基于社交媒體大數據的大學生心理危機預警

李彤彤 李坦 郭栩寧

摘要：因心理問題所引發的大學生自殺、犯罪等惡性事件呈逐年上升趨勢，大學生心理危機成為社會各界關注的焦點。心理危機預警是心理健康教育的關鍵環節，而當前普遍采用的基于臨床診斷量表的心理危機篩查方法存在誤差大、效率低、時效性差等問題。社交媒體大數據為實時、準確地進行大學生心理危機篩查提供了新的思路，心理學相關研究也表明可以通過情緒變化來預測心理危機。基于此構建的大學生心理危機預警模型及其算法以應激事件和人格特質計算為基礎，通過分析個體不同類型情緒的強度和閾值判斷其情緒表現，進而基于時間序列上情緒的變化對其面臨的心理危機風險水平進行測算，從而實現對大學生心理危機的預警。仿真實驗結果表明，該方法可以反映出大學生在遭受應激事件時的情緒變化過程，能夠對其心理危機進行有效預警。

關鍵詞：心理健康教育;心理危機預警;社交媒體大數據;應激事件;人格特質

中圖分類號：G434? ?文獻標識碼：A? ? 文章編號：1009-5195（2021）04-0092-12? doi10.3969/j.issn.1009-5195.2021.04.010

基金項目：2017年度國家社會科學基金青年項目“基于社交媒體大數據的大學生心理危機預警機制研究”（17CSH043）。

作者簡介：李彤彤，博士，副教授，碩士生導師，天津師范大學教育學部教育技術系（天津 300387）;李坦、郭栩寧，碩士研究生，天津師范大學教育學部教育技術系（天津 300387）。

一、引言

當前，由于心理問題所引發的大學生自殺、犯罪等惡性事件呈逐年上升趨勢，給高校日常管理、大學生全面健康發展、家庭及社會穩定等帶來了極為嚴重的負面影響，大學生心理危機已然成為社會各界關注的焦點。心理危機是個體或群體在其心理能力不足以面對困難情境時產生的，可能會引發對自身、他人或社會造成嚴重危害的短暫緊急性心理失衡狀態（姜土生等，2013）。心理危機會嚴重影響大學生的學業與生活，進而引發各種惡性事件。

國內外大多數學者認同“大學生心理危機可防可控”的觀點。高校在心理危機的防控上主要采用兩種方式：一是通過通識課程培養學生健康的心理素質;二是通過主動報告、量表測量、心理咨詢等方式發現學生的心理問題，再有針對性地采取防范措施減少危機發生。第二種方式就是心理危機預警，其本質是對心理危機進行早期預測。及時正確地篩查出存在心理健康問題的學生，并實施不同級別的關注和監護是高校學生心理危機預警的重點和難點。目前我國大部分高校尚未建立規范系統的大學生心理危機預警機制;關于大學生心理危機預警的研究也大多停留在理論階段，欠缺可操作的方法;而且普遍采用的“基于臨床診斷量表進行統計分析”的心理危機篩查方法又存在測量誤差大、指標單一、效率低、時效性差等問題。因此，亟需構建一種具有可操作性、科學性、時效性的大學生心理危機預警方法來應對以上問題。

社交媒體（如微信、微博等）的廣泛應用，以及大數據技術的發展為解決上述問題提供了新的思路。當前，社交媒體已經成為大學生記錄生活、表達觀點、分享交流的主要途徑，能夠反映大學生的真實狀態。真實、準確、及時的社交媒體大數據樣本為大學生心理危機篩查方法變革帶來了新的契機。大數據技術可以通過記錄社交媒體上大學生的日常行為數據來分析他們的心理狀態及特征，及時發現個體存在的心理健康風險，有利于大學生心理危機的早發現、早干預。本研究立足于深度挖掘具有真實性、實時性的社交媒體大數據，基于心理學的應激反應理論和人格理論建立心理危機預警模型，設計相應算法并進行仿真實驗，以期為應用大數據進行大學生心理危機預警提供一定的參考。

二、研究綜述

大學生心理危機預警方法從技術發展視角可以分為三種：傳統預警方法、信息化系統輔助預警、大數據技術輔助預警。

1.傳統預警方法

早期對于心理危機的篩查普遍采用“基于臨床診斷量表進行統計分析”，該方法主要依據心理學相關理論確定預警指標，開發設計量表，再由大學生本人主動或被動填寫量表，進而通過數據統計分析判斷學生的心理危機狀態。針對不同類型的危機狀態現今都有相應的測量量表。針對自殺意念的測量，典型量表有Beck等（1979）研發的自殺意念量表（Scale for Suicide Ideation，SSI-C）、Reynolds（1991）設計的成人自殺意念問卷（Adult Suicidal Ideation Questionnaire，ASIQ）、Cull等（1982）編制的自殺可能性量表（Suicide Probability Scale，SPS）等。針對抑郁癥狀測量，典型量表有抑郁癥狀自評量表（Symptom Checklist 90，SCL-90）（Beck et al.，1961）、漢密爾頓抑郁量表（Hamilton Depression Scale，HAMD）（Hamiton，1960）等。針對焦慮癥狀測量，典型量表有漢密爾頓焦慮量表（Hamilton Anxiety Scale，HAMA）（Hamiton，1959）、焦慮自評量表（Self-Rating Anxiety Scale，SAS）（Zung，1971）、狀態—特質焦慮問卷（State-Trait Anxiety Inventory，STAI）（Spielberger et al.，1970）等。早期“基于臨床診斷量表進行統計分析”的心理危機篩查，其數據大都來自紙質問卷調查，多為靜態的、實驗性的數據，存在測量誤差大、指標單一、效率低、時效性差等問題。

2.信息化系統輔助預警

隨著計算機、互聯網等信息技術的不斷發展，數字化智能云平臺已經滲透到高校管理的方方面面，應用信息化系統進行預警也已成為高校常態化的心理危機管理方式。教育部普通高等學校學生心理健康教育專家指導委員會組織研發的“中國大學生心理健康測評系統”現已被多所高校試用，也有許多高校自主開發了大學生心理健康普查平臺。借助這些系統對大學生進行心理普查，克服了傳統的紙筆心理測試存在的耗時、費力、統計結果準確性低及信息反饋滯后等缺陷。但由于心理普查具有“篩查問題”的導向性（邱亞飛等，2020），大學生常常因為害怕被貼上“有心理問題”的負面標簽而對此產生抵觸心理，不會如實進行信息填寫，也致使心理普查結果不準確。除了專門的心理普查系統外，許多高校還同時使用學生信息管理系統輔助心理危機的發現，如設立線上咨詢、線下排查通道來督促學生主動完善心理管理信息，綜合學生在校期間所遭遇的應激事件、參與的心理普查等數據，以此打破心理檔案內容單一的僵局（錢春霞等，2015）。

