一种基于心理沙盘的心理测试模型构建方法及系统

摘要

本申请公开了一种基于心理沙盘的心理测试模型构建方法及系统，方法包括：选取采样对象，确定采样方向和采样方法并对采样对象进行采样，得到实验样本；对实验样本进行心理量表测评，获得测评结果,并根据心理量表的客观分类标准将测评结果分为若干类贴上对应标签；通过电子心理沙盘系统获取实验样本使用电子心理沙盘的评价数据；根据所述评价数据，得到实验样本的沙盘实验结果；基于测评结果和沙盘实验结果分别构建训练集和验证集；基于训练集构建分类模型，将验证集输入至分类模型中，对待验证的算法模型进行准确率评估，得到高准确率的算法模型作为心理测试模型。

说明书

技术领域

本申请涉及心理测试领域，具体涉及一种基于心理沙盘的心理测试模型构建方法及系统。

背景技术

沙盘游戏又称箱庭游戏，是国际上很流行的心理治疗方法。在学校和幼儿园，它被广泛应用于儿童的心理教育与心理治疗；在大学和成年人的心理诊所，它也深受欢迎。近年来随着计算机技术、多媒体技术的发展，依靠3D技术来营造心理沙盘环境的电子心理沙盘，通过让来访者在丰富、灵性的沙具王国中，对内在世界进行外显性投射的一款软件设备。而电子心理沙盘确实解决了传统沙盘空间占地大和操作过程自动记录的问题，但是依靠纯算法模型构建的心理测试又存在准确性不高等诸多问题，所以急需一个高精度模型来应对当下现状。

发明内容

本申请提出了一种基于心理沙盘的心理测试模型构建方法及系统，通过将电子心理沙盘测试的结果与心理量表测评结果进行对比，不断优化算法模型，最终建立一个高准确率用于心理测试的模型。

