社交媒體大數據下的高職學生心理危機預警分析

呂蕊

【摘要】? ? 心理問題是引發一系列惡性事件的罪魁禍首。隨著高職學生自殺和犯罪等惡性事件的逐步升級，社會各界越來越重視高職學生的心理危機。社交媒體大數據可以實時準確的為大學生心理危機進行篩查，在相關心理學研究中得出情緒變化可以預測出人的心理危機。在此基礎上，心理危機預警模型及其算法基于應激事件和人格特征的計算，通過分析不同類型情緒的強度和閾值來評估情緒行為，然后根據情緒的變化按時間順序確定心理危機的風險水平，為學生心理危機提供早期預警.仿真結果表明，該方法能反映學生情緒變化的過程，當他們應激壓力狀態時，可以有效地提醒他們心理危機。

【關鍵詞】? ? 心理危機預警? ? 社交媒體? ? 大數據

目前由于自殺、犯罪等威脅事件的心理問題，每年都在加劇，這對高校的日常管理、學生的整體健康發展、家庭和社會的穩定都有極為不利的影響。因此，需要高校實施精準科學的心理預警，及時發現和解決可能出現的問題。社交媒體大數據是教育技術的三大支柱之一，在促進教育方面發揮著多樣化的作用，因此與教育的融合是必然的。社交媒體是學生注冊生活、表達、分享和交流觀點的最重要方式。也是反映學生真實狀態實時可靠的大數據源之一。

一、理論依據及模型構建

1.激發反應理論。心理危機是一個人的心理反應，它通常發生在個人面臨不可避免的、更大的壓力時，經過個人評估，壓力會對個人的狀況、安全產生危險，并且自身動用個人所具備的應對手段都失敗后，個體會有明顯的急性情緒以及認知和行為上的功能紊亂。這也被稱為引起應激的生活事件，即應激的成因，主要由四種類型組成：軀體的，心理的，文化和社會事件。軀體事件是直接影響人體并引起壓力的事件，就如高溫又或者是疾病等。心理事件是心理沖突造成應激的事件，就如外界對某一次考試成績的期待太高。文化事件主要是受生活方式以及宗教信仰發生改變而產生了壓力的事件，就比如海外留學等等。社會事件主要是社會事件而產生壓力的事件，就比如人際關系不融洽，社會動亂等等。應激反應的類型可以分為3類;即心理、生理、行為反應。心理反應通常包括情緒反應和認知反應。常見的情緒反應包括恐懼、焦慮、抑郁、憤怒等。常見的認知反應有偏執、沉思、否認等。生理反應主要是指生理指標的變化。例如血壓和呼吸等生理指標。行為反應主要包括回避、羞辱、敵意、自憐等。

應激事件引起的應激反應會產生心理反應，主要表現為情緒反應，它不僅意味著在壓力下無法消除的消極情緒，而且還產生積極的情緒，如果個人沒有足夠的社會支持和應對能力，極度緊張和恐懼，以及無法忍受的情緒時會導致情緒不平衡和危機情況的發生。從以上可以看出情緒可以直接表現出心理危機，長時間負向情緒又或者情緒的劇烈波動，都可證明學生當前正處在一個危機的狀態當中。因此對學生情緒波動的劇烈變化以及長時間的負向情緒進行觀察檢測，是識別心理危機的有效方法。

2.人格理論。應激事件是個體情緒反應的外在刺激，但在同樣的壓力下，每個個體的反應也有所不同，情緒反應也不一樣，這在很大程度上取決于個人的人格。人格是影響情緒表達的重要因素;相關學者的研究還證實心理危機與人的人格有一定的關系。不同的心理學家提出了不同的人格模式，被普遍認為是“五大”人格模型。開放型具有創造性、情感性等特點;謹慎型具有公正性、謹慎性、克制性等;外傾型具有溫暖、堅定、冒險和客觀性;宜人型具有自信、直率、依從等特點;神經質型具有焦慮、敵意、沖動等特點。人格特質是學生個人情緒變化的內在原因，例如開放性人格學生在面對挫折時的，能夠積極客觀地去解決問題;而具有神經質人格的學生在遇到同樣挫折時容易表現的消極。

