一、团队介绍
学校 ：重庆移通学院
团队成员 ：李进涛、陈艺、刘子雯
组合契机 ：当机器人工程遇到工商管理，三个年轻人发现了一个共同的问题：算法正在悄无声息地收割年轻人的时间与健康。机器人工程专业的两人擅长用数据说话——他们每天跟代码和数据打交道，发现屏幕使用时间远远超过了自己的想象；工商管理专业的刘某某则从商业逻辑角度提出追问：为什么农村青年刷到的短视频总是比城镇青年多？这背后不是个人选择，是算法设计的结果。
三人一拍即合：用技术手段量化“刷掉的健康”，用商业视角追问“算法收割的不公”。风起云涌队由此成立。
机器人工程×工商管理——用数据证明问题，让分析产生价值。
成员分工：
李进涛（机器人工程，队长）：数据采集与清洗、FineBI看板搭建、图表制作、
陈艺（机器人工程，队员）：数据采集与建模、数据分析、因果链验证、AI预测模块开发
刘子雯（工商管理，队员）：报告撰写、价值提炼、社会洞察
杨大宇：（指导教师）数据采集与数据多元统计分析、数据可视化分析与报告撰写指导
二、作品背景
（一）问题聚焦
在数字时代，智能手机已成为青年群体生活中不可分割的一部分。QuestMobile《2025年中国移动互联网年度大报告》数据显示：全网用户月人均单日使用时长达到7.96小时，日均解锁112.9次。这意味着Z世代每天清醒时间的一半以上被屏幕吞噬。
与此同时，中国睡眠研究会《2025年中国睡眠健康调查报告》显示：中国18岁及以上人群睡眠困扰率达到48.5%，平均睡眠时长仅7.06-7.18小时。《2026中国睡眠健康研究白皮书》进一步指出：大学生群体中90%零点后入睡，70%八点后起床——熬夜刷手机已成为青年群体的“新常态”。
学术研究同样证实了这一问题的严重性：短视频过度使用与大学生睡眠质量呈显著负相关；Z世代青少年短视频沉迷的心理症候表现为“焦虑·孤独·倦怠”；气郁质、气虚质、社交焦虑与短视频成瘾均呈显著正相关。
核心矛盾：屏幕使用时间越长，睡眠质量越差，心理健康问题越严重。但青年群体对这一因果链缺乏量化认知。
（二）作品定位
本作品基于13,000名18-35岁青年、连续60天、78万条真实追踪数据，建立“夜间刷屏→深睡减少→焦虑上升”的量化因果链，揭示算法收割低线城市青年生命时间的社会不公，并通过AI仿真模拟给出可操作的数字健康方案。
核心价值主张：让“刷掉的健康”不再是一句口号，而是可感知、可量化、可干预的决策依据。
（三）三大认知差距
|
差距类型
|
现状描述
|
导致的后果
|
|
认知断层
|
青年群体知道“熬夜不好”，但不知道“熬夜刷屏一小时，深睡减少多少”
|
缺乏改变的紧迫感
|
|
归因模糊
|
知道焦虑，但不知道“深夜暴露对焦虑的贡献度高达52%”
|
无法精准干预
|
|
群体盲区
|
知道农村青年刷手机多，但不知道“算法正在收割低线城市青年的生命时间”
|
社会公平问题被忽视
|
三、制作流程
（一）数据来源
本作品数据来源于13,000名18-35岁青年连续60天的真实追踪数据，通过智能手环/手表与手机使用日志采集，包含行为日志（屏幕使用时长、各APP使用时长、解锁次数）、生理日志（睡眠时长、深睡占比、静息心率、晨起疲劳评分）和心理快照（焦虑评分、抑郁倾向、FOMO错失恐惧评分）三大维度，共计78万条有效记录，覆盖全国31个省级行政区、300+个地级市。
为验证样本的代表性，本作品的分析结论与以下权威报告进行了一致性比对：
