计算机科学学生心理健康研究：基于计算机介导的个人信息学工具的开发与评估

作者及发表信息

本研究的核心作者团队包括：
- Aishwarya Chandrasekaran（第一作者，University of Delaware）
- London Bielicke（Rhodes College）
- Diya Shah 和 Harisha Janakiraman（University of Delaware）
- Matthew Louis Mauriello（通讯作者，University of Delaware）

该研究发表于2025年ACM人机交互会议（CHI ‘25），会议于4月26日至5月1日在日本横滨举行，论文标题为《”我花14小时调试一个作业”：面向计算机科学学生心理健康的计算机介导个人信息学研究》。

学术背景

研究领域与问题

本研究属于人机交互（Human-Computer Interaction, HCI）与健康信息学（Health Informatics）交叉领域，特别关注计算机科学（Computer Science, CS）学生的心理健康问题。已有研究表明CS学生的焦虑和抑郁症状比例是其他本科生的两倍，较普通人群高5-10倍，但导致这一现象的具体因素尚未明确。

研究动机与目标

研究团队通过前期需求调研访谈（n=20）发现：
1. 调试代码的复杂性与冒名顶替综合征（Imposter Syndrome）是造成CS学生压力与倦怠的关键因素
2. 学生缺乏对自身压力状态的觉察
3. 参与者对基于计算机的个人信息学（Personal Informatics, PI）工具表现出强烈兴趣

基于此，团队开发了EmotionStream——一种算法辅助的PI工具，旨在通过结合情境数据（活动类型、应用使用等）与情绪状态监测，帮助学生实现自我反思。研究主要验证：（1）工具的可用性；（2）自动情绪识别（Automated Emotion Recognition, AER）模型在压力预测中的可靠性。

研究方法与流程

需求调研阶段（n=20）

采用60分钟的半结构化访谈，通过Zoom收集CS学生的压力源与工具偏好。使用Braun和Clarke的主题分析框架进行编码（Cohen’s κ=0.77）。关键发现：
- 调试压力：90%参与者描述陷入”错误检测-引入新错误”的恶性循环，产生愤怒、沮丧等情绪
- 冒名顶替综合征：60%参与者自述能力怀疑，尤其在跨文化/女性学生中显著
- 状态觉察缺失：35%参与者因持续调试导致压力认知延迟，引发睡眠剥夺
- 技术偏好：80%倾向电脑端工具，要求实时情绪监测（通过面部表情、键鼠数据）与隐私保护

工具开发阶段

EmotionStream包含三大模块：
1. 被动监测系统
- 面部情绪识别：采用Residual Masking Network（RMN）和DeepFace模型，每秒捕捉七类基础情绪（愤怒、厌恶等）
- 情境日志：记录键速、鼠标移动、应用切换等行为指标
- 隐私保护：不存储面部图像或具体按键内容

1. 主动反馈系统

   • 经验取样法（ESM）：每20分钟提示用户报告当前压力值（1-10）、情绪状态（积极/消极/中性）及活动类型
     
   • 触发机制：当模型检测到强负面情绪（概率>90%）或随机间隔时启动
     

2. 可视化看板

   • 呈现时间轴上的情绪波动与应用使用关联
     
   • 标记高压力活动时段（如深夜调试）
     

评估阶段（n=12）

参与者在自然环境下使用工具一周，产生408份有效ESM响应。数据分析采用：
1. 描述性统计：计算活动类型与压力值的相关性
2. 模型验证：对比AER模型预测与自我报告情绪的准确性
3. 压力预测：构建随机森林模型，结合情境特征（如应用类型、时间）预测实时压力

主要结果

1. 压力情境特征

• 活动相关性：调试压力中位数最高（7.5/10），显著高于编码（4/10）和阅读（2/10）（p<0.001）
  
• 时间效应：深夜（22:00后）压力值较日间高31%（r=0.2, p<0.001）
  
• 行为标记：高压力时鼠标点击速度增加15%，键速降低（r=-0.1, p<0.001）
  

2. 工具可用性

• 参与度：平均使用时长达12小时（超出最低要求5小时），ESM响应率92%
  
• 满意度：70%评价为”良好”以上，用户特别肯定可视化看板帮助识别模式（如应用切换频率）
  

3. AER模型表现

• 总体准确率：RMN为42%，DeepFace为47%，主要贡献来自中性情绪识别
  
• 性别差异：RMN对女性情绪识别更准（55% vs 男性37%），反映训练数据偏差
  
• 压力预测增强：当结合情境特征时，F1-score达0.88，显示上下文对情绪解释的关键作用
  

结论与价值

科学价值

1. 理论贡献：首次系统揭示CS学生高压力与调试、冒名顶替综合征的关联机制
   
2. 方法论创新：提出”算法辅助+自我报告”的混合PI框架，平衡数据客观性与主观解释
   

应用价值

1. 教育实践：为CS课程设计提供依据（如调试心理支持模块）
   
2. 工具设计：确立情境感知在心理健康技术中的核心地位，未来可扩展至远程工作者等群体
   

伦理启示

研究强调自主权保护（数据本地存储、匿名化），同时警示依赖AER模型的伦理风险——可能强化性别/种族偏见。

研究亮点

1. 问题新颖性：首个在自然环境下研究CS学生编程情绪的工作，突破实验室限制
   
2. 技术整合：创新地将教育场景（编程活动）与临床心理学（压力预测）结合
   
3. 可扩展性：工具架构支持跨平台适配，代码已在GitHub开源
   

未来方向

作者建议：（1）扩大样本多样性（尤其少数族裔）；（2）探索长期压力数字表型；（3）开发跨OS版本以提升普及性。这项研究为理解技术密集型学科的心理健康挑战树立了新范式。