大学生非自杀性自伤严重程度相关心理社会因素的机器学习与网络分析

《Psychiatry Research》：Machine learning and network analysis of psychosocial factors associated with non-suicidal self-injury severity among college students

　　

•机器学习与网络分析为非自杀性自伤（NSSI）相关的社会心理脆弱性提供了互补的视角。•情绪失调与消极生活事件在两种分析路径中均显示出趋同的突出性。•两阶段敏感性分析有助于区分NSSI存在性的预测因子与严重程度的差异化预测因子。•网络比较检验显示NSSI组与非NSSI组之间存在结构性差异，但总体上保留了相似的模块化模式。•探索性的性别特异性分析提示条件性关联模式存在差异，但全局强度无明显差异。

引言

非自杀性自伤（NSSI）是指在没有自杀意图的情况下，蓄意破坏自身身体组织，且其行为目的不被社会所认可。这是一种普遍且临床意义重大 的行为，尤其在青少年和年轻成人中尤为突出。流行病学证据表明，NSSI在年轻群体中十分常见。一项针对中国研究的范围综述报告称，在小学到大学（5-25岁）的学生样本中，NSSI的估计终生患病率为24.7%，大学学生中的相应估计值为21.2%（Qu等，2023）。NSSI持续与不良心理结果相关，包括抑郁、焦虑和自杀行为（Bentley等，2015；Wilkinson等，2011）。纵向荟萃分析证据进一步表明，有NSSI病史与随后自杀企图风险增加相关（Ribeiro等，2016）。综合来看，其高患病率以及与不良心理和自杀结果的关联凸显了NSSI的临床和公共卫生意义（Muehlenkamp等，2012；Nock，2009；Plener等，2018）。综述和荟萃分析证据也记录了全球年轻群体中NSSI的高患病率和时间趋势（Brown和Plener，2017；Jia等，2025；Swannell等，2014）。

在NSSI的社会心理相关因素中，情绪失调一直被公认为是一个重要过程。当代理论模型提出，NSSI可能作为一种适应不良策略，用于调节压倒性的消极情感、降低情绪唤醒或逃避痛苦的内感受体验（Chapman等，2006；Klonsky，2007；Nock，2009；Wolff等，2019）。除了情绪失调之外，先前的研究还识别出冲动性、不良童年经历、教养相关因素、消极生活事件和低感知社会支持等作为NSSI的重要社会心理相关因素（Cipriano等，2017；Gratz，2006；Jin等，2023；Liu等，2020；Muehlenkamp等，2012；Nock，2009；Qu等，2023；Zhao和Yang，2024）。借鉴Nock的NSSI整合理论模型（Nock，2009）及相关理论和实证工作（Hamza等，2012；Klonsky，2007），本研究的候选变量被选择以代表几个概念相关领域：情绪失调和情绪调节策略反映情感调节过程；冲动性代表行为脆弱性；消极生活事件代表压力暴露；教养相关因素和感知社会支持代表人际和家庭情境因素；童年虐待以及亲友中的自杀暴露则作为远端风险指标纳入。所选变量受限于父研究中所测量的指标，并非旨在构成对NSSI所有相关社会心理因素的全面评估。

综上所述，先前的发现表明，NSSI与多个相互关联的社会心理领域相关，而非单一孤立的危险因素。然而，先前的综述主要聚焦于总结个别相关因素或估计特定危险因素与NSSI之间的合并关联（Cipriano等，2017；Qu等，2023；Wolff等，2019）。同样，大多数实证研究采用以变量为中心的方法，将社会心理因素作为NSSI的独立或加性预测因子进行检验。尽管这些信息量丰富，但这些方法可能忽略了情感、行为和人际因素相互连接的有条件关联（Borsboom和Cramer，2013；Fried等，2017）。因此，传统方法在刻画与NSSI严重程度相关更广泛的社会心理结构方面可能存在局限。因此，亟需进一步研究来探索多个社会心理因素如何在相互连接的系统中组织，以及哪些因素在预测NSSI严重程度方面显示出相对更大的预测相关性。

机器学习方法越来越多地被用于识别相对重要的预测因子并改善心理健康结果的预测（Chekroud等，2021；Shatte等，2019）。与传统统计方法相比，机器学习可以处理高维数据、建模复杂非线性关系，并提供数据驱动的相对变量重要性估计（Dwyer等，2018；Gao等，2018；Orrù等，2012）。近期的纵向研究也支持了机器学习在预测未来NSSI风险方面的效用（Guo等，2026）。然而，机器学习模型常因其有限的可解释性以及优先考虑预测而非解释性理解而受到批评（Bzdok和Meyer-Lindenberg，2018；Rudin，2019）。因此，仅以预测为导向的方法可能不足以理解社会心理脆弱性如何在与NSSI相关的更广泛情感系统中组织。

与此同时，网络分析作为一种有前景的框架，将心理健康问题概念化为相互作用的症状和社会心理因素系统而兴起（Borsboom，2017；Borsboom和Cramer，2013；Epskamp等，2018；Robinaugh等，2020）。网络分析也已被应用于自杀和NSSI相关变量（De Beurs等，2019；Guan等，2024；Zhou等，2023）。然而，重要差距仍然存在，特别是在按NSSI状态和性别进行亚组差异以及将网络分析与预测方法整合方面。近期的实证研究已开始将机器学习和网络分析结合用于NSSI研究。例如，Zhang等（2025）使用基于LASSO的特征选择后结合网络分析来识别与青少年情绪障碍相关核心因素，而Deng等（2026）结合机器学习、SHAP和网络分析来检验与青少年NSSI冲动相关的预测因子和结构性关系。尽管取得了这些进展，将这些方法联合应用于与NSSI严重程度相关的更广泛社会心理因素仍然有限。机器学习估计社会心理变量的相对预测重要性，而网络分析刻画这些变量之间的正则化有条件关联结构，不涉及因果或机制主张。

