摘 要：高校学生心理健康工作正在由事后处置转向前端预防，由阶段性测评转向全过程支持。校园无线网络及各类数字平台沉淀的行为数据，为识别学生生活节律和社会功能的持续变化提供了新的认知条件，但技术可观测性并不等同于心理可知性，预测准确率也不能自动转化为教育治理的正当性。基于压力脆弱性理论、数字表型理论、风险治理理论与情境完整性理论，本文将心理健康风险预警界定为一种在不确定条件下组织证据并配置支持资源的社会技术过程，构建“压力输入→行为表征→概率推断→情境复核→分级支持→反馈校正”的理论框架。研究认为，网络行为大数据通过三组相互衔接的机制发挥作用：行为节律外显与弱信号聚合提供感知基础，个体基线比较与多源证据校验形成推断条件，人机协同决策及干预结果反哺完成行动闭环。其有效性不取决于数据规模本身，而取决于行为指标的心理学效度、推断过程的可解释程度、专业复核的实质介入以及支持行动的适度性。高校应用网络行为数据必须同时守住本体与认识边界，权利与决策边界以及伦理边界，坚持目的限定和最小必要原则，禁止将风险提示直接等同于心理诊断，禁止以算法评分替代专业判断，禁止将心理风险信息外溢至评奖评优或纪律处分等无关场景。由此，心理健康风险预警系统应被建设为以学生发展为目的的照护基础设施，而非以异常筛查为中心的监控装置。

关键词：网络行为大数据；高校学生；心理健康风险预警；数字表型；算法治理

一、问题提出

学生心理健康已经成为高质量教育体系建设中的基础性议题。《教育强国建设规划纲要（2024—2035年）》提出建立全国学生心理健康监测预警系统，并要求分学段完善服务工作机制[1]。教育部等十七部门印发的专项行动计划强调健全健康教育、监测预警、咨询服务与干预处置相衔接的工作体系[2]。教育部办公厅此前也要求高校加强心理测评、日常监测和危机干预之间的衔接[3]。这些政策安排意味着，高校心理健康工作不再只是心理咨询机构的末端事务，而是涉及教育过程、学生发展与校园治理的系统工程。其核心任务也不只是发现已经显现的心理危机，而是尽可能识别风险累积过程，为学生提供及时且适度的支持。

传统心理健康风险识别主要依赖量表测评、主动求助和教师观察。量表具有成熟的理论基础与测量规范，但测评结果通常反映特定时点的自陈状态，容易受到周围环境、作答动机和回忆偏差影响。主动求助能够提供较高质量的主观信息，却以学生愿意表达并能够识别自身困扰为前提。教师观察具有情境优势，但面对大规模学生群体时会受到时间投入和信息覆盖范围限制。因此，传统方法并非无效，而是存在时间离散、信息分散和识别滞后的结构性约束。网络行为大数据进入心理健康工作，不应被理解为以技术替代传统方法，而应被理解为补足时间连续性与过程可见性的证据来源。

伴随智慧校园建设，学生在学习和生活中持续产生网络连接记录、平台访问日志、设备在线时段以及校园空间活动等数据。数字表型研究指出，智能终端和网络化设备能够在自然情境中形成具有时间粒度的行为痕迹，并为观察个体功能变化提供新的方法[5-7]。国内关于智能化心理测评的研究也表明，在线行为数据与便携设备数据能够拓展传统测评的数据形态，但当前模型在可解释性、信效度和专业知识介入方面仍存在明显不足[4]。已有系统综述显示，数字行为特征与压力、焦虑或轻度抑郁之间存在一定关联，但不同研究的传感器类型、特征定义和模型性能差异较大，外部效度仍需谨慎检验[8]。相关讨论还指出，数字表型的命名方式与透明程度会影响公众理解，研究热度也不能替代效度检验[25-26]。这说明，网络行为数据确有预警潜力，却不具备脱离情境即可直接解释心理状态的天然能力。

现有研究大体形成三条路径。第一条路径关注数据与心理状态之间的统计关联，重点是从上网时长、作息规律和活动范围中提取特征，并使用聚类或分类算法识别风险群体。第二条路径关注心理健康服务的数字化转型，强调线上测评、智能咨询和资源推送。第三条路径关注教育数据安全，讨论知情同意、隐私泄露和算法歧视。三条路径分别回答了技术能否识别、服务如何触达以及数据应当如何保护，却尚未充分说明三个更为基础的问题：网络行为为何能够成为心理风险的证据；概率性提示如何转化为正当的教育行动；技术效能与学生权利如何在同一制度中获得统一。

如果缺少上述理论桥梁，网络行为大数据应用容易出现两种相反偏向。一种偏向是技术乐观主义，将行为相关性直接理解为心理事实，把算法输出当作客观结论。另一种偏向是风险否定主义，因数据推断存在误差而完全否定其辅助价值。前者忽略心理现象的复杂性和个体差异，后者忽略连续行为数据在发现变化趋势方面的独特优势。更合理的理论立场应当承认，网络行为数据既不是心理状态的镜像，也不是毫无意义的噪声。它是心理状态与现实压力、生活制度及媒介使用共同作用后形成的间接表征，其预警价值需要通过时序比较、多源校验和专业解释才能实现。

