《Computers in Human Behavior Reports》：The Role of Cognitive Attentional Syndrome in Smartphone Application-Based Addiction among Medical Students: A Longitudinal Study with Cross-Lagged Panel and Machine Learning Analyses
编辑推荐：
背景：智能手机应用成瘾（SABA）亦称问题性智能手机使用（PSU），以对社交网络、娱乐和通信等智能手机应用的过度、强迫且控制不良的使用为特征，并可造成躯体、心理或社会功能损害。SABA在医学生中高发，且与学业压力、焦虑、社交媒体依赖、睡眠质量差和学业受损相关。
背景：智能手机应用成瘾（SABA）亦称问题性智能手机使用（PSU），以对社交网络、娱乐和通信等智能手机应用的过度、强迫且控制不良的使用为特征，并可造成躯体、心理或社会功能损害。SABA在医学生中高发，且与学业压力、焦虑、社交媒体依赖、睡眠质量差和学业受损相关。认知注意综合征（CAS）是一种持续且难以控制的思维与应对风格，包含反刍、担忧、外部固定、内部固定、行为回避、思维抑制和物质使用七个维度。既有研究多仅考察少数CAS维度，尚未在单一研究中同时比较全部七个CAS域与SABA的关系，也缺乏可区分人际间与人际内效应的纵向证据、SABA异质性轨迹证据以及跨分析方法验证。本研究拟在医学生中同时检验CAS全部七个域与SABA的关系，识别SABA异质性发展轨迹，并评估CAS域的预测作用。方法：采用三波纵向设计（T1–T3，间隔4个月与8个月），运用交叉滞后面板模型（CLPM）、随机截距交叉滞后面板模型（RI-CLPM）、潜在类别增长模型（LCGM）及机器学习（Random Forest与SHAP，SHapley Additive exPlanations）进行分析。结果：CAS总分与SABA主要在人际间水平相关；担忧是最一致预测因子，具有最强人际间关联和最大的人际内交叉滞后路径（T2担忧→T3 SABA），且在控制焦虑和抑郁后仍显著；LCGM识别出高稳定、低稳定和中度下降三种SABA轨迹；SHAP显示担忧在两类轨迹比较中均排名第一，并与物质使用存在协同交互。结论：CAS尤其是担忧与SABA存在稳定特质关联和动态预测关系，支持将元认知模型扩展至SABA，并提示担忧可作为筛查与干预研究的候选靶点。
研究背景：智能手机应用成瘾（SABA）是一种以过度、强迫且控制不良地使用智能手机应用为特征的行为成瘾，虽尚未获得正式诊断地位，但常依据行为成瘾标准评估，其核心特征包括显著突出、情绪调节、耐受、戒断、冲突、复发和功能损害。SABA在医学生中患病率较高，并与学业压力、焦虑、社交媒体依赖、睡眠质量差和学业表现受损相关。既有认知行为模型强调非理性认知内容与即时奖赏循环，元认知模型则强调认知注意综合征（CAS）这一包含反刍、担忧、外部固定、内部固定、行为回避、思维抑制和物质使用七个维度的持续思维与应对风格。现有研究多仅考察CAS少数维度，尚未同时比较七个CAS域，缺乏区分人际间与人际内效应的纵向研究，缺乏对SABA异质性轨迹的检验，也缺乏跨分析方法的验证。因此，研究人员提出整合的SABA元认知模型，将CAS置于连接元认知信念与SABA发展维持的核心机制位置，并开展三阶段研究，以识别核心CAS域、检验纵向关联并为筛查和干预提供依据。
关键技术方法（不超过250字）：采用三波纵向设计，基线为经Sojump招募的中国某医科大学1025名医学生，T2（4个月）705名、T3（8个月）668名完成，纵向保留率65%。使用SABAS、MCASS、GAD-7和PHQ-9。Phase 1用SPSS/R进行描述统计、相关、回归及主成分分析（PCA）后聚类；Phase 2用Mplus拟合CLPM、RI-CLPM，并进行路径分析和焦虑抑郁协变量模型；Phase 3用LCGM识别SABA轨迹，R随机森林分类并以SHAP评估特征重要性，采用70%训练/30%测试、10折交叉验证、AUC优化和1000次bootstrap。
研究结果：
3.1 Phase 1: Cross-Sectional Analyses：横断面分析建立CAS与SABA的相关、回归和聚类分组基础。
3.1.1 Descriptive Statistics and Bivariate Correlations：通过描述统计与相关分析发现，除思维抑制外，CAS总分及各域与SABA总分呈显著正相关，担忧与SABA相关最强。
3.1.2 Regression Analyses：通过两步线性回归发现，CAS总分解释SABA 10.8%方差；同时纳入七个CAS域后解释20.1%方差，担忧、内部固定、反刍和物质使用正向预测SABA，思维抑制负向预测，外部固定和行为回避不显著。
3.1.3 Mean Differences in CAS and its Domains by SABA Group：通过PCA后聚类得到低SABA组466人和高SABA组559人；高SABA组CAS总分及除思维抑制外多数域更高，思维抑制更低，担忧组间差异最大（η
2=0.16）。
3.2 Phase 2: Longitudinal Analyses：纵向分析检验流失、测量不变性及CAS-SABA时序关系。
