RIACT：一个面向大学生个性化学习习惯追踪与早期倦怠信号检测的负责任AI系统

# RIACT：一个面向大学生个性化学习习惯追踪与早期倦怠信号检测的负责任人工智能系统
来源：https://arxiv.org/html/2608.21379
###### 摘要

学生倦怠在高等教育中普遍存在，报告的比例从12%到超过70%不等，且始终高于工作人群——然而，它通常仅在学业成绩已经下降后才被事后识别。一个促成因素是，学生几乎无法结构化地了解自己的学习行为，而现有的生产力工具仅记录活动，却不进行解读。本文提出 RIACT（记录、洞察、分析、指导、追踪），一个结合结构化学习会话记录与混合AI架构的Web应用，旨在呈现个性化洞察和早期倦怠信号。学生通过地点和时间记录会话；系统通过考虑休息时间计算净专注时间，通过基于周度行为比较的透明、确定性规则检测倦怠信号，并使用一个受固定输出模式约束的大语言模型来情境化行为模式并生成个性化建议。设计全过程嵌入了负责任AI原则：警告由可审计的规则而非模型判断驱动，所有输出均作为观察而非诊断呈现，且数据收集仅限于自我记录的行为字段。本文描述了系统的设计理念，将其置于学生倦怠和教育领域可解释AI的文献背景中，并提出了一个验证框架，用于将系统行为信号与既定倦怠测量工具进行对照评估。

## 1引言

大学生面临日益沉重的学业压力，倦怠已成为威胁学生幸福感与表现的最重大问题之一。研究表明，大学生倦怠的发生率在12%到超过70%之间，研究一致发现其比率高于工作人群（Olson 等人，2025）。尽管普遍，但倦怠通常仅在已经发生后才被识别，此时干预是补救性的而非预防性的。

一个促成因素是，学生对自己的学习行为缺乏可见性。缺乏关于他们在何时何地学习最有效的信息，学生会重复低效的习惯，无法识别自身模式中的预警信号。现有的时间追踪器和生产力应用等工具记录活动，但未提供与个人学习成果挂钩的个性化分析。通用的学习建议，无论意图多么良好，都无法替代基于学生自身历史的洞察。

部分困难在于，无结构的自我监控不可靠。被要求估算学习时长、休息频率或专注力最强时段的学生，是在基于记忆进行重构，而这种重构存在系统性偏差——无论片段化程度如何，长时间的学习会感觉富有成效；而行为的渐进式变化，恰恰是记忆会将其平滑化的那类变化。一个会话时长已连续三周缩减的学生，很少会将其视为一种趋势；每个单独的学习日只是感觉忙碌而已。换句话说，倦怠前的行为信号在数据中是可见的，但对产生数据的个体本人而言基本不可见。这就是结构化记录之所以重要：它将记录外化，使得周度对比成为可能，而这是内省无法做到的。

市面上存在多种追踪时间和生产力的商业工具。Toggl Track111https://toggl.com/track和 RescueTime222https://www.rescuetime.com/是应用最广泛的工具之一，允许用户记录任务耗时并生成生产力模式报告。Notion333https://www.notion.com/及类似生产力平台提供灵活的笔记和任务管理功能，并具备一些习惯追踪能力。虽然这些工具对一般时间管理有用，但在学生幸福感的背景下，它们都有一个共同的局限：它们记录活动，但不进行解读。一个在 RescueTime 中记录了四小时学习时间的学生，会收到一份四小时的报告，但无法获得关于这些小时是否专注或碎片化、地点是否利于集中注意力、或本周的模式是否预示着即将到来的耗竭等任何洞察。这些工具是描述性的，而非分析性的。

这些平台都没有集成倦怠检测功能。没有基于个人行为历史提供个性化建议。最后，没有专为学术生活节奏设计，其中地点、一天中的时间以及基于目标的截止日期相互作用的方式，是通用生产力框架无法捕捉的。这一空白激发了 RIACT 的设计。

本文提出 RIACT（记录、洞察、分析、指导、追踪），一个弥补此空白的 Web 应用。RIACT 让学生能够按地点和时间记录学习会话，在考虑休息后自动计算净专注时间，并在至少三个会话后应用 AI 来呈现个性化模式、检测早期倦怠信号并提供可操作的建议。该系统始终以负责任 AI 原则设计；呈现观察而非诊断，同时让学生掌控随后的任何决策。

