基于大數據的學生情緒異常波動風險評估仿真

何穆彬,萬振凱

(1. 天津市教育科學研究院教育技術與信息化研究中心,天津 300210;2. 天津工業大學工程教學實習訓練中心,天津 300387)

1 引言

情緒是影響學生學習的關鍵要素之一,相關研究證實,情緒滲透在學習生活的各個方面,擁有動機與感知作用[1],對學生能否順利完成學業起到促進或抑制的效果。當前,學生情緒狀態是教育領域研究的核心問題[2],必須要對學生情緒異常波動進行實時風險評估,并及時干預重點危機對象,最大限度降低學生產生異常情緒的概率。

針對風險評估問題,文獻[3]構建了基于模糊集和熵的工控系統灰色風險評估模型。在風險種類的前提下建立風險評估指標,利用模糊集和信息熵改進權重計算模型,將灰色理論引入風險評估推算整體風險水平。文獻[4]構建了基于模糊人工神經網絡的安全風險評估模型。運用三角模糊數采集專家判斷語言,使用聚類分析與去模糊化處理獲取事故樹內基本事件的發生幾率,分別將基本事件與頂上事件擬作人工神經網絡輸入及輸出層的神經元,訓練網絡并輸出相對的風險評估結果。但由于以上方法均沒有剔除冗余風險評估信息,導致計算量過高,風險評估時效性較差。

本文在學生情緒異常波動風險評估中引入大數據技術,提出一種基于大數據的學生情緒異常波動風險評估模型。利用大數據技術采集并分析學生的海量情緒數據,挖掘出具備現實意義的隱含異常波動信息;創建學生情緒異常波動風險評估指標,采用層次分析法獲得高精度異常波動風險評估模型。

2 基于大數據的學生情緒數據采集

人工智能的核心發展策略逐漸從計算智能轉變為情感智能。情感智能的前提條件就是完成人體的情緒識別,人類存在以下六種基礎情緒:憤怒、厭惡、恐慌、開心、悲傷與驚訝[5]。為有效獲取學生當下情緒狀態,使用高清攝像機記錄下學生面部與頸部的細微肌肉振動頻率及幅度[6],在海量拍攝數據情況下觀測并收集學生的日?；顒訑祿?。

在眾多數據中,為精準提取學生情緒變化狀態,使用時空注意力模型完成情緒數據測量。時空注意力模型中具備空間注意力板塊、時間注意力板塊及相應的損失函數?？臻g注意力板塊能夠讓模型聚焦在學生表情變化可能性最高的區域,將此板塊分成下采樣與上采樣兩個步驟,構成一個瓶頸架構。下采樣時期,利用卷積和非線性映射獲取學生表情區域特質,上采樣時期使用雙線性差值修復特征圖到初始大小。

將圖像的注意力掩膜描述為A(x)=[a(x1),a(x2),…,a(xt)],關于第i幀圖像,將其第4個特征圖L4設定為L4(xi),把此幀圖像的注意力掩膜定義為a(xi),把空間注意力分支記作

B(xi)=(1+a(xi))⊙L4(xi)

(1)

其中,“⊙”代表點乘。

在一段微表情序列內,把幀劃分成判別性弱幀與判別性強幀。判別性強幀可提高時空注意力模型微表情采集精度,設計一種時間注意力分支,將注意力集中于微表情的序列定義成判別性強幀。把空間注意力板塊的輸出結果記作C(X)=[c(x1),c(x2),…,c(xi)],再把C(X)看作時間注意力分支的輸入值,輸出值C(X)的隱含狀態為矩陣D。將微表情序列的相似性矩陣表示為

E=tand(DTD)∈R

(2)

其中,d代表微表情序列內某個圖像幀的隱含狀態,R為圖像幀總和。

把全部序列的相關性特征記作

G=(g1,g2,…,gt)

(3)

式中,gi代表第i幀和全部序列之間的相關程度,具體展開為

(4)