信息化系統與傳統紙筆心理測試相比，準確性和效率都有所提高，但是現有系統大都只能客觀地記錄學生心理健康狀態指標，數據處理大多停留在簡單統計、存取、備份、查詢等層面，數據并未得到充分利用。

3.大數據技術輔助預警

隨著大數據技術的發展，研究者開始嘗試將大數據技術用于心理危機預警。學生信息系統中積累的大量數據，以及學生在社交媒體上產生的數據，為心理危機預警提供了豐富的數據資源和廣闊的挖掘空間。針對高校學生信息系統或心理健康測評系統等平臺上的數據，國內外研究者開始采用一些數據挖掘技術，如決策樹、關聯規則、神經網絡等，進行心理危機發現與預測等。例如魯瑋（2019）通過決策樹C4.5算法建立了抑郁癥決策模型，發現學生抑郁與性別、戶口、家庭情況以及是否獨生子女有關;通過關聯規則算法對不同特征數據間的關系進行挖掘，發現具有軀體化障礙的學生同時伴有抑郁、敵對等癥狀。梁娟等（2018）使用關聯規則算法（Apriori算法）對學生信息管理系統中的數據進行分析，發現大學生的焦慮、抑郁、自殺傾向等心理危機關聯度較為緊密。黃中海（2015）利用高校心理普查數據庫中的記錄，分別采用CART決策樹算法、BP神經網絡算法、模式識別網絡算法進行數據挖掘并建立預測模型，發現總分、強迫癥狀得分和偏執癥狀態得分在大學生心理危機預測中的重要性程度較高，CART決策樹算法和模式識別網絡算法在學生心理危機預警上具有較高的準確度。

隨著社交媒體的廣泛應用，越來越多的研究者開始探索通過對社交媒體大數據的分析進行心理危機預警。對于學生在社交媒體上發布的數據，研究者多采用計算機領域的統計分析方法進行分析。如田瑋等（2018）建立了基于多層神經網絡（Multi-Layer

Perception，MLP）的自殺預警模型;楊芳等（2019）結合知識圖譜技術開發了一種自殺監控機器人系統，該系統可以對自殺風險等級進行分析;莊婷婷等（2019）為了解決標注數據集存在數據分布不均勻的問題，提出了一種基于分層支持向量機技術的微博用戶自殺傾向預測算法，實驗發現該預警算法的準確度高達84.8%;白朔天等（2014）為了探究基于社交媒體數據預測用戶抑郁和焦慮心理危機的可能性，通過采集志愿者用戶昵稱、性別、粉絲數等45項微博特征數據訓練多任務回歸算法（Multi-Task Regression），并建立了相應預測模型，該算法在神經質上F值為7.90，在焦慮預測上F值為9.82，在抑郁預測上F值為8.38。

大數據技術在心理危機預警中的運用改善了數據來源少、分析工作量大、耗時長等問題，但是當前基于社交媒體大數據進行心理危機發現的算法多采用計算機領域的統計分析方法，缺乏有效的心理學理論模型支撐，無法真正揭示心理危機的本質。

4.現狀述評

綜上所述，國內外學者一直致力于心理危機預警的研究，也開始采用數據挖掘技術來尋求更精確的預警方法，但是，當前大數據用于心理危機預警的研究仍然處于探索階段，還有一些問題亟待解決：一是當前普遍采用的“基于臨床診斷量表進行統計分析”方法采集的多為靜態的、實驗性的數據，存在測量誤差大、指標單一、效率低、時效性差等問題。二是基于社交媒體大數據進行心理危機預警多針對單一的危機類型，算法多采用計算機領域的統計分析方法，缺乏有效的理論支撐，導致模型的可解釋性較差。

針對當前大學生心理危機預警的現實需求以及現有研究存在的不足，本研究立足于深度挖掘具有真實性、實時性的社交媒體大數據，以期發現或預測可能存在心理危機的學生。為了使模型具備較高的可解釋性，本研究首先基于心理學的應激反應和人格理論建立預警理論模型，再基于理論模型設計分析算法，并在此基礎上進行仿真實驗。相比傳統的預警機制，基于社交媒體大數據的心理危機預警具有可操作性和實效性強的特點，能夠在一定程度上提高預警的有效性和準確性，從而有助于減少大學生因心理危機導致的自殺、犯罪等行為。同時，該方法也可以為高校大學生心理危機管理提供直接支持，并為區域及國家層面實施相關的心理危機管理提供工具范例，對于心理危機管理有著重要的現實意義。

三、理論依據及模型構建

1.心理危機預警的理論依據

（1）應激反應理論

心理危機是一種個體自身運用尋常方式不能應對所遭遇的內外困擾時的心理反應。它一般發生于個體遇到無法避免的、強度較大的應激事件時，經個體評價后認為該應激事件會對個體的地位、安全產生危害，并在動用個體所具備的應對手段全部失敗后，個體會產生明顯的急性情緒、認知及行為上的功能紊亂（李祚等，2012）。這里提到的應激事件又稱生活事件，是引起應激的刺激，也就是應激的起因，它主要有四種類型：軀體性事件、心理性事件、文化性事件和社會性事件（曾紅，2012）。軀體性事件是指直接作用于個體機體從而產生應激的事件，如高溫、疾病或機體遭受打擊等;心理性事件是指由于心理沖突導致應激的事件，如對某次考試成績有過高的期待等;文化性事件是指由于生活方式、宗教信仰等改變導致應激的事件，如留學海外等;社會性事件是指由于社會事件引起的應激，如社會動亂、人際關系緊張等。對于應激反應（應激所產生的結果）的類型，Lazarus等（1984）將其分為生理、心理和行為反應三類。其中，心理反應一般包括情緒反應和認知反應，常見的情緒反應有焦慮、恐懼、抑郁、憤怒等;常見的認知反應有偏執、反復沉思、否認、選擇性遺忘等。生理反應主要指由于應激事件引起的血壓、呼吸等生理指標變化（姜乾金，2010）。行為反應一般包括逃避、退化、敵對、自憐等。

