基于大數(shù)據(jù)的學(xué)生情緒異常波動(dòng)風(fēng)險(xiǎn)評(píng)估仿真

何穆彬,萬(wàn)振凱

(1. 天津市教育科學(xué)研究院教育技術(shù)與信息化研究中心,天津 300210;2. 天津工業(yè)大學(xué)工程教學(xué)實(shí)習(xí)訓(xùn)練中心,天津 300387)

1 引言

情緒是影響學(xué)生學(xué)習(xí)的關(guān)鍵要素之一,相關(guān)研究證實(shí),情緒滲透在學(xué)習(xí)生活的各個(gè)方面,擁有動(dòng)機(jī)與感知作用[1],對(duì)學(xué)生能否順利完成學(xué)業(yè)起到促進(jìn)或抑制的效果。當(dāng)前,學(xué)生情緒狀態(tài)是教育領(lǐng)域研究的核心問(wèn)題[2],必須要對(duì)學(xué)生情緒異常波動(dòng)進(jìn)行實(shí)時(shí)風(fēng)險(xiǎn)評(píng)估,并及時(shí)干預(yù)重點(diǎn)危機(jī)對(duì)象,最大限度降低學(xué)生產(chǎn)生異常情緒的概率。

針對(duì)風(fēng)險(xiǎn)評(píng)估問(wèn)題,文獻(xiàn)[3]構(gòu)建了基于模糊集和熵的工控系統(tǒng)灰色風(fēng)險(xiǎn)評(píng)估模型。在風(fēng)險(xiǎn)種類(lèi)的前提下建立風(fēng)險(xiǎn)評(píng)估指標(biāo),利用模糊集和信息熵改進(jìn)權(quán)重計(jì)算模型,將灰色理論引入風(fēng)險(xiǎn)評(píng)估推算整體風(fēng)險(xiǎn)水平。文獻(xiàn)[4]構(gòu)建了基于模糊人工神經(jīng)網(wǎng)絡(luò)的安全風(fēng)險(xiǎn)評(píng)估模型。運(yùn)用三角模糊數(shù)采集專(zhuān)家判斷語(yǔ)言,使用聚類(lèi)分析與去模糊化處理獲取事故樹(shù)內(nèi)基本事件的發(fā)生幾率,分別將基本事件與頂上事件擬作人工神經(jīng)網(wǎng)絡(luò)輸入及輸出層的神經(jīng)元,訓(xùn)練網(wǎng)絡(luò)并輸出相對(duì)的風(fēng)險(xiǎn)評(píng)估結(jié)果。但由于以上方法均沒(méi)有剔除冗余風(fēng)險(xiǎn)評(píng)估信息,導(dǎo)致計(jì)算量過(guò)高,風(fēng)險(xiǎn)評(píng)估時(shí)效性較差。

本文在學(xué)生情緒異常波動(dòng)風(fēng)險(xiǎn)評(píng)估中引入大數(shù)據(jù)技術(shù),提出一種基于大數(shù)據(jù)的學(xué)生情緒異常波動(dòng)風(fēng)險(xiǎn)評(píng)估模型。利用大數(shù)據(jù)技術(shù)采集并分析學(xué)生的海量情緒數(shù)據(jù),挖掘出具備現(xiàn)實(shí)意義的隱含異常波動(dòng)信息;創(chuàng)建學(xué)生情緒異常波動(dòng)風(fēng)險(xiǎn)評(píng)估指標(biāo),采用層次分析法獲得高精度異常波動(dòng)風(fēng)險(xiǎn)評(píng)估模型。

2 基于大數(shù)據(jù)的學(xué)生情緒數(shù)據(jù)采集

人工智能的核心發(fā)展策略逐漸從計(jì)算智能轉(zhuǎn)變?yōu)榍楦兄悄?。情感智能的前提條件就是完成人體的情緒識(shí)別,人類(lèi)存在以下六種基礎(chǔ)情緒:憤怒、厭惡、恐慌、開(kāi)心、悲傷與驚訝[5]。為有效獲取學(xué)生當(dāng)下情緒狀態(tài),使用高清攝像機(jī)記錄下學(xué)生面部與頸部的細(xì)微肌肉振動(dòng)頻率及幅度[6],在海量拍攝數(shù)據(jù)情況下觀測(cè)并收集學(xué)生的日?；顒?dòng)數(shù)據(jù)。

