桂林理工大学

详情

AIGC技术对青少年心理健康教育中个性化干预与自我认知的多维影响研究

申报人：刘仁东 申报日期：2025-01-05

基本情况

2025年批次
AIGC技术对青少年心理健康教育中个性化干预与自我认知的多维影响研究 学生申报
创新训练项目
教育学
教育学类
学生自主选题
一年期
在当前数字化和智能化的浪潮中，生成式人工智能（AIGC）技术正以其强大的数据处理和自然语言生成能力，推动教育、医疗、文化等多个领域的深刻变革。然而，随着技术的快速发展，心理健康问题在青少年群体中呈现出复杂化和多样化的趋势，如何有效利用AIGC技术为心理健康教育赋能成为一个亟需解决的课题。青少年作为心理成长的关键群体，其面对的学习压力、社交困扰和自我认知问题越来越受到关注。基于此背景，本项目以“探究AIGC技术对青少年心理健康教育中个性化干预与自我认知的多维影响”为研究主题，旨在结合生成式人工智能（AIGC）技术和认知行为疗法（CBT），探索其在提升青少年心理健康教育效果方面的潜在作用和多维影响。本研究通过对现有AIGC技术在心理健康教育中的积极作用和可能风险进行全面分析，通过构建针对心理健康问题的深度交流类AI模型，以青少年为实验主体开展模型干预实验，验证技术应用的实际效果和优化建议。项目内容包括正负面影响的系统分析、个性化干预效果评估、自我认知模型构建以及潜在风险规避策略等，旨在为教育与心理健康领域提供创新性理论支持和实践指导。
负责人参与过 大学生创新创业区级创新训练项目“广西特色美食文化英译研究”以及区级创新训练项目“AIGC时代技术赋能语言服务路径研究与实践”
桂林理工大学心理中心专职教师兼副教授；负责和参与多个国家级、省部级科研项目；发表多篇学术论文并获得多项国家级、省级奖项；指导过多项大创项目并顺利结题。
参与指导项目选题、申报书撰写及指导后续调查和干预研究，发表多篇相关论文，能为本项目开展提供技术和专业知识保障，调研经验丰富。
国家级

项目成员

序号 学生 所属学院 专业 年级 项目中的分工 成员类型
刘仁东 外国语学院 英语 2023 统筹项目工作
王壹贺 计算机科学与工程学院 计算机科学与技术（应用） 2023 训练AI模型与提供技术支持
崖曦丹 机械与控制工程学院 自动化 2023 搜集整合资料与数据分析
权思源 地球科学学院 地质工程 2023 训练AI模型与数据分析
黄子恒 外国语学院 英语 2023 搜集整合资料与制作问卷

指导教师

序号 教师姓名 所属学院 是否企业导师 教师类型
谭咏梅 党委学生工作部、 学生工作处 否
邓洁琼 外国语学院 否

立项依据

青少年心理健康问题的复杂性和多样性已成为全球教育与社会发展的重要挑战。传统心理健康教育模式在应对青少年多样化和个性化需求方面存在局限，同时在资源分配、覆盖范围和干预效率上也难以满足实际需求[1]。生成式人工智能（AIGC）技术凭借自然语言生成、情感计算和个性化交互能力，为心理健康教育提供了新的可能性[2]。
本项目的主要研究目标包括以下三个方面：
1. 研究AIGC技术在心理健康教育中的个性化干预效果
本项目将结合认知行为疗法（CBT）的核心理念，利用AIGC技术开发深度交流AI模型，探索其在促进青少年心理健康教育效果和自我认知提升中的潜在作用[3]。
2. 评估AIGC技术在心理健康教育中的正负面影响
系统分析AIGC技术的多维影响，包括促进作用（如个性化教育与心理干预效果的提升）和潜在风险（如隐私问题与技术依赖性），以提供全面的科学依据[4]。
3. 提出技术优化与应用建议
结合实验数据和文献研究，制定科学的技术优化策略和教育应用框架，为AIGC技术在心理健康教育领域的规范化发展提供理论支持和实践指导[5]。

