CN115662627A - 学生心理健康风险预警模型构建预警方法及其应用 - Google Patents

Abstract

本申请提出了学生心理健康风险预警模型构建预警方法及其应用，包括以下步骤：S00、获取指标原始数据；其中，指标元素数据包括医疗就诊数据、经济状况数据、家庭状况数据及网络敏感词汇检索数据；S10、对指标原始数据进行大数据治理，以生成治理后的风险源数据；S20、基于风险源数据建立学生心理健康风险等级评价模型；S30、通过学生心理健康风险等级评价模型计算每个学生的心理健康风险等级，并根据心理健康风险等级的高低进行预警治理。本申请具有提前预测潜在自杀意图学生的前瞻性、预警性突破的优点。

Description

学生心理健康风险预警模型构建预警方法及其应用

技术领域

本申请涉及社会治理领域，特别是一种涉及学生心理健康风险预警模型构建预警方法及其应用。

背景技术

现阶段对于学生心理健康风险预警分析的研究普遍存在以下问题：

第一，通过开展心理筛查活动报告以及心理测试问卷、面诊等方式获取心理健康相关的数据。这种方式的预警通常存在滞后性和被动性，受限于筛查活动的频率以及学生主观心理影响，不能够及时地预警学生轻生趋势风险。

第二，基于图像识别技术发现轻生趋势等行为，从而获取心理健康风险数据。这种方式的预警受限于监控视频的可视范围，并不能大范围地进行风险预警，且预警后可干预的时间较短，自心理健康风险预警的前瞻性不足。

因此，亟待一种可主动发现学生轻生趋势等危险行为倾向的学生心理健康风险预警模型构建预警方法及其应用。

发明内容

本申请实施例提供了学生心理健康风险预警模型构建预警方法及其应用，针对目前技术存在的无法及时预警等问题。

本发明核心技术主要是通过构建学生轻生趋势风险预警，改变传统应急状态下通过“绿色通道”的单一救急挽救轻生趋势学生的模式，拓展并实现了跨前一步、提前预测潜在轻生趋势意图学生的前瞻性、预警性突破。

第一方面，本申请提供了学生心理健康风险预警模型构建预警方法，所述方法包括以下步骤：

S00、获取指标原始数据；

其中，指标元素数据包括医疗就诊数据、经济状况数据、家庭状况数据及网络敏感词汇检索数据；

S10、对指标原始数据进行大数据治理，以生成治理后的风险源数据；

S20、基于风险源数据建立学生心理健康风险等级评价模型；

S30、通过学生心理健康风险等级评价模型计算每个学生的心理健康风险等级，并根据心理健康风险等级的高低进行预警治理。

进一步地，步骤S10中，对指标原始数据进行大数据治理的具体步骤为：

S11、从网络敏感词汇检索数据中提取与学生心理健康风险有关的特征词汇，以作为敏感词汇，同时根据医疗就诊数据、经济状况数据及家庭状况数据，统计学生的医疗就诊次数、个人失信时长及家庭状况类型；

S12、根据网络敏感词汇检索数据计算学生单位设定时间周期内的敏感词汇平均检索次数，并根据单位设定时间周期内的敏感词汇平均检索次数计算单位设定时间周期的敏感词汇检索环比增长率；

