摘要: 近年来，随着社会的快速发展，心理健康问题已逐步发展为我国重大公共卫生问题和社会问题，尽管心理健康问题日趋严重，我国国民对心理健康的重视程度仍有待提高。心理测评量表是心理健康筛查的常用手段，然而目前许多常用心理测评量表都包含大量题目... 展开 近年来，随着社会的快速发展，心理健康问题已逐步发展为我国重大公共卫生问题和社会问题，尽管心理健康问题日趋严重，我国国民对心理健康的重视程度仍有待提高。心理测评量表是心理健康筛查的常用手段，然而目前许多常用心理测评量表都包含大量题目，题目数量增加的同时也增加了测评人员的疲劳程度，进而干扰心理测评结果的准确性，限制了心理测评量表的使用。在心理健康状况研究中发现，心理问题的表现在不同群体之间存在差异性，在群体中存在相似性，故此，我们可以通过分析心理测评数据，将群体中普遍存在的心理问题作为其心理健康测评的重点内容，实现具有针对性的心理测评量表的简化。 数据驱动方法将数据作为出发点，借助机器学习相关算法，寻找数据中的隐含信息。机器学习中的特征选择能够充分挖掘心理测评数据中的问题及关系，并根据题目对测评结果的影响筛选重要题目，回归预测算法则为利用少量题目推测心理测评结果提供了可能。因此，本文借助机器学习相关算法设计了一种数据驱动的心理测评量表优化方法，并探究了心理测评结果数据量大小对量表简化的影响，解决了在数据量较少情况下预测模型准确率下降的问题，并为量表简化方法的应用设定了所需数据量的最小阈值。此外，为顺应心理测评的信息化发展，设计并开发了一套心理测评量表管理平台，方便管理人员对心理测评量表进行统一管理。 本文主要研究内容如下： （1）通过分析心理测评量表的编制，结合心理测评结果数据特点，设计了一种利用机器学习算法进行心理测评量表简化的方法，该方法结合量表因子设置与题目编制，将心理测评量表简化分为量表题组缩减、题组内简化以及删除因子分数预测三部分。在题组缩减部分，使用FP-Growth算法对量表因子之间关系进行分析，筛选出简化量表的候选因子集合，并利用岭回归算法构建量表分数预测模型，根据模型效果选择简化量表的因子题组，模型对心理健康阴阳性划分的准确率达到97.54%。在题组内简化部分，提出了一种基于相关性系数的特征排序方法，对量表题组内题目进行重新排序，并结合集成学习方法构建Stacking_LSGL因子分数预测模型，根据模型效果选择简化量表因子题组内题目，该模型对量表因子阴阳性划分的准确率达到91.63%以上。此外，为保证心理测评结果的完整性，将简化量表的题目作答情况作为特征，将Stacking_LSRL模型用于预测删除因子的分数结果。 （2）为解决心理测评结果数据量较少无法生成简化量表的情况，通过实验探究了数据量对量表简化结果的影响，确定了心理测评量表简化方法在进行量表简化时所需心理测评结果的最小数量。为了让量表简化方法在数据量更少的情况下可用，引入基于贪婪取样的主动学习回归算法，用于在样本量较少的情况下构建符合要求的分数预测模型，使得在进行SCL-90量表和PHI量表简化时，最少可基于1300份和800份心理测评结果数据进行量表简化，最小样本量为心理测评量表简化方法的实际应用设定了限制条件。 （3）服务于心理测评的信息化转型，设计并实现了一套心理测评量表管理平台，该平台可为心理医生提供简单、方便、有效的心理测评量表管理功能，且该平台依据本文提出的心理测评量表简化方法，创新性的实现了心理测评量表的自动化简化功能。 收起