中国大学生社交网络成瘾的潜在类别分析及SNAS-C量表最佳截断值研究

推荐：针对中国大学生社交网络成瘾（SNA）筛查工具缺乏共识的问题，研究人员通过潜在剖面分析（LPA）和受试者工作特征（ROC）曲线分析，验证了21项中文版社交网络成瘾量表（SNAS-C）的效能，确定最佳截断值为72分（灵敏度98.2%，特异度96.86%），为临床筛查和干预提供了精准工具。

　　

在数字化浪潮席卷全球的今天，社交网络已成为中国大学生日常生活中不可或缺的组成部分。然而，这种便利的沟通方式背后隐藏着一个日益严峻的问题——社交网络成瘾（Social Network Addiction, SNA）。数据显示，中国社交网络用户已突破10亿，其中大学生群体尤为活跃。过度使用社交网络不仅会导致学业成绩下滑、人际关系疏离，更与焦虑、抑郁等心理问题密切相关。令人担忧的是，目前国际上常用的SNA评估工具如Bergen Facebook成瘾量表（BFAS）和社交媒体障碍量表（SMDS）均基于西方社交平台设计，无法准确反映中国特有的微信、微博等平台的使用模式和文化背景。这种"平台功能错位"和"文化价值偏差"使得现有工具在中国大学生群体中的适用性大打折扣。

针对这一困境，贵州师范大学的研究团队开展了一项开创性研究。他们以Shahnawaz和Rehman开发的社交网络成瘾量表（SNAS）为基础，通过标准化跨文化验证流程，成功开发出中文版SNAS-C量表。这项发表在《International Journal of Mental Health Promotion》的研究，采用潜在剖面分析（LPA）和ROC曲线分析相结合的方法，对中国3387名大学生进行了系统评估，最终确定了SNAS-C的最佳诊断截断值。

研究团队采用了三项关键技术：首先，通过分层多阶段抽样获取代表性样本；其次，运用LPA识别潜在风险群体；最后，采用ROC曲线分析确定最佳截断值。特别值得注意的是，研究通过训练样本（n=1694）和验证样本（n=1693）的双重验证确保了结果的可靠性。

研究结果部分呈现了多项重要发现：

3.1. 参与者特征
样本平均年龄19.15岁，女性占66.67%，农村生源占74.11%，理科和工科专业合计占比83.17%，大一、大二学生占99.38%，反映了中国高校的典型人口学特征。

3.2. LPA结果
通过信息准则（AIC、BIC、aBIC）和熵值分析，确定3剖面模型最优，将人群分为无风险（25.65%）、低风险（47.40%）和高风险（26.65%）三类。高熵值（0.950）和显著组间差异（Cohen's d>0.80）证实了分类的准确性。

3.3. ROC分析结果
以高风险组为"阳性"标准，ROC曲线下面积（AUC）达0.96，确定72分为最佳截断值，灵敏度98.2%，特异度96.86%，总体分类准确率97.0%。

3.4. SNAS-C各维度比较
高风险组在显著性、情绪调节、耐受性等6个维度得分均显著高于低风险组（p<0.05），证实了量表的区分效度。

3.5. 外部因素比较
高风险组数字媒体依赖（DMUD）得分（35.36±8.47）、社交网络使用频率（6.89±0.61天/周）和网络成瘾（YDQ）阳性率（87.20%）均显著高于其他组（p<0.05），验证了外部效度。

这项研究的结论部分指出，SNAS-C量表72分的截断值具有极高的敏感性和特异性，能够有效区分中国大学生的SNA风险等级。研究不仅填补了本土化评估工具的空白，更揭示了SNA与数字媒体依赖、网络使用频率等行为特征的密切关联。值得注意的是，研究中30.35%的高风险比例显著高于全球大学生平均水平（18.4%），凸显了中国大学生群体面临的特殊挑战。

尽管存在样本代表性（偏重低年级）和缺乏临床金标准验证等局限，但这项研究为后续SNA的机制探索和干预研究奠定了重要基础。特别是LPA与ROC结合的创新方法，为行为成瘾研究提供了新范式。未来研究可进一步验证该截断值在不同人群中的适用性，并探索其与网络游戏障碍等共病的关系，为制定针对性的预防策略提供科学依据。