S13、以医疗就诊次数、个人失信时长、家庭状况类型及敏感词汇检索环比增长率作为治理后的风险源数据。

进一步地，步骤S20中，分别根据个人失信时长、家庭状况类型及敏感词汇检索环比增长率建立指标体系并设立各指标的对应权重，以建立学生心理健康风险等级评价模型。

进一步地，步骤S30中，对心理健康风险等级高于阈值的学生进行心理辅导和定时核查反馈。

进一步地，步骤S11的从网络敏感词汇检索数据中提取与学生心理健康风险有关的特征词汇具体步骤为：

获取网络敏感词汇检索数据中的互联网数据检索内容，通过分词技术对互联网数据检索内容进行分词匹配；

采用基于词向量的特征提取模型并通过神经网络模型训练，将互联网数据检索内容中的每个词语映射成一个定维度的向量，以使得每个向量代表对应的词语；

通过向量之间的相似度判断词语中的语义和语法相似性，以获得识别出的特征文本；

采用深度学习文本分类模型对识别出的特征文本进行分类。

进一步地，步骤S12中，采用移动平均法对学生的月度网络敏感词汇检索进行两次平均，并根据上月的两次平均后的月度网络敏感词汇检索计算月度敏感词汇检索环比增长率。

进一步地，步骤S12中，剔除月度敏感词汇检索环比增长率中的异常增长率数据，以调整月度敏感词汇检索环比增长率。

第二方面，本申请提供了一种学生心理健康风险预警模型构建装置，包括：

数据采集模块，用于获取指标原始数据；其中，指标元素数据包括医疗就诊数据、经济状况数据、家庭状况数据及网络敏感词汇检索数据

大数据治理模块，用于对指标原始数据进行大数据治理，以生成治理后的风险源数据；

模型建立模块，用于基于风险源数据建立学生心理健康风险等级评价模型；

学生心理健康风险等级评价模型模块，用于通过学生心理健康风险等级评价模型计算每个学生的心理健康风险等级；

预警模块，用于根据心理健康风险等级的高低进行预警治理。

第三方面，本申请提供了一种电子装置，包括存储器和处理器，存储器中存储有计算机程序，处理器被设置为运行计算机程序以执行上述的学生心理健康风险预警模型构建方法。

第四方面，本申请提供了一种可读存储介质，可读存储介质中存储有计算机程序，计算机程序包括用于控制过程以执行过程的程序代码，过程包括根据上述的学生心理健康风险预警模型构建方法。

本发明的主要贡献和创新点如下：1、与现有技术相比，本申请实现了学生轻生趋势等风险从被动应急到主动发现的突破。通过构建学生心理健康风险预警，改变传统应急状态下通过“绿色通道”的单一救急挽救轻生趋势学生的模式，拓展并实现了跨前一步、提前预测潜在轻生趋势意图学生的前瞻性、预警性突破；

2、与现有技术相比，本申请实现了风险预警从单打独斗到联动配合的跨越。通过监管部门网数据和互联网数据的“两网”数据融合互通，开展综合分析，从原本监管部门的单打独斗转化为政企合作联动配合。

本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据本申请实施例的学生心理健康风险预警模型构建方法的流程；

图2是根据本申请实施例的电子装置的硬件结构示意图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书一个或多个实施例相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本说明书一个或多个实施例的一些方面相一致的装置和方法的例子。

需要说明的是：在其他实施例中并不一定按照本说明书示出和描述的顺序来执行相应方法的步骤。在一些其他实施例中，其方法所包括的步骤可以比本说明书所描述的更多或更少。此外，本说明书中所描述的单个步骤，在其他实施例中可能被分解为多个步骤进行描述；而本说明书中所描述的多个步骤，在其他实施例中也可能被合并为单个步骤进行描述。

学生轻生趋势风险一般都有先兆，并非不可预测。以在校学生为研究对象，以相关的监管部门网数据和互联网数据作为原始数据，对学生轻生趋势风险开展数据汇聚、数据治理、预警预测预判，通过数据融通，对学生轻生趋势风险状态进行全网监测，建立轻生趋势风险画像，构建学生轻生趋势风险预警模型，反映学生心理健康情况，及时对存在轻生趋势风险的学生进行预警研判，有效提前干预学生心理问题导致的非正常死亡事件。