3.2.1 Attrition Analysis and Longitudinal Measurement Invariance：流失分析显示保留者与失访者在多数基线变量上无显著差异，效应量较小；SABAS获部分标量不变性，MCASS、PHQ-9和GAD-7支持度量与标量不变性，纵向测量等价性获有限支持。
3.2.2 Traditional CLPM and Exploratory Path Analysis：传统CLPM显示CAS总分与SABA双向交叉滞后路径显著；探索性路径分析显示T2担忧是唯一显著预测T3 SABA的CAS域，且担忧和T2 SABA分别部分中介T1 SABA至T3 SABA；担忧-SABA CLPM中T1 SABA→T2担忧、T1担忧→T2 SABA和T2担忧→T3 SABA显著，T2 SABA→T3担忧不显著。
3.2.3 RI-CLPM: CAS and SABA：RI-CLPM显示CAS总分与SABA随机截距显著相关（r=.623），所有人际内自回归和交叉滞后路径不显著，提示主要为稳定特质水平关联；七域比较中担忧最强（人际间r=.734，T2担忧→T3 SABA β=.168），物质使用、反刍和内部固定呈较弱双通路，行为回避和外部固定仅人际间显著，思维抑制无显著关联；因子分数敏感性分析未发现CAS总分人际内交叉滞后。
3.2.4 RI-CLPM: Worry and SABA：担忧与SABA随机截距强相关（r=.734）；担忧自回归路径显著；T2担忧→T3 SABA显著（β=.168），其余交叉滞后不显著，提示人际内担忧升高预测后续SABA升高，反向路径未获支持。
3.2.5 Covariate Models: Worry-SABA RI-CLPM with Anxiety and Depression：在六种控制基线或时变焦虑、抑郁的模型中，T2担忧→T3 SABA均保持显著（β=.143–.171）；多数模型人际间相关显著，仅时变抑郁模型为例外（r=.309，p=.103），提示担忧的动态关联不能完全由焦虑抑郁解释。
3.3 Phase 3: Trajectories and Machine Learning Analyses：采用以人为中心和机器学习方法识别SABA轨迹及CAS域预测作用。
3.3.1 Trajectories of SABA：LCGM依据BIC、LMR-LRT、理论可解释性和简约性选择三轨迹：高稳定组22.6%、低稳定组12.5%、中度下降组64.9%；三组主要差异在初始水平，变化率相近或中度下降组显著下降。
3.3.2 Predictive Role of CAS Domains in Trajectory Membership：随机森林整体优于Elastic Net；SHAP显示担忧在高稳定vs低稳定及中度下降vs低稳定两任务中均排名第一，反刍第二；高稳定比较中物质使用为重要预测域，中度下降比较中行为回避在正文中列为第三；担忧与物质使用存在协同交互，高担忧合并高物质使用与高稳定SABA轨迹更高概率相关。
讨论部分总结：本研究支持所提出的SABA元认知模型，表明CAS与SABA的关联主要通过稳定的人际间特质共病体现，而非聚合CAS总分的短期人际内动态过程；担忧在七个CAS域中独特地同时表现为最强人际间关联和显著人际内前瞻关联，且在控制焦虑抑郁后仍存在。LCGM与随机森林、SHAP的整合提供以人为中心与以变量为中心方法的收敛证据，并显示不同SABA轨迹的相对预测域存在差异；担忧与物质使用的协同交互提示共现高风险特征可能对应持续高SABA风险。临床与研究意义上，担忧可能作为特质水平筛查标志和状态水平动态监测指标，并可成为未来干预研究的候选靶点，但需实验研究验证。局限包括自我报告与中国医学生样本、35%流失、并非所有分析均控制焦虑抑郁、LCGM分类精度中等、SABAS单条目测量、因子分数敏感性分析有限、测量不变性仅获有限支持、三波设计限制轨迹精度以及RI-CLPM不能确立因果。
研究结论部分翻译：本研究采用多波纵向设计和多种分析方法，系统考察了CAS总分及七个域与SABA的关联。结果支持所提出的SABA元认知模型，显示CAS总分主要在人际间水平与SABA相关，表明稳定的特质水平共病而非短期动态过程。七个CAS域中，担忧独特地成为最一致的SABA预测因子：其与SABA的人际间关联最强，人际内交叉滞后关联最大，并呈现担忧至SABA的方向性路径；控制共病焦虑和抑郁后，该人际内关联仍显著，支持担忧作为SABA的前瞻性人际内相关因素。方法学上，LCGM、随机森林和SHAP的整合提供了以人为中心和以变量为中心方法的收敛证据，并扩展了RI-CLPM结果，表明CAS域的相对影响随SABA轨迹而异。机器学习分析一致将担忧识别为与SABA相关的最有影响力CAS域，其在预测高稳定和中度下降SABA轨迹中均排名第一，并进一步提示担忧与物质使用存在协同交互，与高稳定SABA轨迹更高概率相关。临床上，RI-CLPM中担忧的双通路模式提示担忧可依目标人群和时间框架发挥不同功能：在特质水平，其强人际间关联支持其作为识别高SABA风险医学生的筛查标志；在状态水平，其显著人际内关联提示担忧波动可作为监测SABA风险短期变化的动态指标。对于已出现SABA的医学生，担忧是否可作为未来干预研究的候选靶点、减少担忧是否可能影响SABA维持，仍需未来实验研究确认。鉴于控制焦虑和抑郁后担忧的人际内关联仍显著，未来研究可检验针对担忧的干预是否不受个体当前焦虑或抑郁水平影响。未来研究可采用实验设计（如针对担忧的随机对照试验），进一步检验担忧是否前瞻性预测SABA，以及简式元认知治疗是否能在短期和长期降低担忧并缓解医学生SABA。
