采用混合方法研究心理治疗中“自我”概念的演变：一项初步研究

《Psychotherapy Research》：Investigating the evolution of the self in psychotherapy with a mixed-method approach: A pilot study

　　**摘要**

**目的**：本初步研究旨在评估混合方法在动态系统理论（DST）框架下探究心理治疗过程中“自我”变化的可行性和信息价值，以解决理论上的异质性问题以及传统前后测设计的局限性。

**方法**：五名正在接受心理治疗的参与者被安排在数月内每周完成基于智能手机的日记评估（≥30个预设问题）。每次评估包括11个（普遍性的）特定项目和2个个体特定的项目。对叙事评估访谈（NAI）的回应采用传统的定性内容分析方法进行解析，以提取个体特定项目并解释定量变化轨迹（但未将其作为独立的定性结果进行分析）。定量数据则通过时间序列方法（如趋势分析和ARIMA建模）进行处理。

**结果**：“自我”表现出多种变化模式（如线性、非线性、平稳和非平稳），这些变化受到过去值（即自回归成分）和创新（即移动平均成分）的影响。此外，参与者表现出不同的变化动态，因此这些数据往往不满足遍历性概括的条件。

**结论**：混合方法能够有效捕捉“自我”变化的复杂性。该方法在临床环境中是可行的，但参与者的配合度及数据分析所需的时间是关键因素。

**关键词**：自我；心理治疗；混合方法；时间序列分析；动态系统理论；非遍历性

**本文的方法论意义**：在本初步研究中，“自我”的变化常常偏离线性、平稳性和遍历性的假设。不同个体表现出不同的动态模式，这表明个体化分析可以有意义地补充普遍性方法。这些模式只有通过长时间重复评估，并采用时间序列而非传统的前后测设计才能观察到。

心理治疗研究已经证明了改变“自我”及其维度（例如Bhattacharya等人，2023年；Linardon等人，2019年）的有效性。例如，客户报告了自尊心、自信心和自我依赖性的显著变化，以及情绪处理能力和先前被压抑的情绪（如愤怒和悲伤）的表达能力的提升（Dourdouma等人，2020年；Roseborough等人，2018年）。然而，理解心理治疗过程中“自我”如何变化仍然是一个具有挑战性的课题。确实需要面对两个主要问题：首先，关于“自我”的理论众多且相互矛盾，其定义取决于所采用的理论方法；其次，传统的前后测设计和群体均值分析只能提供变化的快照，可能掩盖了治疗过程的动态本质。本文针对“自我”概念的定义和方法论挑战提出了解决方案：对于第一个问题，采用动态系统理论（DST）；对于第二个问题，则采用纵向混合方法结合时间序列分析（TSA）。

**“自我”的定义**：在过去的一个世纪中，提出了许多定义“自我”的理论。一些观点，尤其是心理动力学观点，将“自我”视为一个整体，涵盖个人的全部（例如Hartmann，1939年；Jung，1933年）。其他观点，例如认知观点，则将其描述为一个由不同但相关的方面组成的多维结构（例如Tesser等人，1996年）。此外，最近的研究强调“自我”是一种叙事构建、内部声音的对话系统，或是从人际情境中产生的关系现象（例如McAdams，1996年）。这些观点通常基于不同的分析层次和部分不兼容的假设，没有一种理论模型能够全面或被普遍接受。

**在当前研究中，我们采用动态系统理论（DST）作为框架来探究“自我”。具体而言，DST将“自我”视为一个由其组成部分构成的复杂系统，这些组成部分由于相互关联而形成的整体大于各部分之和。由于DST是一种跨不同心理治疗方法的元理论视角（Gelo & Salvatore，2016年；Lauro-Grotto等人，2009年），因此可以克服理论分歧及其不兼容性。受之前将“自我”视为动态系统理论的启发（例如Guidano，1998年；Morf & Horvath，2010年；Tschacher & R?ssler，1996年），我们将“自我”定义为由低层次方面和高层次维度组成，这些方面随时间相互作用，从而实现自我组织的展现。在这种观点下，“自我”的变化轨迹受到确定性影响（即遵循规则的相对系统模式）和随机性影响（即引入系统演变的不确定性波动）的共同塑造。由于人类构建的“自我理论”会在现实中不断演变并寻求验证，“自我系统”会经历稳定期和身份危机期，在此期间其元素会重新组织或形成新的配置（Epstein，1973年；Mahoney，1991年）。实际上，“自我”倾向于达到平衡并通过维持自我状态来抵抗变化，这一过程受到吸引子的帮助，系统会趋向于这些吸引子（Bergner & Holmes，2000年；Tschacher & R?ssler，1996年）。研究发现自尊心和人格特征等属性具有吸引子效应，间接支持了“自我”的系统化概念（例如Danvers等人，2020年；Sosnowska等人，2020年；Wong等人，2016年）。因此，“自我”在时间上提供了相对连贯的身份感。然而，它仍然容易受到外部干扰（如重大生活事件）的影响，这些干扰可能会暂时破坏或重新组织“自我”。