基于此，本文采用规范分析与理论演绎方法，综合压力脆弱性理论与数字表型理论，并引入风险治理理论及情境完整性理论，对高校网络行为大数据赋能心理健康风险预警的逻辑基础、作用机制及治理边界进行系统阐释。本文的理论贡献主要体现在三个方面。其一，将心理风险预警由单纯的分类任务重新界定为不确定条件下的证据组织过程。其二，提出“压力输入→行为表征→概率推断→情境复核→分级支持→反馈校正”的机制链条，解释数据如何进入教育行动。其三，将治理边界视为技术应用合法性的构成条件，而非系统建成之后附加的消极限制。由此，本文试图推动高校心理健康大数据研究从算法性能讨论转向心理学效度、组织过程与权利保障相统一的理论分析。

二、网络行为大数据赋能心理健康风险预警的理论逻辑

本文所称网络行为大数据，是学生接入校园无线网络和使用数字化学习平台时形成的时序性元数据，经合法采集、去标识化和特征化处理后，用于描述行为节律及其变化的集合。它主要包括连接时间、持续时长和接入点变化，不包括通信内容。本文所称心理健康风险预警，是高校在不确定条件下依据多源证据识别学生功能持续不利变化，并据此配置支持资源的制度过程。它不同于疾病筛查，更不同于临床诊断。

本文使用赋能概念，并非主张数据或算法能够自动产生治理能力，而是强调技术通过提高连续感知、证据整合和资源协调能力，改变高校识别问题与组织支持的方式。只有当这种能力被心理学理论、专业程序和权利规范共同塑造时，技术增量才会转化为治理增益。由此，网络行为大数据的理论价值必须放在风险如何形成、证据如何生成以及行动如何获得正当性的整体链条中加以理解。

（一）心理健康风险是一种动态可能性，而非既成事实

心理健康风险不同于心理疾病诊断，也不同于已经发生的危机事件。风险指向未来的不利可能性，其存在形式不是确定事实，而是由多个条件共同塑造的概率结构。压力脆弱性理论认为，心理问题的发生取决于外部压力与个体脆弱性之间的相互作用[9]。压力评价与应对理论进一步指出，同一事件是否形成心理负担，取决于个体如何评价事件，以及其可调用的应对资源[10]。因此，学业受挫、就业压力或人际冲突并不会机械地产生相同后果，个体人格、既往经历和社会支持会改变风险的形成路径。

这一理论前提决定了心理风险预警不能采用单变量决定论。深夜上网可能源于焦虑失眠，也可能源于课程任务、兴趣娱乐或跨时区交流。活动范围缩小可能意味着社会退缩，也可能与考试复习、身体不适或校外实习有关。网络行为只有在特定时间跨度和生活情境中，才可能获得心理意义。风险识别的对象因而不是某种孤立行为，而是个体功能状态相对于自身常态的持续变化，以及这种变化与现实压力之间的结构性一致。风险治理理论强调，现代治理面对的往往不是已经明确的损害，而是信息不充分条件下的潜在后果[11]。预警的任务不是消除所有不确定性，而是在不确定性仍然存在时形成谨慎行动。高校心理健康风险预警由此具有双重属性。一方面，它需要提高对弱信号的敏感性，避免风险在不可见状态下持续累积。另一方面，它必须控制过度推断，避免把普通波动误认为严重问题。预警的理论难点不在于追求零误差，而在于建立一种能够容纳不确定性、能够解释不确定性并能够对不确定性负责的行动机制。

（二）网络行为数据是心理状态的间接表征，而非直接测量

数字表型理论把个体在数字设备使用过程中形成的行为轨迹视为理解现实功能状态的潜在线索[5]。从测量逻辑看，网络行为数据进入心理风险预警至少经历三个转换层次。第一层是原始记录层，包括连接时间、持续时长、网络接入点变化和设备活跃频率。第二层是行为特征层，即通过清洗、聚合和时序分析将原始记录转换为作息规律、活动节律和行为稳定性等特征。第三层是风险解释层，即结合心理学理论判断某些特征组合是否可能反映压力累积或社会功能变化。每一次转换都需要理论假设，也会引入新的不确定性。由此可见，数据的客观记录属性不能自动保证心理解释的客观性。网络系统能够准确记录某一设备在何时接入，却不能仅凭该记录说明使用者为何在线。算法能够识别行为模式，却不能脱离生活背景判断该模式对个体意味着什么。心理风险不是潜藏在数据中等待被发现的固定实体，而是研究者与专业人员依据理论、证据和情境作出的概率判断。网络行为数据的价值不在于直接读取内心，而在于把过去难以连续观察的生活节律转化为可分析线索。

这种间接表征关系要求指标设计坚持构念效度优先。所谓构念效度，是指某一行为特征能否合理反映拟测量的心理或功能状态。若指标选择只依据算法相关性，就可能把宿舍网络覆盖、课程安排或设备型号造成的差异误认为心理差异。只有当行为特征与心理理论之间存在可说明的中介机制，并且这一机制能够在不同情境中接受检验，数据才具有稳定的预警意义。因而，心理健康风险预警不能停留在特征工程层面，还需要建立从原始数据到行为构念再到风险判断的解释链。

