抑郁症以显著而持久的心境低落为主要症状，严重影响患者工作生活，严重时可导致自杀。大学生抑郁症的发生原因主要包括: 不健康的心理品质、人际关系敏感、心理负担过重、思虑过度、留守经历、负性生活事件等。另外，网络精神依赖和沉重的学业压力和日益增大的就业压力也是重要发病因素，且中国传统文化抑制了个人的个性发展，学生的负面情绪无法得到宣泄，从而引起学生抑郁心理的产生[1-3]。大学生自杀事件的发生原因极其复杂，是个人因素、家庭情况、社会因素等内外各种因素交互作用的结果[4]。世界卫生组织报告指出，全球抑郁症患者已达3.22亿人，2005—2015年患者数量增加了18.4%，发病风险最高的3个群体为年轻人群、孕妇/产后妇女及老年人，每年可导致超过1万亿美元的经济损失。2016年，自杀是15～29岁年龄组人群的第2大死亡原因[5]。中国大学生抑郁症状的检出率为23.8%，而抑郁症是大学生自杀的首要原因[6]。研究发现，中国大陆大学生自杀计划检出率男生为5.4%，女生为4.2%[7]。有自杀意念的学生占到16.39%，其中15.82%的学生只是偶尔这么想，而剩下0.57%的学生却经常考虑自杀[8]。
随着国内高校学生心理问题的日益严重，大学生心理健康教育引起人们的广泛关注。既往研究主要集中在高校心理健康工作者和相关研究人员通过心理量表对学生进行心理普查并建立心理档案，对有临床症状的学生进行初步筛查[9]。这种筛查方式存在滞后性、被动性和受限性等缺点。随着新媒体、大数据以及人工智能等技术的发展，解决传统筛查方法不足并促使大学生抑郁症从筛查到预警成为可能。
1 传统方法
目前来说，常用于大学生抑郁症筛查的量表包括由美国国立精神卫生研究所于1977年编制的流调用抑郁自评量表(CES-D)，由Zung编制于1965年的抑郁自评量表(SDS)和汉密顿(Hamilton)于1960年编制的汉密顿抑郁量表(HAMD)[10]。这些量表主要针对的是普遍的抑郁症患者，而对于大学生这一特殊群体来说，使用以上量表进行抑郁症筛查无论是灵敏度还是特异度都会受到一定的影响。赵静波等[11]在前期研究基础上结合我国大学生抑郁症的特点,构建了大学生抑郁评定量表正式版，并用正式版量表在全国范围内选择调查对象,进行实际应用研究,得出我国大学生抑郁症的发生率和影响因素,并制定了常模。该量表是以我国大学生为样本的第1个专门评定大学生抑郁的测量工具,能够更准确有效地解决我国大学生抑郁症的筛查问题,为早期识别大学生抑郁症提供了有效的工具。但在大学生抑郁症筛查相关的研究中，也不乏根据研究的设计和当地大学生的情况选择其他量表开展项目的例子，如陈丹[12]运用病人健康问卷-抑郁量表(PHQ-9)对1427名高校大学生进行抑郁症的筛查,结果共有153(12.60%)名检出明显抑郁情绪，且该量表在我国大学生人群中具有良好的信度与效度。以上量表条目数都较多，实施起来有诸多不便。Bruce等[13]发现口头提问两项筛查抑郁症的问题即“在过去1个月中，你在做事时，是否经常被情绪低落、抑郁或无望而困扰；以及在过去1个月中，你在做事时，是否因一点小的利益或欲望而困扰”能检出全科诊所中的多数抑郁症病例，且具有较满意的灵敏度和特异度，这给大学生抑郁症筛查工作提供了一个简洁省时的方法。
2 传统方法的延伸——微信、微博、App等新媒体
如今二维码深入大众生活，将抑郁测评量表与二维码相结合是一种方便有效的筛查方式。周晶晶等[14]在北京市5所高校内利用PHQ-9、广泛性焦虑量表(GAD-7)及抑郁症觉察缺陷问卷(PDQ-D)的5条目量表通过扫描二维码的方式进行线上评估，发现大学生人群抑郁症筛查阳性率较高，需定期开展健康宣教及抑郁症筛查，以期早发现及干预。当今部分大学生在微博平台上晒生活、晒心情，通过对微博收集的相关数据进行处理和分析，可以给高校心理工作者提供抑郁症筛查的新途径。如张金伟等[15]针对微博文本的特点提出了一种基于性格、心情和情感空间的多层次心理预警模型。该方法有效地实现了对微博情感的分析和描述及对观察对象心理状况的可视化分析和及时预警。