关于将叙事模拟和视觉人工智能融入教学管理以提升大学心理健康能力的研究

摘要

本研究将叙事模拟和视觉人工智能整合进教学管理系统，以提升大学生的心理健康、情绪韧性和参与度。

摘要

大学生面临的心理健康挑战日益增加，包括焦虑、抑郁和压力，但大多数高等教育环境缺乏积极的情绪监测和支持系统。本研究旨在设计、实施并评估一套融合叙事模拟与视觉人工智能（AI）的混合教学管理系统，以促进学生的心理健康素养和情绪韧性。该系统包含一个叙事决策模块，模拟压力场景，以及嵌入课堂环境中的基于面部表情检测的人工智能情绪识别工具。采用混合方法设计，涉及来自多所大学的332名本科生和15名教师。收集了干预前后调查、使用日志以及来自视觉人工智能的实时情绪数据。定量数据采用描述性统计、配对t检验、方差分析（ANOVA）和多重线性回归进行分析。结果显示，学生的心理健康评分（p < 0.01）、情绪觉察和决策信心均有统计学显著改善。这种综合方法既展示了可用性，也展现了可扩展性，为教师提供了早期的情感洞察，学生营造了反思式学习环境。该方法最适合配备AI教室和训练有素的伦理监督机构。

引言

心理健康已成为高等教育中的紧迫问题，全球大学生中焦虑、抑郁和倦怠水平的上升报告^1。这些心理负担通常与学业负荷、社会压力和经济不确定性相关，对学业表现、留存率和长期福祉产生负面影响。虽然许多机构已经实施了咨询服务和危机干预，但这些方法往往是被动且有限^的，范围有限。对主动、可扩展且内嵌的策略需求日益增长，以支持学生在日常学习环境中的心理韧性。

教育技术的最新进步为将情感支持直接融入教学体系提供了新的机会。两种有前景的方法是叙事模拟和视觉人工智能（AI）。叙事模拟指的是互动式、故事驱动的模块，将学生置于情感复杂的情境中，鼓励反思、共情和决策。这些模拟基于体验式学习理论，使学习者能够在安全、有指导^{的环境中演}练应对考试焦虑、时间管理或同伴冲突等挑战的反应 ^4,5。体验式学习理论进一步认为，反思和积极实验对于将经验转化为持久学习至关重要，使叙事模拟成为培养情商和适应性应对的有效手段。

视觉人工智能利用机器学习模型实时推断学生的情绪状态，例如从面部表情、凝视或姿势中推断⁶.在道德且知情同意下部署时，此类系统可作为预警工具，^在升级前识别压力或疏离。嵌入教学管理平台中的可视化人工智能能够及时向教师反馈，支持个性化的学业或情感反应。这种整合与认知行为理论相符，后者强调提高对不良认知的认识并重构它们可以改善情绪结果。

这种方法也与当代将学生体验在数字与线下环境中协调的教学管理观点相呼应。通过将心理健康支持嵌入该基础设施，韧性培训成为学术过程的一部分，而非可选的附加^内容。它进一步符合压力与应对交易模型，该模型将情绪调节框架为评估与应对策略之间的动态相互作用;在这里，视觉人工智能参与初级评估（检测线索），而叙事模拟则在心理安全空间中搭建次级评估（探索应对替代方案）。

尽管兴趣日益增长，但很少有实证研究评估了视觉人工智能与叙事模拟结合使用，在高等教育中提供心理健康支持的效果。此外，诸如心理健康素养（“帮助识别、管理或预防精神障碍的知识和^{信念”）以及}情绪韧性（适应心理压力的能力¹⁰）等关键概念，往往缺乏实际作。本研究通过设计和测试一个集成教学管理系统，将叙事模拟与视觉人工智能组件结合，以促进早期识别痛苦并促进学生自我调节，从而弥补了这些空白。

目标与关键贡献

本研究探讨叙事模拟和视觉人工智能如何有意义地融入教学管理系统，以解决大学生的心理健康问题。目标不是将心理健康视为外部服务，而是将情感参与和早期心理支持融入日常学习中。将互动决策场景与实时情绪监测相结合，为学生提供了反思练习的机会，同时使教师能够敏感地应对痛苦的迹象。

