International Open Access Journal Platform

1 引言

青少年时期是心理发展的关键期，也是心理问题的高发期。据国家卫生健康委员会 2023 年发布数据，青少年群体抑郁问题检出率处于较高水平，其中重度抑郁占比 7.4%，青少年心理危机相关事件呈现增多趋势（张新安 等，2026） 。心理危机若不能及时发现并加以干预，就容易造成自伤、自杀等极端行为，不但危及青少年个体生命安全，也给家庭和社会造成沉重的负担（Colonna R et al.，2026）。

目前我国青少年心理危机干预主要依靠传统模式，存在三个突出痛点：一是发现滞后性，大多依靠教师观察、家长反馈或者学生主动求助来发现心理问题，在心理问题严重化之后才被发现；二是评估的主观性，传统的心理测评以量表问卷为主，容易被被试的掩饰性回答所影响，不能够反映真实的心理状态；三是干预被动性，缺少个性化和实时性的干预方式，干预效果参差不齐（尹京凤 等，2025）。因此探索利用新兴技术构建更加有效的心理健康危机预警和干预体系，是当前青少年心理健康领域亟待解决的重要课题。

数字孪生技术属于工业4.0核心技术之一，依靠物理实体、虚拟模型、数据链路三者之间实时映射，达到对目标对象全生命周期动态监测和智能决策的目的（朱文迪 等，2025）。这项技术已经被成功地应用到智能制造、医疗健康等领域当中，但是精神医学和心理健康领域还没有任何相关的运用。多模态数据融合可以整合生理、行为、心理等各方面信息，给心理状态的评价提供更加全面的依据（Hanley T，2025）；改进型LSTM算法在时序数据预测方面具有独特的优势，可以实现心理危机的提前预警（陈津明 等，2025）；元宇宙技术创建的沉浸式场景，给认知行为治疗赋予了新的实施载体（吴吉惠 等，2025）。

因此，本研究尝试将数字孪生技术引入青少年心理健康领域，整合多模态数据构建心理生态数字孪生体，研发智能预警算法和元宇宙干预系统，初步形成监测、预警、干预的链条式框架，以期为青少年心理危机的早期识别、预警和干预提供新的技术路径，为我国青少年心理健康服务体系的完善提供理论参考和实践探索。

2 研究对象与方法

2.1 研究对象

以2025年9月到2026年5月期间山东省济宁市三所中学的青少年为研究对象。纳入标准为12至18岁、初中一年级到高中三年级的在校生，在校满6个月以上可以参加整个数据采集过程；自愿参加本研究，本人及法定监护人均签署知情同意书；具有基本电子设备操作能力、配合完成可穿戴设备佩戴和VR干预等过程；无严重视、听、肢体活动障碍，不影响数据采集和干预的实施。

排除标准为精神科医师诊断的重性精神疾病或器质性精神障碍，包括精神分裂症、双相情感障碍、精神发育迟滞等；有严重心脑血管疾病、内分泌疾病等躯体疾病且病情不稳定，会影响心理状态的评估；有药物滥用史或者酒精依赖史；近期（3个月内）接受过专业心理治疗或者精神科药物治疗；不能正常使用电子设备，或者由于个人意愿、家庭原因等中途退出研究；数据采集过程中出现严重缺失或者异常，影响研究分析。

分层随机抽样，根据教育系统均衡发展要求（《中华人民共和国义务教育法》、中小学减负政策），先按照学段（初中、高中）分层，再按照年级（初一至高三）分层，在每一层内随机抽取班级作为研究对象，保证抽样过程科学、合规且具有代表性，兼顾不同学段、不同年级学生的群体特征，减少抽样偏差。

本研究严格按照科研伦理的要求，在所有的研究对象以及监护人处签署知情同意书，并且严格保护了研究对象的隐私权和权益，所有收集到的数据只是本次学术研究的一部分，全部匿名化处理，不再以个人身份出现，所有数据都用编码代替，规范数据的存储和使用程序，始终坚持不伤害的研究风险评估，保证研究的合法合规进行。

2.2 数据采集与研究工具

参照国内外有关研究以及生态系统理论来创建包含生理、行为、心理和语言四个方面的多模态数据采集体系，保证数据的全面性和代表性（Fujita J et al.，2025）（陈黎明 等，2025）。

从生理指标上选取与情绪状态、应激反应有关的三个指标，即心率变异性（HRV）、皮电反应（GSR）和睡眠结构。HRV具体采集时域指标（SDNN、RMSSD）、频域指标（LF、HF、LF/HF），反映自主神经功能状态，GSR采集皮电导率均值和波动幅度，反映情绪唤醒程度，睡眠结构包括总睡眠时间、深睡眠占比、浅睡眠占比、快速眼动睡眠占比、入睡潜伏时间、夜间觉醒次数等指标，全方位评价睡眠质量。所有的生理数据都是用经过临床验证的中科心研的多模态人因感知终端可穿戴设备采集的，HRV连续监测的采样频率是每秒1次，GSR每分钟记录一次，睡眠数据在夜间连续记录，数据每天自动上传到云端服务器。需要指出的是，在真实的校园环境中佩戴可穿戴设备的依从性存在差异，部分数据由于运动伪迹或者设备脱落而出现缺失或者异常，不同品牌设备的测量一致性也没有在本研究中得到验证，会带来一定的系统误差（王博晨 等，2025）。

行为指标采取校园智慧管理系统加教师评价的方式进行采集，分为学习行为、社交行为、课外活动三类。学习行为包含课堂专注度、作业完成质量、考勤记录；社交行为包含校园社交频率、社交范围；课外活动包含参与活动种类和每周参与时长。但是课堂专注度评分是教师主观评价，不同教师的评分标准不同，并没有评分者信度检验；一卡通刷卡记录只能反映物理空间共现，不能完全代表真实的社交互动质量；课外活动数据来源于社团管理系统，存在系统漏报或者更新延迟的情况（Yunlong Z ，2025）。

心理测评指标使用国际公认的抑郁自评量表（SDS）、焦虑自评量表（SAS），二者均作为本研究的预警模型输入特征变量，而非心理危机的诊断金标准。SDS有20个条目，用1到4级评分，总分范围是20到80分，总分≥53分就提示有抑郁情绪；SAS也有20个条目，用1到4级评分，总分20到80分，总分≥50分就提示有焦虑情绪。正式研究之前对量表进行了信效度检验，结果显示SDS的Cronbach’s α系数为0.863，探索性因子分析提取出一个公因子，各个条目的载荷量在0.62～0.81之间；SAS的Cronbach’s α系数为0.847，探索性因子分析提取出一个公因子，各个条目的载荷量在0.60～0.79之间，说明两个量表在本研究人群中有较好的内部一致性及结构效度。但是SDS、SAS都是自评量表，存在社会赞许性偏差，不能反映瞬时的情绪变化，也不能用临床访谈做金标准来验证效度（王茜 ，2025；田雨 等，2026）。

社交媒体语言特征采集由研究对象自愿提供近三个月的微信、QQ聊天记录以及朋友圈、空间动态。数据预处理时去掉转发的内容，表情符号，无意义的字符以及非文本的信息。语言特征提取部分，负面情绪词汇频率使用知网情感词典和BosonNLP情感词典进行匹配统计，语义连贯性用文本连贯性评分算法计算，句式复杂度用平均句长和复杂句（从句数量≥2）占比来衡量。用jieba分词工具对中文进行分词，用LDA主题模型进行主题提取和特征分析。该方法有以下几点不足之处，第一，由于隐私保护的限制，一些学生和家长不愿意提供授权，从而产生样本选择偏倚；第二，社交平台的数据只包含文本内容，没有语音、表情等非语言信息；第三，词典匹配的方法对于上下文的语境没有考虑，可能会出现情感色彩的误判；第四，LDA主题模型的主题数需要人为确定，不同的设定会导致结果的不同（Wu Y et al.，2024）。

数据采集周期为三个月，分为三个阶段。基线数据采集阶段（第1个月）组织研究对象集中完成SDS、SAS量表测评，佩戴可穿戴设备，同时采集校园行为初始数据（前1个月记录）和社交媒体历史文本数据（前3个月记录）。动态数据更新阶段（第二个月）可以实现可穿戴设备每天自动同步生理数据，校园智慧管理系统每天更新学习行为、社交行为和课外活动数据，每周一同步上周的社交媒体文本数据。验证数据采集阶段（第3个月）以学校心理咨询中心标准化危机干预档案 + 持证心理教师半结构化访谈结果作为心理危机判定的金标准。参照《全面加强和改进新时代学生心理健康工作专项行动计划（2023—2025年）》中关于高风险群体的界定，并结合北京教育科学研究院提出的心理危机五级评估标准，制定本研究的操作化定义。满足以下任一条件，即判定为存在心理危机：（1）存在自伤、自杀意念、计划或行为；（2）重度抑郁/焦虑症状伴社会功能严重受损；（3）存在暴力伤人、情绪崩溃等高风险行为。

2.3 核心技术与系统构建

创建数字孪生体是本文的主要技术，包括数据预处理、模型设计、模型训练优化三个步骤。数据预处理用Python 3.9编程实现，首先对生理数据中缺失值（缺失率小于5%）使用线性插值法填充，将缺失率≥5%的样本剔除；行为数据和文本数据的缺失值使用多重插补法填充。异常值处理使用3σ原则，超出均值±٣倍标准差的数据判定为异常值，用该指标95%分位数代替。数据标准化使用Z-score标准化的方法，消除各个指标量纲的影响。用随机森林算法进行特征选择，求出各个特征对心理状态预测的重要程度得分，保留重要程度得分≥0.05的特征指标（M F S et al.，2023）。

数字孪生体用物理实体、虚拟模型、数据链路、服务应用四层架构来设计。物理实体层是研究对象个体及其所处的校园环境、家庭环境，虚拟模型层用Unity 3D引擎创建可视化虚拟模型，包含个体特征模块、状态模拟模块、趋势预测模块，用三维建模技术还原青少年的生理－心理－社会生态系统，数据链路层用MQTT协议实现物理实体和虚拟模型的数据实时同步，服务应用层包含预警服务、干预服务、数据查询服务、报表生成服务等功能模块（Jian L et al.，2022）。

智能预警系统采用改进的LSTM算法，用注意力机制加强模型对重要信号的捕捉。模型结构为输入层、注意力层、LSTM层、全连接层和输出层，输入层为预处理后的多模态时序数据，注意力层突出重要特征的贡献；LSTM层包含两个隐藏层，捕捉时序数据的长期依赖关系；全连接层把LSTM层的输出映射成预测结果；输出层使用Sigmoid激活函数，输出心理危机发生的概率。按照比例将数据分成训练集和测试集，使用Adam优化器，设批处理大小为32，迭代次数设为100次，使用早停法防止过拟合（尹斐 等，2022）。

元宇宙干预舱以认知行为治疗（CBT）理论为基础，结合沉浸式体验技术构建，采用Unreal Engine 5引擎开发，支持VR设备沉浸式体验，同时提供电脑端、手机端适配版本。干预舱包含三个核心场景，每个场景设置3到5个难度等级，根据青少年的干预进展和反馈进行动态调整。情绪识别训练场景用虚拟人物互动来锻炼情绪识别能力，认知重构场景模拟一般应激场景，使个体学会应对负性思维，放松训练场景建立自然虚拟环境，提供各种放松练习模块（杨晓冬 等，2022）。

干预周期为8周，每周1次，每次30分钟，固定时间干预。干预流程严格依照标准方案进行：入舱评估（5分钟）：用虚拟量表快速评价现在的情绪状态，得到情绪评分以及建议；场景干预（20分钟）：根据评价结果来选择相应的干预场景与难度等级，在虚拟导师的指导下完成训练；出舱反馈（5分钟）：研究对象填写干预体验问卷，记录情绪的变化，系统自动保存数据生成个人干预报告。

2.4 统计处理

用SPSS 26.0和Python 3.9（Tensor Flow 2.8框架）做统计分析。计量资料用均数±标准差（x±s）表示，组间比较采用独立样本t检验，干预前后比较采用配对样本t检验；计数资料用例数（百分比）［n（%）］表示，组间比较采用χ٢检验；采用多因素logistic回归分析青少年心理危机的影响因素，将单因素分析中p<0.1的指标纳入回归模型，采用逐步回归法筛选变量；通过受试者工作特征（ROC）曲线来评价预警模型的效能，计算曲线下面积（AUC）、灵敏度、特异度等指标；信效度检验用Cronbach’s α系数、探索性因子分析；p<0.05为差异具有统计学意义，p<0.01为差异具有高度统计学意义，p<0.001为差异具有极其高度统计学意义（Farideh S H et al.，2021）。

3 研究结果

3.1 数字孪生体构建效果

经过多个方面的检验，证明本研究建立起来的青少年心理生态数字孪生体，各项指标的模拟精度很高，可以达到临床应用和学术研究所需的准确度。生理指标、行为指标和心理状态这些核心的模拟误差均≤5%，离散度也低，基本符合数字化心理健康评估的精度要求，与同类数字孪生模型在医疗领域的初步应用结果相近。

虚拟模型与物理实体的心理状态一致性检验使用Kappa检验，总体Kappa值为0.87（95%CI=0.84～0.90），达到高度一致性标准，抑郁情绪维度一致性Kappa值为0.85（95%CI=0.81～0.89），焦虑情绪维度一致性Kappa值为0.83（95%CI=0.79～0.87），与同类数字化评估模型的一致性水平相当，高于传统单一量表评估的再测信度。提示数字孪生体能够较准确地复制青少年的实时心理状态，虚拟模型与物理实体在情绪评估方面具有较高匹配度，有望辅助传统人工评估过程，提高评估的效率和客观性。

用分层抽样法做动态适应性测试，分别选取性别、年龄、受教育程度不同的研究对象各一个月内进行观察。重点在心理状态出现明显变化的时候（SDS或者SAS评分有≥10分的变化）。从结果可知，数字孪生体对于此类事件的响应与更新完全达到设计要求（Jian L et al.，2022），平均响应时间以及更新延迟均在临床可以接受的合理区间内，可以快速捕捉到心理状态动态的改变并完成模型的迭代，避免了传统静态评价不能及时跟上心理变化的情况，很好地体现了该数字孪生体实时监测、动态调整的技术优势，为之后预警和干预的时效性提供了可靠的保证。

3.2 智能预警系统性能表现

采用改进型LSTM算法的智能预警系统在不同数据集上均表现出较为稳定的预警性能。在测试集和验证组中，系统预警准确率、灵敏度、特异度及曲线下面积（AUC）等主要指标均达到同类数字化预警模型的可接受水平（陈津明 等，2025），验证组AUC值接近青少年心理危机预警模型的效能标准，高于国内同类心理危机预警系统的平均AUC值报道范围。

改进型LSTM预警模型的各项性能指标都比传统LSTM预警模型好，经过χ٢检验，两组间差异有统计学意义（χ٢=٤٢.٦٨，p<0.001）。该优势主要是注意力机制对心理危机前期重要的时序特征加强了捕捉，很好地识别出传统模型容易忽略的细微信号，多模态数据融合带来的信息增益，弥补了传统模型对单一数据维度依赖的不足（杨晓冬 等，2022），使模型对心理危机发生趋势的判断更加全面、准确。

经过验证组心理危机事件预警时效性分析可知，预警成功率和平均预警提前时间均满足校园心理健康服务的需求。预警时效可以给学校心理健康教育工作者、家长、医疗人员等留出足够的时间去制定个性化的干预方案、调配干预资源，有效避免传统干预模式下“发现就是危机”的被动局面，符合青少年心理危机早期干预核心要求，可以降低心理危机事件恶化的风险。

3.3 元宇宙干预舱干预成效

本次研究的干预对象是存在抑郁或焦虑情绪的青少年，干预完成率比传统心理干预的平均水平要高，说明青少年对元宇宙干预形式的接受程度较高。该完成率与同类沉浸式心理干预研究的参与度数据一致，说明元宇宙干预模式对青少年群体是适用的，趣味化、互动化的呈现形式可以有效地降低青少年对于心理干预的抵触心理，提高干预的依从性。

干预前后 SDS、SAS 评分的配对样本 t 检验结果表明，干预后两项评分均有明显下降，差异有极其高度统计学意义（均 p<0.001）（王茜 ，2025）（田雨 等，2026）。经过抑郁焦虑严重程度分层后可以发现，元宇宙干预舱对缓解轻度、中度情绪问题效果显著，在轻度、中度情绪问题的干预后评分降低幅度达到了临床意义标准，符合认知行为治疗的干预规律，也和沉浸式干预技术的临床应用特点相符。

干预后 SDS 评分< 53 分、SAS 评分< 50 分作为干预有效标准，元宇宙干预舱干预有效率明显好于传统认知行为治疗法，两组干预有效率比较用χ٢检验，差异有极其显著统计学意义（χ٢=٥٨.٤٣，p<0.001）。该结果与同类元宇宙心理干预研究的疗效数据一致，说明沉浸式干预模式具有临床优势，虚拟场景的真实感和互动性可以让青少年更直观地实践认知重构技巧，加强干预效果。

干预体验问卷调查结果表明，完成了干预的研究对象对于元宇宙干预舱的场景趣味性、干预效果满意度、难度适应性和推荐意愿都是较高的水平。沉浸式体验、灵活的干预时间和地点是其主要的优点，也符合青少年心理健康服务便捷化、趣味化的需求（Hanley T，2025）；超过六成的研究对象认为虚拟导师引导方式更易被接受，相对传统面对面干预压力小，再一次证明了该干预模式对青少年的适用性。

3.4 心理危机影响因素分析

以是否出现心理危机作为因变量，用多模态数据采集体系中的潜在影响指标（生理、行为、心理、语言等维度）作为自变量，经过单因素和多因素 logistic 回归分析筛选后，最终进入模型的显著影响因素为睡眠质量、社交支持水平、学业压力 3 项，所有 p 值均< 0.001 。模型整体拟合优度较好，似然比χ٢=١٢٦.٣٥，p<0.001，Nagelkerke R٢=٠.٣٨٦，符合 logistic 回归模型的统计学要求 ，说明模型可以较好地解释青少年心理危机的发生风险。

其中睡眠质量差、学业压力大属于青少年心理危机的危险因素，社交支持水平高属于心理危机的保护因素，此结果与国内外多项青少年心理健康研究结论一致，再次证明了这些因素对青少年心理危机发生发展的作用。进一步分层分析可以发现学业压力的影响强度在高中阶段更高，符合高中学业任务重、升学压力大的实际情况；社交支持的保护作用在女性青少年中更明显，与青少年心理发展年龄和性别特点相符，提示心理危机干预策略要根据不同的年龄段、不同性别的青少年采取不同的措施，给心理危机预警模型特征优化和干预方案个性化设计提供重要的依据。

4 讨论

4.1 核心创新与实践价值

本研究的核心创新在于首次将数字孪生技术与青少年心理健康领域深度融合，构建了“生理—心理—社会”三维一体的青少年心理生态数字孪生体，打破了传统心理评估与干预的技术瓶颈，为心理健康领域的数字化转型提供了新范式。

数字孪生体的四层架构设计实现了三大突破：一是突破了传统心理评估的静态局限，通过多模态数据的实时同步与动态更新，实现从“静态评估”到“动态监测”的转变；二是解决了单一数据维度评估的片面性问题，整合多维度数据全面还原青少年的心理生态系统，提升了评估的全面性与准确性；三是建立了物理实体与虚拟模型的实时映射，将抽象的心理状态转化为可视化的数字模型，为预警与干预提供了直观、可操作的数字化载体。

基于改进型LSTM算法的智能预警系统，通过引入注意力机制与多模态数据融合，预警性能显著优于传统模型，能够在心理危机发生前及时发出预警，为干预工作争取宝贵时间，应用场景广泛，可实现“校—家—医”协同预警与干预。

元宇宙干预舱创新性地将认知行为治疗理论与元宇宙技术相结合，构建了趣味化、互动化、个性化的干预场景，与传统认知行为治疗相比，具有沉浸式体验、个性化适配、便捷性等优势，干预完成率与青少年接受度较高，有效提升了干预效果。

本研究构建的“监测—预警—干预”全链条体系，将数字孪生体、智能预警系统、元宇宙干预舱有机整合，形成闭环服务模式，有效破解了传统模式的固有局限，具有重要的临床应用价值、政策转化潜力与产业价值。

4.2 影响因素启示与优化方向

多因素logistic回归分析结果显示，睡眠质量、社交支持水平、学业压力是影响青少年心理危机的核心因素，这一发现与以往研究结果一致，也符合生态系统理论的核心观点。睡眠质量差通过影响神经内分泌系统与大脑功能，导致情绪调节能力下降；学业压力大作为主要应激源，引发持续应激反应，诱发心理危机；良好的社交支持则能缓冲负性情绪影响，降低心理危机风险。

这一研究结果为青少年心理健康预警与干预提供了重要的实践启示：在预警模型构建中，应重点关注上述核心指标，进一步优化特征选择与模型参数；在干预实践中，应采用“多靶点、全方位”的干预策略，除直接干预情绪问题外，还应注重睡眠卫生指导、学业压力管理、社交技能训练等配套措施。

基于此，未来可从三个方面优化现有系统与干预方案：一是在数字孪生体中增加睡眠质量监测与社交支持评估模块，实时监测并发出风险提示；二是在智能预警系统中强化核心指标的权重赋值，提升对高风险人群的识别能力；三是在元宇宙干预舱中增加针对性功能模块，开展靶向干预，进一步提升干预的全面性与有效性。

4.3 研究局限与未来展望

本研究虽然取得了一定的研究成果，但仍存在一些局限性。一是研究样本集中于山东省济宁市的中学，地域覆盖范围有限，可能存在选择偏倚，研究结果的外推性有待进一步验证；二是数据采集周期为3个月，对数字孪生体与预警系统的长期稳定性评估不足，需要进行更长时间的随访研究；三是元宇宙干预舱的长期干预效果尚未明确，缺乏随访数据，需要开展长期随访研究评估其长期效果与复发预防效果；四是研究未考虑家庭环境、遗传因素、社会文化因素等潜在影响变量，后续研究可纳入更多变量，进一步优化模型的预测效能；五是数字孪生体的构建尚未完全纳入宏观生态环境因素，虚拟模型对心理生态系统的还原度仍有提升空间。

未来研究可从以下方面进一步深化与拓展。一是扩大样本量与地域覆盖范围，开展多中心大样本研究，提高研究结果的外推性与通用性；二是延长数据采集与随访时间，开展纵向追踪研究，评估系统的长期稳定性与预警效果；三是优化元宇宙干预舱的功能模块，结合人工智能技术实现精准适配，开展长期随访研究评估长期效果；四是加强政策转化与推广应用，推动研究成果落地，建立“校—家—医”协同的心理健康服务网络；五是进一步完善数字孪生体的模型架构，纳入宏观生态环境变量，提升模型还原度与模拟精度；六是探索数字孪生技术与其他新兴技术的融合应用，推动心理健康领域的技术创新与产业升级。

参考文献

[1] 张新安, 韩娟娟, 赵洪朋, 等. (2026, February 4). 儿童青少年心理健康促进: 多维运动的动力机制与实施路径. 沈阳体育学院学报, 1-8.

[2] Colonna R, Tucker P, Mandich A, et al. (2026). Preliminary efficacy of ‘high-alert’ a brief smartphone intervention to reduce Cannabis-impaired driving among youth: A pilot randomized controlled trial. Transportation Research Part F: Psychology and Behaviour, 117, 103489.

[3] 尹京凤, 赵燕皓, 刘欣怡, 等. (2025). 人工智能在青少年非自杀性自伤行为识别与干预中的研究进展. 中国学校卫生, 46(12), 1820-1824.

[4] 朱文迪, 王欣, 汤佳雯, 等. (2025). 人工智能在青少年抑郁筛查和干预中的研究进展. 中国校医, 39(11), 816-821.

[5] Hanley T. (2025). Guest editorial: Special edition: Digital mental health for young people: building digital ecosystems of support and learning. Mental Health and Digital Technologies, 2(3), 153-156.

[6] 陈津明, 武玉元, 金旻. (2025). 人工智能反馈与教练反馈对青少年女排运动员心理干预效果的比较研究. 福建体育科技, 44(5), 79-88.

[7] 吴吉惠, 罗华. (2025). 生态系统理论视域下数字化赋能青少年心理健康服务的体系构建研究. 乐山师范学院学报, 40(10), 104-113.

[8] Fujita J, Yano Y, Shinoda S, et al. (2025). Challenges in Implementing a Mobile AI Chatbot Intervention for Depression Among Youth on Psychiatric Waiting Lists: Randomized Controlled Study Termination Report. JMIRx med, 6, e70960.

[9] 陈黎明, 张朝娟. (2025). 青少年心理韧性生态化培育的路径研究. 教学与管理, (S2), 22-24.

[10] 王博晨, 金灿灿. (2025). 心理学视角下的儿童青少年生态文明教育: 理论、路径与干预. 北京师范大学学报 (社会科学版), (4), 96-107.

[11Yunlong Z. (2025). Research on the Practice Path of AI Empowered Integration of Physical Education and Academic Education——Taking the Prevention of Youth Sports Injuries and Intervention of Academic Burnout as an Example. Journal of Aussie-Sino Studies, 11(2).

[12] 王茜. (2025). 人工智能赋能校家社协同育人: 问题青少年行为干预的路径优化. 鲁东大学学报 (哲学社会科学版), 42(3), 47-53.

[13] 田雨, 秦雪莲, 丁洪君, 等. (2026, February 4). 累积生态风险对青少年手机成瘾的影响: 心理资本和自我控制的作用. 应用心理学, 1-14.

[14] Wu Y, Long X T, Huang J, et al. (2024). Delivering a Smartphone Serious Game-Based Intervention to Promote Resilience for Adolescents with Type 1 Diabetes: A Feasibility Study. Journal of pediatric health care: official publication of National Association of Pediatric Nurse Associates & Practitioners, 38(6), 893-902.

[15] M F S, Rachel B, Ozge B S, et al. (2023). The Post-intervention Impact of Amaka Amasanyufu on Behavioral and Mental Health Functioning of Children and Adolescents in Low-Resource Communities in Uganda: Analysis of a Cluster-Randomized Trial From the SMART Africa-Uganda Study (2016-2022). The Journal of adolescent health: official publication of the Society for Adolescent Medicine, 72(5S), SS3-SS10.

[16] Jian L, Yejin W. (2022). Evaluation of Internet Addiction Exercise Intervention Effect for Teenagers Based on Intelligent Psychological Strategy Technology. Wireless Communications and Mobile Computing, 2022.

[17] 尹斐, 姜文龙, 邵天苗, 等. (2022). 留守青少年累积生态风险对性心理健康的纵向影响. 中国学校卫生, 43(7), 1070-1074, 1078.

[18] 杨晓冬, 李怡静, 魏然. (2022). 亲子间的手机博弈: 家庭关系对青少年心理健康的影响研究. 全球传媒学刊, 9(3), 35-57.

[19] Farideh S H, Leila G, Ahangarzadeh S R, et al. (2021). Effects of a Life Skills-Based Intervention on Mental Health of Adolescents and Young Adults With Type 1 Diabetes. Journal of psychosocial nursing and mental health services, 59(10), 1-7.