利用 AI 驅動工具增進校園福祉：預防與干預之整合框架
arXiv - Computers and SocietyJinwen Tang
本研究開發了一套整合 AI 聊天機器人與語言模型，用於校園滿意度調查預防及心理健康風險檢測的系統化框架。
AI 幫你先抓重點
AI 重點 1
從單向問卷轉向「情境感知」的對話式數據收集
滑鼠懸停看 AI 判斷理由
傳統問卷往往缺乏深度且易造成使用者疲勞，透過 LLM 驅動的對話式工具能提供更具參與感的體驗，這改變了教育者收集學生心理狀態與滿意度的實務模式。
AI 重點 2
利用多層次推理架構解決 AI 在心理評估中的可靠性問題
滑鼠懸停看 AI 判斷理由
在心理健康領域，AI 的錯誤資訊（幻覺）可能導致嚴重後果。透過 SMMR 這種將複雜任務拆解並由專家模型進行協同驗證的方法，為 AI 進入高風險教育決策領域提供了技術可行性。
核心研究發現
- 1
開發的 TigerGPT 聊天機器人透過對話式設計達成 75% 的可用性與 81% 的滿意度，並透過 AURA 強化學習框架顯著提升對話品質。
- 2
AURA 框架能根據 LSDE 品質訊號動態調整追問類型，使對話品質平均提升 0.12，並減少 63% 的重複性追問需求。
- 3
PsychoGPT 結合 DSM-5 與 PHQ-8 指引進行心理壓力分類，並透過堆疊多模型推理（SMMR）技術有效降低 LLM 的幻覺問題。
- 4
研究證明 BERT 模型在處理敘事性故事時，能捕捉細微語言特徵，優於僅依賴關鍵字的傳統分類器。
對教育工作者的啟發
教育工作者可借鑒「預防優於治療」的數位轉型思路。首先，利用 AI 聊天機器人進行常態性的、非侵入式的學生滿意度與情緒監測，而非僅在危機發生後才介入。其次，在設計數位輔導工具時，應強調「解釋性」與「多層次驗證」，確保 AI 給出的心理評估結果具備臨床指引（如 DSM-5）的依據，並透過多模型協作來降低錯誤率。這能幫助校園建立一套從「情緒感知」到「風險預警」的自動化數位防護網。
原始文獻資訊
- 英文標題：
- New AI-Driven Tools for Enhancing Campus Well-being: A Prevention and Intervention Approach
- 作者：
- Jinwen Tang
- 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。