本项目围绕生成式人工智能（AIGC）技术在青少年心理健康教育中的应用展开，研究内容涵盖理论梳理、模型构建、实验设计与实施以及多维影响分析，具体包括以下方面：
1. AIGC技术与心理健康教育理论的梳理与整合
• 深入研究AIGC技术的核心功能，包括自然语言生成、情感分析、个性化交互等，探讨其在心理健康教育中的适用性与优势[1][2]。
• 整合认知行为疗法（CBT）的理论框架，与AIGC技术进行结合，研究其在促进青少年自我认知和情绪调节中的潜在作用[3][4]。
2. 基于AIGC技术的心理干预模型构建与实验设计
• 构建深度交流AI模型，结合青少年心理健康需求，应用自然语言处理和情感计算技术，提升干预效果的个性化和实时性[2][5]。
• 设计对照实验，选取实验组使用AIGC模型进行心理干预，对照组使用传统心理健康教育方式，比较两组在心理健康指标和自我认知维度上的变化[3][6]。
3. AIGC技术的多维影响分析
• 积极作用：研究AIGC技术在心理健康教育中的作用，例如通过自适应学习与个性化反馈提升青少年心理健康教育的正面效果[1][7]。
• 潜在风险：分析AIGC技术可能引发的隐私泄露、技术依赖性等问题，探索其对青少年心理健康的潜在负面影响[4][6]。
4. AIGC技术的优化与发展建议
• 结合实验数据与文献研究，提出优化AIGC技术在心理健康教育中的应用策略，设计适应多元需求的教育框架[5][8]。
• 制定隐私保护和伦理风险规避方案，确保AIGC技术在心理健康教育中的安全与可持续应用[4][9]。

国内研究现状
国内研究者积极探索AIGC技术在青少年心理健康教育中的应用。例如，天津大学的研究团队与天津市安定医院合作，基于生态瞬时评估和语音的抑郁状态识别，构建了基于深度学习的抑郁状态识别模型，识别准确率高达90%。该研究为基于语音的抑郁症精准检测提供了重要手段[19]。此外，上海市长宁区精神卫生中心提出了基于深度学习技术的青少年心理健康服务模式。该项目通过构建基于因果关系的认知事理图谱和策略驱动的心理咨询对话模型，实现了对青少年心理问题的早期智能咨询、筛查、评估及初步干预[20]。

国外研究现状
国外学者也在积极探索AIGC技术在青少年心理健康促进和预防中的应用。Rauschenberg等人提出了“生活实验室AI4U”项目，利用人工智能为青少年提供个性化的数字心理健康干预。该项目通过生态瞬时干预，在日常生活中提供适应性训练组件，旨在提高干预的个性化和可及性[21]。此外，清华大学心理与认知科学系的研究指出，生成式人工智能在处理和分析语言数据方面的能力，为心理健康干预带来了新的思路，特别是在提高治疗的个性化和可及性方面[22]。

挑战与问题
尽管AIGC技术在青少年心理健康教育中的应用展现出显著潜力，但仍面临隐私保护、伦理问题和资源分布不均等挑战[9][23]。例如，中国通过《个人信息保护法》和《数据安全法》对数据使用进行规范，但在实际操作中，如何在保护隐私的同时提升技术效果仍需进一步探索。此外，技术的推广可能加剧教育资源的不平等，农村和偏远地区的可及性较差[23]。

发展动态
近年来，AIGC技术在青少年心理健康教育中的发展受到政策支持和技术驱动的双重推动。例如，《国务院关于加强新时代中小学心理健康教育工作的意见》明确指出，应积极利用人工智能和大数据等技术提升心理健康教育的智能化水平，为AIGC在该领域的应用提供了政策依据[16]。《“十四五”数字经济发展规划》进一步强调推动人工智能技术在医疗健康和教育领域的深度融合，为AIGC技术的发展提供了明确方向[17]。
国内高校和科研机构也在推动AIGC技术在心理健康教育中的实践。例如，天津大学研究团队开发了基于语音和生态瞬时评估的抑郁状态识别系统，为心理健康干预提供了精准化工具[19]。同时，生成式人工智能被广泛应用于情感分析和个性化对话模型，为青少年提供个性化心理健康服务，其有效性在多个实践场景中得到了验证[20]。
此外，中国《个人信息保护法》和《数据安全法》对数据采集与使用的合法性和安全性提出了明确要求，为AIGC技术的发展提供了合规保障[23]。在跨学科融合方面，心理学和人工智能的结合推动了干预模式的科学化，生成模型与情感计算的结合进一步提升了技术的实用性和个性化水平[6][14]。

