心理健康智能預警防控系統的研究與實踐

摘要：隨著社會的快速發展，大學生面臨的心理壓力日益增加，大學生心理健康問題日益受到關注，大學生心理健康教育成為職業教育中不可忽視的一部分。然而，傳統的心理健康教育方式往往缺乏針對性和及時性，無法滿足大學生的實際需求。如何利用新的技術手段，提高大學生心理健康教育的效果和質量，成為當前研究的熱點問題。文章基于大數據技術，研發了心理健康智能預警防控系統，具有強大的數據采集、分析和挖掘能力，可以為大學生心理健康教育提供新的解決方案。

關鍵詞：大學生心理健康問題；針對性；及時性；心理健康教育；大數據技術；心理健康智能預警防控系統

中圖分類號：G642 文獻標識碼：A

文章編號：1009-3044（2024）23-0059-04

開放科學（資源服務）標識碼（OSID）

0 引言

在傳統的心理健康教育活動中，高校主要通過心理測評來評估大學生的心理健康狀況。輔導員會根據測評結果，與有不同程度心理問題的學生進行談心談話，并針對具體情況進行深入分析。然而，這種傳統方式存在時效性不足的問題，無法及時為學生提供有效的幫助，甚至可能產生誤導，因此，及時有效、個性化的心理健康教育尤為重要。隨著社會和信息技術的進步，大數據技術在學校教育中廣泛應用。大學生們線上發表觀點和情感已經成為常態，這種網絡行為產生了大量的實時數據，這些數據為后續的心理健康教育提供了有力的數據支持，通過對以上數據的分析，可以實時監測學生心理狀態，及時發現和解決潛在問題。這種基于數據的心理健康教育方式將更加科學、準確，有助于提高教育效果，更好地促進學生的心理健康發展。

1 大學生心理健康狀況

當代大學生是國家和社會建設與發展的主要力量，大學生正處于人生的重要轉折點，即將從學校進入社會，處于心理不成熟到逐漸成熟的過渡階段，這也導致大學生容易出現相關心理健康問題[1-2]。

現代社會在不斷發展，人們的競爭變得越來越激烈，科學技術的飛速進步迫使人們不斷更新知識，用人單位對人才素質的要求越來越高，對當代大學生的要求也越來越高；由于高校擴招，每年都有越來越多的高校畢業生，然而就業機會并未隨之迅速增加。雙重原因導致在校大學生既面臨學業壓力，還面臨畢業后的就業壓力。此外，大學生在學習和生活中也隨時面臨著情感、人際、經濟等相關問題。在諸多問題和挑戰下，如果大學生心理不成熟，情緒波動大，心理承受能力弱，將無法承受社會競爭和變化的沖擊，產生嚴重的心理問題，甚至于會走向極端。

2019年12月，始料未及的新冠疫情突發，這對在校大學生產生了不小的影響[3-4]。疫情常態化下，一些學生比平時有更多的抑郁和焦慮，面對封閉的學校環境，他們的情緒波動更大[5-6]，由此產生的心理問題也特別嚴重。研究指出，中國大學生在面對心理挫折和突發事件時，普遍展現出較低的心理承受能力。

2 現狀及存在的問題和不足

原國家教委曾進行調查和測試，發現全國高校每年都存在自殺事件的發生，主要是因為失戀、考試失敗或者人際沖突等原因[7]。而在預防大學生心理問題產生上，大多數職業院校仍采用傳統人力方式。

目前，大多數高職院校采取“心理測評—發現問題學生—輔導員談心談話”的方式開展心理健康問題發現及教育工作，學生心理健康測評的時間一般都放在了上半學期，大多數情況下也只將大一學生作為調查對象。不可否認，對于大一學生來說，剛進入一個新環境，一些學生可能產生一些如：焦慮不安、壓力較大等的負面情緒，對這一階段的學生進行心理健康測評的確十分重要。但是不可忽視的是，隨著學生在校時間的增長，高年級學生的學習壓力也可能會隨之增長，也需要進行持續的心理跟蹤測評，然而學校卻沒有進行或者很少進行這樣的跟蹤測評，并形成跟蹤測評體系，這在一定程度上也削弱了對大學生心理健康管理的成效。

