CN112598184A - 一种戒毒人员复吸风险预测的方法和装置 - Google Patents
一种戒毒人员复吸风险预测的方法和装置 Download PDFInfo
- Publication number
- CN112598184A CN112598184A CN202011571997.8A CN202011571997A CN112598184A CN 112598184 A CN112598184 A CN 112598184A CN 202011571997 A CN202011571997 A CN 202011571997A CN 112598184 A CN112598184 A CN 112598184A
- Authority
- CN
- China
- Prior art keywords
- scale
- drug
- relapse
- sample
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 239000003814 drug Substances 0.000 claims abstract description 107
- 229940079593 drug Drugs 0.000 claims abstract description 107
- 238000012360 testing method Methods 0.000 claims abstract description 24
- 238000007619 statistical method Methods 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims description 24
- 230000015654 memory Effects 0.000 claims description 17
- 230000006399 behavior Effects 0.000 claims description 15
- 238000009826 distribution Methods 0.000 claims description 13
- 230000019771 cognition Effects 0.000 claims description 11
- 238000005259 measurement Methods 0.000 claims description 9
- 230000004083 survival effect Effects 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 claims description 4
- 206010027940 Mood altered Diseases 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 5
- 230000000875 corresponding effect Effects 0.000 description 28
- 238000004364 calculation method Methods 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 230000008451 emotion Effects 0.000 description 8
- 238000013480 data collection Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- 208000007271 Substance Withdrawal Syndrome Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 206010013663 drug dependence Diseases 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 208000011117 substance-related disease Diseases 0.000 description 2
- 230000001988 toxicity Effects 0.000 description 2
- 231100000419 toxicity Toxicity 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 206010012335 Dependence Diseases 0.000 description 1
- 206010016322 Feeling abnormal Diseases 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
Abstract
本发明涉及禁毒领域,特别是涉及一种戒毒人员复吸风险预测的方法和装置。主要包括:随机抽取数量超过统计人数阈值的戒毒人员作为样本人群,统计样本人群与复吸相关的数据信息,建立样本数据库;在样本数据库中选取与复吸行为具有显著关联性的可量化特征,将可量化特征组织为量表;对样本数据库中数据信息进行统计分析,确定量表的常模和预测模型;对戒毒人员使用量表进行测试,获得量表测试数据;根据常模和预测模型对戒毒人员的量表测试数据进行分析,获得复吸风险预测结果。本发明能够量化地反映戒毒人员的复吸风险程度,为复吸风险预测提供重要的参考指标,为各戒毒相关单位提供简便有效的评估工具。
Description
【技术领域】
本发明涉及禁毒领域,特别是涉及一种戒毒人员复吸风险预测的方法和装置。
【背景技术】
当今社会中,吸毒已经对国家、社会、家庭都产生了非常严重的危害,但截止今日,对吸毒成瘾的人员来说仍很难做到戒除毒瘾,全国戒毒人员平均戒断率徘徊于23%左右,复吸率高达76%以上。高复吸率让前期的戒毒工作功亏一篑,面对这样的情况,急需探索出一条更为有效的针对戒毒人员防复吸的解决方法。
现有技术中,对戒毒人员复吸情况的分析暂无有效的预测方式,只能通过定期人工访谈以及随机抽样监测进行复查,通过工作人员的主观判断对复吸的可能性进行预测,大大浪费了人力物力,非常低效,并且由于戒毒人员的主观隐瞒和复查人员的专业水准不一,导致预测准确率低、预测结果无法量化、预测及时性差等问题。
鉴于此,如何克服现有技术所存在的缺陷,解决戒毒人员复吸风险预测困难的问题,是本技术领域待解决的问题。
【发明内容】
针对现有技术的以上缺陷或改进需求,本发明解决了目前实际工作中缺乏简便准确的复吸风险量化预测方式的问题。
本发明实施例采用如下技术方案:
第一方面,本发明提供了一种戒毒人员复吸风险预测的方法,具体为:随机抽取数量超过统计人数阈值的戒毒人员作为样本人群,统计样本人群与复吸相关的数据信息,建立样本数据库;在样本数据库中选取与复吸行为具有显著关联性的可量化特征,将可量化特征组织为量表;对样本数据库中数据信息进行统计分析,确定量表的常模和预测模型;对戒毒人员使用量表进行测试,获得量表测试数据;根据常模和预测模型对戒毒人员的量表测试数据进行分析,获得复吸风险预测结果。
优选的,统计样本人群与复吸相关的数据信息,包括:通过问卷调查收集样本人群的基础数据信息,以及与样本人群相关的关联式数据信息;将基础数据信息和关联式数据信息中与复吸行为具有显著关联性的可量化特征转换为相应的量化数据。
优选的,将可量化特征组织为量表,包括:分析每一个与复吸行为具有显著关联性的可量化特征,将可量化特征转换为标准化问卷中一道或多道题目;根据标准化问卷的题目和统计数据设计每一个题目的标准化选项的数量和内容;根据标准化问卷中各题目的逻辑关系安排题目的顺序。
优选的,根据标准化问卷中各题目的逻辑关系安排题目的顺序,还包括:将标准化问卷的题目根据特征分为多个相关维度;将每个相关维度的问题组织为独立计分的子量表。
优选的,确定量表的常模和预测模型,包括:根据样本数据库中的数据,获取样本人群中每个人对应的量表得分;将样本人群按照复吸风险等级分组,根据样本数据库中的数据,统计各组样本人群的得分情况;分析不同组的样本人群的得分情况,获取量表的常模和预测模型。
优选的,分析不同组的样本人群的得分情况,包括:使用直方图和正态图对样本人群中所有戒毒人员的分数进行统计分析,建立低复吸风险等级、中复吸风险等级和高复吸风险等级的样本人员分别对应的分数段和分数分布情况。
优选的,分析不同组的样本人群的得分情况,包括:使用大数据和深度学习的方式分析样本人群的量表总分以及量表中每个问题的得分,获得量表总分以及量表中每个问题得分的分布特征。
优选的,将可量化特征组织为量表之后,还包括:根据量表测量结果计算量表的信度和过程能力指数;判断量表的信度和过程能力指数是否达到预设标准;若未达到预设标准,调整量表中的问题和/或答案的内容和顺序,重新将可量化特征组织为量表;或,再次在样本数据库中选取与之前不同的与复吸行为具有显著关联性的可量化特征,将可量化特征组织为量表。
优选的,根据常模和预测模型对戒毒人员的量表测试数据进行分析,包括:根据戒毒人员的量表总分,对应量表的常模,预测戒毒人员的复吸风险等级;根据戒毒人员的量表中各问题的分数,对应预测模型,预测与戒毒人员复吸相关的主要因素。
另一方面,本发明提供了一种戒毒人员复吸风险预测的装置,具体为:包括至少一个处理器和存储器,至少一个处理器和存储器之间通过数据总线连接,存储器存储能被至少一个处理器执行的指令,指令在被处理器执行后,用于完成第一方面中的戒毒人员复吸风险预测的方法。
与现有技术相比,本发明实施例的有益效果在于:以真实禁毒业务统计数据为基础建立复吸预测模型,通过量表对戒毒人员复吸相关的各种数据进行量化获取,并根据获取到的量化数据与预测模型进行对比分析,实现复吸概率的预测。通过该分析预测的方法,能够量化地反映戒毒人员的主观复吸欲望和客观环境对复吸的影响,从而可以有针对性进行前期心理干预和社区干预,能为复吸风险预测提供重要的参考指标,为各戒毒相关单位提供简便有效的评估工具。
【附图说明】
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单地介绍。显而易见地,下面所描述的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种戒毒人员复吸风险预测的方法流程图;
图2为本发明实施例提供的另一种戒毒人员复吸风险预测的方法流程图;
图3为本发明实施例提供的另一种戒毒人员复吸风险预测的方法流程图;
图4为本发明实施例提供的另一种戒毒人员复吸风险预测的方法各子量表信度系数计算结果示意图;
图5为本发明实施例提供的另一种戒毒人员复吸风险预测的方法各子量表过程能力指数计算结果示意图;
图6为本发明实施例提供的一种戒毒人员复吸风险预测的装置结构架构示意图;
图7为本发明实施例提供的另一种戒毒人员复吸风险预测的装置结构架构示意图。
【具体实施方式】
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本发明是一种特定功能系统的体系结构,因此在具体实施例中主要说明各结构模组的功能逻辑关系,并不对具体软件和硬件实施方式做限定。
此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。下面就参考附图和实施例结合来详细说明本发明。
实施例1:
戒毒人员经过强制戒毒后,如何评价戒毒人员的复吸概率,是全国各戒毒单位面临的一个重大挑战。进行复吸风险预测时,需要对戒毒人员的操守保持、拒毒能力和毒品认知等与复吸密切相关的主观因素进行评价,同时,还需要对能够影响主观复吸欲望的社区生存、家庭支持等外部环境因素,以及自我认知、不良情绪等对复吸存在影响的心理因素进行评价。由于上述评价因素中,大部分都与戒毒人员的认知、情绪和意志相关,符合心理学的研究范畴,因此,为了便于进行客观量化的评价和分析,本实施例提供的预测方法参考了心理测量量表的形式对各评价因素进行数据采集,再利用采集到的数据和基于统计数据的预测模型对复吸风险进行预测。
如图1所示,本发明实施例提供的戒毒人员复吸风险预测的方法具体步骤如下:
步骤101:随机抽取数量超过统计人数阈值的戒毒人员作为样本人群,统计样本人群与复吸相关的数据信息,建立样本数据库。
为了对复吸风险进行预测,需要获取对复吸风险造成影响的各种可能存在的因素,以及各因素对复吸风险的影响程度,通过各因素对于待预测的戒毒人员的影响程度判定戒毒人员的复吸风险。进行统计分析时,样本人群需要和待测人群在被预测的领域具有相同的特征,在本实施例中戒毒人员复吸风险预测的使用场景中,进行统计的样本人群和待预测对象为同一类型的人员,即戒毒人员。进行统计时,首先获取戒毒人员与复吸分析相关的主观及客观影响因素的数据,并使用统计学手段分析复吸和非复吸人群每个影响因素各自的数值特征作为预测的数据基础。在进行统计时,理论上样本数量越大统计的准确率越高,但是,在实际操作中,无法做到无上限的进行调查统计,为了同时保证统计工作的可实施性和统计结论的准确度,不因样本人数过少造成统计结论偏差,样本人群的人数需要超过一定的统计人数阈值,在本实施例的优选方案中,统计人数阈值一般设定为1000人。
在进行统计时,由于存在对复吸造成影响的多种可能因素,为了避免遗漏可能的影响因素,在初步进行统计时需要尽可能全面的统计与复吸相关的主观、客观和环境因素,为后续的相关因素确定和数据分析提供充分的数据基础。在实际场景中,可以选择人口信息系统数据调取、戒毒系统数据调取、走访调查、面谈、问卷调查等方式对样本人群的数据信息进行收集。进一步的,由于实际数据统计的过程中可能会根据选用多种不同的数据收集方式,导致数据的呈现形式也较为多样,而且可能会存在非电子化数据,不利于后续的统计和分析。因此,获得样本数据后,还需要将样本数据整合为形式一致的电子化数据,建立样本数据库,以便于后续的因素分析和数据处理。