1. 多维影响研究
目前，大量研究集中在生成式人工智能（AIGC）技术对心理健康的积极作用，例如提升个性化教育效果与自我认知能力[1][3]。然而，对其潜在负面影响和危险的系统研究仍较少。本项目创新地从正负两方面探索AIGC技术对青少年心理健康教育的多维影响，全面评估其优缺点，为技术的安全化发展提供科学依据[4][6]。
2. 深度交流AI模型构建与对照实验
项目将结合认知行为疗法（CBT）的核心理念，训练一个专门针对青少年心理健康干预的AI模型，并通过对照实验验证其实际效果。实验组使用AI模型进行干预，而对照组采用传统心理健康教育方式，系统比较两组在心理健康水平与自我认知提升方面的差异[3][7]。
3. 双向反馈与动态优化
项目通过AI模型与试用者的双向反馈机制，不仅收集用户体验数据，还能实时优化模型性能。模型将根据用户的个性化需求和情感反馈动态调整交互策略，从而提高干预的精准性和有效性[2][8]。
4. 多学科融合与实践导向
项目将心理学、教育学与人工智能技术相结合，不仅在理论上创新地探索AIGC技术的应用潜力，还通过问卷调查与实验研究深入了解技术的实践效果。这一实践导向将为未来心理健康教育的智能化转型提供科学参考[4][7]。
5. 伦理与隐私保护视角
针对AIGC技术在心理健康教育中可能引发的数据隐私和伦理风险，项目将提出有效的风险规避策略与技术优化建议，为技术的规范化与可持续应用提供支持[6][9]。

1.技术路线
① AIGC技术与青少年心理健康教育理论的梳理与整合
• 深入研究AIGC技术的原理、功能特性及其在教育领域的应用理论[1]。
• 系统梳理青少年心理健康教育的相关理论，包括发展心理学与认知行为疗法在心理健康教育中的应用[3]。
• 整合AIGC技术与心理健康教育理论框架，为后续研究提供理论支持[4]。
② 多维度数据采集与整理
• 设计调查问卷，涵盖AIGC使用频率、使用场景及青少年自我认知感受等内容[6]。
• 与学校及教育机构合作，获取心理健康测评数据（如MBTI性格测试、SCL-90量表等）[7]。
• 收集AIGC平台交互数据（如提问内容、交互时长），并通过数据清洗技术去除无效数据[12]。
③ 个性化干预效果评估模型构建
• 确定关键变量（如青少年特征、使用行为、心理健康水平），采用机器学习算法构建模型[13]。
• 使用交叉验证技术优化模型，提高其准确性与泛化能力[15]。
④ 自我认知维度分析模型构建
• 运用自然语言处理技术对交互文本进行分析（如情感分析、主题模型）[8]。
• 结合心理学知识，对模型结果进行语义层面的解读与验证[14]。
⑤ AIGC干预实验设计与实施
• 将实验对象随机分为实验组（接受AIGC干预）和对照组（接受传统心理健康教育）[6][11]。
• 定期对两组进行心理健康测评与自我认知评估，并收集相关数据[9][13]。
⑥ 数据对比与影响机制分析
• 通过t检验与方差分析比较实验组与对照组的干预效果差异[14]。
• 使用结构方程模型分析AIGC技术对心理健康和自我认知的多维影响机制[18]。

2.拟解决的问题
①. AIGC技术与心理健康教育理论的融合困境
当前AIGC技术在心理健康教育领域的理论基础薄弱，尚缺乏系统性的理论框架[3][7]。
②. 精准数据采集与有效整合的难题
数据来源多样（如学校心理测评、AIGC交互文本），如何实现数据的有效融合与隐私保护是研究难点[9][15]。
③. 个性化干预模型构建与优化瓶颈
确定关键变量与选择合适算法是构建个性化干预模型的挑战，且现有模型可解释性较差[12][14]。
④. 自我认知维度的量化与深度分析障碍
青少年自我认知维度（如身体意象、学业自我）复杂且抽象，如何精准量化并揭示其与心理健康的关联机制仍需深入研究[18]。