基于此，本发明基于构建学生心理健康风险模型来解决现有技术存在的问题。

实施例一

具体地，本申请实施例提供了学生心理健康风险预警模型构建预警方法，具体地，参考图1，所述方法包括以下步骤：

S00、获取指标原始数据；

其中，指标元素数据包括医疗就诊数据、经济状况数据、家庭状况数据及网络敏感词汇检索数据；

在本实施例中，通过数据源获取指标原始数据，数据源包括但不限于以下部门：教育局以及各职能部门和监管部门等。

S10、对指标原始数据进行大数据治理，以生成治理后的风险源数据；

其中，对指标原始数据进行大数据治理的具体步骤为：

S11、从网络敏感词汇检索数据中提取与学生心理健康风险有关的特征词汇，以作为敏感词汇，同时根据医疗就诊数据、经济状况数据及家庭状况数据，统计学生的医疗就诊次数、个人失信时长及家庭状况类型；

在本实施例中，根据教育局提供数据，获取在校学生个人信息档案。进一步获取学生身份背景、现实表现和网络意图信息，主要信息包括医疗就诊次数、个人失信时长、家庭状况类型、网络敏感词汇检索数据中的网络敏感词汇检索次数。

优选地，网络敏感词汇检索数据一般都包含在互联网检索描述中，需要利用文本分析技术，从一长串的描述信息中提取出与学生轻生趋势风险相关的特征词，如焦虑、失眠、沮丧、抑郁、心悸、无助等，涉及此类描述的相关检索信息才能认定为一次有效信息，由此开展后续的数据分析、模型算法工作。

优选地，通过获取网络敏感词汇检索数据中的检索内容；通过中文或其他语言分词技术，对检索内容进行分词、匹配；采用基于词向量的特征提取模型，通过神经网络模型训练，将每个词语映射成一个定维度的向量，每个向量就代表着这个词语，词语的语义和语法相似性和通过向量之间的相似度来判断；采用深度学习文本分类模型对识别出的特征文本（即前面的特征词汇）进行分类，可用于聚类分析、相关性分析等。

S12、根据网络敏感词汇检索数据计算学生单位设定时间周期内的敏感词汇平均检索次数，并根据单位设定时间周期内的敏感词汇平均检索次数计算单位设定时间周期的敏感词汇检索环比增长率；

优选地，根据网络敏感词汇检索数据，计算学生月度网络敏感词汇检索次数。由于月度网络敏感词汇检索次数波动过大，无法衡量出真实的增长趋势，因此采用移动平均方法对月度网络敏感词汇检索次数进行平滑处理。对月度敏感词汇检索次数经过一次移动平均后月度敏感词汇检索次数的趋势波动性明显减小，但仍存在一定的起伏，对一次移动平均值进行移动平均得到的二次移动平均检索次数，很明显地突出了敏感词汇检索量的发展趋势。

根据二次移动平均检索次数，计算月度敏感词汇检索环比增长率，公式如下：

其中，V_n为月度敏感词汇检索环比增长率，

为二次移动平均检索次数，

为 上月二次移动平均敏感词汇检索次数。

S13、以医疗就诊次数、个人失信时长、家庭状况类型及敏感词汇检索环比增长率作为治理后的风险源数据；

S20、基于风险源数据建立学生心理健康风险等级评价模型；

此步骤中，分别根据个人失信时长、家庭状况类型及敏感词汇检索环比增长率建立指标体系并设立各指标的对应权重，以建立学生心理健康风险等级评价模型。

在本实施例中，基于月度敏感词汇检索环比增长率V_n，由于当学生出现心理状况异常的趋势时，其月度敏感词汇检索环比增长率V_n会出现某月突然增大的情况，因此，可认为当曲线突然陡增时，可以判定该学生已产生心理状况异常情况，可以开始对其进行风险模型识别，进入后续风险防范流程。

