基于FMT特征智能识别风险人员心理画像系统技术方案

本发明专利技术公开了基于FMT特征智能识别风险人员心理画像系统包括以下步骤：S1：特征筛选，关键特征收集和风险特征筛选；S2：高风险人员心理画像勾画与评估；S3：编制量表、施测和收集数据；S4：数据分析，通过Binarylogistic回归确定画像模型；S5：依据模糊综合判断法，得出测试者的最终风险等级。该基于FMT特征智能识别风险人员心理画像系统，通过收集极端心理者、伤人者等已经有过风险行为的个体心理特征信息构建高风险人员心理画像。根据测试者与高风险人员心理画像的拟合情况，采用模糊综合判断法区分高风险人员和无风险人员，更全面具体地，且有针对性的找到真正的高风险人群。有针对性的找到真正的高风险人群。有针对性的找到真正的高风险人群。

【技术实现步骤摘要】
基于FMT特征智能识别风险人员心理画像系统


[0001]本专利技术涉及一种心理评估领域，具体是基于FMT特征智能识别风险人员心理画像系统。

技术介绍

[0002]心理测验是根据标准化的程序来测量个体的某种心理或行为的工具，测量结果可以用 来判定人与人之间的差异。心理测量是一种对人的心理和行为进行标准化的技术。我国心 理学家彭凯平认为：“心理测验就是通过观察人的少数有代表性的行为，对于贯穿在人的 行为活动中的心理特征，依据一定的原则进行推论和数量化的一种科学手段”。
[0003]近年来心理健康越来越成为现代人关注的焦点，它与生理健康并驾齐驱，成为衡量 人类健康水平的关键指标之一。积极预防和减少心理疾患，遏制心理危机事件的发生， 改善工作生活品质，促进个人及社会的和谐发展，已经成为人们共同关心和研究的问题。
[0004]目前，与心理健康需求有关的矛盾主要表现在这些方面：医院门诊和心理卫生中心的 心理卫生服务资源非常有限，无法充分满足所有求诊者的评估、诊断和治疗需要；心理咨 询和EAP机构在服务时使用的传统测评工具缺乏完整、有效的评估本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于FMT特征智能识别风险人员心理画像系统，其特征在于：包括以下步骤：S1：特征筛选，关键特征收集和风险特征筛选；S2：高风险人员心理画像模型模型勾画与评估；S3：编制量表、施测和收集数据；S4：数据分析，通过Binarylogistic回归确定画像模型；S5：依据模糊综合判断法，得出测试者的最终风险等级。2.根据权利要求1所述的基于FMT特征智能识别风险人员心理画像系统，其特征在于：所述S1中关键特征收集，采用半结构化访谈的方式对不同行业的10位企业高级管理人员进行30
‑
45分钟的询问，了解曾在企业内部发生过的员工风险事件，如员工极端心理、伤人、蓄意破坏等等极端事件，以及企业管理者担心员工会实施的一些风险行为，整理获得风险员工关键特征56个，所述S1中风险特征筛选，采用投票的方式对关键特征进行评定，邀请8位资深的HR对每一个关键特征进行投票，将60％以上资深HR选择的与风险员工的关键特征有关的条目保留下来。由此共选择出34个风险特征，初步形成6类心理风险员工人物画像，极端心理倾向心理画像、伤人倾向心理画像、离职报复者心理画像，高耗能倾向心理画像、负能量传播心理画和玻璃瓶像心理画像。3.根据权利要求1所述的基于FMT特征智能识别风险人员心理画像系统，其特征在于：所述S2中高风险人员心理画像模型勾画，主要采用文献分析法，对不同的心理风险画像进行国内外相关文献的阅读学习，学习掌握不同人物画像的风险模型，通过对已有文献和学术成果的梳理总结，我们从个体接受到的外部刺激、个体的情绪状态、个性、认知和心理弹性5大维度，全面地勾画出6类心理风险人物画像，所述S2中高风险人员心理画像模型评估包括员工社会功能状况筛查、临床症状核查和心理动因分析三个层面，员工社会功能状况筛查，涵盖人际质量、行事效率、情绪状况、积极感受和活动范围，人际质量评估包括人际关系是否稳定、和谐；行事效率评估包括记忆、反应、学习等功能运作效率；情绪状况评估包括受测者能否保持稳定、平和的情绪状态；积极感受评估包括个体是否拥有幸福感、成就感等；活动范围考察包括个体是否拥有足够丰富的社会交往和娱乐休闲活动，临床症状核查，主要分析员工的抑郁、敌对
‑
攻击、偏执等心理问题，从而通过临床症状核查量表明确心理问题所在，心理动因分析主要有应激事件、防御机制、社会支持等，从而对员工的心理动因进行分析。4.根据权利要求1所述的基于FMT特征智能识别风险人员心理画像系统，其特征在于：所述S3中编制量表，根据不同类型心理画像的维度组成编制初始量表同时参照心理健康症状自评量表(SCL
‑
