基于BERTopic建模的高等教育心理健康自我护理策略研究：挑战洞察与技术设计启示

《Discover Mental Health》：Investigating mental wellbeing self-care in higher education using BERTopic modeling

　　本研究针对高等教育学生心理健康危机与求助缺口，通过BERTopic建模分析810名学生的开放式问卷数据，揭示了学生面临的压力源（如学业压力、孤独感、财务问题）及其自我护理策略选择偏好（如依赖在线资源、重视可负担性）。研究成果为设计数字化心理健康支持系统提供了实证依据，强调需整合可信赖、社交化及低成本的干预方案。

　　

在全球化与数字化浪潮中，高等教育学生的心理健康问题日益凸显。学业压力、经济负担、社交孤立等多重挑战交织，使这一群体成为心理困扰的高发人群。尤其疫情期间，校园封闭、线下社交中断进一步加剧了学生的心理脆弱性。尽管大学普遍设有心理咨询服务，但学生对专业帮助的利用仍存在显著障碍——从对污名化的担忧到资源可及性的限制，使得自我护理（self-care）成为维持心理福祉的重要途径。然而，当前对学生自我护理实践的系统性研究尚显不足，尤其缺乏大规模数据驱动的实证分析。

为填补这一空白，由芬兰奥卢大学Mahmoud Ali领衔的国际研究团队在《Discover Mental Health》发表论文，通过结合BERTopic主题建模与人工定性分析，深入探索了高等教育学生在心理健康自我护理中的行为模式与需求痛点。研究聚焦两大核心问题：学生如何选择自我护理技术？他们面临的心理挑战及应对策略有何特征？

研究团队通过在线问卷收集了810名高等教育学生的开放式回答，问题涵盖自我护理技术搜寻途径、选择标准、心理困扰来源及潜在解决方案。关键分析方法包括：

1. 1.
   多语言BERTopic建模：使用paraphrase-multilingual-mpnet-base-v2模型处理英语与芬兰语混合文本，通过UMAP降维和HDBSCAN聚类生成主题；
2. 2.
   主题优化与人工标注：对初始主题进行合并与标签化，确保语义准确性；
3. 3.
   跨问题关联分析：通过Sankey图可视化回答流向，揭示决策逻辑链条；
4. 4.
   群体差异检验：利用卡方检验分析性别与PHQ-8（患者健康问卷-8项）评分在主题分布中的差异。

研究结果

自我护理技术搜寻途径（Q1）

学生首选在线资源（如Google、YouTube、Reddit）获取自我护理信息（占比48.9%），其次为社交网络（朋友/家庭，8.2%）和专业帮助（5.1%）。值得注意的是，部分学生强调“内在解决方案”（如冥想、运动），体现对自主性的重视。

技术选择影响因素（Q2）

来源可靠性（25.7%）、易用性（23.1%）及个人偏好（20.7%）是三大主导因素。学生明确排斥“伪科学”内容，倾向选择有科学背书或用户验证的方法。可负担性（8.8%）和时间成本（4.5%）进一步反映学生群体的资源约束特征。

心理困扰来源（Q3）

压力（20.0%）、学业压力（11.1%）和抑郁（10.7%）位列前三，孤独感（9.7%）与童年创伤（7.1%）亦显著凸显。财务问题（7.0%）和未来不确定性（5.9%）折射出学生面临的结构性挑战。性别分析显示，女性更易报告抑郁与创伤经历，男性则更多关注未来不确定性。

应对策略需求（Q4）

社交支持（25.9%）和专业帮助（16.7%）是最受期待的干预方向。放松技巧（15.4%）和积极心态培养（13.6%）强调低成本自我调节方式，而财务支持（6.0%）与时间管理（2.1%）则指向系统性支持缺口。

结论与意义

本研究通过计算社会科学方法，揭示了高等教育学生自我护理实践中的“数字化优先”倾向与务实决策逻辑。三大设计启示尤为关键：

1. 1.
   可信度构建：在线心理健康平台需强化科学证据透明化，例如标注技术来源或专家背书；
2. 2.
   社交整合：设计应促进同伴支持与轻度专业介入的融合，如匿名论坛或校园顾问联动机制；
3. 3.
   可及性优化：优先推广低成本、易实施的策略（如正念呼吸、时间管理工具），降低使用门槛。

研究同时警示，避免将心理健康责任过度个体化（responsibilization），强调高校需在制度层面提供资源保障。未来工作可探索生成式AI在个性化自我护理推荐中的应用，但需严格防范误导性信息风险。这一成果不仅为数字化心理健康干预提供了实证蓝图，也为后疫情时代校园心理健康政策的制定提供了关键依据。