《BMC Psychology》：Mapping mental health complexity in esports: an exploratory psychosocial network approach
编辑推荐：
背景：电子竞技（esports，竞技性视频游戏活动）流行度快速上升，使电子竞技选手（esports players）独特的心理健康（mental health）挑战受到更多关注，但该领域研究仍处初期。早期研究提示存在显著心理健康负担，并检验了电子竞技特异性压力
背景：电子竞技（esports，竞技性视频游戏活动）流行度快速上升，使电子竞技选手（esports players）独特的心理健康（mental health）挑战受到更多关注，但该领域研究仍处初期。早期研究提示存在显著心理健康负担，并检验了电子竞技特异性压力源（esports-specific stressors）、心理健康与睡眠障碍（sleep disturbances）之间的关联。然而，这些工作大多依赖传统方法，对情感、心理社会、睡眠相关及电子竞技特异性指标（indicators）如何在竞争性表现环境中组织起来所提供的洞见有限。方法：为弥补该空白，研究人员开发了一份定制的17项问卷（17-item questionnaire），用于有向无环图（Directed Acyclic Graph, DAG）网络分析（network analysis）。DAG网络分析是一种探索性方法，用于映射心理健康等复杂多变量系统（complex multivariate systems）的条件依赖结构（conditional dependency structure）。结果：来自60多个国家的1025名电子竞技选手完成了调查。与游戏相关的思维预占（game-related thought preoccupation）是游戏障碍（gaming disorder）的核心特征，其作为最稳健的结构汇节点（structural sink node）出现，位于若干心理社会指标的下游，提示其可能是更广泛上游心理社会压力（upstream psychosocial strain）的复合指标。抑郁心境（depressed mood）在网络中占据上游位置，这一观察对于心理病理学子网络（psychopathological subnetwork）整体而言比抑郁心境作为单一来源更稳健。心理疲劳（mental fatigue）占据情感变量（affective variables）与睡眠和疲劳指标之间的中间连接位置。其高流行率，连同位于睡眠指标上游的位置，提示在未来的电子竞技训练负荷（training load）、恢复（recovery）和睡眠研究中值得更密切检查，尽管该排序依赖具有中等方向支持的边（edges）。情绪控制（emotion control）和自主感（sense of autonomy）似乎连接上游情感困扰（upstream affective distress）与下游电子竞技特异性指标，如电子竞技相关压力（esports-related stress），但这是所识别结构特征中最不稳定的。结论：总体而言，这些发现提供了该表现环境中心理健康相关指标如何组织的探索性图谱，并为未来纵向（longitudinal）、实验（experimental）和干预（intervention）研究生成具体、可检验的假设。
论文解读：电子竞技心理健康复杂性的探索性心理社会网络映射
一、研究背景与问题
电子竞技（esports，竞技性视频游戏活动）近年快速增长，形成包含休闲、半职业和职业选手的竞争性表现环境。游戏和电子竞技可能对认知灵活性、社会连接有益，但也伴随长时间久坐训练、在线反社会氛围、睡眠差和高表现压力。早期研究提示电子竞技选手存在显著心理健康负担。Kegelaers 等在1105名不同水平电子竞技选手中报告，抑郁为44.7%、焦虑为33.4%、不良幸福感为36.7%、睡眠障碍为69.3%；Akan 等系统综述报告电子竞技选手主观和客观睡眠均较差，并与表现下降、情绪调节受损和心理健康风险增加相关。心理健康被视为复杂系统，而非单因现象。电子竞技心理健康问题可能由个体、社会、环境和数字表现因素之间复杂、动态且相互强化的交互产生。既有研究多采用患病率、相关、标准回归、偏相关或无向网络分析，按加性风险逻辑逐一建模结果，难以说明电子竞技特异性问题在更广泛系统中究竟是核心痛苦、下游相关物，还是连接情感、调节和睡眠过程的桥接成分。因此，研究人员采用贝叶斯高斯图Copula模型（Bayesian Gaussian Graphical Copula Model, BGGCM）与有向无环图（Directed Acyclic Graph, DAG），以探索性、假设生成方式映射条件依赖结构。这是电子竞技领域首个结合这些网络模型的研究，旨在超越双变量、传统回归和无向网络分析。
二、研究实施、结论与意义
研究人员开发了定制17项问卷，采用10点Likert型反应尺度，参考过去两周，覆盖电子竞技特异性压力源、心理社会因素、睡眠、心身症状和心理健康症状。最终1025名来自60多个国家的电子竞技选手完成调查。研究发现，与游戏相关的思维预占（GamePreoccupation）是最稳健的结构汇节点，位于若干心理社会指标下游，提示其可能是上游心理社会压力的复合指标。抑郁心境（DepressedMood）占据上游位置，但心理病理学子网络整体上游比抑郁心境作为单一来源更稳健。心理疲劳（MentalFatigue）位于情感变量与睡眠和疲劳指标之间。情绪控制（LackEmotionControl）和自主感（LackAutonomy）连接上游情感困扰与下游电子竞技特异性指标，但为最不稳定的结构特征。该研究提供了探索性图谱，并生成可供未来纵向、实验和干预研究检验的假设。
