基于fmt特征智能识别风险人员心理画像系统
阅读说明：本技术 基于fmt特征智能识别风险人员心理画像系统 (Intelligent risk person psychological image recognition system based on FMT characteristics ) 是由 丁建略 陈凡迪 于 2021-04-20 设计创作，主要内容包括：本发明公开了基于FMT特征智能识别风险人员心理画像系统包括以下步骤：S1：特征筛选,关键特征收集和风险特征筛选；S2：高风险人员心理画像勾画与评估；S3：编制量表、施测和收集数据；S4：数据分析,通过Binarylogistic回归确定画像模型；S5：依据模糊综合判断法,得出测试者的最终风险等级。该基于FMT特征智能识别风险人员心理画像系统,通过收集极端心理者、伤人者等已经有过风险行为的个体心理特征信息构建高风险人员心理画像。根据测试者与高风险人员心理画像的拟合情况,采用模糊综合判断法区分高风险人员和无风险人员,更全面具体地,且有针对性的找到真正的高风险人群。(The invention discloses an intelligent risk personnel psychological image recognition system based on FMT characteristics, which comprises the following steps: s1: feature screening, key feature collection and risk feature screening; s2: high risk person psychology portrait sketching and evaluating; s3: compiling a scale, measuring and collecting data; s4: data analysis, determining an image model through Binarylogicic regression; s5: and obtaining the final risk grade of the tester according to a fuzzy comprehensive judgment method. According to the FMT feature-based intelligent risk person psychological image recognition system, a high-risk person psychological image is constructed through the individual psychological feature information of people who have had risk behaviors, such as collector-end psychological persons and wounded persons. According to the fitting condition of the psychological images of the testers and the high-risk personnel, the high-risk personnel and the non-risk personnel are distinguished by adopting a fuzzy comprehensive judgment method, and the real high-risk population is found more comprehensively and specifically in a targeted manner.)
技术领域
本发明涉及一种心理评估领域，具体是基于FMT特征智能识别风险人员心理画像系统。
背景技术
心理测验是根据标准化的程序来测量个体的某种心理或行为的工具，测量结果可以用 来判定人与人之间的差异。心理测量是一种对人的心理和行为进行标准化的技术。我国心 理学家彭凯平认为：“心理测验就是通过观察人的少数有代表性的行为，对于贯穿在人的 行为活动中的心理特征，依据一定的原则进行推论和数量化的一种科学手段”。
近年来心理健康越来越成为现代人关注的焦点，它与生理健康并驾齐驱，成为衡量 人类健康水平的关键指标之一。积极预防和减少心理疾患，遏制心理危机事件的发生，改善工作生活品质，促进个人及社会的和谐发展，已经成为人们共同关心和研究的问题。
目前，与心理健康需求有关的矛盾主要表现在这些方面：医院门诊和心理卫生中心的 心理卫生服务资源非常有限，无法充分满足所有求诊者的评估、诊断和治疗需要；心理咨 询和EAP机构在服务时使用的传统测评工具缺乏完整、有效的评估系统；灵敏、快捷的大 学生心理危机预警手段尚需大力建设；企业员工与经理人的心理健康水平与压力水平的不 稳定已经大幅度地影响到企业人才储备和产能效能发挥，不断引发人员流失与员工满意度 低下等严重问题。在这些问题中，缺乏良好的心理健康测评系统是所有问题的基础和关键。