该系统概念以体验式学习为基础，强调实践、反馈和情感参与是行为改变的驱动力。叙事模拟呈现了熟悉的学业压力源（如时间压力、同伴紧张），这些压力需要情感上更显著的选择。与此同时，一套针对面部表情推断校准的视觉人工智能工具，监测教学期间的瞬间变化。该方法还借鉴了情绪智力理论，将自我意识、同理心和调节视为韧性的核心能力。

研究涉及332名本科生和15名教师，涵盖三个学科领域。采用混合方法设计，我们评估了焦虑、抑郁和压力是否减轻，以及学生的情绪觉察和决策信心是否有所提升。统计建模与定性分析共同指导情绪感知技术如何支持学生福祉，这不仅是专业护理的替代，而是作为日常学术生活中预防性、可扩展的组成部分。

系统概述

本研究分为五个主要部分。引言介绍了解决高等教育心理健康挑战的背景和动机。第二部分回顾了现有关于叙事模拟、视觉人工智能及其在教育环境中应用的文献。第三部分概述了研究设计，包括混合方法、参与者招募和分析技术。第四部分呈现了主要的定量和定性发现，重点关注学生情绪韧性和心理健康意识的变化。最后，结论讨论了这些发现的更广泛影响，并提出了将情绪感知技术融入教学实践的未来方向。

相关工作

大学尝试了多种支持心理健康的方法，包括同伴主导的外展、数字宣传和课堂干预。校园范围内的信息传递结合学生同伴支持，可以提升服务参与度和认知度，尽管针对不同群体量身定制^仍具挑战性。在人群层面，研究常依赖基于诊断标准¹³的自我报告调查，该标准限制了因果推断，并忽视了实时的变数指标^14,15。

越来越多的研究将情商（EI）作为学生幸福感的预测因子;自我意识、清晰度和情绪修复等特质与更好的结果相关，归属感常被认为是调解因素¹⁶。然而，许多发现基于一次性调查，缺乏动态反馈以提供持续支持。将EI导向的原则融入叙事模拟，为深化同理心、反思和自我调节提供了途径。

与此同时，教育研究人员越来越多地将人工智能融入学习^环境中。能够检测面部表情或压力相关微表情的视觉人工智能工具已被应用于考试和辅导，在自适应反馈方面取得了令人期待的成果¹⁸。叙事模拟在护理/医学教育中已被广泛采用，用于执行情绪化决策¹⁹，但这些应用通常是特定领域的，很少集成到通用的教学^{管理系统中}。少数研究提出了学生与人工智能协作及人工智能驱动教学设计的框架^21,22，强调伦理、实施差距以及需要可扩展的模型，这些模型不仅仅提供新颖性，还能带来教学和心理价值。

本研究通过将叙事模拟与实时情感计算相结合，推动该领域发展，从而在大学学习环境中为心理健康挑战创造主动、嵌入式的应对方案。

研究空白与实际应用考虑

尽管数字工具在学生心理健康领域日益普及，许多研究仍依赖自我报告和课堂外的短期干预，限制了长期影响和及时性。很少有努力将像EI或心理健康素养这样的概念与实时反馈或可观察的课堂行为联系起来。视觉人工智能和叙事模拟曾被单独探索，但很少结合成一个既能追踪又响应学术活动情绪状态的系统。本研究通过将基于模拟的情感反思与人工智能驱动的学习环境识别相结合，弥补了这一差距。

实际实现考虑

有效的部署依赖于基础设施（稳定的互联网、集成摄像头）、伦理监督和算法校准，以保护参与者并减少偏见，尤其是在涉及面部分析时。教师培训同样需要负责任地解读AI生成的线索，并将其融入教学决策中。因此，该方法最适合拥有成熟数字基础设施和机构伦理委员会的大学，在那里它可以作为一个主动且可扩展的学生心理健康赋权框架。