本文其余部分组织如下。第2节（https://arxiv.org/html/2608.21379#S2）回顾了学习追踪、学习分析和基于AI的学生幸福感干预的相关工作。第3节（https://arxiv.org/html/2608.21379#S3）描述了RIACT的系统架构和设计。第4节（https://arxiv.org/html/2608.21379#S4）讨论了此方法的意义、局限性和未来工作方向。第5节（https://arxiv.org/html/2608.21379#S5）总结全文。

## 2相关工作

### 2.1高等教育中的学生倦怠

学生倦怠是高等教育研究中一个有充分文献记载的现象。Maslach 和 Jackson (1981) 建立了测量倦怠的基础框架，包含三个维度：情绪耗竭、犬儒主义和学业效能感降低——该模型后来被 Schaufeli 等人 (2002) 专门改编用于大学生，其跨国研究表明，使用与职业倦怠相同的维度结构来衡量学生群体的倦怠是可行的。在学生的改编版本中，情绪耗竭反映了学习需求带来的疲劳，犬儒主义反映了对学业的心理疏离，学业效能感降低则反映了能力感和成就感的减弱。

后续研究证实，学生的倦怠患病率高得惊人，根据人群和方法的不同，报告的比率从12%到超过70%不等，始终高于工作人群的比率（Olson 等人，2025）。在最近一项针对五个学术领域947名德国大学生的横断面研究中，Olson 等人 (2025) 发现，73.2%的学生处于中度至高度压力之下，28.2%报告在至少一个维度上经常出现倦怠症状——值得注意的是，倦怠并非集中在文献中占主导地位的医学领域；信息学和工程学学生显示出最高的压力和倦怠水平。其他地区的本科生研究报告了类似的患病率（Li 等人，2021），系统综述也证实了该问题在学科和机构间的广度（Almutairi 等人，2022）。

文献中有两项发现与 RIACT 的设计特别相关。首先，倦怠是逐渐发展的，通常识别较晚——用于测量它的工具是回顾性施测的，捕捉的是已经显现的倦怠。其次，Salmela-Aro 和 Read (2017) 证明倦怠与投入度存在于一个连续体上，在完全投入和完全倦怠之间存在可识别的特征组合，表明行为衰退在倦怠变得急性之前是可检测的。这正是 RIACT 设计所针对的特定窗口期：其信号——会话时长缩短、休息频率增加、深夜时间位移——是投入度侵蚀的行为代理指标，文献将其确定为倦怠的前兆。

### 2.2教育情境中的人工智能

近年来，AI工具融入高等教育的步伐加快。Nguyen 等人 (2024) 在研究大学生采用 ChatGPT 时发现，该工具被广泛用于学习支持、信息搜索、构思和完成作业，许多学生认为其在学术任务上可靠。但同一项研究也揭示了学生和教师一致担忧的问题：过度依赖可能削弱独立思考和批判性评估能力，同时存在学术不端和创造力下降的风险。这些担忧有一个共同根源——AI是开放式的、通用的，且脱离学生的实际学习情境，因此其输出替代了学生自身的工作，而非为其提供信息。

RIACT 对 AI 在学生生活中的角色采取了刻意不同的方法。它没有提供一个能生成学术内容的开放式界面，而是将 AI 限制在单一领域——分析学生记录的行为——AI 的输出无法替代学习本身，只能为学习决策提供信息。Nguyen 等人 (2024) 识别的风险被结构性地排除，而非靠规则约束。

Khosravi 等人 (2022) 提出了 XAI-ED 框架，用于教育领域的可解释AI，他们认为，关于公平性、问责制、透明度和AI支持教育干预伦理的担忧，最好通过产生透明决策解释的系统来解决。他们强调，教育领域的可解释性有其独特需求——利益相关者包括学习者，他们必须能够信任并依据系统输出采取行动。RIACT 在架构层面符合这些原则：其最敏感的功能——倦怠警告——是由透明的确定性规则产生的，其触发信号向用户展示（第3.5节 https://arxiv.org/html/2608.21379#S3.SS5），而非由不透明的模型分数产生。