当前，国内使用的心理健康测评工具包括国外开发国内修订的工具和国内自主开发工 具两类。前者在所有心理健康测评工具的使用中占绝大多数，但会因文化差异和翻译问题 产生多种不适应；后者主要用于专项研究，从内容到结构较为简单、不够体系化，需要大 量的深入探索和开发。心理健康测评工具有如下几种：①综合性评估工具，主要包括症状 自评量表(SCL-90)、明尼苏达多相人格测验系列 (TheMinnesotaMultiphasePersonalityInventory，MMPI；包括MMPI-1，MMPI-2和MMPI- 青少年版)；②针对具体病理症状的评估工具，主要包括Hamilton抑郁量表、抑郁自评 量表、Beck焦虑调查表、Marks恐怖强迫量表等等；③临床诊断系统，主要包括诊断和分 类手册(DSM)等。而国内的心理健康研究大多直接移用西方的有关理论和概念，并通过修 订量表，直接应用于科学研究、心理辅导和咨询。然而，东、西方的文化和社会环境下定 义的心理健康内容并不完全相同。西方问卷中蕴含的文化心理内涵，即使经过修订也难以 准确、有效地应用于中国人群。因此，构建符合中国文化背景，能够提供个性化心理测评 服务的心理健康评估工具变得非常急迫和重要。
就目前来看，在心理健康测评领域，现存的研发和技术问题主要有:
工具系统严重老化、过时，目前国内常用的测评工具缺乏对当代心理健康研究最新成 果的吸收。大部分的测评机构都是直接使用传统的心理健康测评工具，比如SCL-90，或是 通过对不同传统量表中的维度进行拆分再重新组合的形式研制新的量表，没有与时俱进， 选用最新的研究成果。没有使用最新的研究成果来测查当代人的心理健康状况。此外，测 评项目的语言大量使用多年以前人们的表述方式，没有考虑时代变迁使人们的语言习惯产 生的变化，这容易导致歧义，使评估出错，同时，也容易使受测者感到不适，产生抵触情 绪。目前，大部分测评公司所使用的心理健康测评工具多为早前从国外翻译过来的测评工 具，语言表述生硬，常引起受测者的不满，而导致测评结果的不准确。
现行量表基本以症状测量为主，国内开发和使用的工具多数以症状测量为主，它们只 能从消极角度判断个体是否罹患心理疾病，无法从诸如社会活动范围、生活满意感、自尊、 社会支持、主观幸福感等积极角度对心理健康进行全面、整体的评估，因此难以充分反映 个体心理健康的真实水平。另外以症状为主的测量，其测评结果常常需要有一定心理学知 识基础的人才能够较好的理解，而对于普通的受测者或者企业管理者来说，理解起来有一 定的难度，常常需要专业人士对测评结果进行解读之后才能够充分理解。
症状排查和功能评估混淆，现有的心理健康测评工具并没有将功能评估和症状排查清 晰地区分开，它们通常将功能评估作为症状评估的某个方面，并没有意识到功能评估的特 殊作用。对于普通人群的测评来说，对社会功能的评估更带有总体性和综合性的评估性质， 更加合理、适用。就像去医院求诊的病人不需要每人都做X光透视，大部分人可以通过导 医和临床问诊得到反馈。也就是说，目前的心理健康测评工具多是将正常人和心理有问题 的人做一个区分，但对于那些处于“心理亚健康”的人却没有一个较好的筛查，即有些人 虽然当前没有出现明显的抑郁、焦虑等心理问题，但他可能因为性格、应对方式、心理弹性等心理功能方面的问题正处于出现心理问题的边缘。
心理疾病的病因分析框架不够完整，现有的测评工具在核查心理疾病临床症状方面提 供了丰富的素材，但对心理疾病的病因分析却缺乏贡献。越来越多的研究证实心理疾病与 个体的防御机制、依恋模式、社会支持、成长环境等多种内外因素有关，而这些研究所得 还没有被心理健康测评工具的新近研发所吸收，无法对心理咨询师和心理治疗师的临床治 疗提供病因分析参考。
本土化的量表文字质量低下，常模质量可疑，直接翻译和使用国外的评估工具，还会 存在测量常模和文字质量等问题。国外的工具必须设有国内的常模才能使用。此外，翻译 过来的工具常出现语言和文字质量问题，用词、语法、表述习惯都会出现偏差，这些因素均会显著干扰测评效果。
测评结果多从受测者的个体情况出发，就目前来看，大部分测评机构所给出的测评结 果都是用来评估受测者的心理健康水平高低，但往往需要测评结果的是受测者所在的企业 或高校。而企业或高校更关注的是，自己的员工或学生的心理健康问题会给企业带来哪些 风险，造成怎样的损失。
