本發明涉及數據處理，具體為基于多源行為數據的學生心理狀態評估與風險預警系統。
背景技術：
1、隨著智慧校園建設與學習平臺、門禁、校園網、消費與圖書館等系統的持續接入，學生行為數據呈現多源異構、強語境依賴與顯著群體同步波動的特征，傳統以“考試周/ddl標簽+行為閾值或黑箱模型”進行預警的方法越來越難以區分“正常的群體性忙碌遷移”與“個體持續性功能受損或異常偏離”。現有技術將考試周、作業截止期作為簡單時間段或二值標簽參與建模，缺少對壓力事件的事件類型、作用范圍集合、強度權重、事件窗邊界與劑量衰減核等要素的結構化表達，導致不同課程難度、不同ddl密度、不同學生課表負荷被混合為同一考試語境。
2、例如，公告號為cn120179422b的發明專利公開了基于人工智能的學生心理數據分析與預警系統，包括：設置數據集復雜度判定模塊、數據切片判定模塊、gpu可兼容匹配模塊以及心理數據分析預警模塊，心理健康監測平臺通過收集學生多源心理數據集，評估其綜合復雜度，并據此確定心理數據切片數量及各自復雜度。平臺實時監控各gpu執行數據，評估其執行質量初始指標及可兼容復雜度。隨后，通過數據處理，將心理數據切片的綜合復雜度與各gpu的可兼容復雜度相匹配，完成心理數據切片與gpu的分配。最終，平臺利用這一分配關系，對學生的心理數據進行分析，最終實現對學生心理數據的分析與預警。
3、例如，公告號為cn120762923b的發明專利公開了一種學生智能心理狀態評估系統，包括：首先通過學生發表數據進行質量校驗與自動修正，保證后續處理的輸入可靠，接著通過聚類分析劃分數據序列簇，并基于每個簇的相似置信度動態調整資源調度策略，實現不同簇的分析頻率和采樣率優化，同時動態調整簇內資源調度策略再根據各序列簇的調度曝光指數與資源占比指標，智能計算并下發最優任務分配計劃，實現算力與人力的精細匹配，最后，實時監控關鍵性能指標，提升了學生心理狀態評估的實時性與精準性，還顯著優化了系統在高并發場景下的資源利用效率和穩定性。
4、現有技術中，現有系統多將考試周、作業截止期作為簡單時間段或標簽參與建模，未將事件強度、作用人群、暴露持續時間和劑量衰減要素結構化；不同課程難度、不同ddl密度、不同學生課表負荷被混合為同一考試語境，使得全體行為整體遷移被誤判為風險，且跨學院與跨學期遷移時誤報激增。
5、因此，針對以上問題，亟待需要基于多源行為數據的學生心理狀態評估與風險預警系統。
技術實現思路
1、解決的技術問題
2、針對現有技術的不足，本發明提供了基于多源行為數據的學生心理狀態評估與風險預警系統，解決了壓力暴露僅以考試周與ddl粗粒度標記，導致模型學習到日歷效應而非個體風險的問題。
3、技術方案
4、為實現以上目的，本發明通過以下技術方案予以實現：基于多源行為數據的學生心理狀態評估與風險預警系統，包括數據采集與語境綁定模塊，用于采集多源校園行為數據搭建多類行為數據集并進行歸一化處理；壓力劑量表構建模塊，用于基于壓力源事件數據幀構建壓力劑量表并生成個體暴露軌跡數據幀，進行一致性校核輸出暴露基線；行為響應指紋構建模塊，用于基于行為與暴露采集數據幀構建行為響應指紋數據幀并進行一致性加權融合，進行暴露條件化建模生成殘差數據幀；分級預警決策模塊，用于基于殘差數據幀構建風險證據流輸出風險軌跡數據幀，進行分級閾值自適應求解輸出預警決策數據幀；閉環校準模塊，用于將預警決策數據幀轉換為處置任務事務并構建回執閉環核驗數據幀，構建處置證據圖快照并進行版本化回寫。
5、進一步地，采集多源校園行為數據搭建多類行為數據集并進行歸一化處理的具體過程為：通過采集多源校園行為數據搭建多類行為數據集，多類行為數據集包括：行為數據集、作用范圍映射數據集、時間戳數據集與質量元數據；對采集得到的多類行為數據集進行時間片切分處理，并將學生標識進行不可逆哈希化，利用統一采集隊列對壓力源事件輸入片段按時間戳和事件類型進行排序生成質量元數據，對處理后的多類行為數據集進行統一數據結構封裝，構建行為與暴露采集數據幀并輸出壓力源事件數據幀，對行為與暴露采集數據幀進行線性縮放歸一化處理。
