一种基于决策树算法的大学生焦虑情绪预测方法技术

本发明专利技术本发明专利技术公开了一种基于决策树算法的大学生焦虑情绪预测方法，该方法通过已改进的决策树算法构建大学生焦虑情绪预测模型，在量表得分、大学生基本信息以及房树人绘画分析特征等数据的基础上，根据决策树预测模型得到的新个体焦虑情绪状态以及焦虑类型。本发明专利技术将绘画测验分析理论结合量表数据通过决策树算法得出大学生即时焦虑状态，解决了问卷测验技术的数据收集不全面以及问题，同时结合绘画测验分析理论能够更为客观、有效地收集到大学生的焦虑情绪状态数据，找出学生基本情况的因素与形成焦虑情绪的原因,使得心理辅导和干预有更准确的切入点,为改善大学生焦虑情绪提供可靠依据。靠依据。

【技术实现步骤摘要】
一种基于决策树算法的大学生焦虑情绪预测方法


[0001]本专利技术涉及心理预测
，具体涉及一种基于决策树算法的大学生焦虑情绪评估方法。

技术介绍

[0002]随着当代高校信息化的发展，越来越多的高校采用信息系统来辅助业务工作，其中心理教育信息化系统在高校中的应用也越来越广泛。目前，心理信息系统具有的主要功能有对学生基本信息的管理，针对参与测评的学生的心理档案管理，对各种各样的表进行的普通数据分析、各种量表和问卷的增删改、问卷的导入导出和管理、心理问卷调查发布等等。可以实现学生基本情况的信息收集汇总，并针对不同的量表进行分析管理出具测评报告。这些数据分析结果在一定程度上可以筛选出具有问题的学生，但对于焦虑类型及具体原因，目前没有确切的方法分析出来。因此，本专利技术将问卷调查结合绘画测验的评估方式，通过决策树算法建立模型，并利用粒子群算法进行参数寻优，获得更为准确的评估结果，找出学生基本情况的因素与形成焦虑情绪的原因，从而使得心理辅导和干预有更准确的切入点。
[0003]目前的心理评估方式仅仅通过心理问卷调查学生心理状况，但学生可以通过掩盖自身心理问题而随意选择答案，从而导致问卷结果的不真实性。而绘画测验是心理投射技术中的一种，被测者可以通过绘画作品来反应其形式、内容、思想表达和认知扭曲。绘画测验与经典的罗夏墨迹测试以及主题统觉测试一样，不仅应用于人格评估和心理障碍评估，还可以达到心理治疗的效果，是科学的、有效的心理测验及心理咨询和治疗的工具，因此通过心理健康问卷结合绘画测验分析来评估学生焦虑状态及原因，使得数据更为准确以及科学性，为针对性处理学生焦虑情绪提供可靠依据。

