基于大數(shù)據(jù)的數(shù)據(jù)挖掘算法在大學(xué)生心理危機(jī)預(yù)警中的研究

楊利

摘要：大學(xué)生心理管理系統(tǒng)的發(fā)展已成為大學(xué)生監(jiān)測和預(yù)防心理危機(jī)的重要手段。高校學(xué)生管理數(shù)據(jù)庫積累了大量的數(shù)據(jù)，但是數(shù)據(jù)處理工作只是簡單的統(tǒng)計、存儲和查詢。文中探討了大數(shù)據(jù)技術(shù)在當(dāng)前心理管理系統(tǒng)中的應(yīng)用，可以擴(kuò)展心理危機(jī)的調(diào)查和篩選指標(biāo)，實現(xiàn)心理預(yù)警數(shù)據(jù)的動態(tài)管理、實時監(jiān)測高危人群的心理，提高學(xué)生心理危機(jī)早期識別和預(yù)警的準(zhǔn)確性和有效性。

關(guān)鍵詞：大數(shù)據(jù)技術(shù)；大學(xué)生心理；心理預(yù)警；動態(tài)管理

中圖分類號：TP391 文獻(xiàn)標(biāo)識碼：A 文章編號：1007-9416（2017）03-0147-02

隨著移動互聯(lián)網(wǎng)和物聯(lián)網(wǎng)的快速發(fā)展，我們進(jìn)入大數(shù)據(jù)時代，現(xiàn)在每天的數(shù)據(jù)記錄比人類歷史數(shù)據(jù)記錄還要多，數(shù)據(jù)使用量從GB（10的9次方）發(fā)展到TB（10的12次方），面對復(fù)雜的半結(jié)構(gòu)化或非結(jié)構(gòu)化數(shù)據(jù)資源，傳統(tǒng)的數(shù)據(jù)存儲、分析和處理技術(shù)難以完成，產(chǎn)生大數(shù)據(jù)概念，與大數(shù)據(jù)相關(guān)的數(shù)據(jù)挖掘和數(shù)據(jù)應(yīng)用已成為研究信息科學(xué)領(lǐng)域的熱點。一直是該領(lǐng)域?qū)＜谊P(guān)注的焦點。

近年來，一些世界頂級科學(xué)期刊，開始建立大數(shù)據(jù)技術(shù)應(yīng)用專欄，討論大數(shù)據(jù)技術(shù)在各個科學(xué)領(lǐng)域的應(yīng)用。在心理學(xué)領(lǐng)域，許多心理學(xué)家已經(jīng)開始使用各種大數(shù)據(jù)平臺來收集和處理所有類型的數(shù)據(jù)用于相關(guān)研究。目前，學(xué)生管理系統(tǒng)只針對學(xué)生心理健康指標(biāo)的客觀記錄，數(shù)據(jù)處理工作僅是簡單統(tǒng)計、存儲、備份、查詢等，沒有充分利用這些數(shù)據(jù)，這為數(shù)據(jù)庫應(yīng)用和數(shù)據(jù)挖掘技術(shù)在大學(xué)生心理危機(jī)預(yù)防和發(fā)展提供空間和資源。

1 數(shù)據(jù)挖掘技術(shù)的概述

數(shù)據(jù)挖掘是從大量、不完整的、嘈雜的、模糊的和隨機(jī)數(shù)據(jù)中提取潛在有用的信息和知識的過程。隨著信息科學(xué)技術(shù)的發(fā)展，各個領(lǐng)域積累的數(shù)據(jù)量迅速增加。如何從海量數(shù)據(jù)中提取有用的知識和規(guī)則已成為研究熱點之一。數(shù)據(jù)挖掘是一種數(shù)據(jù)管理、分析和處理技術(shù)，是知識發(fā)現(xiàn)的關(guān)鍵一步。該方法的主要應(yīng)用是相關(guān)分析、分類、聚類、預(yù)測時序模式和偏差分析。

圖1所示是一個數(shù)據(jù)挖掘模型。它表示數(shù)據(jù)挖掘的基本過程，大量的數(shù)據(jù)挖掘，根據(jù)管理的定義，預(yù)處理后的數(shù)據(jù)獲得可靠的格式，便于挖掘向?qū)幚頂?shù)據(jù)，然后進(jìn)入挖掘內(nèi)核 得到模式集合，模式集合可以表達(dá)和解釋通過挖掘管理器模式過濾之后可以得到用戶理解和使用的綜合知識庫。

