AI技术在高校学生心理评估中的应用
张鹏
摘 要：我国现有的大学生心理评估方式缺乏有效信息整合，且无法应对年轻人心理动态变化的高时变性的特点。AI（人工智能）技术的个性化、动态特征刚好满足大学生心理评估的某些需求：第一，对各类心理影响因素及其不同权重的计算上更加精确、高效和全面;第二，较强的适配性，可有效解决评估的时效性和个性化的问题。基于这些优势可以构建大学生心理智能评估系统。但是人工智能技术也不是万无一失的，应用时，首先需要警惕的是数据源的问题，保证数据精确、全面和实时更新;保证算法模型的公正，不失于片面;确认评估结果仅作为参考的意义;明确技术的工具地位。
关键词：AI;学生心理评估;算法;大数据
中图分类号：G434? ? ? ?文献标志码：A? ? ? ? ? 文章編号：1673-8454（2020）10-0090-04
一、引言
100多年前深受自然主义影响的克雷佩林就认为“心理事件与物理事件间并没有本质区别”“人就是自然的一部分，而人所能够做的一切就是这个自然的存在物按照自然规律所必然会做出的行为”。因此人们一直致力于探寻能够科学评测人类心理的数学方法。
目前，人类心理评估的方式主要有三种：①临床式评估。此种方式以心理专家访谈为基础，由心理专家根据自己的专业知识和判断为基础来评估，这种评估主观性比较大;②问卷统计评估。这种评估方式需要编制各类测评量表，根据被测对象的答题情况给出评估结果，评估结果受被测对象答题状态的影响比较大;③算法评估。随着技术发展，大数据和人工智能技术向各个领域扩展，心理评估也已经开始应用人工智能和数据分析技术进行评估。其实第三种评估方式是在第二种评估方式基础上发展而来，只是在评估方法上进行了更新，但是方法的更新却是革命性的。
社会发展越来越快，生活中的诱惑也越来越多，大学生学习生活压力与日俱增，针对大学生科学全面的心理评估能为教育教学和人才培养保驾护航。当前高校心理评估实践中主要采取三种方式：①心理测评报告。主要是心理专家对大学生人格和心理状态的主观解读;②社会调查报告。对大学生成长经历、监护情况等外在环境因素的走访调查和客观分析;③各类测评量表。主要通过问卷的形式发掘大学生的人格、心理特征，来评估大学生心理状态和潜在风险。在实际操作中，以上三种方式经常是互为补充，交叉使用。但以上三种方式获得的信息是分立的，缺乏有效整合，对大学生心理评估的信度和效度都有不良影响，且影响深度无从评价。另外评估的全面性和准确性也不能完全保证。因此，不少研究者已经转向人工智能技术支持的评估研究，以大数据分析为依托，以深度学习算法为方向，力求探索出大学生心理评估的新路径和新方法。
二、当前大学生心理评估人工智能技术的应用现状
人工智能并不是一个新的研究领域，早在1950年，图灵发表了题为《机器能思考吗》的论文，提出了著名的“图灵测试”，体现其24岁时就提出的“利用某种机器实现逻辑代码的执行，以模拟人类的各种计算和逻辑思维过程”的观点，限于当时的计算机技术水平，并不能实现“真实”的测试。近来随着大数据分析、数据挖掘、云计算和深度学习算法等技术迅速发展，人工智能技术有了突飞猛进的发展。但距离图灵提出的“不能分辨人还是机器”的“图灵测试”趋向的强人工智能还有很长的路要走。当前的人工智能技术只能处理单一领域问题，距离完全模拟人脑进行复杂问题处理还差得很远。
但也不能说现在的人工智能技术一无是处，当前人工智能技术的使用在测试辅助、分类分析和事前预警研判等三个方面有很多优势发挥的余地：①通过智能化辅助手段的运用，按需提供精准智能测评服务;②减少心理辅导教师的问卷统计分析等机械劳动，提高测评量表和问卷结果处理的速度和效率。③现有的人工智能辅助系统的数据源是现成的学生信息，工作原理还是基于已有学生各类数据的对比和交叉分析。首先需要对提取的信息进行结构化处理，当然大部分数据源本身就是结构化的，很多非结构化的信息，更贴近学生心理状态，但是需要数据结构化，并进行数据清洗。清洗过的数据依照相关算法模型，可以预测出相应的评估结果。但是一些先进的人工智能算法模型已经可以针对大学生个人历史信息进行发展性评估，利用对比交叉分析和挖掘个体大学生心理因素与群体数据间的差异，获取一个衡量大学生心理状态的阈值，阈值内可以随观，阈值之外就提出预警，决策者可以根据预警级别采取相应的措施。