其中,Eij為微表情序列內第i幀與第j幀之間的相關性,pi、pj均為數據采集過程中識別出的人臉位置。

累加時間注意力分支特征和初始特征,把時間注意力特征的最終表達式描述成

T(xi)=(1+gi)⊙c(xi)

(5)

其中,c(xi)為空間注意力板塊的輸出分量。

學生情緒微表情數據采集的實質為視頻分類[7],在視頻分類工作中一般采用交叉損失函數來提升數據采集效率,記作

(6)

其中,N代表樣本數量,H是微表情類型,wi,j是標簽值,qi,j代表預測值。對空間注意力分支產生的掩膜實施約束,運用τ1正則策略限制空間注意力分支輸出值。

將損失函數定義為式(7),以此完成大數據下學生情緒數據完整采集[8]。

(7)

其中,ξce為交叉熵損失函數,κ代表注意力掩膜正則指數。

3 學生情緒異常波動風險評估指標

學生情緒異常波動行為是應激源與易感性共同作用的結果,應激源是產生情緒異常波動的外在前提[9],易感性是異常波動的內在前提。學生在日常學習生活中會遭受不同性質與強度的應激源,通過人格、認知模式等媒介的互相作用,最終產生劇烈情緒波動,導致學生具備不同形式的問題行為[10]。

由此看出,應激源、易感性與問題行為均是情緒異常波動風險的主要來源,要納入風險評估指標中。通常意義來講,應激源越多,認知模式越消極,社會支持關系越少,因情緒波動導致的問題行為危險系數越高,學生自身風險越大。

綜上所述,基于利用大數據技術采集的學生情緒數據集,建立學生情緒異常波動風險評估指標體系。學生情緒異常波動風險評估指標涵蓋應激源、易感性與問題行為三個維度,將各維度指標類型記作表1。使用德爾菲技術調查法[11]剔除并降低指標權重分配時的隨機性與不確定性,增強風險評估合理性與正確性。

表1 學生情緒異常波動風險評估指標

4 層次分析法下學生情緒異常波動風險評估模型構建

為完成學生情緒異常波動風險的準確評估,學生情緒異常波動風險評估指標的基礎上,要全方面考慮學生情緒波動各類評估指標要素,得到最優評估結果。層次分析法是一種定性與定量相融合的多規則決策計算方法,其基本計算思路是在決策目標需求下,融合評估專家的邏輯性評估與定性評估[12],兩兩對比決策對象與決策準則的優劣情況,得到目標對象全局優劣水平,為數據分析提供參照依據,運算整體過程如圖1所示。

圖1 層次分析法運算過程

根據以下幾個步驟構建層次分析法模型:

第一,在已知風險元素前提下,計算不同元素之間的耦合關系,把上層的元素看作對比標準,并對下個層次的相關因素起到支配作用,創建系統的遞進層次架構;

第二,對比同一層次元素與上層次因素的重要性,構建評估矩陣;

第三,使用評估矩陣推算被比較因素在評估指標的對應權重;

第四,計算不同層次因素對評估目標的權重總值,完成預期風險評估任務。

根據層次分析法計算定理,指標權重運算的基礎條件是構建評估矩陣并通過一致性測驗[13]。遵照1-9標度法,將評估矩陣公式表示為:

(8)

如果評估矩陣不符合一致性檢測條件,就要對其進行修改直至滿足一致性檢測為止,一致性檢測[14]解析式為

(9)

其中,CT為評估矩陣的隨機性指標,DI是評估矩陣的一致性均值指標,σmax代表評估矩陣O的最大特征根,n為評估矩陣O的階數。假如CT≤0.1,證明評估矩陣滿足一致性檢驗條件,反之需要重新調整評估矩陣,直到滿足CT≤0.1為止。

構建評估矩陣并完成一致性檢測后,計算指標權重大小[15],過程如下:

推算出評估矩陣O內各行因素的積bi

(10)