6、進一步地，基于壓力源事件數據幀構建壓力劑量表并生成個體暴露軌跡數據幀的具體過程為：輸入壓力源事件數據幀，對壓力源事件數據幀進行類型拆分，將壓力源類型拆分為考試壓力事件、截止壓力事件、測驗壓力事件與反饋壓力事件；對考試壓力事件以考試開始時間作為錨點，對截止壓力事件以截止時間作為錨點，對測驗壓力事件以測驗開始時間作為錨點，對反饋壓力事件以成績發布時間作為錨點；并為每條壓力事件寫入事件語義碼與錨點類型標記，對考試壓力事件，基于課程學分、考試占比、歷史通過率與補考比例計算考試強度權重，并將各要素歸一化后按權重系數組合得到事件強度權重值；對每條壓力事件執行事件窗擴展與衰減核參數化，得到事件窗邊界與核參數；基于事件強度權重值與核參數對事件窗內壓力劑量進行時間片化，構建壓力劑量表：將事件窗按日粒度切分為時間片集合，對每一時間片計算劑量值，形成事件級壓力劑量曲線；基于作用范圍映射數據集將壓力劑量表映射到學生個體并進行疊加生成個體暴露軌跡數據幀。
7、進一步地，進行一致性校核輸出暴露基線的具體過程為：輸入壓力劑量表、個體暴露軌跡數據幀、作用范圍映射數據集與質量元數據，對劑量曲線生成完整性、映射一致性與疊加穩定性進行一致性校核，通過對壓力劑量數據進行加權求和得到質量評分值；當質量評分值低于質量閾值或版本差異超過差異閾值時觸發重算與回填，并輸出暴露基線；對壓力劑量表與個體暴露軌跡執行增量回填，對同一壓力源標識在不同版本中的事件窗邊界差異、強度權重差異與核參數差異進行差分比較，當任一差異超過差異閾值時觸發重算并對歷史時間片執行增量回填；輸出質量評分值。
8、進一步地，基于行為與暴露采集數據幀構建行為響應指紋數據幀并進行一致性加權融合的具體過程為：基于行為與暴露采集數據幀、個體暴露軌跡數據幀與質量元數據，對行為與暴露采集數據幀按學生唯一標識與時間片標識進行對齊重組，并提取學習投入指標、作息節律指標、活動啟動指標與功能性代理指標作為響應指標集，構建行為響應指紋數據幀；基于質量元數據對多源響應指標進行一致性校核與加權融合，輸出行為響應指紋序列：將學習會話、網絡會話、門禁狀態變更與消費事件映射到統一時間片索引；對跨時間片的會話類事件按占比分攤到對應時間片；對補傳與離線回填事件按補傳標志與延遲估計寫入回填權重在每個時間片內提取行為響應指標集；對同一時間片內由不同數據源可同時表征的指標建立一致性約束，在語境條件下按期望關系對齊后求殘差得到質量元數據一致性偏差，當一致性偏差超過偏差閾值時寫入矛盾標記并觸發降權：根據字段完整性評分與缺失原因碼計算源可靠權重，對行為數據集中的維護期數據源進行降權融合；將融合后的響應向量、矛盾標記、源貢獻權重向量與時間片級響應質量評分寫入行為響應指紋數據幀，形成行為響應指紋序列。
9、進一步地，進行暴露條件化建模生成殘差數據幀的具體過程為：對行為響應指紋數據幀進行暴露條件化建模生成殘差數據幀：對行為響應指紋數據幀與個體暴露軌跡數據幀進行條件化配對，以學生唯一標識與時間片標識建立一一對應關系，將總暴露值與分類型暴露向量作為外生條件輸入，并將周次、工作日與節假日標記、時段標記、次日早課時間錨點與課程負荷摘要作為語境條件輸入，通過時序深度模型算法構建期望響應模型并輸出期望響應向量；對每一時間片計算殘差向量為實際響應向量與期望響應向量之差，并計算殘差的方向編碼與幅度表征值；對殘差向量進行穩健截斷、異常點抑制、版本化登記與漂移監測，輸出行為響應指紋數據幀、期望響應向量與殘差數據幀。
10、進一步地，基于殘差數據幀構建風險證據流輸出風險軌跡數據幀的具體過程為：輸入殘差數據幀、個體暴露軌跡數據幀、行為響應指紋數據幀與質量元數據，對殘差數據幀進行片段化重組與穩定性篩選，構建殘差片段集，對殘差可信度評分低于可信閾值的時間片進行屏蔽，并對連續缺失片段執行缺口標記得到可用殘差片段集；在可用殘差片段集上提取風險證據特征，按時間片生成證據向量流，寫入風險證據流數據結構構建風險證據流；對風險證據流進行序貫累積與漂移校正，輸出風險軌跡數據幀，在每一時間片將證據向量映射為風險增量并與上一狀態量進行加權累積，對因學期周次切換、節假日與課程負荷突變引起的風險基線漂移通過分層分位基線對齊進行校正。
11、進一步地，進行分級閾值自適應求解輸出預警決策數據幀的具體過程為：基于風險軌跡數據幀與風險證據流，進行分級閾值自適應求解，按學院、年級、住宿與非住宿群體分層，生成群體閾值帶；對每名學生維護個體閾值偏移量，將群體閾值帶與個體閾值偏移量疊加得到個體化閾值集合，個體化閾值集合包括一級預警閾值、二級預警閾值與三級預警閾值；基于觸發條件輸出預警等級，將觸發條件編排為一級觸發條件和二級觸發條件的組合；當滿足任一一級觸發條件時直接輸出預警等級，當僅滿足二級觸發條件時輸出預警或關注等級；并將觸發依據寫入觸發預警決策數據幀；對預警觸發執行誤報抑制與回退約束；構建預警決策數據幀并輸出。
12、進一步地，將預警決策數據幀轉換為處置任務事務并構建回執閉環核驗數據幀的具體過程為：將預警決策數據幀轉換為處置任務事務，按預警等級、風險可信度評分與數據可信度選擇處置路徑模板；對關注路徑生成輔導員關注任務，對預警路徑生成心理中心初篩任務，對三級預警路徑生成緊急聯絡與升級任務；為每條任務寫入任務目標、前置條件、期望完成時限、必填記錄項與證據要求；為處置任務事務構建回執契約；并執行處置任務事務的下發與回執閉環核驗，將下發時間戳、送達回執時間戳、閱讀回執時間戳、狀態讀回時間戳與入庫時間戳寫入回執閉環核驗數據幀，并獲得各階段耗時與超時標記；當超時標記觸發時按回退動作執行重投遞或升級通知，并記錄回退原因碼與重投遞批次編號，對回執與讀回結果進行一致性核驗并輸出閉環核驗值。
13、進一步地，構建處置證據圖快照并進行版本化回寫的具體過程為：輸入回執閉環核驗數據幀，以預警id作為會話標識，預警生成時間作為屬性字段，將處置路徑與任務步驟作為邊關系寫入證據圖，并為每條邊記錄下發通道、回執類型、讀回狀態與階段耗時；構建處置證據圖快照并綁定預警語境，將觸發證據清單中的主要貢獻證據類型作為證據節點，通過最小可見原則算法對證據圖快照執行裁剪與脫敏處理；對處置證據圖快照進行證據鏈回寫；輸出處置證據鏈與審計索引。
14、有益效果
15、本發明具有以下有益效果：
16、（1）本發明，通過可計算暴露表示，將考試周、作業截止期等粗粒度日歷標簽升級為事件級劑量曲線輸入，并進一步按作用范圍映射生成個體暴露軌跡，使模型獲得可度量、可疊加、可回放的壓力外生變量，避免僅學習日歷效應而忽略個體差異風險。
17、（2）本發明，通過個體化暴露生成機制，將課程難度、任務權重、補考比例、ddl密度等差異納入強度權重估計與上限裁剪約束，顯著降低不同學院、不同學期、不同課表負荷下的閾值失配與誤報放大，提升跨場景遷移穩定性。實現從采集到評估的全過程可復現與可審計，降低數據口徑漂移對風險判定的污染。
18、（3）本發明，通過給定總暴露值、分類型暴露向量與語境條件下輸出期望響應向量，并以殘差刻畫在同等壓力暴露下仍異常的個體偏離，實現從群體同步遷移識別轉向個體異常偏離識別，有效剝離考試周與ddl帶來的系統性擾動，提升風險識別的特異性與可解釋性。
19、（4）本發明，通過分層群體閾值帶與個體閾值偏移量的自適應求解，形成關注、預警與高危的分級閾值集合，并配合誤報抑制與回退約束，實現預警觸發可控、可解釋和可回退，避免短期噪聲或數據異常引發高等級誤報。避免發送即成功導致的處置落空與事后難以證明的問題。
20、當然，實施本發明的任一產品并不一定需要同時達到以上所述的所有優點。