**探究心理治疗过程中“自我”的变化**：大多数心理治疗研究使用前后测设计（含一到两次随访）以及各种群体均值分析（如方差分析（ANOVA）、交叉滞后面板模型（CLPMs）或潜在增长曲线模型（LGCMs）来研究“自我”的变化。尽管这种方法可以证明心理治疗对“自我”有平均影响，但它存在几个关键问题。首先，带有数月或数年随访的前后测设计阻碍了对变化过程的长期观察，因为它们丢失了关于“自我”如何在治疗过程中演变的信息。有两项研究（Brown等人，2024年；Svartberg等人，1996年）使用潜在增长曲线模型来模拟“自我”的变化轨迹，但仅限于较短的时间范围或具有较高的时间分辨率，从而无法深入探讨变化动态的本质。具体而言，Svartberg等人（1996年）每季度测量一次自我概念，而Brown等人（2024年）每两周测量一次，导致从一个治疗阶段到下一个阶段的信息丢失。其次，群体均值分析忽略了个体差异（例如Molenaar & Campbell，2009年）。群体均值分析是普遍性方法的基础，该方法旨在制定适用于一类个体的普遍规律（Gates等人，2023年）。从群体到个体的推广要求个体变化是同质的（即个体间方差等于个体内方差）。然而，这种比较只有在变化过程是遍历性的情况下才成立；也就是说，当单个人的平均变化与样本平均变化一致时（Gates等人，2023年；Hannan，1970年）。遍历性定理要求满足两个条件：所有个体遵循相同的动态规律（即每个人的变化方式相同），且过程是平稳的，即均值、方差和滞后协方差随时间保持不变（Hannan，1970年）。然而，满足遍历性假设具有挑战性，因为人类作为自我组织的存在，其变化是非恒定且个体间存在差异的（Molenaar & Campbell，2009年）。遗传、生活史和环境因素对每个个体都有不同的影响，因此在假设同质性的情况下研究“自我”的动态可能会导致研究结果的扭曲。依赖普遍性方法（如ANOVA）的统计分析会导致一些在临床上不合理的假设：(a) 独立随机分布的误差忽略了观察之间的依赖性，因为过去的自我状态会影响未来的状态；(b) 类别方差的同质性忽视了个体差异，将个体变异视为误差或未解释的方差；(c) 变量间关系的线性（即变化率大致恒定）忽略了非线性和复杂的变化（如加速、减速或曲线趋势），尽管在随访期间“自我”似乎表现出非线性变化（例如Jackson & Harms，2019年；Sty?a，2015年）；(d) 系统中缺乏扰动忽略了可能引发“自我”变化的突发情境事件。因此，在简化过程中“自我”变化的复杂性被忽略了，限制了准确捕捉变化动态和个体差异的能力。心理治疗中关于“自我”的研究应结合普遍性方法和个体化、过程导向的方法，以更好地反映个体内变异性和情境敏感性。

