基于时间序列特征提取的大学教师绩效评估与职业健康安全分析

《Frontiers in Public Health》：Performance evaluation and occupational health safety analysis of university teachers based on time-series feature extraction

　　

研究提出了一种新颖的框架，用于使用先进的时间序列特征提取技术评估大学教师的绩效和职业健康安全。传统方法通常无法捕捉绩效和健康相关指标的时序复杂性和动态相互依赖性。该框架通过整合领域特定建模、深度学习架构和时序融合策略来解决这些挑战。方法：该框架包含三个主要组成部分：预备知识、时序职业健康安全评估模型（Temporal Occupational Health Safety Evaluation Model，TOHSEM）和动态时序特征整合策略（Dynamic Temporal Feature Integration Strategy，DTFIS）。预备知识定义了建模多变量时序序列（如工作量、压力信号、教学评价和身体活动）的数学基础。这些变量被结构化为时间索引输入用于下游处理。TOHSEM利用增强有注意力机制的递归神经网络（recurrent neural networks，RNNs）来识别数据中的关键模式和动态依赖关系。注意力层使模型能够根据相关性对特定时间步和特征进行加权，有助于检测绩效波动或健康风险。这允许对时序行为进行更细致的解释。DTFIS采用多尺度方法，通过层次化时序表示整合短期变化和长期趋势。时序池化和加权融合方法保留了局部响应性和全局一致性。其他组成部分包括非平稳序列的归一化技术、异常值检测模块和实时更新管道。结果与讨论：使用多种数据源（包括机构日志、生理监测和主观评估）进行了实证验证。这些数据集展示了模型捕捉复杂动态的能力，并支持调度优化、早期风险检测和个性化资源分配等应用。

大学教师绩效评估与职业健康安全分析是教育管理领域的关键议题，传统方法常局限于静态指标或单维度评估，难以捕捉教师工作量、压力信号、教学评价及身体活动等多变量时间序列（time-series）中蕴含的复杂动态依赖关系和非平稳模式。这种局限性导致对教师长期健康风险（如倦怠）和绩效波动的误判，亟需一种能够融合领域知识、深度学习架构与动态时序建模的综合框架。为此，研究人员提出了一套集成时序职业健康安全评估模型（Temporal Occupational Health Safety Evaluation Model，TOHSEM）与动态时序特征整合策略（Dynamic Temporal Feature Integration Strategy，DTFIS）的新方法，旨在实现精准、可解释且可扩展的评估，该研究发表于《Frontiers in Public Health》。

关键技术方法方面，研究人员主要采用了以下核心组件：TOHSEM利用递归神经网络（recurrent neural network，RNN）结合注意力机制（attention mechanism）以捕捉长期依赖和关键时间步；引入神经常微分方程（Neural Ordinary Differential Equation，Neural ODE）处理非均匀采样数据并建模连续动态；DTFIS通过因果小波变换实现多尺度时频分解，分离低频趋势与高频波动，并采用动态加权融合实现局部响应与全局一致性；此外，研究使用了四个公开数据集（大学教师工作量时间序列数据集、职业压力与健康指标数据集、课堂活动表现数据集、教师生产力与安全监测数据集），并通过walk-forward验证避免信息泄漏。

研究结果部分，比较实验（Comparison with SOTA methods）显示：所提方法在四个数据集上的准确率、召回率、F1分数和AUC均显著优于ResNet、ViT、I3D、BLIP、DenseNet和MobileNet等现有方法。例如，在大学教师工作量数据集上，准确率达88.34%，较最佳基线提升0.45%；在职业压力数据集上，准确率达89.45%，召回率89.23%。消融实验（Ablation study）证实了各组件的贡献：去除TOHSEM后，大学教师工作量数据集准确率下降1.67个百分点；去除DTFIS后下降1.11个百分点；去除时序特征聚合机制后下降0.56个百分点，表明TOHSEM与DTFIS共同构成性能提升的核心。线性与非线性模型对比实验（Linear vs. nonlinear models）表明，LSTM在绩效得分预测中取得最低MAE（0.088）和最高R²（0.88），在健康安全得分预测中MAE为0.096、R²为0.85，均优于线性加权和MLP模型，验证了非线性时序建模的必要性。SHAP值分析进一步揭示，压力在第5天对绩效的正向影响最大（SHAP=0.45），第9天负向影响显著（SHAP=–0.30），表明模型能够定位关键时点。

讨论与结论部分，研究人员指出该框架有效建模了教师绩效与健康的动态交互，为学校政策制定、资源优化及早期风险干预提供了可操作洞察。研究同时承认两项局限：模型预测精度高度依赖输入数据质量（稀疏或不一致的数据可能损害性能），且未纳入组织政策、文化差异等外部因素。未来工作可探索先进插补技术和迁移学习以应对数据缺失，并扩展模型以整合更广泛的决定因素。结论翻译：本研究提出并验证了一个基于时间序列特征提取的综合框架，用于大学教师绩效评估与职业健康安全分析。框架整合了TOHSEM和DTFIS，实验证明其能够捕捉复杂时序关系，生成鲁棒且可解释的评估结果。该成果为推进时间序列分析在职业健康与绩效评价中的应用奠定了坚实基础，并在多类教育场景中展现出进一步优化与应用的巨大潜力。