《Psychological Medicine》：Using machine learning to identify parenting features prospectively related to callous-unemotional traits from infancy to early adolescence
编辑推荐：
为探索不同养育特征对青春期早期冷酷无情特质（CU traits）和品行问题（CPs）发展的相对重要性，研究人员应用机器学习方法，前瞻性地分析了从婴儿期至儿童早期（6-90个月）的74个养育预测因子。研究发现，养育特征能解释青春期前8.2%的CU特质变异性和4.5%的CPs变异性，其中早期的敏感性养育以及后期的行为管理和引导实践是关键预测因子。这强调了早期敏感的亲子关系对CU特质发展的影响，并为针对CU特质和CPs的预防性干预提供了具体目标。
孩子的行为问题，尤其是攻击性和违反规则等品行问题（Conduct Problems, CPs），是童年期常见的困扰，不仅给个人和家庭带来负担，也增加了未来罹患反社会人格、抑郁和物质使用障碍等精神疾病的风险。在品行问题中，冷酷无情特质（Callous-Unemotional traits, CU traits）——表现为低共情和缺乏内疚感——是预测更严重、更持久行为问题以及成年后暴力、犯罪和精神病态的关键因素。因此，深入理解哪些因素会增加儿童发展出冷酷无情特质的风险，对于制定更有效的预防和干预策略至关重要。
长久以来，养育方式一直被认为是影响儿童行为发展，尤其是冷酷无情特质的重要因素。然而，早期的研究观点存在分歧。一些基于遗传和早期养育的发现曾暗示，对于具有高冷酷无情特质的儿童，养育在其品行问题的发展路径中作用不那么突出，甚至有人质疑以改善养育为核心的金标准治疗方法对这类儿童是否有效。与此同时，过去二十年的众多研究又明确无误地证明了养育在儿童冷酷无情特质风险路径中的重要性。这种矛盾凸显了现有研究的局限性：多数研究仅关注“积极”（如温暖、投入）或“消极”（如严厉、强制）的宽泛养育维度，而很少同时评估多个具体的养育方面（如敏感性和行为管理）并比较它们在预测冷酷无情特质时的相对重要性；研究多采用横断面或短期追踪设计，缺乏从婴儿期到儿童早期的长期纵向数据，无法揭示在冷酷无情特质能被可靠评估之前，婴儿期和学步期的养育实践有多重要；此外，既有父母报告也有观察评定的养育行为测量方法各有利弊，但哪种方法测得的哪些特征最能预测未来的冷酷无情特质，仍不清楚。
为了解决这些悬而未决的问题，并为针对冷酷无情特质和品行问题的预防性干预指明更精确的靶点，研究团队在《Psychological Medicine》上发表了一项开创性的研究。他们独辟蹊径，采用数据驱动的机器学习方法，对一项大型纵向队列——“家庭生活项目”（Family Life Project）的数据进行了深入挖掘。该研究旨在识别从婴儿期到儿童早期（6个月至7岁）多次评估的众多养育特征中，哪些最能预测青春期早期（12-14岁）的冷酷无情特质和品行问题。通过对多达74个养育预测因子（涵盖父母报告问卷、录像互动的观察编码以及家访评级）在八个时间点的评估数据进行分析，研究团队得以超越传统回归方法的限制，探索预测因子之间的相关、交互和非线性关联。
为开展此项研究，作者主要运用了以下几个关键技术方法：首先，研究数据来源于“家庭生活项目”大型纵向队列，该队列在2003-2004年间招募了1292个家庭（49%女性，41%黑人），并进行了从婴儿期（6个月）到青春期前（154个月）共八次评估。其次，研究采用了机器学习中的随机森林（Random Forest）回归算法来构建预测模型。在分析前，使用多重插补法处理缺失数据，并将样本随机划分为训练集（75%）和测试集（25%）。通过递归特征消除（Recursive Feature Elimination, RFE）技术来确定对预测结果最重要的养育特征子集，并利用交叉验证对模型进行调优。最后，通过计算变量重要性（Variable Importance）来量化每个养育特征在预测模型中的贡献度，从而识别出最关键的风险因素。
