《Psychology Research and Behavior Management》：Applying Multiple Machine Learning Methods to Identify Correlates of Non-Suicidal Self-Injury Behaviors in Chinese Middle School Students: A Cross-Sectional Study
编辑推荐：
背景：青少年非自杀性自伤（non-suicidal self-injury, NSSI）已成为重大公共卫生问题，其患病率上升由复杂且相互作用因素驱动。传统分析方法捕捉高维变量间非线性关系的能力有限。本研究旨在比较五种机器学习算法识别NSSI的性能，并确定中国青
背景：青少年非自杀性自伤（non-suicidal self-injury, NSSI）已成为重大公共卫生问题，其患病率上升由复杂且相互作用因素驱动。传统分析方法捕捉高维变量间非线性关系的能力有限。本研究旨在比较五种机器学习算法识别NSSI的性能，并确定中国青少年NSSI的关键相关因素。研究对象与场景：中国河北和山东两省2295名11至16岁中学生参与研究。方法：应用五种机器学习算法——随机森林（Random Forest, RF）、AdaBoost、XGBoost、LightGBM和朴素贝叶斯（Naive Bayes）——使用涵盖心理特征、情绪状态和环境因素的43个特征识别NSSI。采用合成少数类过采样技术（SMOTE）处理类别不平衡，并通过5折交叉验证网格搜索调参。模型性能采用受试者工作特征曲线下面积（ROC AUC）、精确率-召回率曲线下面积（PR AUC）、准确率、敏感度、特异度、阳性预测值（PPV）和阴性预测值（NPV）评估。采用SHAP（SHapley Additive exPlanations）分析确定特征效应方向性。结果：NSSI患病率为21.7%。NSSI个体报告更高水平的学业压力（Academic Pressure）、自我批评（Self-criticism）、负性自我图式（Negative self-schema）、绝望（Hopelessness）和抑郁（Depression）（P < 0.001）。XGBoost获得最高ROC AUC（0.884）、PR AUC（0.741）、准确率（85.62%）和特异度（92.50%），而朴素贝叶斯获得最高敏感度（71.72%）。自我批评在五个模型中的四个排名第一。SHAP分析证实，较高自我批评、负性自我图式、学业压力、抑郁和绝望与NSSI概率增加相关。结论：自我批评、负性自我图式、学业压力、抑郁和绝望在跨模型中被一致识别为NSSI最重要的相关因素。这些结果突显机器学习方法识别青少年NSSI关键相关因素的潜力，尽管临床应?前需外部验证。
研究背景与问题：非自杀性自伤（NSSI）指无自杀意图而反复、故意伤害自身身体组织的行为，在青少年中高发，检测率约为24.9%–29%，已成为全球关注的公共卫生问题。NSSI作为一种适应不良的应对机制具有高度“成瘾性”，会使个体在应激事件中优先选择自伤，阻碍其学习和发展有效情绪应对策略，并影响身心发展。因此，早期识别和干预NSSI、将研究重点从被动干预转向主动预防并系统揭示其影响因素，具有重要理论和实践意义。整合模型认为NSSI并非单一因素所致，而是远端和近端因素共同作用与维持的结果。既往研究多关注NSSI所致心理健康问题和严重后果，对其深层原因考察不足；分析方法多依赖回归分析，只能验证变量间线性关系，在处理多维度问题时存在局限。机器学习方法能够拟合高维特征并捕捉非线性关联，为识别NSSI关键影响因素提供新工具。然而，现有机器学习研究多仅用一两种算法建模，缺乏多算法重复构建和交叉验证，纳入特征维度也相对有限，难以全面比较NSSI风险和保护因素。