编辑推荐：
在数字化浪潮下，抑郁症研究面临新挑战。研究人员针对情绪调节策略与抑郁症关系，融入数字倦怠（Digital Burnout）及心理保护因子展开网络分析。结果显示情绪抑制是关键节点。该研究为理解抑郁症提供新视角，助力临床和公共卫生政策制定。
在当今数字时代，人们的生活越来越离不开各种电子设备。然而，过度使用数字设备带来的数字倦怠问题逐渐凸显，它像一个隐藏在暗处的 “健康杀手”，悄然影响着人们的心理健康。与此同时，抑郁症作为一种常见的精神障碍，全球约有 2.8 亿人深受其害，不仅给患者自身带来身心痛苦，也给社会造成了沉重的负担。传统的抑郁症研究多聚焦于单一因素，难以全面揭示抑郁症的发病机制。而且，数字时代的压力源，如数字倦怠，在抑郁症研究中的整合还很有限，同时对于多种心理保护因子在抑郁症网络中的协同作用也知之甚少。为了填补这些知识空白，深入探究抑郁症在数字时代的发病机制，宁夏大学教育与教师学院心理学系以及山东第一医科大学山东省医学科学院的研究人员 Yuting Zhan 和 Xu Ding 展开了一项关于 “Network analysis of depression emotion suppression digital burnout and protective psychological factors” 的研究，相关成果发表在《Scientific Reports》上。
研究人员采用了网络分析的方法。他们从 9673 名参与者中，经过筛选最终确定了 9400 名符合条件的参与者，这些参与者来自社区中心、大学和企业等不同场所。研究使用了多种已在国内人群中验证过的量表，如数字倦怠量表（Digital Burnout Scale，DBS）、Connor-Davidson 心理弹性量表（Connor-Davidson resilience scale，CD-RISC）等。通过专业的调查平台 Credamo 进行线上调查，收集数据后，利用 R 语言中的相关软件包进行网络估计、推理、稳定性和准确性分析以及社区检测等操作 。
在研究结果方面：
- 整体网络特征：构建的网络包含 7 个节点和 21 条非零边，呈现出紧密连接的网络结构。
- 网络中心性和结构：情绪抑制在网络中处于核心地位，其介数中心性为 2.268、接近中心性为 1.302、强度中心性为 1.157，并且与抑郁症（0.890）和数字倦怠（0.848）都有很强的正相关关系。抑郁症也具有较高的中心性，其接近中心性为 0.859、强度中心性为 0.783 。认知重评与抑郁症（-0.42）和数字倦怠（-0.38）呈中度负相关，与保护因子如心理弹性（0.45）和正念（0.51）呈正相关，在网络中发挥着相对不那么核心但仍重要的作用。节点的平均可预测性为 39.5%，其中认知重评最低（23.8%），抑郁症最高（74.4%）。
- 网络稳定性和准确性：网络稳定性系数（CS - coefficients）在所有中心性测量指标上都超过 0.75，远高于推荐阈值 0.5，表明网络稳定性良好。边缘权重准确性分析显示，情绪抑制与抑郁症、情绪抑制与数字倦怠之间的最强连接具有很窄的置信区间，说明这些关键关系的可靠性高。
- 聚类模式和社区结构：通过分析发现了两个明显的社区。风险因子社区由抑郁症、数字倦怠组成，情绪抑制在其中起到连接其他网络组件的桥梁作用；保护因子社区包含自我同情、心理弹性和正念，它们之间相互紧密连接，并且与风险因子社区呈负相关关系。睡眠质量属于保护因子社区，但与两个社区都有联系。
在研究结论和讨论部分，此次研究有诸多重要意义。首先，情绪抑制在抑郁症网络中的关键作用表明，针对情绪调节策略的干预措施可能对治疗抑郁症非常有效。比如，可以通过训练患者采用更积极的情绪调节方式，减少情绪抑制的使用，从而缓解抑郁症状。其次，数字倦怠作为一个重要的连接变量，意味着关注数字健康的干预措施，如合理控制数字设备使用时间等，可能会对心理健康产生连锁的积极影响。再者，保护因子社区的发现提示，同时针对心理弹性、自我同情和正念的综合干预措施，可能比单独针对某一个保护因子的干预更能有效地预防和治疗抑郁症。然而，该研究也存在一些局限性，如样本采用便利抽样，可能导致研究结果的普遍性受限；使用自我报告测量方法可能存在共同方法偏差；数据的横断面性质无法确定变量之间的因果关系等 。尽管如此，这项研究依然为抑郁症在数字时代的研究开辟了新的方向，让人们对抑郁症的发病机制有了更深入的理解，为临床实践和公共卫生政策的制定提供了重要的参考依据，有助于推动心理健康领域的进一步发展。
