刘正奎 赵雨晴|构建人工智能驱动的学生心理健康测评新体系

我国学生心理健康服务普遍遵循“评测—干预”路径。心理健康测评通过将不可直接观察的心理构念（例如,抑郁）转化为可观测的指标（例如,情绪低落、失眠、食欲减退、自我否定等），从而实现心理健康服务的定量化与科学化。随着我国学生心理健康问题呈现日趋动态化、情境化和隐蔽化等特点，心理健康测评需要更高的时间分辨率、更真实的生态环境和更丰富的数据维度去捕捉学生心理健康状态，以实现“早识别、早干预”的主动预防目标。以“使用标准化量表定期静态评估”为特征的传统测评难以满足上述需求（Ou et al.,2025），其主观性偏差、时间滞后与动态敏感不足以及人力资源投入过大等问题已成为制约学生心理健康服务水平的关键。脑科学与人工智能（Artificial Intelligence,AI）技术的发展为解决上述问题提供了可能。脑科学研究揭示了心理健康状态与神经活动之间的密切联系，情绪、注意、压力等心理过程可以通过脑电信号、脑血流变化、心率变异性等客观指标加以标记（Poldrack et al.,2020）。AI技术发展则为从复杂的神经与行为数据中提取心理特征、预测心理风险提供了方法支持（Song et al.,2022）。二者融合，为构建学生心理测评新体系提供了神经生物学基础和技术实现路径。

第一，主观性偏差显著（Duckworth et al.,2021）。心理量表依赖受测者的自我报告，而学生的回答常受到社会期许、回忆误差和自我防御的影响。面对诸如“是否有自杀想法”或“是否经常感到焦虑”等题项，部分学生可能出于担忧被“贴标签”而选择隐瞒实情。由此产生的测评结果往往偏离真实心理状态（Kroenke et al.,2021）。第二，时序滞后与动态敏感性不足。心理健康测评的频率常为一学期或一学年一次，这无法捕捉心理状态的渐进性变化。例如，学生在期中考试前后的情绪和压力波动无法被及时反映，这使得心理危机干预往往滞后于问题的发展（Wright & Zimmermann,2022）。第三，划界式分数模式忽视连续性（Kotov et al.,2021）。标准化量表通过总分或因子分的“划界”来判定心理健康状态，高于标准值视为“异常”，低于标准值视为“健康”。事实上，心理健康水平更符合连续谱模型，而非二元划界模式。这种二元化的统计方法容易忽略处于临界区间的“亚健康”人群，而恰恰是这些人群最具心理风险的潜伏性（Wang et al.,2023）。第四，生态效度不足。心理量表施测通常在特定环境中进行，与学生真实的日常情境存在差异（Trull & Ebner-Priemer,2020）。心理健康状态受到环境、社会互动及生理状态的多重影响，而静态施测难以反映这种复杂的情境依赖性。第五，自我报告式的测量需学生主动投入认知资源，很难反复施测。一方面，量表的追踪测量虽然在形式上易于实现，但相同题项的反复施测可能引发学生倦怠；另一方面，针对存在抑郁症状或注意缺陷及多动特征等心理问题的个体，主动持续地投入认知资源本就是对他们注意力和执行功能的挑战。第六，现有基于AI方法的测评结果可解释性被忽视。一些已采用AI技术的心理健康测评，虽然在数据处理和模式识别方面取得了一定进展，但其分析过程往往侧重结果预测或性能分类，对模型输出所对应的具体心理过程缺乏清晰说明。在缺少明确心理学或生理机制约束的情况下，同一模型结果在不同理论视角下可能给出不同解释，使研究结论更多停留在结果层面的判定，而难以进一步指向可验证的心理机制。这种可解释性不足的问题，在一定程度上延续了传统测评中过度关注结果判别，而对心理过程本身关注不足的局限，也为人工智能技术在心理健康测评中的规范应用带来了新的挑战。