国内外也有多款App可以借鉴被运用在大学生抑郁症的筛查中，如PsycApps可以帮助用户发现自己或关爱的人是否患有抑郁症，并且实施个体化的支持和治疗，包括如何帮助自己或他人以及如何快速获得专业的帮助等，这不仅实现了抑郁症的筛查，也进行了相应的治疗和支持，且App应用方便和个体化，值得推广。Eichstaedt等[16]以已经确诊的抑郁症患者的电子病历为基础，利用确诊日期以前Facebook帖子的文本内容、帖子长度、发布频率、时间发布模式和人口统计数据(材料和方法)建模，发现该模型可以相当准确地识别抑郁症患者，且与以医疗记录为基准的筛查的准确性大致相符。这些都充分地说明利用新媒体上的数据对大学生抑郁症进行实时筛查是可行且准确的，且来自微信、微博、App和Facebook等新媒体的数据与大数据及人工智能的结合将进一步提高筛查的性能。
3 从筛查到预警——大数据预警系统
大数据应用通常包含一系列复杂的组件: 数据的提取、收集、清理和转换、存储和管理、分析、索引和搜索，以及可视化。在大数据融入心理学领域之前，对情绪、认知和行为的可靠测量主要依靠临床医生的观察和自我评估的心理测试，这种方法具有费时费力、缺乏实时性和可靠性、所收集的数据质和量都不高等缺点[17]。现代计算机科学技术可以自动收集、传输和分析适当的数据，减轻了参与者和研究人员的负担。就大学生群体来说，一卡通、互联网、手机等移动终端、学校的各种传感器数据等都可以作为数据的来源，数据的获取趋向于多元、完整和精确。这些数据被传输到中央数据存储库，通过数据挖掘和机器学习等技术对数据进行处理和分析。经过以上过程得到的结果可被运用于大学生抑郁症的筛查中，从而解决了传统方法存在的不足，变筛查为预警，具有很好的发展前景。但需要把大数据研究的伦理问题与数据隐私问题放在中心位置，才能保证大数据预警系统的可持续发展。
3.1 理论研究
我国学者梁娟等[9]提出“大数据时代背景下大学生心理预警系统”的概念，旨在充分利用大数据能够对相关行为进行预测的特点，通过对大学生的日常行为进行实时跟踪与分析，一旦发现异常的行为可以立刻将相关信息通过短信，或者网络平台推送到相关的部门和个人，继而进行及时干预。在上述概念的指引下，有关学者提出的在大数据背景下基于“用户画像”的抑郁症阅读疗法新模式的方案便于准确把握诊断、治疗时机，使患者在无意识状态下接受阅读治疗，具有较高的社会价值和重要的现实意义[18]。梁娟等[9]认为，大数据构建大学生心理预警系统的建设思路包括心理预警系统的顶层设计、心理预警系统的信息收集机制、心理预警系统的信息分析评估机制(心理专家知识元支撑库)、心理预警系统的反应机制和容易被忽视的心理预警系统的保密机制等5个方面。这个观点被国内很多专家所认同，但国内外相关研究仅仅停留在理论阶段，实践研究很少。
3.2 实践研究
对于大数据心理预警系统的建立最为关键的是信息分析评估机制的解决，到目前为止研究人员为了解决这一问题要么试图发现迄今未知的趋势和模式，要么研究已知实体的新特性。对于前者来说，国内在实践中走在前列的有杨秀岩等[19]以大样本调研数据为基础，应用人工智能中的神经网络方法构建针对大学生和企业员工两个人群的抑郁症早期筛查模型并分别获得了较高的符合率，这是大数据和人工智能如神经网络方法结合的良好案例，是对信息分析评估机制新的探索。而对于后者来说，在累积大量数据的基础上，梁娟等[20]发现运用大数据技术的数据挖掘方法中相对提升度的剪枝方法对找到大学生的人格特征、心理健康数据和成绩等数据相互之间的关联规则具有有效性和实用性，可为心理预警系统的信息分析评估机制提供指导。以上研究提示了大数据心理预警系统在高校中普遍和深入开展的潜能，但国内高校到目前为止只有广东外国语大学率先在整体性、层次性、关联性及动态性系统论的原则下，结合移动互联网和大数据技术建立大学生心理危机预防体系并付诸实施[21]，为国内其他高校敞开了大数据与大学生抑郁症筛查相结合的大门。国内对大学生大数据心理预警系统的研究较多，但多集中在以大学生心理预警系统的建设思路为核心的定性理论研究，定量和建模的实践研究很少。