QuestMobile《2025年中国移动互联网年度大报告》
中国睡眠研究会《2025年中国睡眠健康调查报告》
《2026中国睡眠健康研究白皮书》
《中国网络视听发展研究报告（2026）》
《青少年蓝皮书：中国未成年人互联网运用报告（2025）》
比对结果显示：本作品样本数据与上述权威报告的核心结论趋势一致，验证了样本的代表性和分析结论的可靠性。
（二）制作过程（本作品在制作过程中经历了多次迭代优化）
1. 数据采集阶段（2026年6月-7月）：完成13,000名青年60天追踪数据采集，产出约78万条原始记录。经数据清洗与预处理及统计学验证分析，形成四张核心数据表（用户画像表、日度明细宽表、周度心理快照表、AI预测辅助表）。
2. 数据分析阶段（2026年7-8月）：基于日度明细宽表完成各APP时长占比分析、工作日vs周末差异分析、城乡屏幕行为对比等初步分析，初步验证了“夜间暴露与深睡占比”的负相关趋势（r≈-0.67）。
3. 看板搭建阶段（2026年8月）：基于FineBI NEXT完成六大分析模块、20+图表组件的看板搭建。看板支持联动筛选与下钻分析，可点击地图查看各群体数据。
4. 迭代优化阶段（2026年8月）：在看板初步搭建完成后，对“深夜刷屏→深睡减少→焦虑上升”因果链进行了反向验证，逐一检查各环节图表的数据支撑是否成立、逻辑衔接是否连贯，确保因果链的每一步都有数据可追溯、有图可展示。
5. 最终产出：形成完整交互式仪表板及本报告。
（三）指标体系构建
围绕“发现问题→定位原因→预判风险→精准干预”的叙事逻辑，设计三层指标体系：
|
层级
|
功能
|
核心指标
|
对应模块
|
|
顶层KPI
|
问题有多大
|
人均屏幕时长478分钟、日均解锁113次、平均睡眠6.97小时、深夜高危人群32%
|
模块1
|
|
中层结构
|
问题在哪里
|
各APP时长占比、工作日vs周末差异、城乡差异
|
模块2、模块5
|
|
底层因果
|
为什么伤害
|
夜间暴露→深睡占比（r=-0.67）、夜间暴露→心率、滞后疲劳效应
|
模块3，4
|
（四）技术架构
数据层：四张核心数据表（用户画像表、日度明细宽表、周度心理快照表、仿真预测辅助表），共78万条记录。
分析层：六大分析维度（KPI驾驶舱、行为解构、生理因果、心理恶化、社会公平、AI预警），20+图表模块。
展示层：FineBI Next交互仪表板，支持联动、下钻分析、AI预测与预警推演。
（五）血缘视图
四、成果展示
本作品包含六大分析模块、20+图表组件，形成了“数字冲击→行为解剖→生理因果→心理恶化→社会公平→AI预警”的完整叙事闭环。
模块一：数字KPI驾驶舱（4个KPI指标卡）
场景价值：用四个核心数字，建立“数字沉迷有多严重”的量级认知。
KPI 1：人均单日屏幕时长
实现操作：使用日度明细宽表，将“总屏幕时长（分钟）”字段拖入KPI指标卡，汇总方式选“平均”。
关键发现：Z世代每天花在屏幕上的时间约473.58分钟（7.89小时），相当于3部《流浪地球3》的时长。清醒时间的一半以上被屏幕吞噬。
启示：建立问题的第一印象——这不是“玩手机”，是“时间被屏幕殖民”。
KPI 2：人均日均解锁次数
实现操作：使用日度明细宽表，将“日均解锁次数”字段拖入KPI指标卡，汇总方式选“平均”。
关键发现：每人每天拿起手机约111次，平均每10分钟一次。这种高频打断严重削弱注意力和深度思考能力。
启示：揭示数字沉迷的“碎片化”本质——不仅是时长问题，更是注意力碎片化问题。
KPI 3：平均睡眠时长
实现操作：使用日度明细宽表，将“睡眠时长（小时）”字段拖入KPI指标卡，汇总方式选“平均”。
关键发现：平均睡眠时长约6.97小时，低于推荐睡眠时间（7-8小时），长期累积成“睡眠债”。
启示：将屏幕使用与睡眠健康直接挂钩，为后续因果分析埋下伏笔。
KPI 4：深夜高危人群占比
实现操作：标记夜间核心暴露大于60分钟的用户，计数后除以总用户数，得出高危人群占比
关键发现：约33.59%的青年深夜刷屏超过1小时。三个人里就有一个在深夜燃烧生命。
启示：聚焦“深夜”这个最关键的伤害窗口，为后续“深夜危机”模块提供入口。
模块二：时间解剖——行为解构
场景价值：回答“一天24小时，时间到底流向了哪里”。
图表5：24小时能量流向桑基图
实现操作：使用日度明细宽表，先进行行列转换将5个APP时长字段转为“APP类别”和“时长”两列，再按“用户ID+APP类别”分组汇总取“时长”平均值。图表类型选桑基图，节点拖入“APP类别”，大小拖入“时长（平均）”。
关键发现：短视频和学习办公是最大的两个时间去向。游戏条带最窄（约44.5分钟/天），揭示Z世代游戏沉迷问题被高估，短视频才是真正的“时间黑洞”。
启示：桑基图的流向宽度直观展示时间分配。
图表6：工作日vs周末行为雷达图
实现操作：图表类型选雷达图，维度拖入“星期类型”，指标拖入5个APP时长字段，汇总方式全部选“平均”。
关键发现：周末两天游戏时长翻倍。周末成为“数字沉迷重灾区”。
启示：揭示周末的“自我放纵”模式——不是休息，是从一种屏幕切换到另一种屏幕。
图表7：各APP日均时长占比玫瑰图
实现操作：基于日度明细宽表，分别计算5个APP的人均日均时长，图表类型选玫瑰图。
关键发现：短视频占比最大平均每人每日达129.5分钟，游戏占比最小。时间分配结构清晰可见。
启示：与桑基图成互补——桑基图看“流向”，玫瑰图看“占比”。
图表8：城乡屏幕行为对比柱状图
实现操作：表用户画像表关联表日度明细宽表，通过“用户ID”关联。分组柱状图，维度拖入“城乡分类”，指标拖入5个APP时长，汇总方式全部选“平均”。
关键发现：农村青年短视频时长显著高于城镇。农村短视频时长是城镇1.36倍，算法在低线城市收割更多生命时间。
启示：揭示数字健康的社会公平问题——低线城市青年被算法“精准投放”了更多短视频。
模块三：深夜危机——生理因果
场景价值：回答“深夜刷屏对身体到底造成了什么量化伤害”。
图表9：夜间暴露vs深睡占比散点图
实现操作：图表类型选散点图，X轴拖“夜间核心暴露(分钟)”（汇总选“平均”），Y轴拖“深睡占比”（汇总选“平均”），将“用户ID”拖入“颜色”栏。开启夜间暴露和深睡比率的平均值。
关键发现：相关系数r≈-0.67，呈强负相关。夜间每多刷1小时手机，深睡占比下降约4个百分点。这意味着：凌晨1点还在刷手机的人，深睡时间比11点睡的人少近一半。
启示：这是整个作品的核心因果证据——用数据分析证明“深夜刷屏直接伤害睡眠质量”。
图表10：次日疲劳滞后效应柱状图
实现操作：使用“熬夜分组”字段，分组柱状图，维度拖“熬夜分组”，指标拖“晨起疲劳评分”（汇总选“平均”）。X轴顺序：健康组→中等组→高危组。
关键发现：（健康-中等-高危）阶梯状上升——今晚熬夜越狠，明天越累。高危组晨起疲劳评分比健康组高出4-5分。
启示：证明伤害不是“感觉”，是“数据”。今晚的放纵，明天的账单。
模块四：心理恶化——长期趋势（3个图表）
场景价值：回答“屏幕时间累积8周后，心理会变成什么样”。
图表11：9周焦虑追踪双轴折线图
实现操作：在表2中创建“周起始日期”字段，按“用户ID+周起始日期”分组汇总得“周均屏幕时长”，与表3（周度心理快照表）关联。双轴组合图，X轴拖“周起始日期”，左值轴拖“周均屏幕时长（平均）”，右值轴拖“焦虑评分(GAD-7)（平均）”。
关键发现：两条线同步攀升。屏幕时长从第1周到第3周上升，焦虑评分上升；屏幕时长从第8周到第9周下降，焦虑评分也随之下降。屏幕在降，焦虑也在降——这不是巧合，是因果。
启示：证明心理伤害是累积的。不是“偶尔熬夜没事”，是“如果连续9周熬夜，焦虑持续上升。
图表12：FOMO与社交回归分析散点图
实现操作：按“用户ID”汇总“社交APP时长（分钟）”得“人均社交时长”，与表3关联。散点图，X轴拖“人均社交APP使用时长”，Y轴拖“错失恐惧评分(FOMO)”，开启平均线。
关键发现：社交越久，FOMO越高。这揭示了一个悖论：刷社交APP本想缓解“错过焦虑”，结果越刷越焦虑。
启示：揭示“病态社交”循环——越焦虑越刷，越刷越焦虑。
图表13：高/低屏幕暴露组心理对比柱状图
实现操作：按“用户ID”汇总“总屏幕时长（分钟）”得“人均屏幕时长”。高暴露组≥545分钟（均值+0.84标准差），低暴露组≤411分钟（均值-0.84标准差）。新建“暴露分组”字段，关联表3取焦虑、抑郁、FOMO均值。分组柱状图，维度拖“暴露分组”，三个心理指标并列。
关键发现：高暴露组焦虑评分是低暴露组的近15倍（12.86 vs 0.82）。屏幕暴露越高，焦虑、抑郁、FOMO全部逐级上升。
启示：极端对比证明“屏幕时间正在全面摧毁心理健康”。三个指标全部成立，无例外。
模块五：群体素描——社会公平
场景价值：回答“谁在承受最大的数字健康代价”——从个人健康上升到社会公平议题。
图表14：全国省级数字健康地图
实现操作：表1（用户画像表）关联表2（日度明细宽表），按“所在省份”分组汇总“总屏幕时长（分钟）”均值。将“所在省份”字段设为地理角色（省份），GIS地图，区域拖入省份，颜色拖入人均屏幕时长。
关键发现：中西部省份整体颜色深于东部整体省份，数字健康存在“胡焕庸线”——经济越落后的地区，整体屏幕使用时间越长。
启示：用地理分布证明数字健康不是个体问题，是结构性不公。
图表15：城市等级学习/娱乐剪刀差柱状图
实现操作：分组柱状图，新建人均娱乐时长维度：（[短视频时长（分钟）]+[游戏时长（分钟）]+[社交APP时长（分钟）]+[其他娱乐时长（分钟）]后分组平均），维度拖“城市等级”，指标拖人均娱乐时长（平均）、学习办公（平均）。
关键发现：娱乐柱整体高于学习办公柱，一线城市“学习办公柱”高于“其他城市和乡镇“学习办公柱”；乡镇“娱乐柱”碾压“学习柱”。城市等级越低，娱乐越碾压学习。
启示：揭示数字时代的“阶层分化”——一线城市青年用屏幕学习较多，低线城市青年用屏幕刷短视频等娱乐最多。
图表16：不同年龄段屏幕与焦虑对比
实现操作：在用户画像表分析表中创建“年龄段”字段（18-22岁、23-27岁、28-32岁、33-35岁），关联表日度明细宽表和周度心里快照表，分组汇总屏幕均值和焦虑均值。分组柱状图。
关键发现：18-22岁（大学生群体）屏幕时长和焦虑评分最高，33-35岁最低。年轻人既是数字时代的原住民，也是数字沉迷的首批受害者。
图表17：不同职业深夜高危占比
实现操作：表用户画像表关联表日度明细宽表，按“职业类型”分组汇总“夜间核心暴露（分钟）”均值，饼图展示各职业夜间暴露分布。
关键发现：在校大学生深夜高危占比最高（约77分钟），蓝领工人最低（约39分钟）。不同职业群体的数字健康差异显著。
图表18：不同学历短视频与学习对比
实现操作：表用户画像表关联表日度明细宽表，按“学历”分组汇总“短视频时长（分钟）”和“学习办公时长（分钟）”均值。分组柱状图。
关键发现：学历越低，短视频越长、学习越短；学历越高，学习越长、短视频越短。揭示“数字鸿沟”在教育维度的表现。
模块六：AI预警与精准干预
场景价值：回答“数据能做什么”——从分析到行动。
图表19：AI预测折线图
实现操作：使用表仿真预测辅助表（基于日度明细宽表中“夜间核心暴露”与“焦虑评分”的历史关联规律，利用FineBI AI预测功能进行趋势外推，生成三种刷屏习惯（<15分钟/晚、15-60分钟/晚、>60分钟/晚）下8周焦虑评分预测曲线），制作折线图，X轴拖“周次”，Y轴拖“预测焦虑评分（平均）”，颜色拖“夜间暴露档位”。
关键发现：三条线代表三种刷屏习惯下8周的焦虑预测：
· 健康刷屏（<15分钟/晚）：平缓上升，8周后约7分
· 中等刷屏（15-60分钟/晚）：中等上升，8周后约12分
· 高危刷屏（>60分钟/晚）：急剧飙升，8周后约18分
启示：“不同刷屏习惯如何导致不同结局”——从“看到问题”到“看见未来”。这是作品最有力的互动体验。
图表20：高危个体预警名单明细表
实现操作：用户画像表周度心里快照表，通过“用户ID”关联。明细表，显示字段：姓名（脱敏）、年龄、性别、所在省份、焦虑评分(GAD-7)。筛选条件：取焦虑评分最高的TOP 50条。条件格式：焦虑评分最高的前20%标红色，中间30%标橙色。
关键发现：可见真实存在的高危个体。
启示：数据最终的目的是落到具体的人。预警名单让宏观分析有了微观落点。
五、总结与分享
（一）作品价值量化
|
维度
|
成果
|
|
数据覆盖
|
13,000人 × 60天 = 78万条真实追踪数据
|
|
分析维度
|
六大分析模块，20+图表组件
|
|
因果链验证
|
夜间暴露→深睡占比 r=-0.67，强负相关
|
|
社会洞察
|
农村短视频时长是城镇1.36倍，算法收割低线城市
|
|
AI应用
|
AI预测实现8周焦虑预测，预警名单精准锁定高危个体
|
（二）核心结论
本作品通过13,000名青年连续60天的真实追踪数据，验证了一条完整的因果链：深夜刷屏→深睡减少→焦虑上升。呈强负相关——夜间每多刷1小时手机，深睡占比下降约4个百分点；次日疲劳评分呈阶梯状上升。屏幕暴露越高的群体，焦虑、抑郁、FOMO全部逐级上升，无一例外。
我们发现：农村青年被算法投喂了更多短视频（城乡比值1.36），低线城市青年是最大的代价承受者（乡镇农村焦虑最高），算法本身没有恶意，但它的精准分发确实在系统性地放大社会不平等，当一线城市青年用屏幕学习工作时，低线城市青年正在用屏幕刷掉自己的时间与健康。而AI预测告诉我们——如果每晚少刷1小时手机，8周后焦虑评分能下降一半。
数据揭示问题，数据给出答案。
作品链接：
https://next.finebi.com/decision/application/b3dcd2dc09024e56a3b935c529202f
附：作品整体效果展示
