陳陽

摘 要：為了彌補(bǔ)部分心里咨詢從業(yè)人員對心理投射技術(shù)經(jīng)驗(yàn)水平的不足，使心理投射測驗(yàn)更好地在心理咨詢行業(yè)和人格特征分析中得到應(yīng)用，文中提出一種基于Bert詞嵌入、Bi-GRU和羅夏墨跡測驗(yàn)的人格特征檢測方法。實(shí)驗(yàn)結(jié)果表明，多個模型在驗(yàn)證集上的平均準(zhǔn)確率平均可以達(dá)到89.20%，具有較好的準(zhǔn)確性。

關(guān)鍵詞：心理投射測驗(yàn);羅夏墨跡測驗(yàn);深度學(xué)習(xí);自然語言處理;Bert;心理咨詢

中圖分類號：TP279文獻(xiàn)標(biāo)識碼：A文章編號：2095-1302（2020）05-0-03

0 引 言

隨著生活水平的提高和社會的發(fā)展，人們對人格特征的探索與應(yīng)用需求逐漸增多。人格特征應(yīng)用的好壞可以決定一個企業(yè)中員工的工作氛圍、效率，甚至可以決定人身和財(cái)產(chǎn)的安全性。如果人格特征的檢測手段在入職（學(xué)）和人員安排（分配）方面得到普及，如“空姐乘坐滴滴順風(fēng)車遇害案”“復(fù)旦大學(xué)生投毒案”等性質(zhì)的悲劇將有可能大量被減少。

對一個人進(jìn)行人格分析，主要有自陳量表和投射測驗(yàn)兩種方法。投射測驗(yàn)法相對于自陳量表法有減少受測者的主動偽裝和可以檢查出受測者潛在心理問題的特點(diǎn)，但是相對于自陳量表法，其耗時更長、對施測者技術(shù)水平要求更高。

面對各行對人格特征分析的迫切需求，心理咨詢行業(yè)的“三缺”問題（缺乏全國統(tǒng)一的從業(yè)人員考核認(rèn)證管理制度、缺乏從業(yè)人員和機(jī)構(gòu)評價等系列標(biāo)準(zhǔn)、缺乏機(jī)構(gòu)監(jiān)督、考核等系列規(guī)范）卻限制了行業(yè)的發(fā)展，導(dǎo)致行業(yè)從業(yè)人員技術(shù)水平的參差不齊[1]。為了彌補(bǔ)部分從業(yè)人員對心理投射技術(shù)經(jīng)驗(yàn)水平的不足，使心理投射測驗(yàn)更好地在心理咨詢行業(yè)和人格特征分析中得到應(yīng)用，本文提出了使用自然語言處理技術(shù)和有“心理投射測驗(yàn)之王”之稱的羅夏墨跡測驗(yàn)對受測者人格特征進(jìn)行評估的方法。

1 系統(tǒng)中的羅夏墨跡測驗(yàn)

1.1 羅夏墨跡測驗(yàn)簡介

羅夏墨跡測驗(yàn)是瑞士精神病學(xué)家赫爾曼·羅夏發(fā)明的，用于分析人格特征的一種測驗(yàn)方法[2]。這種測驗(yàn)方法通過觀察和記錄受測者對十張帶有不同墨跡圖案的圖卡的反應(yīng)，來預(yù)測和推斷受測者的人格特征。測驗(yàn)過程主要分為提問、回答內(nèi)容、結(jié)果分析三部分。在提問部分：施測者依次向受測者出示10張不同的羅夏墨跡圖卡，并詢問受測者，圖卡中的圖案看起來像什么，然后根據(jù)受測者的回答進(jìn)行一些非引導(dǎo)性的鼓勵，讓受測者說出更加具體的描述。在回答內(nèi)容部分，施測者應(yīng)該盡可能詳細(xì)地記錄受測者對每一張圖卡的描述和態(tài)度，并根據(jù)反應(yīng)的多少，給與適當(dāng)?shù)母深A(yù)，避免記錄冗長或過短。在結(jié)果分析部分，施測者需要對受測者對每一張圖卡反應(yīng)的記錄內(nèi)容按照一定規(guī)則進(jìn)行編碼，然后將編碼進(jìn)行統(tǒng)計(jì)，制成結(jié)構(gòu)化表，展示受測者的各項(xiàng)心理特征。羅夏墨跡測驗(yàn)圖片如圖1所示，結(jié)構(gòu)化表（樣例）如圖2所示[3]

