CN112951378A - 一种为来访者自动推荐心理咨询师的方法 - Google Patents

Abstract

本发明提供了一种为来访者自动推荐心理咨询师的方法，其包括如下步骤：S10.预置咨询有效性数据库；S20.创建判别决策树；S30.获取当前来访者信息；S40.根据当前来访者信息自动推荐心理咨询师。本发明能够更加有效地向来访者推荐最为适合的咨询师，匹配过程更加科学合理，进而大大提升了咨询辅导的效率，咨询干预之后的生活满意度、工作满意度、心情变化指数大大提升。

Description

一种为来访者自动推荐心理咨询师的方法

技术领域

本发明涉及咨询服务技术领域，尤其是涉及一种为来访者自动推荐心理咨询师的方法。

背景技术

目前，随着社会和经济的快速发展，人们所面临的社会、家庭和工作压力也越来越大，由此引起的心理困扰或心理障碍也越来越普遍，心理咨询和治疗则可以为来访者提供摆脱困境、解决问题的条件和对策，以便其恢复心理平衡、提高对环境的适应能力、提升身心健康。

而现有的心理咨询师与来访者在会诊前的匹配存在着随机性、盲目崇拜知名度等问题，导致心理咨询的有效性受到一定程度影响。心理咨询需要对来访者和心理咨询师进行合理匹配，才能更好地帮助来访者解决问题，但目前尚没有一个科学的、符合自然规律的匹配方法。

发明内容

本发明的目的在于提供一种为来访者自动推荐心理咨询师的方法，以解决现有技术中存在的至少一个上述技术问题。

为解决上述技术问题，本发明提供的一种为来访者自动推荐心理咨询师的方法，包括如下步骤：

S10.预置咨询有效性数据库；

S20.创建判别决策树；

S30.获取当前来访者信息；

S40.根据当前来访者信息自动推荐心理咨询师。

进一步地，所述咨询有效性数据库内的有效数据包括：咨询师的信息、历史来访者的信息、历史来访者的咨询满意度、历史来访者的咨询效果、历史来访者的咨询有效性。

进一步地，所述咨询师的信息包括但不限于：咨询师的性别，年龄，擅长领域，总工作小时数，平均每周工作小时数，主要采用的咨询技术，咨询师的学习经历、督导主题和接收督导时长，来访者对该咨询师的评价，咨询师主管部门对咨询师的评价，咨询师的咨询记录等工作产出情况等。

进一步地，所述历史来访者的信息包括历史来访者的性别、年龄、受教育程度、所从事职业、民族、婚姻状况、宗教信仰情况、收入水平、健康状况、居住地及共同居住人、是否有咨询经历、是否有心理问题的住院或用药经历、问题性质类型等。

进一步地，所述历史来访者的咨询满意度包括但不限于历史来访者接受咨询师会诊之后的生活满意度、工作满意度、心情变化指数，来访者对心理困扰解决程度的评价、来访者对咨询过程和咨询师的评价，咨询结束后一定时期内的咨询回访情况、来访者主动要求更换咨询师的情况、来访者因不同问题咨询同一个咨询师的情况、来访者间隔一段使劲后续约咨询的情况。

进一步地，所述历史来访者的咨询效果为OQ45心理咨询效果问卷结果。

进一步地，所述咨询有效性采用数据包络分析模型计算；

数据包络分析模型的决策单元为每一次咨询服务，投入变量为全部或部分所述咨询师的信息、全部或部分所述历史来访者的信息；

产出变量为全部或部分的所述历史来访者的咨询满意度、全部或部分的所述历史来访者的咨询效果。

进一步地，利用数据包络分析模型评价咨询师对其来访者所进行的咨询的有效性；若模型中目标函数的计算结果效率值等于1，则判定该咨询师对来访者的咨询有效率。

进一步地，所述咨询有效性采用数据包络分析(DEA)的输出型BCC模型计算；

输出型BCC模型的决策单元(DMU)为每一次咨询服务(或会诊服务)，投入变量为全部或部分所述咨询师的信息、全部或部分所述历史来访者的信息；

产出变量为全部或部分的所述历史来访者的咨询满意度、全部或部分的所述历史来访者的咨询效果。

进一步地，所述输出型BCC模型的其判别过程满足如下条件：

其中，θ为可能的效率值，n为咨询服务记录数量，即n个决策单元DMU，m为投入变量的数量，s为产出变量的数量；λ_j为虚拟组合数，为在一个决策单元DMU中的第j个投入向量或第j个产出变量对模型的贡献比例(例如当目标函数θ＝1时，λ_j＝0.7,说明DMUj具有70％的潜力可达到DEA有效)；