近二十年来，脑科学研究已为心理健康测评客观化积累了大量基础。脑电、皮电、心率变异性、功能性磁共振成像等技术采集到的生理指标已在实验室层面广泛应用以揭示个体心理状态，但这些方法受限于昂贵设备与受控环境，难以在校园或自然情境中实现大规模、长期应用。脑科学研究揭示的情绪与认知的神经机制与特征，仍未能转化为可用可及的测评工具（Poldrack et al.,2020）。以抑郁为例，大量神经影像学研究已揭示前额叶皮层与杏仁核在情绪调节中的异常功能模式，但教育领域仍主要依赖主观问卷来判断学生的抑郁风险（Disner et al.,2011）。近年来，AI的迅速发展为弥合这一断层提供可能。AI算法可从脑信号、语音、表情、行为等多模态数据中识别心理状态模式，而脑科学则为这些模式提供了生理层面的参照与约束，使算法识别的特征能够与具体的神经活动过程相对应。由此，一定程度上弥补了既有AI心理健康测评研究往往侧重预测或分类效果，而对模型输出所对应的心理过程及其生理基础讨论不足的问题，也有助于减少在缺乏机制约束时同一结果可能产生多种解释的情况。二者融合，有望在教育场景中实现从“脑”到“心”的测评转化，使心理健康评估从静态施测走向动态监测，从单一心理指标走向神经—行为联合指标（Torous et al.,2020; Dagum,2018），从单纯检测心理健康问题走向理解心理过程和预测心理健康风险，从而为探索普惠性与精准性相结合的学生心理健康测评新体系提供基础。

在该框架中，“脑”强调的是心理健康的神经基础及其可塑性。个体的一切情绪体验、认知加工和行为调节都依赖于大脑这一复杂的功能与网络；同时，大脑又并非固定不变的“硬件”，它可以在神经可塑性机制的支持下，持续对环境输入做出结构和功能上的调整。外界情境中的长期压力、创伤与支持性资源，通过神经—内分泌—免疫等通路不断“塑造”大脑，使其形成特定的威胁敏感性、情绪调节方式和认知加工风格（McEwen,2012）。反过来，具有某些脑功能特点的个体（例如,对威胁高度敏感、对奖励反馈反应迟钝等）又更可能选择、回避或改造特定情境，从而形成“脑—情境”之间的双向选择性关联（Sale et al.,2014）。这意味着，大脑在本框架中既是心理健康的神经机制基点，也是情境—行为之间动态调节的中枢环节，这不仅为相关测量和模型结果提供了重要的生理参照指标，而且使一些仅凭行为数据难以区分的解释得以收敛，从而在一定程度上提升了相关测量在因果推断上的合理性。

“情境行为”将“情境”（context）与“行为”（behavior）紧密联结。情绪和心理健康从来不是在真空中产生的，而是人—环境持续交互的产物。社会经济地位、人际关系质量、学习与工作负荷、数字媒介使用方式等情境因素，不仅是构成心理健康的评价背景，更是塑造适应或不适应模式的关键作用力（Luo et al.,2023）；而行为则是这些内在过程的最直接外显表征，包括面部表情、言语内容、活动水平、睡眠节律到更细微的数字行为特征（digital phenotype; Oudin et al.,2023）。与传统测评主要依赖自陈报告不同，情境行为维度强调通过多源行为数据来刻画个体在自然环境中的功能状态。

“时序”维度是个体行为在时间序列上的表现与演化，它是该框架最鲜明的特征，也是通过AI实现数字化评估的直观体现。心理健康并非一个静态标签，而是在时间轴上不断演化的动态过程。情绪波动、睡眠节律、注意力波动和社会交往模式，都是在连续时间上展开的轨迹（Brannon et al.,2016）。传统测评往往在单一时间点“截面式”地获取自评分数，难以捕捉症状的起伏、缓冲和演变过程。而在可穿戴设备、智能手机传感器、生态瞬时评估（Ecological Momentary Assessment,EMA）、便携式脑电和功能近红外/磁共振成像等技术支持下，新型测评技术可以在真实生活情境中高频率地记录脑活动、生理指标与行为数据，使时间不再只是测量的“背景维度”，而成为揭示心理过程机制和识别风险窗口的核心信息源（Rees et al.,2021）。对于AI而言，基于时序的机器学习蓬勃发展，特别是近年来大放异彩的注意力、记忆等机制更强化了相关技术在时序维度上对数据意义的理解与深度提取。利用多轮对话、长期交互日志和纵向多模态融合数据，能够为此类机制在时序维度上不断累积学习材料，使模型能够渐进式地“理解”个体、更新参数，从而实现更加精准的心理状态识别与反馈调节。

