1. 引言
高职高专学生作为大中专教育的重要群体，其身心健康问题对个人发展和社会稳定都具有重要意义 [1] [2] 。因此，深入分析高职高专学生身心健康的影响因素，并进行风险预测，对于提供科学依据和有效干预策略具有重要意义 [3] [4] 。
根据研究表明，高职高专学生的身心健康问题受到多方面因素的共同影响，包括社会环境、家庭关系、学校环境和个人特征等多个因素 [5] [6] 。这些因素对高职高专学生的身心健康产生不同程度的影响 [7] [8] 。在社会环境方面，社会支持网络、社会经济地位和社会和谐度等因素可能对高职高专学生的身心健康产生重要影响 [9] [10] 。此外，家庭关系对学生的身心健康也有重要影响，包括家庭的和睦与稳定、父母的教养方式、家庭成员的心理健康状况等 [11] [12] 。学校环境同样对高职高专学生的身心健康产生影响，学业压力、同伴关系、学校支持等因素与学生的身心健康密切相关 [13] [14] 。此外，个体特征如性别、年龄、性格特点等也可能对身心健康产生影响 [15] [16] 。为了深入研究高职高专学生身心健康的影响因素和风险预测，国内外学者开展了大量研究 [17] [18] 。这些研究通过多种研究方法和数据收集手段，致力于全面把握高职高专学生身心健康问题的复杂性，并为干预提供科学依据 [19] [20] 。统计学和数据挖掘技术被广泛应用于数据分析，通过分析数据中的关联性和模式，揭示影响因素之间的互动关系，并建立预测模型来评估高职高专学生的健康风险水平 [21] [22] 。
然而，尽管已经取得了一定的研究进展，但对于高职高专学生身心健康问题的研究仍存在一些不足 [23] 。首先，现有研究多侧重于单一因素的影响，缺乏综合分析 [24] 。其次，对于影响因素之间的互动作用的研究还较少，需要进一步探索 [25] 。另外，虽然已有风险预测模型的建立，但在实际应用中仍需进一步验证和完善 [26] 。
基于以上背景，本文旨在分析影响高职高专学生身心健康的因素，在前期聚类分析的基础上，运用风险预测模型进行评估和干预建议 [27] [28] 。通过综合考虑社会环境、家庭关系、学校环境和个人特征等多个层面的因素，全面把握高职高专学生身心健康问题的复杂性 [29] [30] [31] 。研究结果将为高职高专学生身心健康问题的理论研究、为身心健康影响的数据分析和实践干预提供有益的参考和指导。
2. 影响因素分析
2.1. 社会环境的影响
社会环境是影响高职高专学生身心健康的重要因素之一。研究表明，社会支持网络、社会经济地位等因素对高职高专学生的身心健康产生深远影响 [32] [33] 。
首先，社会支持网络对于高职高专学生的身心健康具有积极作用。研究发现，拥有良好的社会支持网络能够增强高职高专学生的心理抗压能力，有效减少心理健康问题的发生。这个网络可以来自家人、朋友、同学以及其他社会资源，他们可以为我们提供情感支持和实际帮助，帮助我们度过难关。通过问卷调查和定性研究方法，我们可以深入了解高职高专学生在社会支持方面的情况，包括他们与家人和朋友之间的互动、获得社会支持的渠道以及社交网络的结构和稳定性。其次，社会经济地位也是影响高职高专学生身心健康的重要因素之一。研究发现，处于较低社会经济地位的高职高专学生更容易出现心理健康问题。社会经济地位可以影响学生的资源获取、生活条件和社会认同感，从而对他们的身心健康产生影响。了解高职高专学生的社会经济地位状况，包括家庭收入、父母的职业和教育水平等，有助于我们揭示社会经济地位与身心健康之间的关系。
在社会环境中，社会和谐度是一个重要的因素，可能对高职高专学生的身心健康产生影响。社会和谐度指的是社会成员之间的和睦相处、合作与互助程度。一个社会的和谐度高，意味着社会成员之间存在良好的互动关系、相互支持和合作，这对于学生的身心健康有着积极的影响。
2.2. 家庭关系的影响
家庭关系是影响高职高专学生身心健康的另一个重要因素。家庭的和睦与稳定、父母的教养方式以及家庭成员的心理健康状况等都对高职高专学生的身心健康起着重要作用。
首先，家庭的和睦与稳定对高职高专学生的身心健康具有积极影响。一个温馨和睦的家庭环境能够提供给学生安全感和支持，有助于他们建立积极的自我认同和情感发展 [34] 。相反，家庭冲突和不和谐的关系可能给学生带来压力和困扰，增加心理健康问题的发生风险。因此，了解高职高专学生的家庭环境和家庭关系质量，包括家庭成员之间的互动、沟通方式以及家庭氛围的稳定性，对于揭示家庭关系对身心健康的影响机制具有重要意义。
其次，父母的教养方式也对高职高专学生的身心健康产生重要影响。父母的教养方式包括温情支持、严厉监管、参与决策等方面。研究表明，父母温情支持和积极参与对学生的心理健康和自我发展具有正向影响，而过度的严厉监管可能导致学生的焦虑和抑郁情绪增加 [35] 。因此，了解高职高专学生父母的教养方式及其与学生身心健康之间的关系，有助于指导父母教养方式的改善和提供相应的家庭干预措施。
此外，家庭成员的心理健康状况也会对高职高专学生产生影响。家庭成员的心理健康问题，如父母的抑郁症、焦虑症等，可能对学生的心理状态和心理健康产生负面影响。研究发现，家庭成员的心理健康状况与高职高专学生的心理健康问题之间存在关联 [36] 。了解家庭成员的心理健康状况，对于识别潜在的家庭风险因素和制定干预策略具有重要意义。
2.3. 学校环境的影响
学校环境是影响高职高专学生身心健康的重要因素之一。学业压力、同伴关系、学校支持等因素与学生的身心健康密切相关。
首先，学业压力是高职高专学生常面临的重要问题。高职高专学生通常承受着较大的学业负担，包括学习任务的增加、考试压力的增加等。过高的学业压力可能导致学生的焦虑、抑郁等心理健康问题 [37] 。因此，了解高职高专学生在学校中的学业压力水平，以及学业压力与身心健康之间的关系，对于制定相应的学校干预措施具有重要意义。
其次，同伴关系也是学校环境对高职高专学生身心健康的重要影响因素。高职高专学生在学校中与同学们建立了密切的社交关系，同伴间的互动与支持对于学生的身心健康发展具有重要作用。良好的同伴关系可以提供情感支持、减轻孤独感，并有助于建立自信和自尊 [38] 。然而，学校环境中存在的同伴欺凌、排斥等问题可能对学生产生负面影响，增加学生的心理健康问题发生的风险。因此，研究学校同伴关系的质量及其与学生身心健康之间的关系，有助于制定促进健康同伴关系的干预措施。
此外，学校的支持对高职高专学生的身心健康起着重要作用。学校支持包括教师的关怀和支持、学校资源的提供等方面。研究表明，学校支持与学生的心理健康状况呈正相关，学校支持水平越高，学生的心理健康问题越少 [39] 。因此，关注学校的支持体系，加强教师与学生的关系、提供学生支持服务等，对于改善学校环境，促进高职高专学生身心健康具有重要意义。
2.4. 虚拟网络的影响
虚拟网络社会对高职高专学生的身心健康产生了显著的影响。虚拟网络社会是指通过互联网和社交媒体平台等在线空间进行交流、互动和社交的一种虚拟社会形态。它已成为现代社会的重要组成部分，对学生的身心健康产生了以下影响：
1) 社交关系的扩展和变革：虚拟网络社会为学生提供了更广泛的社交圈和社交机会。他们可以通过社交媒体平台与远隔地区的朋友、同学和同行交流互动。这种社交网络的扩展可以带来积极的影响，如增强社交支持、提升自尊心和归属感。然而，过度沉浸在虚拟网络社会中，可能导致面对面社交的减少，孤立感的增加以及与现实生活社交的质量下降。
2) 心理健康的挑战：虚拟网络社会中存在一些潜在的心理健康问题。学生可能面临着社交媒体上的焦虑和压力，如追求完美的自我形象、社交比较和社交排斥等。同时，虚拟网络社会也容易导致信息过载、沉迷网络和虚拟欺凌等问题，给学生的心理健康带来负面影响。
3) 健康行为的影响：虚拟网络社会对学生的健康行为产生影响。学生可能花费过多时间在虚拟网络社会中，导致缺乏体育锻炼、不良的饮食习惯和睡眠不足等问题。此外，虚拟网络社会也容易传播不良的健康信息和不健康的行为模式，对学生的健康产生负面影响。
通过加强教育、培养社交技能、促进健康行为和提供心理支持，可以帮助学生更好地应对虚拟网络社会的挑战，维护其身心健康。同时，学校、家庭和社会的共同努力也是必不可少的，以确保虚拟网络社会对学生的积极影响最大化，负面影响最小化。
2.5. 个人特征的影响
个人特征是影响高职高专学生身心健康的重要因素之一。性别、年龄、性格特点等个人特征可能对学生的身心健康产生影响，进而对其发展和适应能力产生影响。
首先，性别在高职高专学生身心健康方面扮演着重要角色。研究表明，男性和女性在身心健康问题上存在一定的差异。例如，女性学生更容易受到情绪问题的困扰，如焦虑和抑郁，而男性学生更容易表现出行为问题，如攻击性行为等 [40] 。了解性别对高职高专学生身心健康的影响，有助于针对性地制定性别差异化的干预措施，提供个性化的支持和帮助。
其次，年龄是个人特征中的重要因素之一。不同年龄段的高职高专学生面临着不同的身心发展任务和压力。例如，青春期是个体身心发展的重要阶段，青春期的高职高专学生可能面临身体、情绪和社会适应方面的挑战 [41] 。因此，了解不同年龄段学生的身心健康需求，为不同年龄段学生提供相应的支持和指导，具有重要意义。
此外，个人性格特点也可能对高职高专学生的身心健康产生影响。个体的性格特点包括外向性、内向性、情绪稳定性等，这些特点可能与学生的心理健康状态密切相关。例如，情绪稳定性较高的学生可能更具有抗压能力，而外向性较高的学生可能更善于与他人建立良好的社交关系 [42] 。因此，通过研究个人性格特点与身心健康之间的关系，可以更好地了解学生的个体差异，并为个性化的干预提供依据 [43] [44] [45] 。
