检测职业院校学生中的互联网成瘾风险：基于机器学习方法和潜在剖面分析

《Computers in Human Behavior Reports》：Detecting Internet Addiction Risk in Vocational College Students: Based on Machine Learning Approach and Latent Profile Analysis

本研究通过整合机器学习与潜在剖面分析，探讨职业院校学生网络成瘾（IA）的预测因素及亚群特征。基于1177名学生的数据，发现心理压力（焦虑、抑郁、情绪耗竭）是IA的主要风险因素。LPA揭示中等风险群体存在三类亚群："高压力与高自尊"、"中等压力与高自尊"及"低压力与高幸福感"，其中前两类亚群IA风险显著高于健康亚群。SHAP分析显示模型对心理压力的交互作用敏感，且高自尊与抑郁存在协同效应。研究为精准干预提供了理论框架。

　　
互联网成瘾（IA）作为全球性公共卫生问题，近年来在青少年群体中尤为突出。本研究聚焦于中国职业院校学生这一特殊群体，创新性地结合机器学习（ML）与潜变量分析（LPA）技术，构建了多维度预测模型并揭示潜在亚群特征。该研究通过大规模样本（N=1177）的深度分析，为精准干预提供了科学依据。

一、研究背景与核心问题
职业院校学生长期面临社会评价压力与就业焦虑的双重挑战，其IA行为模式与传统大学生存在显著差异。现有研究多从单一心理维度或行为指标切入，存在解释力有限、亚群划分模糊等问题。本研究突破传统回归模型局限，首次将机器学习与潜变量分析结合，旨在实现三重突破：建立适用于职业院校学生的IA预测模型、识别中风险群体的潜在亚型、解析复杂心理机制的交互作用。

二、方法论创新与实施路径
研究采用"双引擎驱动"方法：首先通过随机森林、逻辑回归和XGBoost三种算法构建分类模型，利用SHAP（Shapley Additive exPlanations）进行可解释性分析，确定焦虑、情绪耗竭等关键预测因子；其次对中间风险群体（46%）实施LPA，通过BIC信息准则和熵值法确定最优三组亚群。该设计有效整合了变量中心（ML）与个体中心（LPA）分析方法的优势。

三、关键研究发现
1. 预测模型性能验证
三组模型均表现出优异的预测能力（AUC 0.88-0.90），其中XGBoost模型在灵敏度（Recall=0.89）方面表现突出。SHAP分析揭示：情绪耗竭（权重系数0.82）、焦虑（0.51）、抑郁（0.05）构成核心预测因子，形成"心理 distress四联征"模型。

2. 潜在亚群特征解析
通过LPA识别出三种子群：
- 高 distress高自尊亚群（n=231）：显著特征为抑郁（14.02）、焦虑（14.00）、情绪耗竭（16.96）与矛盾性高自尊（20.23）。该亚群存在"防御性自信"现象，表面积极心态与深层心理耗竭形成应激性补偿。
- 中度 distress高自尊亚群（n=201）：焦虑（13.66）、压力（13.88）与极高自尊（21.74）构成独特组合，提示可能存在认知失调。
- 低 distress高 well-being亚群（n=109）：全维度指标均处于健康区间，验证了该群体的稳定性。

3. 交互效应与反常发现
- 自尊悖论：所有模型均显示自尊水平与IA风险正相关（d=0.24-3.41），突破传统认知保护作用假设。SHAP依赖图显示，当与抑郁共现时，自尊的负面影响被放大2.8倍。
- well-being非线性保护效应：在树模型中，该指标仅在超过13.28分时显现保护作用，提示存在剂量效应阈值。
- 跨模型协同验证：三个模型对亚群分类的AUC值均超过0.89，实现方法间多重验证。

四、理论贡献与实践启示
1. 构建多层风险解析框架
研究突破传统"高-低"二元划分，建立三级风险体系：高危（27%）、中危（46%）、低危（27%）。特别揭示中危群体存在显著异质性，为分级干预提供依据。

2. 揭示心理机制新维度
发现"情绪耗竭-社交排斥"正反馈环路：当情绪耗竭超过临界值（16.96分）时，社交排斥风险增加47%；同时，该亚群在自尊量表（20.23分）上得分高于健康群体标准差2个单位，形成保护性假象。

3. 干预策略优化方向
- 对"高 distress高自尊"亚群：需破解表面自信与深层耗竭的矛盾，建议采用暴露疗法与认知重构结合的方式
- 对"中度 distress高自尊"亚群：重点加强情绪调节能力训练，建立现实成就与虚拟满足的平衡机制
- 对"低 distress高 well-being"亚群：作为健康参照组，其维护经验可提炼为心理韧性培养范式

五、研究局限与未来方向
1. 方法论局限
- 横断面设计难以建立因果链，需后续追踪研究
- 样本局限于山西、河北、四川三地，地域文化差异可能影响结果普适性
- LPA的BIC准则在四组模型时仍存在边际改善（ΔBIC=2.25）

2. 理论拓展空间
- 需要验证"防御性自尊"中介机制是否具有跨文化适用性
- 对比分析发现，该亚群在教师-学生关系指标（8.095分）显著低于健康群体，提示教育环境改造可能成为干预突破口

3. 技术应用前景
- 开发基于SHAP解释的动态预警系统，实现风险因子实时可视化
- 构建LPA与ML的混合模型，开发个性化干预方案推荐引擎
- 结合自然语言处理技术，实现社交媒体行为的多模态监测

本研究为职业院校心理健康管理提供了新的方法论范式。通过机器学习捕捉非线性关系（如自尊与抑郁的交互效应），结合LPA实现群体细分，最终形成"预测-解析-干预"的完整链条。后续研究可进一步探索：
1. 建立跨区域、跨文化的风险预测模型通用框架
2. 开发基于潜变量特征的动态监测系统
3. 验证"心理 distress-虚拟满足"替代效应的神经机制
4. 构建教育-家庭-社会多维干预生态系统

该研究证实，职业院校学生IA风险具有显著分层特征，且传统保护因子（如自尊）在此特定群体中呈现悖论性影响。这为教育机构设计精准干预方案提供了关键数据支撑，特别是对表面心理健康指标与实际风险存在反向关联的学生群体，需要开发针对性的心理韧性培养项目。建议教育部门建立基于机器学习模型的动态风险评估系统，结合LPA亚群特征制定分层干预策略，同时加强职业院校心理健康服务资源配置，重点发展教师-学生关系质量监测与提升机制。