潜在心理问题大学生的识别与预测：基于机器学习的建模研究

摘要

目的：
　　大学生心理问题日益突出。当前新生心理筛查是大学生心理健康教育工作的重要组成部分。调查中国高校心理健康筛查现状发现工作存在着盲区：大一测为心理症状阴性的学生并不列为工作对象。然而临床心理健康工作经验表明这些学生中部分对象具有潜在发展为心理症状阳性，甚至偶发心理危机（自杀，精神疾病等重大心理问题）的趋势。预测心理症状阴性大学生的心理健康水平，精准识别出心理症状由阴转阳的潜在心理问题人群，做到及时发现及时干预，对于当前高校大学生心理健康工作具有重要意义。潜在心理问题大学生身上存在着某些易感因素，导致其心理症状由阴转阳。目前关于易感因素预测心理问题研究取得较大的进展，但仍有以下不足：①综合不同易感因素预测单一的心理问题，从高校心理健康工作的角度来看，其实际效能较低;②目前已有的易感因素预测心理问题模型无法预测某一特定个体心理症状由阴转阳的概率，而群体出现心理问题的概率无法直接应用在实际工作中，其临床指导性不大。机器学习能够处理数据中相对复杂的相互关系，能从大量的易感因素数据中识别出贡献大的重要的易感因素，并建立从个体水平直接预测心理问题概率的模型。
　　鉴于此，本研究开展以下研究内容：①探索影响心理症状阴性大学生心理健康水平变化的易感因素;②探索基于机器学习建模识别和预测潜在心理问题大学生（心理症状由阴转阳）的有效性。
　　方法：
　　本研究采用整群抽样的方法，将广州某高校2015年入校心理筛查呈阴性的学生列为追踪研究对象（以UPI测得B类和C类定义为心理症状阴性），具体操作如下：该校2015级全体新生于2015年10月采用由自编基本情况问卷、大学生人格问卷、自尊量表、心理复原力量表、抑郁性认知量表、简易应对方式问卷、家庭功能量表、领悟社会支持量表组合而成的调查表进行基线调查，根据UPI筛选出心理症状阴性大学生，之后于2017年10月对这部分学生进行UPI的再测，了解其心理健康状况的变化情况。两次施测共获得有效样本1864人。收集整理两次的测量数据，对有效数据进行描述性分析、独立样本t检验、卡方检验、方差分析及SNK-q检验，分析心理症状阴性学生2年后心理健康水平的变化情况及影响的易感因素。再基于易感因素用机器学习的方法进行建模分析。
　　结果：
　　统计学结果：阴性心理症状学生大三的UPI得分比大一的高[（7.64±5.927）vs.（7.98±8.163）;P=0.119]，具体来说有355名为潜在心理问题大学生，即他们的心理健康水平由心理症状阴性转为阳性。人口学易感因素中，不同性别、是否有精神病家族史、父母不同婚恋状态、是否独生、是否有留守经历、是否有政治信仰的阴性心理症状学生UPI得分差异有显著性(F=44.183，6.758，3.228，10.167，16.345，6.144;Ps＜0.05)。心理易感因素中，不同自尊水平、心理复原力水平、抑郁性认知水平、积极应对方式水平、消极应对方式水平、不同家庭功能、领悟社会支持能力的阴性心理症状学生UPI得分差异有显著性(F=28.455，22.537,197.891,82.961,37.318,10.566,89.694,Ps＜0.001)。
　　机器学习训练结果：基于LASSO特征选择算法结合逻辑回归分类器得到的预测模型性能最优，其多重交叉验证实验下平均AUC为0.766。之后将LASSO应用在整个数据集上，选择了9个条目（对应惩罚系数lambda=0.0545），据此建立的最终预测模型的平均AUC值、敏感度、特异性、准确率分别为0.767([0.758,0.775]),0.706([0.691,0.720]),0.688([0.680,0.695]),69.10％([68.41％，69.79％])。而基于维度训练RBF-SVM分类器得到模型的平均AUC值、敏感度、特异性、准确率分别为0.732([0.724，0.741])，0.643([0.627，0.659])，0.687([0.680，0.695])，67.89％([67.28％，68.50％])。括号内为95％的置信区间。前者模型的预测性能稍优于后者。
　　结论：
　　1.心理症状阴性大学生2年后心理健康水平有所降低，部分学生心理症状会由阴转阳。性别为女生、有精神病家族史、父母离异、非独生子女、有留守经历和无政治信仰都是心理症状阴性大学生心理健康水平变化的危险易感因素。自尊水平越低/心理复原力水平越低/抑郁性认知水平越高/应对方式越消极/家庭功能受损越严重/领悟社会支持能力越低，越容易导致心理问题的发生。
　　2.采用条目或维度数据，基于易感因素通过机器学习方法建立的模型能够有效预测心理症状阴性大学生2年后心理健康的变化，并能有效识别出2年后出现心理问题的大学生。
　　创新性：
　　1.本研究聚焦潜在心理问题大学生，突破过往只关注阳性心理症状的局限视野，为大学生心理健康发展研究补充新的视角。
　　2.本研究提供了可应用于识别和预测潜在心理问题大学生的机器学习预测模型。模型性能好，预测准确率高，并且达到了个体水平心理问题的预测。
　　3.本研究突破了传统统计学方法的不足，以机器学习方法对识别和预测潜在心理问题大学生进行建模探索，建立了从个体水平有效预测心理问题概率的模型。
　　局限与展望：
　　1.样本代表局限。研究的对象仅限于广州某高校，样本代表具有局限性。
　　2.模型有待完善。本研究建立的预测阴性心理症状大学生2年后心理健康变化模型，需要收集另外一批有效数据对其进行验证。本研究模型的预测变量（易感因素）是有限的，是自评测量的。研究表明某些生理易感因素对心理健康也有一定的预测效力。往后可增添更多的心理和生理易感因素来建立预测模型，提高模型的精准性。

目录

摘要

第一章 绪论

第一节 研究背景

第二节 研究综述

2．1 大学生心理健康易感因素的相关研究

2．2 机器学习应用于心理学的相关研究

第三节 研究设想与研究内容

3．1 研究设想

3．2 研究内容

第四节 研究意义

第二章 心理症状阴性大学生的易感因素研究

第一节 研究对象与方法

1．1 研究对象

1．2 研究工具

1．3 研究程序及统计方法

1．4 质量控制

第二节 结果

第三节 讨论

第三章 机器学习建模识别与预测潜在心理问题学生

第一节 建模方案及相关算法的理论基础

1．1 特征选择

1．2 分类器训练

1．3 模型预测性能评价指标及方法

第二节 研究对象与方法

2．1 研究对象

2．2 研究工具

2．3 研究程序及数据处理方法

2．4 质量控制

第三节 结果

3．1 维度数据建模结果

3．2 条目数据建模结果

第四节 讨论

第四章 全文小结

参考文献

附录

攻读学位期间成果

致谢

声明