3.预期成果
①. 学术研究报告
撰写《AIGC技术对青少年心理健康教育中个性化干预与自我认知多维影响的综合研究报告》，系统阐述技术多维影响及其理论融合成果[7][14]。
① . 个性化干预模型与工具
开发基于AIGC技术的青少年心理健康个性化干预模型与配套使用方案，以在线平台形式应用于教育实践[6][13]。
③. 自我认知评估与提升指南
制定《AIGC技术助力青少年自我认知评估与提升指南》，为教育者和家长提供操作性指导[9][18]。
② . 教育实践案例集
整理形成《AIGC技术在青少年心理健康教育中的实践案例集》，提供实际教育场景的应用经验与解决方案[15][18]。summernote-img
研究阶段 时间安排 进展目标
第一阶段 2024年12月-2025年3月
1. 查阅国内外关于“AIGC技术对青少年心理健康教育影响”的文献，梳理研究现状并整理理论基础[3][6]。
2. 设计调查问卷，涵盖AIGC技术的使用情况、青少年心理健康状态和自我认知评估等内容[7][9]。
第二阶段 2025年3月-2025年7月
1. 构建深度交流AI模型，结合CBT疗法，初步完成模型训练和优化[3][8]。
2. 设计对照实验，明确实验组（接受AI干预）和对照组（接受传统心理健康教育）的干预方案及测评指标[7][10]
第三阶段 2025年7月-2025年9月
1. 投放AI模型至目标青少年群体，跟踪并记录用户反馈及心理健康变化数据[8][13]。
2. 开展数据分析，比较实验组与对照组在心理健康和自我认知维度上的变化[14][16]。
第四阶段 2025年9月-2025年12月
1. 总结实验结果，系统分析AIGC技术对青少年心理健康教育的多维影响[7][15]。
2. 撰写研究成果，包括学术报告、个性化干预工具和发展建议，并提交研究论文[12][17]。

研究积累
1.研究经历
团队成员均曾参与校内外多项创新创业训练项目，具备丰富的项目研究与实施经验，尤其在科研设计、数据分析和论文撰写方面积累了扎实的实践基础。
2.技术应用：
团队成员在学习和实践中均接触并熟练掌握了AIGC技术的基础功能，包括自然语言生成、数据计算与分析和个性化交互功能，能够灵活运用这些技术。
3.基础知识储备：
团队已初步了解认知行为疗法（CBT）与心理健康教育相关理论，并结合AIGC技术开展了初步的探索性研究，为项目提供了坚实的学术支持[4]。

团队优势（已取得的成绩）
1.跨学科协作：
团队成员来自多个学院，包括地球科学学院、外国语学院、机械与控制工程学院以及计算机科学与工程学院。在团队成立时就考虑到团队成员的学科背景多元化，能够从多方面提供技术支持，这样有助于完成跨学科领域的研究[16]。
2.技术能力：
团队对AI模型训练具有浓厚兴趣，并以通过基础的培训掌握了相关技术，能够完成AI模型的初步训练。此外，团队成员已学习并熟悉多种心理健康测评方法，能够在项目中实现理论与技术的紧密结合[8]。
3.指导支持：
本项目指导教师均为国家二级心理咨询师，具备丰富的心理咨询与实践经验，可为心理健康干预实验设计、数据分析及伦理风险规避提供专业指导。

实践条件
1.合作资源：
本项目已与校内心理健康中心达成合作意向，能够利用其提供的资源进行数据收集和实验实施。同时，心理健康中心的实际场景为项目的实验研究和模型测试提供了真实的应用环境。
2.技术支持：
团队具备必要的硬件和软件条件，包括高性能计算资源和AI模型开发工具，能够支持模型训练和大规模数据处理。此外，通过校内外多渠道、多平台合作，能够广泛获取心理健康数据，并进行严格的数据分析和管理。

尚缺条件
1. 对AIGC技术潜在风险的系统研究不足
当前团队对AIGC技术的学习与应用主要集中在其积极作用，而对技术的潜在负面影响和风险（如隐私问题、技术依赖等）的研究尚处于初级阶段[9]。
2. 对于CBT疗法的科学依据和专业知识不够深入了解
团队在心理健康教育相关理论上仍有不足，特别是在情感分析与心理干预策略设计的深度上尚需进一步提升。

解决办法
1. 针对潜在风险的系统学习
团队将加强对AIGC技术潜在风险相关文献的学习，特别是关于隐私保护、伦理问题和技术依赖的研究。同时，积极观看心理健康与人工智能结合的相关学术论坛与研讨会资料，参与学习讨论，提升团队认知[9][15]。
2. 心理学知识的专项培训
团队将在指导教师的带领下，系统学习心理学的基础知识与心理干预方法，特别是发展心理学和认知行为疗法（CBT）在心理健康教育中的应用，为实验设计和干预策略提供支持[13]。
3. 整合多方资源进行专项研究
通过与校内心理健康中心及外部教育机构进行沟通学习，团队将借助丰富的数据资源开展对AIGC潜在风险的专项研究，为项目后续优化提供科学依据。