由應激事件引發應激反應會經歷一定的過程，基于此Horowitz提出了應激反應的階段模型，如圖1所示。該模型將應激反應過程分為5個階段，分別是驚叫、否認、侵入、不斷修正和結束。臨床上經常觀察到的是否認和侵入兩個階段的狀態，而其他應激反應狀態是否出現、表現程度如何以及表現順序怎樣等均因人而異。否認階段通常有情緒麻木、概念回避及行為束縛等綜合癥狀;侵入階段則是應激性事件直接的、符號性的、觀念性的或情感性的反復再現或閃回，比如有關應激事件的夢魘、反復的自發映像或其他事件派生的吃驚反應（李祚等，2012）。當應激反應過強或持續時間過長，就會導致個體出現病理學癥狀，如驚慌、筋疲力盡甚至自殺等危機狀態。

有研究表明，應激事件所引起的應激反應主要是心理反應，而心理反應主要體現在情緒反應上，其不僅指遇到不能應對的應激事件時的負面情緒，還指當可以解決應激事件時所產生的積極情緒（曾紅，2012）。當人與所處的環境不能保持平衡時，個體對所處的不平衡狀態評價后認為該狀態會對自身安全、地位等產生威脅時便會進入應激狀態;當個體缺乏相應的社會支持、缺少應對技巧時便會產生諸多情緒問題，如緊張、焦慮、抑郁等;由于個體無法承受極度緊張和焦慮，可能會發生情緒崩潰或想尋求解脫，由此便會導致情緒失衡，從而進入危機狀態（李祚等，2012）。通過以上分析可以得出，情緒是心理危機可能發生的直接表現，情緒變化劇烈或負面情緒持續時間過長都有可能標志著學生進入了危機狀態。因此，通過識別并持續觀測那些情緒劇烈變化、負面情緒持續時間較長的學生，是發現心理危機的一種可行方法。

（2）人格理論

應激事件是個體產生情緒反應的外部誘因，然而，面對相同的應激事件時，每個個體的應對方式是不同的，所產生的情緒反應也會不同，這在很大程度上受個體人格特質的影響。大量實證研究表明，人格是影響情緒表達的重要因素（Watson et al.，1984;Zelenski et al.，1999;Martin et al.，2000;Lucas et al.，2001）。同時研究也證實，心理危機與個體人格存在一定關系（邱鴻鐘，2009）。人格特質也被稱為個性特征，是決定一個人行為和思想的內部身心系統的動力組織（Miwa et al.，2001）。不同的心理學家提出了不同的人格模型，其中被普遍認可的是“大五”人格模型（The Big Five）（Corr et al.，2009）。“大五”人格模型將人格劃分為開放型、謹慎型、外傾型、宜人型以及神經質型5類。開放型人格特征的人富有想象力、感情豐富、具有創造性等特點;謹慎型人格特征的人具有公正、謹慎、克制等特點;外傾型人格的人具有熱情、果斷、冒險以及客觀等特點;宜人型人格的人具有信心、直率、依從等特點;神經質型人格的人具有焦慮、敵對、沖動等特點。人格特質是學生產生個性化情緒變化的內因，如具有開放型人格的學生面對挫折時表現得更樂觀，會更積極地去解決困難;具有神經質人格的學生在面對相同挫折時則容易表現得消極。

2.心理危機預警模型構建

根據以上理論分析可知，情緒反應是心理危機的直接表現，因此，可以通過持續觀測情緒來預警心理危機。本研究所述的社交媒體大數據主要是指學生發布在社交媒體上的文本、圖片等，基于此進行的直接情緒觀測（如計算機領域的文本情感分類方法）往往不夠準確。而人格特質和應激事件是情緒變化的內外誘因，因此，本研究提出基于應激事件和人格來預測情緒，構建了如圖2所示的基于社交媒體大數據的心理危機預警模型。通過對不同類型情緒的情緒強度與情緒閾值的計算判斷情緒表現，同時基于時間序列上情緒的變化來判斷學生所面臨的心理危機風險水平。如果情緒強度過強（情緒變化劇烈）或負向情緒持續時間過長，都表明該學生存在心理危機風險。

（1）數據源層

據中國互聯網絡信息中心（CNNIC）統計，大學生所處的年齡段群體使用最多的社交應用之一是新浪微博（中國互聯網絡信息中心，2017）。新浪微博中累積了大量具有客觀性、時效性的用戶數據，同時其數據可以通過API獲得，因此本研究主要從該社交媒體獲取數據。學生在新浪微博中的數據一般包括兩類：一類是靜態數據，如學校信息、昵稱、出生年月、興趣領域等;另一類是動態數據，主要是學生發布的博文。通過新浪微博提供的API，可以對上述學生數據進行采集，通過數據預處理將其整理成統一數據格式（json或xml等）存儲在數據庫中，為基礎計算層提供數據支持。

（2）基礎計算層

基礎計算層主要包括兩類計算：

一是應激事件計算。應激事件計算是對學生發布在社交媒體中的文本進行分析，識別學生所表達的相關應激事件。Holmes等（1967）編制的LCU（Life Change Units）量表將應激事件分為43種基本類型;張明圓等（1987）結合LCU量表研究了不同生活事件對中國人的影響，進一步提出了LEU（Life Events Units）量表，該量表將生活事件分為65種類型，并分別給出了青年、中年、更年以及老年四個年齡階段的LEU值。大學生處于青年時期，因此，本研究結合LEU量表的青年組數據，從中選擇出了15個高校學生目前較可能面臨的應激事件，分別為：父母死亡、父母離婚、開除、家屬重病、失戀、突出成就榮譽、重病外傷、開始戀愛、行政紀律處分、升學就學受挫、入黨入團、退學、留級、入學或就業困難以及學習困難。本研究采用詞典法進行應激事件計算，首先依據心理學的相關研究，將學生在社交媒體中的文本表述方式（詞語、語境）和應激事件對應起來，以構建學生應激事件詞典。為了提升詞典準確率和構建效率，本研究首先通過人工手段篩選出與應激事件直接相關聯的詞匯，其次采用騰訊AI實驗室構建的詞向量模型（Yan et al.，2018）識別與人工提取詞匯具有相似含義的其他詞匯，最后人工剔除不符合要求的詞匯，結果如表1所示。在實際計算中，如果微博文本中含有該詞典中某個詞語，則認為該文本表達出相應的應激事件。以學習困難為例，詞典中對應的詞語和微博文本示例如表2所示。