为此，研究人员在既有风险因素和保护因素基础上纳入40余个特征变量，并综合应用随机森林（Random Forest, RF）、XGBoost、LightGBM、AdaBoost和朴素贝叶斯（Naive Bayes）等多种机器学习算法，从“远端–近端”和“内部–外部”双重视角系统考察各因素对NSSI的相对解释贡献，以深化对NSSI机制的理解、为丰富和完善整合模型提供实证支持，并为NSSI早期检测和针对性干预提供科学依据。研究目标包括：系统探索并比较多种机器学习算法识别中学生NSSI行为的判别性能，通过多维评价指标选择最佳模型；通过特征重要性排序和SHAP分析识别对NSSI解释贡献最突出的关键因素。
研究人员开展了一项横断面研究，纳入中国河北和山东五所中学的2295名有效中学生，应用五种机器学习算法对43个特征进行NSSI二分类识别，并采用SMOTE处理类别不平衡、5折交叉验证网格搜索调参，在独立测试集上评估模型性能，采用模型原生特征重要性和SHAP分析确定关键相关因素及效应方向。研究结论显示，NSSI患病率为21.7%；XGBoost取得最高ROC AUC、PR AUC、准确率和特异度，朴素贝叶斯取得最高敏感度；自我批评、负性自我图式、学业压力、抑郁和绝望在跨模型中被一致识别为NSSI最重要相关因素，SHAP分析证实较高水平这些特征与NSSI概率增加相关。该研究提示机器学习方法在识别青少年NSSI关键相关因素方面具有潜力，但临床应?前仍需外部验证。
关键技术方法（≤250字）：数据来自中国河北、山东五所中学2024年11月至12月横断面调查，收集2365份，剔除70份未通过测谎项，有效2295份（97.04%）。研究纳入43个特征（39个连续变量和4个分类人口学变量），按80%/20%分层划分训练集（n = 1,836）与测试集（n = 459），标准化仅在训练集拟合。采用SMOTE在交叉验证训练折内处理不平衡，应用随机森林、AdaBoost、XGBoost、LightGBM和Naive Bayes五种算法，以5折分层交叉验证网格搜索调参，PR AUC为模型选择主指标；测试集评估ROC AUC、PR AUC、准确率、敏感度、特异度、PPV、NPV等，并用bootstrap估计95% CI；采用各模型原生重要性和SHAP分析三个树模型，辅以置换重要性。
研究结果：患病率与描述性统计：在2295名参与者中，497名报告NSSI，患病率为21.7%。通过组间比较并经Bonferroni校正（α = 0.05/39 = 0.0013）后，39个连续变量中有34个在NSSI组与非NSSI组间仍有显著差异。自我批评效应量最大（Cohen’s d = 1.34），其次为情绪调节（Emotion Regulation，d = ?1.31）、抑郁（d = 1.27）和绝望（d = 1.23）。未通过Bonferroni校正的5个变量为情绪调节反思（Emotion Regulation Reflection）、情绪评价（Emotion Appraisal）、情绪感知（Emotion Perception）、性虐待（Sexual Abuse）和年龄（Age）。人口学差异显示，女性NSSI患病率高于男性（P < 0.001），城市居民高于农村居民（P < 0.001），且随年级升高而增加（P < 0.001）；独生子女与非独生子女间无显著差异（P > 0.05）。由此得出NSSI组在多个心理和情绪指标上差异显著，且人口学分布存在差异。
