“句芒智环”校园霸凌智能监测与干预系统的构建与成效

摘要：本研究聚焦校园霸凌问题，设计并开发“句芒智环”智能手环系统，旨在实现对校园霸凌的实时监测与有效干预。通过集成多种先进技术，收集分析学生行为数据，提供精准预警和干预措施。研究过程涵盖需求分析、系统设计、开发测试等阶段，结果显示该系统在试点应用中表现良好，能准确识别霸凌行为并及时预警，为校园霸凌防治提供创新思路与实践经验。

关键词：校园霸凌；智能手环；实时监测；预警干预

引言

校园霸凌作为一个严峻的社会问题，严重威胁学生的身心健康，破坏校园的和谐秩序。随着信息技术的飞速发展，利用智能设备防治校园霸凌成为新的研究方向。“句芒智环”项目应运而生，旨在借助先进的技术手段，打造一个全方位、多层次的校园霸凌监测与干预体系，为学生的成长保驾护航。

一、校园霸凌现状及传统防治手段的局限

校园霸凌现象在全球范围内普遍存在，形式多样，包括身体霸凌、言语霸凌、关系霸凌和网络霸凌等。传统防治手段主要依赖学校规章制度约束、教师监督以及事后处理，存在明显滞后性和被动性。例如，教师难以时刻关注每个学生的动态，霸凌行为发生后才进行处理，往往无法及时避免对受害者的伤害。而且，学生可能因害怕报复而不敢主动报告霸凌事件，导致问题被忽视。并且传统监控依赖人工巡查，存在效率低下与隐私侵犯危险。现有智能检测系统多聚焦单一模态（如摄像头），难以应对霸凌场景的多变形（如言语辱骂、肢体威胁）。

二、“句芒智环”系统设计

2.1 系统架构

“句芒智环”系统主要由智能手环、云服务器和手机应用端组成。智能手环负责采集学生的生理数据（如心率）、运动数据、声音数据，并通过IP通信技术和GPS定位技术将数据实时传输至云服务器。云服务器对接收的数据进行存储、分析，运用机器学习算法识别潜在霸凌模式。手机应用端则为家长、教师提供数据查看、预警接收等功能，方便他们及时采取干预措施。

A [手环传感器] --> B （本地预处理模块）

B -->| 异常信号 | C （云端 AI 模型）

B -->| 正常信号 | D （数据暂存与压缩）

C --> E （分级预警机制）

E -->| 低风险 | F [家长 APP 通知]

E -->| 高风险 | G [教师终端介入]

G --> H （事件记录与存档）

2.2 功能模块

2.2.1 生理与运动监测模块：

传感器：PPG（光电容积描记）传感器检测心率变异性（HRV），六轴加速度计捕捉异常动作（如突然奔跑、挣扎）。

算法：基于 LSTM 的时序分类模型，区分运动状态与情绪波动（准确率 92.3%）。

2.2.2 声音采集与分析模块：

特征提取：MFCC + Log - Mel Energy 结合频谱图特征。

数据增强：添加 RNNoise 降噪、Librosa 音频裁剪（时长 ±5 秒随机扰动）。

2.2.3 位置追踪模块：

室内定位：采用 UWB（超宽带） + WiFi 指纹融合定位，误差 < 1.5 米。

通信协议：MQTT 协议实现低延迟消息传输（平均延迟 < 100ms）。

2.2.4 预警与干预模块：

采用层次预警模型，根据不同的监测数据组合激活相应防线。例如，当仅检测到心率异常时，触发第一层预警，向家长发送提醒；若同时检测到不友好语义和异常位置，则触发更高层级预警，通知教师并提供详细信息，以便及时进行干预。

2.3 关键技术的突破

技术难点 解决方案

多模态数据融合 设计注意力机制权重分配模型，平衡生理 / 语音 / 位置数据的决策贡献度

实时性保障 本地端预处理（裁剪、降噪） + 云端轻量级模型（MobileNet-SSD）

隐私保护 数据脱敏（删除个体身份信息） + 端到端加密（AES-256）传输

2.4 技术创新性

首次提出多模态融合检测框架，继承生理信号（心率/加速度）、语音语义（辱骂/威胁识别）、位置轨迹（GPS定位）数据，实现从感知层到决策层的闭环干预。

三、实验验证与结果分析

3.1 实验设计

数据集：

生理数据：收集渭南师范学院附属中学 300 名学生日常活动数据（采样率 100Hz）。

语音数据：公开数据集（RAVDESS、FSD1000）标注辱骂 / 威胁类别，模拟真实场景添加食堂 / 操场噪音。

评估指标：准确率（Accuracy）、召回率（Recall）、F1-Score、系统延迟（Latency）。

3.2 实验结果

3.2.1 识别性能

3.2.2 实时性测试

3.2.3 典型案例验证

案例 1：某班级发生言语霸凌事件，系统通过声纹识别触发三级预警，教师 5 分钟内抵达现场干预。

案例 2：学生因运动导致心率异常误报，通过双重验证机制（持续监测 10 分钟）排除干扰。

四、不足与改进方向

4.1 现存问题

方言适应性不足：粤语 / 四川话识别准确率低于普通话（相差 12%-15%）。

低光照环境受限：手环 PPG 传感器在强光下信噪比下降（需补充环境光传感器）。

伦理争议：未建立明确的误报申诉机制，可能引发家长对监控范围的质疑。

4.2 优化路径

多语言支持：迁移学习微调 Wav2Vec 2.0 模型，增加方言语音库。

硬件迭代：集成环境光传感器（MAXM8610）与备用电池模块。

伦理设计：开发用户自主控制界面，允许临时关闭非必要监测功能。

五、社会价值与应用前景

5.1 教育领域应用

预警机制：与学校管理平台对接，自动生成霸凌事件统计报告。

干预支持：为心理咨询师提供情绪异常学生的历史行为分析。

5.2 扩展可能性

疫情场景适配：结合远程教学摄像头，检测线上课堂中的语言暴力。

司法辅助：保存的音频/位置证据可作为霸凌案件取证材料。

六、结论

本系统通过多模态数据融合与轻量化模型设计，实现了校园霸凌事件的实时监测与分级干预，在试点中展现出较高的实用性与安全性。未来需进一步优化方言识别能力，并建立完善的伦理审查与用户反馈机制。

基金项目：2024省级大学生创新创业训练计划项目（项目编号S202410723087）

指导教师：周碧英 副教授