理健康的影响有主导作用。

二、贝叶斯网络检测模型构建及仿真分析

（一）节点和贝叶斯网络构建

根据前文对指标体系的构建，本文的贝叶斯网络全面风险监测系统中的节点分为两类：一类是风险节点，另一类是结果节点。在确定了基本传导结构后，需要对各个节点进行分类设置和概率赋值，其中，指标层风险节点的程度划分即为调查问卷中的选项分支，各个程度的概率即为调查问卷数据中各个选项分支的概率。准则层的风险程度的划分为人为操作 （将各自辖下的影响因子加权并按照合适的区间进行划分），而各个程度的概率为条件概率，由贝叶斯网络模型根据调查问卷数据进行自主学习并拟合计算。结果节点的程度划分为调查问卷中的选项分支，按照各个程度的概率同样为条件概率，由贝叶斯网络模型根据调查问卷数据进行自主学习并拟合计算，由贝叶斯网络进行拟合计算的先验概率详见表2。

由此得到最终整个贝叶斯网络风险监测模型的网络拓扑结果 （详见图1）。

（二）风险监测模型的仿真分析

1.风险监测系统分析

本文基于原始数据运用其进行正向、逆向推理从而实现对大学生心理健康风险的诱因监测，先是通过贝叶斯网络的正向逆向推理找出各项情绪压力的主要原因；然后按照样本数据各个分支的频率随机生成5个测试数据集，同时将综合情绪压力大于27的样本剔除作为第6个数据集；最后将6个数据集带入贝叶斯网络模型测试其精度，以验证本文构建的贝叶斯模型的有效性和稳健性。按照贝叶斯网络的正向推理，绘制表格详见表3。

由表3可见，各项情绪压力的概率变化，可以确定10项影响因子均为疫情环境下大学生产生心理健康问题的诱因，认知风险、环境风险、个人风险、社交风险均会影响大学生的心理健康，并且通过该贝叶斯网络模型可以预测当不同影响因子发生变化后给大学生心理健康带来的风险。

2.稳健性检验

本文进行仿真分析以检验该贝叶斯网络模型的有效性和稳健性，具体结果详见表4。其中 （1）- （5）列分别代表5个模拟数据集带入贝叶斯网络模型中时，各个父节点的准确程度，这5个测试用的模拟数据集均通过python软件结合各个问题答案分支的频率随机生成，并保证了变量之间一定程度上的匹配，以测试模拟数据集的准确程度作为鉴定该贝叶斯网络模型的有效性检验标准。

而 “稳健”代表剔除情绪压力总值 （6项心理疾病数值的和）在27及以上的样本个例后，带入贝叶斯网络模型各个父节点的准确程度，即本文设置的稳健性检验，其中情绪压力总值为27的样本数有72个，情绪压力总值为28的样本数有35个，情绪压力总值为27的样本数有11个，这些样本个体至少经常受到三种情绪压力的困扰，很有可能存在一些本身存在一定程度精神疾病的个体 （心理健康与疫情下的特定影响因素不相干），因此，本文将其视为极端值并进行剔除，作为稳健性检验的思路。

根据表4可以发现，在5份测试数据集中，10项父节点的拟合准确率大部分在60%以上，除性别和年级以外，该贝叶斯网络对5份测试数据集的准确率在60%左右至90%左右不等，但该贝叶斯网络对性别和年级的信息提取效率较低，因此在各项测试数据集中的拟合优度较差。

（三）大学生心理健康预警体系构建及分析

通过贝叶斯网络的正向推理后，本文基于贝叶斯网络的逆向推理对各项情绪压力的主要诱因进行追溯，通过监控情绪压力最大值下各个风险因素的变动趋势来找到最佳的风险防控方法，结果详见表5。

表5显示，当将不同情绪压力控制在最大时，各个影响因素的后验概率对比基准的先验概率发生了变化，可以发现大学生对事件的关注程度、信息真伪的鉴别情况、安全防护知识的掌握程度均普遍有所下降；家庭关系和健康水平对情绪压力的影响同样很大而且相对稳定，亲子关系和身体素质在大学生的心理健康引导中扮演着重要的角色，认知风险下的三项影响因子的概率变化相对较小但仍然不容忽视。

三、结束语

本文结合重大突发公共事件背景下影响大学生心理健康的因素进行分析，发现学生自身素质与其心理健康的灰色关联度最大，其他影响因子包括对事件关注度、鉴别信息真伪能力、防护知识掌握程度；基于所寻找的影响因素进行指标体系构建，并利用机器学习的逻辑回归算法对其的信度和效度进行检验，验证结果显示该指标体系的准确率为88.5%；利用贝叶斯网络的正向推理找出各项情绪压力的主要原因，结果发现认知风险、环境风险、个人风险和社交风险均会显著地影响大学生心理健康。

参考文献：

[1] 栾斐斐，李军海.新型冠状病毒肺炎疫情对大学生心理健康的影响研究[J].心理月刊，2020，15（17）：56-57+60.

[2] 钟梦婷，熊真真.新型冠状病毒肺炎期间在校大学生心理状况及影响因素研究[J].成都医学院学报，2020，15（02）：163-168.

[3] 杨柳，罗文倩，邓春林，等.基于灰色关联分析的舆情分级与预警模型研究[J].情报科学，2020，38（08）：28-34.