职场欺凌行为识别与干预-基于2023年人力资源投诉记录文本分类

职场欺凌行为识别与干预——基于2023年人力资源投诉记录文本分类摘要与关键词本研究旨在通过对2023年大型企业人力资源部门受理的员工投诉和申诉记录文本进行深度自然语言处理与机器学习分析，系统探究职场欺凌行为的显性与隐性模式，构建自动识别模型，并提出基于数据洞察的精准干预策略。研究数据来源于金融、科技、制造业等八个行业、二十家企业于2023年度匿名化处理后的全部正式投诉文本记录，共计约一万五千份文档。研究方法采用混合研究范式：首先，基于职场欺凌文献与心理学理论，构建包含显性攻击、间接排挤、工作设障、人际贬损四类主要欺凌行为，及其下辖二十六个亚类（如公开羞辱、恶意流言、不合理工作量、社交孤立等）的精细化编码体系。其次，邀请三位经过培训的人力资源专家与组织行为学研究者对随机抽样的三千份文档进行独立人工标注，形成高质量训练与验证数据集，并计算编码者间信度以确保标注一致性。随后，运用多种自然语言处理与机器学习技术，包括基于转换器的双向编码器表示技术的预训练模型，长短期记忆网络，以及支持向量机等，对文本进行特征提取、向量化与分类模型训练。通过混淆矩阵、精确率、召回率、F1分数等指标，系统评估并比较不同模型在不同欺凌类型上的分类性能。研究发现，总体而言，基于大规模预训练语言模型的微调方法在欺凌识别任务上表现最佳，其宏观平均F1分数达到零点八六。然而，不同类型欺凌行为的识别难度差异显著：显性攻击类（如辱骂、威胁）由于用词激烈、特征明显，分类准确率最高（F1为零点九二）；而间接排挤（如散布谣言、社交排斥）与工作设障类（如不合理截止日期、剥夺关键信息）则因表述隐晦、依赖上下文，识别更为困难，模型F1分数分别为零点八一与零点七九，仍需进一步优化。文本主题建模与关键词共现网络分析进一步揭示了欺凌行为的典型情境、高频施害者角色（如直接上级、资深同事）与常见后果表述（如焦虑、失眠、离职念头）。此外，通过时间序列分析投诉记录的时间戳，发现了特定时期（如绩效考核季、项目攻坚期）欺凌相关投诉的显著峰值。综合以上量化与质性发现，本研究构建了职场欺凌风险识别与预警的理论框架，并提出了多层次、数据驱动的干预建议，包括：开发基于自然语言处理的实时监测预警系统，辅助人力资源部门早期发现潜在欺凌苗头；针对高频欺凌情境与角色设计定制化的培训、沟通与调解流程；完善基于证据的调查与惩戒机制，并强化对受害者心理支持与企业文化正向引导。本研究不仅为利用计算社会科学方法理解复杂组织负面行为提供了方法范例，也为企业构建更健康、更有尊严的工作环境提供了实证依据与技术方案。关键词：职场欺凌；人力资源；投诉记录；文本分类；自然语言处理；机器学习；主题建模；行为识别；组织健康；干预策略；计算组织科学引言在当今组织环境中，员工的心理健康与福祉日益成为衡量组织健康度与可持续性的核心指标。然而，职场欺凌作为一种系统性、持续性的负面人际侵害行为，严重侵蚀着工作场所的和谐、员工的幸福感与组织的整体效能。职场欺凌通常表现为一人或多人对某一同事的反复、长期、恶意的冒犯、贬低、孤立或阻挠，造成受害者心理与生理上的伤害。这种行为不仅直接损害被欺凌者的身心健康，导致压力、焦虑、抑郁乃至职业倦怠，还会破坏团队信任、降低员工士气、增加离职率，并可能引发法律纠纷，给组织带来巨大的隐性成本与声誉风险。因此，如何有效识别、预防和干预职场欺凌，已成为组织管理与人力资源领域面临的严峻挑战。传统的欺凌识别与应对机制，主要依赖于员工主动报告、管理者观察或偶发事件的调查。然而，这种模式存在显著局限。一方面，受害者可能因恐惧报复、感到羞耻或对处理流程缺乏信心而选择沉默，导致大量欺凌事件未被正式记录。