数据规约与降维同样不是价值中立的技术环节。它们可以降低计算复杂度，却也决定哪些行为差异被保留，哪些低频变化被舍弃。若只以方差贡献或信息保留率评价降维结果，个体层面具有心理意义的微小变化可能被群体统计结构遮蔽。因此，数据压缩除应满足计算要求外，还应检验心理构念是否得到保留，以及不同学生群体的行为差异是否受到系统性扭曲。

（三）连续数据推动风险知识由截面判断转向过程判断

传统测评以特定时点为中心，擅长回答学生当前是否呈现某类症状。网络行为数据以时间序列为基本形态，更适合回答学生的日常功能是否发生变化，以及这种变化是否持续。两类知识并非相互替代，而是形成状态测量与过程观察的互补。前者提供心理体验的直接陈述，后者提供行为变化的连续痕迹。只有将二者结合，风险判断才可能同时具备心理意义和时间敏感性。

过程判断的关键是从群体常模转向个体基线。大学生的作息方式和网络使用习惯具有显著差异。对某些学生而言，夜间在线属于长期稳定习惯；对另一些学生而言，夜间在线突然增加才具有信息价值。以群体平均值作为唯一标准，容易把稳定的个体差异当作异常，也可能忽略仍处于群体正常范围内的快速恶化。个体化研究表明，基于个体自身历史数据建立的模型，在识别主观压力方面可能比单纯的群体模型更有解释力[12]。因此，风险预警应把个体内变化置于个体间比较之前，将群体信息作为辅助参照，而不是作为正常与异常的绝对分界。从时间结构看，具有预警意义的行为变化通常包含三个要素。其一是偏离程度，即当前行为与个体基线之间的差异大小。其二是持续时间，即异常是否跨越多个时间窗口。其三是协同变化，即多个相关指标是否在相近时期出现同向变化。单次偏离可能只是偶然波动，长期持续且多指标同步的偏离才具有更高的风险信息。由此，连续数据的理论优势不在于数据点更多，而在于能够重建变化的方向、速度与稳定性。

（四）预警治理由事后反应转向前摄性支持

风险预警的治理意义在于把支持行动前移。传统危机处置通常在学生出现明显功能损害或安全风险后启动，行动目标主要是控制损害。前摄性治理则试图在问题尚未完全显现时识别趋势，为个体提供较低强度且更易接受的支持。两者并非简单的时间先后关系，而是治理目的的变化。事后处置关注事件，前摄性支持关注发展过程；前者强调控制，后者强调恢复资源与增强韧性。

然而，前摄性治理容易与监控逻辑相混淆。若高校把所有偏离常态的行为都视为潜在威胁，预警就会从发展支持滑向异常规训。风险社会理论提醒人们，面向未来的治理可能不断扩大可疑对象范围，并以预防之名强化对个体的持续观察[28]。因此，高校必须明确，心理健康预警的规范目的不是维持行为整齐，也不是追求校园事件绝对为零，而是帮助学生维持基本社会功能并获得必要资源。行为多样性本身不是风险，只有持续不利变化并与功能受损相联系时，才构成进一步核验的理由。

所以，预警行动应遵循支持性原则和比例原则。支持性原则要求系统输出首先指向资源供给，而不是管理惩戒。比例原则要求干预强度与证据充分程度和潜在损害程度相匹配。低置信度提示可以触发普惠性资源推送或非指向性关怀，中等置信度提示可以进入人工复核，高风险情形则需要专业评估和规范处置。前摄性治理的正当性不来自学校拥有数据，而来自学校能够以最小干预方式回应真实需要。

（五）风险预警本质上是社会技术系统，而非独立算法

算法常被描述为风险识别的核心，但真正的预警结果由数据质量、模型规则、组织流程和专业判断共同产生。社会技术系统理论指出，技术系统的效果不能脱离其所嵌入的制度环境进行评价[16]。同一模型在不同高校可能产生完全不同的后果，因为数据口径、人员能力和部门协作方式并不相同。风险分值本身不会帮助学生，只有当分值进入可复核的工作流程，并与实际支持资源连接时，预警才形成治理效能。这一认识改变了算法与人的关系。算法的优势是处理大规模时序数据，发现人工观察难以察觉的模式。专业人员的优势是理解生活情境，判断信息可信度并进行伦理权衡。二者不是替代关系，而是功能互补关系。算法应承担信息压缩和线索发现功能，专业人员应承担情境解释和责任决策功能。若模型输出直接触发行政行动，算法就被赋予了超出其认识能力的权力。若专业人员完全忽视数据线索，连续监测的价值也无法实现。合理结构是机器提出需要进一步了解的问题，人类决定问题是否成立以及应当如何回应。

基于以上分析，本文提出一个六环节理论框架。现实压力首先通过生活节律和社会功能变化形成行为表征；多个弱信号经过时序聚合形成概率性风险提示；提示通过心理测评、现实事件和学生陈述进行情境复核；专业人员依据证据强度实施分级支持；干预结果再进入模型校正与制度学习。该框架表明，数据并不直接通向结论，而是经过一条可解释且可问责的证据链进入行动。预警系统的合法性也不只取决于预测性能，而取决于心理学效度、程序正当性和支持结果能否同时成立。

