“人在回路（Human-in-the-loop）”的大学生心理危机识别：工作方式与协同机制构建

一、引言

“Z 世代”大学生的成长期与互联网的兴起和发展相伴随，亦被称为“数字原住民”，作为一个特殊的群体，他们尚处于未成年或甫成年阶段，身心发展尚未完全成熟，有许多因素可能导致心理危机的产生。特别是世纪疫情影响深远，大学生在学习、生活、情感、就业等方面压力增大，如果预防和识别不及时，就会由此造成心理问题甚至衍生为严重的心理危机。因此，如何及早识别和干预大学生的心理问题，成为了当前教育领域研究的重点之一。传统的心理危机识别方法主要依靠人工分析大量的问卷、心理测量数据等，这种方法存在识别效率低、人力成本高等问题。而随着人工智能技术的不断发展，将人工智能技术应用于大学生心理危机识别，成为了一个研究热点和前沿问题。本文旨在探讨如何将“人在回路”的人机协同模式应用于大学生心理危机识别，并着重介绍了其工作方式与协同机制，致力于在提高识别效率和准确性的同时，兼顾人性化关怀。

图1“人在回路”的工作方式

二、“人在回路”的工作方式

“人在回路”的概念是利用人和机器智能来创建机器学习的模型。当以人机协同的方式进行心理危机识别时，计算问题的求解需要人的参与或引入人的参与能提升问题求解的效果。原始机器学习的框架是：采集数据 - 标记数据 -训练数据 - 模型 - 置信度评估 - 采集数据的过程。在引入“人在回路”后，通过人工干预的主动学习方式来优化数据集合，提升数据的随机性、多样性和不确定性；通过人机接口对标记数据进行优化，从而更高效地得到训练数据；引入人类智慧，使数据的含义更清晰、更明确。机器学习的模式从填鸭式教学升级到答疑式教学，从而更加高效准确地做出判断。

1. 标记数据：它决定了如何从人这里获得训练数据，以及什么数据是对心理危机识别不容忽视的。标记工作对模型的好坏有着非常大的影响。日常异常行为数据标记，可以通过架设在校园、教室等的摄像头实现学生日常异常行为的监测。

2. 调整模型：调整模型通常是对数据进行评分，教给分类器有关极端情况的相关信息。高校学生的心理危机识别需要涵盖生理、情绪、行为和活动轨迹等诸多方面，数据多样性对“人在回路”的机器学习至关重要。

3. 反馈验证：通过对模型的输出进行评分来测试和验证模型，尤其是在算法对判断不自信或过于自信的地方。对于决策边界附近的不确定性数据点，进行更多标记并加入训练，可以大大提升算法的表现，这类似于不断总结“容易混淆的易错点”的过程。

三、人机协同机制的构建

学习“人在回路”的优化设计思路，辨析哪些回路需要人的参与，哪些可以交给机器，是建立人机协同机制的关键所在。本文将心理危机识别的研究回路，分为低关注区和高关注区。

图2 研究回路的划分

低关注区是指高校内除高危群体外的所有学生，规模庞大但心理相对稳定。此区域主要采用单通道学习，由人工智能发挥技术优势，规模化、快速地分析学生的心理状态（如通过计算机视觉分析表情行为，自然语言理解分析话语），并匹配教育心理领域中成熟、稳定、显性的干预策略进行指导。

高关注区是指分析规则模糊，需经由隐性策略向显性策略的转化才能解决的实践困境，如心理危机高危群体。此区域需启动双通道学习，由机器先进行分析，主要依靠人类专家的高级共情能力和智慧进行最终研判，生成隐性、灵活、变通的心理调试策略，再与显性策略结合，共同指导学生成长。

1. 基于数据采集的“人在回路”协同发现模型

该模型包括三个环节：（1）多模态的数据收集：通过智能终端、传感器、图像识别、校园网络和门禁系统等技术，全面采集学生的生理、心理、行为和行动轨迹数据。（2）基于算法分析的干预级别研判：将采集到的数据进行语义归类计算，基于机器学习算法进行标记和分类，形成低关注区和高关注区。（3）基于人工智能和人类智慧的研判修正：系统输出诊断结果和置信度评估。若置信度低于专家预设的阈值，则启动人工协同研判，并将修正结果反馈给系统进行再训练，形成闭环优化。

2. 基于应对方式的“人在回路”协同研判模型

该模型聚焦于学生个性化的危机应对方式，包含三个步骤：（1）基于应对方式的在线数据采集：设计智能问卷系统，将“应对方式问卷”等工具在线化，全面收集学生的应对方式及相关信息。（2）基于机器学习算法的数据挖掘：利用聚类、回归等算法分析数据，发现应对方式的模式及其与心理健康的关系。（3）基于人工智能和人类智慧的结果展示和反馈：运用关联规则算法计算应对方式与干预技术之间的置信度。置信度低则由教师 / 专家介入调整；置信度高则自动生成干预技术建议，为学生提供参考。

3. 干预措施模型和修正

根据研判结果，采取差异化干预：（1）对于低关注区：通过聊天机器人、虚拟现实、智能化平台等提供线上心理咨询、心理健康教育和个性化资源推荐。（2）对于高关注区：采取更紧急有效的措施，如利用智能可穿戴设备进行实时监测和预警，引导专业心理治疗，或提供基于大数据的个性化干预方案。（3）模型修正和升级：根据干预效果，结合教师经验和学生自我报告，采用增量学习算法对模型进行迭代优化和实时更新。

四、结语

大学生心理危机的识别与干预，离不开科学而高效的心理危机分析与归纳。本文提出以“人在回路”的模式应用于大学生心理危机识别，构建了基于数据采集的协同发现模型和基于应对方式的协同研判模型，形成了区分高、低关注区的分级干预解决方案，旨在为人机协同提高心理危机识别效率提供实践路径。然而，该模型的实践仍面临多模态数据采集、算法开发、资源库构建等挑战，需后续研究持续突破。