三、人工智能应用于大学生心理评估的可行性分析
1.人工智能技术的个性化、动态特征刚好满足大学生心理评估的需求
美国数学家凯西·奥尼尔（Cathy O Neil）认为“数据是文化的数字回响，算法是置入代码的观点。” [1]大学生心理评估的基础是基于对大学生以往行为和人格特质等的综合考察以预测其未来的行为倾向。人工智能正是在分析已有数据，形成模式模型，分析预测未来数据发展走向。人工智能技术应用于大学生心理评估，必须以对人类群体和个体行为与心理规律深刻理解和应用为基础。技术的工具属性正是为了完成人的目的性。因此，无论是技术的显性层面，还是心理分析哲学隐形层面，人工智能都可以满足大学生心理评估的大部分需求。人工智能应用于大学生心理评估，深刻体现了不断减少信息墒，从无数的不确定中找出可能的确定的过程。人类心理与行为的深度理解和预测才是人工智能技术的内在需求和本质特征。
2.完善现有大学生心理测评系统需要人工智能技术加以改造和强化
现有大部分心理测评系统都是基于问卷调查和数据报表。对大学生的基本状况、心理状态和心理问题发展的可能性进行评估，从而为学校和心理中心工作人员作出是否随观、进一步评估、送专业心理疾病医治等决定和相应的帮扶工作提供依据。
利用人工智能技术进行大学生心理评估时，与传统的心理测评量表系统相似，也需形成以被测评人为中心的数据源。传统的心理测评量表系统是以问卷调查和数据报表为基础，根据以往调查分析的结果形成的模型作参考，对照被测评人对相关问题的回答，进行大学生心理评估。人工智能技术在全数据采样的大数据分析基础上，分析对比群体和个体历史数据，根据深度学习算法模型等智能预测被测评人的心理状态。
（1）人工智能技术对各类心理因素及其各异的权重把握上更加精确、高效和全面
“先假设，后求证”是传统心理测评量表设计和实施的一般思路。因此，测评因子的挑选、因子权重的权衡等都受制于主观判断和专业背景，如果人力、物力和财力等外部条件有局限时，量表的设计和测评的实效性、信度和效度都会受到不可估计的影响。
高校中应用的测评量表往往是国际已有评估量表的改良和简化版，但是为了最大限度地保证评估的信度和效度，量表设计人员必须依靠心理学专业知识和心理咨询实践经验等， 结合各个院校自身心理评估工作的实际，逐条完善问卷设计和各类评估因素及其权重的设计。在量表设计好以后，为了保证评估量表的信度和效度，还要对不同的大学生群体进行试测，检验量表的稳定性等特性。但是大数据支撑的人工智能可以针对大学生个人历史信息进行发展性评估，利用对比交叉分析和挖掘个体大学生心理因素与群体数据间的差异，获取一个衡量大学生心理状态的阈值，阈值内可以随观，阈值之外就提出预警，决策者可以根据预警级别采取相应的措施。人工智能在大数据分析处理并自动识别和发现数据相关性，从而推测出数据因子之间可能的因果关系上发挥积极有力的作用。
（2）人工智能较强的适配性，可有效解决评估的时效性和个性化的问题
保证评估结果的时效性是处理校园心理危机的首要任务，因此评估结果的时效性需要非常高。大学生心理状态波动较大，甚至未完全成熟，不断变化的社会环境提供了大量大学生心理不稳定的诱因;随着社会环境的变化和信息社会媒体环境的嬗变，大学生心理评估各项因素也需要与时俱进，变化本身是唯一不变的。智能不管是人工的还是原生的，都是动态变化的过程，这正契合了大学生心理评估的动态性特点。
