评估自我调节学习过程中的时间动态变化，以预测参与者在数字健康干预中的投入程度

《Behavior Therapy》：Assessing the temporal dynamics in self-regulated learning constructs as predictors of engagement in a digital health intervention

自调节学习（SRL）变量在六周数字健康干预（DHI）中呈现显著时间变化，后期测量对参与度（如模块完成数、技能解锁数）的预测力更强。纵向分析显示，SRL大部分方差来自个体内波动（ICC<0.40），且动机、自我效能等指标与参与度相关性随时间增强。研究强调需动态评估SRL等预测因子，而非仅依赖基线数据。

　　自导式数字健康干预（DHIs）的潜力常常受到用户参与度不足的限制。尽管过去的研究已经识别了影响参与度的多种预测因素，但这些因素的预测效果往往较小，并且在不同研究中难以重复。这种预测效果不佳的部分原因可能在于该领域对预测因素的评估主要集中在干预开始前的基线阶段，而忽略了用户在使用过程中的动态变化。自我调节学习（SRL）作为影响用户参与度的重要过程，提供了一个新的视角来理解这一现象。因为大多数DHIs以自我指导的心理教育材料为主要形式，因此SRL在其中可能起到关键作用。本研究旨在探讨SRL变量在为期六周的随机对照试验（RCT）中的变化情况，以及这些变化是否会影响其对三个参与度指标的预测能力：完成的模块数量、每周评估完成次数和解锁的技能活动。

在数字健康干预领域，自导式干预方式正逐渐受到关注，因为其在降低多种心理健康问题（如抑郁症、焦虑症、进食障碍和物质滥用）方面的潜力。此外，DHIs还具有成本低廉和灵活性高的优势，允许用户在自己选择的时间、地点和节奏下获取定制化的支持。然而，用户参与度不足仍然是一个主要挑战。许多自导式干预试验中，超过85%的参与者未能完成所有推荐的治疗模块，而在短短几周后，接近70%的用户可能会停止使用。行业数据也显示，大约75%的用户在仅进行10次登录后就会放弃使用智能手机应用程序，而30天内的留存率更是下降至3.4%。这表明，用户在使用过程中的持续参与是一个复杂的问题，需要更深入的理解和应对策略。

为了更好地理解参与度变化的驱动因素，研究者们正在努力识别影响用户参与度的潜在变量。然而，目前关于这些预测因素的证据仍然薄弱且不一致。例如，虽然一些研究发现基本特征（如年龄、性别、教育水平和初始动机）与参与度有关，但其他研究未能在相似的人群、研究设计和分析方法下复制这些发现。因此，我们仍然不清楚哪些人群更有可能保持参与，以及在参与度开始下降时，应采取哪些措施来维持用户的积极性。

一个可能的原因是，大多数使用DHIs的临床试验并未专门设计用于预测参与度。因此，预测变量通常是临时选择的，且多基于基线阶段的通用变量。这种做法隐含着一个假设，即这些变量在整个用户旅程中保持不变。然而，这种假设可能是错误的。纵向研究的证据表明，如动机等常用预测变量可能会随时间显著波动，通常是对个人需求、经历或情况变化的反应。更重要的是，一项先前研究显示，动机随时间的变化与完成具有挑战性任务的意愿增加相关。这些发现与教育心理学中关于学习和参与度的动态和时间性动机过程的理论模型高度一致。

另一个关键限制是，仅依赖基线评估可能会忽视用户在开始干预时可能存在的高估动机和能力的现象。健康心理学和行为改变领域的研究表明，人们可能会高估自己改变行为的准备程度，以及学习和维持新行为的能力。这种过度自信可能源于有限的自我意识或对DHIs缺乏经验。然而，行为改变对某些人来说尤为困难，这使得公共卫生项目在减少有害行为（如戒烟和减少酒精滥用）和促进“健康”行为（如增加体育活动）方面成效甚微。根据Morrison（2015）的观点，实现和维持有意义的行为改变通常需要大量的努力，因此很少被视为一种愉快的过程。对于那些缺乏行为改变经验或对DHIs不太熟悉的人来说，他们可能在基线阶段低估了干预的挑战性，从而在后续阶段感到措手不及。

因此，基线测量只能提供一个狭窄的视角，无法全面反映影响DHIs参与度的因素和过程。过度依赖基线预测变量可能会忽视这些变量在用户旅程后期的变化，进而导致对它们整体影响的误判。尽管存在这些重要限制，该领域在超越基线变量的使用方面仍显得不足。因此，目前尚不清楚预测变量是否会随时间发生变化，以及这些变化是否会影响其与DHIs参与度的关系。

从自我调节学习的角度来看，我们可以通过更广泛的视角来理解DHIs的参与度。将用户视为学习者，有助于识别和理解他们在干预过程中的动态变化。自我调节学习是指一种灵活、自我驱动的过程，通过调节自己的思想、行为和情绪来提高参与度和学习效果。心理教育是许多DHIs的重要组成部分，尤其是那些完全自导的程序，其中治疗内容以结构化的“课程”形式提供，包括未指导的视频、书面材料、音频记录和视觉信息图。因此，用户需要主动管理自己的学习过程，而传统护理则通常要求较少的患者自主性。