第j个决策单元DMU_j对应的投入向量为：

x_j＝(x_1j,x_2j,L,x_mj)^T>0,j＝1,2,L,n

x_ij为第j个决策单元DMU_j的第i个投入变量，i＝1,2,L,m；(例如投入变量x_ij为第j个咨询服务(第j条来访记录中)中全部或部分所述咨询师的信息、全部或部分所述历史来访者的信息)

第j个决策单元DMU_j对应的产出向量为：

y_j＝(y_1j,y_2j,L,y_sj)^T>0,j＝1,2,L,n

y_rj为第j个决策单元DMU_j的第r个产出变量，r＝1,2,L,s；

(例如，产出变量y_rj为第j个咨询服务(第j条来访记录中)中所述历史来访者的咨询满意度、全部或部分的所述历史来访者的咨询效果)；

咨询有效性有效性判定依据如下：

在一次咨询服务(即历史来访者的一次来访)记录中，将所有已知条件放入模型中进行计算，若其目标函数效率值θ＝1，则判定在此次咨询服务中，咨询师对该历史来访者的咨询(或会诊)在同行中是相对有效的；

若目标函数有效值θ<1，则判定此次咨询服务的咨询师对该历史来访者的咨询(或会诊)在同行中是非有效的。

进一步地，步骤S20创建判别决策树包括如下步骤：

S21.构建CART分类回归决策树，所述咨询有效性数据库为训练数据集，即

D＝{(x₁,θ₁),(x₂,θ₂),K,(x_n,θ_n)}

x_j为第j个咨询服务(第j条来访记录/决策单元中)中全部或部分咨询师的信息、全部或部分所述历史来访者的信息，即第j个决策单元的投入变量；

θ_j为第j个咨询服务(第j条来访记录/决策单元中)的咨询有效性，j＝1,K,n；

S22.采用基尼系数(Gini)进行特征选择，假设可影响一个咨询是否有效的因素有k个类别，那么第k个类别的基尼系数为:

其中，pi为有效值为1的比例，k为数据集中特征类型的数量。依次计算各个特征的基尼系数，作为特征选取的依据，生成分类决策树。

进一步地，所述当前来访者信息包括当前来访者的性别、年龄段、是否有咨询经验、所咨询的问题类型等。

进一步地，步骤S40包括：将当前来访者V分别与所有的咨询师C配对，形成特征值VC＝{(v,c₁),(v,c₂)…(v,c_p)，…(v,c_q)},式中v是当前来访者信息，c_p为第p个咨询师信息，q为咨询师数量，1≤p≤q；

将特征值VC输入决策树，得到目标函数有效值，如果第p咨询师对应的数据(v,c_p)的有效值为1，则将第p咨询师推荐给当前来访者。

采用上述技术方案，本发明具有如下有益效果：

本发明提供的一种为来访者自动推荐心理咨询师的方法，能够更加有效地向来访者推荐最为适合的咨询师，匹配过程更加科学合理，避免了人为匹配的主观、随意，匹配结果也更加客观和准确，进而大大提升了咨询或会诊的效率，会诊之后的生活满意度、工作满意度、心情变化指数大大提升。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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为来访者自动推荐心理咨询师的方法的流程图。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

下面结合具体的实施方式对本发明做进一步的解释说明。

如图1所示，本实施例提供的一种为来访者自动推荐心理咨询师的方法，包括如下步骤：

S10.预置咨询有效性数据库；

S20.创建判别决策树；

S30.获取当前来访者信息；

S40.根据当前来访者信息自动推荐心理咨询师。

其中，所述咨询有效性数据库内的有效数据包括：咨询师的信息、历史来访者的信息、历史来访者的咨询满意度、历史来访者的咨询效果、历史来访者的咨询有效性。所述咨询师的信息包括但不限于咨询师的性别，年龄，擅长领域，总工作小时数，平均每周工作小时数，主要采用的咨询技术，咨询师的学习经历、督导主题和接收督导时长，来访者对该咨询师的评价，咨询师主管部门对咨询师的评价，咨询师的咨询记录等工作产出情况等。所述历史来访者的信息包括历史来访者的性别、年龄、受教育程度、所从事职业、民族、婚姻状况、宗教信仰情况、收入水平、健康状况、居住地及共同居住人、是否有咨询经历、是否有心理问题的住院或用药经历、问题性质类型等。所述历史来访者的咨询满意度包括但不限于历史来访者接受咨询师会诊之后的生活满意度、工作满意度、心情变化指数，来访者对心理困扰解决程度的评价、来访者对咨询过程和咨询师的评价，咨询结束后一定时期内的咨询回访情况、来访者主动要求更换咨询师的情况、来访者因不同问题咨询同一个咨询师的情况、来访者间隔一段使劲后续约咨询的情况。所述历史来访者的咨询效果为OQ45.2心理咨询效果问卷结果。

