重大突發公共事件沖擊下高校大學生心理健康的風險控制

戴鈺

摘要：本文參考凱斯勒六項心理疾病量表設置調查問卷獲得的樣本數據，運用灰色關聯分析、貝葉斯網絡等方法，分析影響大學生心理健康的主要因素以及風險控制。結果顯示：認知風險、環境風險、個人風險和社交風險均會顯著地影響大學生心理健康。

關鍵詞：大學生心理健康；灰色關聯分析；貝葉斯網絡模型

大學階段是當代大學生知識體系和價值體系形成的關鍵時期，往往容易受到外界重大突發公共事件沖擊的影響，如何有效解決大學生心理健康問題成為各大高校關注的熱點話題。欒斐斐和李軍海 （2020）[1]、鐘夢婷和熊真真 （2020）[2]等學者針對不同地區高校大學生的心理健康展開了相關研究。本文利用灰色關聯分析探尋影響大學生心理健康的各因子之間的關系，并構建重大突發公共事件大學生心理健康的評估指標體系，運用邏輯回歸算法對其信度和效度加以驗證。通過貝葉斯網絡的正向逆向推理找出各項情緒壓力的主要原因。利用貝葉斯網絡對各風險因素進行監測以找到最佳的風險防控方法，同時提出構建多層級風險預警系統以及時發現心理異常學生并予以治療。

一、大學生心理健康狀況的影響因素分析

灰色關聯分析規避了大部分回歸分析只適用于少因素和線性回歸的情況，用關聯度來分析某一系統的多種影響因素及其影響的具體數值，從而能夠找到這一系統的主要影響因素及次要影響因素，并對影響的關聯性進行排序 （楊柳等，2020）。[3]首先，確定研究對象和參考數列；其次，對參考數據及收集的數據進行無量綱化處理；最后，根據公式計算關聯系數ξ1和關聯度ri，以緊張 （Nervous）、沒有希望 （Hopeless）、不安或煩躁 （Uneasy）、不能愉快起來 （Unhappy）、做事費勁 （Hard）和沒有價值 （Unworthiness）6種心理癥狀為因變量，以疫情信息關注度 （Attention）、鑒別信息真偽情況 （Identify）、安全知識掌握 （Knowledge）、居住地區 （Live place）、居住地風險 （Infection Risk）、家庭關系 （Relationships）、性別 （Sex）、年級 （Grade）、專業 （Major）、健康水平 （Health）為自變量，進行灰色關聯分析，結果詳見表1。

由表1可以看出，不同影響因素對6種心理癥狀的影響存在差異，年級、健康水平和專業與6種心理癥狀的關聯性一直處于前三位，這三個因素是大學生心理健康問題的主要因素；而性別和居住地風險與6種心理癥狀的關聯性一直處于最后兩位，在10種影響因素中兩者對大學生心理健康問題影響較弱。這表明大學生本身的基本情況對其心理健康的影響有主導作用。

二、貝葉斯網絡檢測模型構建及仿真分析

（一）節點和貝葉斯網絡構建

根據前文對指標體系的構建，本文的貝葉斯網絡全面風險監測系統中的節點分為兩類：一類是風險節點，另一類是結果節點。在確定了基本傳導結構后，需要對各個節點進行分類設置和概率賦值，其中，指標層風險節點的程度劃分即為調查問卷中的選項分支，各個程度的概率即為調查問卷數據中各個選項分支的概率。準則層的風險程度的劃分為人為操作 （將各自轄下的影響因子加權并按照合適的區間進行劃分），而各個程度的概率為條件概率，由貝葉斯網絡模型根據調查問卷數據進行自主學習并擬合計算。結果節點的程度劃分為調查問卷中的選項分支，按照各個程度的概率同樣為條件概率，由貝葉斯網絡模型根據調查問卷數據進行自主學習并擬合計算，由貝葉斯網絡進行擬合計算的先驗概率詳見表2。