1.2 系統(tǒng)中進(jìn)行的羅夏墨跡測驗(yàn)

系統(tǒng)中的羅夏墨跡測驗(yàn)與簡介中描述的流程相同，只是將測驗(yàn)中記錄和結(jié)果分析的過程由計(jì)算機(jī)完成。測驗(yàn)的記錄過程由語言轉(zhuǎn)文本技術(shù)，將受測者的語音轉(zhuǎn)化為文本，記錄在文件中。結(jié)果分析過程中使用分詞技術(shù)、單詞向量化技術(shù)、深度學(xué)習(xí)技術(shù)，對文本進(jìn)行編碼，然后通過統(tǒng)計(jì)產(chǎn)生結(jié)構(gòu)化表，供施測者和受測者參考。

2 研究方法

2.1 數(shù)據(jù)集來源

本文在西南民族大學(xué)的校園中對大學(xué)生隨機(jī)抽取同學(xué)進(jìn)行了羅夏墨跡測驗(yàn)，并收集了在多個出版物中羅夏墨跡測驗(yàn)的記錄。整理成一個XLSX文件，并對編碼進(jìn)行標(biāo)注。數(shù)據(jù)集樣例如圖3所示。

2.2 數(shù)據(jù)預(yù)處理

獲取數(shù)據(jù)集后，本文首先通過Python結(jié)巴（Jieba）分詞庫將每個句子進(jìn)行分詞處理。然后通過bert-as-service使用chinese_L-12_H-768_A-12模型對每個單詞進(jìn)行Bert編碼，使每個詞的維度數(shù)變成了768維。然后將句子的矩陣進(jìn)行Padding處理，因?yàn)閿?shù)據(jù)集中95%的單詞數(shù)量都在50個以內(nèi)，所以，對于分詞后超過50個詞的句子，去掉末尾的向量，對于單句不足50詞的句子進(jìn)行了填充768的全零矩陣操作，使得到的每個句子的向量形態(tài)為50×768。結(jié)巴分詞結(jié)果樣例見表1所列。

2.3 Bi-GRU介紹

GRU（Gate Recurrent Unit）與LSTM（Long-Short Term?Memory）類似，是循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network， RNN）的一種[4]，其是為解決長期記憶和反向傳播中的梯度爆炸和梯度消失等問題而設(shè)計(jì)的[5]。GRU與LSTM在多數(shù)情況下表現(xiàn)十分相似，但是計(jì)算卻更加容易。本文也使用了Bi-LSTM訓(xùn)練了數(shù)據(jù)，但Bi-GRU在準(zhǔn)確率只以微弱的優(yōu)勢勝出，所以，綜合效率與準(zhǔn)確率，本文以Bi-GRU為例介紹。GRU的輸入/輸出結(jié)構(gòu)如圖4所示。

如圖4所示，上一個GRU傳輸?shù)膆t-1和xt作為GRU單元的輸入，GRU將根據(jù)ht-1和xt生成兩個門控狀態(tài)r和z。r為重置門控，z為更新門控，其中：

得到門控信號r，z后，首先使用重置門控將ht-1進(jìn)行處理，（ht-1）'=ht-1⊙r，再將（ht-1）'與輸入xt進(jìn)行拼接，再通過一個余弦正切函數(shù)將數(shù)據(jù)放縮到-1～1的范圍內(nèi)，得到h'：