为实现上述目的，本申请公开了一种基于心理沙盘的心理测试模型构建方法，步骤包括：

选取采样对象，确定采样方向和采样方法并对所述采样对象进行采样，得到实验样本；

对所述实验样本进行心理量表测评，获得测评结果,并根据心理量表的客观分类标准将测评结果分为若干类贴上对应标签；

通过电子心理沙盘系统获取所述实验样本使用电子心理沙盘的评价数据；

根据所述评价数据，得到所述实验样本的沙盘实验结果；

基于所述测评结果和所述沙盘实验结果分别构建训练集和验证集；

基于所述训练集构建分类模型，将所述验证集输入至所述分类模型中，对待验证的算法模型进行准确率评估，得到高准确率的算法模型作为心理测试模型。

可选的，所述采样方向包括：所述采样对象的性别、年龄和职业。

可选的，所述采样方法包括：根据选取好的所述采样方向按照分层采样方法进行采样。

可选的，所述评价数据包括：制作数据指标、沙具数据指标、沙子使用数据指标和标准问题指标。

可选的，进行所述准确率评估的标准包括：

当算法模型分类准确率大于等于95％时，封装成为一个固定的算法模型；

当算法模型分类准确率大于等于80％且小于95％时，调整参数，当调整参数无法达到95％时，封装成为一个参数可以调整的开放算法模型，等待更多数据集；

当算法模型分类准确率小于80％时，换另一种模型算法。

本申请还提供了一种基于心理沙盘的心理测试模型构建系统，包括：采样模块、心理量表测量模块、电子沙盘模块、分析模块、构建模块和评估模块；

所述采样模块用于选取采样对象，确定采样方法并对所述采样对象进行采样，得到实验样本；

所述心理量表测量模块用于对所述实验样本进行心理量表测评，获得测评结果，并根据心理量表的客观分类标准将测评结果分为若干类贴上对应标签；

所述电子沙盘模块用于通过电子心理沙盘系统获取所述实验样本使用电子心理沙盘的评价数据；

所述分析模块用于根据所述评价数据，得到所述实验样本的沙盘实验结果；

所述构建模块用于基于所述测评结果和所述沙盘实验结果分别构建训练集和验证集；

所述评估模块用于基于所述训练集构建分类模型，将所述验证集输入至所述分类模型中，对待验证的算法模型进行准确率评估，得到高准确率的算法模型作为心理测试模型。

可选的，所述电子沙盘模块的工作流程包括：通过电子心理沙盘软件获取用户制作电子心理沙盘作品时候的制作数据指标、沙具数据指标、沙子使用数据指标和标准问题指标。

可选的，所述评估模块的工作流程包括：对当前所述算法模型进行评估，

当算法模型分类准确率大于等于95％时，封装成为一个固定的算法模型；

当算法模型分类准确率大于等于80％且小于95％时，调整参数，当调整参数无法达到95％时，封装成为一个参数可以调整的开放算法模型，等待更多数据集；

当算法模型分类准确率小于80％时，换另一种模型算法。

与现有技术相比，本申请有益效果为：

与传统的依靠心理分析师来评判沙盘结果的方法相比，本申请通过在严格的心理测试环节下用客观的心理量表完成心理测评，并与心理沙盘测试结果进行对比；通过此办法不断优化算法模型，最终得到一个用于心理测试的高准确率的模型。摆脱了以往心理沙盘测试中，过于依靠心理分析师的情况。

附图说明

为了更清楚地说明本申请的技术方案，下面对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请方法流程示意图；

图2为本申请具体实施操作示意图；

图3为本申请系统结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。

实施例一

如图1所示为本申请实施例中一种基于心理沙盘的心理测试模型构建方法流程示意图，包括以下步骤：

S1.选取采样对象，确定采样方向和采样方法并对采样对象进行采样，得到实验样本。

首先从众多实验对象中选取样本，可以从性别、年龄、职业等方向作为本次模型建立的参考数据。例如：当准备建立一个关于青少年的模型时，需要寻找青少年对象，并且按照分层采样方法，采样总数必须在3000人或以上。

S2.对实验样本进行心理量表测评，获得测评结果，并根据心理量表的客观分类标准将测评结果分为若干类贴上对应标签。

之后令选取的样本人群在严格的心理测试环境下用客观的心理量表完成对应的心理测评；心理量表测评可以使用汉密尔顿焦虑量表或者类似专业性的心理量表。之后根据受测样本的心理量表测试结果，本实施例根据我国量表协作组官方提供的资料对受测样本进行分类设定，本实施例根据分数具体分为以下四类：小于7分，没有焦虑症状；7-14分，可能有焦虑；大于等于14分，肯定有焦虑；总分大于等于29分，严重焦虑。

将所有受测人群的测试结果进行记录，用于后续操作。

S3.通过电子心理沙盘软件获取实验样本使用电子心理沙盘的评价数据。

在所有受测人群完成心理量表测试后，继续让他们在电子心理沙盘游戏上完成电子心理沙盘游戏，并收集受测人群完成电子心理沙盘游戏时的数据结果。其中，电子心理沙盘游戏有标准而统一的指导语和操作指导，保证每个人都能按照相同的流程完成电子心理沙盘游戏。

S4.根据评价数据，得到实验样本的沙盘实验结果。

在收集到受测人群在完成电子心理沙盘游戏时的数据后，从以下几个方面进行评估：制作数据指标、沙具数据指标、沙子使用数据指标和标准问题指标。

S5.基于测评结果和沙盘实验结果分别构建训练集和验证集。

根据S2和S4两个步骤获取的受测人群在心理量表测试和电子沙盘游戏测试的结果，分别构建训练集和验证集，准备一个模型开始进行训练。

S6.基于训练集构建分类模型，将验证集输入至分类模型中，对待验证的算法模型进行准确率评估，得到高准确率的算法模型作为心理测试模型。

先将受测人群通过心理量表测试和电子沙盘游戏得到的两个训练集输入到待训练模型中进行训练，构建一个分类模型；之后再将受测人群通过心理量表测试和电子沙盘游戏得到的两个验证集输入到刚构建的分类模型中，与之前的训练集来进行对比。训练的过程可以采用无监督全自动的训练的方式，计算机根据最后训练的结果变换多种设定好的算法，最终通过评判来确定分类模型是否保留。

