基于情感分析技术的大学生心理危机检测与干预措施探讨

刘忠艳 乔沐溪 乔付

关键词：心理危机；干预；大学生；文本分析；问卷调查

0 引言

大学生心理健康是关系到个体发展和社会稳定的重要问题[1]。近年来，随着社会的快速发展，大学生面临的各种心理压力越来越大，心理危机现象日益凸显[2]。如何有效地检测大学生的心理危机，及时提供干预措施，成为当前研究的热点。传统的心理检测方法大多基于问卷调查和量表测量，这种方法不仅主观性强，而且效率较低。因此，寻找一种客观、高效的心理危机检测方法成为当务之急。

心理危机是指个体在心理活动方面出现的明显异常表现，如焦虑、抑郁、自卑等。这些心理危机可能导致个体行为异常、学业失败、身心健康问题等。近年来，随着大数据和人工智能技术的发展，基于文本分析的心理危机检测方法逐渐受到关注。这种方法通过分析个体的文本数据，如大学生的基本信息数据、消费信息、心理健康情况、微博、博客、日记等，利用数据挖掘和机器学习算法，提取心理危机的特征，从而进行有效的心理危机识别[3]。在干预措施方面，现有的研究主要集中在心理咨询、心理教育和心理治疗等方面。然而，这些干预措施大多针对心理危机的个体，忽略了心理危机的预防和早期发现。因此，如何通过机器学习和文本分析技术，提前发现个体的心理危机，并提供有效的干预措施，是当前研究的热点和难点。

本研究采用基于文本分析的方法，对大学生心理危机进行检测和干预。首先，利用调查问卷收集大学生的文本数据，利用情感分析技术对这些数据进行情感极性标注。通过比较正常文本和危机文本的情感极性分布，初步筛选出具有心理危机的大学生。其次，针对初步筛选出的心理危机大学生，利用文本分类技术对他们的文本数据进行分类，通过分析分类结果中的主题和关键词，提取心理危机的特征。最后，根据心理危机的特征，制定相应的干预措施，包括心理咨询、心理教育和心理治疗等。

1 情感分析技术

情感分析是当今数据挖掘领域的基本问题，常用词频率-逆文档频率（TF-IDF） 方法来突出文本中的重要信息。TF-IDF定义如下：

文本分析步骤：读取数据、进行分词、去掉停止词、提取TF-IDF特征、结果分析。

在大学生心理危机检测的文本分析中，常用的公式包括贝叶斯分类器、支持向量机（Support Vector Ma?chines，SVM） 、逻辑回归等[5-6]。

贝叶斯分类器是一种基于贝叶斯定理的分类方法，它通过计算文本中每个词语出现的概率，来预测文本所属的类别[6-7]。常用的贝叶斯分类器包括朴素贝叶斯和多项式贝叶斯。朴素贝叶斯假设文本中各个词语之间相互独立，而多项式贝叶斯则考虑了词语之间的相关性。

SVM是一种有监督的学习方法，它通过将数据映射到高维空间中的超平面，来实现分类[8]。在文本分析中，SVM可以通过计算文本中的关键词向量，来判断文本所属的类别。

逻辑回归是一种基于统计学的分类方法，它通过计算文本中的关键词出现的频率和权重，来判断文本所属的类别[9]。常用的逻辑回归模型包括二项逻辑回归和多项逻辑回归。

2 数据采集与分析

2.1 数据采集

文中实验环境为Python3.8和Jupyter工具，所使用的实验数据是基于岭南师范学院在校大学生产生的真实数据为基础的。通过制定问卷星调查问卷并通过网上发布来收集样本，共收集到样本数据200 份[9]。问卷星首页界面如图1所示。收集的学生数据主要包括学生的性别、年级、是否独生子女、家庭所在地、自身心理健康关注度等基本信息，以及学生消费状况和在校挂科情况、家庭背景影响、对心理健康出现异常的看法和措施等32个问题，其中还包含问卷来源详情以及问卷填写得分等数据。采集的信息及部分数据形式如表1所示。

2.2 词云图显示学生填写情况

在该调查问卷中，设置了树洞选项以供学生填写心里话，该选项并未设置为必填项，学生填写与否取决于学生意愿。如图3所示为学生树洞词云图，通过词云图的显示结果可以看出未填写该答题的学生占比较大（大部分学生不愿意吐露心声），学生的答题结果整体看来比较偏向负面，少部分偏向正面。

如图4所示为心理危机学生树洞填写情况词云图，可以很直观地看出分类标签为“心理危机”的学生树洞填写结果更偏向于负面，对于如何有效检测出这些学生并进行心理干预至关重要。

2.3 学生个人心理危机经历及心理健康看法

除了识别出心理危机的学生外，对于如何采取有效措施对存在心理危机的学生给予援助也至关重要。可以从学生填写的问卷中了解学生对自身心理关注程度，了解他们在碰到心理问题时如何求助和处理，以及了解学生对学校心理健康工作站开设的必要性等。这对于学校如何对学生正确引导以及对哪些方面的工作需要进一步加强具有一定意义。