三、网络行为大数据赋能心理健康风险预警的作用机制

（一）压力传导机制：心理负荷经由生活节律形成行为变化

心理压力首先作用于个体的认知评价与情绪调节，进而影响睡眠、注意分配和社会参与。对高校学生而言，学业任务和人际事件往往嵌入具体生活制度之中。持续压力可能使作息变得紊乱，也可能降低课程参与和校园活动频率。由于学习和交往活动高度依赖网络，生活节律变化会在连接时间和在线强度中留下痕迹。网络行为数据因此能够观察压力的行为后果，而不是压力本身。压力到行为之间存在多重中介。个体可能通过运动、同伴支持或时间管理缓冲压力，也可能通过回避和过度网络使用应对压力。相同压力因应对方式不同而呈现不同轨迹。与此同时，课程排课、宿舍条件和校园网络维护也会改变数据形态。压力传导机制因而具有条件性。只有排除技术故障和制度性因素，并结合个体历史模式，行为变化才可能被解释为心理风险的线索。

这一机制还说明，网络行为数据更适合识别功能变化，而不是识别具体疾病类型。失眠、焦虑和抑郁可能都表现为昼夜节律变化，单一行为指标缺少疾病特异性。高校若把行为特征直接映射为某种疾病标签，就会超出数据能够支持的推断范围。更稳健的做法是把指标解释为需要关注的功能领域，例如作息稳定性下降、活动参与减少或行为波动显著增大，再由专业评估确定其心理含义。

（二）弱信号聚合机制：由孤立异常形成结构化风险提示

网络行为数据中的多数单项特征都属于弱信号。弱信号的含义是，它与风险可能相关，却不能单独提供充分证据。深夜连接增加具有一定敏感性，但特异性有限。若系统依据单一阈值触发预警，会产生较高误报，并增加专业人员负担。弱信号聚合机制的任务，是把分散且不确定的特征组织成具有时间结构的证据组合。

有效聚合至少需要考虑三类关系。第一类是时间关系，判断异常是否持续以及是否呈现加速趋势。第二类是特征关系，判断作息变化、活动收缩和使用强度变化是否具有一致方向。第三类是情境关系，判断变化是否与考试周、实习期或校园事件相对应。聚合不是简单增加指标数量，而是识别多个指标之间是否共同指向某种功能变化。指标越多并不必然更准确，只有理论相关且数据质量可靠的指标才能增加证据强度。从认识论上看，弱信号聚合是一种渐进更新过程。系统不应在第一次异常时给出确定结论，而应随着新数据到来不断调整风险置信度。短期偏离可以保持观察，持续偏离可以提高关注等级，多源证据一致时才进入进一步核验。此种逻辑接近概率更新，而非静态分类。它能够在敏感性与特异性之间形成动态平衡，也能够避免一次偶然行为给学生留下长期标签。

（三）个体基线机制：以自身轨迹识别持续不利变化

个体基线是网络行为预警区别于一般群体画像的核心。所谓基线，是学生在相对稳定时期形成的行为节律和波动范围。基线不等于固定常态，而是能够随学期阶段和生活安排变化的动态参照。系统可以在充分观察期内估计个体的日周期和周周期，并识别考试周或假期造成的规律性变化。在此基础上，当前行为是否异常应主要由其偏离自身历史模式的程度决定。

群体模型仍有价值，但其功能应受到限定。聚类可以用于发现常见行为类型，也可以帮助识别数据质量问题。然而，聚类结果不宜被直接命名为健康群体或异常群体，因为统计相似性不等于心理同质性。群体差异还可能来自专业特点、年级任务和住宿条件。合理的模型结构应以个体基线为主，以相似情境群体为辅，并允许专业人员查看偏离来源。这样可以把风险识别从寻找异于常模的人，转向发现学生自身发展轨迹的持续恶化。

聚类与模糊评价可以承担两项有限功能。前者用于发现常见行为结构，后者用于表达学生对不同风险等级的相对隶属程度。二者都不能把统计类别转化为医学类别，也不能绕过专业复核。特别是隶属度较高并不意味着风险事实已经成立，它只意味着现有证据与某一风险模式更为接近，需要进入后续校验。动态阈值是个体基线机制的制度化表达。固定阈值假定所有学生在任何时期都适用同一标准，容易造成系统性偏差。动态阈值则根据时间阶段和数据稳定性进行调整。例如，期末阶段整体在线时长可能上升，假期校园空间活动会自然下降。系统若不识别这些结构性变化，就会把制度性行为误判为个体风险。动态阈值不仅是技术优化，也是防止不公平推断的重要治理要求。

（四）多源校验机制：由数据相关性走向情境化证据

行为数据只能提供间接证据，心理风险判断必须依靠多源校验。多源并不意味着无限汇集数据，而是选择能够补充不同认识维度的信息。心理量表提供主观体验与症状水平，学业功能信息反映现实适应，教师观察提供日常情境，学生本人陈述则具有不可替代的解释地位。不同来源彼此独立又相互补充，可以降低单一数据源偏差。