在日常工作當中，在校大學生的心理健康狀況大多數情況由輔導員直接負責[8]，由于輔導員工作的繁雜性、學生的多樣化，導致輔導員很難全面地關注到每一位學生的心理狀況。并且，有些輔導員不是心理學專業的，對心理健康教育知識知之甚少或一無所知，很難對學生進行精準的心理輔導。在日常工作中，雖然學校會針對學生的心理健康教育問題為輔導員安排培訓或講座，但僅僅靠幾次培訓和講座來提高輔導員的心理健康能力是遠遠不夠的，能學到的往往只是表面的，并不能為學生提供全面的心理健康咨詢[9]。

學生心理健康教育往往通過“線上線下訪談+線下活動”的方式開展，但是總的來說還是問題已經發生了之后才去解決這些問題，而沒有運用現代信息技術的手段來進行及時預警心理健康問題的發生。

綜上所述，傳統心理健康工作存在覆蓋面小、分析難度大、效率低等問題。由于互聯網的快速普及，網絡日益成為大學生心理情感表達和宣泄的重要渠道，傳統的方式無法及時獲取和分析與學生心理健康相關的網絡數據，大學生心理健康教育工作存在一定缺失。基于大數據技術的心理健康智能預警防控系統，彌補了心理智能預警防控方面的不足之處。

3 大數據技術介紹

隨著社會的發展和科學技術的進步，尤其是互聯網技術的高速發展，網絡、通信、移動設備等產生的數據量日益龐大，社會已經進入一個大數據時代，傳統的數據處理方法已經不足以應對現代社會產生的巨大數據，而大數據技術可以幫助人們處理龐大的數據，大數據技術也正受到越來越多人的關注[10]。

3.1 什么是大數據

從字面意思來看，大數據即巨量數據。大數據是指無法在一定時間范圍內用常規軟件工具進行捕捉、管理和處理的數據集合，“大量化、多樣化、快速化、價值密度低”就是“大數據”的顯著特征[11]。大數據技術的戰略意義不在于掌握龐大的數據信息，而在于對這些含有意義的數據進行專業化處理，通過“加工”實現數據的“增值”。通常具有海量的數據規模、快速的數據流轉、多樣的數據類型和價值密度低四大特征。

一是數據量巨大。根據互聯網數據中心發布的“數字宇宙”的報告，預計到2025年，全球數據使用量達175ZB[12]。

二是數據類型繁多。數據來源非常廣泛，這也直接或間接地決定了數據類型的多樣性。大數據可以分為三類：一是結構化數據，其特征在于數據之間存在明確的因果關系；二是非結構化數據，其特征在于數據之間缺乏明顯的因果關系；三是半結構化數據，其特征在于數據之間的因果關系相對較弱[13]。有統計數據顯示，目前整個互聯網數據量的75%以上的數據都是結構化數據，但實際上，那些非結構化數據才是真正能夠產生價值的“大數據”。

三是價值密度低。在傳統數據時代，數據大多為結構化數據，每個字段都有其特定的意義，因此價值密度非常高。然而，在大數據時代，大量的數據開始變得半結構化或非結構化，其中許多內容并不具備實際價值，真正有價值的部分相對較少，盡管數據量大大增加，但其價值密度實際上有所降低。

四是處理速度快。在大數據時代，數據的生產和傳播方式與傳統數據載體截然不同，主要依賴于互聯網和云計算等技術。數據的生產和傳播速度非常快，幾乎實時進行，此外，大數據處理要求極高的響應速度，數據的輸入、處理和舍棄都需要在瞬間完成。

研究大數據，最重要的意義是進行預測。因為數據從根本上講，是對過去和現在發生事情的歸納和總結，數據本身不具備趨勢和方向性的特征，但是可以應用大數據去了解事物發展的客觀規律，了解人類行為，并且能夠幫助人們改變過去的思維方式，建立新的數據思維模型，從而對未來進行預測和推測。

3.2 大數據技術簡介

大數據技術主要涉及數據采集、預處理、存儲和可視化等方面。在眾多流程中，數據采集是至關重要的第一步，因此其重要性不言而喻[14]。

大數據的采集是指利用數據庫、日志、外部數據接口等方式收集分布在互聯網各個角落的數據。采集過程中需要用到各種技術，如網絡爬蟲、分布式采集等，以盡可能地擴大數據采集的范圍，因此大數據的采集方法和傳統數據采集的方法有著較大的差異。

