基于行为数据的心理危机检测:一种新的非接触式测量方法

科学领域:

• 数字表型化和机器学习在心理健康中的应用.
• 学生福利和心理危机检测.

背景情况:

• 识别学生心理危机的传统方法是时间滞后和范围有限的.
• 开发及时的无接触方法对于积极的心理健康支持至关重要.
• 数字表型化提供了一种新的方法来监测学生的心理状态的非侵入性.

研究的目的:

• 提出和验证一种非接触式测量方法,以便及时检测大学生心理危机.
• 使用多维行为数据构建用于心理危机预测的综合功能集.
• 评估各种机器学习算法的有效性,以识别有心理风险的学生.

主要方法:

• 收集了4,508名大学生使用校园智能卡的行为数据.
• 为心理危机预测开发了一套39个功能,分为五个类别 (人际关系,学术,活动,经济,人口) 进行预测.
• 采用随机森林,深度神经网络和图形卷积网络算法,比较平衡和不平衡的策略,并利用Top-N来确定优先级.

主要成果:

• 与同龄人一起吃饭的频率与心理危机有负相关;失败的科目和深夜的积极相关.
• 没有平衡策略的模型显示出更高的准确性;平衡策略改善了回忆和平衡准确性.
• 随机森林在Top-N评估中表现优异,用于识别高风险学生.

结论:

• 非接触式数字表型是有效的预测学生心理危机.
• 随机森林算法与Top-N评估相结合,优化了高风险个体的识别和优先级.
• 这项研究证明了学生心理健康监测的非接触式方法的现实应用.