二是人格計算。多項研究發現，人格會影響用戶在社交媒體中的行為模式（Ross et al.，2009;Back et al.，2010）。因此通過對社交媒體中用戶數據的采集和計算，可以分析出大學生的人格類型。利用深度學習方法，通過對學生在社交媒體中的各項數據的綜合分析，可以計算出學生的人格特征。當前在中文社交媒體中基于“大五”人格模型進行的人格計算已有相關研究，本研究采用Wei等（2017）提出的HIE（Heterogeneous Information Ensemble）處理框架進行人格計算，該框架以“大五”人格為標準，基于微博文本、用戶頭像、表情以及交互形式等多維數據，通過深度學習方法，提取出不同特征的語義信息，隨后基于堆疊泛化方法對來自不同特征的語義信息進行集成，最后形成一個人格類型的預測結果。

（3）情緒計算層

在總結前人研究的基礎上，本研究提出了基于人格和應激事件的情緒計算算法，該算法的核心思想在于：首先，基于人格計算和應激事件計算得出某時刻學生各種情緒類型所分別對應的情緒強度值;其次，根據學生的人格特質估算出其正向和負向情緒表現的閾值;最后，判斷各種情緒的情緒強度是否超出相應閾值，以此來判斷該學生表達出了哪些或哪項情緒。該算法中，情緒類型采用Ekman等（1971）的情緒分類方法，將情緒分為厭惡、憤怒、驚奇、恐懼、高興和悲傷6種類型，其中厭惡、憤怒、恐懼、悲傷為負向情緒，驚奇、高興為正向情緒。

情緒強度計算。情緒強度是指人對事物所產生的選擇傾向性（邢云菲等，2018），結合人格計算和應激事件計算的結果，可以計算出某時刻學生6種情緒類型分別對應的情緒強度值。情緒強度值分布在[-1，1]區間，其中正向情緒分布在[0，1]區間，負向情緒分布在[-1，0）區間。

情緒閾值估算。Izard等（1993）的研究表明，每個人都存在情緒激活閾值，當情緒強度超過該閾值時，個體的情緒便可表現出來。對于情緒閾值的計算，已有研究大多設定為某一常數值。本研究創新性地提出根據學生的人格特質估算出其正向和負向情緒表現的閾值，并根據情緒強度是否超出該閾值來判斷該學生是否將某項情緒表達出來。因此，對各種情緒類型的強度計算，是判斷學生是否表達該類情緒的重要依據。

（4）危機預警層

本研究采用對情緒持續觀測的方式，根據時間序列上的變化來判斷有無心理危機的風險。研究主要通過觀測來發現以下兩種情況：一是情緒的劇烈變化，即短時間內從正向情緒變為負向情緒或由負向情緒變為正向情緒;二是負向情緒持續過久。因此，本研究提出了考慮預警值和持續時間的雙監測方法，來判斷學生的危機風險水平。結合連續時間序列上各種類型情緒的變化過程（如“憤怒”情緒持續表達）或者相鄰時間內情緒強度變化（從正向情緒跌落至極度負向情緒）計算出相應處于[0，1]區間的預警值，并以五級預警信號體系可視化呈現出來，如表3所示，越靠近1，表示危險程度越高。由于大學生微博行為（如發帖等）的頻次會對情緒劇烈變化和負向情緒持續時間的計算產生影響，因此，本研究規定時間序列的間隔以天為單位，如果學習者一天內的發帖次數超過兩次，則分別以情緒值最大值作為當天的正負情緒值。

四、算法設計

本研究結合心理學領域知識以及機器學習算法進行建模分析，可以規避單純使用機器學習算法存在的概率問題。在總結前人研究以及情緒心理學理論基礎上，改進了情緒預測算法并提出一種情緒閾值估算方法。算法結構如圖3所示。

以矩陣E表示情緒類型，E=[edis，eang，esur，efea，ejoy，esad]，分別表示厭惡、憤怒、驚奇、恐懼、高興以及悲傷6種情緒。L表示應激事件對不同情緒的刺激大小，L=[l1，l2…，lk]，表示應激事件對k個情緒的刺激強度。令矩陣P表示人格類型，P=[po，pc，pe，pa，pn]，分別表示開放型、謹慎型、外傾型、宜人型以及神經質型的空間分布位置。如人格空間為P=[0.8，0.2，0.7，0.5，0]的學生具有開放型人格，面對困難時能以樂觀的心態克服困難。令It表示t時刻情感強度的集合，It=[iedis，t，ieang，t，iesur，t，iefea，t，iejoy，t，iesad，t]，分別表示厭惡、憤怒、驚奇、恐懼、愉悅以及悲傷6種情緒在t時刻的情緒強度。令Ω為情緒閾值矩陣，Ω=[ωpos，ωneg]，其中ωpos表示正向情緒的閾值，ωneg表示負向情緒的閾值。

Ψ（）表示情緒衰減函數，Θ（）表示應激事件影響函數，Φ（）表示人格影響函數，f（）表示情緒計算函數，g（）表示預警函數。Iei，t表示t時刻第i個情緒的情緒強度值，衰減函數Ψ（）與t-1時刻第i個情緒的情緒強度值Iei，t-1有關;應激事件影響函數Θ（）與t時刻個體所遭受的應激事件刺激大小L有關;人格影響函數Φ（）表示人格因素對情緒強度的影響分量，由于個體的人格較為穩定（伯格，2010），通常是常量，因此，本文假設在一段時間內人格對情緒造成的影響是一組恒定的向量值;情緒計算函數f（）綜合t時刻的情緒強度Iei，t與情緒閾值，判定某項情緒是否被激活。心理危機預警函數g（Ei，t）則是根據計算出的各類型情緒強度值和時間序列值，計算出學生心理危機等級。