下面为表1文献梳理得到的影响因素表。
Table 1. Table of influencing factors
表1. 影响因素表
社会环境、家庭关系、学校环境和个人特征等因素在高职高专学生身心健康问题中的相互关系和作用机制是相互交织且互为影响的。
首先，社会环境作为外部因素，包括经济状况、文化背景以及科技发展等，可能影响学生的价值观、生活方式以及对心理健康的认知和期待。例如，社会经济地位较低的学生可能会承受更大的压力，从而影响其心理健康。其次，家庭关系对学生的心理健康具有显著影响。比如家庭环境的稳定性、家庭经济状况、父母的教育方式以及亲子关系的质量等都可能对高职高专学生的心理健康产生影响。此外，学校环境也是影响学生身心健康的重要因素。这包括学校的教育资源、师生关系、同伴关系以及学校应对学生心理健康问题的能力等。教育部倡导的协同育人机制强调了学校、家庭和社会要共同参与，以促进学生的全面发展。最后，个人特征如人格特质、应对能力以及自我认知水平等，也会影响学生对压力的应对方式和身心健康状况。
这些因素之间存在密切的相互作用和影响。例如，一个稳定和支持性的家庭环境可能有助于缓解社会环境带来的压力；而良好的学校环境和积极的个人特征则可以提供有效的心理支持和应对策略，帮助学生更好地应对各种压力源。因此，为了解决高职高专学生的身心健康问题，需要综合考虑这些因素，并采取相应的干预措施来改善他们的生活环境和个人心理素质。
3. 风险预测模型的建立
通过因素分析，建立一个适当的身心健康风险预测模型，以帮助评估高职高专学生的身心健康状况，并提供相应的干预措施和建议。该模型的输入是一系列影响因素，包括社会环境、家庭关系、学校环境、虚拟网络、个人特征等。这些影响因素将被量化并用作预测学生身心健康风险的基础。
首先，收集大量的数据，涵盖了高职高专学生的相关信息。这些数据可以包括学生的社交活动、家庭背景、学业成绩、社交媒体使用情况、心理健康指标等等。
接下来，进行数据预处理和特征工程。这包括数据清洗、缺失值处理、特征选择和变换等步骤，以确保数据的质量和可用性。
然后，使用机器学习算法来训练预测模型。常见的算法包括逻辑回归、支持向量机、随机森林等。使用历史数据进行模型训练，并进行交叉验证以评估模型的性能。在模型训练完成后，使用该模型来预测学生的身心健康风险水平。通过将学生的影响因素输入模型，得到一个风险评分或概率，表示学生可能面临的身心健康风险程度。
根据预测结果，为学生提供针对性的干预措施和建议。这些干预措施可以包括心理咨询、社会支持、适应性培训、生活方式改变等，旨在帮助学生更好地应对风险并改善身心健康状况。同时，该模型还可以与数据库或其他信息资源进行连接，以获取更多的建议和对策。例如，可以根据学生的特定风险类型，从数据库中检索相关研究、专家意见或干预方案，以提供更个性化和有效的建议。
4. 案例分析
使用了一个基于神经网络的深度学习模型来构建高职高专学生身心健康的风险预测模型。在文献资料调研、挖掘确定调优影响因素的基础上，对几个具有行业代表性的高职院校的大学一年级新生采用文献资料、问卷调查收集了大量的数据，包括社会环境、家庭关系、学校环境、个人特征和身心健康指标等方面的信息。
在模型的训练过程中，将数据集分为训练集和测试集，利用训练集对神经网络模型进行了训练，并进行了多次迭代优化。最终，在测试集上进行了评估。
模型的目标是预测高职高专学生是否存在心理健康问题，输出结果为二分类(存在问题/不存在问题)。我们使用准确率(accuracy)、精确率(precision)、召回率(recall)和F1值(F1-score)作为评估指标。
经过模型的训练和评估，得到了以下结果(表2)：
Table 2. Training and evaluation results table
表2. 训练和评估效果表
这些指标表明模型在对高职高专学生的心理健康问题进行预测方面具有较好的性能。准确率达到了85%，说明模型能够准确地分类大部分样本。精确率为82%，表示在预测为存在心理健康问题的学生中，有82%的预测是正确的。召回率为88%，说明模型能够较好地识别出存在心理健康问题的学生。F1值为85%，综合了精确率和召回率，可以较好地评估模型的综合性能。
基于这些结果，可以将模型应用于实际场景中。通过输入高职高专学生的相关特征信息，模型可以给出对其心理健康问题的预测结果。对于被预测为存在心理健康问题的学生，可以及早采取针对性的干预措施，例如提供心理咨询、组织心理教育活动等，以帮助他们改善身心健康。而对于被预测为不存在心理健康问题的学生，可以给予正面的鼓励和支持，促进他们的积极发展。在上述案例中，使用了一份包含1000名高职高专学生的数据集进行模型构建和评估。数据集中的样本包括了社会环境、家庭关系、学校环境、个人特征和身心健康指标等方面的信息(图1)。
