基于大数据技术的大学生心理健康监测平台设计与实现

文章首先阐述了基于大数据技术的大学生心理健康监测平台设计的必要性,然后提出了基于大数据技术的大学生心理健康监测平台设计,包括平台架构设计和功能设计,最后论述了基于大数据技术的大学生心理健康监测平台技术选型与实现。

同伴支持:构建学校三级心理健康监测体系

学校两级心理健康监测体系存在无法全时段监测、无法开展实时心理教育、无法畅通全学生沟通等问题。对此,学校可以尝试借助同伴支持的方式,把学生融入心理健康监测体系中,构建由心理小组、班主任、校长室组成的三级心理健康监测体系。这样既能使心理健康监测工作精准、高效、常态化,使学生的心理健康得到全时段监测,又能让所有的学生都感受到安全,拥有健康的身心。

大数据技术赋能学生心理健康监测实践初探

大数据技术赋能学生心理健康监测具有整体取样、全息模式、关联思维和量化预测等特点,使学生心理健康监测呈现出科学化、精准化、个性化、动态化的优势。然而,目前这一做法还存在观念陈旧、技术滞后、标准不一、人才匮乏、伦理困惑、工具异化等困境,需要高校进一步更新教育观念、搭建共享平台、精于数据分析、强化人文关怀、完善管理制度,为大数据技术赋能学生心理健康监测提供思想基础、物质保证和制度保障。

青少年心理健康监测体系建设探索

构建完善、系统的青少年心理健康监测体系有助于及早发现青少年的心理问题,及时干预心理危机事件,守护青少年的生命安全。合肥市立足心理测评及危机干预经验,探索具体可操作的心理健康监测体系,通过分层测评、分级支持、分类行动机制来提高青少年的心理健康水平。

大学生心理健康监测实践探索

本文通过分析当代大学生的心理健康现状、成因,结合笔者发起的“积极心理训练营”活动,探索大学生心理健康状态监测效果。结果显示:通过活动主题引导,监测每日心理健康情况,可以促进学生挖掘自身积极情绪,对自身情绪稳定性有较大的帮助。因此,要构建常态化心理监测体制机制,加强课程与活动相联系,改进高校大学生心理危机预防与干预工作,加强学生心理状态的稳定性,提升幸福感。

基于人工智能的学生心理健康监测与评价体系的构建

人工智能的发展为客观、高效的心理健康监测与评价提供了一种新思路,但目前人工智能在学生心理健康监测与评价的大规模应用仍受许多因素限制。建立一个全新的基于人工智能的学生心理健康监测与评价体系,即采用人工智能多途径采集和综合分析学生的心理状况,使用多维指标进行心理健康评价,可实现心理健康监测从静态监测向动态管理的转变、心理健康评价从主观评价向大数据算法评价的转变,从而弥补传统心理健康监测与评价方式主观、低效的局限性,推进教育实践。

我国城市成年人心理健康监测指标优化及综合评价方法研究——《心理健康监测综合量表》质性研究

笔者在前期大量研究的基础上 ,对所形成的《心理健康监测综合量表》进行了信度和效度的质性检验研究。信度检验采用重测法和分半法检验 ,结果显示该量表有较好的稳定性 ;效度检验采用实证效度和内容效度检验 ,结果显示该量表有较好的实证效度和内容效度。

我国中小学生心理健康监测框架构建的视角与思考

心理健康监测是对个体心理健康水平进行周期性的科学评估。开展中小学生心理健康监测,是完善义务教育质量监测的必然要求,是推动素质教育、促进儿童青少年健康发展的重要手段,也是实现健康中国行动的重要保障。我国虽然制定了中小学生心理健康相关的规划与政策,但却尚未建立系统的中小学生心理健康监测体系。对此,本研究在梳理过往理论和实证研究、总结国际先进心理健康调查项目的基础上,提出心理健康监测框架的构建应站位于医学和教育相结合、国际经验和本土化相结合的视角。在此基础上,本研究形成了包含中小学生心理健康状况和影响因素两大部分的、具有中国特色的中小学生心理健康监测框架,对未来我国心理健康监测工作的实际开展提供了思路和指导。