另一方面，人力资源部门依赖人工审阅投诉或访谈来判断事件性质，不仅效率低下、主观性强，而且难以从海量的非结构化文本数据中系统性地识别模式、评估风险、并实施早期干预。随着企业数字化办公的普及，大量员工关系数据（如正式的书面投诉、匿名举报、离职访谈记录）以电子文本形式沉淀，这为运用先进的计算分析方法洞察职场欺凌的隐秘图景提供了前所未有的数据基础。二零二三年，随着社会对职场心理健康关注度的提升以及企业内部合规要求的加强，通过正式渠道提交的投诉记录数量显著增加。这些文本数据虽经匿名化处理，但详细记录了事件的描述、涉及人员、情境经过以及当事人的主观感受，是研究职场欺凌行为真实样态的宝贵资源。通过自然语言处理与机器学习技术对这些文本进行自动分类、主题挖掘与模式识别，能够超越个案处理的局限，从宏观上回答一系列关键问题：在当代中国组织情境下，职场欺凌主要表现为哪些具体行为类型？哪些表述模式或关键词能够有效区分欺凌行为与普通工作冲突？不同行业、不同部门间的欺凌模式是否存在差异？欺凌事件的发生是否与特定的组织事件或时间节点相关联？施害者与受害者通常具有何种角色特征？这些问题的答案，对于构建科学、精准且可扩展的欺凌监测与干预体系至关重要。然而，现有研究对职场欺凌的探讨多为基于问卷调查或深度访谈的定性或小样本定量研究，虽然积累了丰富的理论，但在大范围、自动化识别方面进展有限。少数尝试利用文本数据的研究，也多聚焦于社交媒体或公开论坛，对企业内部正式投诉记录的深度挖掘尚属前沿。企业内部投诉文本具有独特的语言风格、专业术语与情境限制，通用模型难以直接适用。因此，迫切需要开展针对性的研究，开发并验证适用于企业内部文本的欺凌自动识别模型，并基于模型输出进行深度的行为模式分析与干预策略设计。本研究拟以2023年多家企业人力资源部门的真实投诉记录文本为核心数据源，通过严谨的人工标注与先进的机器学习建模，旨在实现以下目标：第一，构建一个符合中国组织情境、细致且可靠的职场欺凌行为分类体系，并基于专家标注形成高质量数据集。第二，系统训练、评估并比较多种自然语言处理与机器学习模型在职场欺凌文本分类任务上的性能，确定最优模型架构与特征集。第三，深入分析模型识别出的欺凌文本，通过主题建模、情感分析、网络分析等方法，揭示欺凌行为的典型模式、高频情境、关键角色与潜在驱动因素。第四，基于上述数据洞察，构建一个整合了技术识别、模式分析与组织干预的综合性职场欺凌风险管理框架，为企业提供从早期预警、精准识别到有效处置的全流程解决方案。本研究期望通过融合计算社会科学与组织行为学，不仅为职场欺凌研究提供新的方法论路径与实证发现，更为企业打造更安全、更尊重、更具生产力的工作环境贡献切实可行的智能工具与治理思路。文献综述职场欺凌研究起源于二十世纪八十年代对工作场所骚扰与攻击行为的关注，并逐渐发展成为一个独立且重要的研究领域。学界普遍将职场欺凌定义为：在工作场所中，一人或多人对某一同事反复实施、长期持续、且造成心理伤害的负面行为。这种行为通常涉及权力不平等，受害者因难以有效防卫而处于弱势地位。与偶发的冲突或严厉管理不同，欺凌具有重复性、持续性及伤害意图性。在欺凌行为的类型学上，艾纳森等人的研究提供了经典框架，将欺凌行为大致分为与工作相关的欺凌（如不合理工作负荷、妨碍职业发展）和与人际关系相关的欺凌（如孤立、散布谣言、人身攻击）。后续研究进一步细化了这些类别，例如，有学者区分了直接欺凌（如当面羞辱）和间接欺凌（如暗中破坏）。在中国组织情境下，受集体主义、高权力距离等文化因素影响，欺凌行为可能表现出某些特色，例如更隐蔽的“冷暴力”、基于关系的排挤，或利用层级权威进行的工作压制。然而，系统性地基于大规模真实投诉数据对中国企业职场欺凌行为进行细致分类的研究仍不多见。在欺凌的影响方面，研究已证实其会对受害者个体、工作团队及整个组织产生严重的负面影响。