提升校园福祉的AI驱动新工具：一种预防与干预方法

校园福祉是学业成功的基础，但许多大学缺乏监测满意度与发现心理健康风险的有效方法。本学位论文通过预防（改进反馈收集）与干预（推进心理健康检测）来弥合这些缺口，并将二者统一于一个整合框架之下。在预防方面，我们开发了TigerGPT，一个利用大语言模型（LLM）的个性化问卷聊天机器人，其基于会话设计与参与度理论开展情境感知的对话，达到75%的可用性与81%的满意度。为解决其在重复性与回应深度方面的局限，我们提出了AURA，一个强化学习框架，利用LSDE质量信号（长度Length、自我表露Self-disclosure、情绪Emotion、特异性Specificity）在会话内自适应地调整追问问题类型（确认validate、具体化specify、反映reflect、探询probe），并以96段历史对话初始化。AURA取得+0.12的平均质量提升（p=0.044，d=0.66），具体化提示减少63%，确认行为增加10倍。在干预方面，我们研究了表达性叙事故事（ENS）用于心理健康筛查，表明BERT(128)无需关键词线索即可捕捉细微的语言特征，而传统分类器则高度依赖显式的心理健康词汇。随后，我们开发了PsychoGPT，一个基于DSM-5与PHQ-8指南构建的LLM，可执行初步困扰分类、症状级评分以及与外部评分的调和，从而实现可解释的评估。为减少幻觉，我们提出了堆叠多模型推理（SMMR），将专家模型分层堆叠，早期层处理局部子任务，后期层调和各项发现，在DAIC-WOZ上的准确率、F1与PHQ-8评分均优于单模型方案。最后，一个内聚的框架将这些工具统一起来，使自适应问卷洞察得以直接流入专门的心理健康检测模型。