式中,q為矩陣行數,oij為矩陣第i行第j個因素值。

計算bi的n次方根fi

(11)

將指標的權重值表示為

(12)

其中,ωi為第i個指標相對上一層指標的權重,ri為風險指標向量。由此,將評估矩陣O的最大特征值定義為

(13)

式中,U代表風險指標向量ri中的元素。

最終,將學生情緒異常波動風險評估模型表示為

(14)

5 仿真研究

為證明本文異常波動風險評估模型在實際應用中的可靠性,隨機選擇學校600名在校學生為研究目標進行仿真,學生男女人數各300人。實驗平臺為MATLAB 2020b,使用本文方法根據實際情況得出學生情緒異常波動的風險指標權重,由于三級指標較為分散,導致其每個指標的權重值會偏小,因此為突出強調指標的全面權重,對一級指標和二級指標的權重進行計算,結果參考表2數據。

表2 不同風險指標的權重計算結果

劃分風險等級,從小到大風險程度依次為極低、較低、中等、高、極高五個等級。風險等級越高,證明學生情緒異常狀態越嚴重。將表2權重計算結果代入本文模型,得到該校600名學生情緒異常波動風險評估結果,如圖2所示。

圖2 本文方法下學生情緒異常波動風險評估結果

觀察表2與圖2可得出如下結論:該校學生總體情緒異常波動處于中等風險,少數研究對象的情緒異常波動風險較高,從男女性別角度出發可以看到,男生情緒異常波動風險要顯著大于女生,這是因為男生荷爾蒙波動較大,更容易產生焦慮、抑郁等情緒障礙。影響學生情緒問題的主要風險指標為學業壓力、經濟壓力和認知模式,這也與該校對學生心理測試的調查結論相符?？梢詮纳鲜鰩讉€層面對學生開展對應的心理咨詢輔導,幫助學生盡快解決情緒壓力,用更飽滿的狀態迎接校園生活。

為進一步驗證本文方法的普適性,將其與文獻[3]構建的基于模糊集和熵的工控系統灰色風險評估模型,文獻[4]構建的基于模糊人工神經網絡的安全風險評估模型。進行定量仿真,挑選F1(F-measure)值作為評估指標。F1值是一種涵蓋準確率與召回率的綜合性指標,即準確率與召回率權重相等狀況下的平均值,計算過程如式(15)所示。

(15)

其中,PR代表準確率,是數據被正確劃分到某類樣本的數量和樣本總數的比例;RE代表召回率,即被正確劃分到某樣本的數值和此類樣本真實個數的比例。

三種方法風險評估的F1值計算結果如圖3所示。

圖3 三種方法風險評估的F1值對比

從圖3可知,本文方法F1值要遠遠大于灰色理論法和模糊人工神經網絡法,在風險評估精度方面具備顯著優勢。這是因為本文方法使用大數據技術精準采集學生的細微情緒變化數據,為后續異常波動數據分析與風險評估工作提供有力數據支持。

基于以上實驗結果,接下來分析三種方法風險評估及時性,對其評估時間進行仿真驗證,實驗數量為600次,每100次為一個運算周期,耗時結果取各周期的時間均值,實驗結果如圖4所示。

圖4 不同方法風險評估時間對比

由圖4看出,本文方法平均耗時最短,且在實驗次數逐漸增多是時耗時較為穩定。此實驗結果表明本文方法創建的評估指標復雜度較低,可以大幅提升風險評估效率,幫助班導及時發現和治療情緒嚴重失衡的同學。

6 結論

為明確現階段學生學習的心理狀態,本次研究構建了基于大數據的學生情緒異常波動風險評估模型,分析海量學生學習視頻進行大數據,獲取情緒異常波動核心要素。通過層次分析法計算指標權重與評估矩陣特征值,完成學生情緒異常變化的風險評估,以便盡快發現在校學生可能產生的心理問題,這對提升教學質量和學生身心健康均具備良好的推進作用。