### 2.3教育领域AI的伦理与责任

Schiff (2022) 分析了24个国家的AI政策战略，发现AI在教育中的使用在政策讨论中基本缺失，即使在那些广泛讨论AI伦理的文件中，教育AI的伦理影响也鲜少受到关注。这一空白很重要，因为教育中的AI系统与人群互动，包括承受学业压力的学生——设计不当的干预可能造成实际伤害，并且如Schiff所论证的，有效的政策与审慎的伦理密不可分。

在缺乏既定政策指导的情况下，责任落在了系统设计者身上。RIACT 的回应是一套自我施加的约束，在第3.7节（https://arxiv.org/html/2608.21379#S3.SS7）中详述：呈现观察而非诊断，安全相关决策使用确定性规则而非模型判断，最小化数据收集，提供指向专业资源的链接而不做临床声明。这些选择将 RIACT 定位于一个新兴的、针对部署在幸福感相关教育情境中的AI工具的护理标准之中——该标准将用户群体的脆弱性视为设计输入而非事后考虑。

## 3系统设计

RIACT（记录、洞察、分析、指导、追踪）是一个基于Web的应用程序，旨在通过结构化会话记录和AI生成的洞察，帮助大学生理解他们的学习习惯。

### 3.1架构

RIACT 基于 Next.js 构建，前端使用 TypeScript，样式采用 Tailwind CSS。身份验证和数据持久化由 Supabase 处理，它在每个数据库表上强制执行行级安全策略；确保用户只能访问自己的记录，考虑到个人生产力和幸福感数据的敏感性，这是一个关键要求。应用程序部署在 Vercel 上。AI功能由 OpenAI API 提供支持，使用 GPT-4o-mini 模型，因其在无服务器环境中平衡了推理能力和响应延迟。

### 3.2会话追踪

用户通过选择地点和预计结束时间来启动一个学习会话。一个实时计时器在会话期间运行，并在记录休息时自动暂停。净学习时间（总流逝时间减去休息时长）与地点、开始时间、结束时间和休息频率一起存储。原始学习时间本身是专注度的不良代理指标；一个包含六次休息的三小时会话反映的认知状态，与连续一小时截然不同。通过明确捕捉休息模式，RIACT 构建了比单纯的时长更丰富的信号。

### 3.3数据模型

RIACT的数据模型包含四个核心实体。一个*会话*记录地点、开始时间、结束时间、预计结束时间、总流逝分钟数和计算出的净学习分钟数。一个*休息*归属于一个会话，记录自身的开始时间、结束时间和时长；净学习时间通过从总会话时间中减去累计休息时长得出。一个*目标*指定每日或每周时间段内的目标学习小时数，可选择限定于特定地点，并带有一个活跃/非活跃状态。一个*地点*是用户定义的命名地点，被持久化，以便重复输入能累积在一致的标签下——这是任何按地点分析的前提。每个表都通过行级安全策略限定在认证用户范围内，因此即使在客户端出错的情况下，任何查询也无法跨越用户边界。

此模式设计得刻意精简。RIACT 不收集生物特征数据、设备遥测数据，也不收集学习内容；只记录地点、时间以及专注的连续性。这种克制本身就是一个设计决策；系统表明，从一个小型、透明的自我记录字段集合中，无需商业生产力软件常见的侵入式数据收集，就能进行有意义的行为推断。

### 3.4用户流程

学生首次与 RIACT 互动始于通过电子邮件和密码认证创建账户。首次登录时，主屏幕显示学生当前活跃的目标（最初为空），并提示开始学习会话。学生可以选择先创建目标，指定每日或每周的目标学习小时数，可选择与特定地点关联（例如，每周在校园图书馆六小时）。

要开始一个会话，学生选择一个地点，可以从先前使用的保存地点列表中选择，或输入一个新地点，并设置一个预计结束时间，代表他们对该会话的意图。这个预计结束时间具有双重作用；它在会话开始前锚定了学生的承诺，而预计结束时间与实际结束时间之间的差距，本身日后成为一个行为信号，因为持续提前结束会话可能表明投入度下降。

在活跃会话期间，一个实时计时器向上计数。当学生休息时，他们只需一个动作即可记录；计时器暂停，并在休息结束时恢复。结束会话时，学生会看到一个总结屏幕，概览该会话（地点、开始和结束时间、所进行的休息以及计算出的净学习时间），并提供完整的编辑支持，之后记录才会被保存。这个审查步骤是刻意的：它给予