基于朴素贝叶斯算法的大学生心理健康分析研究
Research on the Psychological Status of College Students Based on the Naive Bayesian Algorithm
DOI: 10.12677/AP.2021.117192, PDF,  被引量    国家自然科学基金支持
作者: 王维虎：湖北工程学院，计算机与信息科学学院，湖北 孝感；刘艳超*：湖北工程学院，信息技术中心，湖北 孝感；程 芳：湖北工程学院新技术学院，大学生心理健康指导中心，湖北 孝感；纪慎思：湖北工程学院新技术学院，信息工程学院，湖北 孝感
关键词: 朴素贝叶斯算法；大学生；心理健康；The Naive Bayesian Algorithm； The College Student； Mental Health
摘要: 当前大学生生活环境复杂性，导致部分大学生心理出现不健康或者亚健康问题。本文提出基于朴素贝叶斯算法的大学生心理健康分析模型，首先，采用心理健康调查问卷方式，获得大学生群体心理健康调查数据，同时邀请大学生心理咨询专家，对获取到的心理健康调查数据进行预处理，得到高质量心理健康分析语料库；其次，根据专业知识和心理咨询专家建议以及语料库分析结果，选取有效的分类特征并优化处理；再次，结合朴素贝叶斯算法和训练语料，融入有效特征，构建大学生心理健康分析模型；最后，通过测试语料对构建模型进行测试。实验表明，正确率达到84.136%，该方法具有可行性和有效性，可以提高分析预测大学生心理健康的效率。
Abstract: At present, the complexity of college students’ living environment leads to some college students’ mental health or sub-health problems. The analysis model of college students’ mental health based on the Naive Bayesian algorithm was proposed in the paper. Firstly, the mental health sur-vey data of college students are obtained by means of mental health questionnaire. At the same time, college students’ psychological consultation experts are invited to preprocess the obtained mental health survey data to get a high-quality mental health analysis corpus. Secondly, the effective classification features were selected and optimized, according to professional knowledge, suggestions of psychological consultation experts and the results of corpus analysis. Thirdly, the mental health analysis model of college students was constructed, combining with Naive Bayesian Algorithm and effective features. Finally, the test corpus is used to test the construction model. The experimental results show that the correct rate is 84.136%. The method is feasible and effective. Meanwhile, it can improve the efficiency of analysis and prediction of college students’ mental health too.
文章引用：王维虎, 刘艳超, 程芳, 纪慎思 (2021). 基于朴素贝叶斯算法的大学生心理健康分析研究. 心理学进展, 11(7), 1723-1731. https://doi.org/10.12677/AP.2021.117192

参考文献

[1] 陈小芳, 童敏, 石晨, 等(2020). 多源大学生心理健康调查问卷数据可视分析. 计算机辅助设计与图形学学报, 32(2), 181-193.
[2] 董立岩, 苑森淼, 刘光远, 等(2007). 基于贝叶斯分类器的图像分类. 吉林大学学报(理学版), 45(2), 97-101.
[3] 华玲, 唐韬, 卿粼波, 等(2020). 基于朴素贝叶斯分类的DVC-HEVC快速转码. 太赫兹科学与电子信息学报, 18(2), 69-74.
[4] 霍利民, 朱永利, 范高锋, 等(2003). 一种基于贝叶斯网络的电力系统可靠性评估新方法. 电力系统自动化, 27(5), 36-40.
[5] 李博, 张洪刚(2020). 基于高阶动态贝叶斯网络嵌入的路面异常检测算法. 华南理工大学学报(自然科学版), 48(1), 55-63.
[6] 林媛(2020). 安全心理视域下大学生心理健康研究及解决方案探索——评《安全心理学运用知识》. 中国安全科学学报, 30(7), 187.
[7] 任杰(2009). 大学生心理健康现状分析及对症状自评量表(SCL-90)的反思. 中国健康心理学杂志, 17(8), 958-961.
[8] 王强(2014). 沈阳市某大学大学生心理健康状况及影响因素分析. 硕士学位论文, 长春: 吉林大学.
[9] 吴怡, 韩相如, 钱东福(2020). 新型冠状病毒肺炎疫情期间大学生心理健康状况研究. 中国健康教育, 36(8), 697-700+709.
[10] 辛自强, 张梅, 何琳(2012). 大学生心理健康变迁的横断历史研究. 心理学报, 44(5), 100-115.
[11] 杨锡运, 米尔扎提•买合木提, 刘思渠, 等(2020a). 基于Vine-Copula贝叶斯网络模型的风机高温降容状态评估方法. 中国电机工程学报, 40(11), 213-222.
[12] 杨锡运, 张艳峰, 叶天泽, 等(2020b). 基于朴素贝叶斯的风电功率组合概率区间预测. 高电压技术, 46(3), 1099-1108.
[13] 周国强, 崔荣一(2011). 基于朴素贝叶斯分类器的朝鲜语文本分类的研究. 中文信息学报, 25(4), 16-20.
[14] Canby, N. K., Cameron, I. M., Calhoun, A. T. et al. (2015). A Brief Mindfulness Intervention for Healthy College Students and Its Effects on Psychological Distress, Self-Control, Meta-Mood, and Subjective Vitality. Mindfulness, 6, 1071-1081.[CrossRef] 
[15] Michaels, P. J., & Corrigan, P. W. (2015). Mental Health Priorities: Stigma Elimination and Community Advocacy in College Settings. Journal of College Student Development, 56, 872-875.[CrossRef]