“暴露组学”（Exposome）理论也为该框架提供了一个重要支撑。暴露组学强调在整个生命历程中，个体持续处于多层级、多类型的环境暴露之中，包括：外部特异性暴露（如创伤、贫困、歧视等，对创伤后应激障碍、抑郁等风险有直接影响）；一般外部暴露（如城市化、污染等，对压力负荷和情绪易感性产生慢性影响）和内部暴露（如炎症水平、肠道菌群、代谢状态等，通过免疫—脑交互影响情绪与认知）。这些暴露既在情境行为层面显性呈现，又通过神经可塑性在大脑层面留下痕迹，其累积效应只能在时序维度上被真正理解（Gutierrez-Ortiz et al.,2025; Arias-Magnasco et al.,2025）。因此，“脑×情境行为×时序”框架可以视为在个体层面，将暴露组学理念与脑科学、心理学和数字技术进行动态整合的一种心理健康测评框架体系。

该框架覆盖了神经、身体、行为、环境的信息与网络，而AI则为这种多维度、强时序的数据空间提供了建模工具。卷积神经网络（Convolutional Neural Network,CNN）擅长从大规模光栅数据如脑电、功能近红外/磁共振成像等信息中提取空间与局部时序特征（You et al.,2023）；循环神经网络、长短时记忆网络、基于注意力机制的深度学习网络善于刻画心理状态在时序上的演化轨迹（Huang et al.,2022），能够跨时序片段地整合脑活动、行为与情境信息，自动寻找“何时、在什么情境下、伴随怎样的脑反应和行为变化，最能预示风险”（Torous et al.,2020）；图神经网络等方法则能在不规则数据如脑区功能连接、同伴关系网络与课堂互动结构中充分挖掘关系和偏差信息，且具备可解释性，能够揭示心理状态与连接模式之间的深层关联（Song et al.,2022）。因此，该框架可以实现多种传统学生心理健康测评体系未有之功能。

首先，是不同场景与成本下的分层式脑功能测量。在个体评估中，可利用便携式脑电记录注意波动、情绪唤醒与认知负荷的时间进程（Kroenke et al.,2021）；在需要进一步诊断的情境下，可引入功能近红外/磁共振成像深入刻画情绪调节、冲动控制、奖励加工等过程的脑区激活模式（Torous et al.,2020）。通过这些指标，可以在不依赖自我陈述的前提下，获取大脑对压力事件、反馈与社交线索的即时反应，为理解个体的“脑功能特征”提供客观基础。

其次，是学生在真实生活中与环境交互所呈现出的行为模式动态捕捉。一方面，可通过可穿戴设备和智能手机传感器记录活动量、睡眠节律、心率变化、地理位置、社交互动频率等数字行为表征；另一方面，可结合语音、面部表情、课堂参与度、学习平台使用记录等教育情境中的行为数据，描绘个体在“学习—休息—社交”等不同情境下的功能表现（Kotov et al.,2021）。环境信息如噪声、光照、课堂密度、线上线下社交网络结构等，则为行为波动提供了重要的情境解释，使“行为异常”不再被孤立地理解，而是嵌入具体的生活世界之中。

再次，是学生心理健康轨迹演变的刻画。相比传统测评一年一次或一学期一次的“快照式”评估，该框架提倡在可接受的负担范围内提高测量频率，通过高时序分辨率的数据采集捕捉心理健康状态的演变过程（Mengelkoch et al.,2024）。例如，可在考试周前后布置更密集的EMA提问与生理监测，以观察压力上升、睡眠紊乱与情绪波动的时序关系；在学期内则保持较低频的背景采样，用于刻画个体的“心理健康基线”。这样获得的数据不再是孤立的点，而是能够反映“向好”或“走低”趋势的曲线。

最后，这种多模态、多模型的长期观测机制可为单一现象、行为等孤立事件提供可解释性，如利用模态间的数值关系、时序关系寻找因果。这种可解释性AI技术的运用提供了心理行为与脑科学理论的对话。通过模型群聚焦时间窗口、特定脑区、行为特征和情境变量，可以归纳“哪些组合模式”“哪些链式反应”在心理事件中最为关键，从而既避免“黑箱”风险，又有助于提出关于“压力易感性、情绪恢复力、社会连结模式”等心理健康理论构念的新假设（Holzinger et al.,2020; Torous et al.,2021）。

基于上述分析，AI驱动的脑×情境行为×时序多维度心理健康测评框架适用于多学段学生的心理健康评估，其核心目标不是完全取代现有的学生心理健康测评体系，而是在现有体系的基础上进一步纳入神经机制与真实情境下的行为维度，并在时序上构建一个多模态、可演化的心理健康数字化表型和画像：一方面，该框架可更充分地捕捉脑功能、情境暴露与行为表征的渐变过程，弥补传统测评“只见结果、不见过程”的不足；另一方面，该框架可打破心理学、脑科学与通讯和计算技术之间的壁垒，构建一个能够随数据不断进化、在实践中持续优化的心理健康评估生态系统。

从技术实施角度，该体系可分为四个系统，分别是采集系统、算法和数据系统、计算系统以及产出和服务系统（见图1）。采集系统负责将脑功能、情境行为（日常行为、暴露环境信息与特需情境）的原始数据依照时序维度进行整理，转化为可适用于对应模型的数据结构。这些数据将分别输入算法和数据系统，并依图中所示接入相应算法：如脑相关信号数据可利用CNN处理；日常行为数据则可利用长短期记忆网络（Long Short-Term Memory,LSTM）或基于自注意力机制的变换器模型（Transformer）等时间序列算法进行建模与分析；图深度网络则用于处理学习、社交等不规则数据。其学习标签主要指向个体的心理健康状态、学业表现或其他值得关注的指标。暴露环境信息为不同版本模型提供外部超参数（如融合参数、特征权重等），特需数据则作为稀疏但在群体层面有共性的暴露因素参与计算。在计算系统中，底层基础特征通过冷融合构成基本决策模型；特需数据则可单独建模，并与基本决策模型通过热融合构成松散耦合的高适应性综合服务模型。各模态独立建模所得的预测结果，可进一步通过统计分析或可解释模型构建因果分析框架。综合服务模型与因果分析模块可共同服务于实际教育与心理健康工作场景，而教育与学生心理健康工作场景进一步产生的数据又将反哺整个采集系统，优化和推动该体系不断地进化。

在此基础上，AI驱动的脑×情境行为×时序学生心理健康测评体系在场景应用中，需要充分考虑不同学段学生在脑发育水平、情境暴露特点与时序节律结构上的差异，构建分学段的差异化应用路径，并进一步形成“评估—预警—干预—反馈—再评估”的动态闭环。

第一步是连续监测（Monitoring），在不干扰学习和生活的前提下采集脑活动、生理信号、行为特征与情境变量的时序数据，形成个体与群体的“心理健康时空地图”；第二步是智能识别（Recognition），AI模型在脑×情境行为×时序空间中对异常模式进行标记，例如情绪稳定性显著下降、睡眠节律持续紊乱或社交退缩加剧等；第三步是风险预警（Alerting），系统依据风险等级，向学生本人、班主任、辅导员或心理中心发出分级提醒；第四步是分层干预（Intervention），由自助干预（如呼吸训练、正念练习、时序管理工具），逐级过渡到校内专业支持（个别咨询、小组辅导）及必要的医疗转介，形成递进式支持系统；最后是反馈与优化（Feedback），干预效果再次通过脑×情境行为×时序数据加以观测，形成结果回流模型，用于更新风险阈值与个体画像，实现“评估—干预—再评估”的正向循环。通过这种分学段、分层级、闭环式的应用路径，脑×情境行为×时序框架不再只是一个抽象的理论结构，而是能够嵌入学生整个发展过程中的“长期陪伴者”，推动学校心理健康工作从一次性筛查走向全过程守护。