评价方式一般采用分数转换法，评价的分数转换法主要有以下3种：一是发展量表。 将个人的成绩与各种发展水平的人比较可以制成发展量表。常用的有年龄量表和年级量表。 二是商数。将一个人的心智发展水平与实际年龄相比较而制成的量表，最有名的就是智商。 在教育测验中，有时也采用商数来表明教育发展或成就的速率，常见到的有教育商数与成 就商数。三是百分等级。百分等级表示个体在常模团体中的相对位置。四是标准分数。是 将原始分数与平均数的距离以标准差为单位表示出来的量表。因为它的单位是标准差，所 以叫标准分数。标准分数的转换有两种方式，一是线性转换，即运用公式Z＝(X-X)/SD 进行换算，其中Z为标准分，X为受测者成绩，X为样本均数，SD为样本成绩标准差。二是把原始分数转换为百分等级，然后从正态曲线面积表中查对应的标准分数。这种转换有一个前提就是所测特质的分数实际上应该是常态分布的。这些分数转换方法通常都需要有明确的数值界定，但事实上，在日常生活和工作中，我们经常会遇到许多没有明显数量界限的模糊事物，比如“漂亮、热、远”等，这些概念不是简单地用“是”、“非”或“数 字”就能来表示的。通常我们对一个事物的评价不是单从某一方面来说，而是要涉及到很 多指标，个体的心理健康状况更是如此。
主要通过与常模进行对比来确定心理健康的好坏，常模参照分数是把受测者的成绩与 具有某种特征的人所组成的有关团体做比较，根据一个人在该团体的相对位置来报告他的 成绩。这里，用来作比较的参考团体叫常模团体，常模团体的分数分布叫常模。常模团体 的确定：常模团体是由具有某种共同特征的人所组成的一个群体。在确定常模团体时要注 意：一是群体的构成必须界定：二是当群体过大时，常模团体必须是所要测验群体的一个 代表性取样；三是取样的过程必须详尽描述；四是样本大小要适当；五是要注意常的时间 性；六是要将一般常模与特殊常模结合起来。
所以，通过现有的方式，我们只能判断是个体在其所在群体中的相对位置，那么通过 常模参照的方式我们只能得出：当个体的心理健康得分相对于常模的分数较远时，其心理 健康状况较差，所以个体的心理健康好坏会随着参照的常模的变化而有所变化，这就无法 给定一个较为准确的心理健康状况。
发明内容
本发明的目的在于提供基于FMT特征智能识别风险人员心理画像系统，以解决上述背 景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
基于FMT特征智能识别风险人员心理画像系统，包括以下步骤：
S1：特征筛选，关键特征收集和风险特征筛选；
S2：高风险人员心理画像模型模型勾画与评估；
S3：编制量表、施测和收集数据；
S4：数据分析，通过Binarylogistic回归确定画像模型；
S5：依据模糊综合判断法，得出测试者的最终风险等级。
作为本发明进一步的方案：所述S1中关键特征收集，采用半结构化访谈的方式对不 同行业的10位企业高级管理人员进行30-45分钟的询问，了解曾在企业内部发生过的员工风险事件，如员工极端心理、伤人、蓄意破坏等等极端事件，以及企业管理者担心员 工会实施的一些风险行为，整理获得风险员工关键特征56个，所述S1中风险特征筛选， 采用投票的方式对关键特征进行评定，邀请8位资深的HR对每一个关键特征进行投票， 将60％以上资深HR选择的与风险员工的关键特征有关的条目保留下来。由此共选择出34 个风险特征，初步形成6类心理风险员工人物画像，极端心理倾向心理画像、伤人倾向心 理画像、离职报复者心理画像，高耗能倾向心理画像、负能量传播心理画和玻璃瓶像心 理画像。
作为本发明再进一步的方案：所述S2中高风险人员心理画像模型勾画，主要采用文 献分析法，对不同的心理风险画像进行国内外相关文献的阅读学习，学习掌握不同人物画 像的风险模型，通过对已有文献和学术成果的梳理总结，我们从个体接受到的外部刺激、 个体的情绪状态、个性、认知和心理弹性5大维度，全面地勾画出6类心理风险人物画像， 所述S2中高风险人员心理画像模型评估包括员工社会功能状况筛查、临床症状核查和心 理动因分析三个层面，员工社会功能状况筛查，涵盖人际质量、行事效率、情绪状况、积极感受和活动范围，人际质量评估包括人际关系是否稳定、和谐；行事效率评估包括记忆、反应、学习等功能运作效率；情绪状况评估包括受测者能否保持稳定、平和的情绪状态； 积极感受评估包括个体是否拥有幸福感、成就感等；活动范围考察包括个体是否拥有足够 丰富的社会交往和娱乐休闲活动，临床症状核查，主要分析员工的抑郁、敌对-攻击、偏 执等心理问题，从而通过临床症状核查量表明确心理问题所在，心理动因分析主要有应激 事件、防御机制、社会支持等，从而对员工的心理动因进行分析。
作为本发明再进一步的方案：所述S3中编制量表，根据不同类型心理画像的维度组 成编制初始量表同时参照心理健康症状自评量表(SCL-90)、the InterpersonalPsychological model中的极端心理倾向量表、Barratt冲动量表、Cohen博士编制的压 力知觉量表(PSS)等等，共编制含有450道题目的原始量表，所述S3中施测和收集数据， 采用定投、随机投和大范围投放的方式进行，其中定投将6份精准投放给典型的画像人物， 如测量极端心理倾向的分量表投放给有过极端心理行为但极端心理未遂的测试者，测量 伤人倾向的分量表投放给有过伤人行为的测试者等等，其中随机投则随机投放给一般的 正常人群，大范围投放主要是放在系统APP平台上，免费供用户测量，通过数据清洗，剔 除无效问卷，回收的有效问卷共计16805份。