三、关键技术与方法
数据来自欧洲资助 Erasmus+ “The Good Game”项目的国际横断面在线调查，由比利时、西班牙、冰岛、德国和瑞典的行业伙伴与研究机构合作，2024年10月至2025年2月通过社交媒体、YouTube和Twitch TV等招募，含八种语言版本。最终分析纳入1025名完整完成定制17项问卷的电子竞技选手，来自60多国。分析使用R 4.4.3。先估计BGGCM，采用Birth-Death Markov Chain Monte Carlo（BDMCMC），后验边纳入概率（p
link）阈值设为0.85；再以贪婪搜索爬山算法估计DAG，采用5000次非参数bootstrap，邻接阈值0.85、方向阈值0.50保留稳健边；用相对重要性网络（Relative Importance Network, RIN）评估预测性与影响力，以goldbricker检查拓扑重叠，并进行Markov等价类、更严格方向阈值和案例bootstrap敏感性分析。
四、研究结果
一般分析流程：方法与结果遵循 Burger 等提出的横断面心理网络分析报告标准。
最终样本量：初始招募1105名，完整完成者为1025名。平均年龄27.74（SD=7.37）。男性845名（82.4%），女性139名（13.6%），其他性别认同29名（2.8%），不愿分享12名（1.2%）。表现层级为休闲288名、基础292名、预精英232名、精英144名、精通69名。参与者最多的五个国家为西班牙217名、美国210名、德国204名、瑞典49名、法国46名。最流行游戏为League of Legends 316名、DOTA2 80名、Counter-Strike 75名。
单项指标收敛效度结果：情感指标与患者健康问卷-9（Patient Health Questionnaire-9, PHQ-9）和广泛性焦虑障碍-7（Generalised Anxiety Disorder-7, GAD-7）去除对应项后的校正分数呈中等相关，范围0.47至0.59；睡眠质量与匹兹堡睡眠质量指数（Pittsburgh Sleep Quality Index, PSQI）全局分相关0.60，睡眠数量相关0.56，支持收敛效度，但抑郁与焦虑区分有限。
准确性与稳定性检查结果：BGGCM运行100000次迭代，burn-in为50000，收敛稳定；平均归一化Hamming距离0.0098，平均Jaccard指数0.9637，平均绝对边概率0.9821。DAG以5000次bootstrap估计，模型与空网络贝叶斯信息准则（Bayesian Information Criterion, BIC）差为3691.34，模型选择置信度高。
预测性：RIN中DepressedMood的预测性和影响力最高，其次为Anxiety、SleepQuality、PhysicalFatigue；电子竞技特异性节点最低。调整R
2显示，SleepQuality、Worrying、Anxiety和MentalFatigue由直接父节点解释最好。
网络可视化：BGGCM边代表Copula转换后项目间偏相关，范围0.0735至0.4846。DAG中31条有向边，BIC-g范围-11.26至-286.12，方向概率0.52至0.97，邻接频率0.88至1.00。
网络密度与平均绝对边权：BGGCM保留34条边，占136条可能边的25%，平均绝对边权0.1908。DAG保留31条有向边，占22.79%，平均BIC-g贡献-76.62。
中心性指标：BGGCM期望影响最高为DepressedMood、LackAutonomy、Anxiety，最低为GamePreoccupation、LackSkill、Pain。DAG中OutBIC最高为DepressedMood、LackAutonomy、MentalFatigue，InBIC最高为Anxiety、Anhedonia、PhysicalFatigue。DepressedMood为唯一源节点；Anhedonia、GamePreoccupation、LackSkill、LackSupportPersonal、SleepQuality、Worrying为汇节点。LackEmotionControl与LackAutonomy共同形成最小边割；MentalFatigue和DepressedMood分别作为单节点最小边割。
具体节点与边：平均分最高为LackSkill 5.68、MentalFatigue 5.53、SleepQuantity 5.52、SleepQuality 5.4、Anhedonia 4.98；最低为LackAutonomy 3.60、LackSupportEsport 3.61、Pain 3.67、EsportsStress 3.82、LackSupportPersonal 4.24。最强边为DepressedMood至Anxiety、DepressedMood至Anhedonia、MentalFatigue至PhysicalFatigue、LackAutonomy至EsportsStress、SleepQuantity至SleepQuality。31条边中10条方向概率不低于0.80，16条为0.60至0.79，5条小于0.60。
心理病理学子网络：包含DepressedMood、Anhedonia、Anxiety、Worrying、MentalFatigue、LackEmotionControl、LackSupportPersonal。DepressedMood为源节点，其至Anhedonia、LackSupportPersonal、LackEmotionControl方向较好，至Worrying中等，至MentalFatigue和Anxiety较弱；至Anhedonia和Anxiety的边模型贡献最大，但至Anxiety方向近乎等权。