进一步的,为了便于调查人员完整准确的进行提问,以及后续的数据整理,在本实施例的优选方案中,通过问卷调查的方式收集样本人群的基础数据信息,以及与样本人群相关的关联式数据信息。将需要调查统计的问题和数据组织为调查问卷的形式进行统计,以便于后期的数据整合,又避免了因为走访调查人员的专业水平差异导致问题遗漏或问题表述不清。在进行问卷调查时,为了全面的反应戒毒人员周边环境对复吸的影响,调查问卷中除了包含与戒毒人员自身相关的问题,还需要包含与戒毒人员的家庭、社区等周边环境相关的关联问题。
步骤102:在样本数据库中选取与复吸行为具有显著关联性的可量化特征,将可量化特征组织为量表。
步骤101中进行初步的数据统计时,为了避免遗漏可能的影响复吸风险的因素,调查内容需要包含尽可能多的可能与复吸风险有关的因素。经统计学分析后,这些可能与复吸风险有关的因素中,其中一些因素会呈现出与复吸风险具有统计学意义上的显著关联性,而另一些因素与复吸风险在统计学上与复吸关联性并不显著。同时,由于一般使用的问卷调查中可能包含开放性问题,因此需要将开放性问题的答案进行分析整合,将基础数据信息和关联式数据信息中与复吸行为具有显著关联性的可量化特征转换为相应的量化数据。因此,在获得统计数据后,需要对统计数据进行分析和筛选,找到与复吸风险具有显著关联性并且可量化的相互独立的特征,通过这些特征进行风险预测。在具体实施场景中,特征的筛选可以使用回归分析、变量控制等常用的统计分析方法。
由于和复吸风险关联性较高的因素主要包括戒毒人员的认知、情绪和意志,以及家庭和环境支持等,这些因素都可以使用标准化的心理学量表进行测量。为了便于客观、量化且简便的对每个戒毒人员影响复吸风险的特征进行数据采集和分析,筛选出与复吸行为具有显著关联性的可量化特征后,可以将这些特征组织为标准化的心理学量表,使用标准化量表对复吸风险预测数据进行采集。在本实施例的具体使用场景中,由于需要考虑多种因素的综合影响,因此所使用的标准化量表为评分加总式量表,通过多个特征对复吸风险的影响综合评定复吸风险。
步骤103:对样本数据库中数据信息进行统计分析,确定量表的常模和预测模型。
在使用量表进行测试时,为了区分不同吸毒人员的量表得分情况所对应的不同复吸风险程度,需要通过统计数据确定量表的常模。一般情况下,量表的常模可以简单根据复吸风险的高中低等级划分相应的分数段,当量表中包含多个子量表时,也可以进一步为每个子量表划分相应的分数段。常模的获取通常需要样本人群填写量表,对量表得分进行统计分析获取量表常模。在本发明实施例中,由于量表中的问题基于步骤101中样本数据库中的特征编制,因此可以将量表中的问题与样本数据库中的特征相对应,根据样本数据库中所保存的每个戒毒人员的特征获取该戒毒人员对应的量表分数,并根据该戒毒人员的当前是否复吸或当前由工作人员预测的复吸风险等级获得其量表分数所对应的复吸风险等级预测结果。
为了更准确的进行预测,除了使用量表的总分与总分的常模进行比较外,本实施例提供的预测方法还可以根据量表中不同题目的得分分布情况,建立更详细准确的预测模型,提供更有针对性的复吸风险预测。在实际使用中,可以根据量表中不同问题针对的不同因素,或某些关键问题的得分情况,对戒毒人员目前的主客观状况更详细更有针对性的判定和预测。例如,在本实施例的某个使用场景中,参与预测的戒毒人员针对毒品认知较差但操守保持和家庭支持较好,即使总分显示复吸风险较大,也可以通过毒品科普教育等方式显著提高其对毒品的认知程度,从而提高其抵制复吸的意识,因此总体的复吸风险程度预测可以适当降低。在另一个使用场景中,参与预测的戒毒人员家庭支持分数较高但拒毒能力较差且不良情绪较多,主观方面对于复吸的抵制性较差,因此即使总分显示复吸风险较低,依然需要提高风险等级,加强跟踪管理。
进一步的,为了便于针对性的获得不同影响因素的预测结果,可以根据量表中不同问题针对的不同因素,将量表中的问题组织为多个独立计分的子量表,并对每个子量表制定相应的常模和预测模型,根据总分预测结果和子量表的预测结果,对复吸风险进行综合预测。具体的,使用子量表建立预测模型时,可以使用正态分布图和直方图相结合的方式,通过图表直观的查看分析预测结果。
进一步的,将可量化特征组织为量表之后,还需要对量表进行验证,确认量表测量结果的有效性和准确性。具体的,可以通过计算量表的信度获取量表测量结果的有效性,通过计算效度获取量表测量结果的准确性。若量表的信度或效度较低,还需要根据量表的信度和效度调整量表,以便于提高量表的准确度。调整量表的方法可以包括替换问题针对的特征、修改问题的表述方式、调整问题顺序、调整针对同一特征的问题数量等。量表的信度和效度都满足实际使用需求后,还需要根据新的量表重新获取常模和预测模型。
步骤104:对戒毒人员使用量表进行测试,获得量表测试数据。
经过步骤101-步骤103后,即可通过量表收集待预测的戒毒人员的各种特征数据。使用量表收集数据,仅需简单的向戒毒人员呈现固定内容的量表问题和选项,再由戒毒人员简单选择作答即可。呈现量表时,可以通过纸质问卷形式,也可以利用网页、客户端、app等电子化形式;可以当面呈现纸质问卷或电子问卷,也可以通过邮寄纸质问卷、邮件发送电子问卷、在线填写等方式远程呈现问卷;可以分别单独对每个戒毒人员呈现,也可以集中多个戒毒人员同时呈现。使用量表进行问题呈现和数据收集,相对于目前戒毒人员复吸预测时采用的人工访谈和随机抽样监测的测试方式,呈现方式更加灵活简便。由于使用了标准化问卷形式的量表,题目顺序固定,统计结果也可以精确量化,不需要通过工作人员的观察和对开放性问题回答的分析来获取测试数据,数据收集更简单准确,便于进行统计计算,对于访谈工作人员的专业能力和戒毒人员的表达能力要求也相应降低。并且,通过量表题目的特定设置方式,也可以弱化或规避戒毒人员撒谎导致的预测结果错误。
步骤105:根据常模和预测模型对戒毒人员的量表测试数据进行分析,获得复吸风险预测结果。
通过步骤104,对待预测的戒毒人员完成量表测试后,即可通过每个戒毒人员的量表测试数据对该戒毒人员的复吸风险进行预测分析。根据戒毒人员的量表分数,对应量表的常模和预测模型,确定戒毒人员的复吸风险等级。具体的,先可以先根据戒毒人员的量表总分,对应量表的常模,初步预测戒毒人员的复吸风险等级,当戒毒人员的量表总分或各子量表的总分落入某个复吸风险等级的分数段中时,即表示该戒毒人员的复吸风险为该分数段对应的等级。进一步的,还可以根据戒毒人员的量表中各问题的分数,对应预测模型,预测与戒毒人员复吸相关的主要因素,由于预测模型中对于不同的特征维度所对应的题目分别对应的分数段或分数特征,因此可以根据相应题目的分数获取对戒毒人员复吸的主要影响因素,针对应的提供干预和帮助。