1.情緒衰減函數

情緒心理學研究表明，情緒強度是一個隨時間變化的量，根據情緒強度第三定律（情緒強度衰減定律）（仇德輝，2001），情緒強度衰減實際上和指數函數y=e-λ相似，即情緒強度隨時間會衰減。當在t時刻時，情緒強度受t-1時刻的影響，λ稱為衰減因子，λ越大，情緒強度衰減越快。因此，情緒衰減函數可定義為Ψ（Ien，t）=Ien，t-1e-λ，其中，n={dis，ang，sur，fea，joy，sad}。

2.應激事件影響函數

應激事件是情緒產生變化的直接因素，因此

Θ（Lk，Ien，t）=[Lk，Iedis，t，Lk，Ieang，t，Lk，Iesur，t，Lk，Iefea，t，Lk，Iejoy，t，Lk，Iesad，t]，其中，Lk，Ien，t表示第k個應激事件對第n個情緒的影響量。

3.人格影響函數

一個人的人格是相對穩定的，因此，在一段時間內，由人格對情緒產生的影響可以認為是一個確定的分量。研究表明，由人格很難直接推斷其對情緒的影響。為了構建人格與情緒之間的關系，2002年有學者提出了一種“性格—心情—情緒—表情”模型（Kshirsagar，2002），隨后Gebhard提出了“人格—心情—情緒”模型（Gebhard，2005），該模型率先引入PAD三維心情空間作為人格與情緒的中介，心情空間通過愉悅度（Pleasure）、喚醒度（Arousal）以及支配度（Dominance）三個維度進行度量（Mehrabian，1996），國內也有學者在這方面進行了探索（郭尚波，2008;陳偉，2011）。

為了計算人格與心情之間關系，引入“人格—心情”映射矩陣K，以及心情空間矩陣M。人格—心情轉移方程為M=P×KT，其中K采用Gebhard的處理方法（Gebhard，2005）。

為了計算心情與情緒之間的關系，引入“心情—情緒”轉移矩陣F以及24維度情緒空間矩陣O。心情—情緒轉移方程為O=M×F，其中F采用與Gebhard的研究相同的處理辦法（Gebhard，2005）。

將上述24維度基本情緒映射成Ekman提出的6維度基本情緒，計算方法如下。

Ip，dis=ODisgust

Ip，ang=（OAnger+OReproach+OHate）×1/3

Ip，sur=OSurprise

Ip，fea=（OFear+OFearsConfirmed）×1/2

Ip，joy=OHappyFor+OGloating+OJoy+OPride+OAdmiration+

OLiking+OLove+OHope+OSatisfaction+ORelief+

OGratification+OGratitude）×1/12

Ip，sad=（OResentment+OPity+ODistress+OShame+ORemorse）

×1/5

因此，人格對情緒影響的函數如下式。

Φ（P）=[Ip，dis，Ip，ang，Ip，sur，Ip，fea，Ip，joy，Ip，sad]

4.情緒計算函數

（1）情緒強度函數

t時刻的情緒強度函數可以表示為：

Ien，t=Ψ（Ien，t-1）+Θ（L）+Φ（P）

即t時刻的情緒強度是上一時刻（t-1）情緒強度的衰減值和應激事件對情緒影響以及人格因素對情緒變化影響的總和。

（2）閾值估算函數

當前大部分研究是將情緒閾值設置為某一常數值，如張剛強等人將正向和負向情緒閾值分別設置為0.8和0.21（張剛強等，2018）;邵帥等人將正向和負向情緒閾值分別設定為0.16和-0.12（邵帥等，2018）。也有研究者將情緒閾值與人格定義為線性函數關系，如伍京華等人提出的情緒閾值計算函數為：m=|Oo-On|/10，其中Oo表示開放型人格，On表示神經質型人格（伍京華等，2020）。但是，在實際生活中，不同人在面對相同應激事件時所表現出的反應大不相同。因此，以簡單的定值或者線性關系進行情緒閾值的估計有著較大的局限性。為了更加準確地估計每個人的情緒閾值，本研究以Watson等（1984;1992）的研究為基礎，提出一種新的情緒閾值估算方法。Watson等人的研究表明責任心（C）以及外傾性（E）兩種人格對正向情緒具有顯著影響;神經質（N）人格對負向情緒具有顯著影響。

根據Izard（1977）的理論，一個人某項情緒閾值越小，其越容易表現出該情緒，如當一個人悲傷情緒的閾值較低時，往往一件小事就會引發其強烈的悲傷情緒。由此，本研究假設閾值僅與謹慎型、外傾型以及神經質型三種人格有關，令ξ表示影響正向情緒的人格（C、E）與影響負向情緒的人格（N）的差值，即：ξ=pc+pe-pn;令ω為情緒閾值，情緒閾值與ξ密切相關。ξ值越大則表示該學習者的正向人格大于負向人格，負向情緒閾值也就越大，正向情緒閾值越小，其越容易表現出正向情緒，難以表現出負向情緒。Kingdom等（2016）提到，心理物理學領域通過一系列實驗構建了一個通用的轉換函數，用以描述物理刺激量和主觀內部反應之間的關系，如圖4所示。隨著刺激差值增加，個體內部感覺增加程度也會變得越來越慢。

據此，本研究假設情緒閾值與ξ間也存在類似的關系，用函數Ω表示，其中ωneg表示負向情緒閾值，ωpos表示正向情緒閾值。同時考慮到人格差值ξ存在負值，于是提出以arctan（）函數來刻畫這種關系，而函數中加π/2與除以π則是為了將估算結果縮放至[0，1]區間。

該估算方法函數仿真圖像如圖5所示，可以看出，ξ越大負性情緒閾值越大，表明負性情緒越難被激活，同時其增長速率越來越緩慢。

（3）情緒計算函數

根據情緒強度函數得出的情感強度值，其與基于人格計算出的情緒閾值作比較，如果超過閾值，則認為該情感被表達出來，反之不被表達。為了計算方便，將高興和驚奇兩種情緒強度規定為正向情緒，即：Ipos=[iejoy，t，iesur，t]，將厭惡、悲憤、恐懼和悲傷規定為負性情緒，即：Ineg=[iedis，t，ieang，t，iefea，t，iesad，t]，給出t時刻情緒計算方程如下。