如图5所示为学生对学校心理辅导站开设看法占比以及开设心理辅导站必要性占比图，从该图可以看出学生对学校辅导站开设作用持负面看法，觉得学校开设辅导站的必要性不大，这对于学校进行学生危机心理干预，帮助学生走出不良状况起到一定的阻碍作用。学校需要加强学生对心理辅导站方面相关知识的学习，让学生了解辅导站的作用，在遇到心理问题时，能够第一时间通过心理辅导站获取援助。

如图6和图7所示分别为学生获取心理健康信息相关知识的来源图和学生认为学校需要强化心理工作词云图，根据这两张词云图显示可以得出学生获取心理健康信息相关知识的来源一般为网上、讲座和书籍；学生认为学校需要强化的心理工作包括讲座的举行、与学生多沟通。学校可以根据学生意见对这些工作进行加强。

2.4 心理危机检测模型

SVM分类算法在复杂非线性和高维空间分类中具有明显的优势。支持向量机的核心是试图通过最大化两个不相交半平面之间的间隔来减少泛化误差。在线性不等式约束下，通过最小化凸二次函数来解决优化任务。

其中，TP 表示心理健康样本成功预测为心理健康样本的数量，TN 表示心理异常样本成功预测为心理异常样本的数量，FP 表示心理异常样本错误预测为心理健康样本的数量，FN 表示心理健康样本错误预测为心理异常样本的数量[10]。

在采用SVM模型检测心理异常学生时，检测效果在很大程度上受惩罚参数C和核函数影响，合适的参数会大幅度地提升SVM模型的检测效果。本节分析参数C与核函数对SVM模型的检测效果的影响。

随机从总的200 个样本数据集中抽取出80%的样本作为训练集，20%的样本作为测试集，得到划分处理的数据，代入SVM模型进行训练，进行30 次重复实验，将得到检测准确率30 次的平均值作为结果的准确率[11]。SVM分类器中其他参数都取默认值，当核函数取值为linear 时，SVM 模型准确率取得最大值为0.9，高于其他3 种核函数。因此，本文SVM模型中核函数取linear。进行同样的实验，参数C取值为[1，6]，步长为1，当参数C取2 时，SVM模型准确率取得最大值0.95，所以，本文SVM模型中参数C取值为2。

数据划分与模型运行次数与上节同样。本文SVM模型的检测准确率为0.95，并与贝叶斯、逻辑回归等不同的检测模型准确率进行对比，贝叶斯检测模型检测准确率为0.90，逻辑回归检测模型准确率为0.80，如图8 所示。SVM模型对心理危机学生检测的准确率高于其他两种模型。

2.5 学校干预措施

心理危机的干预是指通过一系列措施，对处于心理危机状态的个人或群体进行干预，以缓解其心理困扰，恢复其心理平衡[12]。心理危机干预的基本原则包括及时性、系统性、有效性等。常用的心理危机干预方法包括心理教育、心理咨询、心理治疗等[13]。研究表明，及时、有效的心理危机干预可以显著降低自杀率和心理疾病的发病率。

如图9～图11分别为学生认为心理问题来源词云图、学生心理危机问题处理词云图和学生心理危机求助词云图。从这三张词云图可以看出，大多数学生认为心理问题的来源是学习以及各方面压力影响，在遇到心理问题时，大多数会选择自我消化，用吃东西或者睡觉方式来缓解心理压力，但长此以往，不止学生心理状况、身体也会更加糟糕，容易导致胃病、增重等不良后果。学校应对学生进行正确引导，具体建议如下：

第一，开展心理健康教育。学校可以通过开设讲座与线上课程等形式，帮助学生了解心理健康知识，增强心理素质。

第二，加强心理咨询与治疗。学校应建立心理咨询与治疗中心，配备专业的心理咨询师和治疗师，为学生提供及时、有效的心理健康服务。

第三，建立心理危机预警机制。通过建立心理危机预警机制，早发现、早干预学生的心理情况，防止心理危机问题的发生。

第四，营造良好的校园氛围。学校应加强开展校园文化，营造活跃的校园氛围，减少学生的心理压力，提高其心理健康水平。

3 结论

本文通过对大学生调查问卷文本数据的分析，提出了基于情感分析技术的心理危机检测与干预措施。通过对比实验的结果，本研究发现基于文本分析的方法能够显著提高大学生心理危机的检测准确率。同时，针对不同类型心理危机的大学生，制定的干预措施能够有效改善他们的心理状况。然而，这种方法也存在一些局限性。例如，情感分析技术对于不同语境和文化背景的数据可能存在偏差。此外，文本分类技术的效果也受到数据质量和特征选择的影响。因此，未来研究需要在技术和方法上进行进一步的优化和改进。