个性化网络建模在心理治疗个案概念化中的可行性研究：主观先验网络与数据驱动网络的比较

《Cognitive Therapy and Research》：Conceptualizing Student Problem Dynamics Using Idiographic and Data-Driven Networks: A Feasibility Trial

本研究针对传统个案概念化忽略个体异质性问题，比较了主观先验网络、数据驱动网络和PREMISE整合网络在心理学学生样本中的面部效度。研究发现主观先验网络被评价为最具面部效度，其概念化过程被认为最有用，而PREMISE方法在数据有限时显示出应用潜力，为个性化心理治疗提供了新思路。

　　

在临床心理学和心理治疗领域，个案概念化一直是理解患者问题的核心工具。然而，传统的个案概念化方法主要基于群体水平的疾病模型，往往忽视了心理病理学的个体异质性。这些方法虽然有着丰富的理论支持和临床经验积累，但在标准化、形式化、可重复性和简洁性方面存在明显不足。更为关键的是，它们往往难以进行实证检验，容易受到确认偏误的影响。

近年来，网络分析方法为心理病理学研究提供了新的视角。与传统的潜变量模型不同，网络方法将心理病理学概念化为症状之间相互作用的动态系统。在这一框架下，每个临床变量（如睡眠问题）代表一个节点，节点之间通过边（症状关联）相连接。这些边可以表示有向的时间关系（随时间变化的预测效应）或无向的共时关系（控制时间效应后的残差关联）。

尽管网络方法在理论上有很大潜力，但在临床实践中面临一个重要挑战：如何建立可靠的个体化网络模型？目前主要有三种途径：主观先验网络、数据驱动网络和整合网络。主观先验网络基于临床专业知识、既有的心理病理学模型和患者的个人经验，如感知因果网络（PECAN）方法；数据驱动网络则使用生态瞬时评估（EMA）收集的密集时间序列数据，通过图形向量自回归（GVAR）模型进行估计；而整合网络（如PREMISE方法）则尝试将主观先验信息与纵向EMA数据相结合。

然而，这些方法各有优劣，且目前尚不清楚哪种网络模型能提供最直观、最有用的个案概念化信息。主观先验网络虽然不需要大量数据，但受到患者和治疗师认知偏误的影响；数据驱动网络虽然客观，但需要大量的观察点，这在临床实践中往往难以实现；整合网络试图平衡两者，但相关研究仍处于起步阶段。

为了解决这一问题，德国马尔堡大学的研究团队在《Cognitive Therapy and Research》上发表了一项可行性试验研究。该研究旨在比较不同网络模型的面部效度，评估PREMISE程序各阶段的主观效用，并检验实施EMA协议进行网络知情治疗的可行性和无害性。

研究人员招募了63名临床心理学硕士生作为参与者。研究采用纵向队列设计，包括三个主要阶段：主观先验网络概念化阶段、EMA评估阶段和网络反馈阶段。在主观先验网络概念化阶段，参与者两人一组，分别扮演来访者和治疗师的角色，共同探讨一个自选的、具有中等负担的日常问题（如公众演讲焦虑）。他们需要详细阐述六个核心问题维度（认知、情感、行为、注意、自我和动机），并为每个维度生成可在EMA中量化的项目。随后，参与者估计了这些维度之间关系的强度，构建出主观先验网络。

在EMA阶段，参与者通过智能手机应用程序在15天内每天7次完成自编的问卷评估。这些数据随后用于构建数据驱动网络，包括时间非正则化网络、共时非正则化网络和共时贝叶斯网络。最后，在网络反馈阶段，训练有素的治疗师向参与者展示了五种不同的网络模型，并请他们评估每种模型的面部效度。

研究采用多种评估工具。抑郁、焦虑和压力水平通过抑郁-焦虑-压力量表（DASS-21）进行评估；主观效用则通过移动应用评定量表用户版（uMARS）的六个项目进行评估；网络的面部效度通过7点李克特量表进行评分。

关键技术方法方面，研究主要采用了生态瞬时评估（EMA）技术，通过智能手机应用程序对63名心理学学生进行每天7次、连续15天的密集纵向数据采集；使用图形向量自回归（GVAR）模型构建个体化心理病理学网络；应用PREMISE（Prior Elicitation Module for Idiographic System Estimation）方法整合主观先验网络与EMA数据；采用贝叶斯估计方法处理网络参数的不确定性；并通过单盲程序评估不同网络模型的面部效度。

面部效度研究结果

研究发现，不同网络模型的面部效度存在显著差异（F(4, 300)=6.19, p<0.001, η_p²=0.08）。时间非正则化网络的面部效度（估计边际均值=4.30）显著低于主观先验网络（估计边际均值=5.52, p<0.001, d=0.88）、共时PREMISE网络（估计边际均值=5.08, p=0.017, d=0.56）和共时非正则化网络（估计边际均值=5.03, p=0.031, d=0.52）。主观先验网络在描述性统计上显示出最高的面部效度，尽管它仅与时间非正则化网络有显著差异。

有趣的是，EMA应答率对网络面部效度的调节作用不显著（χ²(1)=3.07, p=0.080），且与网络类型无显著交互作用（χ²(4)=4.70, p=0.320）。然而，应答率与所有数据驱动网络的面部效度相关性（时间非正则化：r=0.24, p=0.069；共时非正则化：r=0.32, p=0.014；共时贝叶斯：r=0.22, p=0.087）高于仅部分依赖数据的共时PREMISE网络（r=0.13, p=0.333）和完全不依赖数据的主观先验网络（r=0.03, p=0.807）。