优选地，为了剔除异常数据，对异常增长率数据做处理，避免数据的不合理造成最终得分较大，对的取值需进行适应性调整，调整规则为：

。

优选地，根据医疗就诊信息，当学生产生精神科就诊记录时，将其指标置为1：

。

优选地，根据经济状况信息，当学生被列于失信人黑名单时（当然可以根据失信时长来评价），将其指标置为1：

。

优选地，根据家庭状况信息，当学生家庭状况异常（如家庭中父母离婚、亲人离世或出事故或生大病等等，）时，将其指标置为1：

。

设定权重，ω₁为月度敏感词汇检索环比增长率的权重系数，ω₂为医疗就诊指标权重系数，ω₃为经济状况指标权重系数，ω₄为家庭状况指标权重系数。

优选地，这里的权重可以根据历史学生轻生趋势原因数据进行分析得到，也可以根据专家分析得到，也可以根据论文数据得到，也可以是多方面综合得到。

即学生心理健康风险等级评价模型Y_n为：

S30、通过学生心理健康风险等级评价模型计算每个学生的心理健康风险等级，并根据心理健康风险等级的高低进行预警治理。

在本实施例中，根据心理健康风险等级评估指数得分，对学生轻生趋势风险进行预测，当得分≥60分时，表明学生心理状况正常，发生轻生趋势风险概率低，处于低风险等级；当30<得分<60分时，表明学生心理状况出现异常，发生轻生趋势风险概率较高，需要核查反馈，处于中风险等级；当得分≤30分时，表明学生心理状况出现重大问题，发生轻生趋势风险概率高，需引起高度重视，处于高风险等级。

此步骤中，对心理健康风险等级高于阈值的学生进行心理辅导和定时核查反馈。如根据心理健康风险等级评估指数得分高低，对学生下发“心理健康风险核查单”，流转至辖区学校具体的心理辅导落实人员，要求在限定时间内根据核查干预要求反馈；并对核查干预情况要求记录上传，由监管部门督导工作质量。学生心理健康风险预警机制将线上预警与线下干预相结合，形成多警种、全地域共同参与格局。对外，通过对预警线索落地核查环节的利弊探索，探索构建警教、警校“双统筹”工作机制，发挥职能部门和监管部门各自职能和特长，实现了工作流程从线下分散到系统闭环的提升，改变了初始阶段线索分散、传递不便、归口不一等问题，实现了预警从产生—传递—核查—干预—反馈等流程一体化、系统化集成统一运行。

实施例二

基于相同的构思，本申请还提出了一种学生心理健康风险预警模型构建装置，包括：

数据采集模块，用于获取指标原始数据；其中，指标元素数据包括医疗就诊数据、经济状况数据、家庭状况数据及网络敏感词汇检索数据

大数据治理模块，用于对指标原始数据进行大数据治理，以生成治理后的风险源数据；

模型建立模块，用于基于风险源数据建立学生心理健康风险等级评价模型；

学生心理健康风险等级评价模型模块，用于通过学生心理健康风险等级评价模型计算每个学生的心理健康风险等级；

预警模块，用于根据心理健康风险等级的高低进行预警治理。

实施例三

本实施例还提供了一种电子装置，参考图2，包括存储器404和处理器402，该存储器404中存储有计算机程序，该处理器402被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。

具体地，上述处理器402可以包括中央处理器（CPU），或者特定集成电路（ApplicationSpecificIntegratedCircuit，简称为ASIC），或者可以被配置成实施本申请实施例的一个或多个集成电路。