所述咨询有效性采用数据包络分析(DEA)的输出型BCC模型计算；若模型中目标函数的计算结果效率值等于1，则判定该咨询师对来访者的咨询有效率。输出型BCC模型的决策单元(DMU)为每一次咨询服务(或会诊服务)，投入变量为全部或部分所述咨询师的信息、全部或部分所述历史来访者的信息；产出变量为全部或部分的所述历史来访者的咨询满意度、全部或部分的所述历史来访者的咨询效果。

所述输出型BCC模型的其判别过程满足如下条件：

其中，θ为可能的效率值，n为咨询服务记录数量，即n个决策单元DMU_j(1≤j≤n)，m为投入变量的数量，s为产出变量的数量；λ_j为虚拟组合数，为在一个决策单元DMU中的第j个投入向量或第j个产出变量对模型的贡献比例；

第j个决策单元DMU_j对应的投入向量为：

x_j＝(x_1j,x_2j,L,x_mj)^T>0,j＝1,2,L,n

x_ij为第j个决策单元DMU_j的第i个投入变量，i＝1,2,L,m；(例如投入变量x_ij为第j个咨询服务(第j条来访记录中)中全部或部分所述咨询师的信息、全部或部分所述历史来访者的信息)

第j个决策单元DMU_j对应的产出向量为：

y_j＝(y_1j,y_2j,L,y_sj)^T>0,j＝1,2,L,n

y_rj为第j个决策单元DMU_j的第r个产出变量，r＝1,2,L,s；

例如，产出变量y_rj为第j个咨询服务(第j条来访记录中)中所述历史来访者的咨询满意度、全部或部分的所述历史来访者的咨询效果；

咨询有效性有效性判定依据如下：

在一次咨询服务(即历史来访者的一次来访)记录中，将所有已知条件放入模型中进行计算，若其目标函数的效率值θ＝1，则判定此次咨询服务中咨询师对该历史来访者的咨询(或会诊)在同行中是相对有效的；

若目标函数有效值θ<1，则判定此次咨询服务的咨询师对该历史来访者的咨询(或会诊)在同行中是非有效的。

进一步地，步骤S20创建判别决策树包括如下步骤：

S21.构建CART分类回归决策树，所述咨询有效性数据库为训练数据集，即

D＝{(x₁,θ₁),(x₂,θ₂),K,(x_n,θ_n)}

x_j为第j个咨询服务(第j条来访记录/决策单元中)中全部或部分咨询师的信息、全部或部分所述历史来访者的信息，即第j个决策单元的投入变量；

θ_j为第j个咨询服务(第j条来访记录/决策单元中)的咨询有效性，j＝1,K,n；

S22.采用基尼系数(Gini)进行特征选择，假设可影响一个咨询是否有效的因素有k个类别，那么第k个类别的基尼系数为:

其中，pi为有效值为1的比例，k为数据集中特征类型的数量。依次计算各个特征的基尼系数，作为特征选取的依据，生成分类决策树。

当前来访者信息包括当前来访者的性别、年龄段、是否有咨询经验、所咨询问题类型等。

步骤S40具体的包括：将当前来访者V分别与所有的咨询师C配对，形成特征值VC＝{(v,c₁),(v,c₂)…(v,c_p)，…(v,c_q)},式中v是当前来访者信息，c_p为第p个咨询师信息，q为咨询师数量，1≤p≤q；

将特征值VC输入决策树，得到目标函数有效值，如果第p咨询师对应的数据(v,c_p)的有效值为1，则将第p咨询师推荐给当前来访者。

本发明提供的一种为来访者自动推荐心理咨询师的方法，能够更加有效地向来访者推荐最为适合的咨询师，匹配过程更加科学合理，避免了人为匹配的主观、随意，匹配结果也更加客观和准确，进而大大提升了咨询或会诊的效率，会诊之后的生活满意度、工作满意度、心情变化指数大大提升。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.一种为来访者自动推荐心理咨询师的方法，其特征在于，包括如下步骤：

S10.预置咨询有效性数据库；

S20.创建判别决策树；

S30.获取当前来访者信息；

S40.根据当前来访者信息自动推荐心理咨询师。

2.根据权利要求1所述的为来访者自动推荐心理咨询师的方法，其特征在于，所述咨询有效性数据库内的有效数据包括：咨询师的信息、历史来访者的信息、历史来访者的咨询满意度、历史来访者的咨询效果、历史来访者的咨询有效性。

3.根据权利要求2所述的为来访者自动推荐心理咨询师的方法，其特征在于，所述咨询师的信息包括但不限于咨询师的性别，年龄，擅长领域，总工作小时数，平均每周工作小时数，主要采用的咨询技术，咨询师的学习经历、督导主题和接收督导时长，来访者对该咨询师的评价，咨询师主管部门对咨询师的评价，咨询师的咨询记录；