作为本发明再进一步的方案：所述S4中数据分析包括进行信度和效度分析，信度是 反映测试者稳定性、同一性的指标，采用“克伦巴赫α系数”指标来检验量表的稳定性与同一性，效度是指一个测验对其所要测量的特性测量到何种程度，反映测量的真实性与准确性的指标，采用SPSS20.0对所收集的数据进行探索性因素分析，对所编制的量表进行 效度检验，通过因素分析删除不合适的题目从而得到良好的结构效度。
作为本发明再进一步的方案：所述S4中确定画像模型，将做不同风险类型量表的测 试者数据均分成两类，即极端心理过和未极端心理过两类、伤人过和未伤人过两类等等， 采用二元logistic回归的方式，找出真正导致个体采取极端心理行为、伤人行为、离职报复等等行为的自变量，采用对数线性模型进行统计分析，在对数线性模型中，当其二 分类变量被当作因变量时，对数线性回归模型就变成了Binarylogistic回归模型。以下 以极端心理倾向模型为例详细介绍BinaryLogistic模型的推导、求解，
假设第n，n∈N，个个体采取极端心理行为用yn表示，yn＝1代表个体采取了极端心理 行为，反之yn＝0，假设在理论上，存在一个连续反应变量y* n代表yn发生的概率，其取值范围为负无穷至正无穷，如果此变量的值超出一个临界点m比如m＝0，便使出行者n采取 极端心理行为，于是有：
当y* n>0时yn＝1
当y* n≦0时yn＝0
如果假设在反应变量y* n与自变量选择影响因素，xni(i＝1,2…,m)之间存在一种线性关 系，即
y* n＝β0+β1xn1+…+βmxnm+εj 1.1
其中：εj是误差项，服从Logistic分布；β0为截距通常称为常数项； βi(i＝1,2…,m)是xni(i＝1,2…,m)的偏回归系数，由1.1式可知，第n个个体采取极端心 理行为的条件概率为：
P(yn＝1/xni)＝P[(β0+β1xn1+…+βmxnm+εj)>0] 1.2
通过计算求解可得：
其中P(yn＝1/xni)是一个由解释变量(影响因素)构成的非线性函数，这个非线性函 数可以被转变为线性函数。
首先，定义出极端心理行为被个体n选择的概率为：
那么极端心理行为被选择与不被选择的发生概率之比为：
这个比被称之为事件的发生比,简记为Odds优势，由公式1.5可以看出p越大，则odds越大；p越小，则odds越小。为了度量某一自变量影响因素对因变量是否采取极端 心理行为影响程度的大小，定义OddsRatio简记OR，简称优势比，如下公式：
其含义为在其他自变量选择行为的影响因素不变的情况下，自变量xni改变一个单位， 因变量对应的OR改变exp(βi)。我们利用OR，对个体选择极端心理行为的影响因素进
由于Binarylogistic回归是非线性模型，因此采用最大似然估计求解参数。假设有 由N个个体选择行为构成的总体，Y1，…YN，从中随机抽取n个案例作为样本，观测值标注为y1，…yn。设pi＝p(yi＝1|xi)为给定影响因素xi的条件下得到结果yi＝1的条件概率，则yi＝0的条件概率为p(yi＝0|xi)＝1-pi，于是得到一个观测值的概率为：
其中yi＝1或0，因为各项观测是相互独立的，所以他们的联合分布可以表示为各边际 分布的乘积，如下式所示：
公式1.8称为n个个体是否会极端心理的似然函数，其中：
为求出能够使这一似然函数的值最大的参数估计，对L*进行对数变换，得到如下函数：
为了估计使ln(L*)达到最大值时的总体参数β0…βm，分别对它们求偏导，然后令它们等于0,得以下公式：
…
如上式可知，方程组中有m+1个自变量，同时有m+1个联立方程来估计它们的值，由于以上均为非线性函数，人工计算求解十分困难，本文采用spss20.0对其进行求解。
通过二元logistic回归的方式，我们建立了6个回归方程，来判断测试者是否属于某一类风险画像。
主要根据回归所求导出的方程，给每个测量维度赋予一定的权重，测试者完成测试 后，我们的系统后台会自动加总某一画像相关的维度值，并将每一维度的值带入到不同画像的方程中，计算出不同类别画像所对应的风险值，风险值越接近100分，则表明越有 可能会采取该画像所代表的人物的行为，以极端心理倾向为例，若测试者的极端心理倾 向风险的分值越接近于100分，则表明他与极端心理者的人格、情绪、行为方式等等特征 相吻合，越有可能采取极端心理行为。
作为本发明再进一步的方案：所述S5中模糊综合判断法，由于人的心理往往是捉摸 不定的，个体心理风险的高低常常涉及多个因素或多个指标，这时就要求根据这多个因素 对事物做出综合评价，而不能只从某一因素的情况去评价事物，因此，对于综合心理风险 的判断主要采用模糊综合判断的方式，在这里，评判的意思是指按照给定的条件对事物的 优劣、好坏进行评比、判别；综合的意思是指评判条件包含多个因素或多个指标；模糊就是运用模糊数学的运算方法进行处理，模糊综合评判还可以对不同类型的数据进行有效地综合，包括非正态分布的数据，它的适应性更强，最终得到对被试者的评价。
模糊综合评判的内在逻辑：
模糊综合评价是对受多种因素影响的事物做出全面评价的一种十分有效的多因素决 策方法，其特点是评价结果不是绝对地肯定或否定，而是以一个模糊集合来表示。
