深度学习技术在学校心理健康筛查工作中的应用思考

摘要：随着人工智能兴起，算法不断完善，深度学习因被广泛应用于人脸识别、医学检测、品牌营销、舆情监测等领域进入大众视野。学校心理健康专职教师有感于科技的便利以及在心理工作中遇到的实际困难，结合心理测评在高校心理健康筛查中存在的虚报、漏报现象，希望借助机器学习技术，促进学校心理健康筛查机制愈加完善，及时发现和预防心理异常情况，守护校园安全底线。

关键词：心理测评；深度学习；心理健康筛查

中图分类号：G44 文献标识码：B 文章编号：1671-2684（2023）31-0071-02

心理测评作为一种测评工具，被广泛应用于学校及用人单位新员工入职前的心理健康素质筛查与评估；在学校层面被反复使用。通过试题方式抓取关键信息，将心理特征量化赋值，同时在试题的编制中反复打磨信效度，平衡社会期许效应与应答偏差，心理测验得以被认可并在各个行业中发挥作用。尽管心理测验问卷编制者们想尽各种办法规避可能存在的影响其效度的风险因素，但仍有一些影响因素难以消除，随着学校心理工作体系的日渐完善，工作也对心理测试提出了更高的要求。

一、心理测试在实际使用中存在的问题

（一）自评量表引发虚假作答

学生心理健康状况测评量表大多为自评量表，自评即要求作答者自我报告真实情况，基于真实情况下的作答结果才是具备参考意义的，若作答者不予配合，则失去了测试本身的功能性。而是否按照真实情况作答完全取决于学生本人的配合度，这反映出心理测评在面对人为干预测试结果时的无能为力。

（二）重复测评形成做题倦怠

学校在春秋季开学、新生入学等重大时间节点均会采用心理测试对学生心理健康状况进行跟踪筛查，目前大多使用的SCL-90、SAS、UPI等心理量表，因为反复使用，且市面上流传广泛，学生均已熟知测题，重复做题导致学生产生题目倦怠，随意作答，不认真对待。

（三）题干选项容易规避

心理测试题干简洁直白，均为对所测心理指标的全方位描述，选项具有明显好坏区分，极易规避；目前在心理测试中的规避行为常有发生，从而导致心理测试沦为虚设。尤其是具有心理病史且长期接受治疗的学生，因为反复做题，对于如何规避测题已谙熟在心。身处信息互联时代，网络上关于各类心理量表的使用与计分规则均有详细操作指南，规避成本极低。

（四）测试结果无反馈，降低做题积极性

部分学校组织学生完成测试后，未予披露测试结果，仅单独通知测评结果严重的学生；一味只通知学生做题，不予披露测试结果，学生失去参与感和做题乐趣，再次组织测试时容易激发学生态度上的不配合，而随意敷衍作答，甚至进行虚假报告。

综上所述可以看出，心理测试由于具有自主报告、重复使用、网络遍布、选项区分度明显等特点，使得心理测评越来越不能满足当前社会发展的要求。

二、深度学习技术对学校心理健康筛查工作的指导与启示

随着科技进步，机器学习、人工智能等逐渐渗透进日常生活，我仅就深度学习能否应用于心理测评、帮助突破心理测评当前所面临的局限性做些探讨。

深度学习是机器学习中衍生出来的一个子分支，通过学习样本数据的内在规律与表现层次，识别某一类事物的共同特征，以及一事物区别于他事物的本质特征，抓取其文字、图像、声音数据，通过大量样本数据的练习，逐渐形成一套智能识别体系，能够调取数据库中的多项信息，比对当前样本，执行比对结果。

（一）深度学习在心理测评中的功能实现

就功能而言，深度学习算法能够识别面部表情和情感；能够通过语言交流评估口语流畅度及理解能力；能够分析心理测试结果数据，预测可能的心理特征与行为趋势。可见，深度学习与心理测评结合运用，是完全有可能的。

（二）深度学习提供基于数据的群体画像

就心理测试本身而言，可以采集大量心理测评结果数据。首先对学生等级进行划分，包括有无病史，病史类型：抑郁症、焦虑症、双相情感障碍、精神分裂症、强迫症等，每一类病史中又分为轻度、中度、重度。而后采集学生各项心理测验数据，采用深度学习技术对数据库进行清洗、分割、建模、分析，找到同一类别群在某些测题上的共性，以及在某些测题上有集聚效应的人群特征；形成一套具备本校特色的测评画像，能够为本校心理健康筛查工作提供更多的指导意义。

（三）深度学习辅助发现筛查盲区

在单一的测评之外，常常会对测试筛查出来的重点学生进行一对一人工访谈。这样操作可能会带来的情况是筛查出来一部分虚报学生，消耗了访谈的人力物力；另一方面，部分学生规避测试风险，未被测试筛查出来，反而成了心理工作的盲区。针对这种情况，亦可采用深度学习技术辅助心理测试，二者结合进行，在学生作答题目时进行面部表情识别评判，当对部分学生作答结果存在疑虑时可参考其表情信息。同时在测评结束后，针对作答结果严重，或部分指标异常的学生，进行个性化设置，追加主观题，学生口头回答，记录其表情信息及语言表达信息，构建心理测试、情绪表情识别、心理危机表述三位一体的心理健康筛查机制，能够大大减少学校新生心理访谈工作的难度和耗费的人力物力，缩小心理问题筛查盲区。

由此可见，机器的深度学习技术可以作为量表测试的补充，在节省人力物力的同时，还能提升心理问题筛查的准确率。

三、困难与思考

深度学习技术的优点毋庸置疑，但也无法一蹴而就。深度学习技术的实现需要建立在大量用户数据基础之上，一个携带充足信息、具备显著标记的数据不容易获得，如何获取高质量数据集是深度学习技术显露成效的关键。

面部表情识别技术目前已经很成熟了，但多为身份识别等辨别技术或是生气、高兴、悲伤、害怕、惊讶、讨厌等单一维度情绪的识别，而如何将面部表情形态与心理健康状况做连接，构建心理症状表情库，亦是更为复杂且需要深入研究的课题。

参考文献

[1]贾绪计，金桃，王强，等.机器学习及其在心理健康领域的应用[J]. 宁波大学学报（教育科学版），2021，43（4）：117-122.

[2]王海舟.基于改进的BERT-TextCNN和知识图谱的青少年心理预警研究[D]. 武汉：江汉大学，2022.

[3]苏悦，刘明明，赵楠，等.基于社交媒体数据的心理指标识别建模：机器学习的方法[J]. 心理科学进展，2021，29（4）：571-585.

[4]董薇.基于3D面部数据及人工智能算法的情感数据采集分析与心理预警系统[J].电子设计工程，2020，28（5）：152-156.

[5]李辉辉.基于认知机器学习的人脸表情识别研究[D] .广州：华南理工大学，2019.

[6]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（3）：204-206.

编辑/卫 虹 终校/孙雅晨