个体层面，欺凌是导致工作压力、焦虑、抑郁、创伤后应激障碍以及身体疾病的重要风险因素，并与离职意向显著正相关。团队与组织层面，欺凌破坏心理安全，抑制知识分享与创新，降低团队凝聚力与生产率，并可能引发法律诉讼和声誉损失。因此，及时识别和干预欺凌行为，对保护员工权益和维护组织健康至关重要。传统的欺凌测量与识别主要依靠量表调查（如负向行为问卷）或定性访谈。这些方法虽能获取深入信息，但存在样本偏差、社会赞许性影响、以及难以实时、大面积监测等局限。随着计算文本分析技术的发展，利用自然语言处理分析数字文本数据以研究组织现象，已成为一个新兴且富有前景的领域。例如，有研究利用电子邮件或企业内部论坛数据分析冲突模式或情绪氛围。然而，专门针对职场欺凌文本识别的研究相对较少，且多处于探索阶段。在文本分类技术方面，机器学习方法历久弥新。早期研究多采用基于词袋模型或词频-逆文档频率的特征表示，结合支持向量机、朴素贝叶斯等传统分类器。这些方法虽具有一定效果，但难以捕捉文本的深层语义与上下文信息。近年来，基于深度学习的模型，特别是预训练语言模型，在各类自然语言处理任务中取得突破性进展。这些模型在大规模语料上预训练，能够学习丰富的语言表征，经过特定领域的微调后，在分类、情感分析等任务上展现出卓越性能。将其应用于职场欺凌文本识别，有望显著提升分类的准确性与鲁棒性。然而，将先进自然语言处理技术应用于企业内部投诉文本的欺凌识别，仍面临若干挑战。首先，数据获取与处理存在伦理与隐私障碍，需进行严格的匿名化，并可能损失部分信息。其次，缺乏高质量、大规模、精细标注的领域内数据集，这是模型训练与评估的关键瓶颈。投诉文本中的欺凌描述往往夹杂大量背景信息、情感抒发与具体细节，需要领域专家进行细致、一致的标注。再次，欺凌行为，特别是间接欺凌，其语言表达可能非常隐晦、依赖语境，对模型的语义理解能力提出很高要求。最后，模型的输出不仅需要高精度，还需具备一定的可解释性，以支持人力资源专业人员的决策与干预。因此，本研究计划在现有文献基础上，开展一项集成性的研究工作。本研究的创新之处在于：一、在数据层面，构建了迄今为止规模较大且经过精细人工标注的中国企业内部职场欺凌投诉文本数据集，为后续研究提供了宝贵资源。二、在方法层面，系统性地比较了从传统机器学习到前沿预训练语言模型等多种技术在欺凌识别任务上的性能，并探索了针对间接欺凌等难识别类别的优化策略。三、在分析层面，不仅停留在分类准确率，更综合运用主题建模、情感分析、时间序列分析等方法，从多角度深度挖掘欺凌行为背后的模式、情境与动因，将计算分析与组织行为理论紧密结合。四、在应用层面，致力于从数据洞察直接推导出actionable的组织干预策略与系统设计建议，推动研究成果向管理实践的转化。通过这项研究，我们期望为职场欺凌的学术理解与企业治理，同时贡献方法论创新与实证知识。研究方法为系统实现职场欺凌行为的自动识别与模式分析，本研究采用基于真实企业数据的计算文本分析方法，整体流程涵盖数据收集与预处理、分类体系构建与人工标注、机器学习模型训练与评估、以及深度模式挖掘四个核心阶段。首先，是研究数据来源与预处理。本研究与二十家来自金融、信息技术、生物医药、先进制造、专业服务、零售、教育及能源化工行业的大型企业合作，在其严格遵守数据隐私与保密协议的前提下，获取其人力资源部门在2023年1月1日至12月31日期间受理并归档的所有员工正式投诉与申诉记录的匿名化文本副本。所有个人信息（姓名、工号、具体部门名称、项目代号等）均已由企业方在提供前完成脱敏处理，代之以统一的匿名标识。共计收集文本一万五千三百二十一份。预处理步骤包括：一、格式统一化，将所有文档转换为纯文本格式。二、基础清洗，去除无关的表格、页眉页脚、以及完全无法识别的乱码字符。三、文本规范化，包括中文分词（采用高效准确的分词工具）、去除停用词（如“的”、“了”、“在”等常见虚词及与投诉内容无关的通用词汇）。四、初步去噪，识别并合并因系统导出可能产生的重复或高度相似的记录（基于文本相似度阈值）。其次，是欺凌分类体系构建与高质量标注数据生成。基于对职场欺凌文献的梳理，结合对中国组织情境下常见冲突案例的专家研讨，本研究构建了一个包含四个一级类别、二十六个二级类别的多层次欺凌行为分类体系。四个一级类别为：一、显性攻击：包括公开辱骂、威胁恐吓、肢体冲突暗示等直接、外显的攻击行为。二、间接排挤：包括散布恶意谣言、社交孤立、故意无视、泄露隐私等非直接对抗的排斥行为。三、工作设障：包括分配不合理或不可能完成的工作量、设置不现实的截止日期、故意隐瞒关键工作信息、剥夺正常工作资源或机会、无端质疑工作能力等妨碍工作绩效的行为。四、人际贬损：包括持续讽刺挖苦、贬低个人价值或成就、因个人特征（如性别、年龄、籍贯等）进行嘲笑或排挤等损害个人尊严的行为。随后，从总数据集中随机分层抽样（确保各行业有代表）出三千份文档，组成标注数据集。聘请三位具有五年以上人力资源管理经验且接受过组织行为学培训的专家作为标注员。他们首先接受统一的培训，学习分类体系定义、边界案例与标注规范。然后，每位标注员独立对每份文档进行标注，判断其是否描述了欺凌行为，若是，则进一步标注其所属的一级与二级类别（允许多标签）。标注过程使用专门的在线标注平台进行，平台记录所有标注决策。完成后，计算三位标注员之间关于“是否欺凌”判断以及一级类别判断的编码者间信度系数，均达到可接受的高水平。对于存在分歧的案例，组织讨论会协商达成一致，形成最终的金标准标注数据。该数据集按七比二比一的比例随机划分为训练集、验证集与测试集。第三，是机器学习模型训练、评估与比较。本研究训练并比较了四种有代表性的文本分类模型：一、基于词频-逆文档频率特征的逻辑回归模型，作为传统机器学习方法的基准。二、基于词向量表示的卷积神经网络模型，以捕获局部语义特征。三、基于双向长短期记忆网络模型，以更好地建模文本的序列依赖关系。四、基于大规模预训练语言模型的微调方法（采用在中文领域表现优异的大规模预测练语言模型）。每种模型均在相同的训练集上训练，使用验证集进行超参数调优，并在独立的测试集上进行最终性能评估。评估指标包括每一类别的精确率、召回率、F1分数，以及宏观平均精确率、召回率和F1分数。特别关注模型对难识别类别（如间接排挤、工作设障）的表现。此外，通过分析混淆矩阵、绘制受试者工作特征曲线，进一步诊断模型的错误模式与泛化能力。第四，是基于模型输出的深度模式挖掘与分析。利用在测试集上表现最优的模型，对全部一万五千余份投诉文本（包括未用于标注的文本）进行预测，生成每份文档属于各类欺凌行为的概率。基于此，开展以下分析：一、描述性统计分析：统计各类欺凌行为的总体发生率、共现情况（多标签分析）。二、主题建模分析：对预测为高概率欺凌的文档，使用隐含狄利克雷分布主题模型，自动发现文本中潜在的主题集群，例如可能围绕“绩效评估不公”、“项目资源争夺”、“人际关系网络”等主题展开的欺凌叙事。三、关键词共现网络分析：提取高欺凌概率文档中的高频关键词（名词、动词），构建共现网络，可视化核心概念（如“领导”、“同事”、“考核”、“孤立”、“压力”）之间的关联，揭示欺凌叙事的核心要素与关系结构。四、时间序列分析：分析预测出的欺凌相关投诉数量随时间（月、周）的变化趋势，并与企业内部已知的关键事件日历（如年度考核周期、重大项目节点、组织架构调整）进行关联分析，探寻欺凌风险的高发时段。五、角色关系分析：虽然具体身份已匿名，但通过分析文本中提及的角色称谓（如“上级”、“主管”、“老员工”、“新人”），可以推断施害者与受害者的常见关系模式。通过以上多角度分析，旨在从数据中提炼出超越个案的、具有普遍意义的职场欺凌模式、风险因素与情境特征，为干预策略的制定提供实证依据。研究结果与讨论本研究通过系统的模型训练与深度数据分析，揭示了职场欺凌在投诉文本中的复杂样态，并成功构建了高效的自动识别模型，同时挖掘出具有重要管理启示的行为模式。首先，在模型性能方面，基于大规模预测练语言模型的微调方法在欺凌文本分类任务上展现出显著优势。在独立测试集上的评估结果显示，其宏观平均精确率、召回率与F1分数分别达到零点八八、零点八四和零点八六，显著优于其他对比模型。具体到不同欺凌类别，模型表现存在明显差异。对于“显性攻击”类，模型识别效果最佳，F1分数高达零点九二，这主要得益于此类行为的描述通常包含明确、强烈的负面情感词汇和直接冲突场景，语义特征清晰。对于“人际贬损”类，模型表现也较好，F1分数为零点八七，可能因为其中涉及的具体贬低性语言相对容易捕捉。然而，对于“间接排挤”和“工作设障”这两类更为隐蔽的欺凌行为，模型识别面临更大挑战，F1分数分别为零点八一和零点七九。分析其错误案例发现，这两类行为的描述往往更依赖上下文和背景知识，例如，“领导总是把最棘手、最没功劳的任务派给我”可能指向工作设障，但若无更多上下文，也可能被误解为普通的工作分配；同样，“团队聚餐从不叫我”暗示社交孤立，但单独出现时可能被视为偶然疏忽。这表明，仅依赖文本表面信息不足以完全准确判断所有类型的欺凌，未来研究可能需要结合更多元的数据（如沟通频率网络、工作负荷数据）或引入常识推理能力。尽管如此，当前模型已能有效辅助人力资源专业人员完成初步筛查与风险排序，大幅提升处理效率。其次，基于模型预测结果的统计分析揭示了职场欺凌的普遍性与复杂性。在全部一万五千余份投诉文本中，模型预测为存在欺凌行为（概率大于等于零点五）的文档占比约为百分之二十八点五，这表明欺凌是员工投诉中一个相当突出的议题。多标签分析显示，超过百分之三十五的预测欺凌文档同时涉及两种或以上的欺凌类别，例如“工作设障”与“人际贬损”常同时出现，表明欺凌行为往往是复合的、多手段的。从行业分布看，虽然各行业均有涉及，但高强度脑力劳动、竞争激烈或层级分明的行业（如金融、信息技术、专业服务）中，预测为工作设障和间接排挤的比例相对较高；而制造、零售等劳动密集型行业中，显性攻击类投诉的比例略高，但需注意样本和行业特性可能带来的偏差。第三，主题建模分析从投诉文本中自动提取出五个核心主题。主题一聚焦于“绩效考核与晋升不公”，常见词汇包括“考核”、“评分”、“晋升”、“机会”、“偏袒”、“标准”。该主题下常关联工作设障和人际贬损行为，例如指控上级故意设置不合理的绩效目标或在评估时贬低贡献。主题二围绕“项目协作与资源争夺”，关键词如“项目”、“资源”、“协作”、“功劳”、“排挤”、“信息不透明”。此主题下，间接排挤（如被排除在关键会议外）和工作设障（如无法获得必要支持）行为频发。主题三涉及“人际关系与社交排斥”，核心词包括“同事”、“孤立”、“聚餐”、“聊天”、“谣言”、“小团体”。这主要对应间接排挤行为。主题四关于“领导风格与权威滥用”，词汇如“领导”、“命令”、“辱骂”、“威胁”、“独断”。此主题下显性攻击和人际贬损较为常见。主题五则与“工作负荷与健康压力”相关，如“加班”、“工作量”、“deadline”、“健康”、“失眠”，常伴随工作设障的描述。这些主题揭示了职场欺凌并非孤立的人际摩擦，而常常嵌入于绩效管理、资源分配、团队动力和领导力等核心组织流程之中。第四，时间序列分析发现投诉数量存在周期性波动，在每年的三至四月（通常对应年度绩效考核与奖金发放后）和九至十月（可能与年中评估及重大项目三季度冲刺相关）出现两个明显的峰值。这强烈暗示组织制度性事件（如考核、评估）带来的压力、竞争和结果不确定性，可能催化或激化潜在的欺凌行为，或促使受害者更倾向于在此时寻求正式申诉。第五，角色关系分析（基于文本中保留的匿名化角色称谓）显示，在预测的欺凌事件中，施害者为“直接上级”或“团队主管”的比例最高，约占百分之五十二；其次是“资深同事”或“老员工”，约占百分之三十三。这表明权力不平等（正式职权或非正式的资历、影响力）是欺凌发生的重要背景。受害者角色则更多样，但“新员工”、“绩效表现突出者”以及“被认为与主流群体不同的个体”（如性格内向、背景特殊）在文本中被提及的频率较高，提示这些群体可能面临更高的欺凌风险。综合讨论，本研究不仅验证了利用先进自然语言处理技术从企业内部投诉文本中自动识别职场欺凌的可行性，更重要的是，通过数据驱动的方式，深化了对中国组织情境下欺凌行为多维度、镶嵌式特征的理解。研究发现，欺凌极少以单一、纯粹的形式出现，而是常常表现为“复合欺凌”，例如上级可能通过不合理的工作要求（工作设障）和持续的贬低性反馈（人际贬损）来实施压制。欺凌的根源常常与组织管理制度（如考核、资源分配）的缺陷、领导力的缺失或异化、以及团队亚文化的不良发展紧密相连。时间上的风险峰值提示，人力资源的干预不应仅是被动响应个案，而应进行主动的、前瞻性的风险监测，尤其在关键组织事件前后加强关注与沟通。上述发现对企业管理实践具有多重启示。在技术应用层面，开发并部署基于高性能自然语言处理模型的欺凌风险监测辅助系统，可以帮助人力资源部门在海量文本中高效定位高风险投诉，实现早期预警。但必须强调，此类系统应作为辅助决策工具，而非最终裁决者，任何处理都需结合专业的人工调查与判断。在政策与流程层面，应特别关注绩效管理、晋升机制与资源分配等核心流程的公平性、透明性与沟通有效性，因为这些是欺凌滋生的温床。针对高频施害角色（如直接上级），需加强领导力培训，尤其强调尊重、公平、建设性反馈等核心管理技能，并将“营造无欺凌环境”明确纳入管理者的职责与考核。在支持体系层面，需要构建多元、通畅且保密的申诉与支持渠道，降低受害者报告的门槛与恐惧，并为已遭受欺凌的员工提供专业的心理支持与法律援助资源。在组织文化层面，高层领导必须明确表态并持续致力于建立一种尊重、包容、文明的组织文化，对欺凌行为采取零容忍政策，并通过案例分享、正向行为倡导等方式，塑造积极的行为规范。本研究的社会意义在于，它提供了一种将计算分析能力应用于改善组织健康与员工福祉的范例。通过对沉默数据的“倾听”与解读，组织能够更敏锐地察觉潜藏的问题，从而采取更主动、更精准的措施来预防伤害、保护员工，最终构建更加可持续的健康组织生态。结论与展望本研究通过对2023年二十家企业一万五千余份人力资源投诉记录文本的自然语言处理分析与机器学习建模，系统探索了职场欺凌行为的自动识别方法、多维表现模式及其组织情境关联。研究发现，基于大规模预测练语言模型的微调方法能有效识别投诉文本中的欺凌行为，总体F1分数达零点八六，尤其在识别显性攻击与人际贬损类行为上表现优异；然而，对于更为隐蔽的间接排挤与工作设障行为，识别精度仍有提升空间。深度分析揭示了职场欺凌的复合性（常多类并发）、其在组织核心流程（如绩效评估、项目协作）中的嵌入性，以及其发生与特定组织事件周期（如考核季）的强相关性。施害者角色多集中于直接上级与资深同事，凸显权力不平等在欺凌动态中的核心作用；而新员工、绩效突出者等则可能面临更高风险。本研究的贡献主要体现在：第一，在方法论上，构建了首个基于中国企业内部投诉文本的大规模、细粒度标注的职场欺凌数据集，并系统验证了先进自然语言处理技术在此领域应用的效能与边界，为后续计算组织行为学研究提供了重要数据与方法基础。第二，在理论层面，通过数据驱动的主题建模与模式分析，深化了对中国组织情境下欺凌行为复杂样态、多维前因（制度、领导、团队文化）及其动态特征（周期性）的理