高职院校心理健康监测机制与心理咨询服务体系的构建

分析引发高职大学生心理健康问题的原因,建立和完善高职院校心理健康监测机制、心理咨询服务体系。

基于人机交互的心理健康监测数据异常标记识别研究

针对人机交互的心理健康异常识别问题,提出以人脸表情监测和分类作为基础参数,建立一个基于多层特征融合的多类别表情识别模型。首先,对原始面部表情图像进行姿态和灰度归一化;然后以VGGNet网络对模型进行轻量化,将网络浅层局部特征与深层全局特征进行融合;之后利用SoftMax分类器进行表情识别和分类;最终基于表情识别结果实现心理健康数据异常监测。结果表明,采用VGGNet网络与模块3和模块4进行多层融合可取得78.2%的准确率,基于此融合方式可实现表情识别模型搭建。对数据集进行平衡和增广处理后,模型的表情识别准确率进而由78.2%提升至85.3%。本算法的表情识别准确率可高达99.67%,比传统的SVM分类算法和改进AlexNet卷积神经网络分别高出了9.62%和8.05%。且本算法可对9种不同类型的表情进行实时分类,为心理健康监测系统提供了有效数据支撑。

中越边境跨境族群留守儿童心理健康监测及体育干预研究

以中越边境跨族群留守儿童为研究对象,采用实地考察、问卷调查等研究方法对这些留守儿童展开心理监测,结果发现:中越边境跨境族群留守儿童的心理健康状况不容乐观,学生们的情感表达、人际交往均存在一定问题,性格缺陷状况普遍存在,积极推动体育干预能够有效改变这种现状。

重庆:创新心理健康动态监测机制 建立大规模立体评价模式

重庆市教育评估院将动态监测与传统心理筛查紧密结合,通过引入观察者评价,结合人工智能、大数据模型及自适应测评技术等先进科技手段,构建了具有重庆特色的多维立体的心理健康动态监测体系。通过与评价、教学、研究、管理、家校共育各环节深度融合,探索出高效精准的实施路径,建立了与日常教学、学生成长紧密融合的结果应用体系。该体系不仅能够全面、客观地反映学生的心理健康状况,还能够及时发现潜在问题并提供精准诊断,为心理干预和辅导提供了有力支持。

基于大数据的高职学生心理健康动态监测体系创新研究

传统的心理健康数据存在采集主体不够全面、采集内容不够具体、管理缺乏动态性等缺点。而大数据时代的到来为高职学生心理健康动态监测体系创新提供了新的契机。利用好大数据技术,搭建数据化平台,从而构建一个采集主体的多元化、监测内容全面化、预警指标标准化、反馈机制顺畅化的心理健康动态监测体系。

学前儿童心理健康智能机器人辅助监测系统设计

针对当前心理健康智能机器人对学前儿童的语音情感识别准确率低,导致无法有效地对儿童进行心理辅导监测的问题,提出构建一个基于注意力机制Attention+长短期神经网络LSTM的学前儿童情感识别模型。该模型采用LSTM神经网络对原始语音中的时序关系进行保留,并在LSTM基础上,加入注意力机制,将传统遗忘门、输出门转换为注意力门,得到基于深度注意力门的Attention+LSTM模型,通过此模型对儿童语音情感特征进行深度挖掘,从而实现儿童语音情感准确识别。通过实验分析发现,在CASIA、e NTERFACE和GEMEP三个儿童情感语料库中,本模型的平均识别率(UAR)分别为90.6%,81.5%和51%,比传统LSTM模型分别高出了0.6%、5.65%和2.5%。由此可知,相较于传统LSTM模型,本模型可提升学前儿童的语音情感识别率,此模型可在心理健康智能机器人中进行应用,可实现儿童心理有效辅导和监测。