目前大部分学生对人格缺陷这种病态认知不足,发现不及时且治疗意愿低,而缺陷型人格甚至会导致学生出现边缘性心理以及反社会心理,因此及时感知学生的人格是否健康至关重要。高校学生在线生成的数据量急剧增长,这些数据为我们跟踪、分析和预测学生人格提供了前所未有的机会。特别是最近数据挖掘技术的进步,不只从数据上为我们提供了有力支撑,也提供了更科学的分析方法。当前已有许多研究人员进行了人格的相关研究,这些研究可大致分为两种方法,即传统问卷法和结合大数据的研究方法。然而,传统问卷方法费时费力,报告偏差大,造成这种结果的原因是问卷法适时性差,且难以长期连续追踪;结合大数据的研究方法又都局限于某些特定的社交网络,对其他的行为表现研究较少,且少有对学生群体的专门研究,原因可能是研究人员对其他网上行为关注度不够,或者无法获取其他网络行为信息。针对这些问题,本研究在科研伦理和法律允许的范围内,提出了一种基于学生在校上网产生的网络行为数据,结合传统量表法,对学生人格倾向进行预测的方法,该方法可以实时分析学生的人格倾向是否健康。本研究将挖掘的对象数据拓展到包含社交网络行为在内的更宽泛的行为信息范围,将数据分析方法中相关性分析和回归分析技术引入到传统量表方法研究中,使用数据挖掘中的数据分类和数据集成挖掘学生在校上网产生的行为数据,这些数据不仅包含了前人研究中的社交网络信息,还包含了学生的其他行为信息。然后将分析后的量表方法和大数据研究方法结合,选用不同的算法搭建学生人格倾向分析模型用以分析和预测学生的人格倾向,以辅助学校及家长及时帮助学生塑造健康的人格。本研究通过对收集到的学生测评量表数据测度进行阐述和分析,对不同量表之中测度之间的相关性通过皮尔逊积矩相关系数计算后,发现离群性、焦虑情感、敌意情感和非外倾型人格有很大的相关性,并以此为理论基础将不同的量表结果进行融合。我们将学生样本数据分为基本属性的静态属性数据和学生网络行为的动态属性数据,分别进行特征构造。然后使用互信息法、逻辑回归分析法衡量静态数据与人格倾向之间的相关性,使用递归特征消除和进化算法对动态特征进行输入前的优化。研究中构建了多种核心算法不同的分类和集成模型,并设计了不同模型之间的横向对比实验,和同一模型不同参数下的纵向对比实验。实验结果表明,学生网络行为数据和其人格倾向之间确实存在强关联,该结论不只在理论上存在依据,在数据分析方面也有结论支撑。因此,本研究提出的使用学生网络行为来预测其人格倾向的方法具有可行性,可以通过构建模型来实现对学生人格倾向的判断,从而辅助学校及家长及时帮助学生塑造健康的人格。