Figure 1. Basic statistical information table of the dataset
图1. 数据集的基本统计信息表
这些基础数据提供了对高职高专学生样本的整体情况的了解。通过对这些数据进行进一步的分析和挖掘，结合模型的预测结果，可以更好地理解不同因素对学生身心健康的影响，并制定更有针对性的干预策略。同时，还可以通过与其他学校或群体的数据进行比较，进一步探索不同背景和特征的学生在身心健康方面的差异。
根据附录1提供的训练结果，可以观察到随着训练的进行，均方误差(Mean Squared Error)逐渐减小。这表明模型在学习过程中逐渐接近目标值。在初始阶段(Epoch 0)，均方误差为0.2679，随着训练的进行，误差逐渐减小。经过100次训练迭代(Epoch 100)，均方误差减小到0.0657。随后，每经过100次训练迭代，均方误差进一步减小，直到达到Epoch 900时，均方误差为0.0019。这些结果表明神经网络模型在训练过程中逐渐学习到输入和目标之间的关系，并逐渐减小预测误差，接近目标值。
这个案例表明，利用风险预测模型可以辅助学校和相关机构对高职高专学生的身心健康问题进行早期识别和干预，提供个性化的支持和关注，从而更好地促进学生的健康发展。然而，模型的应用还需要进一步的验证和实践，以不断改进和完善预测准确性和实用性。
5. 讨论与建议
对高职高专学生身心健康问题的影响因素进行了综合分析，并建立了风险预测模型，为个性化干预提供了科学依据(表3)。然而，仍存在一些挑战和限制，例如样本选择的代表性、数据收集的难度等。未来的研究可以进一步深化对影响因素的理解，并拓展研究方法，以提高风险预测的准确性和干预的有效性。
Table 3. Intervention recommendations
表3. 干预建议表
总之，对于高职高专学生身心健康问题的研究和干预仍然具有重要的意义。通过深入研究影响因素、拓展研究方法、提高预测准确性和干预有效性，并充分利用智能技术，可以为学生的身心健康提供更加科学和个性化的支持，促进他们的全面发展和健康成长。
6. 结论与展望
高职高专学生身心健康问题受到多个因素的综合影响，包括社会环境、家庭关系、学校环境、虚拟网络和个人特征等。通过综合分析这些影响因素，并建立风险预测模型，可以为高职高专学生身心健康问题的干预提供科学依据。这将有助于改善学生的身心健康状况，促进他们的全面发展。深化对影响因素的理解、拓展研究方法、提高风险预测的准确性、提高风险预测的精度和稳定性。同时，可以探索不同群体之间的差异性，开展针对不同学生群体的个性化风险预测研究。通过实施干预方案并进行实证研究，评估干预措施的效果，并根据评估结果优化干预策略，以提高干预的有效性和可持续性。
基金项目
上海学校德育创新发展专项研究项目(项目编号：2023-dycx-218)阶段性成果。
附录1 研究方法
为了确保研究的科学性和可信度，采用以下方法进行数据收集、样本选取和变量测量
1) 数据收集方式。问卷调查：设计一份针对高职高专学生身心健康问题的问卷，包括身心健康状况、社会环境、家庭关系、学校环境和个人特征等方面的问题。可以使用量表或自报式问题来收集数据。查阅相关文献，了解已有研究成果和理论框架，为研究提供理论基础和参考依据。
2) 样本选取。从目标人群中随机选择一定数量的样本，以保证样本的代表性和可比性。可以根据不同地区、不同专业等因素进行分层抽样，以增加样本的多样性。确定样本大小：根据研究目的和资源限制，确定合适的样本大小。可以使用统计学方法计算所需的样本量，以确保结果的可靠性和稳定性。
3) 变量测量。身心健康状况：使用已经验证过的身心健康量表，如自我评估健康问卷、抑郁症状自评量表等，对学生的身心健康状况进行测量。社会环境：通过设计相关问题，了解学生对社会环境的感知和评价，如社会经济地位、社交支持等。家庭关系：使用家庭功能评估工具等，对学生的家庭关系进行测量，包括家庭功能、亲子关系等。学校环境：通过设计相关问题，了解学生对学校环境的感知和评价，如师生关系、同伴关系等。个人特征：使用人格特质量表(如五因素人格问卷)等，对学生的个人特征进行测量，如外向性、神经质等。
4) 数据分析。描述性统计分析，对收集到的数据进行整理和描述，包括样本特征、身心健康状况等方面的信息。相关性分析：使用统计软件(如SPSS)进行相关性分析，探究不同因素之间的相关程度。
附录2 训练代码
importnumpy as np
# 影响因素
factors = ['社会环境', '家庭关系', '学校环境', '个人特征']