多源校验应当遵循证据递进原则。第一步核查数据是否完整，排除设备更换和网络故障。第二步判断异常是否具有时间持续性。第三步了解是否存在可解释的现实事件。第四步通过合适方式与学生沟通，确认其实际状态和支持需要。第五步在必要时由心理专业人员完成评估。证据递进可以把系统提示控制在适当层级，避免所有异常都直接进入个人干预。

学生陈述在校验链条中应具有实质地位。数字行为可能比自陈更连续，却不能因此否定主体经验。若学生能够合理解释行为变化，系统应允许降低或撤销风险等级。若学生表示确有困扰，支持方案也应依据其意愿和需要形成。把学生视为信息主体而非被分析对象，能够提高判断准确性，也能维护心理健康工作的信任基础。

（五）人机协同机制：将风险提示转化为分级支持

风险提示要转化为教育行动，必须经过人机协同。算法可以完成大范围初筛和趋势排序，但不能独立决定学生是否存在心理问题。专业人员需要判断行为变化是否具有心理意义，还要考虑干预可能带来的关系影响。尤其在高风险情形中，责任不能转移给模型。世界卫生组织关于健康人工智能治理的指导强调，应当把伦理和人权置于设计及使用过程的核心，并保持对相关主体的可问责性[15]。人机协同不是在模型完成后增加一次形式化人工确认，而是要求人类判断贯穿指标选择、阈值设定和个案复核。心理教师应参与确定哪些行为构念具有理论意义，信息技术人员应说明数据来源和模型局限，辅导员应提供现实情境，学生工作部门应配置支持资源。不同主体的知识在系统中相互制约，能够减少单一部门对风险含义的垄断。

分级支持是人机协同的行动结果。较低风险提示宜优先采用普惠性资源和低侵入度关怀，避免使学生感到被监控。风险持续上升时，可以由具有稳定关系的教师开展沟通，并提供心理咨询、学业帮助或生活资源。只有在存在明确安全风险时，才启动危机干预程序。支持类型不能被简化为心理咨询转介，因为学生困扰可能源于经济困难、课程压力或宿舍关系。真正的精准干预不是把人准确地归入类别，而是把适当资源在适当时间送达。

（六）反馈校正机制：以干预结果重塑模型与制度

预警系统不是一次性建设项目，而是持续学习的制度。每次风险提示都产生两类反馈。一类是认识反馈，包括提示是否被专业人员确认，哪些特征造成误报，以及模型对不同群体是否存在性能差异。另一类是行动反馈，包括学生是否接受支持，干预是否改善现实功能，以及沟通过程是否损害信任。只有将两类反馈纳入系统，模型才可能从相关性工具转化为可持续治理机制。

评价指标也应由单一准确率扩展为多维标准。分类准确率能够反映模型性能，却不能说明风险概率是否校准，也不能说明误报是否集中于特定群体。预警系统还应评价专业人员工作负担、学生信任程度和干预实际效果。若模型提高了识别率，却造成大量无效谈话或普遍焦虑，系统的总体价值可能下降。若模型对某些专业或生活方式产生持续误判，即使总体指标良好，也需要暂停使用并重新校准。

反馈校正还包括模型退出机制。行为模式会随技术环境和学生习惯变化，曾经有效的特征可能逐渐失去意义。模型应定期进行漂移检测，并在数据基础或应用目的改变时重新验证。不能因为系统已经投入成本，就将其无限期保留。能够承认失效并及时停用，是负责任治理的重要组成部分。

由以上机制可以形成四项理论命题。第一，网络行为数据的预警价值主要来自时序关系，而非数据规模。第二，个体内持续变化比个体间静态差异更接近风险信号。第三，多源证据与专业复核是从统计相关走向可行动判断的必要条件。第四，预警系统的最终效能应由学生获得支持后的实际改善评价，而不能只由模型分类性能评价。这四项命题共同说明，风险预警是一条证据链和行动链相互嵌合的过程。

四、网络行为大数据赋能心理健康风险预警的治理边界

（一）本体边界：行为表征不能等同于心理事实

治理边界首先来自认识对象本身。心理状态具有主观性、情境性和发展性，网络行为只是其可能外显。任何单一上网模式都不能直接证明学生存在心理障碍。即使多个指标与某类心理问题具有统计关联，也只能说明风险概率发生变化，不能形成临床诊断。数字表型研究本身也不断强调研究目的、测量质量和安全性的重要性[7]。因此，高校系统的输出名称应使用风险提示或关注建议，避免使用抑郁诊断、人格异常等确定性表述。

本体边界还要求控制数据类型。网络连接元数据与通信内容具有完全不同的侵入程度。前者可以用于分析时间和规律，后者涉及学生思想表达与私人交往。心理健康预警没有一般性理由读取聊天内容、网页正文或搜索内容。即便技术上能够处理，也不意味着教育目的足以证明其必要性。系统应优先使用低侵入度数据，并把内容数据排除在常规预警范围之外。