5.心理危機預警函數

根據本研究構建的理論模型，需要對情緒的強度變化以及情緒持續時間進行統計。如果情緒強度變化超出一定的范圍，則將認為是一種劇烈變化，有可能引起學生的心理危機狀態，如由強度為0.8的正向情緒（Ipos=0.8）變為強度為-0.8的負向情緒（Ineg=-0.8）。同時，如果負向情緒持續時間過長，如持續時間超過3天，也容易導致學生進入心理危機狀態。因此，本研究提出一種心理危機預警算法，該算法輸入分別為6種情感的差值△I或負性情感的時間差值△T;其中△I=|Ineg|-Ipos。本研究采用Logistic函數作為預警算法，如下式。

五、仿真實驗

仿真是在進入真實實驗之前進行的計算機模擬方法。本研究使用的仿真機器操作系統為Windows 10，CPU型號為i5-11400H;仿真程序采用Python編寫，軟件包為Numpy。為了進行仿真實驗，本研究隨機設定開放型人格的人格空間為Po=[0.8，0.2，0.6，0.4，0]，神經質型人格的人格空間為Pn=[0，0.6，0.1，0.1，0.9]，同時，隨機設定正向刺激分量Lwpos=[0.2，0.1，0.3，0.1，0.7，0.3]，負向刺激分量Lweng=[-0.5，-0.7，-0.1，-0.4，-0.5，-0.6]，進而分別模擬了開放型人格和神經質型人格在遭受單次與多次正向和負向刺激時的情緒變化。其中，正向情緒強度越趨近于1說明其強度越強，越趨近于0則強度越弱;負向情緒越趨近于-1表明其強度越強，越趨近于0則強度越弱。正向情緒強度值高于正向情緒閾值則表示該情緒被激活，負向情緒強度值低于負向情緒閾值表示該情緒被激活。在此需要特別說明的是，L表示應激事件對不同情緒的刺激大小，這需要大量數據來驗證，后續將進一步研究L的計算，在此不作詳細討論。

1.單次刺激

（1）單次正向刺激

圖6為開放型人格在單次正向刺激下的情緒變化過程，在t=3時刻遭受到正向刺激時先是正向情緒強度增強，負向情緒強度減弱，隨著時間增加，正向和負向情緒都逐漸衰減。其中，正向情緒被激活，先是表現出“愉悅”和“驚奇”的情緒，衰減后依然表現出“愉悅”的情緒，而“驚奇”的情緒則不再表現出來，整個過程中負向情緒始終都沒有被激活。

圖6? ? 開放型人格遭受單次正向應激事件刺激的情緒變化過程

圖7為神經質型人格在單次正向刺激下的情緒變化過程，在t=3時刻遭受到正向刺激時先是正向情緒強度增強，負向情緒強度減弱，隨著時間增加，正向和負向情緒都逐漸衰減。其中，先是正向的“愉悅”和“驚奇”情緒被激活，這兩種正向情緒在遭受刺激初期強度都有所增強，隨著時間推移出現衰減，隨后衰減至正向情緒閾值以下，不再表現出來。而負向情緒在遭受刺激初期沒有被激活，隨著時間推移，“恐懼”的情緒突破負向情緒激活閾值表現出來。

圖7神經質型人格遭受單次正向應激事件刺激的情緒變化過程

（2）單次負向刺激

圖8表示的是開放型人格在t=3時刻遭受單次負向刺激時表現出的情緒變化過程，先是正向情緒表現出來，并且強度逐漸減弱，跌落至正向情緒激活閾值以下，同時負向情緒強度逐漸增強，在t=5時刻突破閾值表現出來。隨著時間推移，正向情緒強度又逐漸增強。t=6時刻，“愉悅”情緒逐漸高于閾值表現出來，而負向情緒強度則逐漸減弱不再表現出來。

圖8? 開放型人格遭受單次負向應激事件刺激的情緒變化過程

圖9表示神經質型人格在t=3時刻遭受單次負向刺激時表現出的情緒變化過程，正向情緒先是強度減弱，后有所增加，但是始終處于情緒激活閾值以下，沒有被激活。而負向情緒則較快地突破負向情緒激活閾值表現出來，隨著時間推移，大部分負向情緒強度逐漸減弱，高于負向情緒閾值而不再表現出來，而“恐懼”情緒則逐漸被激活出來。

圖9神經質型人格遭受單次負向應激事件刺激的情緒變化過程

2.多次刺激

在現實生活中，學生經常面臨多個應激事件，因此本研究通過仿真的方法，分別模擬開放型人格和神經質型人格遭受到不同情況刺激下的情緒變化過程。

（1）開放型人格多次刺激

圖10模擬的是開放型人格在t=3時刻遭受正向刺激，隨后t=7時刻又遭受負向刺激時的情緒變化過程。在t=3時刻遭受正向刺激后，正向情緒強度先是逐漸增強，負向情緒強度先是逐漸減弱;隨著時間推移，正向情緒強度減弱，負向的“憤怒”和“厭惡”情緒強度呈減弱趨勢，而“悲傷”和“恐懼”情緒強度增強。而后t=7時刻遭受負向刺激，正向情緒強度逐漸減弱，負向情緒強度逐漸增強，并突破負向情緒激活閾值而表現出來。隨著時間推移，負向情緒強度逐漸減弱，正向情緒強度逐漸增強，“愉悅”情緒強度逐漸大于正向情緒激活閾值表現出來。

（2）神經質型人格多次刺激

圖11模擬的是神經質型人格在t=3時刻遭受正向刺激，隨后在t=7時刻遭受負向刺激時的情緒變化過程。在t=3時刻遭受正向刺激后，正向情緒強度逐漸增強，負向情緒強度逐漸減弱;隨著時間推移，正向情緒強度逐漸減弱至不再表現出來，負向情緒強度呈增強趨勢。而后t=7時刻遭受負向刺激，正向情緒強度逐漸減弱，負向情緒強度逐漸增強，并突破負向情緒激活閾值表現出來。隨后，正向情緒強度有所增強，但始終低于激活閾值未再被激活，而負向情緒強度逐漸減弱，但是“恐懼”情緒后又突破閾值表現出來。