**混合方法的重要性**：多年来，心理治疗研究越来越倾向于采用混合方法，因为单一方法在某些方面具有信息价值，但存在其他方法可以弥补的局限性（例如Bartholomew & Lockard，2018年）。普遍性方法能够制定适用于所有个体的普遍规律，但忽略了个体差异和遍历性定理的假设（Hannan，1970年）。相反，个体化方法突出了个体的独特性，描述了个体随时间的行为模式，并关注个体内变异（Gates等人，2023年）。然而，个体化方法无法对结果进行推广。因此，每种方法都需要另一种方法来补充信息。具体来说，混合方法可以解决上述假设带来的一些限制。例如，可以在群体和个体层面同时研究某一现象，从而验证遍历性定理，因为群体层面的推广可以通过个体案例的分析来验证。此外，混合方法允许在多个相互作用层面研究“自我”。我们提出“自我”可以被视为一个具有共享维度的动态系统，这些维度在个体间表现不同。评估这些维度需要普遍性项目（对所有参与者进行）和定量数据。然而，也需要考虑每个个体的独特方面，这需要从定性数据中提取个体特定项目。因此，我们提出了一种结合定性和定量数据的混合方法：(a) 在连接阶段，定性主题直接用于构建定量测量（即个体特定项目）；(b) 在解释阶段，使用定性叙事来 contextualize 和解释个体内的和个体间的定量变化轨迹。最后，由于个体化方法关注个体内变异，因此需要通过重复测量来随时间追踪变量（Molenaar，2004年）。因此，研究设计必须是纵向的，与传统的前后测研究不同，它为每个个体包含多个时间点，生成密集的纵向数据（Intensive Longitudinal Data – ILD），通过生态瞬时评估（EMA；Shiffman等人，2008年）收集。虽然ILD指的是在同一时间点重复评估同一组个体的数据集，产生相对较长的个体内时间序列（Bolger & Laurenceau，2013年），但EMA是一种在参与者自然环境中实时或接近实时进行重复评估的数据收集方法（Shiffman等人，2008年）。在临床环境中，EMA/ILD越来越多地被视为常规结果监测（ROM）的扩展，用于预测治疗结果、探索个体内变化，并指导关于治疗重点、干预时机和潜在风险（如复发）的临床决策（McAleavey等人，2024年；Mink等人，2025年）。因此，将DST、EMA、ILD和TSA结合到混合方法中可以弥补单一方法在研究心理治疗中的“自我”变化方面的不足。

**研究目的**：因此，本初步研究旨在采用混合方法来探究心理治疗过程中“自我”每周的变化，整合普遍性和个体化层面以及定性和定量方法。具体而言，本研究利用通过EMA收集的定量ILD数据，并通过TSA在DST框架下对“自我”进行建模。从混合方法的角度来看，本研究采用探索性顺序设计（Creswell & Plano-Clark，2017年），因为定性叙事访谈主要用于提取个体特定项目并提供解释个体定量变化轨迹的情境信息（而不是产生独立的定性结果集）。由于文献中似乎没有研究以如此深入和持久的方式探讨“自我”这一概念，因此本研究作为一项基于单案例系列的初步研究而开展。评估了该研究的可行性和信息量，以确定是否可以将混合方法应用于关于“自我”的心理治疗研究，并识别可以获取的信息类型。

**方法**

**参与者**

**纳入标准：**
- 正在接受任何理论取向的心理治疗；
- 年龄在18岁或以上；
- 拥有智能手机；
- 能够连接互联网。

**排除标准：**
- 正在接受精神药物治疗；
- 被诊断为精神障碍。

鉴于这是一项初步研究，设定这些排除标准的目的是为了最小化与EMA任务相关的临床风险和负担，并在将其扩展到病情更严重的患者之前测试该程序的可行性。

**工具**

**定制自我问卷（SQ）：**
开发了11个定制问题，采用0-10的李克特量表（0=强烈不同意；5=中立；10=强烈同意）（详见“程序”部分中的SQ开发过程）。每周进行一次SQ调查，以评估“自我”的各个维度，包括自我认知、社会责任、社交能力、自我实现、自尊和情绪调节（详见补充文件1中的表S1-1，其中列出了问题清单）。一个问题的平均得分代表特定“自我”方面的平均水平（例如，实现的目标、自我满意度、社会贡献），而不是对“自我”的全面总结。问题得分越高，表示该特定“自我”方面的水平越高。

**叙事评估访谈（NAI；Hardtke & Angus, 2004）：**
NAI是一种半结构化访谈，用于探究“自我”的质性变化。NAI包含三个问题：
- 自我描述；
- 重要他人会如何描述他们；
- 他们希望改变自己的哪些方面。

**个性化问题：**
在预测试NAI内容分析之后，第一作者和第二作者共同为每位参与者制定了两个针对个人的核心自我主题的问题（例如，对他人的善意、僵化、退缩、提供支持、被视为强大）。

**方法可行性评估：**
在研究结束时，使用定性和定量指标来评估可行性。对于定性部分，心理治疗师在后续测试NAI期间向每位参与者提出一个开放式问题，询问他们在参与研究过程中遇到的困难。对参与者的回答进行定性总结，以确定最常见的参与障碍。此外，缺失数据和退出情况也被用作可行性的定量指标。最后，通过同行讨论收集了研究团队的意见。

