面向校园幸福感的新型 AI 驱动工具：预防与干预方法

校园幸福感是学术成功的基础，但许多大学缺乏有效的方法来监测满意度并检测心理健康风险。这篇论文通过预防（改进反馈收集）和干预（ advance 心理健康检测），统一于集成框架。对于预防，我们开发了 TigerGPT，一个基于大语言模型的个性化调查聊天机器人，利用对话设计和参与理论进行上下文感知的对话，实现了 75% 的可用性和 81% 的满意度。为解决其在重复性和响应深度方面的局限性，我们引入了 AURA，一个基于强化学习的框架，通过使用 LSDE 质量信号（长度、自披露、情感、特异性）在会话中动态选择后续问题类型（验证、指定、反思、探索），从 96 项先前对话中初始化。AURA 实现了 +0.12 的平均质量提升（p=0.044, d=0.66），并减少了 63% 的指定提示，验证行为增加 10 倍。对于干预，我们检验了表达叙事故事 (ENS) 用于心理健康筛查，显示 BERT(128) 能捕捉到不含关键词提示的细腻语言特征，而传统分类器高度依赖显式的心理健康术语。我们随后开发了 PsychoGPT，一个基于 DSM-5 和 PHQ-8 指南的大语言模型，执行初始痛苦分类、症状水平评分，并与外部评分进行 reconciliation，以实现可解释的评估。为减少幻觉，我们提出了堆叠多模型推理 (SMMR)，通过层级专家模型处理局部子任务，后续层次整合发现，显著优于单模型解决方案在 DAIC-WOZ 上的准确率、F1 和 PHQ-8 评分。最后，一个连贯的框架统一了这些工具，使自适应调查洞察力能直接流向 specialized 心理健康检测模型。