睡眠学子网络：DepressedMood仍为源节点，以弱方向边连接MentalFatigue和Anxiety，并间接连接SleepQuantity、SleepQuality、PhysicalFatigue和LackSkill。MentalFatigue至LackSkill模型贡献较弱，但方向概率最高为0.97。SleepQuality为汇节点，接收SleepQuantity强且中等方向边、PhysicalFatigue中且较好方向边、Anxiety弱且中等方向边。睡眠质量、睡眠数量和心理疲劳平均分较高。
电子竞技特异性子网络：DepressedMood为源节点，连接Anxiety、LackEmotionControl、LackSupportPersonal和MentalFatigue。GamePreoccupation为最稳健汇节点。LackEmotionControl与LackAutonomy形成最小边割，为候选结构瓶颈。
冗余与敏感性分析：拓扑重叠分析标记DepressedMood与Anxiety、Worrying与Anxiety为冗余候选，符合抑郁焦虑共病。排除Anxiety或替换为复合指标后，GamePreoccupation和SleepQuality汇节点保持；边割在排除时保持，聚合后不保持。31条边中14条为compelled，17条为reversible；compelled集中于多父节点如Pain、LackConnection、SleepQuality。更严格阈值下，GamePreoccupation汇节点在0.60和0.70均保持；SleepQuality汇节点和边割在0.60保持、0.70不保持；DepressedMood唯一源角色在0.60丢失。案例bootstrap显示，GamePreoccupation汇节点最稳定，占88%；DepressedMood源角色59%，SleepQuality汇节点54%，边割29%。因此，GamePreoccupation汇节点为网络中最稳健特征。
五、讨论总结与结论翻译
讨论部分总结：研究人员强调，DAG方向为模型推断，表示统计条件依赖而非因果或时间先后；源、汇、连接、上游、下游等仅指估计图中的位置；模型描述横断面人际结构，不一定对应个体内随时间展开的过程；无环DAG不能直接表示互惠或反馈关系。心理病理学子网络整体位于上游，DepressedMood为唯一源节点，并连接Anhedonia、Anxiety、LackEmotionControl、Worrying、MentalFatigue和LackSupportPersonal；其最强连接为Anxiety和Anhedonia。该上游位置中等稳定，心理病理学子网络整体上游比抑郁心境单源更稳健。LackEmotionControl与LackAutonomy形成连接心理病理与电子竞技特异性簇的瓶颈，但二者为宽泛多维构念的单项目代理，且该瓶颈仅在情感症状作为独立节点时保持；该结果与自我决定理论（Self-Determination Theory）及情绪调节研究一致。电子竞技特异性簇位于下游，GamePreoccupation为稳健汇节点，提示其可能为上游心理社会压力的复合指标，而非上游特征本身；该解释与逃避、应对机制及传统体育中强迫性运动、过度训练作为压力适应不良反应的观点一致。睡眠子网络中睡眠问题普遍，DepressedMood最上游，MentalFatigue连接情感节点与睡眠和疲劳指标；疲劳指标位于睡眠指标上游，偏离传统临床框架中疲劳条件依赖于睡眠差的设定，但相关边方向支持仅中等或弱，可能为双向。研究人员提出，高压力竞争环境中个体可能极度疲劳却因认知或生理唤醒难以入睡；电子竞技长时间、不规律训练、深夜游戏、睡眠卫生差和“grinding”文化可能造成该模式。应用方向上，研究人员提出三条：心理疾病症状普遍且结构显著，需直接检验电子竞技作为应对与电子竞技作为压力，或两者互惠；情绪调节和自主性虽不稳定，但可能连接困扰与电子竞技特异性结果，值得研究；心理疲劳高流行且位置特殊，需更细粒度测量认知疲劳及其与睡眠、训练负荷的联系。局限包括横断面不能确定因果或时间，DAG无环不能表示互惠，方向概率近0.50的边可能翻转，未测量变量可能中介，单项目简化且不同节点简化程度不均，宽构念缺乏验证比较，未进行认知访谈、内容效度、重测和跨语言或跨组测量不变性，不能确定干预某节点对网络的影响，样本异质且未进行文化适应，合并网络应视为聚合描述而非普适模型。
研究结论翻译：当前研究在广泛电子竞技样本中探索了电子竞技特异性压力源、心理社会因素、睡眠和疲劳变量与心理不健康症状之间复杂、相互连接的网络结构。通过结合BGGCM和DAG估计，研究人员超越了患病率和无向关联，转向对条件依赖结构的探索性描述，从而生成假设，并为未来纵向、实验和干预研究提出方向。在网络结构中，抑郁心境占据上游位置，这一观察对于心理病理学子网络整体而言比抑郁心境作为单一来源更稳健。心理疲劳在负性情感与更广泛睡眠和疲劳簇之间占据中间、中等稳定的位置。情绪控制和自主性共同形成上游情感变量与下游电子竞技特异性变量之间可能的连接结构，尽管这是所识别角色中最不稳定的。与游戏相关的思维预占作为最稳健的结构汇节点出现，位于若干心理社会指标下游，提示其代表上游心理社会压力的复合指标，而非上游指标本身。总体而言，当前发现提供了结构化、探索性图谱，说明一组理论选择的指标在大型电子竞技选手样本中如何组织，并识别出值得在未来验证、纵向、实验和干预研究中更密切检查的具体构念和通路。