二、心理危機預警模型構建

1.數據源層。據中國互聯網信息中心報道，高校學生年齡段人群最受歡迎的社交應用之一是“新浪”微博，新浪微博中用戶數據非常多，且具有一定時效性和客觀性，并且可利用API對這些用戶數據進行獲取，本文主要根據社交媒體大數據對高職生數據進行采集和分析。在新浪微博中高職學生的數據通常可分為兩大類即動態數據和靜態數據，動態數據主要是學生發表的各種博客文章;靜態數據就包含昵稱、出生年月日、學校信息以及個人愛好等。新浪微博中的API可以對高職學生數據進行采集，讓后將數據預處理整理成統一的數據格式在數據庫中存儲，這為基礎計算層提供了相應的數據支持。

2.基礎計算層。基礎計算層主要有兩種計算：即應激事件計算和人格計算。應激事件計算主要是分析學生在社交媒體上發表的文本，識別所表達的應激事件。霍姆斯創建的LCU量表將其分為43類。相關學者結合LCU指標表研究了各種生活事件對中國人的影響，它展示了65個生活事件，展示了LEU對四個年齡段的重要性：青年、中年、更年和老年。本研究挑選了20名面臨更可能出現應激事件的高職學生，如父母死亡、父母離婚，學校開除、家庭病重、學習成績高、傷病嚴重、失戀、就業困難以及學習困難等等。本研究采用詞典方法計算應激事件，主要是通過對心理學的研究，在學生社交媒體中，文字表達（單詞、語境）和應激事件來創建學生應激詞典。然后，利用人工智能實驗室建立的單詞矢量模型，識別其他具有與手動獲取的單詞含義相似的單詞，如果微博包含字典中的任何單詞，則說明表達了相應的應激事件。

人格計算，許多研究表明，個性會影響社交媒體用戶的行為。通過收集和計算社交媒體上的用戶數據，我們可以分析學生的個人特征。通過深度學習法，我們可以全面分析學生的個性特征。人格的計算基于“五”社交媒體人格模型。人格計算采用hie系統，根據表情、交互形式等多維數據，并基于堆疊泛化方法，結合各種特征語義信息，形成對人格類型的預測。

3.情緒計算層。在前人研究的基礎上進行總結，提出了根據應激事件和人格的情緒計算法，此算法的主要思想是根據人格和應激事件計算出某一時刻不同情緒的情緒強度;此外，學生的人格特征評估他們的情緒強度是否超過相應的閾值。在該算法中，根據Ekman等人的情緒分類方法對情緒類型進行分類，主要將情緒分為了六種類型，即厭惡、憤怒、驚奇、恐懼、高興、悲傷，正向情緒主要包含驚奇、高興，負向情緒主要包含厭惡、憤怒、恐懼、悲傷。

情緒強度計算。情緒強度是指人們選擇事物的傾向。結合人格計算和應激事件計算的結果，可以計算出六種情緒類型學生在一定時期內的相應情緒強度值。其中，積極情緒分布在區間[0，1]，消極情緒分布在區間[-1，0]。每個人都有一個情感活動的閾值。如果情感強度超過這個閾值，個人情緒是可以表達的。為了計算情緒閾值，目前大多數研究將其描述為一個常數。根據學生的個性特征，估算積極和消極情緒表現的閾值，然后評估學生是否表達特定情緒，情緒強度是否超過閾值。計算不同的情緒強度是評估學生是否表達這種情緒的重要依據。

4.危機預警層。本研究采用對情緒持續觀測的方法來評估時間序列變化后的心理危機風險。通過觀察和研究，主要發現如下，情緒的急劇變化，在短時間內由正向情緒變為負情緒，又或者由負向情緒變為正向情緒。負向情緒持續時間過長，本研究提出了一種雙重監控方法，該方法考慮了預警值和持續時間，結合在連續時間序列中改變不同情緒或在未來時間改變情緒強度的過程。按[0，1]區間計算相應的預警值，它在五級預警系統中可視化，影響情緒劇烈變化的計算和負面情緒的持續時間。本研究規定時間序列間隔以天為單位，當學生每天寫作超過兩次時，他們會選擇最大情緒值作為一天的積極情緒值和消極情緒值。

