基于二维卷积神经网络的大学生负性情绪预警模型.pdf
《基于二维卷积神经网络的大学生负性情绪预警模型.pdf》由会员分享,可在线阅读,更多相关《基于二维卷积神经网络的大学生负性情绪预警模型.pdf(6页珍藏版)》请在咨信网上搜索。
1、中国数字医学2023 第 18 卷 第 8 期 51基于二维卷积神经网络的大学生负性情绪预警模型程欣炜 薛松【摘要】目的:基于二维深度学习算法提出大学生负性情绪预警模型,增强大学生负性情绪识别的准确性和稳定性。方法:基于 13 所高校 56 837 名大学生 3 类 15 项特征数据,构建“时间-测度”基于特征灰度的二维卷积神经网络模型(FG-CNN),比较该模型与 6 类机器学习模型在负性情绪同期预警和跨期预警上的效果。结果:FG-CNN 在同期预测上具有 94.93%的准确率和 0.976 的 AUC 值,在跨期预测上具有 91.18%的准确率和 0.939的 AUC 值,均优于一维机器学
2、习结果。结论:学生个体属性和行为模式具有负性情绪预警信息含量,二维深度学习算法可以提高预警精度,为大学生负性情绪认知提供了大数据支撑。【关键词】负性情绪;预警模型;卷积神经网络;特征灰度;机器学习 Doi:10.3969/j.issn.1673-7571.2023.08.009【中图分类号】R319;R749.4 Negative emotion warning model of college students based on two-dimensional convolutional neural network CHENG Xinwei,XUE Song.School of Econo
3、mics,Nanjing University of Posts and Telecommunications,Nanjing 210023,Jiangsu Province,China(CHENG Xinwei);School of Psychology,Nanjing Normal University(XUE Song)【Abstract】Objective To develop an early warning model of college students negative emotions based on two-dimensional deep learning algor
4、ithm which enhances the recognition accuracy and stability of college students negative emotions.Methods A Time-Measure Feature Grayscale-based two-dimensional Convolutional Neural Network(FG-CNN)model was constructed based on 3 types and 15 items of data from 56,837 college students in 13 universit
5、ies to compare the effectiveness of this model with 6 types of machine learning models for simultaneous and intertemporal warning of negative emotions.Results FG-CNN had 94.93%accuracy and 0.976 AUC in the simultaneous prediction,and 91.18%accuracy and 0.939 AUC in the simultaneous prediction,both o
6、f which were better than the one-dimensional machine learning results.Conclusion Students individual attributes and behavioral patterns have information for negative emotion early warning.Two-dimensional deep learning algorithm can improve the early warning accuracy and provide big data support for
7、college students negative emotion perception.【Keywords】Negative emotion;Early warning model;Convolutional neural network;Feature grayscale;Machine learning基金项目:国家自然科学基金青年项目-负性情绪影响冲突控制的神经机制(31800915)作者单位:210023 南京,南京邮电大学经济学院(程欣炜);南京师范大学心理学院(薛松)大学生负性情绪预警是当前高校心理健康教育和危机干预的重要实践课题。2021 年 11 月,教育部召开全国高校学生心
8、理健康教育工作推进会,要求高校心理健康工作“加强源头治理,强化过程管理”,对负性情绪筛查的日常化、预防化和精细化提出了更高要求。当前高校心理筛查存在 3 个方面问题:第一,筛查频率较低,缺乏过程管理。92.31%的样本高校仅在入学和大三进行两次常规心理筛新技术应用Application of New Technology52 China Digital Medicine.2023,Vol.18,No.8查,且除入学筛查外并不强制全员参加;低频筛查导致数据陈旧、偏差大,心理干预精准性低。据中科院心理所统计,大学生抑郁检出率为 18.50%,较高三的 37.50%突降明显1,远低于采用抑郁自评量表
