電子學習系統中憂鬱與焦慮的行為與表現指標研究
arXiv - Computers and SocietyArya VarastehNezhad, Fattaneh Taghiyareh
研究發現 Moodle 學習管理系統的行為數據能有效識別與學生憂鬱及焦慮程度相關的行為模式。
AI 幫你先抓重點
AI 重點 1
將 LMS 數據從單純的「學習成效監測」轉向「學生福祉預警」。
滑鼠懸停看 AI 判斷理由
傳統教育科技多關注成績與知識掌握，但此研究證明了數位足跡能反映心理健康狀態，這為建立具備情感支持功能的智慧學習環境提供了新的維度。
AI 重點 2
強調數位指標僅作為「情境性非診斷性標記」，而非臨床診斷工具。
滑鼠懸停看 AI 判斷理由
這對於教育實務者至關重要，避免過度解讀數據導致誤判，提醒我們數據應作為早期介入的警示訊號，而非取代專業心理諮商的依據。
核心研究發現
- 1
憂鬱程度較高的學生表現出較不規律的時間活動模式、較長的單次學習時長，以及更接近截止日期的作業繳交行為。
- 2
焦慮程度較高的學生在時間參與度上呈現高度集中的特徵，且在單次學習階段（session）的行為模式上與一般學生有所差異。
- 3
透過分析 LMS 事件日誌（如頁面重新整理、導覽模式、作業提交提前量等），可以提取出與學生心理健康狀態相關的行為訊號。
對教育工作者的啟發
教育工作者可利用 LMS 的數據分析工具，建立自動化警示機制。例如，當系統偵測到學生出現「作業提交時間極度接近截止日」或「學習活動時間點異常偏移」等模式時，可主動提供心理健康資源或進行關懷訪談。然而，設計者在開發此類預警系統時，必須確保數據隱私，並明確界定這些指標僅供「早期預警」使用，不應直接作為學生的心理健康診斷結果，應與專業輔導流程結合使用。
原始文獻資訊
- 英文標題：
- Behavioral and Performance Indicators of Depression and Anxiety in Electronic Learning Systems
- 作者：
- Arya VarastehNezhad, Fattaneh Taghiyareh
- 來源：
- arXiv - Computers and Society
- AI 摘要模型：
- /models/gemma-4-26B-A4B-it
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。