模型性能：五种模型在测试集上的ROC AUC均高于0.8，显示良好判别能力；没有单一模型在所有指标上均最优。通过独立测试集评估，XGBoost获得最高ROC AUC（0.884，95% CI：0.8426–0.9210）、PR AUC（0.741，95% CI：0.6629–0.8118）、准确率（85.62%，95% CI：82.57–88.89）和特异度（92.50%，95% CI：89.86–95.08），朴素贝叶斯获得最高敏感度（71.72%，95% CI：62.62–80.58）。XGBoost假阳性最少（FP = 27）、真阴性最多（TN = 333），与其最高特异度一致；朴素贝叶斯真阳性最多（TP = 71）但假阳性也最多（FP = 64），与其最高敏感度和最低特异度一致。由此得出XGBoost在判别和特异度方面表现最佳，朴素贝叶斯敏感度最高。
特征重要性：通过多模型特征重要性排序，自我批评在五个模型中的四个（RF、AdaBoost、XGBoost和LightGBM）排名第一，在朴素贝叶斯中排名第二，跨算法一致性最高。抑郁在四个树模型（RF、AdaBoost、XGBoost和LightGBM）中均居前六，学业压力也在同样四个模型中居前六。负性自我图式在RF中重要性排名第二、在朴素贝叶斯中排名第三，除LightGBM外各模型均居前15；绝望在三个模型（RF、AdaBoost和XGBoost）中居前四。自尊（Self-esteem）跨模型排名差异明显：在朴素贝叶斯中第一、LightGBM中第二、AdaBoost中第三，但未进入RF前15。SHAP分析针对三个树模型（RF、XGBoost和LightGBM）确认了关联方向：较高自我批评、抑郁、绝望和学业压力与NSSI风险增加一致相关（SHAP值为正）。自尊在RF和XGBoost中SHAP值为正，提示较高自尊在这些模型中与NSSI风险增加相关。AdaBoost和朴素贝叶斯的方向由Cohen’s d效应量符号推断，与重叠特征的SHAP结果一致。置换重要性分析进一步确认特征排序稳健性：自我批评在五个模型中仍排名第一，其他核心特征（学业压力、抑郁、绝望和负性自我图式）的排序与模型特异性重要性指标大体一致。由此得出自我批评等核心特征在多模型和解释分析中较稳健。
敏感性分析：通过剔除PHQ-9第9项进行敏感性分析，模型性能影响可忽略。抑郁的Cohen’s d由1.27降至1.24，经Bonferroni校正后仍显著；五个模型的ROC AUC变化均小于0.5个百分点。由此得出主要结果对PHQ-9第9项剔除具有稳健性。
讨论部分总结：讨论指出，自我批评是识别NSSI的最重要相关因素，与既往研究一致。中学生处于身心发展关键阶段，高自我批评者常陷入自我怀疑，感到无力完成事情并产生强烈失控感；为缓解失控感并重新获得对身体的控制感，自伤成为恢复控制感的选择。自我批评还会使个体将更多认知资源分配给负性信息和情绪，将负性自我评价等同于事实，从而引发强烈心理痛苦。负性自我图式与NSSI显著相关，高负性自我图式青少年倾向视自己为无价值、有缺陷或不可原谅，面对外部应激时更易产生强烈自我厌恶和羞耻，激活“像我这样的人活该痛苦”等负性信念，削弱对自伤行为的抑制；抑制减弱后，自伤常作为自我惩罚形式，且对他人负性评价的担忧和污名恐惧进一步抑制求助，长期反复负性体验形成以NSSI为中心的适应不良应对模式。学业压力在多个模型中解释力较强，但在西方国家研究中较少突出，可能与东西方教育文化差异有关；东亚国家青春期学业压力通常较高，而西方国家重大学业要求多在后来的成年期。根据经验回避模型，持续高学业压力促使负性情绪积累，青少年缺乏适应性情调节策略，无法有效排解，NSSI成为宣泄情绪方式；长期高学业压力还可能诱发情绪麻木，青少年通过NSSI产生强烈身体刺激以重新获得存在感。抑郁作为NSSI最重要相关因素之一，已被大量实证研究反复确认；抑郁不仅涉及持续低落心境和负性认知偏差，还常伴随情绪空虚，可能引发自我疏离和不真实感，NSSI的行为功能可能是通过引发身体疼痛对抗不真实感和自我疏离，更似重建自我确定性的手段而非被动逃避痛苦的反应；学校筛查中抑郁筛查可作为识别NSSI高风险个体的重要入口。