一、课题名称

基于大学生心理健康及行为认知体系的数据安全研究

二、选题目的与意义

随着如今知识经济高速发展和高等教育的普及性提升，大学生人数日益增加，具有心理问题的学生也越来越多。近年来，在校大学生因心理问题影响学业、退学乃至产生心理危机的例子屡见不鲜，及时发现心理异常学生已经成为各大高校最为关注且棘手的问题之一。

本研究基于学生在校产生的行为数据及问卷量表数据，分析学生在校行为与其心理状态的相关性及相关程度，挖掘行为数据背后的隐藏信息，分析得到心理异常学生与正常学生在校行为的表现差异，建立学生行为心理数据分析工作模型，及时识别出心理异常学生，避免心理异常学生走向心理危机，为学生的长期发展起到关键意义，也为高校心理中心、学生工作部门、院系辅导员、学生管理人员等提供管理决策的价值性依据。

此外，本研究通过对学生行为心理数据的规整梳理，以期为学校管理提供决策性依据，侧面推动学校的信息化建设，为数字化校园的建设提供方向和动力，为打造智慧校园提供理论依据。

三、课题实施步骤

学生心理健康指导中心于 2021 年 9 月开始启用基于应激——素质模型的心理危机识别与干预系统，该系统通过构建“学校——院系——班级——寝室”四级心理危机防控网络，能够精准识别危机，有效进行合法危机干预，通过搭建四级危机数据库，实现实时危机监控。截至目前，该系统

已覆盖全校学院以及研究生培养单位使用，学院（研究生培养单位）将心理关注对象信息一一录入系统。中心人员及时解决和调整使用过程中遇到的问题，使系统有效运用到实际工作中。

在数据安全方面，中心将建立健全完善的数据安全管理制度，落实伦理要求，制作保密协议。基于应激——素质模型的心理健康教育大数据平台符合 GB/T 22239-2019《信息安全技术网络安全等级保护基本要求》第二级的要求，能够保证学生心理信息数据的安全性，该系统采用数字加密技术进行安全整合，非授权用户无法获取学生的任何数据资料。本系统的授权人员仅限于心理中心专职人员和院系学生工作负责人，且授权人员只能看到与自身工作相关的学生信息。此外，中心也将借助“心理百科半月谈”等主题活动，加强宣传教育，培养师生数据安全思维。

在本研究中，中心与学工部、研工部、数学学院、高等教育研究所合作完成，与学工部、研工部协商学生行为数据的获取，邀请数学学院教师进行数据模型验证与分析，邀请高等教育研究所教师对该项目应用与实践提出指导性意见，更加符合高校学生管理特色。

四、研究成果展示

现阶段本研究对国内外相关研究进行了详细的梳理，发现由于心理健康具有内隐性等特征，难以直接观测到个体的心理健康状态，因此在目前的研究中，大多是借助一些外显性的问卷测验法来进行间接的测量。问卷测验法无论是从量表的编制、施测的操作、结果的解释等方面都具有一定的结构性和客观性，该方法所用到的量表是心理状态评估过程中收集个体资料的重要手段之一。

如今，大学生心理健康状况越来越引起高校的重视，有较多研究对此进行分析并提出相关对策。McA等人通过认知计算和分析发现大学生心理健康状况并不乐观，大多数大学生生活、饮食不规律且经常熬夜，大学生生活方式和心理健康呈正相关性，因此心理健康教育应当被重视，以防心理危机的发生。王寅枚等人使用症状学量表对 532 名大学生进行调查，结果表明大学生心理健康主要受大学人际关系、饮食和睡眠方面的影响，在各个年级表现有差异，且不同专业学生的心理状况表现不同。王丽等人使用 SCL-90 量表对某市研究生进行心理健康测量研究，并通过 BP 神经网络建立预测模型对学生的心理健康状态进行分析预测，且将模型投入实际应用。郭可等人通过问卷方式对某市三所大学的心理健康状况进行调查研究，研究发现有较严重心理障碍的学生人数占比为 6.5%，有显著心理问题的学生人数占比为15.5%；不同年级的学生主要面临学业成绩压力、社交恐惧问题、经济压力和就业压力，甚至有学生已经有极端的想法和严重的心理障碍。Pedrelli 等人对大学生心理和精神病的普遍性和治疗情况进行研究，总结了大学生在心理异常方面的发展阶段和环境的独特性以及大学生心理问题所带来的影响。Hokanson 等人对具有心理问题和其他精神问题的大学生进行为期 9 个月的人际关系等生活调查，采用数据挖掘和假设检验的技术，研究发现心理异常的大学生与其室友接触较少，在生活和学习中的压力更大。上述研究结果对大学生心理健康的调查分析提供了明确的研究思路。

