心理软计算赋能学校心理健康筛查工作

                                               心理软计算赋能学校心理健康筛查工作
杨亚坤（金华教育学院，金华321019）邓娟（金华职业技术大学医学院，金华321016）

摘要：随着科技的发展，人工智能算法不断应用于各领域中，促进了生产力的发展。然而，心理健康筛查数据的分析技术仍以统计学方法为主，忽略了数据的不确定性，与动态、复杂的心理“软”特性不符，导致对学生心理健康状态的识别不够精准。运用心理软计算方法，回归心理软测量本质，将心理软建模、软识别、软评估与心理数据分析相融合，提升心理健康筛查效能。
关键字：心理健康筛查；心理软计算；心理软测量

一、引言
学校心理健康筛查是对学生心理健康状态的评估，属于心理测量的范畴。其目的是筛选出存在心理问题或心理危机的学生，以便针对性的进行咨询和治疗。对于轻微心理健康问题的学生，则给予适当的关注或辅导。心理健康筛查的开展离不开测评工具。心理测验作为一种具体的测评工具，被广泛用于对个体心理特质或状态的推断和数量化分析中。比如，对焦虑、抑郁、性格、智力的测评等。在学校心理咨询工作中，心理测验的使用更是贯穿于全程，以便动态评估学生的心理健康状况。
心理健康筛查实质上是一种间接测量，是根据相关的信息来推测学生的心理状态，因为人的心理具有内在性，不可直接观测。在心理测评中，学生的心理状态是无法直接观测的主导变量，其引发了测验辅助变量的变化，从而可以根据学生对特定问题肯定、否定或等级的反应，预测学生心理健康状态。心理测验便于快捷地收集学生心理健康数据，在心理健康筛查、心理危机评估中应用较为广泛。当前学生学业压力繁重，开展一次大规模的心理健康筛查，无疑将占用学生学习时间，消耗学校资源，增加教师工作量；且多次实施心理健康测验，学生容易产生倦怠心理和练习效应，降低测验信、效度。用好心理测试数据，不仅可以提高资源利用效果，更可以节省人力物力。
二、心理健康筛查是一种软测量
当前心理健康筛查暴露出各种问题，例如，虚报、漏报比例高，无效问卷。造成这些问题原因之一正是心理测试数据使用不当。心理健康筛查归根到底是通过测试数据对学生的心理状态诊断评估，而当前对心理测试数据的分析却只是简单地将分数进行加和，并根据总分结果推测学生的心理健康状态。这样的数据分析技术跟不上时代发展的要求，也不符合心理测量的本质。心理测量是间接测量，属于控制论专家麦卡沃伊所提出的一种软测量。软测量是根据结果反推原因，所处理的是“反问题”，对结果的分析不能只停留在简单的数学计算或统计学方法上，而要应用软计算技术。
（一）相同分数，不同的心理状态
类似于中医的“同病异治”，学生在测验的得分相同，并不一定意味着他们的心理状态相同。产生相同分数的原因是多样的，相同分数的学生在不同问题上的作答可能是不同的，只是分数加起来恰好相等。如此，根据分数加和来判断学生的心理状态，是武断的、不恰当的。
（二）不同的题目，权重不同
不同的题目对于推断学生心理状态发挥的作用也不尽相同。例如，题目“你是否有轻生的念头”，可能比题目“你感觉最近出现消极情绪的频率”对于推断学生是否存在心理危机的权重更大。这也是为什么不能将各题分数简单相加的原因之一。另外，不同题目对于推断学生不同心理状态的作用也不尽相同。
（三）关系是非线性的
确定的、线性关系在物理现象中存在一定合理性。但即便是在物理学中，所发现的严格满足确定关系的现象也不多。心理现象作为一种无法直接观察到的内部状态，具有不确定性，存在的关系也是复杂的、非线性的，采用线性或加权的方法不足以准确地描述评估结果，也不符合实际情况。
（四）模型不唯一
采用同一个模型对所有学生的数据结果进行分析的假设是，测验题目与心理状态之间存在唯一的、确定的关系。显然，这样的假设是经不起推敲的，也没有相应的证据。天有不测风云，气象学领域对于天气的预测也不完全准确。人的心理是一个动态、复杂的系统，采用单一的模型去预测会导致更大的误差。
（五）作答的不确定性
传统数据处理方法只考虑了作答的随机性，但心理测试数据还带有模糊性、粗糙性等不确定性。例如，某些5级评分的题目有“不确定”这个选项；即使学生选择了某个选项，他是否具有该题描述的情绪或状态也是模糊的。使用等级评分量表让学生对心理状态进行评估，本身是粗糙的、不精细的；例如，学生在1-5级之间进行选择，他自身的状态可能是3.5或4.5。对于“是或否”的题目，判断也存在模糊性，“是”不代表100%存在（真），“否”也不代表不存在（假），而是介于0-1区间的某个值。