（二）认识边界：概率推断不能包装为确定结论

算法风险不仅来自模型错误，也来自对模型能力的错误表达。训练数据可能存在样本偏差，标签可能受量表误差影响，缺失数据可能与风险状态相关。模型在一所高校有效，不代表能够直接迁移到另一所高校。专业结构和网络基础设施变化还会引发概念漂移。数字表型研究对标准化和跨平台一致性的讨论表明，数据采集差异会显著影响结果的可比性[8]。认识边界要求系统呈现不确定性。风险输出不宜只有单一分数，还应说明主要特征、观察窗口和数据完整程度。专业人员需要知道提示是由持续偏离造成，还是由某个异常数据点造成。对高影响决策而言，可解释性不是给模型附加一段技术说明，而是使相关人员能够理解证据来源并质疑推断。人工智能辅助心理测评若缺少信效度验证和心理学知识介入，就难以形成稳定的测量意义[4]。

高校应在本地开展前瞻性验证，不能直接把研究模型部署为工作系统。验证应覆盖不同年级和专业，并检查误报率是否在群体之间显著不同。模型更新后需要重新评估，而不能默认性能延续。任何超过验证范围的使用都应被视为新的应用场景，重新进行伦理和合规审查。

（三）权利边界：教育照护不能成为无限采集的理由

网络行为数据能够指向特定学生时，属于个人信息。行踪轨迹与医疗健康信息属于敏感个人信息，对网络行为进行推断后形成的心理风险信息也具有高度敏感性。《中华人民共和国个人信息保护法》确立合法、正当和必要原则，要求处理目的明确合理，并将收集范围限制在实现目的所必需的最小程度[21]。《中华人民共和国数据安全法》与《网络数据安全管理条例》进一步要求数据处理活动兼顾开发利用和安全保护[22-23]。高校具有教育管理职责，但职责本身不能自动覆盖所有数据处理。是否必要仍需结合具体目的、数据类型和替代方案判断。目的限定是权利边界的核心。为心理支持收集的数据只能用于心理风险核验与资源配置，不能转用于评奖评优、奖助资格审查或纪律处分。更不能将风险标签提供给实习单位或就业机构。情境完整性理论认为，隐私并不只是信息是否秘密，而是信息是否按照特定社会情境中的适当规则流动[13]。学生在网络服务情境中产生的数据若被转移到惩戒情境，即使数据没有公开，也可能破坏原有信息关系。

最小必要原则应落实到指标和流程。能够通过连接时间判断作息变化，就不应收集访问内容。能够以去标识化数据完成模型训练，就不应长期保留直接身份。能够由心理中心完成复核，就不应向无关部门开放风险名单。数据保存期限应与预警窗口相匹配，过期数据需要删除或匿名化。教育数据研究指出，教育数据具有类型复杂和风险动态变化的特征，需要依据影响对象及影响程度进行分类分级治理[17]。既有研究也揭示了教育数据处理中可能出现的用途扩张、责任分散和伦理失范问题[18-20]。高校应把可识别网络行为和推断性心理信息列入高等级保护范围，实行更严格的访问控制与操作留痕。

行为主题库和学生画像也必须接受目的限定。主题库可以归纳作息稳定性与活动参与等行为模式，却不应沉淀为对学生人格的长期评价。画像应是面向特定支持任务的暂时性特征集合，随预警窗口关闭而更新或删除，不能扩张为跨场景通用的个人档案。只有把画像从全景式识人工具还原为有限任务中的证据载体，数据使用才不会越过教育照护的合理范围。知情机制不能停留在冗长条款。学生需要了解收集哪些数据、为何收集以及由谁使用，还需要知道系统不会承担诊断功能。对敏感信息处理，应依据法律要求履行相应同意和告知义务。对于学校基于法定职责处理的情形，也应提供透明说明和便捷的权利行使渠道。透明并不意味着公开算法源代码，而是让学生能够理解数据流向、风险提示的基本依据和可能后果。

（四）决策边界：算法提示不能替代专业判断

《中华人民共和国个人信息保护法》要求利用个人信息进行自动化决策时保证透明度与结果公平，并赋予个人对重大影响决定获得说明和拒绝仅由自动化方式作出决定的权利[21]。心理风险预警虽不是商业推荐，但其对学生人格权益和校园经历可能产生重大影响，因而更应坚持人工最终控制。风险分数不能自动触发处分、强制约谈或资格限制，也不能作为判断学生品行和能力的依据。人工最终控制必须是实质控制。若工作人员只能点击确认，无法查看证据来源，也无权改变系统结果，所谓人工介入只是形式。实质控制要求专业人员能够撤销提示、调整等级并记录理由。对中高风险个案，应实行至少两类专业视角的复核，例如心理专业判断与学生工作情境判断相结合。涉及安全风险时，应按照现有危机干预规范处置，而不能由模型直接启动高强度措施。

责任也不能因使用算法而被稀释。信息部门负责数据质量和系统安全，心理中心负责专业标准与个案研判，学生工作部门负责支持资源协调，学校管理层承担制度设计和监督责任。模型供应商只能承担技术责任，不能替代学校的教育责任。世界卫生组织提出健康人工智能应保持责任主体清晰并接受监督[15]，这一要求同样适用于高校心理健康场景。

（五）伦理边界：精准支持不能滑向标签化管控

风险标签具有自我强化可能。教师一旦把学生理解为高危对象，就可能以预设立场解释其普通行为。学生得知自己被长期标记，也可能产生羞耻和失控感。标签化不仅影响人际关系，还可能使算法预测成为改变现实的力量。数字表型伦理研究因而强调，应在工具开发与应用之初处理自主性、公平性和潜在伤害，而不能把伦理审查推迟到系统部署之后[14,27]。风险等级应被理解为特定时间窗口内的工作状态，而不是学生身份属性。系统界面应避免使用问题学生和异常学生等固化表述，风险记录也应允许及时降级和删除。

