基于网络数据分析的心理计算:针对心理健康状态与主观幸福感

大规模地实时计算民众的心理特征有利于维护社会的和谐稳定,但传统的心理测验方法不能有效地满足上述需求.本研究提出了基于网络数据分析的心理计算方法,通过分析用户的"微博"数据建立心理计算模型(心理健康状态计算模型与主观幸福感计算模型),据此来计算民众的心理特征.研究结果显示,心理计算模型的建模效果良好,而建模方法与建模目标是影响建模效果的两个重要因素.本研究表明,可以通过分析网络数据来计算民众的心理特征,此方法有利于改善心理测验的实施规模与施测效率.     

人工智能大数据之于心理学

 以人格预测、主动自杀干预、青岛大虾事件的舆情分析为例,介绍了人工智能大数据在心理学领域中的应用。研究表明,在利用大数据进行相关心理指标分析时,要注重保护用户隐私,合理合规地使用大数据和人工智能技术。     

基于语音的抑郁症识别

抑郁症是世界范围内常见的精神疾病之一,抑郁症患者往往长期伴随情绪低落,如悲伤内疚、低自尊、兴趣丧失、功能减退等,对个人、家庭及社会造成了巨大损失.抑郁症的发病原因复杂,临床诊断存在一定的困难,有必要寻找一种更加便捷、客观、高效的方式来辅助抑郁症的快速识别.语音作为一个相对客观且容易获得的变量,具有其潜在的价值.本研究旨在构建基于语音的抑郁症识别模型,探究语音与抑郁症之间的关系.收集了103名被试(45名抑郁症患者,58名健康人)的语音数据,实验组为临床确诊的抑郁症患者,年龄在23.8~44.6岁之间,控制组为健康人,年龄为20.1~41.7岁.我们采用了3(情绪状态:正性、中性、负性)×3(任务类型:语言问答、文本朗读、图片描述)的实验设计,运用机器学习的分类算法——逻辑回归(LR)来构建抑郁识别模型.实验结果表明,语音的抑郁识别精度可以达到82.9%.本文采用机器学习方法,基于语音变量建立有效的抑郁症自动识别模型,为抑郁症的辅助识别提供客观的指标和依据.