**智能手机生态瞬时评估（SEMA3 v. 1.4.0；O’Brien et al., 2024）：**
SEMA3是由墨尔本大学开发的一款开源应用程序，设计用于在运行iOS（版本8.0或更高）或Android（版本6.0或更高）系统的智能手机上进行EMA研究。

**参与者依从性：**
计算每位参与者完成评估的百分比。

**程序**

**伦理批准：**
佛罗伦萨大学的伦理委员会批准了这项研究（协议编号0062488）。

**SQ开发：**
我们选择开发定制问题而不是依赖现有的问卷，因为“自我”是一个高度多方面的概念，涵盖其主要方面需要使用多个量表。如果为每个方面使用单独的已发布问卷，会导致评估量很大，给参与者带来过重的负担，增加疲劳、厌倦和退出的风险。第一作者和第二作者基于广泛使用的与自我相关的问卷（主要在非临床环境中开发，如《自我概念量表》（Go?i et al., 2011）、《整合自我认知量表》（Ghorbani et al., 2008）、《社会自我问卷》（Fernández-Zabala et al., 2015）或《罗森伯格自尊量表》（Rosenberg, 1965）进行了叙述性回顾，从而创建了问题内容。然后，他们通过迭代共识过程确定了重叠的内容领域，并将其组织成候选的“自我”维度。因此，他们选择了一组最能覆盖门诊心理治疗中认为相关的“自我”核心维度的最小问题集（例如，自我认知、自尊、情绪调节、目标追求、社会责任、社交能力），同时保持问卷的简洁性，以便在几个月内重复使用。根据问题的概念清晰度、非冗余性和在此背景下的临床相关性来保留或排除问题。此外，这个11个问题的SQ版本在更大的非临床样本中通过探索性图分析（EGA）显示出了稳定的二维结构和令人满意的问题稳定性（[作者姓名已隐藏以保护隐私]，准备中）。

**心理治疗师招募：**
研究作者直接联系了持证心理治疗师，询问他们是否愿意参与患者招募和访谈。这些治疗师是对心理治疗研究感兴趣的临床医生，并根据便利性进行招募（因为他们与作者个人认识）。研究团队要求治疗师自己进行NAI访谈，以便将访谈嵌入现有的治疗关系中，尽量减少对常规临床实践的干扰。治疗师没有接受NAI实施的培训，因为NAI只包含三个简单的开放式问题。治疗师仅从研究团队那里获得了NAI及其实施指南的简要书面描述，但在预测试和后测试之间没有提供反馈。治疗师使用标准的书面信息表向潜在参与者介绍研究，确保所有患者都能获得关于研究目的、程序和隐私信息的相同解释。

**数据收集：**
从2023年6月开始根据既定的纳入和排除标准招募参与者。当患者同意参与时，治疗师在常规治疗过程中进行NAI访谈。每次访谈都由治疗师录音，随后由第一作者转录。然后，第一作者和第二作者对每次访谈进行常规的内容分析（详见数据分析部分），提取相关的“自我”主题，并为每位参与者制定两个个性化问题。随后要求参与者下载SEMA3应用程序。每周日，SEMA3会在上午10点到晚上8点之间提示参与者完成问卷（即基于SQ的11个问题以及两个个性化问题）。选择在周日进行评估是为了尽量减少对工作、治疗关系和治疗常规的干扰，并促进对协议的遵守，因为周日通常是意大利大多数人的休息日。如果参与者未能在指定时间内完成问卷，则记录该周的缺失数据。由于这是一项初步研究，我们选择了每周一次的EMA安排，而不是每天或每次治疗都进行一次，以减少参与者的负担，同时仍能获得足够的重复测量数据。根据短时间序列的抽样要求（例如，Beard et al., 2019; McCleary et al., 1980），参与者至少被安排接收提示30次。此外，如果治疗师认为研究干扰了治疗、给患者带来了负担，或者参与者表示不满或希望退出，他们可以随时终止研究。最后，治疗师在常规治疗过程中进行后测试NAI访谈。访谈由治疗师录音，随后由第一作者转录。之后，第一作者和第二作者进行最终的内容分析。