數據預處理主要是對采集到的原始數據進行必要的處理，以保證數據的質量和準確性。數據預處理主要包括數據清洗、數據集成、數據轉換和數據歸約等技術[15]。

數據存儲是指將大規模的數據持久化到計算機中，以便進行后續的處理和分析。大數據存儲的挑戰在于如何有效地管理和存儲大規模的數據，并提供快速的數據訪問速度。常見的大數據存儲系統有分布式文件系統、關系型數據庫、非關系型數據庫等。針對不同類型的大數據，可以選擇適合的存儲系統來滿足數據存儲的需求，目前主流的存儲方式是采用分布式架構進行存儲，在分布式存儲當中，將大數據存儲的任務分成一個個小塊，從而分配到集群中的各個機器上。常用的大數據存儲技術是采用分布式文件系統和分布式存儲系統HBase來實現的。

大數據處理系統是指用于處理大規模數據的系統，它可以利用分布式計算技術和數據存儲技術來加速數據處理和分析過程。大數據處理系統通常采用并行處理的方式，將數據分布到多個處理器或計算機上進行同時處理，以提高處理速度和效率。常見的大數據處理系統有Hadoop、Spark、Flink等[16-17]。

由于大數據的采集、存儲和計算涉及大量數據，因此需要特殊的技術來有效處理這些數據。從技術上看，大數據與云計算的關系就像一枚硬幣的正反面一樣密不可分，大數據無法僅通過一臺計算機進行處理，而是需要采用分布式架構。大數據和云計算兩者雖然概念不同，但是二者是相輔相成、互為一體、共同發展的，大數據要依托云計算的分布式處理、分布式數據庫和云存儲、虛擬化計算，而且必須采用分布式架構，才能對海量數據進行分布式數據挖掘，兩者只有緊密結合在一起，才能實現功能和價值的最大化發揮[18]。

4 基于大數據的心理健康智能預警防控系統

4.1 系統開發與應用

系統采用大數據相關技術對學生在校日常學習生活中通過一卡通系統、網絡行為日志、心理測評等系統中產生的數據進行采集和存儲，并經過數據清洗和處理，構建學生詳細的行為軌跡記錄，并在每天近億條記錄的情況下實現軌跡的差異性分析，同時采用人工智能技術和數據計算引擎，結合學校實際業務構建心理健康異常預警模型，通過該模型能夠對孤僻人群、異常人群、行為異常人群、測評異常人群進行預警，并且通過心理綜合畫像以及數據可視化看板將心理健康異常的人群進行展示，實現了心理健康教育工作的“前置”，真正做到防患于未然，并達到了對學生心理健康預警的全覆蓋，如圖1所示。

系統能夠實時采集網絡行為日志數據，并結合心理測評等相關數據，通過大數據技術進行分析，將心理異常學生分為初現、疑似和高危人群，從而形成三級預警機制，并展示出各部分的人數和具體的學生信息，進而推送給相關輔導員，如圖2和圖3所示。

系統提供了一套全校學生心理健康實時防控系統駕駛艙，如圖4所示，方便實時掌握全校所有學生的心理健康情況。系統不但針對某一項構建業務和數據模型進行挖掘分析，并且能構建更為復雜的業務模型對心理健康整體預警。

基于大數據的心理健康智能預警防控系統，能夠實時獲取心理測評數據，核心功能包括對孤僻、心理抑郁、心理行為異常、心理測評等直接與心理健康相關的異常因素進行實時預警，同時還對有可能引起心理異常的其他異常行為進行智能預警，如：網貸、網癮、學業異常等。

4.2 系統實際應用效果

系統具有實時性、全覆蓋、精準化等特點。系統的實時性指基于學生行為、生活和學習習慣，可以實時監測學生心理變化并進行預警，發生緊急情況的時候，輔導員等相關老師可以及時介入處理；系統的全覆蓋指可以對全校每一個學生心理健康進行監測，真正掌握每一個學生的心理健康狀況；系統的精準化指一旦出現預警，不但分析預警的原因，還可查看異常心理變化軌跡，從而能夠在最短的時間內做出相對應的對策。

系統經過學校各個院系的應用，產生了不錯的效果，輔導員和學生管理人員對心理健康智能預警防控系統給予了較高的評價，學生心理健康預警準確率達到92.1%，輔導員能夠及時介入，進行心理疏導，并防范問題進一步發展和發生。