绝望同样是NSSI显著相关因素，高绝望中学生经历强烈心理痛苦和自我怀疑，认为自己无力解决当前困难并困于负性情绪，其自伤行为更像求助信号，希望通过自伤引起他人注意并获得支持；面对现实困难的无助和耗竭转化为自伤以吸引注意和缓解负性情绪，这也可解释NSSI高度成瘾性：即使深陷绝望者知道通过自伤获得的心理逃避只是暂时的，即时紧张释放和情绪缓解仍形成强负强化循环，维持并强化该行为。讨论还指出，某些变量单变量效应量与机器学习特征重要性存在明显差异，例如情绪调节组间效应第二大（Cohen’s d = ?1.31），但在多数树模型中未居前预测特征；这并不说明情绪调节对NSSI不重要，而反映单变量关联强度与多变量预测贡献的根本区别。树模型中与其他高重要性变量共享较多方差的特征（如情绪调节、抑郁和自我批评在概念和实证上的重叠）其预测信息可能被相关特征部分吸收，因此机器学习特征重要性排序应解释为特定模型结构内各特征的独有预测贡献，而非效应大小或病因学相关性的直接度量。研究还发现自尊在多数模型中与NSSI呈正相关，与既往将自尊视为NSSI保护因素的研究不一致；这可能因研究对象主要为中国农村中学生，多数可能属于脆弱高自尊群体，在集体主义文化背景下更倾向维持较高外显自尊以符合社会期望，较稳定高自尊者更易受外部应激影响；外显自尊较高者为符合社会规范和维持积极社会形象而抑制攻击外向表达，出于维持积极社会形象和避免被他人视为脆弱，可能将心理冲突和情绪压力转化为隐蔽、自我指向的攻击形式，从而通过自杀和非自杀性自伤行为实现内心痛苦的补偿性表达。讨论进一步基于素质–压力模型和整合模型解释NSSI成因：素质–压力模型认为NSSI发生需素质（易感性）和后天压力共同作用，童年不良经历（如情感虐待）使NSSI个体形成高自我批评、高绝望等易感素质，青春期遇到外部环境应激（如学业压力）时出现心理失调，进而产生NSSI行为；整合模型将NSSI原因分为远端因素、近端因素和维持机制，童年情感虐待等不良经历使个体易形成高自我批评和负性自我图式等远端易感因素，进入青春期后学校欺凌等近端应激可能激活早期适应不良图式和痛苦记忆，且NSSI个体常伴情绪调节缺陷，难以有效应对被激活的负性情绪，为快速缓解情绪痛苦，青少年可能通过NSSI宣泄内心痛苦和转移注意，实现暂时疼痛转移和心理补偿，获得短暂内部平衡并逐渐将NSSI巩固为适应不良应对模式。研究优势包括：纳入多维度预测因素构建NSSI相关因素识别框架；样本来自两省多所中学，超越地理限制、增强样本异质性并提高代表性；应用多种机器学习算法并进行跨模型比较和SHAP分析，增强结果稳健性和可解释性并减少模型特异性偏倚。局限包括：模型仅在同年横断面数据集的内部留出测试集上评估，临床应?前需独立样本外部验证；横断面设计无法识别风险因素的时间模式或发展轨迹，所识别关联不应解释为因果关系；即使归一化，特征重要性值跨模型比较仍需谨慎，因计算基础不同（RF和AdaBoost为Gini不纯度，XGBoost为增益，LightGBM为分裂次数，朴素贝叶斯为对数似然比）；样本量相对适中且特征间高相关可能遮蔽某些相关因素，但置换重要性分析确认了高排名特征的稳定性；一些潜在相关NSSI变量未纳入，未来研究应予以解决。
研究结论（译）：在评估的五种机器学习算法中，XGBoost取得最高判别性能，而朴素贝叶斯在识别NSSI病例方面表现出最高敏感度。自我批评、负性自我图式、学业压力、抑郁和绝望在跨模型中被一致识别为NSSI最重要的相关因素。SHAP分析证实，这些特征水平较高与NSSI概率增加相关，敏感性分析表明这些发现对剔除PHQ-9第9项具有稳健性。这些结果突显机器学习方法识别青少年NSSI关键相关因素的潜力。未来研究应在纵向设计中考察这些相关因素，并在临床应?前于外部独立样本中验证模型。