由此得到最終整個貝葉斯網絡風險監測模型的網絡拓撲結果 （詳見圖1）。

（二）風險監測模型的仿真分析

1.風險監測系統分析

本文基于原始數據運用其進行正向、逆向推理從而實現對大學生心理健康風險的誘因監測，先是通過貝葉斯網絡的正向逆向推理找出各項情緒壓力的主要原因；然后按照樣本數據各個分支的頻率隨機生成5個測試數據集，同時將綜合情緒壓力大于27的樣本剔除作為第6個數據集；最后將6個數據集帶入貝葉斯網絡模型測試其精度，以驗證本文構建的貝葉斯模型的有效性和穩健性。按照貝葉斯網絡的正向推理，繪制表格詳見表3。

由表3可見，各項情緒壓力的概率變化，可以確定10項影響因子均為疫情環境下大學生產生心理健康問題的誘因，認知風險、環境風險、個人風險、社交風險均會影響大學生的心理健康，并且通過該貝葉斯網絡模型可以預測當不同影響因子發生變化后給大學生心理健康帶來的風險。

2.穩健性檢驗

本文進行仿真分析以檢驗該貝葉斯網絡模型的有效性和穩健性，具體結果詳見表4。其中 （1）- （5）列分別代表5個模擬數據集帶入貝葉斯網絡模型中時，各個父節點的準確程度，這5個測試用的模擬數據集均通過python軟件結合各個問題答案分支的頻率隨機生成，并保證了變量之間一定程度上的匹配，以測試模擬數據集的準確程度作為鑒定該貝葉斯網絡模型的有效性檢驗標準。

而 “穩健”代表剔除情緒壓力總值 （6項心理疾病數值的和）在27及以上的樣本個例后，帶入貝葉斯網絡模型各個父節點的準確程度，即本文設置的穩健性檢驗，其中情緒壓力總值為27的樣本數有72個，情緒壓力總值為28的樣本數有35個，情緒壓力總值為27的樣本數有11個，這些樣本個體至少經常受到三種情緒壓力的困擾，很有可能存在一些本身存在一定程度精神疾病的個體 （心理健康與疫情下的特定影響因素不相干），因此，本文將其視為極端值并進行剔除，作為穩健性檢驗的思路。

根據表4可以發現，在5份測試數據集中，10項父節點的擬合準確率大部分在60%以上，除性別和年級以外，該貝葉斯網絡對5份測試數據集的準確率在60%左右至90%左右不等，但該貝葉斯網絡對性別和年級的信息提取效率較低，因此在各項測試數據集中的擬合優度較差。

（三）大學生心理健康預警體系構建及分析

通過貝葉斯網絡的正向推理后，本文基于貝葉斯網絡的逆向推理對各項情緒壓力的主要誘因進行追溯，通過監控情緒壓力最大值下各個風險因素的變動趨勢來找到最佳的風險防控方法，結果詳見表5。

表5顯示，當將不同情緒壓力控制在最大時，各個影響因素的后驗概率對比基準的先驗概率發生了變化，可以發現大學生對事件的關注程度、信息真偽的鑒別情況、安全防護知識的掌握程度均普遍有所下降；家庭關系和健康水平對情緒壓力的影響同樣很大而且相對穩定，親子關系和身體素質在大學生的心理健康引導中扮演著重要的角色，認知風險下的三項影響因子的概率變化相對較小但仍然不容忽視。

三、結束語

本文結合重大突發公共事件背景下影響大學生心理健康的因素進行分析，發現學生自身素質與其心理健康的灰色關聯度最大，其他影響因子包括對事件關注度、鑒別信息真偽能力、防護知識掌握程度；基于所尋找的影響因素進行指標體系構建，并利用機器學習的邏輯回歸算法對其的信度和效度進行檢驗，驗證結果顯示該指標體系的準確率為88.5%；利用貝葉斯網絡的正向推理找出各項情緒壓力的主要原因，結果發現認知風險、環境風險、個人風險和社交風險均會顯著地影響大學生心理健康。

參考文獻：

[1] 欒斐斐，李軍海.新型冠狀病毒肺炎疫情對大學生心理健康的影響研究[J].心理月刊，2020，15（17）：56-57+60.

[2] 鐘夢婷，熊真真.新型冠狀病毒肺炎期間在校大學生心理狀況及影響因素研究[J].成都醫學院學報，2020，15（02）：163-168.

[3] 楊柳，羅文倩，鄧春林，等.基于灰色關聯分析的輿情分級與預警模型研究[J].情報科學，2020，38（08）：28-34.