为填补这些空白，本研究采用互补的机器学习和网络分析方法，调查与大学生NSSI相关的社会心理因素。使用机器学习模型来识别NSSI严重程度的相对重要预测因子并评估其相对贡献，同时应用网络分析来检验社会心理变量如何有条件地相互连接以及在NSSI相关系统中的结构性位置。此外，还进行了亚组网络分析以探索根据NSSI状态和性别的潜在差异，鉴于先前关于性别相关差异在NSSI相关社会心理过程中的证据（Bresin和Schoenleber，2015；Moloney等，2025）。

本研究旨在解决三个主要研究问题：（1）哪些社会心理因素是NSSI严重程度的相对重要预测因子？（2）社会心理变量在NSSI相关网络系统中如何结构化地相互连接？（3）社会心理网络结构是否根据NSSI状态和性别而有所不同？通过整合预测和结构方法，本研究旨在对与NSSI严重程度相关的社会心理脆弱性提供更全面的刻画。

分段摘要

参与者与方法

本研究方案经湖北医药学院伦理委员会批准（批准号：2022-RE-008）。数据于2022年4月1日至4月10日期间收集，通过向华中医药大学的本科生发放匿名在线问卷进行。参与者通过基于班级的便利抽样招募，问卷链接通过参与班级分发。

符合条件的参与者为全日制本科生，已注册

关键变量间的相关分析

所有研究变量的描述性统计见表S7。如图2A所示，情绪失调（DERS）和冲动性（IMP）通常与多个心理和压力相关变量呈正相关，而感知社会支持（PSS）与风险相关变量呈弱负相关或接近零的相关。总体而言，相关强度为弱至中等（|r|≈0.10-0.55），表明预测因子之间存在非冗余关联。

当NSSI

主要发现总结

本研究采用互补的机器学习和网络分析方法，检验了与NSSI严重程度相关的社会心理相关因素和条件性关联模式。在多种分析路径中，情绪失调始终作为突出的社会心理因素浮现，而消极生活事件在更广泛的领域层面显示出趋同。这些发现应在指导变量选择的更广泛理论框架内进行解释，其中NSSI被视为

结论

本研究采用互补的机器学习和网络分析方法，对大学生与NSSI严重程度相关的社会心理因素进行了刻画。情绪失调在两种分析方法中显示出趋同，而消极生活事件在更广泛的领域层面显示出趋同，虐待经历、自杀暴露、教养相关因素和感知社会支持也对基于模型的预测有所贡献。网络分析

伦理批准与知情同意

本研究按照《赫尔辛基宣言》的要求进行，并获湖北医药学院伦理委员会批准（批准号：2022-RE-008）。18岁及以上的参与者在参与前提供了电子知情同意。对于18岁以下的参与者，由于数据收集是在COVID-19疫情期间进行的，研究者通过电话向其父母解释研究程序并在事先获得父母同意

资助

本工作受中国国家重点研发计划（资助号：2024YFC3308400）；2025年中央师范大学教育博士实践创新项目（资助号：05）；湖北省高校人文社会科学重点研究基地（湖北医药学院）（资助号：2023YB001）；湖北省教育厅哲学社会科学项目（资助号：25ZX064）；湖北省

CRediT作者贡献声明

刘汉梅：概念化，数据整理，形式化分析，初稿撰写，审稿与编辑。郭云宵：数据整理，形式化分析，可视化，审稿与编辑。胡佳伟：调查，方法论，数据整理。薛东东：调查，数据整理，方法论。谢光金：调查，数据整理，质量控制。毛昌：数据整理，资源，质量控制。任志红：监督，概念化，方法论，项目

利益冲突声明

作者声明，他们没有已知的竞争性经济利益或个人关系可能影响本文所报告的工作。

补充材料：与本文相关的补充材料可在线获取，包括额外的图表和方法学细节。

数据可用性声明

本研究中生成的数据集因参与者隐私问题和非自杀性自伤相关心理信息的敏感性而无法公开获取。去标识化数据可根据合理请求由通讯作者提供，须符合适用的伦理和机构要求。

知情同意与患者详情

所有参与者或其法定代表均已书面同意参与本研究并发表文章。已尊重参与者的隐私权。

人体研究

本研究在研究所在地遵守相关法律法规和指南进行。本研究获湖北医药学院伦理委员会批准（批准号：2022-RE-008）。

CRediT作者贡献声明

刘汉梅：审稿与编辑，初稿撰写，形式化分析，概念化。郭云宵：审稿与编辑，调查，形式化分析。胡佳伟：调查，数据整理。薛东东：审稿与编辑，调查，数据整理。谢光金：资源，调查，数据整理。毛昌：验证，调查，数据整理。任志红：审稿与编辑，监督，项目管理，概念化。

利益冲突声明

作者声明，他们没有已知的竞争性经济利益或个人关系可能影响本文所报告的工作。

致谢

感谢所有参与者对本研究的贡献，并感谢参与参与者招募和数据收集的研究人员。

刘汉梅|郭云宵|胡佳伟|薛东东|谢光金|毛昌|任志红