方案

数据收集前，已获得南京邮电大学机构审查委员会的伦理审批（批准代码：NJUPT-IRB-2024-0312）。所有参与者在了解研究范围、参与的自愿性质、使用视觉人工智能进行情绪追踪及数据保密程序后，均提供了书面知情同意书。参与可随时取消且无处罚。所使用的软件和设备列于 材料表中。

1. 学习准备

1. 作时间线和端到端流程的定义
   设置了两个评估点：T1（干预前），紧接第一检查后;T2（干预后），在指导老师根据AI情绪线索提供简短反馈后。考试结束后安排了一次叙述模拟，几天后又安排了一次模拟以评估应对变化。端到端流程涵盖课堂摄像头输入、情绪识别API、教师反馈、调查收集、数据集成和分析，如 图1A所示。
2. 参与者招募与记录
   共有347名参与者通过自愿注册，从现有课程中招募，其中包括332名本科生（18-22岁;140名男性，192名女性）和15名教师（27-45岁;10名女性，5名男性）。记录了学年和各系的分布情况。学生和教师的人口统计数据分别见 表1 和 表2。
3. 教室和教材的准备
   每个房间配备一台电脑（Intel i5及以上，≥ 8GB内存）、高清摄像头（≥ 720p）和稳定的网络连接（≥10 Mbps）。摄像头安装在眼睛水平线下，前方灯光统一，以确保≥640×480像素的清晰面部可见性。通知显示情绪追踪已激活。每次会话前都会核实框架和照明，确认检测稳定性后启动软件配置。

2. 可视化人工智能配置

1. 情感识别服务的配置
   创建了一个云账户，并启用了情绪识别API。API密钥和端点URL被生成，凭证以加密形式存储，基于角色的访问控制。为实现可重复性，采用了 Microsoft Azure Face API（Emotion，v3.2，东亚地区）。客户端 通过 HTTPS使用承载令牌认证，返回包含{faceId， faceRectangle， emotions： {anger， fear， sadness， disgust， happiness， surprise， surprise， neutral}， timest戳的每面JSON对象，速度约为25-30 fps。
2. 相机连接与检测校准
   课堂摄像头流连接到API客户端（Python或REST）。采样率设置为25-30帧/秒，帧分辨率为640×480像素。启动测试流，并通过收到带有有效时间戳 JSON 的 HTTP 200 OK 响应确认连接。摄像机角度和灯光不断调整，直到进入画面后一秒内就能识别到人脸。最终摄像机的位置和光线参数被记录下来。校准通过确认界面显示边界框、200 OK指示器和JSON字段作为证据，如 图1B所示。
3. 分类阈值和日志规则的定义
   每个 JSON 输出都包含 ISO 8601 时间戳、情感标签和置信度值。每帧负面情绪复合值定义为{愤怒、恐惧、悲伤、厌恶}信心分数的平均值。当复合体在0.75≥持续至少5秒（滚动窗口）时，触发了应力标志。进行了一次10分钟的试点运行以优化阈值，目标是每场会话的误报率为≤5%。日志被配置为聚合会话级摘要，而非存储可识别帧。
4. 隐私和数据最小化控制的实施
   分配了假名标识符（学生用 S001-S332，教师用 F001-F015），ID 密钥文件保存在基于角色的访问控制下加密服务器上。本地视频缓存被禁用。当为了质量保证需要临时缓存时，缓存帧在验证后24小时内被删除。每次会话的检测准确率、平均延迟和错误率均被记录，以便后续在结果部分展示。
5. AI准备度验证（程序检查点）
   确认了25-30帧每秒的稳定人脸检测，收到HTTP 200 OK响应，有效JSON字段，文档化的阈值设置，以及安全的凭证存储。整个管道均通过了与 图1B中校准显示一致的准备检查。