传统的测评方式是对相关因素进行主观选取和抽样评测，通过对某个时间点、一定的被试对象进行抽样考察，量化分析，最后编制量表并修正结果。但是当某些因子发生异动时， 传统测评方式的信度和效度都会发生偏离。人工智能基于大数据分析，对被测群体数据进行全采样，通过系统深度学习训练，智能化修正和更新影响因子及其权重，动态修正、优化迭代测试模型，系统一直伺服评测的信度和效度。简单说就是人工智能分析数据时，快速识别相关影响因子的波动，不断修正评估该因子的权重，在自动修正中不断更新算法，响应大学生心理评估因素的变化，在整个动态过程中反映评估，并给出预警建议。
3.人工智能有效整合已有评估结果获取数据全貌
評估获取有效信息越全面，评估结论越准确。为了精准评估大学生心理状态，引导和帮助大学生健康成长，就需要更多的信息整合能力。当前的大学生心理评估方式包括调查报表、心理测评量表和心理专家的心理测评报告。但是不同的评估方式的原理、方法和标准都有很大的不同，更有甚者不同评估方式获得的结论都有可能是矛盾的。比如某实际案例中，心理专家的测评报告显示某大学生具有人格障碍，缺乏正确的人生观和价值观，其心理疾病特征明显，但是通过社会调查方式，开展家访、学校宿舍和同班同学访谈等，得知其心理较为正常，过往行为表现良好，两种方式综合研判的结果是该大学生心理危机水平并不高。当然在实践中还有其他明显矛盾的典型案例。比如心理测评量表测评结果显示某大学生心理危机可能性较大，但是经过心理咨询，心理专家给出的结论却是正常心理状态。种种矛盾情况出现的时候，往往会对教师尤其是辅导员造成很大的困扰。不同评估方式的设计意图、评估原理和测评内容是有所侧重的，“以偏概全”可能是各种评估方式的先天特性。
人工智能依托实时动态的全样本的数据全采样和深度学习算法，有效整合已有评估结果动态获取数据全貌，有助于解决各种评估“以偏概全”的先天弱势。
四、人工智能在大学生心理评估中的应用
基于机器学习的心理评估系统已有一些成功案例。目前美国大约有60余种智能心理评估系统，给教育决策者提供科学全面的决策支持。人工智能系统解决实际问题，一般要经历四个过程：问题解析，明确需求—获取数据源并结构化数据和清洗数据—架构算法模型—输出建议决策方案。算法支持的教育决策日益得到学校决策者的认可，但是由于技术的复杂性，必然掩蔽了数据选择和算法构建的隐形倾向性，增加了不少评估的不透明性，势必引起许多对于人工智能评估在公平、公正和准确性等方面的质疑。正如当前现有评估方式 “以偏概全”的先天弱势一样，人工智能评估也不应该是“万无一失”的。所有技术至上的倾向都是值得质疑的，但是利用评估结果最终作出决策的还是人本身。我们应该审视已有智能评估系统的优势和弱点，结合我国大学生心理评估的实际，为我国大学生心理智能评估系统提出更多更好的建议。
数据是人工智能运行的基础，可以运用OCR技术，智能识别历史文字数据并数字化，通过自然语言处理和智能字段识别和提取等技术，整合过往个案中调查报告、心理测评记录以及其他与大学生心理状态相关的各类信息。
数据源获取的信息往往是非结构化数据，首先通过自动化的结构化数据转换;然后是进行数据清洗，此过程可能需要人工修正，人工工作量比较大;最后形成大学生心理因素的数据仓库，为了保护大学生的个人隐私，该过程需要进行数据脱敏。
聚类分析常见大学生心理因素及其影响程度，对影响大学生心理的各项因子进行交叉和聚类分析，在权重设置上体现评估侧重点。此过程需要对不同个体、不同心理状态进行分型处理，构建大学生心理评估深度神经网络模型。[2]
人工智能评估最终需要为决策者提供决策建议，系统应能够从被测评大学生个人的社会生存状态、周围物理和人文环境，传统的心理测评记录和其他心理咨询记录等全部信息中筛选出相关高阈值因子，并与数据库中同年龄段群体数据进行对比，适配最优算法模型，进行全面评估，最终获取出其心理状态综合评估结果，为教育者提供精确、有针对性的教育、咨询和矫治参考。
五、人工智能应用于大学生心理评估过程可能遇到的问题
