一种基于决策树算法的大学生焦虑情绪预测方法技术

本发明的专利技术本发明揭示了一种基于决策树算法来预测大学生焦虑的方法。这种方法通过改进的决策树算法为大学生构建了焦虑预测模型。基于诸如量表得分，大学生的基本信息以及方峰绘画的分析特征，基于决策树预测模型获得的新的个体焦虑状态和焦虑类型的分析特征。本发明的专利技术将图纸测试分析理论与比例数据结合在一起，通过决策树算法获得大学生的直接焦虑状态，该算法解决了问卷测试技术的不完整数据收集。同时，结合图测试分析理论可以更客观有效地收集大学生的焦虑状态数据，找出学生基本状况的因素和形成焦虑的原因，从而使心理咨询和干预具有更准确的切入点，并为改善大学生的焦虑提供了可靠的基础。依靠基础。

下载所有详细的技术信息

【技术实施步骤摘要】

一种根据决策树算法预测大学生焦虑的方法

[0001]该专利技术涉及心理预测

，特别涉及一种根据决策树算法评估大学生焦虑的方法。

技术简介

[0002]随着当代学院和大学的信息化发展，越来越多的大学和大学采用信息系统来协助商业工作，并且在高校和大学中的心理教育信息系统的应用正变得越来越广泛。目前，心理信息系统的主要功能包括管理学生的基本信息的管理，参与评估的学生的心理文件管理，各种表的一般数据分析，各种规模和问卷的添加和删除，介绍，提出，问卷的出口，调查和管理，对心理问卷的释放等等，可以收集和分析学生的范围和分析信息的范围，并分析了基本的信息，并分析了基本的信息和分析。这些数据分析结果可以在一定程度上筛查学生的问题，但是目前尚无确定的方法来分析焦虑和特定原因的类型。因此，该专利技术将问卷调查与绘画测试的评估方法结合在一起，通过决策树算法建立模型，并使用粒子群算法来优化参数，获得更准确的评估结果，并找到学生的基本情况和焦虑的原因，从而使心理辅导和干预措施更准确地进入。

[0003]当前的心理评估方法仅通过心理问卷调查学生的心理状况，但是学生可以通过掩盖自己的心理问题来随意选择答案，从而导致问卷结果的不足。绘画测试是一种心理投射技术，该主题可以通过绘画工作反映其形式，内容，意识形态表达和认知失真。像经典的Rorschach Ink Trace测试和主题感觉测试一样，绘画测试不仅用于人格评估和心理障碍评估，而且还可以实现心理治疗的影响。这是一种科学而有效的心理检验，心理咨询和治疗工具。因此，通过心理健康问卷评估学生的焦虑状况和原因，并结合绘画测试分析，使数据更加准确和科学，为目标处理学生的焦虑提供了可靠的基础。

技术实施思想

[0004]为了应对上述问题，该专利技术提出了一种使用决策树算法，将绘画测试特征与心理健康问卷相结合，提高数据的准确性，相关性和科学性，评估和分析学生的即时焦虑状况和原因的方法，并为改善大学生的焦虑提供可靠的基础。

[0005]一种基于决策树算法的大学生的焦虑预测方法，其特征在于该步骤：（1）通过学生的心理健康问卷分数和图纸测试特征的数据爱游戏app官方网站登录入口，通过决策树算法以及建立大学生的焦虑预测模型； （2）获得新的个人焦虑状态和绘制测试功能数据，并根据预测模型获得个人的心理状况；其中，心理健康问卷包括：焦虑自我评估量表（SAS），心理健康诊断测试量表（MHT）摘录，考试焦虑量表（TAS），大学生社交焦虑量表（SAI），社会支持量表（PSSS），就业焦虑症调查问卷（EAQ）以及表1，表3，表4，表4，表5，表5，表5，表5，表5，表7调查表的结果并保存数据，并输入算法程序。