隶属度或隶属函数是模糊数学与模糊系统的基础。引入“隶属度”这个概念，来描述 差异的中间过渡，这是精确性对模糊性的一种逼近，其数学定义为：
对论域U上的模糊集合A，指定一个从U到[0,1]的印射：
μ A :U→[0,1]
u→μ A (u∈[0,1])
其中，u A 是A的隶属函数，u A (u)是u对A的隶属度。当u A (u)＝1时，u∈A，当u A (u)＝0时，当u A (u)为0或1时，隶属函数就是退化为普通集合的特征函数，同样A将退 化为普通集合。
模糊集合完全由隶属函数来刻画，在模糊数学中，需要用一个介于0与1之间的数来 反映元素从属于模糊集合的程度，隶属函数就是出于这个目的而建立的。能否正确确定隶 属函数，是能否有效应用模糊集合理论的关键。如果模糊集合定义在实数域上，则模糊集 合的隶属函数就称为模糊分布。我们主要采用指派隶属函数，所谓指派方法，就是根据问 题的性质套用现成的某些形式的模糊分布，然后根据测量数据确定分布中所含的参数。我 们所使用的模糊分布类型为偏大型，偏大型模糊分布适合描述像“大”、“热”、“老年” 以及颜色的“浓”等偏向大的一方的模糊现象，其隶属函数的一般形式为
其中a为常数，而f(x)是非减函数。
设论域U上有模糊子集A1 ,A2 ,…An 构成一个标准模型库，若对任意元素u0∈U，有
则认为u0相对隶属于A i。
最大隶属原则是模糊模型识别的一种方法。模型识别用于识别某个具体对象属于何种 类别。在模型识别中有两个基本面：事先已知若干标准模型构成模型库；有待识别的对象。 模糊综合评判中在处理最后的结果向量，进一步做出最终评价时，主要用到的方法就是最 大隶属原则。
首先，需要确定心理风险的因素集：
U＝{U1,U2,U3,U4,U5,U6}
U1：极端心理倾向U2：伤人倾向U3：高耗能倾向
U4：离职报复倾向U5：负能量传播U6：玻璃瓶
U1＝{U11,U12,U13…U1i}i＝[1,14]
U2＝{U21,U22,U23…U2j}j＝[1,13]
U3＝{U31,U32,U33…U3k}k＝[1,8]
U4＝{U41,U42,U43…U4l}l＝[1,12]
U5＝{U51,U52,U53…U5m}m＝[1,10]
U6＝{U61,U62,U63…U6n}n＝[1,11]
U11：抑郁U12：绝望U13：自我攻击……U1i：极端心理意念
U21：愤怒U22：敌对U23：冲动……U2j：偏执
U31：焦虑U32：挫折耐受力U33：情绪调控……U3k：压力
U41：嫉妒U42：报复U43：人际敏感……U4l：自我中心
U51：抱怨U52：焦虑U53：归因方式……U5l：抑郁
U61：脆弱性U62：负性生活事件U63：情绪调控……U6l：社会支持
然后，需要确定每个心理风险画像的权重，即确定权重集。
采用Delphi法对结果进行修正，使专家的意见趋于一致。
所述Delphi法其本质是利用专家的知识、经验、智慧等将无法进行量化的具有很大 模糊性的信息，通过咨询的方式进行处理，并逐步修正。
Delphi法的基本的步骤如下:①选择专家。选本专业领域中既有实际工作经验又有较 深理论修养的专家10人。②将心理风险指标体系的相关资料以及统一的指标权重确定规 则发给选定的各位专家，请他们独立地确定出各组权重值。③回收结果的处理。对各专家 反馈回来的权重进行整理分析，并统计出各个权重的平均值和标准差，要求所有的专家在 新的基础上重新确定各个权重。④重复③，直至标准差小于或等于预先给定的标准ε＝0.1， 将这次各个权重估计值的平均值作为权重结果。
接着，需要确定评判集，即心理风险的等级评定。
为了提高评判的区分度，本系统采用了四级评判档位，即：
V＝(V1,V2,V3,V4)
V1：差V2：中V3：良V4：优
确定完评判集之后，判断矩阵就可以产生了。
设对因素集U中第i个因素ui进行评判，对评判集V中第j个元素vj的隶属程度为rij， 则第i个因素ui评判的结果对应的模糊集合表示为：
Ri＝{ri1,ri2,ri3…rin}
将各评判集的隶属度组合，形成评判矩阵如下：
在得到判断矩阵和权重集之后，进行一个模糊变换，得B＝A×R，然后根据最大隶属 度原则，选出测试者心理风险最高那一项的分值，评定风险等级。
与现有技术相比，本发明的有益效果是：
1、本发明通过收集极端心理者、伤人者等已经有过风险行为的个体心理特征信息构 建高风险人员心理画像。根据测试者与高风险人员心理画像的拟合情况，采用模糊综合判断法区分高风险人员和无风险人员，更全面具体地，且有针对性的找到真正的高风险 人群。
2、由于本发明的测评结果是给企业HR、管理者或高校的老师阅读使用，因此我们根 据测试者的测评结果进行了归类，当测试者更贴近某一心理风险画像人群时，我们就重点 描述这一画像人群的特点、风险点以及应对措施和管理建议。这样，即使没有心理学知识 基础的人也能够快速的理解测评结果，另外在建议的提供上也能够更加有针对性。
3、区别于传统的心理健康测评，本发明不仅对于个体当前的心理问题进行了排查， 如抑郁、焦虑等方面，检测出那些目前心理存在问题的人，将他们和正常人区分开来。除 此之外，本发明对于那些可能因为性格、应对方式、心理弹性等心理功能方面的问题正处 于出现心理问题的边缘的个体也进行了排查，即筛查出那些未来可能出现心理健康问题的 个体，防患于未然。
