《汉字属性信息数据库》在汉字识别研究中的应用

本文简要介绍了《汉字属性信息数据库》,并结合汉字识别研究,初步分析了其中的笔画数、部件数、结构类型、字频等字段数据,重点就有关部件属性特征进一步分析了结构字段的数据。文中还举例说明了如何在汉字识别研究中运用《汉字属性信息数据库》设计实验、确定分组水平、找刺激字、匹配控制条件等,最后探讨了对《汉字属性信息数据库》的可能完善途径。     

中国古代人格心理学思想

本文对我国古代人格心理学思想给以综论。涉及的方面有：人格形成思想、人格分类思想、人格鉴定思想。希望增益于人生实践和现代心理科学之发展。     

医学审美的社会文化属性和功能

医学审美的社会文化属性和功能青岛医学院（２６６０２１）秦守哲现代科学技术给医学体系带来的最引人注目的变化,就是生物心理社会医学模式的形成。当新的美容技术和手段象隆鼻术、隆乳术、正颅术等给人们带来新概念的美感时,不仅促进了美容医学的发展,而且在悄悄地改...     

再认记忆测验中抑郁个体的心境一致性记忆研究

采用Ｊａｃｏｂｙ的加工分离程序,对再从记忆测验中外显记忆成分与内隐记忆成分的贡献进行分离,考察了抑郁个体的内隐记忆和外显记忆是否具有心境一致性记忆倾向。结果表明：抑郁个体的外显记忆具有心境一致性倾向,而内隐记忆不存在心境一致性倾向,表明心境一致性记忆需要精细加工机制的参与。另外发现,抑郁个体存在外显记忆缺损而没有出现内隐记忆缺损。最后就一些有待进一步研究的方面进行了讨论。     

缺陷儿童人格诊断量表的修订

缺陷儿童人格诊断量表是日本特殊教育领域的一种专门用于测量缺陷儿童人格的著名量表。作者用三年时间对其进行了修订,建立了包括弱智、聋哑、盲等缺陷儿童的中国常模。该量表具有较高的信度与效度,是一个较好的心理测量工具。     

临床心理学的认知研究及信息加工观点

以往在临床心理学中的认知研究,虽然包含了许多认知观点,但各种理论彼此独立,缺少一个有结合力的框架来整合它们。８０年代以来,Ｉｎｇｒａｍ等人倡导将认知心理学中的信息加工范式应用于临床研究,总结和解释已有的认知临床研究的数据,并以此为基础指导临床评估与治疗。本文以Ｉｎｇｒａｍ等提出的认知分类系统为例介绍了这种信息加工观点的基本思想、这一系统如何与临床心理学结合而赋予概念新的内涵,概述了认知实验应用于临床评估的方法和获得的一些实验结果,以及如何通过这种信息加工观点理解心理障碍,进行心理治疗。     

三种心理测量理论的信度观

目前,心理测量领域中主要存在三大理论派别。本文分别对这三种理论即经典测验理论、可概括性理论和项目反应理论作了简要介绍,着重分析这三种理论的信度观。文章讨论了这三种信度观的理论基础和研究方法,比较了它们的异同,指出经典测验理论存在的一些不足及概化理论和项目反应理论所作的改进。概化理论是对经典测验理论的扩展,它用多维的信度指标（概化系数）替代了经典测验理论的信度系数,项目反应理论则从信息量的角度出发,用项目信息函数、测验信息函数等指标更具体深入地反映项目、测验的测量可靠程度。     

校园霸凌行为问卷的编制

目的:从贵州省青少年校园霸凌行为的实际出发,以大样本为基础,遵循心理测量学的方法编制《校园霸凌行为问卷》。方法:经理论建模、题库建设编制初测问卷,以3923名学生为被试进行项目分析和探索性因子分析; 以3899名被试进行信度检验及验证性因子分析,形成最终问卷。结果:问卷由7个一阶因子和2个二阶因子组成,共40个题项。问卷及各维度的内部一致性系数在0.7～0.927之间,重测信度在0.291～0.49之间,结构效度良好,与OBVQ-V和MBVS的相关分别为0.646和0.726。结论:本研究探索、发现并整合创新了反映当代校园霸凌治理难点的“恶整霸凌”; 问卷信效度良好,可作为国内青少年校园霸凌行为的有效测量工具。     

心理因素与学业表现：机器学习分类预测模型

随着高等教育规模的扩大,学业表现不良逐渐成为一个不容忽视的现象,对学业表现不良的学生进行预测并提早给予干预可降低退学率并减少教育资源的损失。由于导致学业表现不良的因素众多且关系复杂,传统的基于相关分析的研究方法很难建立早期预测模型并进行应用。本研究旨在利用机器学习算法,对数据进行挖掘,并建立学业表现预测模型。研究对653名大一新生的心理健康状况、应对方式、人格、内外控倾向和相关人口统计学信息进行了收集,并在一年后采集了其学业成绩,利用随机森林(RF)、K邻近（KNN）、支持向量机（SVM）、决策树（DT）、朴素贝叶斯（NB）等机器学习算法建立了分类模型。结果显示,随机森林算法在识别学业表现不良学生时有最好的表现,其中准确率95.86%, 召回率91.83%,f1分数为93.80%。特征重要性分析显示,前10个对模型有最高贡献度的特征包括：年龄、性别、是否为独生子、内外控倾向、神经质倾向、积极应对倾向、宜人性倾向、一般症状指数、开放性倾向和焦虑水平。为避免过度拟合问题,本研究在一年后收集的166名新生样本中进行了模型验证,结果显示模型在新数据集上有较好的泛化表现,其中f1分数90.90％,准确率92.60％,召回率89.26％。研究提示基于人口统计学和心理测评信息,机器学习算法有助于及早识别学业表现不良学生并为开展早期干预提供启示。