主观效用研究结果

研究阶段的主观效用存在显著差异（F(2,110)=13.07, p<0.001, η_p²=0.19）。主观先验网络概念化的平均感知效用得分（估计边际均值=19.21）显著高于EMA阶段（估计边际均值=16.39, p<0.001, d=0.78）和网络反馈（估计边际均值=16.04, p<0.001, d=0.88）。EMA阶段和网络反馈之间无显著差异（p=0.860）。

如图4所示，主观先验网络概念化在所有效用领域（问题意识、问题知识、改变态度、改变动机、求助意愿和问题解决）都描述性地显示出最大效用，特别是在改变动机、问题解决和问题知识方面。网络反馈仅在问题知识领域比EMA阶段略有用。

可行性研究结果

EMA期间的平均应答次数为55.81次（总共105次），应答率为53%（SD=20%，范围：4%至89%）。这一应答率显著低于Fisher等人（2017）的研究，等效性检验显示不等效（t(92.81)=-8.75, p=1）。与Wrzus和Neubauer（2023）的元分析结果（平均应答率79%，SD=14%）相比，本研究中的应答率也相对较低，且变异性较大。

无害性研究结果

EMA期间对情绪状态无明显不良影响。抑郁症状报告从前测到后测不等效（t(62)=1.66, p=0.051），但单侧配对样本t检验显示差异不显著（t(62)=-0.25, p=0.403）。探索性分析显示，焦虑（t(62)=-0.74, p=0.231）和压力（t(62)=-0.29, p=0.386）子量表也未见显著的前后测等效性，但不等效的方向是有益的，且单侧检验均不显著（焦虑：t(62)=1.16, p=0.124；压力：t(62)=1.61, p=0.056）。

案例研究结果

研究还详细分析了一个典型案例，该案例涉及公众演讲焦虑问题。结果显示，不同网络模型对最重要边缘的识别存在显著异质性。时间非正则化网络显示情感预测动机的关系最重要（r=0.11）；共时非正则化网络显示注意与行为（r=0.99）、注意与动机（r=-0.99）及行为与动机（r=0.99）的关系同等重要；主观先验网络显示情感与行为（r=0.90）及情感与动机（r=0.90）的关系最重要；共时贝叶斯网络显示情感与注意的关系最重要（r=0.52）；共时PREMISE网络则显示注意与动机的关系最重要（r=0.42）。唯一在所有模型中 consistently 位列前三强关系的是情感与注意之间的连接。

该案例的时间序列数据表现出明显的地板效应，变异性低，仅有少数几个高峰活动 spikes，表明问题维度具有很强的背景依赖性。这种数据特征给网络建模带来了挑战，特别是导致共时非正则化网络中出现异常高的相关性。

研究的讨论部分深入分析了这些发现的意义。时间网络面部效度较低可能源于多个因素：研究使用的是共时先验网络，可能使参与者对网络的期望偏向于共时关系；平均应答次数较少（M=59）可能导致时间网络敏感性不足；或者问题动态的时间尺度可能短于两小时，使得时间网络捕捉到的动态与主观先验网络不同。

主观先验网络被评价为最具面部效度，可能是因为它基于参与者直观的双变量相关估计，而其他模型展示的是基于（有时是嘈杂的）EMA数据的偏相关。此外，时间序列数据的描述性统计显示，某些个体存在地板效应（极少出现天花板效应），这限制了数据驱动网络的准确估计。

共时PREMISE网络与主观先验网络和数据驱动共时网络具有相似的面部效度，且其面部效度与EMA应答率的相关性较弱于纯数据驱动模型。由于PREMISE网络能够缓解临床心理学中EMA数据稀缺导致的问题，本研究结果支持其进一步应用和研究。

讨论还指出了本研究的多个局限性。样本特征方面，参与者是心理学学生，可能对网络模型存在积极性偏误；他们受过自我反思和个案概念化训练，其先验网络可能确实更准确。PREMISE方法的实施方面，参与者没有提供主观先验网络关系的不确定性估计；先验的相对重要性没有个体化调整；主观先验网络概念化的指导仅是半标准化的。此外，仅基于面部效度评估网络模型忽略了其他重要标准，且研究没有提供干预背景下的数据。

基于研究发现，作者提出了对未来研究的建议（表3）。包括在实施EMA前确保高质量的主观先验网络；根据问题动态的时间尺度定制EMA计划；对罕见问题背景使用基于事件的抽样；使用多宇宙分析验证跨模型的一致性模式；限制每日提示次数（理想情况下少于7次）以提高依从性；以及考虑使用贝叶斯网络模型处理参数不确定性。

研究的结论强调，主观先验网络概念化被认为是最具主观效用的，其产生的网络具有最高的面部效度。这一发现支持在心理治疗中进行彻底的主观先验网络概念化，因为它可以改善治疗关系、EMA依从性、对网络知情干预的依从性和治疗结果。共时PREMISE网络与主观先验网络和数据驱动共时网络具有相似的面部效度，且其面部效度与EMA应答率的相关性较弱于纯数据驱动模型，因此也值得进一步应用和研究。

然而，在某些情况下，纯数据驱动网络可能更可取——特别是当没有先验知识或对问题动态高度不确定时，或者当有关于问题相关特征的广泛纵向数据可用时。从业者寻求使用数据驱动网络为治疗提供信息时，必须仔细考虑问题动态的时间尺度、问题基础率以及获得可靠且有意义的网络模型所需的观察次数。这对于罕见发生或涉及回避行为的问题尤其重要。

这项研究为个性化心理治疗的网络方法提供了重要见解，强调了将临床专业知识与实证数据相结合的价值，为未来开发更有效、更个性化的心理治疗干预措施指明了方向。