3. 测量管理

1. 仪器与锚点配置
   采用5点李克特量表测量抑郁、焦虑和压力，采用了根据DASS-21调整的题目，以适应学术背景。项目代码和锚点遵循 表3中列出的仪器布局。
2. T1的施药（预检）
   调查在初次考试后立即进行，且在任何AI知情反馈之前进行。部署了一个安全的在线表格，所有字段均设为强制填写，防止重复提交。数据集导出为CSV格式，包含参与者ID、时间点（T1）和项目评分字段。
3. 简短教师反馈的传递
   在T1检测后24小时内，AI识别的学生获得了非临床指导。反馈内容包括短暂的放松练习（3-5分钟）、学习计划调整或时间管理建议。研究数据集中未记录临床记录。表现出严重痛苦的学生根据校内政策被转介至校园心理咨询服务。
4. T2的给药（检测后）
   第二次考试及后续反馈后，再次进行了同一调查。数据导出为CSV格式，并附有时间点（T2），并使用参与者ID与T1回答匹配。
5. 调查数据锁定（程序检查点）
   回答率和缺失数据模式均被核实，调查数据库在合并前被锁定。描述性统计数据计划纳入结果部分。

4. 叙事模拟练习

1. 模拟1的执行
   呈现了一个学业压力情景，描绘了如收到低分或感受到不公平反馈等情境。每位学生被要求选择三种反应选项之一：内化挫败感、公开指责教师，或反思并寻求澄清。回答选择时长为3-5分钟，随后是150-200字的书面理由。显示时序提示和响应选项的仿真界面如 图1C所示。
2. 进行简短访谈
   模拟1结束后，立即进行了5-7分钟的短访谈，探讨参与者的评价、应对意图及感知到的情绪触发因素。采访记录被记录并与参与者身份证相关联。
3. 模拟2的执行
   几天后进行了第二次模拟，程序与模拟1相同，但采用了平行场景。本次疗程旨在观察情绪觉察和应对行为的变化。选择、理由和访谈笔记均与模拟1相同记录。
4. 模拟记录的确认（程序检查点）
   每位参与者都被核实有一条记录的选择、一份包含至少150字的理由和一份对应的访谈笔记。为后续主题分析准备了编码摘要模板。

5. 导出AI日志并合并数据集

1. 会话级情绪摘要的导出
   会话层级情绪摘要以CSV格式导出，包括参与者ID、会话ID、ISO 8601时间戳、情绪标签、信心值和压力标志指标。原始视频帧未被保存。
2. AI日志与调查文件的合并
   AI日志文件与T1和T2调查数据集合并，使用参与者ID和会话日期作为关键变量。计算了衍生变量，如ΔAnxiety = Anxiety_T2 − Anxiety_T1，以评估随时间的变化。对合并记录的5%进行了审计，以验证标识符的对齐性和时间一致性。
3. 合并完整性确认（程序检查点）
   确认了一对一的身份匹配和时间顺序正确，每位参与者的T1位于T2之前。在进行统计分析前，已解决任何发现的差异。

6. 定量分析（SPSS工作流程）

1. 数据导入与变量定义
   数据文件在SPSS 27.0中打开，并导入了CSV数据集。定义了变量标签和类型，并建立了缺失值规则。母文件以.sav格式保存以便后续分析。
2. 可靠性评估与描述性统计
   计算了每个构念的克朗巴赫α以评估内部一致性。所有变量均生成了描述性统计量，包括均值（M）和标准差（SD）。所得结果被保留，用于结果部分。
3. 配对样本t检验的执行
   进行了配对样本t检验，比较T1和T2在焦虑、抑郁和压力中的评分。结果包括t、自由度（df）、p值、Cohen's d和95%置信区间（CI），均在结果部分呈现。
4. 重复测量方差分析的执行
   时间（T1， T2）作为受试者内因素，在重复测量方差分析中被指定。评估了莫克利的球面性测试，并在假设被违反时应用了格林豪斯-盖瑟修正。分析报告了F、df、p、η²和95%置信区间值，纳入结果。
5. 多线性回归模型的拟合
   多重线性回归模型配合T2结果，回归T1分数、AI压力标志率和叙述选择（虚拟编码）。模型结果通过报告 β、标准误（SE）、t值、p值和R²进行总结。
6. 维护单位和符号标准
   所有数值均遵循国际单位制（SI）单位制，数字与单位之间留有空格（例如，10分钟，25帧每秒，640×480像素）。在适当位置使用Word的方程工具插入方程，统计符号在所有部分保持一致。