4、由于本发明除了测查个体的心理问题之外，还对个体的性格、应对方式、心理弹性、防御机制、社会支持等方面进行了测查，这就为后期心理咨询师和心理治疗师的临床治疗提供病因分析参考，能够更全面、具体的分析个体出现心理健康问题的原因。
5、本发明的测评题项虽然参考了国内外通用的测评工具，但是我们对于题项的表达 不但进行了修改，同时也请心理学专家和非心理学专业的用户对于题项的可理解性和易读 性进行了评估，保证语言和文字质量，降低用词、语法、表述习惯上的偏差。另外，我们对于我们新编制的量表，进行了本土化常模的搭建，而并非直接沿用国外的常模，保证常模质量。
6、鉴于企业或高校更关注的是，自己的员工或学生的心理健康问题会给企业或学校 带来哪些风险，造成怎样的损失。本发明除了报告测试者的心理健康状况外，还为企业或 学校提供测试者的整体心理状况会给企业或学校带来哪些风险的说明，因此，本发明名为 基于FMT特征智能识别风险人员心理画像系统。
7、那些用传统数学解决不了的问题就得益于模糊数学来解释。模糊数学是对事物的 模糊外延进行精确的刻画，综合评判是对多种属性的事物，或者说其总体优劣受多种因素 影响的事物，做出一个能合理地综合这些属性或因素的总体评判。因此，用模糊综合评判 的方法对人的心理风险进行评判是可行的，也是一条较好的途径。
8、为了避免对于个体心理健康状况的好坏随着参照的常模的变化而有所变化，我们 给每一类心理风险都对标了相应的风险人群，即极端心理倾向心理风险对标极端心理未
因此本发明可以给定一个较为准确的心理健康状况。
附图说明
图1为基于FMT特征智能识别风险人员心理画像系统的心理风险筛查量表编制流程图。
图2为基于FMT特征智能识别风险人员心理画像系统中模糊综合评价的流程框图。
图3为基于FMT特征智能识别风险人员心理画像系统中技术系统的UML图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地 描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本 发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实 施例，都属于本发明保护的范围。
请参阅图1～3，本发明实施例中，基于FMT特征智能识别风险人员心理画像系统，包 括以下步骤：
S1：特征筛选，关键特征收集和风险特征筛选；
S2：高风险人员心理画像模型模型勾画与评估；
S3：编制量表、施测和收集数据；
S4：数据分析，通过Binarylogistic回归确定画像模型；
S5：依据模糊综合判断法，得出测试者的最终风险等级。
S1中关键特征收集，采用半结构化访谈的方式对不同行业的10位企业高级管理人员 进行30-45分钟的询问，了解曾在企业内部发生过的员工风险事件，如员工极端心理、伤人、蓄意破坏等等极端事件，以及企业管理者担心员工会实施的一些风险行为，整理获 得风险员工关键特征56个，所述S1中风险特征筛选，采用投票的方式对关键特征进行评 定，邀请8位资深的HR对每一个关键特征进行投票，将60％以上资深HR选择的与风险员 工的关键特征有关的条目保留下来。由此共选择出34个风险特征，初步形成6类心理风 险员工人物画像，极端心理倾向心理画像、伤人倾向心理画像、离职报复者心理画像，
S2中高风险人员心理画像模型勾画，主要采用文献分析法，对不同的心理风险画像进 行国内外相关文献的阅读学习，学习掌握不同人物画像的风险模型，通过对已有文献和学 术成果的梳理总结，我们从个体接受到的外部刺激、个体的情绪状态、个性、认知和心理 弹性5大维度，全面地勾画出6类心理风险人物画像，所述S2中高风险人员心理画像模型评估包括员工社会功能状况筛查、临床症状核查和心理动因分析三个层面，员工社会功能状况筛查，涵盖人际质量、行事效率、情绪状况、积极感受和活动范围，人际质量评估 包括人际关系是否稳定、和谐；行事效率评估包括记忆、反应、学习等功能运作效率；情 绪状况评估包括受测者能否保持稳定、平和的情绪状态；积极感受评估包括个体是否拥有 幸福感、成就感等；活动范围考察包括个体是否拥有足够丰富的社会交往和娱乐休闲活动， 临床症状核查，主要分析员工的抑郁、敌对-攻击、偏执等心理问题，从而通过临床症状 核查量表明确心理问题所在，心理动因分析主要有应激事件、防御机制、社会支持等，从 而对员工的心理动因进行分析。
S3中编制量表，根据不同类型心理画像的维度组成编制初始量表同时参照心理健康 症状自评量表(SCL-90)、the Interpersonal Psychological model中的极端心理倾向量表、Barratt冲动量表、Cohen博士编制的压力知觉量表(PSS)等等，共编制含有450 道题目的原始量表，所述S3中施测和收集数据，采用定投、随机投和大范围投放的方式 进行，其中定投将6份精准投放给典型的画像人物，如测量极端心理倾向的分量表投放给 有过极端心理行为但极端心理未遂的测试者，测量伤人倾向的分量表投放给有过伤人行 为的测试者等等，其中随机投则随机投放给一般的正常人群，大范围投放主要是放在系 统APP平台上，免费供用户测量，通过数据清洗，剔除无效问卷，回收的有效问卷共计 16805份。