标准如下：

当算法模型分类准确率大于等于95％时，封装成为一个固定的算法模型；

当算法模型分类准确率大于等于80％且小于95％时，调整参数，当调整参数无法达到95％时，封装成为一个参数可以调整的开放算法模型，等待更多数据集；

当算法模型分类准确率小于80％时，换另一种模型算法。

最终通过保留的模型得到一组评价分数，便于后续心理分析师进行评判。

通过本申请可以令本领域普通技术人员构建出一个针对某一人群或某一心理特征的基于电子心理沙盘游戏的心理测评模型。

本实施例具体操作流程如图2所示。

实施例二

如图3所示为本申请一种基于心理沙盘的心理测试模型构建系统，包括采样模块、心理量表测量模块、电子沙盘模块、分析模块、构建模块和评估模块。其中，

采样模块用于选取采样对象，确定采样方向和采样方法并对采样对象进行采样，得到实验样本。

工作流程包括：首先从众多实验对象中选取样本，可以从性别、年龄、职业等方向作为本次模型建立的参考数据。

心理量表测量模块用于对实验样本进行心理量表测评并将测评结果，并根据心理量表的客观分类标准将测评结果分为若干类贴上对应标签。例如使用汉密尔顿焦虑量表或者类似专业性的心理量表来收集受测样本的心理量表测试结果，本实施例根据我国量表协作组官方提供的资料对受测样本进行分类设定，根据分数具体分为以下四类：小于7分，没有焦虑症状；7-14分，可能有焦虑；大于等于14分，肯定有焦虑；总分大于等于29分，严重焦虑。

之后心理量表测量模块将所有受测人群的测试结果进行记录，用于后续操作。

电子沙盘模块用于通过电子心理沙盘软件获取实验人群使用电子心理沙盘的评价数据。

在心理量表测量模块收集完受测人群测试结果后，通过电子沙盘模块来收集受测人群完成电子心理沙盘游戏时的数据结果。

分析模块用于根据评价数据，得到实验样本的沙盘实验结果。

在收集到电子沙盘模块的数据后，分析模块从以下几个方面进行评估：制作数据指标、沙具数据指标、沙子使用数据指标和标准问题指标。

构建模块用于基于测评结果和沙盘实验结果分别构建训练集和验证集。

根据心理量表测量模块和电子沙盘模块两个模块获取的受测人群在心理量表测试和电子沙盘游戏测试的结果，分别构建训练集和验证集，准备一个模型开始进行训练。

评估模块用于基于训练集构建分类模型，将验证集输入至分类模型中，对待验证的算法模型进行准确率评估，并保留准确率高的算法模型。

先将受测人群通过心理量表测量模块和电子沙盘模块得到的两个训练集输入到待训练模型中进行训练，构建一个分类模型；之后再将受测人群通过心理量表测试和电子沙盘游戏得到的两个验证集输入到刚构建的分类模型中，与之前的训练集来进行对比。最终通过评估模块来确定分类模型是否保留，标准如下：

当算法模型分类准确率大于等于95％时，封装成为一个固定的算法模型；

当算法模型分类准确率大于等于80％且小于95％时，调整参数，当调整参数无法达到95％时，封装成为一个参数可以调整的开放算法模型，等待更多数据集；

当算法模型分类准确率小于80％时，换另一种模型算法。

实施例三

下面结合本实施例，将具体说明本申请在解决现实问题中的具体应用情况。

本实施例具体训练了一个针对青少年的心理预测模型，选取三千名青少年作为样本进行试验。

首先，先令受测人群进行汉密尔顿心理量表测试，并保证受测环境为严格的心理受测环境。本实施例根据我国量表协作组官方提供的资料对受测样本进行分类设定，根据分数具体分为以下四类：小于7分，没有焦虑症状；7-14分，可能有焦虑；大于等于14分，肯定有焦虑；总分大于等于29分，严重焦虑。本次测试结果为7分以下1913人、7-14分576人、大于等于14分并小于29分379人、大于29分132人。

之后再令受测人群进行电子心理沙盘测试，从以下方面进行评判：制作数据指标、沙具数据指标、沙子使用数据指标和标准问题指标。得出有1879人没有焦虑症状、611人可能有焦虑、368人肯定有焦虑、142人为严重焦虑。将得到的两组数据传输至训练好的模型中进行对比计算得出模型准确率为95.6％，保留本算法模型，并利用本算法模型得出一组数据，用于后续心理分析师进行评判。

以上所述的实施例仅是对本申请优选方式进行的描述，并非对本申请的范围进行限定，在不脱离本申请设计精神的前提下，本领域普通技术人员对本申请的技术方案做出的各种变形和改进，均应落入本申请权利要求书确定的保护范围内。