[0006]表1 SAS得分水平<50没有焦虑50

‑

59轻度焦虑60

‑

69严重的焦虑> 69严重的焦虑表2MIT分数水平0

‑

3normal 4

‑

7轻度学习焦虑> 8严重学习焦虑表3TAS分数水平<12轻度考试焦虑12

‑

20中度考试焦虑> 20严重考试焦虑表4 IAS得分水平<15无焦虑15

‑

31温和的社交焦虑32

‑

48中等社交焦虑49

‑

75严重的社交焦虑表5人际关系测量评分级别0

‑

8个温和关系困扰9

‑

14中等人际关系问题15

‑

28严重的人际疾病表6PSS得分级别12

‑

36低支持状态37

‑

60支持状态61

‑

84高支持状态表7EEQ分数0

‑

74轻微的就业焦虑≥75严重的就业焦虑，绘画测试分析特征包括以下数据：房屋和树绘制详细的特征分析数据，树木图详细的特征分析数据以及字符绘制详细的特征分析数据。

[0007]其中，学生的基本信息包括：学生和学习成绩的基本信息。

[0008]其中，学生的基本信息包括：姓名，年龄，性别，等级，班级，专业和学校名称。

[0009]其中，学生的基本信息的学习成绩包括：是否获得奖学金，所研究的科目数量，每种科学的最终考试成绩的得分，是否参与科学和技术创新竞赛和其他相关项目。

[0010]其中，数据集成和数据清洁是根据数据（包括以下步骤）进行的。

[0011] 1）数据集成是使用数据库技术来获取学生看到和编码绘画工作数据和存储的问卷数据； 2）数据清洁：删除异常，冗余数据并填写丢失的数据。

[0012]其中，构建焦虑情绪预测模型包括以下步骤。

[0013] 1）将数据分为预测集和训练集。

[0014] 2）基于决策树建立心理预测模型，并使用粒子群算法来优化决策树的参数。

[0015] 3）将使用训练集对焦虑预测模型进行训练； 4）测试集用作新个体，心理预测结果是通过进化最终预测模型获得的，模型模型分类结果是通过准确性，回忆和F1值来衡量的。

[0016]在描述的步骤中，粒子群算法的参数主要优化，包括：最大深度，叶子节点的最小样品数量，内部节点重新分割所需的最小样品数量，叶子节点的最小样品重量和最小的node disemitimity node disemitimitimition。其中，粒子群算法优化参数包括以下步骤。

（1）初始化的粒子群和参数设置，其中，粒子群颗粒的数量为100，迭代次数为1000代，学习因子分别为C1和C2； C1是设置为2的自我认知学习因素爱游戏app官方入口最新版本，而C2是设置为2的社会经验学习因素；初始惯性因子设置为0.9，当迭代次数为最大值时，惯性因子设置为0.4爱游戏ayx官网登录入口，并且健身函数为F1分数（F1分数是分类模型准确性和回忆的谐波平均值）。

[0018]（2）计算粒子种群中每个人的适应性值。

[0019]（3）确定是否达到终止条件，还是将进化代数达到最大值。如果满足，最佳结果将是输出，即决策树的最佳参数。如果不满足，请继续以下步骤。

[0020]（4）更新个人最佳值PBEST和组最佳值GBEST。

[0021]（5）确定是否满足收敛标准。

[0022]（6）如果满足标准，则将输出最佳结果和迭代次数。

[0023]（7）如果不满足，将更新每个粒子的位置向量和速度向量。

[0024]（8）迭代代数t = t+1，转到步骤（2）。

[0025]（9）最后，获得了最佳结果。

[0026]与先前的艺术相比，该应用具有以下有益效果：1）充分利用大数据时代带来的有效的数据访问分析能力，将问卷调查与绘画测试的评估方法结合，通过决策树算法建立模型，并使用粒子型颗粒算法更加准确，以使得ca of CARITY of CARISTIC PERTICTIC PROSICATIC PROSICTIC PROINCTIC PAMITICTION，以至于以下范围，以至于以下范围，以至于``CASTICT''''''''''''''咨询和干预具有更准确的切入点。

[0027] 2）提出了一种新的机器学习参数调整方法 - 使用粒子群算法来优化参数，根据决策树算法添加粒子群算法，并提出了一种新的参数选择方法，并有效地提高了学生焦虑类型的识别率，并进一步提高了模型预测的准确性。

图纸的附加描述

[0028]图1是基于该专利技术中决策树算法的大学生焦虑预测方法的流程图。

[0

【技术保护点】

【技术特征摘要】

1。一种基于决策树算法的大学生焦虑预测方法，其特征在其中包括：基于学生的心理健康问卷分数建立大学生焦虑预测模型，以及通过决策树算法（CART算法）（CART算法）的绘图测试特征的数据，并基于学生的心理健康问题来确定学生的心理健康问题测试和绘图测试的特征，并建立一个基于学生的心理健康问题。获取新人的心理健康问卷分数和图纸测试特征的数据，并根据预测模型获得个人的心理状况；其中，该方法不用于诊断疾病。 2。权利要求1的评估方法，其特征在于焦虑情绪包括两个部分：即时焦虑水平和焦虑类型。 3. The evaluation method according to claim 1, characterized in that the mental health questionnaire includes: an anxiety self-assessment scale (SAS), a mental health diagnostic test scale (MHT) excerpt, an examination anxiety scale (TAS), a college student social anxiety scale (SAI), a comprehensive interpersonal relationship diagnosis scale, a social support scale (PSSS), and an employment anxiety questionnaire (EAQ), and a questionnaire score is根据问卷填充结果计算。 4。根据权利要求1的评估方法，在图纸中以该图表为特征...

[专利技术属性]

技术研发人员：Yu Guilin，Zhu Jinli，Dai Xiatong，Lusha，Qin Yang，

申请人（专利权）：武汉科学技术大学，

类型：发明

国家，省和城市：

下载所有详细的技术信息。我是该专利的所有者