（六）不符合统计方法使用的假设
使用统计学方法对心理测试数据进行分析，通常假设数据是等距的，随机误差的分布是正态的，变量之间的关系是线性的。事实证明，这些假设并不总能够满足。
三、运用心理软计算优化数据处理
随着人工智能的迅速发展，机器学习、数据挖掘、软计算等技术迅速在各领域中广泛应用。相比于传统统计学方法，这些技术对数据无严格假设要求，对不确定、不清晰数据的处理存在显著优势，得出的结论更符合客观实际。
（一）心理软计算
心理软计算是指应用软计算方法以及与人工智能领域相交叉的最新理论方法来分析心理学数据。在分析的过程中，采用“软”的思想和方法，不把研究对象看作是精确的、绝对的“硬”性特质，而是表现出非绝对性的、灵活的“软”性质；在分析方法上，不仅采用统计学方法，更是在测量、建模、识别和评估等方面融合允许模糊、粗糙、非线性的软计算方法。
（二）将软计算方法融入心理测量
传统的心理测量建模多为回归模型，回归模型约束多，只能同时考虑一种线性或非线性关系。采用传统模型将得出相同的分数具有相同心理状态的结论。将软计算方法与心理测量相融合可以突破这些局限，被称之为心理软测量。心理软测量通常使用人工神经网络、支持向量机等技术，将数据作为输入，并设置相应的技术参数，计算机经过若干次迭代演算后，就可得到测量结果的参数输出。
（三）采用软建模方法
人在认识的过程中，自身带有主观性，尤其对于边界不清晰的概念。这也导致在心理测验的作答中，个体对题目的理解具有模糊性、不确定性；有过心理测验经历的人可能有这样的体会，有时会在几个选项中徘徊。建模时，需要将这种模糊性、不确定性考虑进去，进行心理软建模。当前，人工神经网络、支持向量机、模糊逻辑、遗传算法等机器学习算法和智能算法都可用于软建模，在实践中取得了良好的效果。
（四）心理软识别
心理健康筛查实质上是对学生心理健康状态的模式识别。这类识别同样存在不确定性，心理健康或不健康并没有明确的划分界限。心理健康状态的分类识别是一种软识别，通常采用模糊模式识别的方法，根据隶属情况或贴近度以实现识别；支持向量机和深度学习算法在此类智能化模式识别中效果较好。模糊集、人工神经网络等也是智能化模式识别的常用方法。
（五）心理软评估
心理症状的表现是多方面的，需要多个指标来综合评估，而这些指标本身也是对潜在心理特质的测量，具有不确定性；采用简单线性加权求和的方法很难准确地描述各指标间复杂的非线性关系。基于人工神经网络、支持向量机、模糊计算等软计算方法，对心理状态进行综合评估，可以弥补传统综合评估方法的不足，使评估结果更客观、可靠。
四、小结
学生心理健康一直是社会关注的热点问题。心理测量作为心理健康筛查的重要工具，所获得的测试数据是心理教师评估学生心理状态，开展下一步心理健康工作的参考依据。运用科学、先进的技术方法对测试数据进行分析，以实现对测试结果更精确、高效的利用，是学校心理健康工作科学化发展的趋势。
当前机器学习技术、大脑影像技术、眼动技术、计算机视觉技术在心理危机应对中的应用为提升学校心理健康效能提供了新的契机。由于这些技术所依赖的大数据和硬件设备所需的成本较高，在当下并未普及。但是，其背后所采用的计算方法和理论就是心理软计算。将软计算方法运用到心理健康测评数据的分析中，不仅是当前提升心理筛查质量和效率的需要，也是心理健康工作系统化、智能化发展的需要，更是心理软计算应用于心理健康工作中的应有之义。

参考文献
[1]余嘉元.心理软计算的理论和应用[J].心理科学,2016,39(04):770-776.
[2]林靖凯,叶若彤,李毓秋.将计算机自适应技术融入学校心理咨询体系[J].中小学心理健康教育,2022,(09):42-45.
[3]王一溢,占继尔,陈泽龙,等.机器学习在心理测量中的应用[J].电脑知识与技术,2021,17(03):204-206.
[4]王新波,姚力,赵小杰,等.儿童青少年心理危机评估综合定级体系的构建[J].北京师范大学学报(自然科学版),2021,57(04):458-465.
[5]俞国良,张哲.数字技术赋能学生心理危机的应对[J].清华大学教育研究,2024,45(04):25-36.

课题情况：浙江省2023年度高校国内访问学者“教师专业发展项目”（FX2023190）

通讯地址：浙江省金华市婺城区环城北路639号金华教育学院，邮编321019

联系电话：15268631870

邮箱：yakun001@qq.com