高校应急管理及风险预警模型探究

高校应急管理及风险预警模型探究

李超,樊蓉,邓佳丽,沈王晶,胡雨斌

浙江嘉兴数字城市实验室有限公司 浙江 嘉兴 314000

摘要：高校校园安全是高校开展任何活动的基础，青少年的安全更是国家、社会、高校及家庭关注的重点，每年因高校安全而产生的校园事件都令人警醒。因此，如何降低高校安全事件的发生频率是政府及高校亟需解决的问题，本文主要以高校群体安全的风险预警模型及应急处突为切入口加强对高校安全事件的管控。

关键词：高校安全、风险预警模型、应急处突

随着高等教育及信息化的高速发展，诱导高校安全事件的因素较以往增多，高校安全事件频繁发生。习近平总书记在今年就新时代下高校国家安全教育工作提出了全新的要求：“提升全局意识，发挥重要作用，构建长效机制”。为此，诸多学者对高校安全进行了深入的研究，从安全管理能力、安全预防能力、安全处置能力、危机的转化能力四个方面能力的提升来解决高校安全的问题[1]，从系统思维下对高校安全意识安全观教育进行研究[2]，基于DEMATEL-ALSM对马来西亚几所高校疫情应急管理的CSFs研究[3]，这些研究都深入挖掘了高校安全事件的根源，并针对性提出相关的解决方案。本文从高校群体安全问题的原因出发，通过对数据源的采集和分析，建立风险预警模型，在安全事件发生之前为决策者提供决策依据，在事件发生后第一时间启动应急预案库中对应预案，建立项目化应急处突工作组，形成政府和高校联动的跨部门协作处理局面，全程预防、监控、管理校园群体安全事件的各个过程，为高校提供更加和谐、友善、健康的环境。

1 高校群体安全诱因分析

高校群体安全诱因主要从政府、高校、学生三个方面进行分析。

从政府角度看，高校是独立于社会之外的团体，高校内部自成体系，每个高校都有自己的应急管理办法，政府相对而言难以介入；政府和高校之间的信息互通存在滞后，部分高校甚至会隐瞒上报群体安全事件的信息，造成管理被动的局面。

从高校角度看，师生群体数量大，需求多元，高校在服务供给时，无法全面满足；对于校园安全事件的预警和处置，特别是对学生群体事件、风险舆情、异常离校、校外过激行为等突发情况，部分问题校内无法单独解决，亟需地方协同支持，并建立紧密的校地协同处置机制；学生群体缺少自主判断意识，很容易受到不法分子、网络舆情等蛊惑，从而引起校园群体事件。

从学生角度看，呈现爆炸性增长的信息量给大学生带来了巨大的冲击，学生对于生活、学习、娱乐的追求也更加多样，随之而来的是各类问题，而问题却很少能被高校或政府关注到并有效解决，久而久之造成学生问题日益突出。

2 校园安全风险预警模型

2.1 数据源采集分析

数据源分为校内、校外两部分。

校内数据主要包括：通过发挥党员引领的作用建立信息员队伍，不定期的由学生信息员自主上报信息，并且配套形成信息员队伍的管理和奖惩机制，提高信息员积极性；建立合理的诉求申报渠道，在帮助学生解决的诉求的同时，了解最近学生关注的重点事项，更加具有针对性。

校外数据：通过政府平台获取有关于高校安全的信息，例如12345来电等；通过网络平台的监控手机网络舆情数据，例如微博、论坛等。

在数据源完成采集后，为建立可靠有效的自然语言分类和实体抽取模型，采用以下技术进行数据处理：

（1）采用EDA（探索性数据分析）[4]统计文本数据的平均长度，对于长度大于均值的文本，采用文本摘要和关键词抽取技术得到含有关键信息的压缩文本，实现文本摘要和关键词公式为：