且理论研究中如何实现每一步包括最为关键的信息分析评估机制的解决均缺乏具体、有效和可操作的指导。国外对大学生的大数据心理预警系统的关注较少，可能是地域文化差异的原因。Zhou等[22]使用英国生物银行数据库中9914名受试者的影像学、临床、表型特征和问卷数据，通过大数据算法中的无监督机器学习方法建模确定了预测抑郁症或其他精神疾病的存在和发展的决定性规则并证明了算法和模型的一致性和有效性，有效率达到70%～80%，提示建立包括相关评价指标的大学生抑郁症筛查数据库，可以为筛查、干预和研究提供方便。而Block等[23]利用媒体行为与影响研究(MBIS)数据库中19776名受试者的数据进行分析，发现倾向于使用更多媒体如互联网、电视及社交媒体的人往往也更抑郁，同样提示了数据库的建立以及利用其中的数据进行分析可以对数据库中的报告结果进行独立的验证、重现和扩展，也表明在互联网化的当今社会，可以重点关注社交媒体使用情况，将其列入大学生抑郁症筛查的评价指标中，和其他相关指标一起，为信息分析评估提供方便，从而为大学生大数据心理预警系统的建立提供基础。综上所述，虽然国内外大学生心理预警系统付诸实践并成功的案例较少，但可借鉴的相关实践研究成果说明，将多元、精确和动态的并与心理状态相关的各类信息汇集并建立抑郁筛查数据库，可为数据的分析评估提供方便，而心理预警系统分析评估机制的解决可以从数据挖掘或机器学习等大数据技术入手，甚至结合人工智能技术，更好地实现数据的分析利用并建模，从而尽早发现高危人群，实施心理援助，为高校心理健康工作提供新的思路，实现大学生抑郁预警的目的，具有很好的发展前景。但针对大学生这一特殊群体的大数据心理预警系统的实践还需要从信息分析评估机制和保密机制深入开展。
4 从筛查到预警——人工智能
人工智能的定义目前还没有国际统一的标准。国外的学者认为人工智能通常指的是模拟人类智能所支持的过程的计算技术，例如推理、深度学习、适应、交互和感官理解。在一项关于健康与医学人工智能研究的全球演化的文献计量学研究中，Tran等[24]提供了1997—2018年人工智能在健康和医学领域研究的全球和历史图景。其中抑郁症作为负担等级排名第20位的疾病，其临床治疗、预测和诊断各方面在机器人学、机器学习、人工神经网络、人工智能、自然语言处理等人工智能技术运用的文献报道，其中Web of Science数据库中关于预测的文章就有178篇之多，足以看出人工智能在大学生抑郁症筛查中的潜能；而另一篇文章通过探索性因子分析指出人工智能在抑郁症中的应用研究最充分的是利用机器学习预测临床特征，占出版物的60%以上。但是在保密和隐私问题的干预措施方面的研究还很有限，是今后需要加强研究的方向[24-25]。另外，虽然目前国内外将人工智能技术运用在抑郁症筛查的实例层出不穷，但存在样本量较少且缺乏系统的理论指导等问题，而针对大学生这一特殊群体的抑郁筛查的实践研究较缺乏，也不乏将二者结合并实施救援的卓有成效的案例，怎样最大限度地将人工智能技术的优点运用在大学生群体的抑郁筛查中并变筛查为预警是具有创新性和挑战性的研究。
4.1 国外研究现状
人工智能在医学领域的深度融合已成为未来医疗发展的大趋势。2016年，美国麻省理工学院的研究人员开发出一种神经网络模型，能够以较高准确度对个人患有认知功能障碍的可能性做出预测。研发团队称该模型能够通过访谈方式对文本及音频数据进行解析，从而发现预示压抑情绪的表达模式。在给定新主题情况下可预测相关个体是否存在抑郁情绪，结合文字和音频的多模态模型获得了最高的性能，达到0.83的召回率[26]。该预测系统模型可用于在校大学生自查心理精神状况，为学生提供知识帮助，或在必要时作为学生向专业咨询机构或医疗机构寻求帮助的便捷渠道。研究提出了相似的一类构建在深度神经网络上的神经阅读理解模型，该模型比基于特征的手工传统模型在学习丰富的语言现象方面更加有效，如果该模型被运用在监控活动的移动应用程序，社交平台和数字个人助理如Siri、谷歌助手等将会使得人工智能真正“智能化”地理解人类文本等信息，从而更精确地识别出抑郁症高危人群[27]。斯坦福大学AI100即“人工智能百年研究”报告中指出一款能监测易受心理健康问题影响者的App(Lifegraph)的开发者声称，该软件可以在住院患者入院前1个月检测出他的精神健康状况——没有一个社会护理工作者拥有这样的技能[28]，这些都是国外走在前端的人工智能在抑郁症预警中运用的范例。这些方法都可以借鉴到大学生抑郁症的筛查中，变筛查为预警，具有良好的发展前景。