借助智能手机、可穿戴设备和低成本的脑/生理测量手段，该框架可在投入资源相同的条件下实现更广人群覆盖监测，从而提升心理健康服务的可及性。同时，AI可以在个人的脑×情境行为×时序数据基础上建立个体化模型，这一过程既能面向全体人群，又能针对具体个体的风险模式和保护因素给出精细化判断，兼顾普惠性与精准性。具体而言，该框架主要特点如下。

第一，从“主观症状报告”向“模式识别”转变。传统心理测评多依赖学生在特定时点对症状的主观回顾与自我报告，容易受到记忆偏差、社会期望和自知力限制。该框架通过采集脑活动、生理指标、行为轨迹和情境信息，借助AI识别其中隐含的非线性模式与高维相关结构（Oudin et al.,2023），能够发现“人类直觉难以察觉但与心理风险高度相关”的模式，例如睡眠—活动—情绪三者间的滞后关系，或特定社交情境下脑活动与行为选择的稳定耦合。评估的重心因此从“你觉得自己如何”转向“你的多模态数据呈现出怎样的模式”。

第二，实现心理健康状态连续体的多维精准分析。该框架不再将个体心理问题简单划分为“有/无症状”两类，而是将心理健康视作一个在多维空间中连续变化的状态。例如，在情绪调节效率、威胁敏感性、奖励加工、社会连结等多个维度上，个体可以呈现不同的组合型谱系（Cuthbert & Insel,2013）。时序维度上的动态评估，可以描绘出个体在连续体中的移动轨迹，并找到超越传统观测、线性计算藩篱的高度抽象的非线性模式，这为识别亚临床风险状态、理解症状加重或缓解的“转折点”，提供了更精准的分析基础。

第三，从“评估当下”转向“过去—现在—未来轨迹”。传统测评往往强调对“当前状态”的判断，而该框架强调在纵向时序轴上理解个体：既关注既往暴露和发展史如何塑造个体当前的大脑功能和行为模式，也关注个体的当前状态如何预示未来风险或恢复潜力。通过AI对长时序数据的建模，可以构建“心理健康轨迹”的预测模型，用于提前识别可能的恶化趋势或复发风险，从而将评估与预警更紧密地连接起来（Li et al.,2024）。

第四，实现评估—干预自适应智能化心理健康服务。在该框架下，评估与干预不再是截然分离的两个环节，而是可以通过AI形成闭环：评估系统可在脑×情境行为×时序数据基础上持续更新对个体状态的判断，并根据最新判断自适应地推荐或调整干预内容（如推送不同的情绪调节训练、调整对话机器人的反馈方式，或提示专业人员关注某些高风险信号）。心理健康服务将从“一次性测评+标准化干预”转向“实时监测+个性化调整”。

首先，新体系将心理健康数据从“单一量表得分”扩展为神经、生理、行为和情境的多模态长程轨迹，其敏感性和可识别性被成倍放大。脑维度的数据（如脑电、脑血流变化）可能揭示注意偏向、情绪反应方式等较为稳定的功能特征；情境行为维度的数据（如活动水平、睡眠节律、社交互动与学习平台使用记录）勾勒出学生的日常生活图谱；时序维度则将这些信息串联为“发展轨迹”。一旦这些信息被不当使用或越界共享，个体不仅会被贴上“高风险”“情绪不稳定”等标签，还可能在升学、奖惩、人际交往中遭遇隐性不利。为此，伦理治理必须贯彻“最小必要、目的限定、分级保护”的原则：在脑维度上，慎用高敏感度指标，只在确有必要的科研或高危支持场景中对其进行采集，并应配备更严格的知情同意和访问控制；在情境行为维度上，优先使用已存在的教育信息化数据，避免为测评额外增加监控；在时序维度上，应明确数据保存期限和“遗忘机制”，防止学生早期的波动性状态被永久固化为“终身标签”。