（2）在搜集分类模型所需数据集过程中，不可避免会出现类别不平衡的情况，即某些类别的文本数量远远少于其他类别，因此，采用同义词替换方式对少样本的类别进行数据集扩充。具体来说，首先是基于神经网络算法训练一个教育领域的word2vec词向量，然后根据词频-逆文档频率（tf-idf）[5]搜索出句中3-5个非关键词的词汇，对这些词汇分别从word2vec词表中找到余弦距离最近的那个词进行替换，替换后该句子就衍生出3个意思相近的句子。

tfidf公式：

相似度计算公式：

Where

（3）采用二分类算法word2vec+Smooth Inverse Frequency weighting(SIF)训练校园事件分类模型，可将事件流中的事件分为校园事件和非校园事件。二分类模型训练过程步骤是：将文本内容转化成数值形式，采用机器学习分类算法支持向量机(SVM)实现校园事件与非校园事件分类，并采用贝叶斯参数优化器（bayesian-optimization）查找模型最优参数[6]，word2vec+SIF算法的具体公式如下：

2.2 风险预警模型的建立

对于事件流中的校园事件，采用预训练Bert多分类模型将校园事件分为校园社会安全，校园事故灾难，校园公共卫生，校园自然灾害，教育网络安全，教育考试安全和教育舆情等共计7种校园突发事件类型。预训练Bert分类模型的主要公式为：

以校园社会安全为例，介绍校园社会安全预警涉及的自然语言处理算法。

校园社会安全从事件风险、危害程度、民众情绪和群体反应四个方面来考察，并采用线性加权法累加后得到风险总值，其计算公式为：风险总值（100分制）=A*事件风险+B*危害程度+C*民众情绪+D*群体反应，其中A+B+C+D=1，预警模型采用3色预警，即：

风险值15(含15)-25为黄色预警

风险值25(含25)-40为橙色预警

风险值40(含40)-101为红色预警

（1）基于多标签分类模型实现校园社会安全事件风险模型：

校园社会安全事件文本可能同时涉及串联，集会，煽动，贴标语，发传单，非法编辑物，非法出版，邪教，欺骗，骗钱，干扰学习，干扰生活，迷惑，怂恿，蛊惑，游行，绝食，静坐等47个标签的一个或多个，也可能不属于任何一种。因此，采用基于深度学习算法TextCNN实现校园社会安全事件多标签自动标注，其算法公式为：

（2）基于分类算法实现危害程度模型：

（3）基于分类算法实现民众情绪模型：

（4）基于实体抽取算法实现群体反应模型：

其中，=

通过以上算法会形成事件风险预警的风险值及级别，可以定量化的对事件进行风险，合理的对校园安全事件进行决策。

3 校园安全应急处突

当预警事件需要处理时，由管理者发起启动应急预案库中的应急预案，预案中涉及人员会在第一时间收到信息及任务安排；若出现全新的预警事件，则管理者可以根据事情发生的实际情况立刻启动一级响应，选择需要参与的政府部门及高校，分配工作任务，成立工作小组，以最快速、最高效的方式参与。通过政府-高校的协同处理机制，快速响应应急事件，防止事件的发酵升级，减少高校安全事件带来的经济损失和社会影响。

[参考文献]

[1]熊永华、周贵忠.高校应对突发事件及维护校园安全稳定的对策[J].南昌高专学报.2005(1)48-50.

[2]宁小可.系统思维下高校意识形态安全观教育路径探究[J].系统科学学报.2022.

[3]王波、王祥.马来西亚高校疫情应急管理CSFs研究[J].黑龙江高教研究.2022(40).

[4]张宁、姜峰、王大为、陈鹏、张青.基于探索性空间数据分析的长江公共安全预测模型构建[J/OL].情报杂志.

[5]王胜漪、刘汪洋、邹佳、蔡慧民.基于知识图谱的结构化数据分类算法研究[J].计算机时代.2022(09).

[6]李亚茹、张宇来、王佳晨.面向超参数估计的贝叶斯优化方法综述[J].计算机科学.2022(49).