所述历史来访者的信息包括但不限于历史来访者的性别、年龄、受教育程度、所从事职业、民族、婚姻状况、宗教信仰情况、收入水平、健康状况、居住地及共同居住人、是否有咨询经历、是否有心理问题的住院或用药经历、问题性质类型；

所述历史来访者的咨询满意度包括但不限于历史来访者接受咨询师会诊之后的生活满意度、工作满意度、心情变化指数，来访者对心理困扰解决程度的评价、来访者对咨询过程和咨询师的评价，咨询结束后一定时期内的咨询回访情况、来访者主动要求更换咨询师的情况、来访者因不同问题咨询同一个咨询师的情况、来访者间隔一段使劲后续约咨询的情况。

4.根据权利要求2所述的为来访者自动推荐心理咨询师的方法，其特征在于，所述历史来访者的咨询效果为OQ45心理咨询效果问卷结果。

5.根据权利要求2所述的为来访者自动推荐心理咨询师的方法，其特征在于，所述咨询有效性采用数据包络分析模型计算；

数据包络分析模型的决策单元为每一次咨询服务，投入变量为全部或部分所述咨询师的信息、全部或部分所述历史来访者的信息；

产出变量为全部或部分的所述历史来访者的咨询满意度、全部或部分的所述历史来访者的咨询效果。

6.根据权利要求5所述的为来访者自动推荐心理咨询师的方法，其特征在于，利用数据包络分析模型评价咨询师对其来访者所进行的咨询的有效性；若模型中目标函数的计算结果效率值等于1，则判定该咨询师对来访者的咨询有效率。

7.根据权利要求5所述的为来访者自动推荐心理咨询师的方法，其特征在于，所述数据包络分析模型为输出型BCC模型，其判别过程满足如下条件：

Max θ

Subject to：

θ≥1

λ_j≥0，i＝1，...m，r＝1，...s，j＝1，...n

其中，θ为可能的效率值，n为咨询服务记录数量，即n个决策单元DMU，m为投入变量的数量，s为产出变量的数量；λ_j为虚拟组合数，为在一个决策单元DMU中的第j个投入向量或第j个产出变量对模型的贡献比例；

第j个决策单元DMU_j对应的投入向量为：

x_j＝(x_1j,x_2j,L,x_mj)^T>0,j＝1,2,L,n

x_ij为第j个决策单元DMU_j的第i个投入变量，i＝1,2,L,m；

第j个决策单元DMU_j对应的产出向量为：

y_j＝(y_1j,y_2j,L,y_sj)^T>0,j＝1,2,L,n

y_rj为第j个决策单元DMU_j的第r个产出变量，r＝1,2,L,s；

咨询有效性的判定依据如下：

在一次咨询服务记录中，将所有已知条件放入模型中进行计算，若其目标函数的效率值θ＝1，则判定在此次咨询服务中，咨询师对该历史来访者的咨询在同行中是相对有效的；

若目标函数有效值θ<1，则判定此次咨询服务的咨询师对该历史来访者的咨询在同行中是非有效的。

8.根据权利要求7所述的为来访者自动推荐心理咨询师的方法，其特征在于，步骤S20创建判别决策树包括如下步骤：

S21.构建CART分类回归决策树，所述咨询有效性数据库为训练数据集，即

D＝{(x₁,θ₁),(x₂,θ₂),K,(x_n,θ_n)}

其中x_j为第j条来访记录的输入值，

θ_j为第j个咨询服务的咨询有效性，j＝1,K,n；

S22.采用基尼系数(Gini)进行特征选择，假设可影响一个咨询是否有效的因素有k个类别，那么第k个类别的基尼系数为:

其中，pi为有效值θ为1的比例，k为数据集中特征类型的数量依次计算各个特征的基尼系数，作为特征选取的依据，生成分类决策树。

9.根据权利要求1所述的为来访者自动推荐心理咨询师的方法，其特征在于，所述当前来访者信息包括当前来访者的性别、年龄、受教育程度、所从事职业、民族、婚姻状况、宗教信仰情况、收入水平、健康状况、居住地及共同居住人、是否有咨询经历、是否有心理问题的住院或用药经历、问题性质类型。

10.根据权利要求1所述的为来访者自动推荐心理咨询师的方法，其特征在于，步骤S40包括：将当前来访者V分别与所有的咨询师C配对，形成特征值VC＝{(v,c₁),(v,c₂)…(v,c_p)，…(v,c_q)},式中v是当前来访者信息，c_p为第p个咨询师信息，q为咨询师数量，1≤p≤q；

将特征值VC输入决策树，得到目标函数有效值，如果第p咨询师对应的数据(v,c_p)的有效值为1，则将第p咨询师推荐给当前来访者。

Images