三、算法設計

1.閾值估算函數。大多數研究將情緒閾值定義為一個恒定值，例如將積極和消極情緒閾值分別設置為0.8和0.21。還有一部分學者將正向情緒閾值和負向情緒閾值分別定義為0.16和-0.12，一些研究人員還將情緒閾值和人格之間的關系定義為線性函數。部分學者提出的情緒閾值計算函數為：M=124;o o-o n-o，Brough124;或10，其中O代表開放型人格，n代表神經質人格。然而，在現實生活中，不同的人對相同的應激事件給出不同的答案。用簡單的FIXO值或線性TEM關系來估計情緒閾值有很大的局限性;基于Watson等人相關研究的基礎上，提出了一種評估情緒閾值的新方法。Watson等人表明，責任感和外傾性人格對積極情緒有顯著影響;神經質人格對負性情緒有顯著影響。

2.心理危機預警功能。本研究需要統計情緒強度變化以及情緒持續時間。如果情緒強度變化以及持續時間超出了一定范圍，這將被認為是學生心理狀態的一個急劇變化，例如，可能導致負情緒（I POS=0.8），正能量高達0.8（I NEG=-0），（8）同時，如果負情緒期太長，例如超過3天，因此，本研究提出了一種心理危機預警算法，分別引入六種情感的差異I或負性感覺的時差。

四、仿真實驗

4.1神經質人格多重刺激

模擬神經質人格在t=3時采取正向刺激，然后在t=7時改變情緒，在t=3采取正向刺激后，正向情緒的強度逐漸增大，負向情緒的強度逐漸降低;時間的變化過程中正向情緒的強度逐漸下降，不再顯現，負性情緒強度呈上升趨勢，當T=7時，正性情緒強度逐漸降低，負性情緒強度逐漸升高，隨后正向情緒的強度增加，但始終小于激活閾值，不再被激活，而情緒的負強度逐漸減弱，但情緒“恐懼”突破了閾值表現了出來。

五、結束語

本研究基于心理學的相關理論，本研究得出結論，通過持續觀察情緒可以預警心理危機，在改進情緒預測算法的基礎上提出了一種心理危機預警算法，基于社會媒體大數據通過人格計算，可以預測情緒狀態的持續時間和強度，應激事件的影響和情緒計算與衰減的結合，有效地避免了單純使用機器學習算法所存在的概率問題概率。該研究所開發的基于一定心理學理論的心理危機涉及心理學、醫學、社會學等學科，模型和算法的驗證也需要不斷的數據跟蹤。需要進一步研究實際應用中的問題，學生可能不經常在社交媒體來表達他們的感受，當這種情況發生時，要擴大各種社會媒體的信息收集范圍。要想獲得準確的心理危機預警就需要進行整合多源異構數據，除了學生使用的新浪微博以外，還要對學校信息管理系統中的家庭狀況、學習成績等重要數據進行整合，又或者知乎、百度貼吧等信息也是一個重要的數據來源。另外字是否有學生描述壓力的單詞，這可能會導致這些問題的解決主要取決于在現有的分離軟件中識別未注冊單詞的能力例如，在當前軟件中，“借用詞”（hidden markov model，HMM）標識當前表達式的單詞，還沒有包含在應激事件字典中，如果定義了一個新單詞，它會自動提醒分析人員人工識別它們，描述一個應激事件，同時會手動添加到字典中。

參? 考? 文? 獻

[1]鞠慧.基于“樹理論”的高職學生心理危機預警工作探究[J].法制與社會，2019（31）：168-169.

[2]潘亞姝，朱麗芬，周弦.高職院校學生心理危機預警系統構建與實踐——以昆明冶金高等專科學校為例[J].昆明冶金高等專科學校學報，2018，34（02）：85-90.

[3]崔伶玲.高職院校學生新生心理普查結果與分析研究——以無錫藕塘各職教學院為例[J].文化創新比較研究，2018，2（02）：146-147.

[4]張志剛，易今科.高職鐵道專業學生企業實習心理危機問題與干預研究[J].科技視界，2014（32）：15-16.