打开文本图片集

摘要：针对高职生心理健康问题，分析了高职生心理健康素质评估维度，建立了三层级评估框架，在此基础上设计了数据采集体。模型核心架构采用混合神经网络设计，包含双层Bi-LSTM时序特征处理模块、CNN与多头注意力机制的空间特征提取模块，以及基于张量分解的跨模态融合层。实验结果表明，模型在高职生心理健康风险预测任务上显著优于传统方法。

关键词：高职生心理健康；深度学习；多源异构数据；跨模态融合

《2023年度中国精神心理健康蓝皮书》数据显示，青少年群体中约有14.8%的人存在不同程度的抑郁风险，反映了当前学生心理健康问题的严峻形势。教育部等十七部门联合印发的《全面加强和改进新时代学生心理健康工作专项行动计划（2023-2025年）》明确要求“全面加强和改进新时代学生心理健康工作”，并提出建立全国学生心理健康监测预警系统等关键任务。基于深度学习的智能评估模型能够从多源异构数据中自动提取特征，识别潜在的心理健康风险模式，对高职生心理健康状况作智能化、个性化评估[1]。本研究旨在构建一种混合神经网络评估模型，结合时序特征处理与空间特征提取，为高职院校心理健康预警干预体系提供技术支撑。

1.心理健康素质评估维度分析

基于SCL-90量表的九个基础维度（躯体化、强迫症状、人际关系敏感、抑郁、焦虑、敌对、恐怖、偏执和精神病性），构建“临床症状-心理能力-适应性表现”三层级评估框架：临床症状层面关注情绪稳定性、认知扭曲程度和躯体反应，能够识别早期预警信号；心理能力层面聚焦自我认知、情绪调节、压力应对、人际交往和职业规划五大核心能力，反映高职生应对挑战的内在资源；适应性表现层面则通过学业适应、社交适应和职场适应三个维度，评估高职生在真实环境中的外显表现。某一维度的异常往往会级联影响其他维度，因此需要建立整合性评估模型，通过数据驱动的方式捕捉维度间的潜在关联[2]。

2.基于深度学习的智能评估模型构建

2.1 数据采集与特征工程

研究通过整合结构化与非结构化数据，捕捉高职生心理健康状态。在结构化数据层面，对SCL-90量表进行数字化改造，将传统纸质测评转化为在线评估系统，数字化采集原始90个条目，应用分位数归一化处理消除不同题项计分差异，并基于临床专家知识构建了条目权重矩阵，通过加权组合生成维度指数。非结构化数据层面，分别设计了校园行为日志和在线学习轨迹采集系统，校园行为日志通过校园卡消费记录、图书馆访问频次、门禁记录等数据源，构建学生日常行为轨迹。在线学习轨迹则通过学习管理系统API接口，获取学生课程参与度、完成率、互动频次等学习行为数据，运用序列模式挖掘算法提取时序特征，并通过窗口化处理将连续时间序列转化为离散特征向量。

特征工程设计三阶段的特征提取策略：（1）领域知识特征选择，识别与心理健康高度相关的关键指标；（2）采用自动特征学习方法，利用自编码器对高维原始数据进行降维和特征学习；（3）实施特征融合，通过互信息计算筛选互补特征，构建跨域特征组合（主要行为特征及其与心理健康维度的互信息得分如表1所示）。

2.2 混合神经网络架构设计

在获得高质量数据后，研究设计了一种面向心理健康评估的混合神经网络架构，包含时序特征处理、空间特征提取和跨模态融合三大模块。时序特征处理模块采用了双向LSTM（Bi-LSTM）网络（图1），针对学生在线学习轨迹和校园行为日志中的时序数据进行建模。双层Bi-LSTM结构的第一层包含128个隐藏单元，专注于捕捉短期行为模式；第二层包含64个隐藏单元，用于学习长期行为趋势。

其中，表示时间步t的输入特征，和分别表示前向和后向LSTM的隐藏状态，、、和是权重矩阵，和是偏置项，f是sigmoid激活函数。空间特征提取模块基于卷积神经网络（CNN），主要处理SCL-90量表结果和其他静态特征，设计了三层卷积结构，第一层采用1×1卷积实现特征映射，第二层使用3×3卷积捕捉局部特征关联，第三层应用5×5卷积提取更广范围的特征模式。每层卷积后接BatchNorm和PReLU激活函数，在卷积层之后引入8头注意力机制，每个注意力头负责关注不同的心理健康维度[3]。

跨模态融合层设计了特征级和决策级两种融合策略。特征级融合采用了非线性张量分解方法，构建了三阶张量表示时序特征和空间特征的高阶交互，设计了一个rank=16的Tucker分解结构，通过优化核张量，捕捉了不同模态特征间的复杂非线性关系。决策级融合则采用加权投票策略，对Bi-LSTM和CNN两个子网络的预测结果进行整合，权重系数通过贝叶斯优化方法自动调整。

对比实验表明，在本任务中特征级融合优于决策级融合，F1分数提升了8.3个百分点，表明心理健康评估中不同数据源之间存在丰富的互补信息，早期融合能够让模型学习到更有价值的组合特征，最终，通过集成学习方法整合两种融合策略的优势，构建了稳健的心理健康风险预测模型，在验证集上达到了94.7%的综合评估准确率。

3.结语

研究构建了一种基于深度学习的高职生心理健康素质智能评估模型，通过多源异构数据采集和混合神经网络架构设计，有效提高了评估的客观性、准确性和时效性。智能评估模型将传统量表评估与日常行为分析有机结合，构建了从发现问题到主动预警的闭环系统，但存在数据隐私保护、模型可解释性不足等局限，未来研究将进一步探索联邦学习框架下的分布式训练机制，拓展至不同类型高校的适应性验证，构建更加普适的高校学生心理健康评估与干预一体化平台。

参考文献：

[1]胡红宇.深度学习技术在学校心理健康筛查工作中的应用思考[J].中小学心理健康教育，2023，（31）：71-72.

[2]梁成君，王骥，张德智，等.基于人工智能技术的心理健康状态识别系统设计研究[J].数字通信世界，2025，（01）：106-108+144.

[3]许惠惠.基于多分支深度学习模型的大学生心理健康评估与应用[J].现代计算机，2023，29（18）：60-65.

作者简介：徐晶，女，汉族，1977.06，泰安人，山东服装职业学院学院，中级职称，本科学历，研究方向：主要从事心理学教学研究