AI賦能心理健康教育的機遇、應用與挑戰

【中圖分類號】G445【文獻標志碼】A【論文編號】1671-7384（2025）07-025-04

AI介入心理健康教育的機遇與挑戰

1.抑郁現狀與心理健康危機挑戰

抑郁是全球范圍內最具公共衛生意義的心理健康問題之一，對社會經濟發展構成重大負擔。世界衛生組織在2012年發布的一份題為《抑郁癥：全球性危機》的報告中指出，抑郁已成為中國第二大負擔疾病，預計在2030年將上升至世界疾病負擔首位。

學生心理危機事件引發的校園安全事故，已成為我國教育系統面臨的嚴峻挑戰。鄒廣順1等（2021）撰文的流行病學研究顯示，中學生年度自殺意念檢出率達 16.3% 。我國當前面臨心理健康問題“高患病率，低就診率”的突出矛盾。Phillps2等（2009）的全國性調查顯示，心理障礙總患病率為 17.5% ，然而，僅 8% 的患者曾尋求專業精神衛生服務。這一現象可歸因于雙重因素：一是精神衛生資源供給不足，我國心理衛生專業人員密度顯著低于國際標準3；二是社會污名化導致患者病恥感加劇，既阻礙求助行為又抑制專業人才供給。提升公眾心理健康素養（Mental Health Literacy，MHL）被認為是破解這一困境的關鍵路徑。

2.心理健康素養的研究價值

心理健康素養概念由Jorm（1997）首倡，其定義為“識別、處理及預防心理障礙的知識與信念體系”。研究表明，良好的MHL水平可顯著提升心理健康問題的早期識別率、干預時效性及求助適當性，對改善臨床預后、提升生活質量具有重要價值4]。

近二十年來，學界在抑郁相關MHL領域取得顯著進展。現有證據表明，充足的抑郁素養有利于抑郁癥的早期診斷、干預和預后效果[5]。

因此，提升學生抑郁相關的心理健康素養，有助于降低學生的抑郁水平，降低學校心理危機事件的發生概率。為達成提升學生抑郁相關心理健康素養的目標，我們必須了解學生當下心理健康素養的現狀，并且了解他們對于抑郁相關心理健康素養的培訓需求，筆者就這個話題通過質性訪談、編碼的方式進行了資料的收集和整理。

3.技術革新推動研究范式轉型

質性分析中的歸類與編碼是質性分析技術的關鍵。在傳統的質性編碼流程中，研究者需要反復通讀數百萬字的訪談文本，進行逐句標注與概念提取。這種編碼方式需要大量的人力和時間成本，嚴重制約研究時效性。同時，編碼過程本質上是研究者認知圖式與原始數據的動態交互。不同學術背景的研究者對同一文本的編碼一致性僅達 57% 。這種偏差源于概念操作化過程中的理論預設滲透、語義理解中的文化框架差異以及注意力分配的選擇性強化等原因。

DeepSeek技術是一種當前較為先進的人工智能模型，主要由深度搜索、自適應優化算法、機器學習與自然語言處理技術以及智能數據處理與預測建模能力構成[7]，相較于常規工具，這種模型顯著特色在于對文本隱含意義的深度解析能力，尤其在處理訪談資料時，可揭示潛在的社會互動規律與文化行為特征。

DeepSeek對抑郁心理訪談材料的深度分析

1.訪談提綱生成

訪談提綱需要根據訪談目標確定訪談的內容，此次訪談的自標是了解當前高中生抑郁相關心理健康素養的現狀以及高中生對于相關主題的培訓需求。DeepSeek有大型的文獻庫做支撐，我們可以讓其根據我們的訪談目標，首先識別出核心維度。

提問：根據心理健康素養的模塊，以了解學生抑郁相關心理健康素養的現狀以及學生對于相關主題的培訓需求為主題，設計訪談的核心維度。

生成結果如下：（1）心理健康認知維度（抑郁的基本認知、信息獲取渠道）；（2）心理健康態度維度（病恥感與求助態度、社會支持感知）；（3）應對行為維度（自我調節能力、危機應對意識）；（4）教育需求維度（培訓內容期待、教育形式需求）；（5）環境影響因素維度（阻礙因素感知、文化影響因素）。