圖11神經質型人格遭受多次應激事件刺激的情緒變化過程

六、總結

本研究以心理學相關理論為依據，分析得出，可以通過對情緒持續觀測來預警心理危機，并基于此構建了基于社交媒體大數據的心理危機預警模型，為大學生心理危機預警提供了創新性的觀測方法和思路。該模型的核心思想在于，應激事件和人格特質是情緒變化的內外誘因，在進行應激事件計算和人格計算的基礎上，可以得出不同類型情緒的情緒強度與情緒閾值，從而判斷情緒表現，同時基于時間序列上情緒的變化來判斷大學生所面臨的心理危機風險水平。結合心理學領域知識和機器學習方法，本研究在改進情緒預測算法的基礎上，提出了基于社交媒體大數據的心理危機預警算法，該算法通過計算人格、應激事件的影響并結合情緒計算和衰減來預測情緒持續時間及強度，有效規避了單純使用機器學習算法所存在的概率問題。仿真實驗表明，該算法可以反映出大學生在遭受應激事件時的情緒變化過程，從而初步驗證了算法的有效性。

盡管本研究所構建的模型和算法基于一定的心理學理論，但是心理危機涉及心理學、醫學、社會學、哲學等學科領域，只有進一步融合多學科領域才能更好地揭示心理危機的本質。同時，模型和算法的檢驗也需要長期的數據跟蹤。本研究提出的算法在真實應用中可能面臨如下問題有待后續研究加以解決。第一，大學生可能不經常通過某種社交媒體（如微博）來表達自己的情感，當遇到這種情況時需要擴大對不同社交媒體的采集范圍，盡可能多地采集學生信息。精準的心理危機預警不是僅靠社交媒體大數據來實現的，需要對多源異構數據進行整合，比如當前大學生所使用的社交媒體除微博外，還包括百度貼吧、知乎、小紅書、綠洲等;同時學生成績、家庭情況等存儲在學校信息管理系統中的信息也是非常重要的數據源。如何將學生在不同社交媒體中的數據和在不同信息系統中的數據進行集成，綜合多特征數據進行心理危機預警，是后續研究需關注的重點。第二，學生在博文中描述應激事件的詞匯不存在于詞典中，會導致應激事件不能被準確識別出來。解決此類問題主要依賴當前分詞軟件中對未登錄詞的識別功能，以目前主流的“結巴分詞”軟件為例，該軟件通過隱馬爾可夫算法（Hidden Markov Model，HMM）識別出當前語句中尚不在應激事件詞典中的詞語，并自動提醒分析人員進行人工識別，如果確定是描述某一應激事件的新詞，則手動添加到詞典中。隨著詞典的不斷完善，應激事件識別的準確率也會越來越高。第三，本研究提出的心理危機預警算法在實際應用中不可避免地會涉及學生個人賬號等隱私信息，如何保護好學生的隱私數據也是未來研究需要關注的重點問題。

參考文獻：

[1][美]伯格（2010）.人格心理學[M].陳會昌.北京：中國輕工業出版社.

[2]白朔天，郝碧波，李昂等（2014）.微博用戶的抑郁和焦慮預測[J].中國科學院大學學報，31（6）：814-820.

[3]陳偉（2011）.情感智能體認知行為建模研究[D].長沙：國防科學技術大學.

[4]郭尚波（2008）.個性化情感建模方法的研究[D].太原：太原理工大學.

[5]黃中海（2015）.數據挖掘在高校學生心理危機預防中的應用[D].武漢：武漢科技大學.

[6]姜乾金（2010）.醫學心理學（第2版）[M].北京：人民衛生出版社.

[7]姜土生，鄧卓明（2013）.大學生心理危機類型分析[J].當代青年研究，（2）：97-102.

[8]李祚，張開荊（2012）.心理危機干預[M].大連：大連理工大學出版社.

[9]梁娟，羅海據（2018）.大數據挖掘方法在大學生心理預警系統中的應用[J].中國學校衛生，39（12）：1821-1824.

[10]魯瑋（2019）.數據挖掘技術在高職學生心理健康數據中的應用研究[D].合肥：安徽大學.

[11]錢春霞，顧瑋瑋（2015）.大學生心理檔案信息化建設研究[J].檔案與建設，（4）：34-37.

[12]邱鴻鐘（2009）.應激與心理危機干預[M].廣州：暨南大學出版社.

[13]邱亞飛，魏榮霞，邱吟（2020）.健康中國背景下大學生心理普查工作探新[J].高教學刊，（27）：57-60.

[14]仇德輝（2001）.數理情感學[M].長沙：湖南大學出版社.

[15]邵帥，劉學軍，李斌（2018）.基于關鍵句分析的微博情感傾向性研究[J].計算機應用研究，35（4）：982-987.

[16]田瑋，朱廷劭（2018）.基于深度學習的微博用戶自殺風險預測[J].中國科學院大學學報，35（1）：131-136.

[17]伍京華，王競陶，劉浩等（2020）.基于Agent的情感映射的勸說模型及系統[J].計算機集成制造系統，26（4）：1081-1096.

[18]邢云菲，王晰巍，韋雅楠等（2018）.新媒體環境下網絡輿情用戶情感演化模型研究——基于情感極性及情感強度理論[J].情報科學，36（8）：142-148.

[19]楊芳，黃智生，楊冰香等（2019）.基于人工智能技術的微博“樹洞”用戶自殺意念分析[J].護理學雜志，34（24）：42-45.

[20]曾紅（2012）.應急與危機心理干預[M].北京：人民衛生出版社.

[21]張剛強，劉群，紀良浩（2018）.基于序貫三支決策的多粒度情感分類方法[J].計算機科學，45（12）：153-159.

[22]張明園，樊彬，蔡國鈞等（1987）.生活事件量表：常模結果[J].中國神經精神疾病雜志，（2）：70-73.

[23]中國互聯網絡信息中心（2017）.2016年中國社交應用用戶行為研究報告[EB/OL].[2019-08-01].http：//www.cnnic.net.cn/hlwfzyj/hlwxzbg/sqbg/201712/P020180103485975797840.pdf.

[24]莊婷婷，李冬梅，檀穩等（2019）.基于分層支持向量機的微博用戶自殺傾向預測與分析[J].哈爾濱工程大學學報，40（11）：1890-1895.

[25]Back， M. D.， Stopfer， J. M.， & Vazire， S. et al. （2010）. Facebook Profiles Reflect Actual Personality， Not Self-Idealization[J]. Psychological Science， 21（3）：372-374.

[26]Beck， A. T.， Kovacs， M.， & Weissman， A. （1979）. Assessment of Suicidal Intention： The Scale for Suicide Ideation[J]. Journal of Consulting and Clinical Psychology， 47（2）：343-352.