精准支持还需要尊重学生自主性。心理健康工作的目标是增强个体自我调节和求助能力，不是以保护之名剥夺选择。除明确紧急情形外，学生应参与支持方案制定，并可以表达不接受某种干预方式。沟通应从关心现实困难出发，而不是要求学生解释为何被数据判定异常。只有当学生感受到系统旨在提供帮助而非审查行为，预警机制才能获得长期信任。

伦理边界的另一面是公平。算法可能把特定生活方式误认为风险，也可能因设备使用差异对经济条件不同的学生产生不同准确率。社会技术系统研究指出，抽象模型容易忽略制度环境中的结构性差异[16]。高校应持续检查模型在性别、年级和专业群体中的性能差异，并为非典型生活方式保留解释空间。公平不是让所有人接受同一阈值，而是避免与心理风险无关的群体特征系统性地影响判断。

（六）制度边界：以全生命周期治理保障技术正当性

治理边界必须转化为可执行制度。高校首先需要建立跨专业审查机制，由心理学、教育学、法学和信息技术人员共同评估应用场景。审查重点不只是数据安全，还包括指标是否具有心理学依据，预警是否连接有效资源，以及是否存在侵入性更低的替代方案。系统上线前应形成个人信息保护影响评估和算法风险评估，并明确禁止用途。

运行阶段应建立角色分离和最小权限。数据处理人员不应直接接触个案身份，辅导员不应看到与其职责无关的完整行为轨迹，管理部门不应获取可用于排名的风险数据。预警名单应设置短期有效期限，访问行为必须留痕。高风险数据导出和跨部门提供需要额外审批。网络数据安全制度已逐步从原则性要求转向全流程义务，《个人信息保护合规审计管理办法》也要求通过审查评价个人信息处理活动是否符合法律规范[24]。高校应把心理风险预警纳入定期合规审计，而不能仅依靠项目验收。

学生权利救济是制度完整性的必要部分。学生应能够查询与自己相关的基本信息，要求更正明显错误的数据，并对风险结论申请人工复核。学校需要提供不带惩罚后果的申诉渠道，并对复核过程设定明确时限。若系统发生数据泄露或明显误判，应启动通知、补救和责任追究程序。没有纠错能力的预警系统，会把概率误差转化为持续伤害。制度评价需要同时覆盖技术、专业和权利三个维度。技术维度关注数据完整性、模型校准和漂移情况。专业维度关注预警是否提升了支持及时性，以及是否减少了漏识别。权利维度关注学生信任、申诉处理和群体公平。三类指标缺一不可。技术性能良好但损害权利的系统不可接受，权利程序完备但无法提供实际帮助的系统也缺少治理价值。

需要强调的是，治理边界不是技术应用的外部阻力，而是将预测能力转化为教育正当性的内在条件。目的限定能够防止功能扩张，最小必要能够降低风险暴露，人类最终控制能够维持责任归属，申诉纠错能够吸收模型误差。只有这些条件同时成立，网络行为大数据才可能成为心理健康支持的可信基础设施。

五、结论

高校网络行为大数据为心理健康风险预警提供了新的时间维度。它能够把部分生活节律和社会功能变化转化为连续线索，补充传统测评在时间间隔和信息覆盖方面的不足。但数据可见不等于心理可知，算法相关不等于因果确定。网络行为大数据的理论定位应是风险弱信号和辅助证据，而不是心理诊断工具。

本文构建的“压力输入→行为表征→概率推断→情境复核→分级支持→反馈校正”框架，揭示了数据从记录进入行动的完整路径。压力通过个体评价和应对方式影响生活节律，生活节律变化形成数字痕迹，多个弱信号经过个体基线比较形成风险提示，风险提示再由多源证据和专业判断完成校验。预警只有在连接适当资源并根据结果持续校正时，才形成实际治理效能。由此，心理健康风险预警不是一个孤立模型，而是一套由数据、专业人员和制度程序共同构成的社会技术系统。

文章进一步指出，治理边界具有构成性意义。本体边界要求区分行为表征与心理事实，认识边界要求呈现概率和不确定性，权利边界要求落实目的限定与最小必要，决策边界要求保持人类最终控制，伦理边界要求防止标签化和歧视。制度层面还需建立场景审查与分类分级保护，完善权限控制和合规审计，同时设置申诉纠错机制。只有把这些边界写入系统结构和工作流程，技术能力才可能获得教育合法性。

因此，高校建设心理健康风险预警系统的目标不应是尽可能多地发现异常学生，而应是尽可能早地发现学生自身发展轨迹中的持续不利变化，并以最小侵入方式提供支持。系统成效也不应只用准确率衡量，而应由学生是否及时获得帮助、专业人员是否能够作出更好判断以及学生权利是否得到保障共同评价。面向未来，相关研究需要在真实校园情境中检验行为指标的构念效度和跨情境稳定性，还需要比较不同个体基线模型的公平性，并通过学生参与式治理评估预警制度的可接受程度。只有在科学性、支持性和正当性之间形成稳定统一，网络行为大数据才能真正服务于高校学生心理健康与全面发展。

参考文献

[1] 中共中央, 国务院. 教育强国建设规划纲要（2024—2035年）[Z]. 2025.