生成結果已經基本匹配心理健康素養的三大模塊，但是我們也可以發現幾個問題：第一，核心維度的標題沒有聚焦“抑郁素養”，而是運用了“心理健康”；第二，因為我們提問的是核心維度，因此括號中的二級維度的標注是略顯粗糙的；第三，是否有可以合并的核心維度。因此，我們可以繼續追問，進行修改。

提問：請修改以上核心維度，可否刪減或者合并相關維度，將標題聚焦“抑郁素養”，并延展出二級維度。

生成結果如下：（1）對抑郁的認知和識別（癥狀知識、識別能力、信息獲取、病因認知、癥狀治療）；（2）抑郁求助意愿和行為（實際求助行為傾向、同伴互助技能、求助資源知曉度）；（3）抑郁態度和污名（自我污名、公眾污名、心理求助態度）；（4）抑郁心理健康素養提升培訓需求（課程形式、內容偏好、實施障礙）。

基于以上結果，可根據我們的實際需求進行修改，最終確定訪談的核心維度和二級維度，并繼續提問，由DeepSeek撰寫具體的訪談問題。

提問：請為每個二級維度擬 3～5 個訪談問題，訪談對象是高中生。

在質性研究中，訪談問題設計的精準度直接影響著研究質量。研究者需要平衡理論嚴謹性與實踐可行性，構建具有學術價值與現實意義的問題體系。

研究者可遵循“理論映射一語言凈化一場景測試”的三階段遞進式篩選法。具體實施流程包括：（1）依據研究框架建立初始問題庫，剔除與研究變量關聯度不足的測量條目；（2）對問題表述進行語義校準，消除潛在引導性措辭并提升通俗性；（3）通過預訪談，觀察受訪者的應答表現，針對出現的理解偏差或情緒抵觸現象實施二次修訂。

2.訪談實施與數據記錄

在質性研究中，優化數據記錄流程是確保后期分析效度的關鍵環節，尤其當引入AI輔助工具時，研究者應建立結構化記錄規范，對原始對話應該分層次、分系統進行標注。例如，在探究青少年抑郁求助行為時，可將“擔心咨詢內容泄露給班主任”標注為“#隱私顧慮”，并關聯受訪者編號“ID：S03”，這種編碼不僅有助于人工識別，也可以訓練AI識別高頻詞匯。同時，將不同語言的同種語義進行轉換標注，也有利于后期AI的識別，如將“找心理教師聊天”與“心理咨詢”統一為“心理求助行為”。此外，文字文本沒有情緒，而訪談過程中有很多語氣詞和肢體表達，在轉錄文本時也應該將這些非言語信息進行標記（如“沉默3秒”“語調顫抖”）及語境注釋（如“emo情緒低落”），以增強AI對隱含情感與文化特定表達的理解。

通過上述策略，研究者能夠構建適配AI工具的高質量語料庫，在降低人工編碼負荷的同時，深度挖掘文本中的潛在模式。

例：【ID：S02】【性別：女】【年級：高一】

“我覺得抑郁癥是因為抗壓能力差，就像班主任說的那樣。”【/#病因認知】

“我不敢去校心理室（語調顫抖），怕老師告訴家長。”【/#求助障礙】

3.數據編碼與理論生成

輸入預處理數據后，可通過自然語言指令引導DeepSeek執行主題挖掘。例如，設定分析框架為“抑郁健康素養”，要求工具識別“知識誤區”“態度偏見”“行為模式”及“培訓需求”三類主題，并輸出頻次統計與語義關聯網絡。

筆者邀請了五位學生進行預訪談，訪談文檔上傳至DeepSeek進行下一步的編碼研究。

指導語：請根據質性研究的標準和規范，對以上文檔進行訪談編碼。要求：分析框架為“抑郁相關心理健康素養”，包含“對抑郁的認知和識別”“求助意愿與行為”“態度與污名”“培訓需求”四大模塊，最終以表格形式呈現，輸出頻次統計與語義關聯網絡。部分生成結果見表1。