4.2 国内研究现状
国内有关人工智能运用在抑郁症筛查中的研究较少，特别是人工智能技术的开发和创新较国外的发展滞后，但针对大学生这一特殊群体的实践研究有探索性的尝试并取得了很好的效果。其中比较突出的与国外研究相似且与大数据相结合的案例是杨秀岩等[19]以大样本调研数据为基础，应用神经网络方法构建抑郁症早期筛查模型。神经网络属于人工智能的一个分支，人工神经网络系统主要工作原理是通过工程技术手段模拟人体脑部神经结构和功能特征。他们收集高校学生和企业员工两个人群的一般人口学资料、病史和量表等数据形成神经网络训练和测试样本，筛选与抑郁症发病密切相关的背景因素，将其作为神经网络的输入变量，将抑郁自评量表评分作为输出变量，分析其临床应用的可行性，发现神经网络模型对两个人群的量表评分的预测符合率分别为76.03%和73.93%[19]，说明其应用于高校学生和企业员工两个人群的抑郁症早期筛查具有较大潜力，值得深入研究。另外，Jiang等[29]在前人研究的基础上，利用普通话的韵律、频谱等特征，提出了一种用于言语抑郁检测的综合逻辑回归模型并进行了试验，结果表明该方法的准确率为女性75.00%、男性81.82%，且具有较高的灵敏度和特异度。这提示人工智能在抑郁症筛查中的运用还可以基于中国特有的对普通话即声音信息等方面的综合分析，和国外结合文字和音频的多模态模型预测相关个体是否存在抑郁情绪的研究不谋而合，这其中的数据来源和所运用的人工智能中的集成逻辑回归模型和神经网络方法都可以借鉴到大学生抑郁症的早期筛查中。通过人工智能方法动态监测，实时预警，确定抑郁的高危人群，进而实施救援。国内较成功地运用人工智能进行抑郁症的筛查并实施救援行动的例子是荷兰阿姆斯特丹自由大学人工智能系终身教授与首都医科大学大脑保护高精尖中心抑郁症人工智能创新团队首席科学家黄智生在与首都医科大学附属北京安定医院密切的科研合作中发起的“树洞行动救援团”项目，其目标是借助一个智能主体(又称机器人)巡视各种社交媒体，使用其核心的知识图谱技术(又称语义技术)，发现高风险的有自杀倾向的人群，然后组织人力实施救援。在机器人的帮助下，“树洞行动救援团”在2018年7—12月，对具有高自杀风险的300多名抑郁症患者给予了关注，对其中超过139人次实施了有效救助，其中不乏因为感情或学习等问题患上抑郁症而获得救援的大学生。这表明运用人工智能技术对大学生社交媒体数据进行实时监测并在发现问题时采取行动是可行且高效的，很可能会降低抑郁症及其导致的自杀等不良结果的发生率。
5 结 语
基于心理量表的传统筛查方法对大学生抑郁症的筛查存在滞后性、被动性和受限性等缺点。随着科学技术的发展，通过微博、微信、App等新媒体方法与心理量表结合进行筛查是传统方法的延伸，也是预警模型的数据来源，同时衍生出的人工智能技术和大数据技术进一步解决传统方法存在的问题，也使得对于大学生抑郁症从筛查到预警成为可能。由此大学生抑郁症筛查更加精确、高效、实时，具有很好的发展前景。而大数据技术和人工智能技术本身也存在不足，如隐私保护等问题，这些均是未来研究的热点和难点。
[1] 居身傲男,张广清,万雪良,等.大学生抑郁症的发生及治疗[J].中国社区医师,2019,35(6): 27-28.
[2] 董娜.高校大学生抑郁症影响因素和预防途径分析[J].世界最新医学信息文摘,2018,18(54): 193.
[3] 张丽.大学生的抑郁心理研究[J].教育观察,2018,7(21): 32-33,128.
[4] 张家明,王纯静.基于大数据技术的大学生心理危机预警研究[J].教育与职业,2015(30): 75-77.