技术实现思路

[0004]针对上述问题，本专利技术提出一种通过决策树算法，以绘画测验特征结合心理健康问卷的方法，提高数据的准确性、针对性及科学性，评估并分析学生即时焦虑状态及原因，为改善大学生焦虑情绪提供可靠依据。
[0005]一种基于决策树算法的大学生焦虑情绪预测方法，其特征在于，包括步骤：（1）通过决策树算法，基于学生的心理健康问卷得分以及绘画测验特征的数据，建立大学生焦虑情绪预测模型；（2）获取新个体焦虑状态及绘画测验特征数据，根据所述的预测模型得到个体的心理状况；其中，所述的心理健康问卷包括：焦虑自评量表（SAS）、心理健康诊断测试量表（MHT）节选、考试焦虑量表（TAS）、大学生社交焦虑量表（SAI）、领悟社会支持量表（PSSS），就业焦虑问卷 ( EAQ)，并根据表1、表2、表3、表4、表5、表6、表7化分焦虑类型及等级得分，以问卷填写结果计算问卷得分，并保存数据并输入算法程序。
[0006]表1SAS得分等级＜50无焦虑50
‑
59轻度焦虑60
‑
69重度焦虑＞69重度焦虑 表2MIT得分等级0
‑
3正常4
‑
7轻微学习焦虑＞8严重学习焦虑表3TAS得分等级＜12轻度考试焦虑12
‑
20中度考试焦虑＞20重度考试焦虑表4IAS得分等级＜15无焦虑15
‑
31轻度社交焦虑32
‑
48中度社交焦虑49
‑
75重度社交焦虑表5人际关系测量得分等级0
‑
8轻度人际关系困扰9
‑
14中度人际关系困扰15
‑
28严重人际关系困扰表6PSSS得分等级12
‑
36低支持状态37
‑
60中支持状态61
‑
84高支持状态表7EAQ得分 0
‑
74轻微就业焦虑≥75严重就业焦虑其中，所述的绘画测验分析特征包括以下数据：房树人统合画特征分析数据、房子图画细节特征分析数据、树木图画细节特征分析数据、人物图画细节特征分析数据。
[0007]其中，所述的学生基本信息包括：学生的基本信息、学习成绩。
[0008]其中，所述的学生的基本信息包括：姓名、年龄、性别、年级、班级、专业、所属学校名称。
[0009]其中，所述的学生的基本信息中的学习成绩包括:是否获得奖学金、已修科目数、各科学期末测验成绩分数、是否参加科技创新比赛等相关项目。
[0010]其中，在所述数据的基础上进行数据集成和数据清洗包括下列步骤。
[0011]1)数据集成是利用数据库技术获取学生看的问卷调查数据以及已编码绘画作品数据并存储；2）数据清洗：去除异常、冗余数据并对缺失数据进行填充。
[0012]其中，构建焦虑情绪预测模型包括下列步骤。
[0013]1)将数据分为预测集和训练集。
[0014]2)建立基于决策树的心理预测模型，并将粒子群算法用于决策树的参数寻优中。
[0015]3)将利用所述的训练集对焦虑情绪预测模型进行训练；4)将测试集作为新个体，通过演化的最终预测模型得到心理预测结果，并用准确率、召回率和F1值衡量模型模型分类结果。
[0016]其中，所述的步骤中，粒子群算法主要优化的参数包括：最大深度、叶节点最少样本数、内部节点再划分所需最小样本数、叶子节点最小的样本权重、节点划分最小不纯度。其中，粒子群算法优化参数包括下列步骤。
[0017] (1)初始化粒子群及参数设置，其中，粒子群粒子个数为100，迭代次数为1000代，学习因子分别为C1和C2,；C1为自我认知学习因子设置为2，C2为社会经验学习因子设置为2；初始惯性因子设置为0.9，当迭代次数为最大值时，惯性因子设置为0.4，适应度函数为F1分数(F1分数为分类模型准确率和召回率的调和平均数)。
[0018] (2)计算粒子群中每个个体的适应度值。
[0019] (3)判断是否达到终止条件或进化代数达到最大，若满足则输出最优结果，即决策树的最优参数，若不满足则继续下列步骤。
[0020]（4）更新个体最优值Pbest及群体最优值Gbest。
[0021]（5）判断是否满足收敛判据。
[0022]（6）满足判据，则输出最优结果及迭代次数。
[0023]（7）不满足，则更新每个粒子的位置矢量和速度矢量。
[0024]（8）迭化代数T＝T+1，转步骤(2)。
[0025]（9）最终得到最优结果。
[0026]与现有技术相比，本申请具有以下有益效果： 1)充分利用大数据时代带来的数据高效存取分析能力，将问卷调查结合绘画测验的评估方式，通过决策树算法建立模型，并利用粒子群算法进行参数寻优，获得更为准确的预测结果，找出学生基本情况的因素与形成焦虑情绪的原因，从而使得心理辅导和干预有更准确的切入点。
[0027]2)提出了一种新的机器学习调参方法——利用粒子群算法进行参数寻优，在决策树算法的基础上加入粒子群算法，提出了一种新的参数选择方法，有效提高了对学生焦虑类型的识别率，更为提升了模型预测的准确率。
附图说明
[0028]图1是本专利技术一种基于决策树算法的大学生焦虑情绪预测方法的流程示意图。
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于决策树算法的大学生焦虑情绪预测方法，其特征在于，包括步骤：通过决策树算法(cart算法)，基于学生的心理健康问卷得分以及绘画测验特征的数据，建立大学生焦虑情绪预测模型；获取新个体的心理健康问卷得分及绘画测验特征的数据，根据所述的预测模型，最终得到个体的心理状况；其中，所述的方法不用于疾病的诊断。2.根据权利要求1所述的评估方法，其特征在于，所述的焦虑情绪包括即时焦虑水平以及焦虑类型两个部分。3.根据权利要求1所述的评估方法，其特征在于，所述的心理健康问卷包括：焦虑自评量表（SAS）、心理健康诊断测试量表（MHT）节选、考试焦虑量表（TAS）、大学生社交焦虑量表（SAI）、人际关系综合诊断量表、领悟社会支持量表（PSSS）、就业焦虑问卷（EAQ），并根据问卷填写结果计算问卷得分。4.根据权利要求1所述的评估方法，其特征在于，所述的绘...

【专利技术属性】
技术研发人员：余桂林，祝金丽，代夏彤，卢莎，覃杨，
申请(专利权)人：武汉科技大学，
类型：发明
国别省市：