9、(SDS)和症状自评量表(SCL-90)重测的 52.90%2。第二,量表作答敷衍,数据雷同度高。样本学生首次心理筛查(入学)单题用时3.36 s,二次筛查下降为 2.34 s,男生作答的平均用时短于女生;连续相同作答比例较高,二次筛查中男生连续 30 题结果相同占比超 60%;心理筛查自选“贫困”但未被贫困生库收录的学生比例约为 15%,见表 1。第三,检出率不稳定,动态复用有限。测量工具、检出标准和检出时间不同导致负性情绪检出率差异大3,造成筛查结果较少用于日常管理,缺乏对学生规范性评价的指导意义;同时心理筛查涉及大量学生敏感信息,当前,“三级可控匿名”的披露方式使学生无法查看测评结果,负
10、性情绪调节依赖于校级或院级相关负责人的责任心和咨询能力,动态复用效率低。近年来,个体属性和行为因素对负性情绪识别的影响机制获得验证4-6,形成基于机器学习的患者行为数据挖掘和早期识别系 统7-8,特别是针对社交行为的负性情绪识别9-10,但并未运用于大学生心理测评和预警。基于上述分析,本研究以特征灰度描述个体属性和行为信息的二维数据结构,提出一种基于特征灰度的二维卷积神经网络模型(feature generation by convolutional neural network,FG-CNN)的大学生负性情绪预警模型,充分集成学生系统中的高粒度数据信息,动态评估学生心理健康状态,在准确预警学
11、生负性情绪的基础上,实现自动化信息披露和行为应对。1 方法1.1 数据获取研究于 2022 年 9 月10 月对南京市和扬州市 13 所高等院校的56 837 名在读学生的心理健康、个体属性和行为模式进行了数据采集。其中,双一流高校 4 所,普通公办高校 6 所,民办高校 3 所;男生 27 186 名,女生 29 651 名。样本学生均完成学校统一组织的心理筛查且结果有效,35 993 名完成一次筛查,20 844 名完成两次及以上筛查;负性情绪预警率为 51.43%(细分预警率分别为 A 级 27.28%,B级40.96%),自杀倾向占比3.16%,抑郁倾向占比 21.81%。进一步研究采
12、集学生系统中的数据信息,按信息粒度划分为 3 个层次:第一层次为固定信息,包含学生性别、家庭人数、独生子女、贫困程度和志愿顺序;第二层次为学期信息,包含平均绩点、修读学分、体育成绩、英语四级成绩和证书数量;第三层次为高频数据,包含课时数量、校园卡额、图书借阅、食堂消费和出校申请。学生个人信息(姓名、学号、身份证号等)采用哈希算法严格脱敏后使用,原始数据不可下载至本地服务器,见图 1。1.2 数据预处理考虑到发生粒度或日粒度数据的噪声干扰,研究将高频行为数据降频至按周汇总以平衡数据量和运算速度,即每名学生均形成一个(780,)的一维数据向量。考虑到量纲对变量权重的影响,研究对数据向量进行归一化,
13、即将每个特 征(共 780 个)均缩放至 01。由于不同特征可在时间维度上相互印证,形成具有识别意义的高维模式,因此,研究将归一化后的特征向量排列为 1550 的二维矩阵,每行表示一类测度,每列表示 1 周时间;因各校开学时间不同,研究剔除 9 月前两个完整周。构建“时间-测度”二维特征矩阵后,学生表 1 高校心理筛查作答情况统计组别单题用时均值/s单题用时标准差/s连续30题相同占比/%连续40题相同占比/%跨系统校验错误率/%首次心理筛查男(n=27 186)2.960.8731.9525.7413.87女(n=29 651)3.731.2529.6224.7616.15二次心理筛查男(n
14、=9 294)2.120.7765.4755.0114.42女(n=11 550)2.551.0957.5952.2316.01新技术应用Application of New Technology中国数字医学2023 第 18 卷 第 8 期 53信息在时间维度上的逻辑顺序由特征灰度图给出;图 2(a)和图 2(b)分别展示了非预警和预警学生特征灰度的平均图形,不难看出预警学生的平均行为差异较非预警学生更小,但并未观察到显著的特征变量或组合能够区分两类样本。因此,研究认为存在某种具有显著筛查意义的指标组合模式,在单独的测度或时间维度上无效,但所形成的二维组合模式可随时间平移或拉伸;图 2(c)
15、假想了一种形如“X”的特征组合模式,并在示意图中绘制其时间平移和拉伸,而真实的特征组合模式将更为复杂和隐蔽,须采用 FG-CNN 加以训练。1.3 模型搭建在算法训练层面,研究采用以 Tensorflow 为核心的 Keras 人工神经网络工具库构建 FG-CNN,对学生信息进行训练和预测,并进行针对性优化:将复杂前馈神经网络运用于小样本训练时,随机省略特征检测器(feature detectors)能够有效规避算法的过拟合问题11,考虑到一所高校的学生规模波动较小,不同年级学生的心理特征和行为特征缺乏一致性,因此,研究引入 AlexNet 卷积神经网络模型12,将 dropout 和全连接交
16、替使用两次并设置基于均方误差的早停策略防止学习模型过拟合,以增强数据训练效率,见图 3。在数据测试层面,研究采用同期测试和跨期测试两种模式。其中,同期测试是指将参与首次心理筛查的样本学生数据集按 2:1:1 划分为训练集、验证集和测试集,构图 1 学生特征数据的采样项目图 2 学生信息的二维特征灰度(a)非预警学生二维特征平均灰度(b)预警学生二维特征平均灰度(c)假想“X”形特征模式的平移与拉伸示意图 3 深度学习模型结构新技术应用Application of New Technology54 China Digital Medicine.2023,Vol.18,No.8建二维深度学习模型预
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 二维 卷积 神经网络 大学生 性情 预警 模型
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。