Acceso usuarios
Zhihai Lu, Lulu Wang, Bing Zeng, Shilong Li
El entorno social al que se enfrentan los deportistas cambia constantemente y existen diversas formas de contacto. En comparación con antes, los deportistas de hoy son más precoces y sensibles a muchas cosas de la sociedad. El entorno social al que se enfrentan cambia constantemente y sus formas de contacto son diversas. Con el fin de mejorar la precisión de la evaluación de la aptitud psicológica positiva de los deportistas, este artículo analiza y estudia la aptitud psicológica positiva de los deportistas basándose en el método de ingeniería de sistemas y el método DM, y construye un modelo de evaluación de la aptitud psicológica positiva basado en Fuzzy C-clustering (FCM) y Secure Neural Network como ejemplos. Los hallazgos indican que, después de numerosas iteraciones, este método supera al algoritmo de comparación en el análisis de crisis psicológicas. La tasa de error se ha reducido sustancialmente en un 38,55%, mientras que la tasa de recuperación ha alcanzado un impresionante 96,87%, superando al algoritmo de comparación en un 16,04%. Estos resultados demuestran la capacidad del modelo para el autoaprendizaje, lo que permite el autodiagnóstico en línea de los trastornos psicológicos positivos de los deportistas. Además, proporciona un valioso apoyo al asesoramiento psicológico y a los equipos de aptitud psicológica en las universidades. Dada la aplicación generalizada de big data en el campo de la aptitud psicológica, su utilización para estudiar nuevos enfoques ante crisis de aptitud psicológica previas a la alarma ha surgido como una importante dirección de investigación.
The social environment faced by athletes is constantly changing, and there are various ways for them to contact. Compared with before, today's athletes are more precocious and sensitive to many things in society. The social environment they are faced with is constantly changing, and their ways of contact are various. In order to improve the accuracy of athletes' positive psychological fitness assessment, this paper analyzes and studies athletes' positive psychological fitness based on system engineering method and DM method, and constructs a positive psychological fitness assessment model based on Fuzzy C-clustering (FCM) and Secure Neural Network as examples. The findings indicate that, following numerous iterations, this method outperforms the comparison algorithm in psychological crisis analysis. The error rate has been substantially reduced by 38.55%, while the recall rate has reached an impressive 96.87%, surpassing the comparison algorithm by 16.04%. These results demonstrate the model's capacity for self-learning, enabling online self-diagnosis of athletes' positive psychological disorders. Moreover, it provides valuable support to psychological counseling and the psychological fitness teams in universities. Given the widespread application of big data in the field of psychological fitness, utilizing big data for studying new approaches to pre-alarm psychological fitness crises has emerged as an important research direction.