進(jìn)而可以計(jì)算出ht和yt：

綜上來看，前一時刻的狀態(tài)信息帶入的多少與更新門控z的大小成正比[6]。前一時刻狀態(tài)信息被忽略的程度則由重置門控r的值決定，r的值越小，狀態(tài)信息被忽略的越多[7]。

在單向的網(wǎng)絡(luò)結(jié)構(gòu)中，數(shù)據(jù)總是單向順序地從前向后傳遞[8]。如果狀態(tài)能夠由前一時刻和后一時刻共同傳遞，那么這將更有助于對文本深層次的特征進(jìn)行提取。Bi-GRU是由兩個方向相反的GRU單元共同組成的，輸出狀態(tài)由兩個GRU共同決定的雙向網(wǎng)絡(luò)結(jié)構(gòu)。在每一時刻，輸入會同時提供兩個方向相反的GRU，而輸出則由這兩個單向GRU共同決定[8]。Bi-GRU的結(jié)構(gòu)模型如圖5所示。

2.4 識別模型

本文的識別模型將接收句子的向量矩陣（50×726）作為輸入，首先輸入到Bi-GRU中，然后將Bi-GRU的output作為Dense的input，最后由Dense輸入結(jié)果One-Hot矩陣。識別模型如圖6所示。

圖6 識別模型圖

2.5 結(jié)果

本文作者訓(xùn)練了多個分類模型，并記錄了不同世代的測試集準(zhǔn)確率，數(shù)據(jù)表明在訓(xùn)練20個Epoch世代時，準(zhǔn)確率基本穩(wěn)定，見表2所列。

3 結(jié) 語

本文介紹了使用Bert和Bi-GRU模型對羅夏墨跡測驗(yàn)的編碼進(jìn)行分類識別的方法。經(jīng)過驗(yàn)證，多個模型在驗(yàn)證集上的平均準(zhǔn)確率可以達(dá)到89.20%，具有較好的準(zhǔn)確性。羅夏墨跡測驗(yàn)在現(xiàn)有的人格分析領(lǐng)域有較好的應(yīng)用，而且在職業(yè)規(guī)劃、學(xué)業(yè)規(guī)劃以及人員組織安排等方面有巨大的應(yīng)用潛力。綜合來看，本文所述方法可為羅夏墨跡測驗(yàn)在多個行業(yè)的應(yīng)用提供支持。

參考文獻(xiàn)

[1]謝斌.心理咨詢行業(yè)在中國的困局與出路[J].心理學(xué)通訊，2018，（3）：175-176.

[2]馬春玲.羅夏墨跡測驗(yàn)在中國發(fā)展?fàn)顩r研究[J].哈爾濱學(xué)院學(xué)報(bào)，2016，37（5）：133-135.

[4]張紅陽.神經(jīng)網(wǎng)絡(luò)機(jī)器翻譯中未登錄詞處理方法研究[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2017.

[5]楊麗，吳雨茜，王俊麗，等.循環(huán)神經(jīng)網(wǎng)絡(luò)研究綜述[J].計(jì)算機(jī)應(yīng)

用，2018，38（z2）：1-6.

[6]孟樂樂.融合時空網(wǎng)絡(luò)與注意力機(jī)制的人體行為識別研究[D].北京：北京交通大學(xué)，2018.

[7]桑海峰，陳紫珍.基于雙向門控循環(huán)單元的3D人體運(yùn)動預(yù)測[J].電子與信息學(xué)報(bào)，2019，41（9）：2256-2263.

[8]王偉，孫玉霞，齊慶杰，等.基于Bi-GRU-attention神經(jīng)網(wǎng)絡(luò)的文本情感分類模型[J].計(jì)算機(jī)應(yīng)用研究，2019，36（12）：3558-3564.

[9]王郁.基于HO-DINA模型的學(xué)生心理多級評分認(rèn)知診斷模型研究[J].現(xiàn)代電子技術(shù)，2018，41（2）：53-55.

[10]田西柱.基于從眾心理的元胞自動機(jī)模型[J].物聯(lián)網(wǎng)技術(shù)，2014，4（4）：83-87.