虽然这种治疗方式对某些人可能适合，但假设所有参与DHIs的用户都具备良好的自我调节学习能力是不合理的。教育研究的证据表明，人们在自我调节学习能力上存在显著差异，那些能力有限的人在启动和维持关键学习过程时可能会遇到困难。这包括动机信念（如自我效能、结果预期、任务兴趣和任务价值）、情绪和元认知策略（如自我控制、自我监控和自我反思）。在DHIs的背景下，这些个体可能会在面对复杂或密集的信息时感到不知所措，从而降低他们维持长期参与的动力。相反，那些具备较高自我调节学习能力的用户则更有可能获取新信息，适应不同的学习任务，并保持对DHIs的动机、兴趣和积极态度，即使在遇到挫折时也更可能继续参与。

此外，自我调节学习的文献长期以来强调动机、学习和参与的动态和时间性。将自我调节学习视为一种可塑的技能和过程，认为它们会随着时间的推移在个体之间波动。这一视角为该领域亟需的纵向研究提供了有用的指导框架，这些研究应考虑影响DHIs参与度的因素的时间变化，以及这些变化是否会影响其与参与度的关系。

基于这些背景，本研究旨在评估自我调节学习变量在预测DHIs参与度中的时间动态。具体来说，第一项研究目标是检查关键SRL变量在六周干预试验期间的个体间和个体内的变化。根据现有文献，我们假设这些SRL变量会随时间波动。如果这一假设成立，第二项研究目标是评估在干预后期测量的SRL变量是否比基线测量更能预测参与度。我们假设在接近用户退出的阶段测量的SRL变量会比基线测量更准确地预测参与度结果。

研究采用了纵向分析方法，对113名参与者的SRL变量进行了六次测量（T1-T6）。研究发现，SRL变量在用户旅程中的变化显著，且大多数变异归因于个体内的差异。所有SRL变量在试验期间均表现出个体内的变化，只有不到11%的参与者在所有时间点上保持不变。此外，SRL变量与参与度指标之间的相关系数在试验后期变得更加显著和积极，表明后期测量的SRL变量对参与度的预测能力更强。这一发现与现有文献一致，即基线变量与DHIs参与度之间的关联较弱且不可靠。然而，这是首次显示DHIs中的预测变量在不同时间点上的显著变化，并且这些变化对预测能力有实际影响。

研究结果表明，SRL变量在用户旅程中并非固定不变，而是随时间波动的动态过程。例如，初期使用DHI应用时，动机可能会迅速下降，但随着用户逐渐掌握技能并体验到实际的治疗效果，动机又会逐渐回升。这种变化可能反映了用户在面对初始挑战时的挫败感，以及随后在掌握技能和看到积极结果时的成就感。然而，这种模式也可能受到幸存者偏差的影响，因为那些在后期继续完成研究测量的用户可能本身就更具参与动机。

此外，研究还发现，SRL变量在后期对参与度的预测能力增强，这可能是因为基线测量更多地反映了用户对干预的初始期望，而后期测量则受到实际经历的影响。例如，用户可能在学习某些心理教育概念或实施推荐的治疗技能时遇到困难，这些累积的经历可能增强他们对自身能力的自我意识，从而更准确地反映他们的参与度。因此，对SRL变量的多次测量有助于更细致地探索这些变量如何与参与度的变化相关联。

本研究的发现对未来的数字健康干预设计具有重要意义。如果SRL变量确实如研究所示那样波动，那么研究者和开发者应考虑设计能够响应用户不断变化的需求和动机状态的干预措施。例如，如果能够识别某些参与度驱动因素在特定阶段自然下降，可以在这些关键阶段提供有针对性的支持。这可能包括在DHI中嵌入“即时支持”功能或阶段性的保留策略，以在用户动机下降时有效提升参与度。对于智能手机应用程序干预，这可能包括推送通知，这些通知可以在检测到用户不活跃或未完成模块时，提供个性化的鼓励信息，以增强自我效能和动机。

然而，本研究也存在一些局限性。首先，大多数参与者为白人女性，未来的研究应努力扩大样本群体，以验证这些SRL预测变量的变化轨迹及其与参与度的关系是否能在不同的种族、性别认同、临床表现和其他DHI格式（如基于网络的干预或可穿戴设备干预）中得到复制。其次，尽管有积极的初始参与，仍有大量参与者未能完成至少两次评估，导致只有四分之一的原始试验参与者被纳入纵向分析。虽然这些数据与该领域其他研究中观察到的流失模式一致，但它们也提醒我们在解释研究结果时需要保持谨慎，并进一步解决数字健康研究中过早流失的问题。

此外，本研究依赖于自我报告量表来评估SRL变量，这可能导致偏差，从而夸大或缩小效应大小。因此，未来的研究应考虑使用更客观的SRL测量方法，例如知识获取、治疗技能实施和目标设定策略。同时，本研究对参与度的评估仅在试验结束时进行，而不是在整个六周过程中持续监测。因此，未来的一个重要方向是提高参与度测量的粒度，以更详细地探讨SRL变量变化如何影响参与度的波动。具体而言，可以研究参与度如何在SRL变量随时间变化时发生改变。

最后，本研究中观察到的关系是相关的，而非因果的，这限制了我们对因果关系的推断。鉴于将SRL视角应用于DHIs是一个相对较新的领域，未来需要更多的研究来确定实验性地加强关键SRL变量的能力是否能提高DHIs的参与度。通过更深入地理解SRL变量在用户旅程中的动态变化及其与参与度的相互作用，我们可能能够找到在必要时提高参与度的机会，并最终最大化那些使用DHIs的人的治疗效果。