[2] 教育部等十七部门. 全面加强和改进新时代学生心理健康工作专项行动计划（2023—2025年）[Z]. 2023.

[3] 教育部办公厅. 关于加强学生心理健康管理工作的通知[Z]. 2021.

[4] 姜力铭, 田雪涛, 任萍, 骆方. 人工智能辅助下的心理健康新型测评[J]. 心理科学进展, 2022, 30(1): 157-167.

[5] ONNELA J P, RAUCH S L. Harnessing smartphone-based digital phenotyping to enhance behavioral and mental health[J]. Neuropsychopharmacology, 2016, 41: 1691-1696.

[6] MOHR D C, ZHANG M, SCHUELLER S M. Personal sensing: understanding mental health using ubiquitous sensors and machine learning[J]. Annual Review of Clinical Psychology, 2017, 13: 23-47.

[7] HUCKVALE K, VENKATESH S, CHRISTENSEN H. Toward clinical digital phenotyping: a timely opportunity to consider purpose, quality, and safety[J]. npj Digital Medicine, 2019, 2: 88.

[8] CHOI A, OOI A, LOTTRIDGE D. Digital phenotyping for stress, anxiety, and mild depression: systematic literature review[J]. JMIR mHealth and uHealth, 2024, 12: e40689.

[9] ZUBIN J, SPRING B. Vulnerability: a new view of schizophrenia[J]. Journal of Abnormal Psychology, 1977, 86(2): 103-126.

[10] LAZARUS R S, FOLKMAN S. Stress, Appraisal, and Coping[M]. New York: Springer, 1984.

[11] RENN O. Risk Governance: Coping with Uncertainty in a Complex World[M]. London: Earthscan, 2008.

[12] AALBERS G, HENDRICKSON A T, VANDEN ABEELE M M P, KEIJSERS L. Smartphone-tracked digital markers of momentary subjective stress in college students: idiographic machine learning analysis[J]. JMIR mHealth and uHealth, 2023, 11: e37469.

[13] NISSENBAUM H. Privacy as contextual integrity[J]. Washington Law Review, 2004, 79(1): 119-158.

[14] MARTINEZ-MARTIN N, INSEL T R, DAGUM P, et al. Data mining for health: staking out the ethical territory of digital phenotyping[J]. npj Digital Medicine, 2018, 1: 68.

[15] WORLD HEALTH ORGANIZATION. Ethics and Governance of Artificial Intelligence for Health: WHO Guidance[R]. Geneva: World Health Organization, 2021.

[16] SELBST A D, BOYD D, FRIEDLER S A, et al. Fairness and abstraction in sociotechnical systems[C]//Proceedings of the Conference on Fairness, Accountability, and Transparency. New York: ACM, 2019: 59-68.

[17] 胡新瑞. 数字化转型中教育数据分类分级的治理制度研究[J]. 北京理工大学学报（社会科学版）, 2025, 27(2): 215-222.

[18] 林小红, 张君. 如何保护教育数据隐私?[J]. 现代教育技术, 2023, 33(5): 109-118.

[19] 苟学珍. 智能时代教育数据安全的伦理规约简论[J]. 电化教育研究, 2021, 42(9): 35-40.

[20] 赵磊磊, 张黎, 代蕊华. 智能时代教育数据风险治理：实然困境与实践路径[J]. 湖南师范大学教育科学学报, 2021, 20(6): 94-102.

[21] 全国人民代表大会常务委员会. 《中华人民共和国个人信息保护法》[Z]. 2021.

[22] 全国人民代表大会常务委员会. 《中华人民共和国数据安全法》[Z]. 2021.

[23] 国务院. 《网络数据安全管理条例》[Z]. 2024.

[24] 国家互联网信息办公室. 个人信息保护合规审计管理办法[Z]. 2025.

[25] MOHR D C, SHILTON K, HOTOPF M. Digital phenotyping, behavioral sensing, or personal sensing: names and transparency in the digital age[J]. npj Digital Medicine, 2020, 3: 45.

[26] BRAUND T A. The continued hype and hope of digital phenotyping[J]. Nature Reviews Psychology, 2024, 3: 448.

[27] MARTINEZ-MARTIN N, GREELY H T, CHO M K. Ethical development of digital phenotyping tools for mental health applications: Delphi study[J]. JMIR mHealth and uHealth, 2021, 9: e27343.

[28] BECK U. Risk Society: Towards a New Modernity[M]. London: Sage, 1992.

崔勇¹，刘逸舲2

1.西南石油大学，四川 成都 610066

2.成都航空职业技术大学，四川 成都 610100

作者简介

1.崔勇，西南石油大学讲师、西南大学教育学部博士研究生。

2.刘逸舲，成都航空职业技术大学助理研究员、西南大学教育学部博士研究生。

基金项目：本研究系南充市科学技术局《基于无线网络数据挖掘对大学生心理状态测试监控研究》（项目编号：SXQHJH010）阶段性成果。