此外，有研究指出一个人的心理特征往往会通过日常的生活行为和作息规律表现出来。因此，研究者们开始试图从大学生的日常行为数据中挖掘出能体现他们心理健康状态的信息。一些研究表明，心理健康状况与网络行为之间存在着密切的关系。

Dong Nie 等人探讨了搜索行为和人格特征之间的关系，并进一步试图确定如何使用搜索行为来识别人格。此研究收集了两个数据集：一个是来自 16 种性格因素问卷（16PF），另一个是来自互联网网关的网络访问日志。通过计算个体的搜索行为与人格之间的相关系数，发现了有几种特定的行为与人格有很强的相关性，如目录索引搜索、知识搜索、停留时间、关键词使用、点击习惯等。通过回归分析，大部分人格维度可以通过搜索引擎行为来预测。

Ang Li等人提出一种通过网络使用行为来预测心理健康问题的算法。此研究招募了 102 名大学生，并采用 SCL-90 问卷对其进行心理调查，通过问卷的结果获得了大学生的心理健康水平，共10个维度，并对大学生的上网行为进行统计分析。基于 web 使用行为，建立了预测 SCL-90 各维度得分的计算模型。结果表明，各个维度预测得分与实际得分的皮尔森相关系数波动范围在 0.49—0.65 之间，相对绝对误差波动范围在 75%—89%之间。

Zangane 与 Hariri 等人 探讨情绪因素在博士生网络信息检索中的作用。研究样本是 50 名博士生，通过观察用户的面部表情记录、Morae 软件的日志文件、以及搜索前和搜索后的问卷来进行信息聚合。研究结果表明，情绪表达与搜索者的个体特征之间存在显著的关系。搜索者对搜索结果的满意度、互联网搜索频率、搜索体验、对搜索任务的兴趣以及对类似搜索的熟悉程度与增加的快乐情绪相关。对用户搜索过程中情绪的研究表明，拥有幸福情绪的用户在搜索和查看搜索解决方案上投入了大量的时间。

ChangyeZhu与BaobinLi等人提出了一种通过网络行为的时频分析来检测抑郁的新方法。此研究招募了 728 名研究生，通过抑郁问卷（Zung Self-rating Depression Scale, SDS）获得了这些学生抑郁分数，采集了他们的网络行为数字记录。通过时间——频率分析，建立了区分高 SDS 组和低 SDS 组的分类模型，并建立了更准确识别抑郁组心理状态的预测模型。实验结果表明，分类模型和预测模型均能较好地反映心理健康状况的变化，时间——频率特征能较好地反映心理健康状况的变化。

Stevie Chancellor 等人提出了一种新方法来预测在 Instagram 上共享帖子用户的未来精神疾病严重程度（MIS）。他们调查了一组 Instagram 用户，这些用户在 Pro-eating Disorder 标签上发布了内容，该标签共有来自 10 万用户的 2600 万篇帖子。研究指出，自 2012 年以来，表达高 MIS内容的用户比例呈上升趋势，每年增加 13%的上涨量。实验结果证明，过去7 个月的 MIS 可以预测未来的风险，精确度为 81%，此模型还可以预测未来8 个月的 MIS 水平。

上述研究证明，网络行为与心理健康问题之间存在着密切的关系，但是这些研究仍然存在不足之处。一方面，上述研究采用问卷的方式获取数据，获得的数据有可能不准确；另一方面，上述研究主要涉及了上网行为单一数据源与心理健康之间的关系，然而学生的在校行为是多样化的，心理状态不仅会体现在上网行为中，也可能体现在其他行为中。

综上所述，本研究避免了上述两个缺点。首先，本研究中的心理数据由学生心理健康指导中心所用系统提供，该系统被用于记录心理关注学生的相关信息，各学院（研究生培养单位）辅导员、研究生秘书等通过中心反馈、医院诊断、老师、班长或学生的反映了解到心理异常学生表现，并及时将详细情况上报中心系统，之后仍然跟踪这些学生的信息，所以本研究中的数据具有高可信度。其次，本研究尽可能实现研究多源数据与大学生心理健康之间的关系，与学工部、研工部合作获取学生行为数据，包括学生基本信息、一卡通（消费数据和门禁数据）、上网、成绩等数据，这些数据涉及了学生的消费行为、进出宿舍行为、上网和学习等行为，以期发现心理异常学生的行为轨迹，揭示心理异常与行为轨迹之间的关系。