在眾多數(shù)據(jù)中,為精準(zhǔn)提取學(xué)生情緒變化狀態(tài),使用時(shí)空注意力模型完成情緒數(shù)據(jù)測(cè)量。時(shí)空注意力模型中具備空間注意力板塊、時(shí)間注意力板塊及相應(yīng)的損失函數(shù)?？臻g注意力板塊能夠讓模型聚焦在學(xué)生表情變化可能性最高的區(qū)域,將此板塊分成下采樣與上采樣兩個(gè)步驟,構(gòu)成一個(gè)瓶頸架構(gòu)。下采樣時(shí)期,利用卷積和非線(xiàn)性映射獲取學(xué)生表情區(qū)域特質(zhì),上采樣時(shí)期使用雙線(xiàn)性差值修復(fù)特征圖到初始大小。

將圖像的注意力掩膜描述為A(x)=[a(x1),a(x2),…,a(xt)],關(guān)于第i幀圖像,將其第4個(gè)特征圖L4設(shè)定為L(zhǎng)4(xi),把此幀圖像的注意力掩膜定義為a(xi),把空間注意力分支記作

B(xi)=(1+a(xi))⊙L4(xi)

(1)

其中,“⊙”代表點(diǎn)乘。

在一段微表情序列內(nèi),把幀劃分成判別性弱幀與判別性強(qiáng)幀。判別性強(qiáng)幀可提高時(shí)空注意力模型微表情采集精度,設(shè)計(jì)一種時(shí)間注意力分支,將注意力集中于微表情的序列定義成判別性強(qiáng)幀。把空間注意力板塊的輸出結(jié)果記作C(X)=[c(x1),c(x2),…,c(xi)],再把C(X)看作時(shí)間注意力分支的輸入值,輸出值C(X)的隱含狀態(tài)為矩陣D。將微表情序列的相似性矩陣表示為

E=tand(DTD)∈R

(2)

其中,d代表微表情序列內(nèi)某個(gè)圖像幀的隱含狀態(tài),R為圖像幀總和。

把全部序列的相關(guān)性特征記作

G=(g1,g2,…,gt)

(3)

式中,gi代表第i幀和全部序列之間的相關(guān)程度,具體展開(kāi)為

(4)

其中,Eij為微表情序列內(nèi)第i幀與第j幀之間的相關(guān)性,pi、pj均為數(shù)據(jù)采集過(guò)程中識(shí)別出的人臉位置。

累加時(shí)間注意力分支特征和初始特征,把時(shí)間注意力特征的最終表達(dá)式描述成

T(xi)=(1+gi)⊙c(xi)

(5)

其中,c(xi)為空間注意力板塊的輸出分量。

學(xué)生情緒微表情數(shù)據(jù)采集的實(shí)質(zhì)為視頻分類(lèi)[7],在視頻分類(lèi)工作中一般采用交叉損失函數(shù)來(lái)提升數(shù)據(jù)采集效率,記作

(6)

其中,N代表樣本數(shù)量,H是微表情類(lèi)型,wi,j是標(biāo)簽值,qi,j代表預(yù)測(cè)值。對(duì)空間注意力分支產(chǎn)生的掩膜實(shí)施約束,運(yùn)用τ1正則策略限制空間注意力分支輸出值。

將損失函數(shù)定義為式(7),以此完成大數(shù)據(jù)下學(xué)生情緒數(shù)據(jù)完整采集[8]。

(7)

其中,ξce為交叉熵?fù)p失函數(shù),κ代表注意力掩膜正則指數(shù)。

3 學(xué)生情緒異常波動(dòng)風(fēng)險(xiǎn)評(píng)估指標(biāo)

學(xué)生情緒異常波動(dòng)行為是應(yīng)激源與易感性共同作用的結(jié)果,應(yīng)激源是產(chǎn)生情緒異常波動(dòng)的外在前提[9],易感性是異常波動(dòng)的內(nèi)在前提。學(xué)生在日常學(xué)習(xí)生活中會(huì)遭受不同性質(zhì)與強(qiáng)度的應(yīng)激源,通過(guò)人格、認(rèn)知模式等媒介的互相作用,最終產(chǎn)生劇烈情緒波動(dòng),導(dǎo)致學(xué)生具備不同形式的問(wèn)題行為[10]。