其中，存储器404可以包括用于数据或指令的大容量存储器404。举例来说而非限制，存储器404可包括硬盘驱动器（HardDiskDrive，简称为HDD）、软盘驱动器、固态驱动器（SolidStateDrive，简称为SSD）、闪存、光盘、磁光盘、磁带或通用串行总线（UniversalSerialBus，简称为USB）驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器404可包括可移除或不可移除（或固定）的介质。在合适的情况下，存储器404可在数据处理装置的内部或外部。在特定实施例中，存储器404是非易失性（Non-Volatile）存储器。在特定实施例中，存储器404包括只读存储器（Read-OnlyMemory，简称为ROM）和随机存取存储器（RandomAccessMemory，简称为RAM）。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM（ProgrammableRead-OnlyMemory，简称为PROM）、可擦除PROM（ErasableProgrammableRead-OnlyMemory，简称为EPROM）、电可擦除PROM（ElectricallyErasableProgrammableRead-OnlyMemory，简称为EEPROM）、电可改写ROM（ElectricallyAlterableRead-OnlyMemory，简称为EAROM）或闪存（FLASH）或者两个或更多个以上这些的组合。在合适的情况下，该RAM可以是静态随机存取存储器（StaticRandom-AccessMemory，简称为SRAM）或动态随机存取存储器（DynamicRandomAccessMemory，简称为DRAM），其中，DRAM可以是快速页模式动态随机存取存储器404（FastPageModeDynamicRandomAccessMemory，简称为FPMDRAM）、扩展数据输出动态随机存取存储器（ExtendedDateOutDynamicRandomAccessMemory，简称为EDODRAM）、同步动态随机存取内存（SynchronousDynamicRandom-AccessMemory，简称SDRAM）等。

存储器404可以用来存储或者缓存需要处理和/或通信使用的各种数据文件，以及处理器402所执行的可能的计算机程序指令。

处理器402通过读取并执行存储器404中存储的计算机程序指令，以实现上述实施例中的任意学生心理健康风险预警模型构建预警方法。

可选地，上述电子装置还可以包括传输设备406以及输入输出设备408，其中，该传输设备406和上述处理器402连接，该输入输出设备408和上述处理器402连接。

传输设备406可以用来经由一个网络接收或者发送数据。上述的网络具体实例可包括电子装置的通信供应商提供的有线或无线网络。在一个实例中，传输设备包括一个网络适配器（Network Interface Controller，简称为NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备406可以为射频（Radio Frequency，简称为RF）模块，其用于通过无线方式与互联网进行通讯。

输入输出设备408用于输入或输出信息。在本实施例中，输入的信息可以是指标原始数据等，输出的信息可以是每个学生的心理健康风险等级等。

实施例四

本实施例还提供了一种可读存储介质，可读存储介质中存储有计算机程序，计算机程序包括用于控制过程以执行过程的程序代码，过程包括根据实施例一的学生心理健康风险预警模型构建方法。

需要说明的是，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。

通常，各种实施例可以以硬件或专用电路、软件、逻辑或其任何组合来实现。本发明的一些方面可以以硬件来实现，而其他方面可以由控制器、微处理器或其他计算设备执行的固件或软件来实现，但是本发明不限于此。尽管本发明的各个方面可以被示出和描述为框图、流程图或使用一些其他图形表示，但是应当理解，作为非限制性示例，本文中描述的这些框、装置、系统、技术或方法可以以硬件、软件、固件、专用电路或逻辑、通用硬件或控制器或其他计算设备或其某种组合来实现。

本发明的实施例可以由计算机软件来实现，该计算机软件由移动设备的数据处理器诸如在处理器实体中可执行，或者由硬件来实现，或者由软件和硬件的组合来实现。包括软件例程、小程序和/或宏的计算机软件或程序(也称为程序产品)可以存储在任何装置可读数据存储介质中，并且它们包括用于执行特定任务的程序指令。计算机程序产品可以包括当程序运行时被配置为执行实施例的一个或多个计算机可执行组件。一个或多个计算机可执行组件可以是至少一个软件代码或其一部分。另外，在这一点上，应当注意，如图中的逻辑流程的任何框可以表示程序步骤、或者互连的逻辑电路、框和功能、或者程序步骤和逻辑电路、框和功能的组合。软件可以存储在诸如存储器芯片或在处理器内实现的存储块等物理介质、诸如硬盘或软盘等磁性介质、以及诸如例如DVD及其数据变体、CD等光学介质上。物理介质是非瞬态介质。

本领域的技术人员应该明白，以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.学生心理健康风险预警模型构建预警方法，其特征在于，包括以下步骤：