在某个具体实施场景中,根据样本数据库中的数据,获取到量表的常模为:量表总分小于133分为低风险,量表总分为133分-173分之间为中风险,量表总分高于173为高风险。根据戒毒人员依据自身实际情况所填写的量表,获取每个人的量表总分。当吸毒人员的量表总分小于133分时,认为该戒毒人员的复吸风险为低复吸风险;当戒毒人员的量表总分大于等于133分且小于等于173分,认为该戒毒人员的复吸风险为中复吸风险;戒毒人员的量表总分大于173分,认为该戒毒人员的复吸风险为高复吸风险。当戒毒人员为中、高复吸风险时,需对戒毒人员进行预警,并加强管理。进一步的,若量表中存在多个子量表,将多个子量表的分数加总作为量表总分,将加总后的量表总分与量表总分常模对比获得复吸风险等级的预测结果,还可以根据每个子量表的常模和得分情况与预测模型对比,预测该戒毒人员的风险点,进行针对性的风险控制和支持。
通过步骤101-步骤105,通过建立样本数据库收集吸毒人员的主客观信息,提取影响复吸可能性的特征因素,并将提取出的特征因素以量表形式呈现,通过量表分数常模和预测模型对戒毒人员的复吸风险进行预测分析。通过该预测方式,能够方便且可量化的获取戒毒人员与复吸风险相关的特征数据,较为准确的获得戒毒人员的复吸风险等级,以及会导致复吸的主要因素。
进一步的,如图2所示,在本发明的具体使用场景中,将可量化特征组织为量表,可以使用以下步骤。
步骤201:分析每一个与复吸行为具有显著关联性的可量化特征,将可量化特征转换为标准化问卷中一道或多道题目。
对样本数据库中的数据经过筛选分析后,每一个与复吸风险相关的独立的可量化特征都可以转化为标准化问卷中的一道或多道题目。对于客观性较强的特征,如年龄、家庭成员数量、月收入等,仅需一道题目就可以获取准确信息,每个特征可以仅对应一道题目;对于主观性较强的特征,如感受到不良情绪的频率、与家人相处的融洽程度、对毒品危害的抵制程度等,需要使用多道题目进行重复测试,降低主观性感受偏差或主观说谎导致的数据误差。
步骤202:根据标准化问卷的题目和统计数据设计每一个题目的标准化选项的数量和内容。
标准化问卷中,问题的答案都为标准化选项,选项的数量和内容一般包括:
(1)2个选项,选项为:同意,不同意。
(2)3个选项,选项为:同意,不一定,不同意。
(3)5个选项,即标准李克特量表,选项为:非常同意、同意、不一定、不同意、非常不同意。
对于有明确客观判定标准的特征,如是否开始工作,使用2个选项;对于需要主观感受的特征,如戒毒的痛苦程度、焦虑程度等,根据每个特征对复吸的影响程度不同,使用3个选项或5个选项。
在进行计分时,也需要根据不同特征对复吸风险的影响程度,为每个选项设置不同的分数,如2个选项的分数为0和1、1和2、1和5等。为了进一步降低主观因素对量表测试结果的影响,量表采用正反向混合计分,以2个选项为例,一部分题目同意为1分,不同意为0分;另一部分题目同意为0分,不同意为1分。对于针对同一个特征的多道题目,也可以通过一部分题目正向计分,另一部分题目反向计分的方式,避免戒毒人员填写量表时猜测出题目的答案,导致量表结果与实际情况不同。
步骤203:根据标准化问卷中各题目的逻辑关系安排题目的顺序。
在编制标准化文件形式的量表时,由于暗示效应等原因,量表题目不同的设置顺序可能会影响到不同的测量的准确性,因此需要根据一定的逻辑关系安排题目的顺序。一般场景中,量表第一部分设置人口学相关的客观问题,如戒毒人员的性别、年龄、教育水平、吸毒时长、戒毒时长等。其后的主观问题部分按照选项数量和问题所在的维度分别分类呈现,但针对同一特征的多个问题需要分散设置。
通过步骤201-步骤203,即可完成普通统计数据到标准化问卷形式的量表的转换,为戒毒人员的复吸风险预测提供量化简便的数据收集和分析方式,并通过量表常模提供较为准确的预测评判标准。
由于标准化问卷的题目会针对戒毒人员的主客观情况包含不同的维度,例如主观的毒品认知和自我认知,客观的社会生存和家庭支持等,为了便于针对不同的维度分别进行分数统计和预测,还可以将标准化问卷的题目根据特征分为多个相关维度,每个维度中包含所有与该维度的特征相关的题目,并将每个相关维度的问题组织为独立计分的子量表。进一步的,将标准化问卷拆分为多个子量表后,需要根据统计数据库中的数据,生成每个子量表的常模和预测模型,通过各子量表的常模和预测模型对各子量表对应的维度特征进行评价和预测。通过将量表拆分为子量表,可以更加清楚直观的反应每个戒毒人员的复吸风险点,以便于更准确的预测复吸风险等级,并提供针对性的帮助和支持,避免戒毒人员复吸。
通常的心理测量量表编制流程中,需要样本人群填写量表,获取填写结果,再根据样本人群的特征获取常模。在实施例1提供的预测方法基础上,由于步骤101中已经收集了量表所对应的样本人群,即戒毒人员的特征数据,并使用样本数据库进行存储,而量表中每个题目的答案与样本数据库中的特征数据相对应,因此不需要样本人群再次填写量表,而是直接使用样本数据库中的数据获取量表结果生成常模和预测模型。如图3所示,生成常模和预测模型的具体步骤如下:
步骤301:根据样本数据库中的数据,获取样本人群中每个人对应的量表得分。
在步骤101所统计的样本人群与复吸相关的数据信息中包含了与戒毒人员复吸的所有特征,这些特征又转换为量表的题目,因此每个戒毒人员的数据中,包含了相应量表题目的答案,所以可以根据答案直接获取每个戒毒人员的量表得分。例如,调查问卷中包含题目“是否认识常见毒品”,某个戒毒人员的回答为“有些认识有些不认识”,样本数据库中可以将该回答归纳为“部分认识”,该特征在量表中可以对应“是否认识常见毒品”的题目,该题目选项为“是”、“一般”和“否”,其中“是”为2分,“一般”为1分,“否”为0分,对于该题目,可以根据样本数据库的内容,获得该题目的答案为“一般”,记1分。对于量表中的所有问题,都可以按照同样方式获得答案和分数,并进一步获得量表总分,在包含分量表的场景中,也可以直接获取各分量表的总分。
步骤302:将样本人群按照复吸风险等级分组,根据样本数据库中的数据,统计各组样本人群的得分情况。
在样本数据库与复吸相关的数据信息中,保存有每个戒毒人员当前是否复吸、是否曾经复吸的记录、每次复吸的时间等客观数据,因此可以获取各戒毒人员复吸风险等级的准确结果数据。具体的,复吸风险等级可以根据实际情况简单分为未复吸和已复吸,也可以根据复吸的次数和间隔时间进一步划分为不同的风险等级。若样本数据库中存在专业人员预测的复吸风险等级,也可以根据人工预测或其它方式预测得到的复吸风险等级对该吸毒人员的复吸风险等级进行调整。根据步骤301中获得的样本人群中每个戒毒人员的量表分数,对照每个戒毒人员的复吸风险等级,即可通过获取不同量表分数对应的复吸风险等级。
步骤303:分析不同组的样本人群的得分情况,获取量表的常模和预测模型。
在获取到所有样本人群的量表分数和复吸风险等级数据后,可以根据实际需要,将每个风险等级内的量表原始分数按照四分位数或十分位数转换为量表常模,在需要的情况下,也可以采用百分等级或百分位数确定量表常模。确定常模后,还可以再根据常模确定量表的标准分,以标准分进行预测,提高预测的准确度。除了常模,还可以根据不同题目的得分情况获取相应的预测模型,预测模型一般以每个子量表或每个题目分数的剖面图形式表示。