S4中数据分析包括进行信度和效度分析，信度是反映测试者稳定性、同一性的指标， 采用“克伦巴赫α系数”指标来检验量表的稳定性与同一性，效度是指一个测验对其所要 测量的特性测量到何种程度，反映测量的真实性与准确性的指标，采用SPSS20.0对所收集的数据进行探索性因素分析，对所编制的量表进行效度检验，通过因素分析删除不合适的题目从而得到良好的结构效度。
S4中确定画像模型，将做不同风险类型量表的测试者数据均分成两类，即极端心理 过和未极端心理过两类、伤人过和未伤人过两类等等，采用二元logistic回归的方式，找出真正导致个体采取极端心理行为、伤人行为、离职报复等等行为的自变量，采用对 数线性模型进行统计分析，在对数线性模型中，当其二分类变量被当作因变量时，对数 线性回归模型就变成了Binarylogistic回归模型。以下以极端心理倾向模型为例详细介 绍BinaryLogistic模型的推导、求解，
假设第n，n∈N，个个体采取极端心理行为用yn表示，yn＝1代表个体采取了极端心理 行为，反之yn＝0，假设在理论上，存在一个连续反应变量y* n代表yn发生的概率，其取值范围为负无穷至正无穷，如果此变量的值超出一个临界点m比如m＝0，便使出行者n采取 极端心理行为，于是有：
当y* n>0时yn＝1
当y* n≦0时yn＝0
如果假设在反应变量y* n与自变量选择影响因素，xni(i＝1,2…,m)之间存在一种线性关 系，即
y* n＝β0+β1xn1+…+βmxnm+εj 1.1
其中：εj是误差项，服从Logistic分布；β0为截距通常称为常数项； βi(i＝1,2…,m)是xni(i＝1,2…,m)的偏回归系数，由1.1式可知，第n个个体采取极端心 理行为的条件概率为：
P(yn＝1/xni)＝P[(β0+β1xn1+…+βmxnm+εj)>0] 1.2
通过计算求解可得：
其中P(yn＝1/xni)是一个由解释变量(影响因素)构成的非线性函数，这个非线性函 数可以被转变为线性函数。
首先，定义出极端心理行为被个体n选择的概率为：
那么极端心理行为被选择与不被选择的发生概率之比为：
这个比被称之为事件的发生比,简记为Odds优势，由公式1.5可以看出p越大，则odds越大；p越小，则odds越小。为了度量某一自变量影响因素对因变量是否采取极端 心理行为影响程度的大小，定义OddsRatio简记OR，简称优势比，如下公式：
其含义为在其他自变量选择行为的影响因素不变的情况下，自变量xni改变一个单位， 因变量对应的OR改变exp(βi)。我们利用OR，对个体选择极端心理行为的影响因素进行灵敏度分析。
由于Binarylogistic回归是非线性模型，因此采用最大似然估计求解参数。假设有 由N个个体选择行为构成的总体，Y1，…YN，从中随机抽取n个案例作为样本，观测值标注为y1，…yn。设pi＝p(yi＝1|xi)为给定影响因素xi的条件下得到结果yi＝1的条件概率，则yi＝0的条件概率为p(yi＝0|xi)＝1-pi，于是得到一个观测值的概率为：
其中yi＝1或0，因为各项观测是相互独立的，所以他们的联合分布可以表示为各边际 分布的乘积，如下式所示：
公式1.8称为n个个体是否会极端心理的似然函数，其中：
为求出能够使这一似然函数的值最大的参数估计，对L*进行对数变换，得到如下函数：
为了估计使ln(L*)达到最大值时的总体参数β0…βm，分别对它们求偏导，然后令它们等于0,得以下公式：
…
如上式可知，方程组中有m+1个自变量，同时有m+1个联立方程来估计它们的值，由于以上均为非线性函数，人工计算求解十分困难，本文采用spss20.0对其进行求解。
通过二元logistic回归的方式，我们建立了6个回归方程，来判断测试者是否属于某一类风险画像。
主要根据回归所求导出的方程，给每个测量维度赋予一定的权重，测试者完成测试 后，我们的系统后台会自动加总某一画像相关的维度值，并将每一维度的值带入到不同画像的方程中，计算出不同类别画像所对应的风险值，风险值越接近100分，则表明越有 可能会采取该画像所代表的人物的行为，以极端心理倾向为例，若测试者的极端心理倾
S5中模糊综合判断法，由于人的心理往往是捉摸不定的，个体心理风险的高低常常涉 及多个因素或多个指标，这时就要求根据这多个因素对事物做出综合评价，而不能只从某 一因素的情况去评价事物，因此，对于综合心理风险的判断主要采用模糊综合判断的方式， 在这里，评判的意思是指按照给定的条件对事物的优劣、好坏进行评比、判别；综合的意 思是指评判条件包含多个因素或多个指标；模糊就是运用模糊数学的运算方法进行处理， 模糊综合评判还可以对不同类型的数据进行有效地综合，包括非正态分布的数据，它的适 应性更强，最终得到对被试者的评价。