[27]Beck， A. T.， Ward， C. H.， & Mendelson， M. et al. （1961）.An Inventory for Measuring Depression[J]. Archives of General Psychiatry， 4（6）：561-571.

[28]Corr， P. J.， & Matthews， G. （2009）. The Cambridge Handbook of Personality Psychology[M]. New York： Cambridge University Press.

[29]Cull， J. G.， & Gill， W. S. （1982）. Suicide Probability Scale （SPS） Manual[M]. Los Angeles： Western Psychological Services.

[30]Ekman， P.， & Friesen， W. V. （1971）. Constants Across Cultures in the Face and Emotion[J]. Journal of Personality and Social Psychology， 17（2）：124-129.

[31]Gebhard， P. （2005）. ALMA： A Layered Model of Affect[C]// Proceedings of the 4th International Joint Conference on Autonomous Agents and Multiagent Systems. New York： Association for Computing Machinery：29-36.

[32]Hamilton， M. （1959）. The Assessment of Anxiety States by Rating[J]. British Journal of Medical Psychology， 32（1）：50-55.

[33]Hamiton， M. （1960）. A Rating Scale for Depression[J]. Journal of Neurology， Neurosurgery and Psychiatry， 23（1）：56-62.

[34]Holmes， T. H.， & Rahe， R. H. （1967）. The Social Readjustment Rating Scale[J]. Journal of Psychosomatic Research， 11（2）：213-218.

[35]Izard， C. （1977）. Human Emotions[M]. New York： Plenum Press.

[36]Izard， C. E.， Libero， D. Z.， & Putnam， P. et al. （1993）. Stability of Emotion Experiences and Their Relations to Traits of Personality[J]. Journal of Personality and Social Psychology， 64（5）：847-860.

[37]Kingdom， F.， & Prins， N. （2016）. Psychometric Functions[J]. Psychophysics， （12）：55-117.

[38]Kshirsagar， S. （2002）. A Multi-Layer Personality Model[C]// Proceedings of the 2nd International Symposium on Smart Graphics. New York： Association for Computing Machinery：107-115.

[39]Lazarus， R. S.， & Folkman， S. （1984）. Stress， Appraisal， and Coping[M]. New York： Springer.

[40]Lucas， R. E.， & Diener， E. （2001）. Understanding ExtravertsEnjoyment of Social Situations： The Importance of Pleasantness[J]. Journal of Personality and Social Psychology， 81（2）：343-356.

[41]Martin， R.， Watson， D.， & Wan， C. K. （2000）. A Three-Factor Model of Trait Anger： Dimensions of Affect， Behavior， and Cognition[J]. Journal of Personality， 68（5）：869-897.

[42]Mehrabian， A. （1996）. Analysis of the Big-Five Personality Factors in Terms of the PAD Temperament Model[J]. Australian Journal of Psychology， 48（2）：86-92.

[43]Miwa， H.， Umetsu， T.， & Takanishi， A. （2001）. Robot Personality Based on the Equations of Emotion Defined in the 3D Mental Space[C]// Proceedings of the 2001 International Conference on Robotics and Automation. Washington： IEEE Computer Society：2602-2607.

[44]Reynolds， W. M. （1991）. Psychometric Characteristics of the Adult Suicidal Ideation Questionnaire in College Students[J]. Journal of Personality Assessment， 56（2）：289-307.

[45]Ross， C.， Orr， E. S.， & Sisic， M. et al. （2009）. Personality and Motivations Associated with Facebook Use[J]. Computers in Human Behavior， 25（2）：578-586.

[46]Song， Y.， Shi， J.， & Zhang， H. （2018）. Directional Skip-Gram： Explicitly Distinguishing Left and Right Context for Word Embeddings[C]// Proceedings of the 2018 Conference of the North American Chapter of the Association for Computational Linguistics： Human Language Technologies. Louisiana： Association for Computational Linguistics.

[47]Spielberger， C. D.， Gorsuch， R. L.， &Lushene， R. E. （1970）.Manual for the State-Trait Anxiety Inventory （Form Y）[M]. Palo Alto： Consulting Psychologists Press.

[48]Watson， D.， & Clark， L. A. （1984）. Negative Affectivity： The Disposition to Experience Aversive Emotional States[J]. Psychological Bulletin， 96（3）：465-490.

[49]Watson， D.， & Clark， L. A. （1992）. On Traits and Temperament： General and Specific Factors of Emotional Experience and Their Relation to the Five-Factor Model[J]. Journal of Personality， 60（2）：441-476.

[50]Wei， H. H.， Zhang， F. Z.， & Yuan， N. J. et al. （2017）. Beyond the Words： Predicting User Personality from Heterogeneous Information[C]// Proceedings of the 10th ACM International Conference on Web Search and Data Mining. New York： Association for Computing Machinery：305-314.

[51]Zelenski， J. M.， & Larsen， R. J. （1999）. Susceptibility to Affect： A Comparison of Three Personality Taxonomies [J]. Journal of personality， 67（5）：761-791.

[52]Zung， W. W. （1971）. A Rating Instrument for Anxiety Disorders[J]. Psychosomatics， 12（6）：371-379.

收稿日期 2021-03-11責任編輯 楊銳

An Early Warning Method for Psychological Crisis of College Students Based on

Social Media Big Data

LI Tongtong， LI Tan， GUO Xuning

Abstract： Vicious incidents such as suicides and crimes of college students caused by psychological problems are increasing year by year， and college students psychological crisis has become the social focus. Early warning of psychological crisis is a key process in mental health education. However， current widely adopted methods of psychological crisis screening are based on clinical diagnostic scales， which have problems such as large measurement errors， low efficiency， poor timelines， and etc. Social media big data provides an opportunity for real-time and accurate screening of college students psychological crisis. The psychological research shows that psychological crisis can be forewarned through emotion changes. The college students psychological crisis forewarning model and its algorithm are given in this paper. In the model， firstly， the calculation of stress events and personality are calculated based on Micro-blog data， then the emotion performance is judged through analyzing the intensity and threshold of different types of emotions， and then the risk level of psychological crisis will be measured based on the changes of emotions by time. The simulation results show that the method can reflect the emotional change process of college students when they suffer from stress events， and can provide effective forewarning of their psychological crisis.

Keywords： Mental Health Education; Psychological Crisis Forewarning; Social Media Big Data; Stress Events; Personality