由此看出,應(yīng)激源、易感性與問(wèn)題行為均是情緒異常波動(dòng)風(fēng)險(xiǎn)的主要來(lái)源,要納入風(fēng)險(xiǎn)評(píng)估指標(biāo)中。通常意義來(lái)講,應(yīng)激源越多,認(rèn)知模式越消極,社會(huì)支持關(guān)系越少,因情緒波動(dòng)導(dǎo)致的問(wèn)題行為危險(xiǎn)系數(shù)越高,學(xué)生自身風(fēng)險(xiǎn)越大。

綜上所述,基于利用大數(shù)據(jù)技術(shù)采集的學(xué)生情緒數(shù)據(jù)集,建立學(xué)生情緒異常波動(dòng)風(fēng)險(xiǎn)評(píng)估指標(biāo)體系。學(xué)生情緒異常波動(dòng)風(fēng)險(xiǎn)評(píng)估指標(biāo)涵蓋應(yīng)激源、易感性與問(wèn)題行為三個(gè)維度,將各維度指標(biāo)類(lèi)型記作表1。使用德?tīng)柗萍夹g(shù)調(diào)查法[11]剔除并降低指標(biāo)權(quán)重分配時(shí)的隨機(jī)性與不確定性,增強(qiáng)風(fēng)險(xiǎn)評(píng)估合理性與正確性。

表1 學(xué)生情緒異常波動(dòng)風(fēng)險(xiǎn)評(píng)估指標(biāo)

4 層次分析法下學(xué)生情緒異常波動(dòng)風(fēng)險(xiǎn)評(píng)估模型構(gòu)建

為完成學(xué)生情緒異常波動(dòng)風(fēng)險(xiǎn)的準(zhǔn)確評(píng)估,學(xué)生情緒異常波動(dòng)風(fēng)險(xiǎn)評(píng)估指標(biāo)的基礎(chǔ)上,要全方面考慮學(xué)生情緒波動(dòng)各類(lèi)評(píng)估指標(biāo)要素,得到最優(yōu)評(píng)估結(jié)果。層次分析法是一種定性與定量相融合的多規(guī)則決策計(jì)算方法,其基本計(jì)算思路是在決策目標(biāo)需求下,融合評(píng)估專(zhuān)家的邏輯性評(píng)估與定性評(píng)估[12],兩兩對(duì)比決策對(duì)象與決策準(zhǔn)則的優(yōu)劣情況,得到目標(biāo)對(duì)象全局優(yōu)劣水平,為數(shù)據(jù)分析提供參照依據(jù),運(yùn)算整體過(guò)程如圖1所示。

圖1 層次分析法運(yùn)算過(guò)程

根據(jù)以下幾個(gè)步驟構(gòu)建層次分析法模型:

第一,在已知風(fēng)險(xiǎn)元素前提下,計(jì)算不同元素之間的耦合關(guān)系,把上層的元素看作對(duì)比標(biāo)準(zhǔn),并對(duì)下個(gè)層次的相關(guān)因素起到支配作用,創(chuàng)建系統(tǒng)的遞進(jìn)層次架構(gòu);

第二,對(duì)比同一層次元素與上層次因素的重要性,構(gòu)建評(píng)估矩陣;

第三,使用評(píng)估矩陣推算被比較因素在評(píng)估指標(biāo)的對(duì)應(yīng)權(quán)重;

第四,計(jì)算不同層次因素對(duì)評(píng)估目標(biāo)的權(quán)重總值,完成預(yù)期風(fēng)險(xiǎn)評(píng)估任務(wù)。

根據(jù)層次分析法計(jì)算定理,指標(biāo)權(quán)重運(yùn)算的基礎(chǔ)條件是構(gòu)建評(píng)估矩陣并通過(guò)一致性測(cè)驗(yàn)[13]。遵照1-9標(biāo)度法,將評(píng)估矩陣公式表示為:

(8)

如果評(píng)估矩陣不符合一致性檢測(cè)條件,就要對(duì)其進(jìn)行修改直至滿(mǎn)足一致性檢測(cè)為止,一致性檢測(cè)[14]解析式為