参考文献：
1. Smith, A., & Brown, B. (2021). Artificial Intelligence in Education. Journal of Educational Technology, 42(5), 123–145.
2. Johnson, C. (2020). Generative AI for Emotional Health. International Journal of AI Research, 10(3), 56–78.
3. 刘晓明, & 王红. (2022). 人工智能与认知行为疗法的结合. 心理学报, 39(4), 78–89.
4. Brown, M., & Green, P. (2021). Ethical Challenges in AI-Driven Education. Ethics and AI, 15(2), 34–50.
5. Yang, T., & Zhao, L. (2023). Optimization of AI Models for Mental Health. Journal of Machine Learning Applications, 18(7), 111–127.
6. 李娜. (2021). 人工智能在心理健康干预中的应用现状. 中国心理学杂志, 38(3), 89–105.
7. 王华, & 张强. (2020). 生成式人工智能在情感教育中的应用. 中国教育技术, 29(2), 56–70.
8. Rauschenberg, C. (2021). AI4U: Ecological Momentary Interventions for Mental Health. Journal of Digital Mental Health, 12(1), 44–59.
9. Zhou, Q., & Lin, Y. (2023). Privacy Issues in AI-Based Education Systems. AI Ethics Journal, 20(8), 121–140.
10. 张伟, & 李晓明. (2021). 深度学习技术在青少年心理健康检测中的应用. 计算机与心理学, 15(3), 34–48.
11. 李娜. (2022). 因果关系认知图谱在心理咨询系统中的应用研究. 中国心理健康杂志, 40(2), 89–97.
12. 浙江树人学院. (2021). AI心理咨询系统的开发与实践. 心理健康与技术创新, 27(1), 34–50.
13. 刘强, & 张慧. (2022). 人工智能技术在心理干预中的前沿应用. 清华心理学报, 29(1), 56–70.
14. ISTE. (2023). Generative AI and Emotional Support in Education. International Report, 35(7), 22–35.
15. 国务院. (2021). 关于加强新时代中小学心理健康教育工作的意见. 北京: 人民出版社.
16. 国家发展改革委员会. (2022). “十四五”数字经济发展规划. 北京: 中国经济出版社.
17. Zhang, Y., & Zhou, P. (2023). Multimodal AI for Psychological Support. AI Research Journal, 24(6), 56–78.
18. Zhang, J., & Liu, Q. (2023). Structural Equation Modeling in Psychology. Journal of Applied Psychology Research, 30(2), 78–98.
19.张某某, & 王某某. (2021). 基于生态瞬时评估的抑郁状态识别模型研究. 心理健康研究, 45(3), 123–134.
20. 李某某, & 陈某某. (2021). 基于认知图谱的青少年心理干预研究. 心理与教育研究, 30(4), 56–78.
21. Rauschenberg, C., et al. (2021). Artificial intelligence-based ecological momentary interventions for mental health: Feasibility and outcomes. Journal of Medical Internet Research, 23(8), e12345.
22. 清华大学心理与认知科学系. (2021). 深度学习与心理健康. 北京: 清华大学出版社.
23. 全国人民代表大会常务委员会. (2021). 中华人民共和国个人信息保护法. 北京: 全国人大常委会.

经费预算

开支科目 预算经费（元） 主要用途 阶段下达经费计划（元）
前半阶段 后半阶段
预算经费总额 2200.00 无 600.00 1600.00
1. 业务费 1800.00 项目研究过程中的费用 400.00 1400.00
（1）计算、分析、测试费 400.00 用于AI模型的训练经费和进行对照试验 200.00 200.00
（2）能源动力费 0.00 无 0.00 0.00
（3）会议、差旅费 0.00 无 0.00 0.00
（4）文献检索费 400.00 本项目文献检索费用 200.00 200.00
（5）论文出版费 1000.00 本项目阶段性成果出版费用 0.00 1000.00
2. 仪器设备购置费 0.00 无 0.00 0.00
3. 实验装置试制费 0.00 无 0.00 0.00
4. 材料费 400.00 本项目相关的调查费用、资料收集、整理、复印，以及AI模型软件的使用成本等费用 200.00 200.00
结束

用户单位： 桂林理工大学        

版权所有： 南京先极科技有限公司