[5] World Health Organization. Depression and other common mental disorders: global health estimates[EB/OL]. [2019-08-27]. WHO/MSD/MER/2017.2: 21http:∥apps.who.int/iris/bitstream/handle/10665/254610/WHO-MSD-MER-2017.2-eng.pdf
[6] LEI X Y, XIAO L M, LIU Y N, et al. Prevalence of depression among Chinese university students: a meta-analysis[J]. PLoS One, 2016,11(4): e0153454.
[7] 茹福霞,黄秀萍,詹文韵,等.中国大陆大学生自杀计划检出率Meta分析[J].中国学校卫生,2019,40(1): 42-45,50.
[8] CHISHOLM D, SWEENY K, SHEEHAN P, et al. Scaling-up treatment of depression and anxiety: a global return on investment analysis[J]. Lancet Psychiatry, 2016,3(5): 415-424.
[9] 梁娟,刘月秀,林晓燕.大数据时代背景下大学生心理预警系统的建设路径[J].赤峰学院学报(自然科学版),2017,33(13): 109-110.
[10] 孙琳,王祖惕.大学生抑郁症及其防治[J].中国校医,2002,16(5): 422-423.
[11] 赵静波.大学生抑郁评定量表的编制及应用研究[D].广州: 南方医科大学,2012.
[12] 陈丹.大学生抑郁情绪的预测模型研究[D].杭州: 浙江大学,2011.
[13] BRUCE ARROLL, NATALIE KHIN, NGAIRE KERSE,等.在初级保健中口头提问两项问题筛查抑郁症: 横断面研究[J].英国医学杂志(中文版),2004,7(2): 88-90.
[14] 周晶晶,朱雪泉,周佳,等.北京高校大学生人群抑郁症筛查研究[J].中国医刊,2018,53(7): 815-818.
[15] 张金伟,刘晓平.基于心理预警模型的微博情感识别研究[J].合肥工业大学学报(自然科学版),2013,36(11): 1318-1322.
[16] EICHSTAEDT J C, SMITH R J, MERCHANT R M, et al. Facebook language predicts depression in medical records[J]. Proc Natl Acad Sci USA, 2018,115(44): 11203-11208.
[17] MARKOWETZ A, B
ASZKIEWICZ K, MONTAG C, et al. Psycho-informatics: big data shaping modern psychometrics[J]. Med Hypotheses, 2014,82(4): 405-411.
[18] 韩梅花,赵景秀.基于“用户画像”的阅读疗法模式研究:以抑郁症为例[J].大学图书馆学报,2017,35(6): 105-110.
[19] 杨秀岩,韩丽,翟丽红,等.神经网络方法在抑郁症早期筛查中应用的可行性[J].中国民康医学,2018,30(7): 75-76,82.
[20] 梁娟,罗海据.大数据挖掘方法在大学生心理预警系统中的应用[J].中国学校卫生,2018,39(12): 1821-1824,1827.
[21] 阎茹.系统论视角下大学生隐匿性心理危机动态预防体系研究:以广东外语外贸大学为例[J].广西青年干部学院学报,2018,28(1): 1-3.
[22] ZHOU Y W, ZHAO L, ZHOU N N, et al. Predictive big data analytics using the UK biobank data[J]. Sci Rep, 2019,9(1): 6012.
[23] BLOCK M, STERND B, RAMAN K, et al. The relationship between self-report of depression and media usage[J]. Front Hum Neurosci, 2014,8: 712.
[24] TRAN B X, VU G T, HA G H, et al. Global evolution of research in artificial intelligence in health and medicine: a bibliometric study[J]. J Clin Med, 2019,8(3): E360.
[25] TRAN B X, MCINTYRE R S, LATKIN C A, et al. The current research landscape on the artificial intelligence application in the management of depressive disorders: a bibliometric analysis[J]. Int J Environ Res Public Health, 2019,16(12): E2150.
[26] ALHANAI T, GHASSEMI M, GLASS J. Detecting depression with audio/text sequence modeling of interviews[C]∥Interspeech 2018. ISCA,2018.
[27] CHEN D Q. Neural reading comprehension and beyond[D]. Palo Alto: Stanford University, 2018.
[28] STONE P, BROOKS R, BRYNJOLFSSON E, et al. Artificial intelligence and life in 2030[EB/OL]. (2016-09-06)[2019-08-27]. http:∥ai100.stanford.edu/2016-report.
[29] JIANG H H, HU B, LIU Z Y, et al. Detecting depression using an ensemble logistic regression model based on multiple speech features[J]. Comput Math Methods Med, 2018,2018: 6508319.