通过步骤301-步骤303,即可根据样本数据库中的实际统计数据转换为量表预测可以使用的量表常模和预测模型,对戒毒人员的量表分数进行分析,预测戒毒人员的复吸风险等级。
进一步的,为了提高数据准确度,在样本数据库的数据更新后,还需要根据更新后的数据再次生成常模和预测模型,保证常模符合当前社会环境下的真实情况。若样本数据库更新较为频繁,为了保证常模的稳定,并减少工作量,常模和预测模型可以按照一定周期定期更新,如半年或一年进行一次更新。
若样本数据库的中样本人群的数量足够大,在选取与复吸行为具有显著关联性的可量化特征、确定量表的常模和预测模型等步骤中,还可以使用大数据和深度学习技术进行。或者,使用大数据和深度学习的方式分析样本人群的量表总分以及量表中每个问题的得分,获得量表总分以及量表中每个问题得分的分布特征,以量表中每个问题得分的分布特征作为预测模型进行预测。
本实施例通过将行为、环境、情绪等非量化数据通过量表转换为量化数据,利用了大数据理念、统计学、概率学、真实禁毒业务数据进行统计分析,将不同戒毒人员的测试出来的数据转换成了数据模型,通过对各维度积分的汇总,对戒毒可能存在的复吸率进行了量化的判断,通过戒毒人员的自主答题,从而能有效的判断是否戒毒人员存在中、高复吸食的风险。对有中、高复吸风险的戒毒人员能提前进行心理干预及介入治疗,从而进一步减少复吸情况的出现,后期也可作为重点排摸对象的筛选条件之一。
实施例2:
在实施例1提供的复吸风险预测方法的基础上,为了检验步骤102中生成的量表测量结果的准确度,避免因量表设计不合理导致的预测结果偏差,可以使用量表的信度和过程能力指数进行评价。若量表的信度指数和过程能力指数都符合标准,则表明量表得分与实际情况的匹配度较高,量表分数可以较为准确的反映戒毒人员与复吸相关的特征,量表可供实际使用;若量表的信度指数和过程能力指数无法达到标准,则说明量表设计不合理,无法准确反映戒毒人员与复吸相关的特征,需要重新对样本数据库中的特征数据进行分析,重新设计量表,并针对重新设计后的量表重新计算信度指数和过程能力指数,直至信度指数和过程能力指数符合标准。
在本实施例的具体实施方式中,在某戒毒所随机抽选1533名戒毒人员进行问卷测试,收集研究对象的基础数据信息,以及与该人员的关联式数据信息,建立该人员的虚拟身份资料样本数据库,并根据量表分数对应实际复吸情况验证量表预测结果的准确性。
在该场景中,使用Cronbach a信度系数评价量表的信度。信度系数主要评价量表中各题目表得分间的一致性;根据Cronbach a信度系数研究,量表的信度系数最好维持在0.8以上,0.7-0.8之间为可以接受;当量表中存在多个子量表时,每个子量表的信度系数最好在0.7以上,0.6-0.7为可以接受;Cronbach a系数如果在0.6以下就要考虑重新编问卷。信度系数的具体计算过程如下。
步骤401:通过公式1计算每张量表中每个题目分数的平均值。
其中,μ为平均值,Xi为第i道题目的分数,N为题目总数。基于实施例1提供的复吸概率预测方法,量表设计完成后,根据样本数据库的数据可以获得样本人群,即戒毒人员的量表测试结果,具体获取步骤可以使用步骤301和步骤302所提供的方法。
步骤402:通过公式2计算每个题目分数的方差。
其中,σ2为方差,X为每个题目的分数,μ为平均值,N为题目总数。
步骤403:通过公式3计算Cronbach a系数。
在本实施例的某个实施场景中,量表中包含多个子量表。根据样本数据库获取到的与复吸相关的特征包含以下特征维度:操守保持、拒毒能力、毒品认知、社会生存、家庭支持、计划与决心、自我认知、不良情绪。每个特征维度的具体内容如下:
操守保持A维度包括戒毒次数,戒毒时长,吸毒时长,吸食新型毒品频率,每日吸食毒品分量等6项问答;
拒毒能力B维度包括毒瘾控制程度,吸毒不同诱因等9项问答;
毒品认知C维度包括吸毒后果,吸毒感受,毒品重要程度等8项问答;
社会生存D维度包括社会环境,合作习惯,自我感觉,收入情况,感觉受挫败频率,日常交往等8项问答;
家庭支持E维度包括朋友态度,家庭联系,童年生活,亲人信心,周边吸毒情况等7项总结;
计划与决心F维度包括未来规划,戒毒决心,拒绝吸毒原因等6项问答;
自我认知G维度包括自我感受,学习新知识能力,兴趣投入,成功体验,环境适应,解决问题等6项问答;
不良情绪H包括维度恐慌程度,睡眠情况,情绪控制,神经感觉等10 项问答。
根据以上特征维度,量表分为8个子量表进行计分,每个子量表对应一个维度。对于复吸影响程度较大的拒毒能力、不良情绪维度设置较多题目数量;主观变化可能性较大的操守保持、自我认知等设置较少的题目数量。各维度对应的问题数量为:操守保持6个,拒毒能力9个,毒品认知8 个,社会生存8个,家庭支持7个,计划与决心6个,自我认知6个,不良情绪10个。
根据步骤401-步骤403,可以代入实际统计数据计算量表总的信度系数和每个子量表的信度系数,计算结果如图4所示。由计算结果可看出,每个子量表的信度系数都大于0.7,量表总体的信度系数大于0.8,量表的信度符合标准,可以实际使用。
另一方面,可以通过正态分布和直方图计算量表的过程能力指数。直方图又称质量分布图,是一种统计报告图,由一系列高度不等的纵向条纹或线段表示数据分布的情况。一般用横轴表示数据类型,纵轴表示分布情况。直方图是数值数据分布的精确图形表示。为了构建直方图,第一步是将值的范围分段,即将整个值的范围分成一系列间隔,然后计算每个间隔中有多少值。这些值通常被指定为连续的,不重叠的变量间隔。间隔必须相邻,间隔通常但不必须为相等的大小。对于样本人群测试结果的直方图各参数具体计算过程如下。
步骤501:通过公式4,求出极差R。
R=MAX(x1,x2,x3……xn)-MIN(x1,x2,x3……xn) (公式4)
其中,R为极差,MAX(x1,x2,x3……xn)为所有戒毒人员量表分数的最大值,MIN(x1,x2,x3……xn)为所有戒毒人员量表分数的最小值。
步骤502:通过公式5,求出组距h,组距h即直方图每组的宽度。
h=R/K (公式5)
其中,h为组距,R为极差,K为组数。组数K可以由公式6获得,若计算结果不为整数,则向上取整。
K=1+lgn/lg2 (公式6)
其中,K为组数,n为样本数据总数,即作为样本人群的戒毒人员总数。
步骤503:确定各组的界限值,界限值包括每组的下界限和上界限,即直方图中每组的左右边界值。各组的界限位可以从第一组开始依次计算:第一组的下界限值为所有样本数据的最小值减去组距h的一半,第一组的上界为其下界值加上组距h;其后每组的下界限为前一组的上界限值,上界限为该组的下界限值加上组距h。
步骤504:通过公式7,得出样本均值M。
其中,M为样本均值,x1,x2,x3……xn分别为每个戒毒人员的量表总分, n为戒毒人员总人数。
步骤505:通过公式8计算每个戒毒人员量表总分的方差。
其中,s2为方差,x1,x2,x3……xn分别为每个戒毒人员的量表总分,M 为样本均值,n为戒毒人员总人数。
步骤506:通过公式9计算每个戒毒人员量表总分的标准差。
其中,S为标准差,xi为第i个戒毒人员的量表总分,M为样本均值, n为戒毒人员总人数。
