《Computers in Human Behavior Reports》：Understanding and predicting cyberaddiction in young adults: A systematic review of behavioural and psychometric computational approaches
编辑推荐：
针对青年群体网络成瘾（Cyberaddiction，泛指互联网成瘾、问题性互联网使用等行为依赖构念）的计算识别研究，研究人员对23项实证研究开展系统综述。结果表明，行为与心理测量数据仍是主导性信息来源；支持向量机（SVM）、随机森林（RF）与深度学习等分类模型
针对青年群体网络成瘾（Cyberaddiction，泛指互联网成瘾、问题性互联网使用等行为依赖构念）的计算识别研究，研究人员对23项实证研究开展系统综述。结果表明，行为与心理测量数据仍是主导性信息来源；支持向量机（SVM）、随机森林（RF）与深度学习等分类模型被广泛用于横断面状态判别，而面向未来风险的纵向预测模型相对不足。焦虑、抑郁与冲动性在各类计算预测框架中稳定作为关键特征出现。当前研究瓶颈集中于多模态感知数据缺失、外部验证薄弱，以及可解释人工智能（XAI）方法缺位；未来需融合数字痕迹、生理信号与标准化心理量表，构建更具生态效度与临床可用性的早期预警系统。
研究背景与问题提出
网络成瘾作为一类以过度、失控性互联网使用并导致功能受损为特征的行为障碍，在青年期（18至25岁）人群中尤为突出。该阶段个体处于执行功能与奖赏系统发育不平衡的关键窗口，叠加社交媒体反馈、错失恐惧（FOMO）与学业社会压力，使问题性使用迅速从“高频使用”演变为强迫性依赖。既往评估高度依赖自评量表，如互联网成瘾测验（IAT）、陈氏网络成瘾量表修订版（CIAS-R）与抑郁焦虑压力量表（DASS-21），虽具理论成熟度，却受回忆偏差、社会赞许性与时点离散限制。与此同时，人工智能与数字表型（Digital Phenotyping）技术可提供连续行为痕迹，但既有文献缺乏对该交叉领域方法、变量与心理构念整合路径的系统性梳理，因此研究人员开展本项系统综述以厘清研究范式与空白。
研究目标与方法概述
研究人员遵循PRISMA 2020框架与计算机领域系统综述规范，在SCOPUS、SpringerLink、ACM、ScienceDirect、IEEE Xplore与PubMed中检索2020至2025年文献，经去重、标题摘要与全文筛选，最终纳入23项以青年大学生为对象、结合行为或心理测量数据并报告性能指标的同行评审研究。方法层面关键动作包括：基于PICO-C框架设研究问题；用七项质量标准（QA）评分；按数据类型、计算模型、学习任务、评估指标与心理变量建模角色提取数据；以结构化叙述而非荟萃分析做异质性综合。样本队列来自中国、印度、伊拉克、意大利、马来西亚等多国高校与玩家群体，规模从32至8000人不等，涵盖横断、纵向与前-后干预设计。
研究结果
RQ1 数据类型与获取方式
结果显示行为与心理测量数据是最主流双源，约半数研究尝试多模态融合，但生理与神经信号（如fMRI、ECG、EEG）占比仍低。自陈问卷是绝对主导采集方式，浏览器日志、App使用追踪与可穿戴设备极少。结论指向：当前模型并未真正脱离“量表驱动”，客观生态行为证据不足，限制了实时性与泛化性。
RQ2 计算模型与性能
分类任务占主导，SVM出现频率最高，其次为RF、XGBoost、CNN与LSTM。准确率（Accuracy）是最常报指标，但召回率、F1与AUC报告不均；高分性能往往来自复现量表阈值而非发现新行为标志物。纵向预测与机制解释研究偏少。结论：领域已具方法成熟度，但预测与解释被割裂，且缺少XAI透明性。
RQ3 心理构念整合
焦虑、抑郁、冲动性、执行功能与人格特质被频繁纳入。心理变量在模型中承担四类角色：分类标签（离散化真值）、连续回归目标、输入特征、以及由多量表融合衍生的复合变量。结论：心理测量既定义“金标准”又供给特征，是计算框架不可替代表征层。
讨论与结论翻译
讨论指出，网络成瘾检测正从临床观察、量表量化走向AI驱动的数字表型，但心理构念仍是监督学习锚点。主要局限为：自陈偏差、跨样本验证不足、代码数据难复现（QA7均分仅0.28）、缺乏可解释机制。意义在于明确“多模态+可解释+外部验证”是下一阶段核心。
研究结论部分可归纳如下：当前青年网络成瘾计算研究以行为-心理测量融合为基础，以分类模型为主，焦虑抑郁冲动为稳定预测因子；未来应发展连续被动感知、标准化评估与XAI，以支撑可落地的早期识别与干预系统。
这篇解读已完成，接下来可以选择一个方向继续深化：
把解读改写成期刊审稿意见 提炼可复用的研究框架与选题路径 把解读改写成期刊审稿意见 提炼可复用的研究框架与选题路径
