PETTLEP基础意象量表（PBIS）与意象能力的内容映射：604名日本大学生运动员的测量验证与多变量检验

《Japanese Psychological Research》：The PETTLEP-Based Imagery Scale: A Content-Mapping Account of Its Relationships with Imagery Ability

　　

PETTLEP基础意象量表（PBIS）测量运动员以与七个PETTLEP成分一致的方式开展意象实践的频率，并将该构念操作化为10个分量表。本研究提出并实证检验意象能力（运动意象能力问卷日文版[SIAQ-J]）与PETTLEP基础意象实施之间关系的内容映射模型，预先预测哪些SIAQ-J维度应优先与哪些PBIS分量表共现。在604名日本大学生运动员中，三项支持性分析使该检验具有可解释性：采用序数验证性因素分析（对角加权最小二乘[DWLS]）并估计项目阈值；对得分依赖的测量误差进行项目反应理论建模（分级反应模型[GRM]）；使用异质-同质特质相关比（HTMT）和Fornell–Larcker准则进行判别效度检验。结果支持10因素结构、阈值有序、在中至高水平参与时测量误差较低，以及两个量表具有清晰的实证可分性。多变量分析支持内容映射预测。研究将SIAQ-J与PBIS联合剖面作为实践者的反馈工具加以讨论，并指出横断面自我报告设计的局限。

心理意象（mental imagery）是在缺乏相应外部刺激时生成类知觉体验的过程，与学习、记忆和表现相关，并因与实际知觉和运动执行共享神经基础而体现功能等价（functional equivalence）。在运动情境中，高水平运动员往往更频繁使用意象且更易生成心理图像，意象效果取决于想象内容对目标表现的结果相关性和情境丰富性。PETTLEP模型（Physical, Environment, Task, Timing, Learning, Emotion, Perspective）以七个成分提供实践导向的意象实施框架，强调身体参与和情境真实性以最大化意象与执行的功能重叠。Lee and Horino编制的PETTLEP基础意象量表（PBIS）将七个成分细分为10个分量表（Timing分为实时、慢速、快速；Perspective分为第一人称、第三人称），已有验证性因素分析支持其结构并报告信效度。然而，原PBIS研究主要采用传统最大似然法和整体信度指标，未说明测量误差是否随意象参与水平变化；同时，需要检验PBIS与既有意象能力测量的构念关系及判别效度。为此，本研究提出并检验意象能力（SIAQ-J）与PETTLEP基础意象实施之间的内容映射模型（content-mapping model，依据概念内容预先规定特定能力维度与特定实施成分优先共现），并设置三项支持分析：序数验证性因素分析（ordinal confirmatory factor analysis，CFA）、GRM测量误差、判别效度。意义在于首次在分量表层面给出可检验的内容映射账户，并为联合使用两量表提供测量基础。

研究方法概述（不超过250字）：研究纳入604名日本大学生运动员（男369、女235；平均年龄19.67岁，SD=1.35；平均正式竞技经验10.99年，SD=4.01），样本来自东京及大关东地区高校运动队，有效应答率89.5%；其中全国级382名（63.2%）、地区/休闲级184名（30.4%）、国际级38名（6.3%），涵盖团队、个人及相扑、弓道等项目。测量使用PBIS（35项、10个分量表，7点Likert）和SIAQ-J（15项、5个维度，7点Likert）。分析在JASP中完成：DWLS序数CFA及项目阈值、GRM估计得分依赖测量标准误（standard error of measurement，SEM）、Pearson相关、多变量一般线性模型（multivariate general linear model，GLM）、HTMT与Fornell–Larcker判别效度。

结果如下。描述统计与信度：通过项目水平描述统计和内部一致性分析，PBIS项目均值3.52–5.58，偏度?0.827–0.174、峰度?0.784–0.474，位于推荐范围内；McDonald's ω为.721–.901，Cronbach's α为.72–.89，支持可接受至优良信度。因素效度与项目阈值：通过DWLS序数CFA，10因素模型拟合良好（CFI=.993，TLI=.992，RMSEA=.059，SRMR=.047），标准化载荷0.646–0.951，因子间相关.24–.82；三个Timing分量表相关.49–.55，第一与第三视角相关.43；所有项目t₁–t₆阈值有序（约?2.71至1.70），支持7点Likert响应类别功能。不同得分水平的测量误差：通过GRM估计，PBIS各分量表SEM随总分系统变化，低分端较大、中高分端较低，表明测量在中至高参与水平更具信息性。PBIS与意象能力的相关分析：通过Pearson相关，PBIS与SIAQ-J所有关联正向显著（ps≤.001），r=.131–.433；Learning与Affect相关最强（r=.433），Timing-Fast相关较弱（r=.131–.262），支持名义网络且提示非冗余。多变量GLM分析：通过多变量GLM，以SIAQ-J五维预测PBIS十维，Skill显著关联Physical、Task、Timing-Real、Timing-Slow、Learning、First-Person；Strategy关联Timing-Fast、Emotion；Goal关联Physical、Environment、Timing-Real、Timing-Fast、Learning、Emotion、First-Person；Affect关联Physical、Task、Timing-Real、Timing-Fast、Learning、Emotion、Third-Person；Mastery关联Task、Timing-Slow、Timing-Fast。解释方差最高为Learning（R²=.229）、Task（.188）、Timing-Real（.151），支持差异化内容映射。PBIS与SIAQ-J的判别效度：通过HTMT与Fornell–Larcker准则，50对PBIS×SIAQ-J因子的HTMT为.116–.496（均值约.31），均低于.85；10个PBIS分量表平均方差提取量（average variance extracted，AVE）为.496–.808，均大于与SIAQ-J的最大平方相关（最大约.246），支持两量表实证可分。

讨论认为中心贡献是内容映射模型及其实证检验；三项测量进展使检验可解释：DWLS序数CFA及项目阈值首次提供7点响应类别严格有序的证据；GRM揭示中高参与水平测量更精确；HTMT与Fornell–Larcker确认PBIS与SIAQ-J可分。分维度上，Skill与运动导向元素共现；Strategy与快速时间表征和情绪元素共现；Goal呈最广泛共现；Affect与学习及第三人称视角等共现；Mastery与时间操纵和任务内容共现。原文强调这些为自我报告共现而非因果。实践上，联合SIAQ-J与PBIS剖面可作为反馈工具，识别能力与结构化实践之间的匹配或不足，但横断面自我报告限制因果推断，需跨文化、跨水平、纵向和实验研究。

研究结论（翻译）：本研究的中心贡献是提出意象能力与PETTLEP基础意象实施之间关系的内容映射模型，并在604名日本大学生运动员样本中对该模型进行实证检验。多变量分析支持模型的先验预测，显示每个SIAQ-J意象能力维度优先与概念内容最重叠的PBIS分量表关联。该理论提议得到三项测量层面进展的支持，使检验可解释：采用DWLS估计和项目阈值的序数CFA、通过分级反应模型估计的得分依赖测量误差，以及正式判别效度检验（HTMT和Fornell–Larcker准则）确认PBIS与SIAQ-J为实证可分构念。总体而言，本研究提供了关于特定意象能力维度如何在分量表层面与特定PETTLEP元素对应的有理论依据且经实证检验的说明，并提供使该说明在未来研究和应用工作中可检验所需的测量基础设施。