7. 主题分析工作流程

1. 定性语料库的组装
   访谈笔记被转录，叙述理由汇编成一个按参与者ID和时间点标注的语料库（Sim1或Sim2）。该语料库作为定性分析的数据集。
2. 代码手册的开发与程序员培训
   开发了一本代码手册，重点关注情绪参与、决策质量和情商指标，包括自我意识、同理心和情绪调节。两名编码员接受了10%语料库的培训，以确保编码和分析标准的一致解释。
3. 建立评估者间可靠性及编码完成
   评估中介信度时目标Cohen's κ至少为0.75。任何不一致都会被讨论并解决，然后才最终确定密码本。剩余的语料库随后被完整编码。主题频率被总结，并准备了代表性的主题地图，准备在结果部分展示。选出了一条代表性引言来说明每个核心主题。

8. 质量控制、故障排除与归档

1. 技术问题的解决
   当面部识别率较低时，前方照明得到改进并调整了摄像机角度。帧率被验证保持在25-30帧之间。在观察到过度应力标志的情况下，检测阈值提高至0.80，或将检测窗口延长至至少8秒以稳定结果。
2. 数据一致性的保证
   参与者身份证和时间点在数据分析前进行了验证。每50份转录后，编码员会重新校准，以防止编码漂移。会议负责人和数据管理员共同维护并签署了会话级质量控制检查表，以记录程序完整性。
3. 数据集归档与文档
   所有分析文件通过将直接标识符替换为参与者ID来去标识化。同意书与研究数据分开存储。最终数据集、SPSS语法文件、代码本和质量控制日志被存档在受限访问的安全服务器上。

结果

描述性分析

预先比较显示实施后不良反应持续下降。测试后焦虑的平均值从3.25、3.11和3.08分别降至2.87、抑郁2.74和压力2.69（见图2）。描述性结果总结于 表4，项目级工具结构见 表3。为评估研究背景下的AI可靠性，Microsoft Azure情绪API在七个类别中实现了91.4%的平均分类准确率，平均错误率为8.6%，每帧延迟<1.2秒，显示出检测情感变化的可接受精度（见表4）。

多元线性回归结果

回归模型通过回归T2焦虑、抑郁和压力对T1评分、AI压力标志率和叙述选择（虚拟编码）进行回归，按照方法中描述的工作流程，研究干预后结局的预测变量。干预相关预测变量与不...

讨论

研究表明，当叙事模拟与视觉人工智能结合时，情感觉察成为一个共享过程，而非单向干预。学生们不仅仅是对数字工具做出反应;他们参与了一种结构化的情感反思，将认知评估与具身体验连接起来。在数据集中，定量和定性结果均显示焦虑减少和情绪调节改善的持续模式，表明该方案可作为大学教学体系中的情商层。

决定这种方法有效性的，似乎不是技术本身，而是校准、反馈和叙事设计之间的协调。在情绪识别模块精准调整且教师及时跟进的课程中，学生的反思质量显著提升。当跳过或延迟这些步骤时，互动水平明显下降。这一观察支持了情感学习本质上是互动且依赖情境的观点。

从设计角度看，本协议还为早期关于完全沉浸式虚拟现实和多模态表现的研究提供了对比，后者强调感官沉浸是通往自我意识的路径²³。这里强调认知参与;学生通过引导叙事反思构建了自己的意义。这一区分或许能解释为何即使硬件相对简单，情感投入依然有所提升。此外，系统运行透明度提升信任的发现与比较人类叙述与人工智...

材料

本文使用的材料清单

姓名	公司	目录编号	评论
硬件	面部识别摄像头	罗技（或类似产品）	C920高清摄像头
乐器	访谈文字记录集	手动进入	音频录音/文本
问卷	改良版DASS-21比例	作者改编	5点李克特格式
软件	Microsoft Azure Emotion API	Microsoft	Emotion API v3（云端）
软件	SPSS统计	IBM	版本26
软件	叙事模拟系统	自学	基于网页（HTML5）
系统平台	大学教学管理系统	内部平台	与AI模块集成