基于深度学习的大学生幸福感测度分析

大学生情绪容易受到各类事件影响，学业求职的激烈竞争和疫情的突如其来导致其幸福感明显降低，利用社交媒体分析大学生幸福感引起了国内外学者的关注。本文提出一种利用社交媒体数据，基于深度学习ALBERT-TextCNN模型的大学生幸福感测度分析方法。首先使用ALBERT预训练语言模型将社交媒体文本描述转化成向量表示，提取文本描述中的关键特征，然后将提取到的特征送入TextCNN模型进行分类预测，得出社交媒体文本的情感极性，最后将积极情感文本占比作为大学生用户的幸福感指数。在公开微博文本数据集上进行实验，ALBERT-TextCNN模型在情感极性分类预测上准确率、精确率、召回率和F1值均达到较高水平，同时训练时间短成本低。最终本文利用此模型确定了北京某高校466名大学生的幸福感指数情况。

大学生网民比重大，其情绪容易受到各类事件的影响，他们也热衷于在社交媒体平台发布自己对某一事件的意见、看法，加之疫情突如其来，大学生群体在学业、求职等各方面竞争更加激烈，压力更大， 幸福感逐渐降低。通过对大学生发布的信息进行分析，可以在不对他们造成干扰的情况下实时、大规模地了解这类群体的情绪和幸福感。

幸福感是指人类基于自身的满足感与安全感而主观产生的一系列欣喜与愉悦的情绪[1]。以往专家学者对幸福指数测量方法主要包括基于量表的问卷调查、基于统计数据的模型构建和基于社交媒体的数据挖掘，以此得出研究群体的幸福指数水平。Di Wang [2]和毛良斌[3]等学者利用社交媒体数据建立了幸福感监测分析体系，尤其是后者验证了积极自我呈现和真实自我呈现均能显著提高主观幸福感。

在此背景下，本文将研究群体在社交媒体发布内容的积极情感占比定义为幸福感指数，并利用在短文本分类上效果佳且轻量化的ALBERT-TextCNN 模型， 针对大学生发布在社交媒体上的短文本数据， 对该群体的幸福感指数进行研究分析，这既是利用社交媒体数据进行幸福感测度的一种尝试，也是将深度学习模型应用于幸福感测度的一项创新。

2. 相关研究 2.1. 幸福指数相关研究 幸福指数是一种主观感受、心理体验、愉悦心情的量化[1]，近些年来众多专家、学者相继展开了各种方面幸福指数相关的研究，采用的方法包括文献研究、问卷调查、实证分析、数据挖掘等多种方法， 对大学生、居民等不同群体的幸福感测度做出了研究贡献。

祝琳[4]和付文宁[5]等学者使用幸福感量表量化幸福指数，即量表得分越高幸福感越高，前者使用美国国立统计中心制定的总体幸福感量表，验证了团体辅导可以有效地提高大学生的主观幸福感水平，后者则应用Campbell 等人编制的幸福感指数量表得到了商洛市140 名大学生的幸福感基本情况；郝乐[6]和Strotmann [7]等学者均提出结合主观幸福感和客观条件的幸福感分析方法，前者用改进的距离综合评价法统计测量客观幸福指数， 将客观幸福指数与主观幸福指数的加权平均值作为测量幸福感的综合指标，