以数字技术为基础的信息社会，人人互联、万物互联。数字化的互联社会结构，方便着人们的同时， 也带来了各种意想不到的潜在风险，正如习总书记所言“人工智能具有多学科综合、高度复杂的特征”“要加强人工智能潜在风险的研判和防范，维护人民利益和国家安全，确保人工智能安全、可靠、可控。” [3]技术往往是“双刃剑”，在教育领域的技术应用也有其体现。就深度神经网络算法模型而言，我们往往无法事前预判机器学习的结果，这是人工智能技术的优势也是其弊端的根源。[4]数据获取愈来愈方便的同时，也要警惕智能技术肆意收集数据的潜在风险。数据源头的每一个被试者都无法与庞杂的数据分析系统相抗衡，更无法进行监管，即使智能系统的设计者也可能无法全时监督和控制数据分析和决策过程。因此，设计和使用人工智能系统进行大学生心理评估都应当把防范和避免技术对个人权利的侵害作为第一原则。
在数据获取和数据挖掘之初，就应力求保证数据的准确、全面，从源头上解决算法带来可能的偏颇和无形的权利侵害。当然大数据技术研究者会争辩说“追求绝对准确是小数据时代的要求”“随着数据容量的扩大，错误信息对结果的影响会越来越小。” [5]就数据源来说，由于大學生调查报告、心理评估量表等的应用在我国发展时间都还很短，因此大学生心理测评数据累积的体量还太小，数据质量也不够高。有限的数据与人工智能相结合，并不能发挥大数据的优势，算法模型是以数据为基础的，所以数据本身的偏颇和不精准会直接影响到最后评估结果的有效性。所以第一个需要解决的问题就是，在数据获取和数据挖掘之初，就要对数据进行必要的清洗和整理。[6]
如前文所述，大学生心理评估存在时效性和个性化的问题，因此应特别注意人工智能算法的更新和迭代。大学生心理评估因子及其权重具有明显的动态特征，精准采集和评价这些动态因子，可更加准确地反映大学生心理评估结果，更能弥补传统量表评估的静态反馈的弱点。人工智能算法的设计者应当既是软件工程架构专家，更应该有心理学专业知识背景，这样才能时时保持大学生心理评估动态因子敏感度，实时矫正由于算法的错误反馈来更新和迭代整个系统暴露出的缺陷和偏差。所以第二个要解决的问题是，智能算法设计要与时俱进，实时伺服动态因子的变化，实时验证、纠偏， 以保证评估系统的精准性、客观性和兼容性。
人工智能评估系统的应用，在于通过人机协同[7]更加快速地解决复杂问题，绝不是让机器完全替代人。况且当前的人工智能技术还处在“弱人工智能”阶段，更不能把决策权交给机器[7]。当前的人工智能评估系统给出的评估结果具有参考价值。只有人才能洞察出事物间的隐含关系并进行合理解释，对常识和规则的理解和灵活运用还是机器的弱势。人工智能可能找出某些数据因子的相关性，但是要确立具体的因果关系和给出确定的判断，必须有决策者来完成。
人可以穿透相关性迷雾，确定因果关系，当人工智能评估系统得出相应的评估结果后[8]，还需要具有心理学专业背景的教育者进行分析和研判，作出最终的判断。
参考文献：
[1][美]凯西·奥尼尔著，马青玲译.算法霸权：数学杀伤性武器的威胁与不公[M].北京：中信出版社：150.
[2]张建萍.基于计算智能技术的聚类分析研究与应用[D].济南：山东师范大学，2014：3。
[3]习近平.推动我国新一代人工智能健康发展[DB/OL].http：//www.xinhuanet.com//2018-10/31/c_1123643321 .htm.
[4]Joel Emer.Efficient Processing of Deep Neural Networks：A Tutorial and Survey[D].https：//arxiv.org/abs/1703.09039.
[5][英]维克托·迈尔-舍恩伯格、肯尼思·库克耶著，盛杨燕、周涛译.大数据时代[M].杭州：浙江人民出版社，2013：55.
[6][日]松尾丰.人工智能狂潮：机器人会超越人类吗？[M].北京：机械工业出版社，2015.
[7][美]Nils J.Nilsso著，王飞跃、赵学亮译.理解信念：人工智能的科学理解[M].北京：机械工业出版社，2016.
[8]翟振明，彭晓芸.“强人工智能”将如何改变世界——人工智能的技术飞跃与应用伦理前瞻[J].人民论坛·学术前沿，2016（7）：22-33.（编辑：鲁利瑞）