在質性研究中，編碼表的構建與解讀不僅是數據整理的終點，更是理論生成的起點。以“抑郁認知與識別生成”編碼表為例，軀體化癥狀與情緒隱藏的高頻共現，揭示了抑郁群體“身心分離”的典型特征，即生理癥狀成為無法言說的情緒替代性表達。這種“軀體化一情緒壓抑”的關聯模式，在青少年群體中尤為顯著，如訪談中“手抖到無法寫字卻不敢求助”的案例，折射出社會對心理問題的污名化加劇了個體的自我壓抑。

根據訪談編碼結果，參考相關文獻，對訪談中的數據內容進行理論化，從而達到訪談的目的，將雜亂的訪談內容進行了歸納整理，從中得出科學的理論指導。

AI輔助研究的邊界與倫理

1.AI輔助研究的可行性

在人工智能技術快速發展的背景下，AI輔助研究正在推動質性研究方法的更新和改變。DeepSeek是基于改進的Transformer架構的大語言模型，運用多頭自注意力機制，從多個維度對文本數據的語義依賴、上下文關系進行深度挖掘，進而精準理解文本中復雜的語義內涵，具備強大的自然語言理解能力8。

再加上其在訓練過程中，利用群體相對策略，強化學習算法對海量數據的深度學習，持續優化模型參數，使模型具備自我糾錯和深度思考的自主學習能力，顯著提升其推理能力，特別是DeepSeek-R1，通過兩次“監督微調 + 強化學習”階段性訓練，在復雜任務推理上表現尤為突出[9。AI工具在一定程度上大大提高了研究效率，在處理非結構化訪談文本時，它的語義理解機制帶來強大的語義關聯識別能力，顯著提升了訪談編碼的效率。

2.AI輔助研究的倫理

2019年4月8日，歐盟人工智能專家委員會（Artificial Intelligence High-Level Expert GrouponArtificialIntelligence，簡稱AIHLEG）正式發布的《可信賴的人工智能倫理準則》（EthicsGuidelinesforTrustworthyA/），明確闡釋了建立“可信賴的人工智能”（TrustworthyAI）最關鍵的七個方面：“人的能動性與監督”“技術穩健性與安全性”“隱私與數據管理”“社會與環境福祉”“多樣性、非歧視性與公平性”“透明性”和“問責制度”[10]。

我們以“人的能動性與監督”“技術穩健性與安全性”“隱私與數據管理”“透明性”為基礎來論述，當前AI輔助質性研究面臨的幾個挑戰。

（1）關于“人的能動性與監督”。若研究過程中過度依賴AI，很可能導致研究過程由“拍腦袋”的極端轉向“技術化”的極端。例如，科學的研究過程應該經過長期的文獻積累再加上研究者的發現、思考而來，本研究中的核心概念是抑郁相關心理健康素養，其內涵是通過心理健康素養拓展而來，如果研究者不經思考，AI很可能直接套用心理健康素養的內涵而忽略抑郁部分的特征。因此，在使用任何AI產品前，都應確認其能夠充分保證人的能動性、主動性，確保是跟隨人的想法在進展，并且設有適當的監督機制。

（2）關于“技術穩健性與安全性”。研究過程中，AI系統應該有防御漏洞和惡意攻擊的能力，這是關于技術安全的部分，為保證技術的安全性，研究者可優先使用本地加密服務器而非云端平臺，防正第三方截獲。穩健安全的系統還應該保證高準確性、可靠性和可重復性[11]，但是我們可以觀察到，如果研究者兩次輸入同樣的內容提問AI，AI每次回答內容的重合度并沒有那么高，這也說明，當前技術并不是非常穩健，研究者需在研究中發揮人的能動性。

（3）關于“隱私與數據管理”。“隱私和數據管理”也屬于技術倫理的核心話題，強調任何利益攸關方應能完全控制自己的數據，被采集的數據不會被用來傷害或歧視他們[12]。在質性研究中，保護參與者隱私與恪守倫理規范是確保研究科學性與社會責任的基石，尤其當研究涉及心理健康、家庭關系等敏感議題時。