步骤507:通过公式10和公式11计算无偏过程能力指数Cp和过程能力指数Cpk。无偏过程能力指数Cp和过程能力指数Cpk可以反映戒毒人员的量表总分的离散程度相对于公差的范围,离散程度越小,说明量表测量的准确度越高。
其中,Cp为无偏过程能力指数;CPK为过程能力指数;TU为规格上限,即所有戒毒人员量表总分的最大值;TL为规格下限,即所有戒毒人员量表总分的最小值,M为样本均值。
通过步骤501-步骤507,可以代入实际统计数据计算量表复吸风险量表样本数据的直方图,计算结果如图5所示。获得直方图后,可以结合正态图,通过Cp/CPK的值确定量表预测结果的稳定度,Cp/CPK的值不小于133 时,表示预测结果稳定度较高。由正态图和直方图的比较可以看出,本实施例中预测结果大部分数据落在[133,173]区间内,占比为72.27%,预测结果稳定,预测能力良好。
在实施例1提供的复吸风险预测方法的基础上,通过本实施例提供的量表信度指数和过程能力指数的计算,能够保证根据样本数据库生成的量表具有一定的测量准确度和测量结果稳定性,保证了实施例1提供的量表的实用性,确保实施例1提供的复吸风险等级预测方法能够在实际使用中为复吸风险预测提供较为准确的数据结果。
实施例3:
在上述实施例1至实施例2提供的戒毒人员复吸风险预测的方法的基础上,本发明还提供了一种可用于实现上述方法的戒毒人员复吸风险预测的装置。
如图6所示,装置包括一个或多个处理器21以及存储器22。其中,图 6中以一个处理器21为例。处理器21和存储器22可以通过总线或者其他方式连接,图6中以通过总线连接为例。存储器22作为一种戒毒人员复吸风险预测方法非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块,如实施例1至实施例2中的戒毒人员复吸风险预测方法。处理器21通过运行存储在存储器22中的非易失性软件程序、指令以及模块,从而执行相应模块的各种功能应用以及数据处理,即实现实施例1至实施例2的戒毒人员复吸风险预测的方法中相应步骤的功能。存储器22可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,存储器22可选包括相对于处理器21远程设置的存储器,这些远程存储器可以通过网络连接至处理器21。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。程序指令/模块存储在存储器22中,当被一个或者多个处理器21执行时,执行上述实施例1至实施例2中的戒毒人员复吸风险预测的方法,例如,执行以上描述的图1、图2和图3所示的各个步骤。本领域普通技术人员可以理解实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(Read Only Memory,简写为:ROM)、随机存取存储器(Random Access Memory,简写为:RAM)、磁盘或光盘等。
在本实施例的一些实施场景中,戒毒人员复吸风险预测的方法中各步骤进行的时间、地点和人员可能不同,因此可以将不同的步骤分别使用一个如图6所示的装置实现。如图7所示,包括数据收集装置、统计分析装置、量表装置和预测分析装置。
数据收集装置收集样本人群的数据信息,建立样本数据库。即完成步骤101相关的统计样本人群与复吸相关的数据信息,建立样本数据库的功能。
统计分析装置接受样本数据库的数据,选取与复吸行为具有显著关联性的可量化特征,根据样本数据库的数据和量表问题计算量表常模。即完成步骤102和步骤103相关的可量化特征提取以及量表组织的功能。进一步的,还能够完成实施例2中量表信度系数和过程能力指数计算的功能。
量表装置向戒毒人员呈现量表,并接收戒毒人员所填写的量表数据。即完成步骤104相关的量表呈现和量表结果数据获取功能,以及量表总分计算、量表原始分转换为标准分等功能。
预测分析装置对戒毒人员所填写的量表数据进行分析,根据预测模型判断戒毒人员的风险等级。即完成步骤105相关的由量表分数分析获得复吸等级预测结果的功能。
在本实施例的另一些实施场景中,为了减少装置占用体积,便于不同功能同时使用,便于数据集中处理,也可以将多个步骤集中在一个图7所示的装置中实现,如:统计分析装置和预测分析装置都需要进行大量数据处理,可以使用同一套装置实现;数据收集装置和量表装置都便于携带且展示方便,可以使用同一套装置实现。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种戒毒人员复吸风险预测的方法,其特征在于:
随机抽取数量超过统计人数阈值的戒毒人员作为样本人群,统计样本人群与复吸相关的数据信息,建立样本数据库;
在样本数据库中选取与复吸行为具有显著关联性的可量化特征,将可量化特征组织为量表;
对样本数据库中数据信息进行统计分析,确定量表的常模和预测模型;
对戒毒人员使用量表进行测试,获得量表测试数据;
根据常模和预测模型对戒毒人员的量表测试数据进行分析,获得复吸风险预测结果。
2.根据权利要求1所述的戒毒人员复吸风险预测的方法,其特征在于,所述统计样本人群与复吸相关的数据信息,包括:
通过问卷调查收集样本人群的基础数据信息,以及与样本人群相关的关联式数据信息;
将基础数据信息和关联式数据信息中与复吸行为具有显著关联性的可量化特征转换为相应的量化数据。
3.根据权利要求1所述的戒毒人员复吸风险预测的方法,其特征在于,所述将可量化特征组织为量表,包括:
分析每一个与复吸行为具有显著关联性的可量化特征,将可量化特征转换为标准化问卷中一道或多道题目;
根据标准化问卷的题目和统计数据设计每一个题目的标准化选项的数量和内容;
根据标准化问卷中各题目的逻辑关系安排题目的顺序。
4.根据权利要求3所述的戒毒人员复吸风险预测的方法,其特征在于,所述根据标准化问卷中各题目的逻辑关系安排题目的顺序,还包括:
确定量表的常模和预测模型将标准化问卷的题目根据特征分为多个相关维度;
将每个相关维度的问题组织为独立计分的子量表,其中,子量表包括:操守保持、拒毒能力、毒品认知、社会生存、家庭支持、计划与决心、自我认知、不良情绪。
5.根据权利要求1所述的戒毒人员复吸风险预测的方法,其特征在于,所述确定量表的常模和预测模型,包括:
根据样本数据库中的数据,获取样本人群中每个人对应的量表得分;
将样本人群按照复吸风险等级分组,根据样本数据库中的数据,统计各组样本人群的得分情况;
分析不同组的样本人群的得分情况,获取量表的常模和预测模型。
6.根据权利要求5所述的戒毒人员复吸风险预测的方法,其特征在于,所述分析不同组的样本人群的得分情况,包括:
使用直方图和正态图对样本人群中所有戒毒人员的分数进行统计分析,建立低复吸风险等级、中复吸风险等级和高复吸风险等级的样本人员分别对应的分数段和分数分布情况。
7.根据权利要求5所述的戒毒人员复吸风险预测的方法,其特征在于,所述分析不同组的样本人群的得分情况,包括:
使用大数据和深度学习的方式分析样本人群的量表总分以及量表中每个问题的得分,获得量表总分以及量表中每个问题得分的分布特征。
8.根据权利要求1所述的戒毒人员复吸风险预测的方法,其特征在于,所述将可量化特征组织为量表之后,还包括:
根据量表测量结果计算量表的信度和过程能力指数;
判断量表的信度和过程能力指数是否达到预设标准;
若未达到预设标准,调整量表中的问题和/或答案的内容和顺序,重新将可量化特征组织为量表;
或,再次在样本数据库中选取与之前不同的与复吸行为具有显著关联性的可量化特征,将可量化特征组织为量表。
9.根据权利要求8所述的戒毒人员复吸风险预测的方法,其特征在于,所述根据常模和预测模型对戒毒人员的量表测试数据进行分析,包括:
根据戒毒人员的量表总分,对应量表的常模,预测戒毒人员的复吸风险等级;
根据戒毒人员的量表中各问题的分数,对应预测模型,预测与戒毒人员复吸相关的主要因素。
10.一种戒毒人员复吸风险预测的装置,其特征在于:
包括至少一个处理器和存储器,所述至少一个处理器和存储器之间通过数据总线连接,所述存储器存储能被所述至少一个处理器执行的指令,所述指令在被所述处理器执行后,用于完成权利要求1-9中任一项所述的戒毒人员复吸风险预测的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011571997.8A CN112598184B (zh) | 2020-12-27 | 2020-12-27 | 一种戒毒人员复吸风险预测的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011571997.8A CN112598184B (zh) | 2020-12-27 | 2020-12-27 | 一种戒毒人员复吸风险预测的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112598184A true CN112598184A (zh) | 2021-04-02 |
CN112598184B CN112598184B (zh) | 2024-02-02 |
Family
ID=75203052
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011571997.8A Active CN112598184B (zh) | 2020-12-27 | 2020-12-27 | 一种戒毒人员复吸风险预测的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112598184B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113362930A (zh) * | 2021-06-30 | 2021-09-07 | 浙江连信科技有限公司 | 用于确定戒毒人员心瘾等级的信息处理方法及装置 |
CN113658680A (zh) * | 2021-07-29 | 2021-11-16 | 广西友迪资讯科技有限公司 | 基于随机森林的戒毒人员戒治效果的评估方法 |
WO2024103402A1 (zh) * | 2022-11-18 | 2024-05-23 | 中国科学院深圳先进技术研究院 | 基于视觉诱发脑电和深度学习的戒毒后复吸风险评估方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060265184A1 (en) * | 2005-05-04 | 2006-11-23 | Murray Tondow | Method and system for analyzing data for low density sample space |
CN107320081A (zh) * | 2017-07-03 | 2017-11-07 | 北京大学 | 对吸毒人员进行复吸监测的方法和系统 |
CN107582078A (zh) * | 2017-09-12 | 2018-01-16 | 湖南师范大学 | 吸毒人员的复吸预判方法 |
CN108510117A (zh) * | 2018-03-29 | 2018-09-07 | 北京航空航天大学 | 吸毒传播预测方法、装置及电子设备 |
CN109359785A (zh) * | 2018-11-30 | 2019-02-19 | 安徽四创电子股份有限公司 | 基于大数据的强制隔离戒毒解除人员复吸预测分析系统 |
CN109523088A (zh) * | 2018-11-30 | 2019-03-26 | 安徽四创电子股份有限公司 | 基于大数据的强制隔离戒毒人员的异常行为预测系统 |
CN110192873A (zh) * | 2019-04-21 | 2019-09-03 | 浙江省十里坪强制隔离戒毒所 | 一种对戒毒人员毒品心理渴求程度的测试方法及装置 |
CN110298597A (zh) * | 2019-07-03 | 2019-10-01 | 广东倍智测聘网络科技股份有限公司 | 一种测评方法、装置及存储介质 |
CN110826852A (zh) * | 2019-09-27 | 2020-02-21 | 安徽四创电子股份有限公司 | 一种强制隔离戒毒人员风险评估方法及系统 |
CN111095424A (zh) * | 2018-05-29 | 2020-05-01 | 株式会社日立制作所 | 临床试验支援系统、临床试验支援程序以及临床试验支援方法 |
CN111311056A (zh) * | 2020-01-06 | 2020-06-19 | 北京中天锋安全防护技术有限公司 | 吸毒人员风险监测方法 |
CN111798942A (zh) * | 2020-06-17 | 2020-10-20 | 西南大学 | 一种通过心理量表建立吸毒复吸时间预估模型的方法 |
-
2020
- 2020-12-27 CN CN202011571997.8A patent/CN112598184B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060265184A1 (en) * | 2005-05-04 | 2006-11-23 | Murray Tondow | Method and system for analyzing data for low density sample space |
CN107320081A (zh) * | 2017-07-03 | 2017-11-07 | 北京大学 | 对吸毒人员进行复吸监测的方法和系统 |
CN107582078A (zh) * | 2017-09-12 | 2018-01-16 | 湖南师范大学 | 吸毒人员的复吸预判方法 |
CN108510117A (zh) * | 2018-03-29 | 2018-09-07 | 北京航空航天大学 | 吸毒传播预测方法、装置及电子设备 |