90)、the Interpersonal Psychological model中的极端心理倾向量表、Barratt冲动量表、Cohen博士编制的压力知觉量表(PSS)等等，共编制含有450道题目的原始量表，所述S3中施测和收集数据，采用定投、随机投和大范围投放的方式进行，其中定投将6份精准投放给典型的画像人物，如测量极端心理倾向的分量表投放给有过极端心理行为但极端心理未遂的测试者，测量伤人倾向的分量表投放给有过伤人行为的测试者等等，其中随机投则随机投放给一般的正常人群，大范围投放主要是放在系统APP平台上，免费供用户测量，通过数据清洗，剔除无效问卷，回收的有效问卷共计16805份。5.根据权利要求1所述的基于FMT特征智能识别风险人员心理画像系统，其特征在于：所述S4中数据分析包括进行信度和效度分析，信度是反映测试者稳定性、同一性的指标，采
用“克伦巴赫α系数”指标来检验量表的稳定性与同一性，效度是指一个测验对其所要测量的特性测量到何种程度，反映测量的真实性与准确性的指标，采用SPSS20.0对所收集的数据进行探索性因素分析，对所编制的量表进行效度检验，通过因素分析删除不合适的题目从而得到良好的结构效度。6.根据权利要求1所述的基于FMT特征智能识别风险人员心理画像系统，其特征在于：所述S4中确定画像模型，将做不同风险类型量表的测试者数据均分成两类，即极端心理过和未极端心理过两类、伤人过和未伤人过两类等等，采用二元logistic回归的方式，找出真正导致个体采取极端心理行为、伤人行为、离职报复等等行为的自变量，采用对数线性模型进行统计分析，在对数线性模型中，当其二分类变量被当作因变量时，对数线性回归模型就变成了Binarylogistic回归模型。以下以极端心理倾向模型为例详细介绍BinaryLogistic模型的推导、求解，假设第n，n∈N，个个体采取极端心理行为用y
n
表示，y
n
＝1代表个体采取了极端心理行为，反之y
n
＝0，假设在理论上，存在一个连续反应变量y
*n
代表y
n
发生的概率，其取值范围为负无穷至正无穷，如果此变量的值超出一个临界点m比如m＝0，便使出行者n采取极端心理行为，于是有：当y
*n
>0时y
n
＝1当y
*n
≦0时y
n
＝0如果假设在反应变量y
*n
与自变量选择影响因素，x
ni
(i＝1,2
…
,m)之间存在一种线性关系，即y
*n
＝β0+β1x
n1
+
…
+β
m
x
nm
+ε
j 1.1其中：ε
j
是误差项，服从Logistic分布；β0为截距通常称为常数项；β
i
(i＝1,2
…
,m)是x
ni
(i＝1,2
…
,m)的偏回归系数，由1.1式可知，第n个个体采取极端心理行为的条件概率为：P(y
n
＝1/x
ni
)＝P[(β0+β1x
n1
+
…
+β
m
x
nm
+ε
j
)>0]
ꢀꢀ
1.2通过计算求解可得：其中P(y
n
＝1/x
ni
)是一个由解释变量(影响因素)构成的非线性函数，这个非线性函数可以被转变为线性函数。首先，定义出极端心理行为被个体n选择的概率为：那么极端心理行为被选择与不被选择的发生概率之比为：这个比被称之为事件的发生比,简记为Odds优势，由公式1.5可以看出p越大，则odds越大；p越小，则odds越小。为了度量某一自变量影响因素对因变量是否采取极端心理行为影
响程度的大小，定义OddsRatio简记OR，简称优势比，如下公式：其含义为在其他自变量选择行为的影响因素不变的情况下，自变量x
ni
改变一个单位，因变量对应的OR改变exp(β
i
)。我们利用OR，对个体选择端心理行为的影响因素进行灵敏度分析。由于Binarylogistic回归是非线性模型，因此采用最大似然估计求解参数。假设有由N个个体选择行为构成的总体，Y1，
…
YN，从中随机抽取n个案例作为样本，观测值标注为y1，
…
yn。设p
i
＝p(y
i
＝1|x
i
)为给定影响因素x
i
的条件下得到结果y
i
＝1的条件概率，则y
i
＝0的条件概率为p(y
i
＝0|x
i
)＝1
‑
p
i
，于是得到一个观测值的概率为：其中y
i
＝1或0，因为各项观测是相互独立的，所以他们的联合分布可以表示为各边际分布的乘积，如下式所示：公式1.8称为n个个体是否会极端心理的似然函数，其中：为求出能够使这一似然函数的值最大的参数估计，对L
*
进行对数变换，得到如下函数：为了估计使ln(L
*
)达到最大值时的总体参数β0…
β
m
，分别对它们求偏导，然后令它们等于...

【专利技术属性】
技术研发人员：丁建略，陈凡迪，
申请(专利权)人：杭州袋虎信息技术有限公司，
类型：发明
国别省市：