系統主要服務于學校領導、學生處心理健康教育中心、院系領導和輔導員。校領導可實時查看了解全校學生心理健康情況，以及心理健康教育中心和院系在心理疏導方面的工作進展；學生處心理健康教育中心可實時掌握學校學生心理狀況及心理預警學生分布；院系領導能夠及時掌握院系學生心理異常情況，及時給予關注；輔導員可以及時掌握自己帶班學生心理情況，并給予重點關注和引導。

4.3 系統提升優化的思路措施

系統在運行過程中，也存在一些需要完善的地方，比如如何科學地利用網絡信息技術獲取精準度較高的學生心理健康信息，如何建立完善的心理信息收集機制，如何完善心理預警的信息分析方法，如何智能化預警與干預機制的建立，呈現方式如何更加人性化、權限管理粒度需要進一步細化、預警防控模型需要優化等。

5 總結

基于大數據技術的心理健康智能預警防控系統，可以有效解決傳統心理健康工作方式覆蓋面小、分析難度大、效率低的問題，也形成了較為完善的大學生心理健康跟蹤測評體系，彌補了傳統線下心理健康教育的不足，為在校大學生的心理健康預警防控起到了一定的作用，也為在校大學生的健康成長保駕護航。下一階段研究將對心理預警的指標進行擴充、對心理健康數據進行有效的總結以及分析，在運行過程中持續優化系統，使系統更加智能和人性化，以期為校園學生的心理健康管理工作帶來了極大的便利，也更有利于學校老師及早發現學生心理健康相關方面的問題并且能夠及時解決。

參考文獻：

[1] 楊藝旋.社會支持對大學生心理健康的影響研究[D].成都：四川省社會科學院，2021.

[2] 于萌.大學生的心理健康問題分析及其調適[J].中國科教創新導刊，2007（27）：117.

[3] 程桂練，干林，王秀麗，等.新冠肺炎疫情給高校信息素養教育帶來的思考[J].河南圖書館學刊，2021，41（4）：75-77.

[4] 李宇玲，向婉婉，陳佳怡，等.新冠肺炎疫情對大學生預防醫學專業認同感的影響[J].衛生職業教育，2022，40（24）：129-132.

[5] 咸世昭.常態化疫情防控下某高校大學生心理健康狀況測評與分析[J].運城學院學報，2021，39（6）：77-80.

[6] 秦贊，張敬亞，李麗，等.新冠肺炎疫情對大學生就業帶來的影響及對策[J].品位·經典，2021（19）：116-117，127.

[7] 王淵博.如何做好大學生心理健康工作[J].科學咨詢（教育科研），2015（4）：15-16.

[8] 李紅，莊蕾.提升高職院校輔導員心理健康教育工作能力的有效途徑[J].遼寧行政學院學報，2014，16（12）：109-110.

[9] 查衛華.探究高校輔導員在心理健康教育工作中的角色定位[J].公關世界，2021（14）：118-119.

[10] 葉鈞.大數據技術在高校教育信息化管理中的運用探討[J].中國設備工程，2022（3）：32-33.

[11] 宋本玉.大數據時代下高校檔案管理相關問題的探討[J].管理觀察，2015（13）：125-126.

[12] 管廷昭，夏艷東.大數據視角下高校綜合信息分析平臺的構建[J].數字技術與應用，2014，32（8）：73-74.

[13] 陳晨健.大數據環境下民辦高校圖書館的知識服務之路[J].傳播與版權，2017（11）：96-98.

[14] 張偉龍，李榮嫻，張波.基于大數據技術的專業發展信息化系統研究[J].電腦知識與技術，2020，16（20）：38-39.

[15] 昂清，王衛東.生物標記物的數據挖掘在臨床醫學中的研究[J].科學技術與工程，2007，7（6）：1237-1239，1247.

[16] 韓浦霞.大數據技術綜述[J].天津職業院校聯合學報，2020，22（12）：113-118.

[17] 田石.基于Hadoop和Spark的大數據投票特征選擇方法[D].保定：河北大學，2020.

[18] 劉若華，王菁.芻議云計算與大數據技術研究現狀[J].信息記錄材料，2021，22（8）：16-17.

【通聯編輯：王 力】