预测冷酷无情特质的养育特征
机器学习模型在测试样本中成功预测了青春期前冷酷无情特质8.2%的变异性。对预测贡献最大的前20%养育特征（共14个）进行了深入分析。结果表明，绝大多数顶级预测因子（71%）属于父母情感敏感性范畴，例如低敏感性、情感疏离和低积极关注。这些特征主要通过行为编码进行评估（79%），并且大多数是在孩子生命最初三年内测量的（64%）。例如，6个月大时互动中的情感疏离、15个月和35个月时的低认知刺激、以及24个月时父母不重视情绪教导等，都是重要的早期风险指标。此外，一些后期的行为管理实践（如58个月时对儿童负面情绪的问题聚焦和情绪聚焦反应较少）也位列重要预测因子之列。双变量相关分析显示，几乎所有这些顶级预测因子都与更高的冷酷无情特质存在显著但程度不大的正相关或负相关，方向符合理论预期，即更少的积极养育和更多的消极养育与更高的冷酷无情特质相关。
预测品行问题的养育特征
相比之下，预测品行问题的模型效果较弱，仅解释了4.5%的变异性。其顶级预测因子的构成也更为异质：情感敏感性、行为管理、引导（Scaffolding）和父母自我效能感（Parental Mastery）等类别均有代表。与冷酷无情特质模型不同，品行问题模型的预测因子更多来源于研究助理的家访评级（36%），且更多是在学龄前时期（4-7岁）测量的。只有两个预测因子（58个月时的低敏感性和90个月时的情感疏离）在两个模型中共享。一个值得注意的发现是，58个月时对儿童自主性的更多支持（通常被视为积极养育）与更高的品行问题得分呈正相关，这可能暗示了养育中“放任”与“支持自主”之间的微妙平衡。此外，大多数顶级预测因子与品行问题之间并未显示出显著的线性关联，提示预测可能由预测因子间的交互作用或非线性模式驱动。
该研究的结论与讨论部分进一步阐明了其发现的重要意义。首先，尽管解释的方差比例适中，但考虑到养育测量与结局评估之间存在长达数年的时间间隔，8.2%的预测效能仍然凸显了早期养育在塑造个体整个童年期冷酷无情特质风险方面的重要性。这有力驳斥了“养育对高冷酷无情特质儿童无效”的早期观点，确认了养育是冷酷无情特质一个真实的环境风险因素。
研究发现最关键的预测因子集中于情感敏感性，且多出现在生命头三年，这具有深刻的临床启示。它支持近期针对冷酷无情特质改良的治疗方案，即强调积极的关系和人际互动，以增强儿童的共情能力和社交动机。同时，研究也发现后期（4-5岁）的行为管理困难是重要的预测因子，这与元分析工作强调在干预中教导父母行为管理策略以减少儿童品行问题的结论一致，且适用于包含冷酷无情特质的儿童。
对于品行问题，更弱的预测能力和更异质的预测因子组合可能反映了其表型本身的异质性。品行问题可能有多条不同的发展路径，涉及情绪调节困难、环境逆境以及冷酷无情特质等，因此可能需要不同的养育特征组合来应对不同特征的品行问题。
总之，这项研究通过应用先进的机器学习方法，克服了传统统计的局限，首次在长时程纵向框架下综合评估了不同养育领域对冷酷无情特质和品行问题发展的相对重要性。研究结果不仅强调了早期父母情感敏感性在冷酷无情特质发展中的核心作用，也指出了后期行为管理和引导实践的重要性。这些发现为未来开发更有针对性、时机更精准的养育干预措施提供了宝贵的实证依据，特别是对于高风险儿童的早期识别和支持具有重要的指导价值。尽管机器学习方法存在“黑箱”局限性，且未来需要更平衡的纵向设计和更深入的机制探索，但本研究无疑为推动该领域从宽泛理论走向精确干预迈出了关键一步。