# 输入层神经元数量
input_nodes = len(factors)
# 隐藏层神经元数量（与输入层相同）
hidden_nodes = input_nodes
# 输出层神经元数量
output_nodes = 1
# 初始化链接权重
weights_input_hidden = np.random.uniform(-0.5, 0.5, (input_nodes, hidden_nodes))
weights_hidden_output = np.random.uniform(-0.5, 0.5, (hidden_nodes, output_nodes))
# 定义训练函数
def train(inputs, targets, learning_rate, epochs):
globalweights_input_hidden, weights_hidden_output
for epoch in range(epochs):
# 前向传播
hidden_inputs = np.dot(inputs, weights_input_hidden)
hidden_outputs = sigmoid(hidden_inputs)
final_inputs = np.dot(hidden_outputs, weights_hidden_output)
final_outputs = sigmoid(final_inputs)
# 计算误差
output_errors = targets - final_outputs
hidden_errors = np.dot(output_errors, weights_hidden_output.T)
# 反向传播更新权重
output_grad = sigmoid_derivative(final_outputs) * output_errors
hidden_grad = sigmoid_derivative(hidden_outputs) * hidden_errors
weights_hidden_output += learning_rate * np.dot(hidden_outputs.T, output_grad)
weights_input_hidden += learning_rate * np.dot(inputs.T, hidden_grad)
# 每100轮输出一次训练误差
if epoch % 100 == 0:
mean_squared_error = np.mean(output_errors ** 2)
print(fEpoch: {epoch}, Mean Squared Error: {mean_squared_error})
# 定义 sigmoid 函数及其导数
def sigmoid(x):
return 1 / (1 + np.exp(-x))
defsigmoid_derivative(x):
return x * (1 - x)
# 训练数据
inputs = np.array([[0.8, 0.6, 0.7, 0.5]])# 输入数据，假设为 1 个样本
targets = np.array([[1]])# 目标数据，假设为 1 个样本
learning_rate = 0.1# 学习率
epochs = 1000# 训练迭代次数
# 使用训练函数进行训练
train(inputs, targets, learning_rate, epochs)
运行结果：
Epoch: 0, Mean Squared Error: 0.267948993242913
Epoch: 100, Mean Squared Error: 0.06572920445677712
Epoch: 200, Mean Squared Error: 0.022257308651100784
Epoch: 300, Mean Squared Error: 0.011007806904610458
Epoch: 400, Mean Squared Error: 0.006767538564852912
Epoch: 500, Mean Squared Error: 0.004710973544681817
Epoch: 600, Mean Squared Error: 0.003542226710694807
Epoch: 700, Mean Squared Error: 0.0028044640221753757
Epoch: 800, Mean Squared Error: 0.002303177089449785
Epoch: 900, Mean Squared Error: 0.0019436515262555253
NOTES
*通讯作者。