CN111095424A (zh) * | 2018-05-29 | 2020-05-01 | 株式会社日立制作所 | 临床试验支援系统、临床试验支援程序以及临床试验支援方法 |
CN109359785A (zh) * | 2018-11-30 | 2019-02-19 | 安徽四创电子股份有限公司 | 基于大数据的强制隔离戒毒解除人员复吸预测分析系统 |
CN109523088A (zh) * | 2018-11-30 | 2019-03-26 | 安徽四创电子股份有限公司 | 基于大数据的强制隔离戒毒人员的异常行为预测系统 |
CN110192873A (zh) * | 2019-04-21 | 2019-09-03 | 浙江省十里坪强制隔离戒毒所 | 一种对戒毒人员毒品心理渴求程度的测试方法及装置 |
CN110298597A (zh) * | 2019-07-03 | 2019-10-01 | 广东倍智测聘网络科技股份有限公司 | 一种测评方法、装置及存储介质 |
CN110826852A (zh) * | 2019-09-27 | 2020-02-21 | 安徽四创电子股份有限公司 | 一种强制隔离戒毒人员风险评估方法及系统 |
CN111311056A (zh) * | 2020-01-06 | 2020-06-19 | 北京中天锋安全防护技术有限公司 | 吸毒人员风险监测方法 |
CN111798942A (zh) * | 2020-06-17 | 2020-10-20 | 西南大学 | 一种通过心理量表建立吸毒复吸时间预估模型的方法 |
Non-Patent Citations (2)
Title |
---|
殷明: "网络媒体推动下戒毒人员社会适应性的优化", 中国业报, no. 22, pages 121 - 124 * |
陈家言 等: "基于认知行为治疗的戒毒技能评估量表的初步编制", 中国药物依赖性杂志( CHIN J DRUG DEPEND), vol. 26, no. 6, pages 445 - 450 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113362930A (zh) * | 2021-06-30 | 2021-09-07 | 浙江连信科技有限公司 | 用于确定戒毒人员心瘾等级的信息处理方法及装置 |
CN113658680A (zh) * | 2021-07-29 | 2021-11-16 | 广西友迪资讯科技有限公司 | 基于随机森林的戒毒人员戒治效果的评估方法 |
CN113658680B (zh) * | 2021-07-29 | 2023-10-27 | 广西友迪资讯科技有限公司 | 基于随机森林的戒毒人员戒治效果的评估方法 |
WO2024103402A1 (zh) * | 2022-11-18 | 2024-05-23 | 中国科学院深圳先进技术研究院 | 基于视觉诱发脑电和深度学习的戒毒后复吸风险评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112598184B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210264331A1 (en) | Method of matching employers with job seekers | |
CN112598184A (zh) | 一种戒毒人员复吸风险预测的方法和装置 | |
CN112101786A (zh) | 基于大数据的学生数据分析方法、装置及计算机设备 | |
Allen-Meares | Content analysis: It does have a place in social work research | |
CN110648259A (zh) | 基于大数据的高考志愿评估系统 | |
KR101041672B1 (ko) | 지능형 맞춤화된 학습서비스 방법 | |
CN108492880A (zh) | 一种基于互联网平台的智能健康状态测量系统及评级方法 | |
Forner et al. | Predictors of turnover amongst volunteers: A systematic review and meta‐analysis | |
CN110069550A (zh) | 一种基于教育关联的统计分析方法及云平台系统 | |
CN110020762A (zh) | 一种学校综合督导评估系统及方法 | |
CN113918806A (zh) | 自动推荐培训课程的方法及相关设备 | |
CN111461949A (zh) | 基于大数据的社区矫正方案智能生成系统 | |
CN105260963A (zh) | 学科素养测评系统 | |
KR101429569B1 (ko) | 교육이력사항을 기반으로 한 직업 매칭 시스템 | |
Solt | Modeling dynamic comparative public opinion | |
CN106055875A (zh) | 一种基于大数据的皮纹分析处理装置 | |
US7346541B1 (en) | System, method and computer readable medium for acquiring and analyzing personal history information | |
CN116227981A (zh) | 一种智慧训练综合管理系统 | |
CN115274113A (zh) | 一种基于心理测评量表计分算法的评测系统 | |
CN113077872A (zh) | 基于量表测试数据的群体心理状态多指标预测系统及装置 | |
KR101469081B1 (ko) | 실시간 성적 분포 및 등급컷 추정 방법 | |
US20060265184A1 (en) | Method and system for analyzing data for low density sample space | |
CN114626654A (zh) | 基于职业技能培训人员管理系统的人员培训预警分析方法 | |
Eser et al. | A Review of Meta-Analysis Articles in Educational Sciences Conducted Between 2010 and 2019 in Turkey. | |
Aziz et al. | Using quantitative approaches to enhance construction performance through data captured from mobile devices |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |