生成式人工智能赋能可持续发展教育场景探究

摘""要：生成式人工智能的综合理解和生成能力较传统人工智能进一步提高，在建设学习型社会和终身教育体系的新时代下，生成式人工智能通过赋能个性化学习和智能辅助教学评价等应用场景，有效解决了海量教学资源选择难和教学评价繁重等问题。深入探讨了生成式人工智能在推动可持续发展教育中的作用及实施路径，生成式人工智能通过构建知识图谱、优化学习推荐和智能辅助精准评估，不仅提升了教育质量与效率，还促进了教育公平，为实现联合国2030年可持续发展教育目标，推进教育数字化提供了强有力的技术支撑。

关键词：生成式人工智能""可持续发展教育""知识图谱""个性化学习""智能辅助评价

中图分类号：G644

Exploration"of"Generative"AI"Empowering"ESD"Scenarios

XING"Shiyu

Liaoning"Finance"Vocational"College，"Shenyang，"Liaoning"Province，"110122"China

Abstract："The"comprehensive"understanding"and"generation"ability"of"generative"Artificial"Intelligence（AI）"have"been"further"improved"compared"to"traditional"AI."In"the"new"era"of"building"a"learning"society"and"a"lifelong"education"system，"generative"AI"can"effectively"solve"the"problems"of"difficult"selection"of"massive"teaching"resources"and"heavy"teaching"evaluation"by"empowering"application"scenarios"such"as"personalized"learning"and"intelligent"assisted"teaching"evaluation."This"paper"deeply"discusses"the"role"andnbsp;implementation"path"of"generative"AI"in"promoting"education"for"sustainable"development（ESD），"which"not"only"improves"the"quality"and"efficiency"of"education，"but"also"promotes"educational"equity"by"building"knowledge"graphs，"optimizing"learning"recommendations，"and"intelligently"assisting"accurate"evaluation，"providing"strong"technical"support"for"the"realization"of"the"United"Nations’"2030"Education"for"Sustainable"Development"Goals"and"the"digitalization"of"education.

Key"Words："Generative"AI;"ESD;"Knowledge"graph;"Personalized"learning;"Intelligently"assisted"evaluation

自联合国提出17个可持续发展目标已近10年，各国在教科文组织的指导下，政府、社区、学校、学习机构和教育者等角色共同推进2030年可持续发展教育目标的达成。我国的科教兴国战略，将教育置于优先发展的战略地位，教育数字化是我国开辟教育发展新赛道和塑造教育发展新优势的重要突破口[1]。

然而，目前我国依然部分存在教学内容、组织形式和评价体系等教学体系僵化和单一化的问题，导致教育成果易出现两极分化的情况，无法很好地满足数字社会的人才需求。生成式人工智能，如ChatGPT的快速发展，对未来可持续发展教育形态将产生深刻影响，为教育模式的变革和教育数字化的深化带来新的机遇。

1"生成式人工智能的发展现状

根据国家网信办《生成式人工智能服务管理暂行办法》对生成式人工智能技术的定义，生成式人工智能技术是指具有文本、图片、音频、视频等内容生成能力的模型及相关技术。和传统人工智能相比，生成式人工智能（Generative"AI）在理解输入的数据后，分析其结构特性和内在分布，创造与真实数据高度相似但又不完全相同的新数据[2]。

2022年OpenAI提出的通过人类反馈强化学习（reinforcement"learning"from"human"feedback，RLHF）机制引导InstructGPT模型生成符合预期结果的ChatGPT，使得生成式人工智能走向大语言模型时代；2023年的GPT-4和GPT-4"Turbo在处理速度、准确性、自适应学习等方面的功能不断增强；2024年5月13日推出的"GPT-4o在"GPT-4"Turbo的基础上构建了新的大语言模型，采用单一统一的神经网络处理多模态输入（接受文本、图像、音频和视频的任意组合作为输入，并生成文本、图像和音频输出的任意组合），推理速度和吞吐量进一步提高，其跨模态的综合理解和生成能力是迈向更自然的人机交互的关键[3]。

有赖于生成式人工智能技术的快速迭代，生成式人工智能在教育、医疗、金融、计算机、文艺创作和档案管理等领域，在互动交流、辅助设计、内容创作和个性化定制等方面应用广泛。比如使用者可以在平台咨询法律和医疗方面的基础建议，再求助律师和医生的专业指导；在计算机行业，生成式人工智能可以根据需求生成高质量代码，并根据细化要求进一步修改完善；在金融领域，通过对话式交互收集客户的个人信息和偏好[4]，有针对性、人性化地解决客户的金融需求，形成用户的专属“数字分身”[5]，通过大量收集和深度分析市场数据，帮助银行提供合理的决策[6]。教育领域对生成式人工智能技术的反应迅速又强烈，有些学者从行业角度分析，认为新技术对教育影响巨大将重塑教育逻辑与生态[7-11]，并重点关注对高等教育的影响[12-13]；有些学者从教师角度分析未来的机遇与变革[14-16]。但在学生的社会学习教育中，生成式人工智能又带来哪些机遇和风险却鲜有学者讨论，在建设学习型社会和终身教育体系的新时代下，探究生成式人工智能对可持续发展教育的影响的意义重大。

2"可持续发展教育的困境

党的二十大报告提出：“推进教育数字化，建设全民终身学习的学习型社会、学习型大国”，这与联合国“确保包容和公平的优质教育，让全民终身享有学习机会”的2030可持续发展教育目标[17]相吻合。目前，我国线上教育资源数量较为丰富。以国家智慧教育平台资源为例，截至2023年底，中小学课程资源已有8.8万条；职教板块包括在线精品课、虚拟仿真等资源2.8万个；老年教育上线课程43.6万门；中国慕课上线7.68万门课程，已服务12.77亿人次的学习[18]。这一数据充分彰显了国家智慧教育平台全过程育人的巨大优势。随着终身学习观念的不断深入人心，用户群体不断丰富，对可持续发展教育提出了更高的要求[19]。

2.1"知识图谱构建棘

知识图谱作为一种结构化的知识展示模型，将学科或课程的知识点和其相互关系形成网状的知识结构，清晰地展现知识脉络，方便学习者由浅入深理解课程的内容。虽然目前线上资源数量丰富、质量逐渐提升，但并未搭建知识图谱的海量教育资源反而成为了学习者自主学习、深入学习的桎梏，尤其是高等教育在线精品课内容多数以知识点的形式呈现，知识点间的演进和结构关系对于初学者的理解是十分困难的，构建知识图谱可以帮助学习者描述、分析、呈现知识点及其联系。

但知识图谱的构建是较为困难的。一方面是教学资源数据格式问题，教学大纲和数字教材中的文本类资源可以生成结构化数据，音频、视频格式的课程教学资源和数字教材生成的是半结构化和非结构化数据[20]，这些数据需要通过手动或技术手段进行提取和处理，这要求数据处理者具备较高的数据处理能力和计算机水平才能完成；另一方面为确保教学顺序的逻辑性和知识点的准确性，比如定理、公式和理论学说等复杂内容的精准识别，以求达成教学目标、形成学习成果，并根据现实需求更新教学大纲和课程内容等，这就需要教育专家、学科负责人、授课教师的高度参与。更遑论交叉学科、跨学科等专业课程内容，综合来讲，就是需要数据处理技术人员与教育专家等人员合力构建知识图谱，清晰展示课程与相关课程的知识体系，难度可想而知。

2.2"分层教学实施难

“以学生为中心”“因材施教”的分层教学要求符合学生学习和发展规律，教师在线下教学时都在积极探索。在线下授课时，可以根据学生的学习基础进行简单分层，比如根据学生英语水平的高低分为普通班和加强班，在授课时教师可以根据全班的英文平均水平更好地准备英文内容的难易和占比，以此达到“让普通水平的同学学好，让加强班的同学学饱”的效果。但在线上学习时，海量且没有进行难度划分的线上资源，容易让学习者产生“知识过载”和“知识迷航”的情况[21]，大多数情况下只能学习者摸索解决。学习过程中的成本越低，学习者参与学习的主动性越高，反之亦反，因此“探索式”学习模式对可持续发展教育会造成限制作用。

“以学生为中心”“因材施教”的教育要求暗含着合理的分层标准、学生前期学习基础的全面了解、学习结果更全面的评价、学生偏好的教学模式、当学生觉得过易或过难应当如何调整推荐等诸多要素。这要求教学资源平台在学生线上学习前中后期需要收集大量的数据，以保证分层教学的合理性和及时性，对教学过程中学生数据的收集、抓取、分析、处理和推荐提出了较高的要求。

2.3"教学评价工作繁重

学生学习成果的评价工作是检验学生知识掌握与积累、素养与能力目标达成、激发学生自驱力、推动教师更新教学内容与方法、调整教学过程、促进师生共同提升的重要手段[22]。对教师来说，教学评价是滚动的。本届学生的形成性评价反映出的个体成长情况，因材施教以达成所有学生都能够达到课程目标是本轮授课的结束也是下一轮授课的开始，因为学生的学习特征存在共性问题，在为下届学生讲授前，可以基于以往的数据更好地应对学生的学习问题和调整授课内容和方法，多门课程的教学评价以点成线，形成本专业人才培养周期的形成性评价，对本专业、本学校的教学质量的提高都存在较大的借鉴意义。但这一过程中，教师承担的教学评价工作任务繁重，收集、记录、整理、分析学生数据会花费大量时间和精力，可能会出现本末倒置的情况；线上学习者的体量更是庞大，完全靠教师进行数据收集和分析不亚于天方夜谭。

3"生成式人工智能赋能可持续发展教育

从学习者的需求出发，在达成可持续发展目标应该有以下3个必经之路：（1）能够较为便捷地获取需要且合适的学习资源，并通过学习达成技能提升、素质增强、情操培养等目标；（2）在学习后能够判断出学习效果，是否达成现有课程培养目标，并推荐进阶课程内容；（3）在不干扰学习行为、生活和工作节奏的前提下，通过日常行为尽早观察到可能影响工作和生活的社会性发展水平问题，并以委婉的形式提醒通过学习或医学干预，以保证健康学习生活和人际交往行为。生成式人工智能技术为可持续发展教育目标提供强大的支撑力量，赋能可持续发展教育的应用场景和实施路径。

3.1"个性化的学习体验

个性化学习其实是根据学习者的专业基础、学习偏好和学习需求等数据，为学习者推荐合适的学习资源，并搭配深度学习技术在其学习的过程中收集交互行为数据，提升推荐性能。个性化学习应用场景的搭建需要从以下3个角度协力完成。

3.1.1"资源平台端

资源平台端应至少具备知识检索、智能问答和课程推荐3项功能，这3项功能的实现依靠知识图谱的构建，体量大、标准不一、维护难是构建知识图谱的难题，生成式人工智能技术可以帮助突破这些难题。首先，借助人工神经网络对教学与岗位标准内容进行深度学习，然后对知识元数据的分支去粗取精形成高聚合知识簇，聚类图谱基本成型，再次面对海量的学习资源和数据利用神经网络技术，完善知识图谱节点内容，最后可以请专家团队对数据采集内容进行核对、编辑，训练神经网络以备后用。平台搭建好知识图谱后，在学生进行知识检索或进行提问时，平台即可通过图卷积网络和异构信息网络，解读学习者的语义表达，快速定位到知识点[23]。

课程推荐相比其他两项功能“定位知识点”的实施多一个“描绘用户画像”的步骤。首先，收集学习者目前的学习经历及知识结构、明确学习需求及学习目标数据以绘制用户画像；其次，确定学习者的个人知识图谱、学习领域知识图谱以及知识差异集；最后，依据知识差异集进行个性化学习内容推荐，并利用矩阵分解技术计算学习者与未学习资源的交互概率或引用超图神经网络，结合学生学习情况反馈数据的收集情况，更新合适的后续学习资源，实现不同基础、不同学习特点、不同学习目标学生的定制学习之路。

以运动软件KEEP为例，平台先收集用户身高、体重、运动基础和频次、想要达成的运动目标等基本情况后，还会收集是否有影响运动的既往病史、不喜欢哪些运动动作（比如高抬腿、波比跳等），再生成推荐的课程内容。在运动课程中退出，会询问退出原因（难度太大、临时有事等），课程结束后用户选择本次运动的难度（1～10星打分），调整推荐的运动难度和类别。

3.1.2""教师维护端

教师的重点工作在于学习资源的整理和更新。分层教学的难点在于对学校学生精确考核学习基础进行分班，从学生管理角度来看是不现实的，因此教师的教学资源难度往往取平均值，搭配少量难度较高的内容作为拓展内容。个性化学习因为缺乏“教师监督”，更多的学习者是因为兴趣爱好或提升自我的想法，选择拓展知识边界，因此，教师在设计教学内容或考核时更应该增加给予学生正反馈的频次（比如运动软件KEEP课程休息和运动后半程，会频繁播报“再坚持一下！”“你已经很棒了！”等内容），让学习者产生更多的学习动力。教师可以将课程内容和资料按照基础、中等、困难等多种模式进行设计，对不同难度层次的课程设置不同的教学目标，生成不同的学习成果，并定期关注学习者的反馈，调整内容难度和丰富度，适应当下的现实需求。

在整理好教学资源后，教师根据资源平台的要求，上传符合格式要求的教学标准、岗位标准、课程大纲、课程的视频、文本、图片、测试题目等资源，保证较高的数据质量，平台即可利用生成式人工智能，采用马尔可夫模型或基于HMM模型自动抽取元数据，不仅方便后续机器深度学习提升元数据抽取技术，实现元数据的统一，方便平台搭建知识图谱，而且可以进行智慧化教学设计，生成互动式教学资源，应用多种场景。

3.1.3""学生学习端

学生出于提升职业技能、学习专业知识和培养兴趣爱好等目标选择自我学习，为平台更加准确地推荐合适的学习资源，学习者应当配合平台收集必要的数据。例如：平台需要确定学习者的个人知识领域，可能发放问卷了解学习者的学习特征、动机、偏好和目标，收集数据越多，绘制用户画像越准确，学习者根据自己的实际情况选择合适的答案；在平台推荐学习资源后，学习者根据顺序进行学习，对章节测试、课后问答等反馈学习成果的要及时作答，这样平台才能跟踪监测知识点是否掌握、在课程学习中或结束后反馈课程难度和吸收情况，方便平台及时调整推荐内容。

学习者借助平台知识检索、智能问答和课程推荐等多项功能，可以与平台的预设角色进行沉浸式互动，提升学习者的学习兴趣。例如人工智能软件“豆包”在首页中设计“英语口语聊天搭子”“面试专家”“中医学习”“学习小帮手”等多个角色。以“学习小帮手”为例，可以向它提问从小学到大学的各科题目，包括语数外政及经济学、计算机、法学、医学、机械等多个学科。在提问明确问题时，学习小助手会给出比较确切的答案；如果是描述性的模糊问题，它会不断提出问题，引导学习者进行详细描述，之后给出笼统性回答或建议，这种互动式问答能够加深学习者对问题的理解。

3.2"智能辅助精准评价

可持续发展教育推动传统教育模式的变化，从原来的结果选拔向知识网格化转变，从强调知识获取到注重能力和素养提升，生成式人工智能技术的应用，考核方式也从原来的“师生+生生的人际”考核转变为“人际+人机”考核，不仅能减轻教师的工作强度，又能提升评价的精准性。

3.2.1""教师学生评价数据上传

目前教学评价由原来的终结性评价慢慢变化为“过程性评价+形成性评价+终结性评价”，以全面检验学生的学习情况，便于教师及时调整授课难度、增加基础或高阶知识的安排。教学评价工作从课前开始贯穿课程到结束，教师通过课前发放调查问卷或测试结果，了解学生对前置知识的掌握情况，确定教学难点；在教学过程中，教师进行课堂提问、设计课堂测试，并及时地给予反馈，鼓励学生激发学习兴趣，认真记录学生在课堂上的表现，评估学生达到教学目标的程度；课后根据形成性和过程性评价结果，及时调整教学方法或内容，在期末对学生掌握知识和应用知识的能力进行测试，得到终结性评价。

在教学评价工作中，教师学生的评价数据是基于线下教学过程产生的。当老师进行课堂提问或情景演练等活动后，综合学生积极性和回答质量进行打分；当进行小组作业时，学生间可以根据每个人的任务分配难度、完成情况和协作意愿等因素进行综合打分；另外根据学生前后的增值性变化，教师也可以给学生加减课堂表现分数。以上这些内容因为并未依赖智慧教学平台，因此需要教师和学生手动上传评价数据，完善平台数据智能采集的缺失。

3.2.2""平台数据智能采集分析

平台数据智能采集分析可以贯穿教学的全过程，大大减少教师基础性、重复性评价工作。课前教师发放基础知识学习任务后，平台通过自然语言处理算法、机器学习算法等评估学生的学习质量和答题能力，利用可视化技术为教师展示学生的学习情况，方便教师确定教学难点和调整授课内容难度；课中的随堂测试和课后教师发放的拓展性任务，教学平台通过正确作答率和新颖性等评估指标收集学生知识掌握和应用数据，为学生推荐合适的课外学习资源。

如果是完全依赖平台的线上课程，则可以通过准确性指标（命中率、精准率、召回率等）、排序指标（归一化折损累计增益、平均倒数排名、AUC值等）和其他指标（正确作答率、推荐难度准确性、学习效果等）监测学生学习情况和知识掌握情况[21]。以计算机编程课程为例，平台设计不同学习模式：根据提醒（或注释）编写代码，或者根据注释理解后自己编写，学生可以根据学习基础自己选择难度，理解代码生成的逻辑。另外，学生根据内置题库进行练习，平台会智能校验、查错和纠错，全过程平台会智能收集学生的学习数据，根据指标模型分析后，生成学习评价，并调整学习资源，提升学习效果。

3.3"记录行为支撑发展

在人的成长过程中，认知发展与社会性发展相辅相成，处在不同阶段的个体应当达到相应的社会性发展水平[24]，社会性发展水平迟缓将影响其获得良好的人际关系[25]和“关系扩展”[26]，进而影响其学习、就业等诸多方面[27]。

首先，在获得用户授权同意的基础上，智慧平台需要联动学校、卫健、公安、科技公司等部门进行跨部门的数据共享，通过手机、手环、考勤机等设备将进行无感化数据采集，减少对使用者的干扰；其次，利用大数据分析、机器学习和人工智能技术，对用户的行为、测评结果数据自动识别、精准处理、个性化分析和评估用户行为和状态变化[28]；再次，自动与客户进行社交互动，提升用户的人际交往能力和技巧应用水平，同时平台拥有丰富的课程资源，个性化推送或智能生成适合用户的人际关系处理、关系扩展等教育内容；最后，当监测到用户出现社会性水平发展迟缓等异常情况，向责任人进行自动化预警，提醒责任人及时寻找专业医生进行干预，避免因社会性水平迟滞引发异常的人际交往关系与学习问题。

在记录用户数据、行为过程中，智能平台一是要保证不同层级的数据加密，设置不同层级用户的访问权限，保证数据的匿名化处理；二是要建立数据备份和恢复机制，保障数据的安全和存储，严防数据泄露；三是要绘制用户的成长曲线和路径，建立学习、行为档案，平台观测学生社会性发展水平，不仅可以探索造成其社会性发展水平迟缓的原因，也可以推荐合适的课程资源或互动帮助其成长；四是建立持续评估和检测机制，创造智能化、专业化、高效化、支持性强的智慧学习平台。

4"结语

随着ChatGPT4.0等技术的快速发展，生成式人工智能在理解、分析和生成内容上展现出巨大潜力，为教育数字化提供了新的机遇。本文探讨了生成式人工智能在可持续发展教育中的应用与路径，生成式人工智能通过构建知识图谱、个性化学习推荐和智能辅助教学评价等方式，有效解决了当前海量教学资源选择难和教学评价繁重等问题。具体而言，生成式人工智能通过深度学习技术优化资源平台，实现个性化学习体验；利用自然语言处理和机器学习算法，减轻教师评价负担，提升评价精准性；同时生成式人工智能通过分析用户行为数据，实现早期社会性发展水平迟滞与干预。这些应用不仅提升了教育效率，也促进了教育公平和质量的双重提升，为实现联合国2030年可持续发展教育目标推进和教育数字化目标达成提供了有力支持。

参考文献

\t
1. 吴丹."权威访谈·学习贯彻党的二十届三中全会精神"统筹推进教育科技人才体制机制一体改革：访教育部党组书记、部长怀进鹏[EB/OL]."[2024-08-08]."http：//gd.people.com.cn/n2/2024/0808/c123932-40937369.html.
\t
2. 车璐，张志强，周金佳，等.生成式人工智能的研究现状和发展趋势[J].科技导报，2024，42（12）：35-43.
\t
3. OpenAI."GPT-4o"System"Card[EB/OL]."[2024-08-08]."https：//cdn.openai.com/gpt-4o-system-card.pdf.
\t
4. RATHORE"B."Future"of"AI"amp;"Generation"Alpha："ChatGPT"beyond"Boundaries[J]."Eduzone："International""Peer"Reviewed/Refereed"Multidisciplinary"Journal，2023，12（1）：63-68.
\t
5. 申么，申明浩，丁子家，等.生成式人工智能与银行业变革：典型事实、实践问题与破局之策：以ChatGPT为例[J].南方金融，2023（11）：64-76.
\t
6. MALIK"T，"DWIVEDI"Y，"KSHETRI"N，"et"al."“So"what"if"ChatGPT"wrote"it？”"Multidisciplinary"perspectives"on"opportunities，"challenges"and"implications"of"generative"conversational"AI"for"research，"practice"and"policy[J]."International"Journal"of"Information"Management，"2023，71：102642.
\t
7. 邱燕楠，李政涛.挑战·融合·变革：“ChatGPT与未来教育”会议综述[J].现代远程教育研究，2023，35（3）：3-12，21.
\t
8. 杨宗凯，王俊，吴砥，等.ChatGPT/生成式人工智能对教育的影响探析及应对策略[J].华东师范大学学报（教育科学版），2023，41（7）：26-35.
\t
9. 周洪宇，李宇阳.ChatGPT对教育生态的冲击及应对策略[J].新疆师范大学学报（哲学社会科学版），2023，44（4）：102-112.
\t
10. 王佑镁，王旦，梁炜怡，等.“阿拉丁神灯”还是“潘多拉魔盒”：ChatGPT教育应用的潜能与风险[J].现代远程教育研究，2023，35（2）：48-56.
\t
11. QADIR"J.Engineering"education"in"the"era"of"ChatGPT："Promise"and"pitfalls"of"generative"AI"for"education[C]//2023"IEEE"Global"Engineering"Education"Conference"（EDUCON）.IEEE，2023：1-9.
\t
12. 吴庆华，郭丽君.生成式人工智能时代高职院校的教学变革：挑战、框架与路径[J].大学教育科学，2023（6）：112-120.
\t
13. RUDOLPH"J，TAN"S，TAN"S.ChatGPT：Bullshit"spewer"or"the"end"of"traditional"assessments"in"higher"education？[J].Journal"of"applied"learning"and"teaching，2023，6（1）：342-363.
\t
14. 王树义，张庆薇.ChatGPT给科研工作者带来的机遇与挑战[J].图书馆论坛，2023，43（3）：109-118.
\t
15. 宋萑，林敏.ChatGPT/生成式人工智能时代下教师的工作变革：机遇、挑战与应对[J].华东师范大学学报（教育科学版），2023，41（7）：78-90.
\t
16. 李森，郑岚.生成式人工智能对课堂教学的挑战与应对[J].课程.教材.教法，2024，44（1）：39-46.
\t
17. 联合国经济和社会事务部."2030年可持续发展目标4[EB/OL]."[2024-08-30]."https：//sdgs.un.org/goals/goal4.
\t
18. 中华人民共和国教育部."教育部：国家智慧教育平台累计注册用户突破1亿[EB/OL]."[2024-01-26]."http：//www.moe.gov.cn/jyb_xwfb/xw_zt/moe_357/2024/2024_zt02/mtbd/202401/t20240129_1113178.html.
\t
19. 孙立会，周亮.生成式人工智能融入国家中小学智慧教育平台的实践逻辑[J].中国电化教育，2024（8）：71-79.
\t
20. 武法提，牟智佳.电子书包中基于大数据的学生个性化分析模型构建与实现路径[J].中国电化教育，2014（3）：63-69.
\t
21. 周洋涛，褚华，朱非非，等.基于深度学习的个性化学习资源推荐综述[J/OL].计算机科学，1-26[2024-08-22].http：//kns.cnki.net/kcms/detail/50.1075.TP.20240712.1852.021.html.
\t
22. 孙晶，刘新.过程性评价、形成性评价与终结性评价教学实践[J].高等工程教育研究，2024（4）：94-100.
\t
23. 孙丽郡，孟繁军，徐行健.课程知识图谱构建技术研究综述[J/OL].计算机工程：1-25[2024-08-22].https：//doi.org/10.19678/j.issn.1000-3428.0069543.
\t
24. 林崇德.发展心理学[M].2版.北京：人民教育出版社，2009.
\t
25. ZAREI"J，ALI"B"M.Alexithymia"and"interpersonal"problems[J].Procedia-Social"and"Behavioral"Sciences，2010，5：619-622.
\t
26. 唐辉一，陈倩，吴俊华.大学生社会性发展与心理健康的关系：述情障碍的中介作用及其性别差异[J].心理发展与教育，2021，37（5）：735-742.
\t
27. 王永和.谈大学生心理健康的重要性[J].中国高教研究，2004（4）：75-76.
\t
28. 孙炳海，武莹，孙长康.中小学心理健康教育数字化平台建设评价标准的构建[J].中国教育信息化，2024，30（4）：41-50.