**数据分析**

**定性分析：**
第一作者和第二作者采用传统的定性内容分析方法（Hsieh & Shannon, 2005）对定性数据进行了分析。由于NAI的回答相对简短，无法与深入的定性访谈数据相比，研究的目的是归纳性地识别每位参与者最显著的“自我”相关主题，以构建个性化问题（详见补充文件1中的表S1-2）。最初，第一作者和第二作者分别多次阅读每次预测试访谈，熟悉材料并生成初步代码，捕捉与自我相关的意义。然后，他们通过迭代讨论将相似的代码归类为更广泛的主题，并就每位患者的两个核心“自我”主题达成共识，将其作为个性化EMA问题。接着，同样的编码框架应用于后测试NAI，并将结果与预测试NAI进行比较。在整个过程中，通过讨论解决分歧，直到达成完全一致。只有完成预测试和后测试NAI的参与者才有资格进行定性分析。

**反思性声明：**
第一作者和第二作者都是临床心理学家、持证心理治疗师和研究人员，具有个体心理治疗和个性化研究的经验。这种背景可能使他们（a）对变化的叙事标志（例如，洞察力、整合、自我评估的变化）更加敏感，以及（b）倾向于通过DST视角解释波动，而不是将其视为随机变异或测量噪声。为了减轻这种影响，采取了以下策略：归纳性工作、独立编码以及通过讨论解决分歧，确保主题反映参与者的叙述，而不是先前的假设或理论驱动的解释。

**定量分析：**
使用RStudio进行TSA（即缺失值插补、描述性统计、趋势分析、ARIMA），在单案例层面进行。完成问卷次数少于50%的参与者被认为不符合定量分析的条件。通过使用imputeTS包版本3.3（Moritz & Bartz-Beielstein, 2017）对合格参与者的缺失值进行线性插补。计算每个时间序列的描述性统计（即平均值、标准差、范围、标准化截距和趋势）。趋势分析研究了随时间的变化形态，验证每个评估的“自我”方面是线性变化还是非线性变化。分析考虑了一个线性趋势和两个非线性趋势（二次和三次）。模型选择基于赤池信息量准则（AIC）。具体来说，趋势的选择基于最低的AIC值，表示比其他模型更好的拟合度。然而，如果最低AIC值的趋势在统计上不显著，则选择最简单的模型，符合简约原则。趋势分析限于二次和三次模型，因为更灵活的模型（如回归样条或局部回归）可能会过度采样序列中的噪声，而不是真实信号，尤其是在本研究中的短时间序列中（详见补充文件2中的表S2-1、S2-3、S2-5和S2-7，每个参与者的趋势选择过程）。

**ARIMA：**
然后，为每位参与者估计了一个单独的自回归积分移动平均（ARIMA，p, d, q）（Box et al., 2015; Box & Tiao, 1965, 1975）模型。ARIMA允许对每个时间序列的自回归（AR）和移动平均（MA）成分进行建模，分别研究过去状态和创新（误差）项对当前状态的影响。正系数表示偏差在相邻测量中的延续（例如，时间t的增加很可能在时间t+1时进一步增加）。相反，负系数反映了向均值方向的逆转或振荡模式（例如，增加之后往往伴随着减少，反之亦然）（例如，Box et al., 2015）。ARIMA分析使用forecast包v. 8.16（Hyndman et al., 2024）进行。在标准化每个时间序列后，auto.arima函数为每个时间序列选择了最佳的ARIMA模型，根据AIC、修正的赤池信息量准则（AICc）和贝叶斯信息量准则（BIC）选择最佳的自回归（p）、积分（d）和移动平均（q）参数，以减少过拟合的风险（详见补充文件2中的表S2-2、S2-4、S2-6和S2-8，每个参与者的ARIMA模型选择过程）。