S00、获取指标原始数据；

其中，所述指标元素数据包括医疗就诊数据、经济状况数据、家庭状况数据及网络敏感词汇检索数据；

S10、对所述指标原始数据进行大数据治理，以生成治理后的风险源数据；

S20、基于所述风险源数据建立学生心理健康风险等级评价模型；

S30、通过所述学生心理健康风险等级评价模型计算每个学生的心理健康风险等级，并根据所述心理健康风险等级的高低进行预警治理。

2.如权利要求1所述的学生心理健康风险预警模型构建预警方法，其特征在于，步骤S10中，对所述指标原始数据进行大数据治理的具体步骤为：

S11、从所述网络敏感词汇检索数据中提取与学生心理健康风险有关的特征词汇，以作为敏感词汇，同时根据所述医疗就诊数据、所述经济状况数据及所述家庭状况数据，统计学生的医疗就诊次数、个人失信时长及家庭状况类型；

S12、根据所述网络敏感词汇检索数据计算学生单位设定时间周期内的敏感词汇平均检索次数，并根据单位设定时间周期内的敏感词汇平均检索次数计算单位设定时间周期的敏感词汇检索环比增长率；

S13、以所述医疗就诊次数、所述个人失信时长、所述家庭状况类型及所述敏感词汇检索环比增长率作为治理后的风险源数据。

3.如权利要求2所述的学生心理健康风险预警模型构建预警方法，其特征在于，步骤S20中，分别根据所述个人失信时长、所述家庭状况类型及所述敏感词汇检索环比增长率建立指标体系并设立各指标的对应权重，以建立学生心理健康风险等级评价模型。

4.如权利要求3所述的学生心理健康风险预警模型构建预警方法，其特征在于，步骤S30中，对所述心理健康风险等级高于阈值的学生进行心理辅导和定时核查反馈。

5.如权利要求2所述的学生心理健康风险预警模型构建预警方法，其特征在于，步骤S11的从所述网络敏感词汇检索数据中提取与学生心理健康风险有关的特征词汇具体步骤为：

获取网络敏感词汇检索数据中的互联网数据检索内容，通过分词技术对所述互联网数据检索内容进行分词匹配；

采用基于词向量的特征提取模型并通过神经网络模型训练，将所述互联网数据检索内容中的每个词语映射成一个定维度的向量，以使得每个向量代表对应的词语；

通过向量之间的相似度判断词语中的语义和语法相似性，以获得识别出的特征文本；

采用深度学习文本分类模型对识别出的特征文本进行分类。

6.如权利要求2所述的学生心理健康风险预警模型构建预警方法，其特征在于，步骤S12中，采用移动平均法对学生的月度网络敏感词汇检索进行两次平均，并根据上月的两次平均后的月度网络敏感词汇检索计算月度敏感词汇检索环比增长率。

7.如权利要求6所述的学生心理健康风险预警模型构建预警方法，其特征在于，步骤S12中，剔除月度敏感词汇检索环比增长率中的异常增长率数据，以调整月度敏感词汇检索环比增长率。

8.一种学生心理健康风险预警模型构建装置，其特征在于，包括：

数据采集模块，用于获取指标原始数据；其中，指标元素数据包括医疗就诊数据、经济状况数据、家庭状况数据及网络敏感词汇检索数据

大数据治理模块，用于对指标原始数据进行大数据治理，以生成治理后的风险源数据；

模型建立模块，用于基于风险源数据建立学生心理健康风险等级评价模型；

学生心理健康风险等级评价模型模块，用于通过学生心理健康风险等级评价模型计算每个学生的心理健康风险等级；

预警模块，用于根据心理健康风险等级的高低进行预警治理。

9.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1至7任一项所述的学生心理健康风险预警模型构建方法。

10.一种可读存储介质，其特征在于，所述可读存储介质中存储有计算机程序，所述计算机程序包括用于控制过程以执行过程的程序代码，所述过程包括根据权利要求1至7任一项所述的学生心理健康风险预警模型构建方法。

Images