面向大学生主动心理健康的人智会话交互行为特征研究

作  者:

作者简介:
任英杰,女,2000年生,东北师范大学信息科学与技术学院硕士研究生,长春 130117;魏来(通讯作者),女,1975年生,东北师范大学信息科学与技术学院教授,博士生导师,长春 130117;李彩宁,女,1993年生,东北师范大学信息科学与技术学院讲师,长春 130117。

原文出处:

内容提要:

[目的/意义]大语言模型的迅速发展改变了传统的人机交互方式,探究主动心理健康场景下大学生群体人智会话交互行为特征有助于理解该情境下用户行为的复杂性和多样性。[方法/过程]通过移动经验取样法进行数据收集,共招募32名被试进行为期两周的人智会话交互实验。借助结构化的日记单进行纵向数据追踪,并通过成熟的心理学量表进行实验前后心理健康状态观测。采用开放编码和会话分析相结合的方法对实验样本数据进行处理和分析。[结果/结论]从用户提问特征、AI回复特征和AI可解释性特征三个方面梳理了人智会话交互的内容特征;从会话结构特征和“提问—回答”行为特征两个方面梳理了人智会话交互行为特征,并对心理健康维度的特征进行了梳理;提出诊断咨询式交互、情感互动式交互和认知协同式交互三种人智会话交互方式。


期刊代号:L1
分类名称:情报资料工作
复印期号:2026 年 02 期

字号:

  DOI:10.12154/j.qbzlgz.2026.02.012

  1 引言

  近年来,ChatGPT、DeepSeek等大语言模型的应用不仅驱动了人工智能技术革命,更在心理健康领域引起服务变革。心理健康包括良好的认知结构、协调的情感处理、健全的意志和良好的适应性等,是一种积极的、持续的心理状态[1]。《2024年大学生心理健康状况调查报告》显示,大学生在大学时期需面对多重压力,尽管有80%的大学生知道学校提供免费心理咨询服务,但仅2.8%的大学生实际使用过[2]。事实上,绝大多数大学生面临的是发展性心理危机,可通过主动预防和自我调适有效纾解[1]。因此,本研究关注大学生在日常生活中所面对的发展性心理危机,倡导采取积极主动的态度和行动,维护和提升自身心理健康状态,从“被动应对心理健康问题”转向“主动预防与自我调适”的主动心理健康。

  主动心理健康需要外部支持。研究表明,大语言模型会产生更具有同理心和上下文呼应的响应,从而促进更自然、更有支持性的对话交互[3]。人智会话交互是人类与智能信息系统进行信息交换以解决深层信息需求(即心理健康信息支持)的一种前沿形式,可以促进个人与事件、信念、情绪和行为之间的互动。在交互过程中,大语言模型结合心理教育和自我保健指导相关知识,能够帮助用户实践积极的信念,助力情绪和行为的改变,以实现主动心理健康管理[4]。

  基于此,本研究拟揭示大学生在主动心理健康需求驱动下与AI会话交互的行为特征,通过解构会话场景中的用户需求表达、AI回复等方面,旨在回答以下核心问题:(1)主动心理健康场景下人智会话交互行为特征(信息需求表达、信息缺口表达等)是怎样的?(2)在人智会话过程中AI呈现怎样的行为特征?(3)在持续的时间维度下,心理健康—人智会话交互行为关联是怎样的?

  2 相关研究

  当前,心理健康用户行为的相关研究主要聚集于在线心理健康社区和社交媒体情境中,如用户的信息寻求行为、用户的信息使用行为、价值共创行为,以及抑郁相关的健康信息行为等。此外,心理健康信息搜寻行为也是部分学者关注的重点,如特殊时期芬兰非本地少数群体的心理健康信息寻求行为[5]、青少年心理健康信息在线搜索行为[6]等。探究心理健康情境下的人智会话交互行为研究还尚有不足。

  人智交互(Human-AI Interaction,HAII)建立在传统人机交互(Human-Computer Interaction,HCI)的基础上,是用户通过与虚拟助手、智能推荐系统等AI终端,与AI系统进行信息交换、相互理解与协同决策的交互过程[7]。HAII更加强调大模型或智能体能够感知用户需求的本质来源,分析用户行为与动机,并快速做出合理的反应[8],不仅关注交互方式,更聚焦于人与AI系统间的相互理解、学习和协同决策[9]。

  基于大语言模型的AI凭借其深度学习和自然语言处理能力,在各个领域表现出色,学界和业界希望其在拥有海量知识库的同时,能够理解并支持人类情感需求。目前,学界积极探索AI在心理健康领域的应用,如AI赋能心理健康评估、监测、干预,用户-GenAI交互中隐私披露,AI依恋形成机制等。

  虽然已有研究就人智交互对心理健康的影响进行了探究和分析,但仍有以下不足:(1)国内外学者尚未对心理健康中的人智交互行为特征进行深入探究。(2)用户在与信息、信息源、信息系统交互过程中,涉及认知、情感、环境和时间等多个维度,现有研究尚未从时间演变的角度进行深入研究。因此,本研究拟通过实验法收集用户的即时感受和行为过程数据,用以探究主动心理健康场景下的人智会话交互行为特征。

  3 数据处理技术与方法

  3.1 移动经验取样法

  移动经验取样法(mobile Experience Sampling Method,mESM)是在传统经验取样法(Experience Sampling Method,ESM)的基础上,契合移动互联时代的技术与特征而形成的新一代用户信息行为研究方法[10],适合用于捕捉瞬时感受、情绪的纵向实验,能够减少回忆偏差并提高生态效度。因此,本研究借助这一方法收集人智会话交互的纵向行为数据。

  3.1.1 研究对象

  以线上招募的方式开展实验用户的选取,被试需满足以下条件:(1)能够熟练使用电脑、手机等设备与DeepSeek对话;(2)对心理健康问题较为关注;(3)能够准确理解研究涉及的相关概念。招募时间为2025年2月10日到3月10日,通过问卷星、社交媒体、学生社群等平台进行招募,并以滚雪球抽样的方式辅助研究对象的获取,共招募32人。mESM需要多次纵向地进行数据收集,有研究指出5~10个被试即可获取充足的数据[11],且研究周期通常为1~2周,因此本研究招募32名被试,实验周期为2周,符合mESM的执行标准。被试的基本信息见表1。

  

  3.1.2 取样方式

  使用事件抽样和时间段抽样相结合的混合方法,实验员在每天上午8:30和晚上8:30进行实验提醒,此外被试在行为发生后也可主动对实验录屏进行汇报。为了更好地收集实验过程中被试的真实体会和感受,减少回忆误差,被试在行为发生后需立即填写自我报告记录单(简称“日记单”)。虽然心理学研究中常用日记单收集重复性的定量数据,但也有研究通过设计开放性问题来探究行为发生的内在机理[11]。因此,本研究设计定量和定性相结合的日记单(表2),以充分探究被试的心理感受与行为特征。

相关文章: