迷“網”的少年：網癮風險青少年的癥狀演化*

陳詩韻 屈笛揚 卜 禾 梁凱欣 張沛超 遲新麗

迷“網”的少年：網癮風險青少年的癥狀演化*

陳詩韻1,2屈笛揚3卜 禾4梁凱欣1張沛超5遲新麗1

(1深圳大學心理學院, 深圳 518061) (2香港理工大學應用社會科學系, 香港) (3清華大學萬科公共衛生與健康學院, 北京 100091) (4華東理工大學社會與公共管理學院, 上海 200237) (5武漢大學現代心理學研究中心, 武漢 430072)

本研究對深圳市1279名初一學生進行連續3年追蹤測量, 采用增長混合模型和網絡分析方法, 識別網癮風險青少年及其網癮癥狀的演化規律。增長混合模型結果顯示, 根據青少年網癮的發展趨勢可以將青少年區分為正常組和風險組。網絡分析結果表明, 風險組青少年的網癮在不同階段呈現不同的核心癥狀：在初一時, “強迫性網絡使用”、“滿足感缺失”、“情緒失控”和“戒斷反應”的中心性均較高; 在初二時, “滿足感缺失”成為了該時間點中心性最高的核心癥狀; 在初三時, “戒斷反應”成為了中心性最高的核心癥狀。本研究拓寬了對青少年網癮動態變化性的認識, 擴充了識別網癮風險青少年的方法, 為未來設計有針對性的干預方案提供實證依據。

網癮, 網絡分析, 發展軌跡, 縱向研究, 癥狀演化

1 前言

現代社會, 互聯網已成為人們生活中不可或缺的一部分。其中, 青少年儼然已成為網絡主要用戶群體之一。據《中國互聯網絡發展狀況統計報告》(2022)顯示, 截止2022年6月, 青少年網民已高達13.5% (CNNIC, 2022)。盡管適當的網絡使用會給青少年帶來積極影響(比如, 促進信息傳遞和交流, 建立更豐富的社會支持網絡), 但不可否認的是, 過度依賴互聯網可能會對青少年產生諸多負面影響, 如網絡成癮(以下簡稱“網癮”; Chi et al., 2020; Pan et al., 2020)。網癮指的是個體在無其它成癮物質的影響時對上網的過度依賴, 并因此導致學業、人際和社會功能等的損害(Young, 1998)。由于青少年的身心發展尚不成熟, 對網絡中良莠不齊的信息缺乏辨識能力(Kuss et al., 2013), 且對于網絡使用行為缺乏足夠的自制力(Tokunaga, 2015), 導致這部分群體成為了網癮的高風險人群。據中國互聯網信息中心報道, 中國青少年的網癮檢出率已高達19.5% (CNNIC, 2022), 這意味著我國將近3315萬青少年被檢出網癮。大量研究表明, 網癮對青少年的身體健康(Güzel et al., 2018)、學業表現(Kuss et al., 2014)以及心理健康問題(Singh & Barmola, 2016)有不良影響。鑒于青少年網癮的高檢出率和高危害性, 迫切需要拓寬和加深對青少年網癮的認識, 為青少年網癮評估和預警提供新的視角和解決思路。

青春期是個體身心都會經歷急劇變化的階段。已有研究指出, 網癮風險青少年的識別和評估需要考量青少年網癮的動態變化性(Bu et al., 2021)。例如, Chang等(2014)追蹤了2315名10年級的臺灣高中生, 發現其中有六分之一的學生, 在一年后(11年級)被檢出有網癮, 而七分之一學生的網癮水平在一年后顯著降低。隨后, 在我國不同地區的青少年中開展的研究也相繼驗證了青少年網癮在不同階段的動態變化性, 如Bu等(2021)在深圳青少年的追蹤研究中發現, 初一表現出網癮的青少年群體中, 有59.3%的網癮水平會隨著時間的推移降低至臨界值以下。在初一時未出現網癮的青少年中, 10.2%在初二時發展出網癮。然而, 上述研究僅采用兩波次追蹤數據, 無法呈現青少年網癮發展的趨勢和重要拐點。此外, 僅通過臨界值標準區分“有”和“無”網癮類別, 再以不同時間點的青少年所屬的類別變化來定義其網癮的發展態勢, 可能會忽略網癮發展存在的異質性, 即具有相同類別變化的青少年可能表現出完全不同的發展軌跡。例如, 根據臨界值標準, 一部分青少年在兩個時間點均被歸于無網癮類別, 往往會被認為是沒有風險, 但是這部分群體可能正呈現向風險發展的態勢。因此, 納入網癮發展軌跡異質性的考量, 可以在臨界值識別網癮風險組的基礎上, 更全面且清晰地揭示青少年網癮發展特點。

研究發現采用增長混合模型(Growth Mixture Model, 以下簡稱GMM)考察網癮發展軌跡, 能夠有效彌補上述不足(Choo et al., 2021)。已有研究證實了GMM分析方法在識別網癮風險群組中的獨特優勢。例如, Choo等(2021)研究者通過4次的追蹤調查結果發現, 基于臨界值標準, 在一個或以上時間點被定義為有網癮的青少年群體中, 能夠區分3個異質性群組：網癮邊緣組(在第一個時間點時網癮水平達到臨界值, 隨后網癮水平波動于臨界值附近)、網癮改善組(在第一個時間點時網癮水平遠高于臨界值, 隨后網癮水平波動于臨界值附近)和網癮波動組(在其中兩個非連續時間點網癮水平遠高于臨界值, 而另外3個時間點網癮水平在臨界值以下)。此外, 學者Hong等(2014)和Zhou等(2018)分別在韓國青少年和中國經歷了創傷事件的青少年群體中考察網癮發展軌跡, 也同樣發現在某一個及以上時間點表現出較高網癮水平的青少年中具有群體差異性, 既包括網癮逐步上升至高水平的群組, 也包括網癮在高水平緩慢下降的群組。由此可見, 相比于臨界值區分方式, 通過發展軌跡區分風險組青少年更佳。此外, 根據“失補償”假說, 上網行為是青少年在心理發展過程中受阻時的一種補償表現。在這一過程中, 青少年如果采用“建設性補償”的方式, 例如通過網絡社交平臺改善或修復同伴關系、適度通過網絡游戲緩解壓力來滿足發展受阻所產生的需求, 則意味著順利完成補償, 從階段性過度上網恢復到正常水平, 即屬于正常上網行為; 如果采用的是“病態性補償”, 例如為逃避現實生活中的問題而沉迷網絡, 或網絡成為個體獲得滿足和支持的唯一途徑, 則意味著失補償的產生, 導致青少年發展偏差或中斷, 即形成網癮行為(高文斌, 陳祉妍, 2006)。該理論提示我們, 基于不同的補償方式, 青少年網癮發展軌跡可能存在異質性群組。基于此, 本研究首先采用GMM分析方法, 以3年三波次的縱向研究數據識別青少年網癮發展軌跡的異質性群組, 并提出以下假設：青少年網癮發展軌跡存在群組異質性, 且存在網絡使用行為不斷增加并最終發展成為網癮的風險組青少年(假設1)。

此外, 對于呈現風險發展態勢的風險組青少年, 本研究將進一步關注該群體的網癮癥狀表現。由于網癮尚未被世界衛生組織(WHO)、精神疾病診斷和統計手冊(DSM-IV)或國際疾病分類(ICD-11)定義為一種心理疾病, 因此目前學術界對于網癮及其癥狀的界定仍然存在一定的爭議。普遍認為, 網癮是成癮行為的一種, 并通過參考其它成癮行為的標準對網癮癥狀進行識別。其中, Young (1998)提出的以下8個癥狀作為識別網癮的標準最廣為應用, 具體包括：(1)強迫性網絡使用; (2)保證滿足感; (3)反復嘗試減少上網行為; (4)當網絡使用受限時, 產生易怒、抑郁或情緒不穩定等情況; (5)過度時間消耗; (6)為了上網甚至危害工作或社會關系; (7)隱瞞上網行為; (8)逃避現實。根據這8項評判標準, 不同學者分別發展出了7條目(Griffiths, 1998)、8條目(Suler, 2004)、10條目(Young, 1998)及20條目(Young, 1998)的網絡成癮量表。然而, 最初發展出來的7條目和9條目的網絡成癮量表并非針對網癮行為本身制定,而是參照DSM-IV中的賭博成癮和精神活性物質依賴的標準制定, 所以在后續的研究中使用較少(Griffiths, 1998; Suler, 2004)。隨后, Shek等人(2008)通過比較中文版Goldberg網絡成癮量表和Young的10條目網絡成癮量表(Internet Addiction Test-10, IAT-10), 確認了Young的10條目網絡成癮量表在香港青少年中表現出較好的信效度。10條目的網絡成癮量表在Young (1998)提出的8個網癮癥狀基礎上, 將“反復嘗試減少上網行為”癥狀細分為“戒斷癥狀”和“情緒失控癥狀”。“戒斷癥狀”關注的是停止上網后的消極情緒反應, 而“情緒失控癥狀”關注的是嘗試控制或者減少上網時產生的消極情緒反應。同時, 有研究者認為, 因為網癮所引發的過度金錢耗費是突出癥狀之一(Cao & Su, 2007), 因此10條目的網絡成癮量表新增了一項關注上網花費問題的癥狀, 即將上網所帶來的過度金錢消耗也納入為判定網癮的標準之一。基于此, 在本研究中, 以Shek檢驗的中文版10條目網絡成癮量表作為參考依據(Young, 1999), 將單個測量條目視為網癮的不同癥狀以考察其發展演化特點(Hirota et al., 2020)。近幾年來, 病理網絡理論的發展為考察青少年網癮成因和高復發提供了新的視角。根據病理網絡理論, 網癮的癥狀網絡中存在著一個或幾個中心性較高的癥狀(又稱核心癥狀), 通過激活其它癥狀, 從而形成負性循環, 導致成癮行為的持續發展(Borsboom & Cramer, 2013; Borsboom, 2017)。此外, 網絡全局強度越高, 癥狀內部連接越緊密, 穩定性越高, 網癮易感性就越強(Borsboom, 2017; Tio et al., 2016)。相比于以往的研究, 基于精神病理學的網絡分析方法可以更加直觀地展現不同癥狀, 以及癥狀之間的關聯在網癮中發揮的作用, 從而為風險組青少年的網癮核心癥狀的識別和干預提供實證證據。

目前, 僅有兩項研究采用了網絡分析方法考察青少年的網癮情況, 其研究結果一致表明不同網癮癥狀和癥狀之間的兩兩關聯在網絡中發揮獨特的作用。如, Hirota等(2020)對日本青少年網癮進行癥狀網絡分析發現, “因為上網影響了學習效率”這一癥狀是網癮的核心癥狀, 能夠更大程度地對其他癥狀產生影響。此外, Liu等(2022)對處于不同青春期階段的中國青少年的網癮癥狀網絡分析發現, 網癮的核心癥狀在青春期早期為“滿足感缺失”, 中期為“睡眠減少”、“無法停止上網”和“感到抑郁”, 后期為“感到抑郁”。然而, 由于現有的青少年網癮的網絡分析研究均采用橫斷面研究設計, 因此對網癮癥狀隨著時間如何演化仍然是未知的。盡管Liu等(2022)的研究已經關注到不同青春期階段網癮核心癥狀的變化, 但該研究比較的是3個獨立樣本的癥狀網絡, 研究結果容易受到不同樣本之間個體差異的影響。因此, 有必要采用追蹤研究設計考察相同被試群體的癥狀網絡演化。目前, 有學者提出網絡比較分析和被試間網絡分析(如, 交叉滯后網絡分析)方法均適用于縱向數據(Robinaugh et al., 2020), 但兩者的關注點有所不同。前者強調的是不同時間點下核心癥狀和癥狀之間關聯的差異, 而后者則側重于揭示網絡癥狀在跨時間上的因果關系。目前學術界達成的共識在于兩種分析方法均能提供有價值的部分信息, 但關于何種方法更能體現精神病學癥狀之間的關系仍然存在爭議(Robinaugh et al., 2020)。基于本研究目的, 我們采用網絡比較分析方法探索網癮風險組青少年癥狀網絡演化, 旨在回答以下研究問題：網癮癥狀總體連接程度和兩兩癥狀之間的關聯在不同時間點有何不同, 以及不同時間點網癮核心癥狀是否有所改變。

綜上所述, 本研究選取初一年級的青少年作為研究對象, 采用3年三波的縱向研究設計, 結合GMM和網絡分析方法, 識別網癮風險青少年并考察其癥狀演化規律, 旨在實現以下目標：(1)根據青少年網癮發展軌跡區分不同的異質性群體, 并假設存在網癮風險組青少年; (2)在癥狀層面比較不同時間點下風險組的網癮癥狀網絡(癥狀總體連接程度和兩兩癥狀之間的關聯), 并識別不同階段時的網癮核心癥狀。

2 方法

2.1 被試與施測過程

本研究采用整群隨機抽樣法, 以學校為標準進行分群。采用隨機數表的方式從深圳市中學中抽取5所中學。每所中學的被試均為2016級初一學生, 且以1年時間為間隔, 參與3次追蹤測查。該研究項目為深圳市青少年心理健康調查項目, 通過大樣本追蹤設計探討青少年積極青少年發展及網癮、抑郁及內外向行為發展特點及影響機制, 旨在揭示青少年心理社會發展變化及差異, 促進青少年健康成長。項目測查由心理學專業研究生擔任主試, 項目負責人事先對主試在測驗目的、內容、要求、測驗流程以及相關注意事項等方面進行統一的專業培訓。施測前, 首先征得學校和班主任老師的同意, 向家長和學生介紹測試的整體情況, 并獲得家長和學生的知情同意。施測時, 以班級為單位, 采用紙筆測驗的形式在教室進行統一施測, 待所有學生做答完畢后, 主試當場收回問卷。在3個時間點的測查中, 施測程序完全一致。

本研究所得數據于2016年10月～11月進行第一次施測(T1), 之后每隔1年進行一次追蹤調查。第一次施測共獲得有效被試1544名, 第二次施測(T2：2017年10月～11月)獲得有效被試1511名, 第三次施測獲得有效被試1480名(T3：2018年10月～ 11月)。由于本研究擬采用網絡分析方法對研究問題進行探討, 目前現有的網絡分析方法無法處理包含缺失數據在內的計算(Epskamp & Fried, 2018)。因此, 本研究刪除未報告性別和年齡以及未完整報告所有網癮條目的被試。差異性檢驗結果表明樣本被試與流失被試在性別(= 0.15), 年齡(= 0.66), T1網癮得分(= 0.79)均無顯著差異。表明本研究被試中不存在結構化流失。三次都參與問卷調查的有效被試1279名構成了本研究的樣本。其中, 男生662名(51.8%), 女生617名(48.2%)。首次調查時, 被試的平均年齡為12.46歲(= 0.63歲)。采用Harman單因素檢驗法對本結果進行檢驗, 結果表明共有7個因子的特征根大于1, 其中最大因子解釋的變異量為17.55%, 遠小于臨界標準40%, 由此可以推斷本研究不存在明顯的共同方法偏差。

2.2 工具

10條目網絡成癮量表(Internet Addiction Test-10, IAT-10) 3次調查均采用Young編制的10條目網絡成癮量表(Young, 1999)。Shek等(2008)在中國青少年群體確認了該量表中文版具有良好的信效度。該量表共包含10個網絡成癮癥狀, 被試根據其在過去1年中網絡使用情況回答“是”和“否”, 其中“是”計1分, “否”計0分, 共10個題目。以往的研究建議將4分作為該量表的臨界值, 即得分等于或大于4分的個體則可以被認為有網癮(Shek et al., 2008)。在本研究中, 量表在3個時間點的克朗巴哈系數分別為0.76, 0.75和0.83。同時, 該量表在3個時間點均表現出較好的結構效度(χ2= 185.31～245.05,= 34,< 0.001, CFI = 0.91～0.93, TLI = 0.88～0.91, RMSEA = 0.06～0.09, SRMR = 0.04)。

2.3 統計分析

本研究首先采用Mplus 8.0 (Muthén & Muthén, 2017)進行描述性統計和相關性分析。其次, 將性別和年齡作為協變量, 采用GMM估計不同異質性群體的發展軌跡, 并采用差異性檢驗比較不同異質性群體的人口統計學差異。最后, 使用R-package version 4.1.3估計網癮風險群組3個時間點的網絡結構和中心癥狀演化。

2.3.1 GMM分析

首先, 基于3年三批次的追蹤數據, 通過評估和比較GMM的擬合程度, 分析青少年網癮的3年發展軌跡的異質性。傳統的增長模型假設樣本中所有的個體有著相同的增長軌跡, 與之相比, GMM允許群體內存在異質性, 即假設樣本中存在不同的類別群體有著相似但不完全相同的增長軌跡。GMM的獨特優勢在于能夠在考慮時間因素前提下, 更準確地分辨不同個體之間的異質性, 根據個體的發展軌跡更加準確識別出網癮的風險群組。本研究采用增長因子方差和協方差自由估計的GMM, 即允許類別內所有個體具有不完全相同的增長軌跡, 以最大限度保證擬合的優化和體現發展軌跡的異質性。在GMM模型分析中, 截距和斜率均存在均值和方差兩個參數。截距因子的均值用于描述個體的平均初始水平, 而截距因子的方差則反映個體在特定時間點之間的差異程度, 即方差值越大, 說明個體間的初始水平差異越明顯。斜率因子的均值表示的是各個時間點之間的平均增長率, 而斜率因子的方差則反映個體間增長率的差異程度, 即方差值越大, 個體間發展軌跡的差異越明顯(王孟成等, 2017)。GMM模型的檢驗指標包括信息指數：艾凱克信息準則(AIC)、貝葉斯信息準則(BIC)、樣本校正的BIC (aBIC)、信息熵(Entropy); 檢驗統計量：似然比檢驗指標(LMR)和基于Bootstrap的似然比檢驗(BLRT)指標。根據“Entropy更高, AIC、BIC和aBIC更低者, LMR和BLRT兩個指標值達到顯著水平, 模型擬合效果更好”的選擇方法, 且保證每個類別的人數比例不少于5%, 確定最優類別模型 (張潔婷等, 2010)。

2.3.2 網絡分析

采用R-package對不同時間點時的網癮癥狀網絡進行估計, 該分析方法遵循Epskamp和Fried發表的標準指南(Epskamp & Fried, 2018)。

首先, 使用R程序包IsingFit對癥狀網絡進行估計及可視化。采用基于里斯模型的eLasso方法, 使用正則化邏輯回歸的方法估計網絡結構。為避免假陽性關聯的出現, 該程序使用最小絕對收縮和選擇算子(Graphical Least Absolute Shrinkage and Section Operator, GLASSO; Tibshirani, 1996)對此進行了控制。該方法適用于估計二進制數據的加權無向網絡, 其網絡邊緣可以理解為一個變量與其他所有變量的回歸方程系數(斜率與截距)的加權平均值。由于本研究的網絡結構的節點較少, 為使網絡結構更具靈敏性, 本研究采用OR規則定義節點(Node)和邊緣(Edge)的存在, 即若兩個回歸方程系數中, 若有其中一個系數非零, 則被定義為存在邊緣(Van Borkulo et al., 2014)。為了納入影響網絡的協變量(性別和網癮得分均值), 參考Funkhouser (2020)建議的方法, 將協變量納入網絡的估計中但是不討論其對網癮各癥狀的影響。第二步采用R程序包Network Comparison Test (NCT), 通過1000次迭代的置換測試從總體和局部的維度比較3個時間點網絡結構、強度中心性以及邊緣聯結差異的顯著性(Van Borkulo et al., 2022), 顯著性水平設置為0.05。第三步是通過中心性指標評估網絡中各項癥狀所發揮的作用。常見的中心性指標包括強度中心性(Strength)、中介性(Betweenness)和接近性(Closeness; Opsahl et al., 2010)。由于以往的研究均表明強度中心性的穩定性較高, 因此本研究主要解釋這一中心性指標, 另外兩個指標作為參考(梁一鳴等, 2020)。在本研究中, 所有中心性系數均為標準化的分數, 因此系數越高, 意味著該癥狀在網絡中更容易激活其它的癥狀, 從而可以確定各個時間點的最為重要的癥狀。最后, 使用R程序包bootnet進行對網絡估計、邊緣估計和中心性估計進行準確性分析。首先通過自舉邊緣權重的95%置信區間估計邊緣的準確性, 置信區間覆蓋的區域越小意味著邊緣估計越準確。其次, 通過子集構造程序刪除一定比例的被試并重新估計節點中心性, 該中心性與原中心性指標相關程度達到0.7時, 刪除被試的比例被定義為中心性穩定系數(Centrality stability coefficient; CS-coefficient), CS系數大于0.25意味著穩定性可接受, 大于0.50意味著穩定性較好。

3 結果

3.1 各變量描述統計及相關性分析

所有題目加總后得分用于衡量青少年的網癮程度(各條目的作答率見表1)。表2為所有被試在3個時間點的網癮得分均值、標準差以及相關性分析。結果表明, 在3次測量中, 網癮均值在T2時最高, 其次為T1, 在T3時最低。初一的網絡成癮青少年占14.1%, 初二上升至15.6%, 初三又下降至14.9%。其次, 3個時間點的標準差逐年增加, 說明青少年個體間的網癮得分差異逐年增大, 暗示著青少年的網癮得分存在一定程度的個體差異。相關性分析結果表明, 初一和初二的網癮得分的相關系數為0.25 (< 0.01), 初二和初三的網癮得分的相關系數為0.24 (< 0.01), 初一和初三的網癮得分的相關系數為0.38 (< 0.01)。根據相關系數的穩定性標準, 網癮得分在相鄰時間間隔的穩定性較低, 在兩年的時間間隔呈中等穩定性。

3.2 GMM分析

本研究分別選取1～5種類別的GMM進行模型擬合度分析, 各項擬合指數見表3。在所有模型中, 四類別模型的BLRT和LMR未達到顯著水平, 提示二類別模型和三類別模型更佳。考慮到二類別模型Entropy系數更高, 提示了二類別模型的分類更加準確。因此, 綜合考量后選擇保留二類別模型。在此基礎上, 進一步考察兩個潛在類別的發展軌跡特征。研究結果表明, 兩個潛在類別的截距均值分別為C1：2.36 (= 0.25,= 9.47,< 0.001); C2：1.48 (= 0.05,= 27.32,< 0.001)。兩個潛在類別的截距均值存在顯著的差異, C1組網癮得分初始值較高, 而C2組的初始值得分相對較低。此外, 通過斜率的均值考察每個類別的平均增長率。兩個潛在類別的斜率均值分別為C1：1.62 (= 0.14,= 11.45,< 0.001); C2：?0.27 (= 0.03,= ?8.36,< 0.001)。兩組的網癮得分水平隨時間的變化均發生了顯著的變化, 且C1組的網癮水平隨時間顯著升高, 而C2組的網癮水平有所下降。

表1 三個時間點網癮各條目的作答情況(N =1279)

注：T1：首次測量, T2：第二次測量, T3：第三次測量。

表2 各時間點網癮得分描述性統計及相關性分析(N = 1279)

注：***< 0.001。M: Mean; SD: Standard deviation。T1：首次測量, T2：第二次測量, T3：第三次測量。

表3 GMM擬合信息

截距和斜率均值的分析結果表明：C1組的初始水平較高, 且隨時間顯著升高。相比之下, C2組的初始水平較低, 且隨時間顯著下降。基于此, 本研究將兩個潛在類別命名為：C1風險組, 樣本占比11.65% (= 149); C2正常組, 樣本占比88.35% (= 1130)。二類別模型的增長軌跡見圖1。各組的初測時的人口統計學信息及差異見網絡版附錄表1。

圖1 二類別模型增長軌跡圖

注：T1：2016年10月～11月(初一); T2：2017年10月～11月(初二); T3：2018年10月～11月(初三); 風險組：= 149 (11.65%), 正常組：= 1130 (88.35%)。

3.3 網絡分析

3.3.1 網絡估計及比較

為進一步了解風險組的癥狀演化, 本研究在上述GMM分析結果的基礎上, 進一步采用網絡分析方法估計風險組青少年(= 149)的癥狀網絡結構及總結其變化規律。由于根據3個時間點網癮均值得分所區分的有網癮組和無網癮組在各網癮癥狀得分中具有顯著的差異, 根據Van Borkulo等(2015)的建議, 將各時間點網癮均值得分作為協變量納入到網絡估計中。同時, 由于年齡在風險組青少年中區分度不大, 因此網絡分析中僅納入性別作為協變量。為了方便對3個時間點的網絡進行比較, 3個癥狀網絡的節點均采用相同的節點布局。3個網絡均形成55條邊(11×(11?1)/2)。其中, T1網絡中具有14條非零權重邊, 而T2和T3的非零權重邊數量分別為17和8。3個時間點的平均網絡密度分別為0.25, 0.30和0.15, 表明T2時癥狀之間的聯結最強, 而T3時癥狀之間的聯結最弱。3個時間點的癥狀網絡見圖2。

通過網絡比較分析的置換網絡檢驗進一步比較3個時間點癥狀網絡的網絡結構、全局強度和邊緣差異。結果表明(見表4), T1 vs T2的網絡結構(= 0.99)之間及全局強度均值之間(= 0.55)均無顯著差異, T1 vs T3的網絡結構無顯著的差異(= 0.38), 而全局強度均值之間具有顯著的差異(< 0.05), 而T2 vs T3的網絡結構同樣無顯著的差異(= 0.27), 全局強度均值之間具有顯著的差異(< 0.05)。其次, 根據網絡比較分析的局部置換結果, T1與T2的網絡邊緣僅有“消極后果” (A6)和“隱瞞實情”聯結顯著減弱(A7,< 0.01), 其余邊緣均無顯著的差異。T1與T3的網絡邊緣中, “強迫性網絡使用” (A1)和“滿足感缺失” (A2,< 0.001); “消極后果” (A6)和“隱瞞實情” (A7,< 0.05)存在顯著的差異。在T2到T3時, 諸多邊緣的強度隨著時間的推移顯著減弱, 包括“強迫性網絡使用” (A1)和“滿足感缺失” (A2,< 0.001); “上網行為失控” (A3)和“過度時間消耗” (A5,< 0.01); “上網行為失控” (A3)和“隱瞞實情” (A7,< 0.05); “上網行為失控” (A3)和“滿足感缺失” (A2,< 0.05)。

圖2 三個時間點網絡成癮的癥狀網絡

注：A1：強迫性網絡使用; A2：滿足感缺失; A3：上網行為失控; A4：情緒失控; A5：過度時間消耗; A6：消極后果; A7：隱瞞實情; A8：逃避現實; A9：戒斷反應; A10：過度金錢使用

表4 跨時間點網絡比較結果

注：A1：強迫性網絡使用; A2：滿足感缺失; A3：上網行為失控; A4：情緒失控; A5：過度時間消耗; A6：消極后果; A7：隱瞞實情; A8：逃避現實; A9：戒斷反應; A10：過度金錢使用

a 該數值來源于網絡比較分析關于差異值的計算

b 僅列出具有顯著差異(< 0.05)的邊緣

3.3.2 中心性估計

風險組3個時間點的強度中心性如圖3所示。在初一時, “強迫性網絡使用” (A1), “滿足感缺失” (A2), “情緒失控” (A4)和“戒斷反應” (A9)的中心性均較強, 意味著在該時間點這些癥狀與其它癥狀的關系緊密。在初二時, “滿足感缺失” (A2)的強度中心性上升至3個時間點中的最高值, 成為該時間點下中心性最高的核心癥狀。在初三時, “戒斷反應” (A9)的中心性均在初二時下降后重新表現出上升的趨勢, 成為該時間點時的核心癥狀。3個時間點其它中心性指標已補充至網絡版附圖1。

3.3.3 網絡準確性和穩定性檢驗

邊緣權重自舉程序的結果表明(見網絡版附圖2), 3個網絡的邊緣估計是較為準確的：除去協變量與網癮癥狀之間的邊緣以外, 其余邊緣權重的95% CI之間存在較少的重疊。根據自舉結果對最強邊緣差異性進行計算以作參考(見網絡版附圖3), 結果表明較少邊緣之間存在顯著的差異, 提示本文在對邊緣解釋時需要更為謹慎。通過子集自舉程序對中心性穩定性系數(CS-coefficient)進行了估計。結果表明, 強度中心性的CS-coefficient在3個時間點分別為0.51, 0.59和0.45。子集自舉程序的結果見網絡版附圖4。

圖3 三個時間點網絡的強度中心性估計

注：A1：強迫性網絡使用; A2：滿足感缺失; A3：上網行為失控; A4：情緒失控; A5：過度時間消耗; A6：消極后果; A7：隱瞞實情; A8：逃避現實; A9：戒斷反應; A10：過度金錢使用。

4 討論

本研究使用GMM分析探究青少年網癮發展軌跡, 識別網癮風險群體, 并借助網絡分析比較風險組青少年在不同時間點下的網癮癥狀網絡演化特點, 識別各個階段的核心癥狀。研究結果證實了假設1, 即青少年網癮發展軌跡存在群組異質性, 且存在網絡使用行為不斷增加最終發展成為網癮的風險組青少年。其次, 網絡分析結果表明, 風險組青少年的網癮癥狀之間的連接在初二時最強, 且在不同階段表現出不同的核心癥狀：“強迫性網絡使用”, “滿足感缺失”, “情緒失控”和“戒斷反應”在初一時處于高中心性位置。在初二時, “滿足感缺失”成為該時間點中心性最高的核心癥狀, 且強度中心性為3個時間點中的最高值。隨著成癮行為的形成, “戒斷反應”成為初三時的核心癥狀。本研究結果結合了GMM分析和網絡分析的優勢, 為網癮風險組青少年的識別和認識提供了新的視角和見解, 為未來制定有針對性的干預方案提供強有力的實證依據。

4.1 網癮風險組的識別

GMM分析結果顯示, 基于網癮發展軌跡可將青少年分為正常組和風險組。其中, 正常組占總被試的88.35%, 其網癮得分在T1時較低, 且在T1至T2時間點保持穩定, 在T2至T3時緩慢下降。風險組占總被試的11.65%, 該群組的網癮初始水平顯著高于正常組。該群組中的青少年群體雖然在T1和T2期間網絡成癮得分較為穩定, 但是在T2到T3期間隨時間變化得分迅速上升, 在T3時該組青少年網癮水平均達到臨界值以上, 表明該組的潛在風險較高。

具體而言, 盡管正常組和風險組青少年在初一和初二階段都處于相對穩定的低網癮水平。但在初二過后, 兩組網癮發展狀況表現出了截然不同的態勢, 即正常組網癮得分輕微下降, 而風險組得分迅速上升。這可能是因為初二作為青少年發展過程中的一個重要階段, 生理心理發展達到最高峰, 心理和行為會發生劇烈的變化, 部分青少年會出現以往研究中所提出的“初二現象” (又稱“中二病”; 沈永江, 張景煥, 2011)。“初二現象”是指青少年進入初二后, 消極情緒增多、自尊水平下降、生活滿意度較低等問題頻繁出現(盧家楣等, 2009; 鄧林園等, 2015)。根據“失補償假說” (高文斌, 陳祉妍, 2006), 對于正常組青少年而言, 由于他們本身可能存在較為充足的積極資源(例如, 穩定且積極的朋輩關系, 良好的家庭氛圍和個人心理品質), 因此他們在應對“初二現象”所帶來的負面影響時, 能夠積極尋求有效的資源來滿足自身的適應性需要, 而網絡對他們的吸引力會隨著其積極資源的增加而逐漸減少(Lee et al., 2001), 從而發展出“建設性補償”。因此, 經過了適應性階段后, 該群組的青少年網絡使用行為逐漸減少。對于風險組的青少年而言, 在面對“初二現象”時, 由于他們本身可能缺乏一定的積極資源, 因此互聯網可能是他們用于逃避現實困難的重要途徑, 從中所獲得的積極體驗進一步正強化了他們的網絡依賴行為(Schimmenti et al., 2017; Yee, 2006), 形成了“病理性補償”, 最終走向網癮的道路。

4.2 網癮風險組的核心癥狀

為進一步發現不同時期的干預靶點, 本研究采用網絡分析的方法探討風險組的網癮癥狀網絡演化及識別各時間點的核心癥狀。與以往青少年網癮網絡分析研究相比, 本研究進一步補充了追蹤研究數據所得結論。具體來說, 盡管Liu等人(2022)的研究表明早期(初一和初二)、中期(初三和高一)和后期(高二和高三)的青少年網癮癥狀網絡結構和全局強度無顯著差異, 但該研究采用的是橫斷研究設計, 通過比較處于青春期早期、中期和晚期的青少年的網癮癥狀網絡結構和全局強度, 以表明青春期不同階段的群體趨勢。然而, 由于青少年在青春期不同階段時的網絡使用行為存在個體差異, 因此群體趨勢可能會掩蓋網癮癥狀網絡隨時間變化的差異性。相比之下, 本研究采用的追蹤研究設計能夠彌補這一缺陷, 從而補充青少年在不同時間點網癮癥狀網絡結構和癥狀強度隨時間變化的實證證據。本研究發現, 風險組青少年在T2時癥狀之間的全局強度最高, 其次為T1時間點, 最后為T3時間點。T1 與 T2的網絡結構及全局強度之間均無顯著差異。盡管T1、T2 與 T3的網絡結構無顯著的差異, 但T3時間點的網絡全局強度顯著強于T1和T2。根據病理網絡理論, 全局強度的增加意味著當一個癥狀被激活時, 其它癥狀也更容易被激活, 從而表現為疾病的惡化(Robinaugh et al., 2020)。據此, 隨著風險組青少年的網癮癥狀之間的連接在初二至初三階段變強, 網癮在該階段表現出惡化的態勢。該研究結果與網癮發展軌跡結果相呼應, 共同暗示著初二為風險組形成和網癮惡化的拐點。

其次, 風險組的癥狀網絡在3個時間點的中心性估計結果表明, 不同階段的核心癥狀有所不同。初一時, 風險組的青少年具有4個高中心性的核心癥狀：“強迫性網絡使用”, “滿足感缺失”, “情緒失控”和“戒斷反應”。這可能是因為, 在該階段初入中學的青少年對于新鮮事物保持著高度的好奇心和探索欲, 同時也是適應新學習環境的時期, 網絡使用可能會成為這部分青少年滿足好奇心和適應新的學習生活的重要方式(Arnone et al., 2009)。由于網絡可以給個體帶來積極和新鮮的情緒和體驗(Zhang & Bian, 2021), 相比于現實世界中所面臨的困難以及伴隨而來的滿足感缺失, 高頻率的網絡使用能夠幫助他們有效滿足自身的情感需要。因此, 當這部分青少年試圖減少或者停止上網時, 所產生的負性體驗可能與上網時的積極體驗形成強烈對比, 容易出現情緒失控或者相應的戒斷反應, 從而更加依賴互聯網。初二時, “滿足感缺失”的中心性進一步上升至3個時間點中的最高點, 成為該時間點的核心癥狀。這暗示著, 風險組的青少年的上網行為是其為應對“初二現象”所帶來的滿足感缺失的補償行為。當這部分青少年的社交需求, 應對負面情緒的需求, 及自我實現的需求無法被恰當滿足時, 互聯網可能是他們滿足感獲得的最佳途徑(才源源等, 2007; Liu et al., 2016)。因此, 初二作為青春期的關鍵時間點, 如何讓青少年學習以正確的方式滿足自身需要, 是預防風險組青少年發展出“病理性補償”的關鍵點。在初三時風險組青少年的核心癥狀是 “戒斷反應”。與以往的研究一致, 戒斷癥狀一直以來都被認為是網癮的突出癥狀(Giordano et al., 2020; Kaptsis et al., 2016)。在該時間點, 風險組青少年已逐步形成網癮, 戒斷反應也因此成為了該階段的核心癥狀。對于風險組青少年而言, 此時網絡使用可能已成為他們滿足自身需求的主要甚至是唯一途徑。因此, 當這部分青少年在停止使用網絡時, 感知到的負性情緒(如, 空虛、孤獨、無助、抑郁)和問題行為尤為突出。另一方面, 以往的研究表明, 持續的網癮會損害青少年大腦的認知功能(Hong et al., 2013), 從而降低問題解決的能力(Say & Batigun, 2016)。長期的網癮可能會導致這部分青少年對網絡使用所帶來的其他問題(例如, 金錢使用問題、時間管理問題、學業表現)的麻木。因此, 相比于與網絡使用所帶來的消極影響, 戒斷癥狀在該階段會有突出的表現。

4.3 研究局限

本研究存在一定的不足, 有待未來研究加以完善。首先, 由于本研究所涉及的所有變量均采用自我報告的測量方式, 盡管我們在施測過程中盡可能確保了被試的匿名性和測謊題, 但是這種測查方式仍然難以克服主觀所產生的偏差問題, 影響所得數據的準確性。未來的研究應考慮結合老師、家長等多方報告的數據。其次, 本研究所使用的樣本僅限于公立學校青少年, 不能代表所有的青少年群體(如, 私立和中職院校), 且只針對初中階段進行了為期3年的追蹤, 所得的結論不能推廣到其他年齡段的青少年, 未來可嘗試擴大樣本范圍, 設計更為長程的追蹤(如初一到高三)以進一步檢驗或者擴展本研究的發現。最后, 由于目前學術界對網癮癥狀尚無統一的界定方式, 因此本文目前的癥狀分析仍是基于測量工具的條目進行區分。未來的研究可以完善對網癮癥狀的歸納, 并檢驗本研究的結論。

4.4 研究結論與啟示

根據網癮發展軌跡, 本研究發現網癮發展呈現風險態勢的青少年在剛進入初中的時間(初一), 突出表現為“強迫性網絡使用”、“滿足感缺失”、“情緒失控”和“戒斷反應”這4個癥狀。隨后進入初中高危階段(初二), 突出表現為“滿足感缺失”, 并且癥狀之間連接最為緊密。隨著整體成癮行為的發展與固化, 初三作為網癮后期表現, “戒斷反應”為其中最為突出的癥狀。

基于上述發現, 本研究認為對風險組青少年的干預不僅需要關注青少年被判斷為網癮后的介入, 也需要關注這部分青少年網癮形成的過程。重要的是, 臨床工作者和學校管理者應將網癮納入學生心理健康檔案, 定期對學生網癮情況進行調查, 建立動態管理機制。本研究提出應對青少年網癮風險的“三預”策略(“預防”?“預警”?“干預”)。首先, 初一到初二作為“預防”階段。在該階段, 正常組和風險組的網癮程度雖然有所差別, 但是差異不大, 且該階段兩組的青少年網癮均未達到臨界標準。因此, 該階段目標應該以預防風險為主, 比如學校的心理健康教育課程可以向學生普及正確的網絡使用行為和網癮帶來的消極后果, 也可以通過豐富多彩的校園或者社區生活轉移學生對網絡的需求和注意力。值得注意的是, 在初一至初二階段, “強迫性網絡使用”、“滿足感缺失”、“情緒失控”和“戒斷反應”的突出作用啟示我們, 應當重點關注青少年的好奇心和滿足感, 引導他們正確緩解停止網絡使用時所帶來的消極情緒反應。此外, 縱向研究發現初一時期的學校適應不良會增加初三時網癮的發生率(Bu et al., 2021)。因此, 將預防工作嵌入到傳統的小升初入學適應輔導中, 或能在原有的學校框架中為網癮預防提供介入空間, 防患于未然。其次, 初二應當作為 “預警”網癮的關鍵階段。初二作為正常組和風險組產生分化的關鍵時間點, 在該階段識別潛在的網癮風險青少年尤為重要。 “滿足感缺失”作為初二時風險組青少年的核心癥狀更是啟示教育和臨床工作者應當將青少年對滿足感的需求作為識別的關鍵依據, 密切關注滿足感缺失的青少年的網絡使用行為, 對初一階段已表現出網癮的學生進行重點預警, 并在必要時進行有針對性的監管措施, 幫助青少年學習如何恰當地使用網絡, 并且采用積極的方式(如, 運動、閱讀、社交活動等)彌補他們的滿足感需要。此外, 家庭環境不僅是青少年網癮發生和持續的風險因素(Bu et al., 2021), 亦是青少年滿足感的重要來源。因此, 發揮家校合作功能, 及時向家長發出警示, 提升家長的意識, 做好共同防護工作, 也是系統地應對青少年網癮問題的重要手段。最后是“干預”階段。初三時風險組青少年的網癮行為已經形成, 因此, 應當重點關注戒斷反應的干預措施, 幫助青少年克服當下的網癮戒斷反應, 比如通過認知行為療法、正念干預、運動干預、家庭治療等手段, 幫助學生戒除網癮, 不再迷“網”, 也避免其產生更為嚴重的心理和行為后果。

Arnone, M. P., Reynolds, R., & Marshall, T. (2009). The effect of early adolescents’ psychological needs satisfaction upon their perceived competence in information skills and intrinsic motivation for research.,(2), 115?134.

Borsboom, D. (2017). A network theory of mental disorders.,(1), 5?13.

Borsboom, D., & Cramer, A. O. (2013). Network analysis: An integrative approach to the structure of psychopathology.,, 91?121.

Bu, H., Chi, X., & Qu, D. (2021). Prevalence and predictors of the persistence and incidence of adolescent Internet addiction in Mainland China: A two-year longitudinal study.,, 107039.

Cai, Y., Cui, L., & Li, X. (2007). A research on the psychological needs of teenagers’ online game behaviors.(1), 179?172.

[才源源, 崔麗娟, 李昕. (2007). 青少年網絡游戲行為的心理需求研究.(1), 169?172.]

Cao, F., & Su, L. (2007). Internet addiction among Chinese adolescents: Prevalence and psychological features.(3), 275?281.

Chang, F., Chiu, C., Lee, C., Chen, P., & Miao, N. (2014). Predictors of the initiation and persistence of Internet addiction among adolescents in Taiwan.,(10), 1434?1440.

Chi, X., Hong, X., & Chen, X. (2020). Profiles and sociodemographic correlates of Internet addiction in early adolescents in southern China., 106385.

China Internet Network Information Center. (2022).Beijing: CNNIC. http://www.cnnic.cn/n4/2022/0914/c88-10226.html

Choo, H., Chng, G. S., Gentile, D. A., & Lau, S. P. (2021). The role of peer support in the growth trajectory of pathological Internet use among youth: A protective factor.,(8), 558?565.

Deng, L., Ma, B., & Wu, Y. (2015). Attachment and subjective well-being of junior middle school students: The mediating role of self esteem.,(2), 230?238.

[鄧林園, 馬博輝, 武永新. (2015). 初中生依戀與主觀幸福感: 自尊的中介作用.(2), 230?238.]

Epskamp, S., & Fried, E. I. (2018). A tutorial on regularized partial correlation networks.,(4), 617?634.

Gao, W., & Chen, Z. (2006). A study on psychopathology and psychotherapy of Internet addiction.,(04), 596?603.

[高文斌, 陳祉妍. (2006). 網絡成癮病理心理機制及綜合心理干預研究.(4), 596?603.]

Giordano, A. L., Prosek, E. A., Bain, C., Malacara, A., Turner, J., Schunemann, K., & Schmit, M. K. (2020). Withdrawal symptoms among American collegiate internet gamers.(1), 63?77.

Griffiths, M. (1998). Internet addiction: Does it really exist? In J. Gackenbach (Ed.),(pp. 61?75). Academic Press.

Güzel, N., Kahveci, ?., Solak, N., C?mert, M., & Turan, F. N. (2018). Internet addiction and its impact on physical health.,(2), 32?36.

Hirota, T., McElroy, E., & So, R. (2021). Network analysis of Internet addiction symptoms among a clinical sample of Japanese adolescents with autism spectrum disorder.(8), 2764?2772.

Hong, B., Zalesky, A., Cocchi, L., Fornito, A., Choi, J., Kim, H., … Yi, H. (2013). Decreased Functional Brain Connectivity in Adolescents with Internet Addiction.(2), Article e57831. https://doi.org/10.1371/journal. pone.0057831

Hong, S., You, S., Kim, E., & No, U. (2014). A group-based modeling approach to estimating longitudinal trajectories of Korean adolescents’ online game time.,, 9?15.

Kaptsis, D., King, D. L., Delfabbro, P. H., & Gradisar, M. (2016). Withdrawal symptoms in Internet gaming disorder: A systematic review., 58?66.

Kuss, D. J., Griffiths, D., Karila, L., & Billieux, J. (2014). Internet addiction: A systematic review of epidemiological research for the last decade.,(25), 4026?4052.

Kuss, D. J., Van Rooij, A. J., Shorter, G. W., Griffiths, M. D., & van de Mheen, D. (2013). Internet addiction in adolescents: Prevalence and risk factors.,(5), 1987?1996.

Lee, M. S., Oh, E. Y., Cho, S. M., Hong, M. J., & Moon, J. S. (2001). An assessment of adolescent Internet addiction problems related to depression, social anxiety and peer relationship.,(4), 616?628.

Liang, Y., Zheng H., & Liu, Z. (2020). Changes in the network of posttraumatic stress disorder among children after the Wenchuan earthquake: A four-year longitudinal study.,(11), 1301?1312.

[梁一鳴, 鄭昊, 劉正奎. (2020). 震后兒童創傷后應激障礙的癥狀網絡演化.(11), 1301?1312.]

Liu, Q., Fang, X., Wan, J., & Zhou, Z. (2016). Need satisfaction and adolescent pathological Internet use: Comparison of satisfaction perceived online and offline., 695?700.

Lu, J., Liu, W., He, W., Yuan, J., Zhu, P., Lu, S., … Tian, X. (2009). An investigation of the Status quo of China’s Contemporary Youth’s Affective Quality.,(12), 1152?1164.

[盧家楣, 劉偉, 賀雯, 袁軍, 竺培梁, 盧盛華, ... 田學英. (2009). 我國當代青少年情感素質現狀調查.(12), 1152?1164.]

Liu, S., Xu, B., Zhang, D., Tian, Y., & Wu, X. (2022). Core symptoms and symptom relationships of problematic internet use across early, middle, and late adolescence: A network analysis., 107090.

Muthén, B., & Muthén, L. (2017).(pp. 507?518). Chapman and Hall/CRC.

Opsahl, T., Agneessens, F., & Skvoretz, J. (2010). Node centrality in weighted networks: Generalizing degree and shortest paths.,(3), 245?251.

Pan, Y., Chiu, Y., & Lin, Y. (2020). Systematic review and meta-analysis of epidemiology of Internet addiction., 118, 612?622.

Robinaugh, D., Hoekstra, R., Toner, E., & Borsboom, D. (2020). The network approach to psychopathology: A review of the literature 2008?2018 and an agenda for future research.(3), 353?366.

Say, G., & Batigun, A. D. (2016). The assessment of the relationship between problematic internet use and parent-adolescent relationship quality, loneliness, anger, and problem-solving skills., 324?334.

Schimmenti, A., Passanisi, A., Caretti, V., La Marca, L., Granieri, A., Iacolino, C., ... Billieux, J. (2017). Traumatic experiences, alexithymia, and Internet addiction symptoms among late adolescents: A moderated mediation analysis.,, 314?320.

Shek, D. T., Tang, V. M., & Lo, C. Y. (2008). Internet addiction in Chinese adolescents in Hong Kong: Assessment, profiles, and psychosocial correlates.,, 776?787.

Shen, Y., & Zhang, J. (2011). Influence of group guidance on second grade junior middle school students’ class environment.,(3), 410?412.

[沈永江, 張景煥. (2011). 團體心理輔導對初二學生班級環境的影響.(3), 410?412.]

Singh, N., & Barmola, K. C. (2015). Internet addiction, mental health and academic performance of school students/ adolescent.,, 98?108.

Suler, J. (2004). Computer and cyberspace “addiction”.(4), 359?362.

Tibshirani, R. (1996). Regression shrinkage and selection via the lasso.,(1), 267?288.

Tio, P., Epskamp, S., Noordhof, A., & Borsboom, D. (2016). Mapping the manuals of madness: Comparing the ICD‐10 and DSM-IV-TR using a network approach.,(4), 267?276.

Tokunaga, R. S. (2015). Perspectives on Internet addiction, problematic Internet use, and deficient self-regulation: Contributions of communication research.(1), 131?161.

Van Borkulo, C. D., Borsboom, D., Epskamp, S., Blanken, T. F., Boschloo, L., Schoevers, R. A., & Waldorp, L. J. (2014). A new method for constructing networks from binary data.,(1), 1?10.

Van Borkulo, C., Boschloo, L., Borsboom, D., Penninx, B. W., Waldorp, L. J., & Schoevers, R. A. (2015). Association of symptom network structure with the course of depression(12), 1219?1226.

Van Borkulo, C. D., van Bork, R., Boschloo, L., Kossakowski, J. J., Tio, P., Schoevers, R. A., ... Waldorp, L. J. (2022). Comparing network structures on three aspects: A permutation test.Advance online publication. https://doi.org/10.1037/met0000476

Wang, M., Deng, Q., & Bi, X. (2017). Latent variable modeling using Bayesian methods.,(10), 1682?1695.

[王孟成, 鄧倩文, 畢向陽. (2017). 潛變量建模的貝葉斯方法.(10), 1682?1695.]

Yee, N. (2006). Motivations for play in online games.,(6), 772?775.

Young, K. S. (1998). Internet addiction: The emergence of a new clinical disorder.,, 237?244.

Young, K. S. (1999). Internet addiction: Symptoms, evaluation and treatment. In C L. VandeCreek & T. L. Jackson (Eds.),(Vol. 17, pp. 351?352). Professional Resource Press.

Zhang, J., Jiao, C., & Zhang, M. (2010). Application of latent class analysis in psychological research.,(12), 1991?1998.

[張潔婷, 焦璨, 張敏強. (2010). 潛在類別分析技術在心理學研究中的應用.(12), 1991?1998.]

Zhang, M., & Bian, Y. (2021). An analysis of the brain structures underlying the link between pathological Internet use and anxiety.,, 106632.

Zhou, X., Zhen, R., & Wu, X. (2018). Trajectories of problematic internet use among adolescents over time since Wenchuan earthquake.,, 86?92.

附表1 正常組與風險組被試初測時人口統計學信息

分類變量正常組 (n = 1130)風險組 (n =149) n%n% 性別 男60553.55738.3 女52546.59261.7 年齡(初測) 11221.910.7 1262255.09060.4 1342938.05536.9 14544.821.3 1530.320.7 獨生子女 是42837.96140.9 否69961.98859.1 未報告30.2–– 生長地 農村13712.11812.2 城市99287.813087.2 未報告10.110.6 父親文化水平 初中及其以下34630.65234.9 高中及其以上70162.08154.4 未報告837.41610.7 母親文化水平 初中及其以下42537.66040.3 高中及其以上62755.57751.7 未報告786.9128.0 家庭結構 完整106594.213590.6 不完整565.0149.4 未報告90.821.3

附圖1 三次網絡的中介性和接近性指標估計結果

附圖2 三個網絡中的邊緣權重的自舉置信區間

注：T：各時間點網癮得分均值, G：性別; 紅線表示邊緣權重值, 灰色區域表示95%置信區間。

附圖3 三次網絡邊緣強度差異性檢驗

注：T：各時間點網癮得分均值, G：性別; 黑框表示兩個節點間存在顯著差異。

附圖4 三次網絡子集自舉結果

注：T：各時間點網癮得分均值, G：性別。

Changes in the network association of Internet addiction among heterogeneous high-risk adolescents

CHEN Shiyun1,2, QU Diyang3, BU He4, LIANG Kaixin1, ZHANG Peichao5, CHI Xinli1

(1School of Psychology, Shenzhen University, Shenzhen 518061, China)(2Department of Applied Social Science, The Hong Kong Polytechnic University, Hong Kong SAR, China)(3Vanke School of Public Health, Tsinghua University, Beijing 100091, China)(4School of Social and Public Administration, East China University of Science and Technology, Shanghai 200237, China)(5Research Centre for Modern Psychology, Wuhan University, Wuhan 430072, China)

The China Internet Information Center reported that the internet addiction rate among Chinese adolescents has reached as high as 10%, indicating that this problem has become a major social health concern among adolescents in China. Previous studies have identified one or more subgroups of adolescents whose trajectory of internet use behaviors puts them at a high risk of addiction, but further research is needed to determine and understand these high-risk groups and fill research gaps. Furthermore, most previous studies have approached the problem from the perspective of the variables of internet addiction, but its symptomatology remains poorly understood. The current study combines a growth mixture model (GMM) with network analysis to identify heterogeneous groups of adolescents at a high risk of internet addiction and to explore the changes in symptomatology in these groups.

A three-year longitudinal study followed students from the time they entered junior high school. Three assessments were conducted yearly at identical intervals (T1: October 2016 to November 2016, T2: October 2017 to November 2017, and T3: October to November 2018). Ultimately, 1, 279 adolescents (662 boys and 617 girls) completed the assessments at each time point. Internet addiction was assessed using the 10-item Internet Addiction Test. Mplus 8.0 was used for the descriptive statistics, correlation analysis, and the GMM to estimate the development trajectories of various heterogeneous groups. An R package was used to estimate the network structure and core symptoms of internet addiction of each high-risk group at each time point.

The GMM showed a normal group and a high-risk group, which consisted of adolescents who were heterogeneous in terms of the development trajectory of internet addiction. Network analysis revealed that the core symptoms of Internet addiction among the adolescents in the high-risk group differed at each time point. In the first year of junior high school, “Compulsive Internet Use”, “Lack of Satisfaction”, “Emotional Outbursts”, and “Withdrawal Symptoms” were the core symptoms. In the second year, “Lack of Satisfaction” was the core symptom, and in the third year, “Withdrawal Symptoms” became the core symptom.

This study enhances the understanding of the symptomatology of Internet addiction among high-risk adolescents, indicating that targeted interventions must be developed based on the various stages of adolescence. From the first year of junior high school, strategies should be implemented to prevent the development of Internet addiction in high-risk groups. In the second year, adolescents in the high-risk group should be identified by focusing on their satisfaction deficits. In the last year of junior high school, interventions should target adolescents’ withdrawal symptoms of Internet addiction.

Internet addiction, network analysis, trajectory, longitudinal study, symptomatology

R395

2022-01-10

* 國家社會科學基金(16CSH049), 廣東省基礎與應用基礎研究基金自然科學基金面上項目(2021A1515011330)。

遲新麗, E-mail: xinlichi@szu.edu.cn