在進行提問設計時，需以“最小傷害原則”為指引，避免侵入性詢問可能引發心理創傷或暴露隱私的內容。研究者應預先通過倫理審查，在AI生成訪談提綱后，剔除可能強化污名化或誘導負面情緒的問題。

在使用AI進行數據記錄和存儲時，應嚴格執行匿名化與保密協議。原始數據（如錄音、筆記）應立即刪除可識別信息（如姓名、學校、班級），代之以編號（S01-S20）并限制訪問權限。同時，AI輔助自動編碼時，需確保其訓練數據不包含本研究的敏感信息，且輸出結果需要進行人工校驗，否則很容易陷入算法偏見（如將“沉默寡言”錯誤關聯為“自殺傾向”）。

（4）關于“透明性”。關于保持“系統透明”，即算法可解釋性，意味著系統的工作原理、工作機制都是可以被解釋的，系統所做出的任何決策都是有跡可循的[13]。AI技術算法的黑箱特性導致編碼過程缺乏透明性，研究者難以追溯分類邏輯，這有悖于質性研究強調的反身性要求，對于研究者本人而言，無法觀察到AI所生成的結果是否有漏洞。

3.AI輔助研究的展望

未來質性研究的人機協作模式需在三個維度實現突破：技術層面，研發可解釋AI模型，通過注意力機制可視化語義關聯路徑，如通過熱力圖呈現文本特征權重；方法論層面，建立人機協同編碼規范，明確AI作為“智能助手”而非“決策主體”的輔助定位；倫理層面，構建AI倫理審查機制，特別是涉及敏感文化素材時，需建立人類學家的倫理審查前置程序。這要求技術開發者與質性研究者深度對話，共同構建符合社會科學研究范式的人機協同研究生態。

參考文獻

[1]鄒廣順，呂軍城，喬曉偉．中國中學生自殺意念檢出率的meta分析[J].中國心理衛生雜志，2021，35（8）：689-695.

[2]Philips，M.R.，Zhang，J.X.，Shi， Q.C.，et al.Prevalence，Treatment，and Associated Disability ofMentalDisorders in Four Provinces in China during 2001-05：An Epidemiological Survey[J].The Lancet.2009，373（9680）： 2041-2053.

[3]Liu，C.P.，Chen，L.J.，Xie，B.，et al. Number andCharacteristics of Medical Professionals Workingin Chinese Mental Health Facilities[J].ShanghaiArchives of Psychiatry.2013，25（5）： 277-285.

[4]Jorm，A.F.Mental Health Literacy： Public Knowledgeand Beliefs about Mental Disorders[J].British Journalof Psychiatry，2000，177（5）： 396-401.

[5]Reavley，N.J.，amp; Jorm，A.F.Public Recognitionof Mental Disorders and Beliefs about Treatment：Changes in Australia over 16 Years[J].British Journalof Psychiatry.2012，200（5）： 419-425.

[6]Crowder，S.J.，Hanna，K.M.，Carpenter，J.S.，etal.Factors Associated with Asthma Self-management inAfrican American Adolescents[Jl.Journal of PediatricNursing，2015，30（6）：35-43.

[7]陳霜葉，王奕婷.察器求道轉識成智：質性教育研究五年述評與學術共同體的使命展望[J].華東師范大學學報（教育科學版），2020，38（9）：56-77.

[8]陸岷峰，高倫.DeepSeek 賦能商業銀行創新轉型：技術應用場景分析與未來發展路線[J].農村金融研究，2025（2）：19-34.

[9]張慧敏.DeepSeek-R1是怎樣煉成的？[J].深圳大學學報（理工版），2025，42 （2）：226-232.

[10]蔡天琪，蔡恒進.DeepSeek的技術創新與生成式AI的能力上限[J].新疆師范大學學報（哲學社會科學版），2025（4）： 1-8.

[1] 劉金松.大數據應用于教育決策的可行性與潛在問題研究[J].電化教育研究，2017 （11）：38-42+74.

[12][13]沈苑，汪瓊.人工智能在教育中應用的倫理[J].北京大學教育評論，2019（17）：18-34.

作者單位：江蘇省海門中學 東北師范大學教育學部