其次，新体系依赖AI对大规模纵向数据的模式识别，这一过程本身也带来算法偏差与“技术决定论”的新伦理挑战。一方面，如果训练数据中存在性别、地区、年龄等结构性偏差，模型可能将某些群体的正常差异误读为“风险信号”，形成隐性歧视；另一方面，时序维度上的预测功能容易诱发一种“路径决定论”倾向——一旦在某段时序被判定为“高风险”，个体随后的所有波动都易被朝风险方向解读，从而弱化其改变与成长的可能性。在新框架下，算法治理必须兼顾“可解释性”与“可申诉性”：一是通过可解释性AI方法，让系统能够说明在什么时序窗口、在何种情境与行为模式下、基于哪些特征得出何种风险判断，使心理教师能够用专业知识校验其合理性；二是为个体提供清晰的“异议与更正”路径，使其有机会质疑模型结论、补充情境信息，并在状态改善后实现记录的更新与“去标签化”，避免技术判断一旦生成便难以逆转。

最后，新体系将监测的时序跨度从“测评当天”延伸到“日常生活全过程”，极易在学校情境中滑向“监控化”倾向。连续监测如果缺乏边界意识，容易使个体产生“随时被看见”的感受，将原本用于支持心理健康的系统误读为行为管理工具，反而增加焦虑和防御心理。尤其在基础教育阶段，学生对脑与心理数据的长期后果缺乏充分想象力，形式上的“知情同意”未必等同于实质性的自主选择。因此，教育场域下的伦理治理必须坚持“支持先于控制、赋能高于规训”的教育性原则：一方面，明确信息用途的上限，将脑×情境行为×时序数据严格限定在心理健康教育与学生发展支持范围内，与学业评价、行政奖惩、人事决策等场域之间设置“防火墙”；另一方面，在系统设计中应优先考虑“增能性反馈”，让学生从测评中获得理解自身节律、管理压力的工具，而不是只看到“风险等级”和“预警列表”。

在治理路径上，新体系需要构建与之相匹配的多层次协同治理结构。宏观层面，行政部门和相关监管机构应在现有个人隐私保护与教育信息化规范基础上，制定针对脑与心理数据的专门指引，明确脑电、脑影像、长程行为轨迹等“高敏感数据”的法律地位与使用边界，将“隐私保护设计”和“伦理前置审查”纳入测评工作的全周期管理。中观层面，需要设置测评的专门伦理与数据治理委员会，对脑×情境行为×时序测评的引入、算法更新和场景扩展进行持续审查；制定心理数据治理规范，细化采集、存储、分析、共享与销毁的操作流程，并让主要利益相关方参与规则制定和修订。微观层面，应开展数据素养和伦理敏感性的系统培训，让相关责任人在解释测评结果时淡化“问题标签”，强化“资源匹配”和“发展支持”的视角，并在实际干预中始终将面对面的沟通与关系建构置于技术之上。

从测评过程出发，需要在监测、识别、预警、干预与反馈的每一个环节嵌入具体的伦理“关口”。在监测环节，应事先评估不同频率、不同维度数据采集对学生负担与隐私感受的影响，优先采用负担较小、侵入性较低的指标，并为学生提供可选择的参与层级与随时退出的机制；在智能识别与预警环节，需设置多重阈值和“人工复核”程序，避免单次异常或短期波动立即触发高等级干预，防止预警信息不必要扩散；在干预与反馈环节，应按照“自助—机构支持—医疗转介”的分级逻辑，优先确保个人的知情权与选择权，避免将脑或行为指标的短期改善视为唯一成效标准而忽视个体主观体验与长期功能恢复。通过这种“在闭环内嵌入伦理”的方式，可以让伦理治理从单点管控转向全流程预防与引导，最终维持“技术效能—个体权利—教育使命”三者之间的张力与平衡。

总体而言，AI驱动的心理健康测评新体系拓展了对学生心理健康的理解，但也同步放大了关于隐私、偏差与权力边界的伦理难题。只有在明确尊重个体主体性、保障其发展权与人格尊严的前提下，脑×情境行为×时序测评体系才能成为支撑而非压迫个人的力量，为未来构建兼具科学性、伦理性与教育性的新型心理健康服务生态奠定基础。