模糊综合评判的内在逻辑：
模糊综合评价是对受多种因素影响的事物做出全面评价的一种十分有效的多因素决 策方法，其特点是评价结果不是绝对地肯定或否定，而是以一个模糊集合来表示。
隶属度或隶属函数是模糊数学与模糊系统的基础。引入“隶属度”这个概念，来描述 差异的中间过渡，这是精确性对模糊性的一种逼近，其数学定义为：
对论域U上的模糊集合A，指定一个从U到[0,1]的印射：
μ A :U→[0,1]
u→μ A (u∈[0,1])
其中，u A 是A的隶属函数，u A (u)是u对A的隶属度。当u A (u)＝1时，u∈A，当u A (u)＝0时，当u A (u)为0或1时，隶属函数就是退化为普通集合的特征函数，同样A将退 化为普通集合。
模糊集合完全由隶属函数来刻画，在模糊数学中，需要用一个介于0与1之间的数来 反映元素从属于模糊集合的程度，隶属函数就是出于这个目的而建立的。能否正确确定隶 属函数，是能否有效应用模糊集合理论的关键。如果模糊集合定义在实数域上，则模糊集 合的隶属函数就称为模糊分布。我们主要采用指派隶属函数，所谓指派方法，就是根据问 题的性质套用现成的某些形式的模糊分布，然后根据测量数据确定分布中所含的参数。我 们所使用的模糊分布类型为偏大型，偏大型模糊分布适合描述像“大”、“热”、“老年” 以及颜色的“浓”等偏向大的一方的模糊现象，其隶属函数的一般形式为
其中a为常数，而f(x)是非减函数。
设论域U上有模糊子集A1 ,A2 ,…An 构成一个标准模型库，若对任意元素u0∈U，有
则认为u0相对隶属于A i。
最大隶属原则是模糊模型识别的一种方法。模型识别用于识别某个具体对象属于何种 类别。在模型识别中有两个基本面：事先已知若干标准模型构成模型库；有待识别的对象。 模糊综合评判中在处理最后的结果向量，进一步做出最终评价时，主要用到的方法就是最 大隶属原则。
首先，需要确定心理风险的因素集：
U＝{U1,U2,U3,U4,U5,U6}
U1：极端心理倾向U2：伤人倾向U3：高耗能倾向
U4：离职报复倾向U5：负能量传播U6：玻璃瓶
U1＝{U11,U12,U13…U1i}i＝[1,14]
U2＝{U21,U22,U23…U2j}j＝[1,13]
U3＝{U31,U32,U33…U3k}k＝[1,8]
U4＝{U41,U42,U43…U4l}l＝[1,12]
U5＝{U51,U52,U53…U5m}m＝[1,10]
U6＝{U61,U62,U63…U6n}n＝[1,11]
U11：抑郁U12：绝望U13：自我攻击……U1i：极端心理意念
U21：愤怒U22：敌对U23：冲动……U2j：偏执
U31：焦虑U32：挫折耐受力U33：情绪调控……U3k：压力
U41：嫉妒U42：报复U43：人际敏感……U4l：自我中心
U51：抱怨U52：焦虑U53：归因方式……U5l：抑郁
U61：脆弱性U62：负性生活事件U63：情绪调控……U6l：社会支持
然后，需要确定每个心理风险画像的权重，即确定权重集。
采用Delphi法对结果进行修正，使专家的意见趋于一致。
所述Delphi法其本质是利用专家的知识、经验、智慧等将无法进行量化的具有很大 模糊性的信息，通过咨询的方式进行处理，并逐步修正。
Delphi法的基本的步骤如下:①选择专家。选本专业领域中既有实际工作经验又有较 深理论修养的专家10人。②将心理风险指标体系的相关资料以及统一的指标权重确定规 则发给选定的各位专家，请他们独立地确定出各组权重值。③回收结果的处理。对各专家 反馈回来的权重进行整理分析，并统计出各个权重的平均值和标准差，要求所有的专家在 新的基础上重新确定各个权重。④重复③，直至标准差小于或等于预先给定的标准ε＝0.1， 将这次各个权重估计值的平均值作为权重结果。
接着，需要确定评判集，即心理风险的等级评定。
为了提高评判的区分度，本系统采用了四级评判档位，即：
V＝(V1,V2,V3,V4)
V1：差V2：中V3：良V4：优
确定完评判集之后，判断矩阵就可以产生了。
设对因素集U中第i个因素ui进行评判，对评判集V中第j个元素vj的隶属程度为rij， 则第i个因素ui评判的结果对应的模糊集合表示为：
Ri＝{ri1,ri2,ri3…rin}
将各评判集的隶属度组合，形成评判矩阵如下：
在得到判断矩阵和权重集之后，进行一个模糊变换，得B＝A×R，然后根据最大隶属 度原则，选出测试者心理风险最高那一项的分值，评定风险等级。
尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依 然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替 换，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本 发明的保护范围之内。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：一种智慧智能AI智能心理健康检测与分析测评系统