(9)

其中,CT為評(píng)估矩陣的隨機(jī)性指標(biāo),DI是評(píng)估矩陣的一致性均值指標(biāo),σmax代表評(píng)估矩陣O的最大特征根,n為評(píng)估矩陣O的階數(shù)。假如CT≤0.1,證明評(píng)估矩陣滿(mǎn)足一致性檢驗(yàn)條件,反之需要重新調(diào)整評(píng)估矩陣,直到滿(mǎn)足CT≤0.1為止。

構(gòu)建評(píng)估矩陣并完成一致性檢測(cè)后,計(jì)算指標(biāo)權(quán)重大小[15],過(guò)程如下:

推算出評(píng)估矩陣O內(nèi)各行因素的積bi

(10)

式中,q為矩陣行數(shù),oij為矩陣第i行第j個(gè)因素值。

計(jì)算bi的n次方根fi

(11)

將指標(biāo)的權(quán)重值表示為

(12)

其中,ωi為第i個(gè)指標(biāo)相對(duì)上一層指標(biāo)的權(quán)重,ri為風(fēng)險(xiǎn)指標(biāo)向量。由此,將評(píng)估矩陣O的最大特征值定義為

(13)

式中,U代表風(fēng)險(xiǎn)指標(biāo)向量ri中的元素。

最終,將學(xué)生情緒異常波動(dòng)風(fēng)險(xiǎn)評(píng)估模型表示為

(14)

5 仿真研究

為證明本文異常波動(dòng)風(fēng)險(xiǎn)評(píng)估模型在實(shí)際應(yīng)用中的可靠性,隨機(jī)選擇學(xué)校600名在校學(xué)生為研究目標(biāo)進(jìn)行仿真,學(xué)生男女人數(shù)各300人。實(shí)驗(yàn)平臺(tái)為MATLAB 2020b,使用本文方法根據(jù)實(shí)際情況得出學(xué)生情緒異常波動(dòng)的風(fēng)險(xiǎn)指標(biāo)權(quán)重,由于三級(jí)指標(biāo)較為分散,導(dǎo)致其每個(gè)指標(biāo)的權(quán)重值會(huì)偏小,因此為突出強(qiáng)調(diào)指標(biāo)的全面權(quán)重,對(duì)一級(jí)指標(biāo)和二級(jí)指標(biāo)的權(quán)重進(jìn)行計(jì)算,結(jié)果參考表2數(shù)據(jù)。

表2 不同風(fēng)險(xiǎn)指標(biāo)的權(quán)重計(jì)算結(jié)果

劃分風(fēng)險(xiǎn)等級(jí),從小到大風(fēng)險(xiǎn)程度依次為極低、較低、中等、高、極高五個(gè)等級(jí)。風(fēng)險(xiǎn)等級(jí)越高,證明學(xué)生情緒異常狀態(tài)越嚴(yán)重。將表2權(quán)重計(jì)算結(jié)果代入本文模型,得到該校600名學(xué)生情緒異常波動(dòng)風(fēng)險(xiǎn)評(píng)估結(jié)果,如圖2所示。

圖2 本文方法下學(xué)生情緒異常波動(dòng)風(fēng)險(xiǎn)評(píng)估結(jié)果

觀察表2與圖2可得出如下結(jié)論:該校學(xué)生總體情緒異常波動(dòng)處于中等風(fēng)險(xiǎn),少數(shù)研究對(duì)象的情緒異常波動(dòng)風(fēng)險(xiǎn)較高,從男女性別角度出發(fā)可以看到,男生情緒異常波動(dòng)風(fēng)險(xiǎn)要顯著大于女生,這是因?yàn)槟猩蔂柮刹▌?dòng)較大,更容易產(chǎn)生焦慮、抑郁等情緒障礙。影響學(xué)生情緒問(wèn)題的主要風(fēng)險(xiǎn)指標(biāo)為學(xué)業(yè)壓力、經(jīng)濟(jì)壓力和認(rèn)知模式,這也與該校對(duì)學(xué)生心理測(cè)試的調(diào)查結(jié)論相符?？梢詮纳鲜鰩讉€(gè)層面對(duì)學(xué)生開(kāi)展對(duì)應(yīng)的心理咨詢(xún)輔導(dǎo),幫助學(xué)生盡快解決情緒壓力,用更飽滿(mǎn)的狀態(tài)迎接校園生活。