2 數(shù)據(jù)挖掘的算法概述

2.1 基于決策樹的分類算法

決策樹算法是基于實例類的歸納分類算法。 該算法可以為給定數(shù)據(jù)集構(gòu)建決策樹模型，并提取直觀，易于理解的分類規(guī)則知識?；跊Q策樹算法的自頂向下遞歸分類，首先，對于分類度量值數(shù)據(jù)集每個屬性值進(jìn)行分類，選擇根節(jié)點。其次，從節(jié)點到分支機(jī)構(gòu)根據(jù)不同的計量屬性范圍將數(shù)據(jù)集合劃分為不同的數(shù)據(jù)子集； 然后遞歸方法地將數(shù)據(jù)分區(qū)，分區(qū)到所有子集屬于同一范疇，停止掃描。最后建立末端的葉子節(jié)點。

2.2 基于人工智能的分類算法

人工神經(jīng)網(wǎng)絡(luò)的靈感來自于生物學(xué)，用人工神經(jīng)網(wǎng)絡(luò)來模擬腦神經(jīng)元的處理。最好的方法是它可以通過訓(xùn)練方法自動匹配輸入數(shù)據(jù)和輸出數(shù)據(jù)，學(xué)習(xí)過程不需要控制，只要對訓(xùn)練參數(shù)進(jìn)行調(diào)整即可。這為我們的建模提供了非常有用的手段。

2.3 基于模式識別網(wǎng)絡(luò)算法

貝葉斯模型分類基于貝葉斯公式，根據(jù)某對象的先驗概率計算后驗概率來。選擇后驗概率最大的類作為該對象所屬的類，Michie等人在1994年 將樸素貝葉斯分類與決策樹算法和神經(jīng)網(wǎng)絡(luò)算法進(jìn)行比較，發(fā)現(xiàn)貝葉斯算法和其它算法的性能在大多數(shù)情況下是相當(dāng)?shù)?，在某些條件下會優(yōu)于其它算法。如圖1所示。

3 基于數(shù)據(jù)挖掘的心理危機(jī)預(yù)防系統(tǒng)的建立

基于上述挖掘算法，基于三種數(shù)據(jù)挖掘方法的心理危機(jī)預(yù)警系統(tǒng)結(jié)構(gòu)如圖2所示。系統(tǒng)分為三層：數(shù)據(jù)層、數(shù)據(jù)挖掘?qū)雍陀脩艚缑?。?shù)據(jù)層主要存儲學(xué)生心理測試數(shù)據(jù)。處理原始數(shù)據(jù)以獲得目標(biāo)數(shù)據(jù)挖掘集合。數(shù)據(jù)挖掘?qū)佑糜谕诰蚰繕?biāo)數(shù)據(jù)集。用戶界面層可以查看數(shù)據(jù)挖掘結(jié)果和挖掘評估、條件分析和規(guī)則知識挖掘。如圖2所示。

4 結(jié)語

研究大規(guī)模數(shù)據(jù)技術(shù)在大學(xué)生心理危機(jī)預(yù)警和預(yù)防自殺策略中的應(yīng)用具有很高的實用價值。使用大數(shù)據(jù)技術(shù)的快速、可預(yù)測、準(zhǔn)確和實用性等應(yīng)用價值，可以快速準(zhǔn)確地確定危機(jī)的狀態(tài)和程度，從而有效地制定危機(jī)干預(yù)計劃，減少或消除危機(jī)。為大數(shù)據(jù)應(yīng)用技術(shù)的未來發(fā)展提供參考和借鑒。

參考文獻(xiàn)

[1]喻豐，彭凱平，鄭先雋.大數(shù)據(jù)背景下的心理學(xué)：中國心理學(xué)的學(xué)科體系重構(gòu)及特征[J].科學(xué)通報，2015（01）.

[2]何非，何克清.大數(shù)據(jù)及其科學(xué)問題與方法的探討[J].武漢大學(xué)學(xué)報（理學(xué)版），2014（01）.

[3]馮登國，張敏，李昊.大數(shù)據(jù)安全與隱私保護(hù)[J].計算機(jī)學(xué)報，2014（01）.

[4]劉磊，趙東波.計算機(jī)心理動態(tài)測驗方法及心理測評系統(tǒng)研究探討[J].科技傳播，2014（03）.

[5]Computer-based personality judgments are more accurate than those made by humans. Youyou W.，Kosinski M，Stillwell D. Proceedings of the National Academy of Sciences of the United States of America . 2015.