《Acta Psychologica》：An intelligible mathematical framework for quantifying neuro-behavioural fatigue and adaptive risk evaluation in educational settings
编辑推荐：
大学生常经历多种压力源，包括学业、数字及生活方式相关因素。传统疲劳评估工具主要基于心理测量问卷，捕捉对疲劳的主观评价，但此类工具很少在统一框架内纳入多个相互关联的因素。本文提出了一个可解释的计算框架，即神经行为疲劳评估模型（Neuro-Behavioural
大学生常经历多种压力源，包括学业、数字及生活方式相关因素。传统疲劳评估工具主要基于心理测量问卷，捕捉对疲劳的主观评价，但此类工具很少在统一框架内纳入多个相互关联的因素。本文提出了一个可解释的计算框架，即神经行为疲劳评估模型（Neuro-Behavioural Fatigue Assessment Model，NFAM），用于基于常见问卷报告数据识别神经行为疲劳。该框架采用由三个潜在成分表征的复合疲劳指数。第一个成分为认知疲劳指数（Cognitive Fatigue Index，CFI），代表与注意力和恢复相关的疲劳因素。第二个成分为数字过载乘数（Digital Overload Multiplier，DOM），用于解释数字活动与学业投入之间的交互效应。第三个成分为睡眠效率模型（Sleep Efficiency Model，SEM），利用生活方式因素估计睡眠相关因素对整体疲劳的贡献。各成分被组合形成复合评分（即NFAM复合评分）。该框架利用1000名大学生的数据进行了评估。对问卷变量的初步评估表明，NFAM更适合被概念化为形成性计算框架，而非反思性心理测量工具。对权重的敏感性分析表明，该框架在替代权重配置下保持稳定。统计分析显示，所定义的疲劳风险类别之间存在显著差异，框架在所评估的参与者中表现一致，并能够利用复合指数解释个体反应。总体而言，当前研究为评估大学生群体的神经行为疲劳提供了一个可解释的框架。未来研究将利用独立数据集和已建立的心理测量疲劳测量工具对NFAM进行外部验证。
论文解读
一、研究背景与问题
大学生群体因其学业压力、长时间屏幕暴露、睡眠节律紊乱及生活方式相关因素，可能特别容易受到神经行为疲劳的影响。与日常应激不同，疲劳可能通过认知与行为过程的相互作用逐渐累积，进而影响学习表现、学业成就和整体身心健康。因此，识别疲劳的预测性行为指标已成为研究重点。
现有心理测量工具，如疲劳严重度量表（Fatigue Severity Scale，FSS）和匹兹堡睡眠质量指数（Pittsburgh Sleep Quality Index，PSQI），主要用于评估疲劳或睡眠的特定方面，并未在单一计算框架内显式整合多个行为领域。虽然这些工具在单独使用时具有价值，但无法提供本研究中所考虑的多个行为领域的综合评估。此外，大多数计算模型旨在创建独立的预测工具，且常以"黑箱"模式运行，限制了对疲劳关键预测因素的识别能力。当前文献缺乏能够可靠评估个体学业投入和行为模式对疲劳贡献、同时为每项预测提供全面解释的计算工具。
二、研究内容与意义
研究人员开发了神经行为疲劳评估模型（NFAM），这是一个可解释的计算框架，将认知、数字和生理测量整合为统一的计算体系，用于评估大学生的疲劳水平。该框架并非旨在与既有心理测量工具直接比较的另一种心理测量工具，而是侧重于在单一计算框架内利用问卷衍生变量对相关行为概念进行操作化。该框架可应用于从群体水平分析到个体参与者评估的不同分析层级，为教育干预提供支持。
三、主要技术方法
研究人员采用的主要技术方法包括：基于问卷的数据收集（样本来自印度金奈VIT大学（VIT Chennai）的1000名18至24岁本科生和研究生，涵盖工程、管理、科学和艺术学科）；数据预处理（包括数据清洗、缺失值均值或中位数插补、序数编码、0-1二值编码及最小-最大归一化）；三个领域特异性指数的数学建模，即认知疲劳指数（CFI）、数字过载乘数（DOM）和睡眠效率模型（SEM）；以及统计分析和可解释人工智能（LIME特征归因）方法。
四、研究结果
4.1 框架概念化
对问卷变量的初步评估表明，NFAM更适合被概念化为形成性计算框架（即指标构成潜变量的形成性模型），而非反思性心理测量工具（即指标反映潜变量的反思性模型）。这一区分对于理解框架的性质和解释方式具有重要意义。
4.2 权重敏感性分析
对CFI权重配置的敏感性分析表明，该框架在替代权重配置下保持稳定。权重设定为：w1=0.30（分心率）、w2=0.25（日间嗜睡）、w3=0.20（屏幕暴露）、w4=0.15（学习不规律性）、w5=0.10（睡眠惩罚）。研究结果显示框架性能对权重变化不敏感，表明其具有稳健性。
4.3 疲劳风险类别差异
统计分析表明，所定义的疲劳风险类别之间存在显著差异。通过将NFAM复合评分与风险分层算法相结合，能够有效区分不同疲劳风险水平的学生群体，验证了框架的判别能力。
4.4 框架一致性
框架在所评估的1000名参与者中表现一致，表明其在不同学科、年龄和性别群体中具有稳定的适用性。这一一致性验证了框架作为通用评估工具的可靠性。
4.5 个体解释能力
框架能够利用复合指数解释个体反应。通过LIME（Local Interpretable Model-agnostic Explanations，局部可解释模型无关解释）特征归因方法，可以识别每个个体疲劳评分的主要贡献因素，为个性化干预提供依据。
五、讨论与结论
5.1 讨论总结
本研究的讨论部分强调了NFAM作为可解释计算框架的优势：它整合了认知、数字和睡眠三个行为领域，弥补了传统心理测量工具仅关注单一方面的局限。与需要专业生物传感器的生理测量方法相比，NFAM仅依赖常规问卷数据即可实现疲劳评估，具有更高的可及性和实用性。框架的形成性概念化意味着各指标共同构成疲劳这一潜在构念，而非由潜在构念所反映，这为理解和解释各成分的贡献提供了理论基础。权重敏感性分析的结果支持了框架在替代权重配置下的稳定性，增强了其在不同应用场景中的可信度。
5.2 研究结论翻译
总体而言，当前研究为评估大学生群体的神经行为疲劳提供了一个可解释的框架。未来研究将利用独立数据集和已建立的心理测量疲劳测量工具对NFAM进行外部验证。