為進(jìn)一步驗(yàn)證本文方法的普適性,將其與文獻(xiàn)[3]構(gòu)建的基于模糊集和熵的工控系統(tǒng)灰色風(fēng)險(xiǎn)評(píng)估模型,文獻(xiàn)[4]構(gòu)建的基于模糊人工神經(jīng)網(wǎng)絡(luò)的安全風(fēng)險(xiǎn)評(píng)估模型。進(jìn)行定量仿真,挑選F1(F-measure)值作為評(píng)估指標(biāo)。F1值是一種涵蓋準(zhǔn)確率與召回率的綜合性指標(biāo),即準(zhǔn)確率與召回率權(quán)重相等狀況下的平均值,計(jì)算過(guò)程如式(15)所示。

(15)

其中,PR代表準(zhǔn)確率,是數(shù)據(jù)被正確劃分到某類(lèi)樣本的數(shù)量和樣本總數(shù)的比例;RE代表召回率,即被正確劃分到某樣本的數(shù)值和此類(lèi)樣本真實(shí)個(gè)數(shù)的比例。

三種方法風(fēng)險(xiǎn)評(píng)估的F1值計(jì)算結(jié)果如圖3所示。

圖3 三種方法風(fēng)險(xiǎn)評(píng)估的F1值對(duì)比

從圖3可知,本文方法F1值要遠(yuǎn)遠(yuǎn)大于灰色理論法和模糊人工神經(jīng)網(wǎng)絡(luò)法,在風(fēng)險(xiǎn)評(píng)估精度方面具備顯著優(yōu)勢(shì)。這是因?yàn)楸疚姆椒ㄊ褂么髷?shù)據(jù)技術(shù)精準(zhǔn)采集學(xué)生的細(xì)微情緒變化數(shù)據(jù),為后續(xù)異常波動(dòng)數(shù)據(jù)分析與風(fēng)險(xiǎn)評(píng)估工作提供有力數(shù)據(jù)支持。

基于以上實(shí)驗(yàn)結(jié)果,接下來(lái)分析三種方法風(fēng)險(xiǎn)評(píng)估及時(shí)性,對(duì)其評(píng)估時(shí)間進(jìn)行仿真驗(yàn)證,實(shí)驗(yàn)數(shù)量為600次,每100次為一個(gè)運(yùn)算周期,耗時(shí)結(jié)果取各周期的時(shí)間均值,實(shí)驗(yàn)結(jié)果如圖4所示。

圖4 不同方法風(fēng)險(xiǎn)評(píng)估時(shí)間對(duì)比

由圖4看出,本文方法平均耗時(shí)最短,且在實(shí)驗(yàn)次數(shù)逐漸增多是時(shí)耗時(shí)較為穩(wěn)定。此實(shí)驗(yàn)結(jié)果表明本文方法創(chuàng)建的評(píng)估指標(biāo)復(fù)雜度較低,可以大幅提升風(fēng)險(xiǎn)評(píng)估效率,幫助班導(dǎo)及時(shí)發(fā)現(xiàn)和治療情緒嚴(yán)重失衡的同學(xué)。

6 結(jié)論

為明確現(xiàn)階段學(xué)生學(xué)習(xí)的心理狀態(tài),本次研究構(gòu)建了基于大數(shù)據(jù)的學(xué)生情緒異常波動(dòng)風(fēng)險(xiǎn)評(píng)估模型,分析海量學(xué)生學(xué)習(xí)視頻進(jìn)行大數(shù)據(jù),獲取情緒異常波動(dòng)核心要素。通過(guò)層次分析法計(jì)算指標(biāo)權(quán)重與評(píng)估矩陣特征值,完成學(xué)生情緒異常變化的風(fēng)險(xiǎn)評(píng)估,以便盡快發(fā)現(xiàn)在校學(xué)生可能產(chǎn)生的心理問(wèn)題,這對(duì)提升教學(xué)質(zhì)量和學(xué)生身心健康均具備良好的推進(jìn)作用。