我花了14个小时调试仅一个作业：面向计算机科学学生心理健康的计算机介导个人信息服务

研究背景与问题

• 问题与挑战
  作者发现计算机科学 (CS) 学生面临显著的心理健康问题，其焦虑和抑郁症状的发病率是其他本科生的两倍，是普通人群的 5-10 倍。其中，导致问题的具体学术因素尚不明确。作者发现调试代码的复杂性、缺乏对压力的自我意识以及冒名顶替综合症是主要挑战。

• 重要性
  这些问题不仅影响学生的学习效率，还可能进一步导致身心健康的恶化、厌学情绪，甚至影响学生从事计算机相关职业的意愿。此外，针对女性和少数群体的影响可能导致未来信息产业的代表性倒退。

• 研究动机与相关工作
  当前关于学生心理健康的研究主要关注已有心理健康状况的群体，缺乏针对大范围CS学生学术压力的深入探讨。数字心理健康工具虽然广泛发展，但与学生的实际需求和体验存在设计上的脱节。此外，代码调试的情感影响和压力的实时监测也是计算机教育和心理健康互动领域的重要研究问题。

解决方案

• 提出的解决方案
  作者设计并开发了EmotionStream，一个算法辅助的个人信息学(Personal Informatics, PI)工具，用于连续监测并提供基于上下文和情绪的洞察。系统结合自动情绪识别 (Automated Emotion Recognition, AER) 和用户自我报告来促进自我反思。

• 创新之处

  1. 将实时面部情绪识别与用户行为数据（键击、鼠标交互）和任务上下文结合，用于实时压力预测。
  2. 采用混合方法（主动收集与被动监测相结合），有效应对传统跟踪工具负担过重的问题。
  3. 设计了可视化仪表板，便于学生审视个人情绪状态与任务上下文间的关系，从而进行改进。

• 实施步骤与技术细节

  1. 数据采集：通过DeepFace和Residual Masking Network等AER模型追踪学生表情，同时记录键盘和鼠标活动、应用使用状况。完成隐私保护，通过本地存储避免个体识别信息被泄露。
  2. 用户反馈：基于经验采样法(ESM)，系统以20分钟间隔提示用户自我报告情绪和压力水平，随后用仪表板总结用户的行为和情绪趋势。
  3. 模型评估：对AER模型的准确性进行验证，并通过随机森林模型结合用户行为上下文进行压力预测，取得了高F1分数（0.88）。

研究成果

• 具体成果

  1. 通过定性和定量分析揭示调试任务和晚间活动时间显著地与高压力相关。
  2. EmotionStream在学生群体中接受度较高，工具评分显示超过70%的参与者给出“良好”或“非常好”的评价。
  3. AER模型的预测与自我报告的情绪虽存在显著差异，但结合上下文信息后，压力预测模型的性能提升显著。

• 与现有解决方案的比较优势

  1. 解决了传统数字心理健康工具与学生实际需求匹配度不高的问题。
  2. 创新集成上下文数据，动态提供细化洞察，促进学生自我反思和调整行为。
  3. 高参与度和工具适应性表明对日常应用的潜力较高。

• 实验或评估结果

  1. RMN和DeepFace模型分别取得了42%和47%的情绪分类准确率，强调了它们对中性情绪识别能力的相对优势。
  2. 使用附加上下文数据进行压力预测时，F1分数可达0.88。
  3. 参与者反馈表明仪表板的可视化输出使他们能够识别压力源并调整行为，有效促进心理健康管理。

• 局限性与未来方向
  作者指出工具的不足包括以下几点：

  1. 样本多样性不足，仅包含少数少数群体代表，未能全面评估种族、文化或性别偏差。
  2. 面部情绪识别模型对非中性情绪的识别准确度较低，未来需改进算法训练数据的多样性。
  3. 工具仅支持Windows操作系统，限制了广泛采用的可能性。
  4. 长期压力与学术表现追踪数据尚未充分收集，需进一步验证工具的长期有效性。

通过EmotionStream的开发和评估，作者不仅探索了CS学生的学术压力源，还为设计更实用的数字心理健康工具奠定了坚实基础。未来研究应更加关注样本多样性、长远应用表现以及跨平台适配性，以进一步提升工具的普适性和通过性。