**ARIMA：**
然后，为每位参与者估计了一个单独的自回归积分移动平均（ARIMA，p, d, q）（Box et al., 2015; Box & Tiao, 1965, 1975）模型。ARIMA允许对每个时间序列的自回归（AR）和移动平均（MA）成分进行建模，分别研究过去状态和创新（误差）项对当前状态的影响。正系数表示偏差在相邻测量中的延续（例如，时间t的增加很可能在时间t+1时进一步增加）。相反，负系数反映了向均值方向的逆转或振荡模式（例如，增加之后往往伴随着减少，反之亦然）（例如，Box et al., 2015）。ARIMA分析使用forecast包v. 8.16（Hyndman et al., 2024）进行。在标准化每个时间序列后，auto.arima函数根据AIC、修正的赤池信息量准则（AICc）和贝叶斯信息量准则（BIC）选择最佳的ARIMA模型。至少需要一个积分项（d）的模型应用于最初非平稳但经过差分后变得平稳的序列。如果需要，auto.arima函数会自动应用差分。此外，还进行了t检验，以确定自回归（?）和移动平均（θ）系数的显著性。另外，还对每个模型进行了Ljung–Box检验，以评估残差中是否存在自相关性（理想情况下，残差应呈白噪声分布；Ljung & Box, 1978）。如果Ljung–Box检验的Q统计量不显著，则认为模型是合适的（详见补充文件2中的表S2-2、S2-4、S2-6和S2-8）。最初，有六名患者同意参与研究，他们在研究开始前大约2-3个月就已经开始了治疗。由于技术不兼容导致SEMA3下载失败，其中一名参与者被从研究中移除。因此，样本（N=5）由三名男性（60%）和两名女性（40%）组成，平均年龄为34岁（标准差SD=8.25）。三名患者接受了心理动力学心理治疗，一名接受了认知行为疗法（CBT），一名接受了简短策略疗法（BST）。在研究开始时，每位参与者都正在进行私人环境中的个体心理治疗。每次治疗持续50分钟，每周进行一次，费用由患者自行承担。表1报告了参与者的社会人口统计特征、治疗信息以及EMA依从性。

所有五名参与者都完成了前测和后测的NAI。然而，由于一名参与者（即参与者5）的依从率低于50%，因此她被排除在定量分析之外（仅包括NAI内容分析的结果）。因此，有四名参与者符合定量分析的条件。由于没有人达到100%的依从率，每位参与者的13个系列数据（11个SQ项目加上2个个性化项目）的缺失值都进行了线性插补。具体来说，每位参与者完成的每周问卷数量从16份到28份不等（见表1）。

由于手稿长度的限制，将详细展示一个案例（即参与者1），以展示混合方法如何能够提供关于单个个体的信息。选择参与者1是因为她的依从率最高（即32次评估中完成了28次；87.50%），从而产生了最长且最完整的时间序列数据，并且她的数据体现了其他案例中也出现的几个特征（例如，线性和非线性趋势的混合、自回归和移动平均成分、非平稳序列）。随后将简要描述其他四名参与者（详见表2和表3以及补充文件2中的进一步分析）。

参与者1是一名43岁的女性，她正在接受心理动力学心理治疗。她形容自己是一个坚强的人，会保护和支持周围的人，尽管内心感到不太安全。她称自己为“情感的创业者”，强调了对所爱之人的情感投入。她回忆了一些塑造她身份的创伤经历，比如在青少年时期失去男朋友以及婚姻中的起伏。在前测NAI中，她的坚强表现为对外界的特质，而她认为自己内心缺乏这种特质。然而，在后测NAI中，她既认识到了自己的脆弱性也认识到了自己的坚强。

从NAI前测中提取的个性化项目包括“提供支持给他人”和“被他人视为坚强”（详见补充文件1中的表S1-2）。提供支持给他人的特质随时间保持稳定（平均值M=10，标准差SD=0）。与此同时，“力量”这一特质随时间变化（平均值M=7.75，标准差SD=0.57），显示出显著的线性负趋势（b1=-0.034，p<0.001）（趋势选择详见补充文件2中的表S2-1）。ARIMA（0,1,0）模型提供了最佳拟合，表明这两个序列是非平稳的，并且缺乏AR和MA成分。Ljung–Box检验对每个序列来说在统计上都不显著（ARIMA分析详见补充文件2中的表S2-2）。图1显示了该参与者个性化项目的时间序列图。

关于SQ项目，平均得分主要在7.25到10.00之间（更多细节见表2，每位参与者的维度时间序列图见图1）。值得注意的是，个人可靠性和社会贡献获得了最高的平均得分，标准差非常低，表明这些特质具有高度的一致性，而自我态度是最多变的方面。趋势分析表明，七个趋势最适合用线性模型来描述。相比之下，四个趋势更接近于二次模型（趋势分析和基于AIC的模型选择详见补充文件2中的表S2-1）。值得注意的是，情绪自我反思（b1=-0.024，p=0.010）和个人满意度（b1=-0.038，p<0.001）显示出显著的负趋势。目标实现（b1=-0.082，p<0.05，b2=0.002，p>0.05）和自我态度（b1=-0.108，p<0.05，b2=0.002，p>0.05）显示出显著的负线性趋势，但之后没有统计学上的显著增加，而自我接纳则表现出先减少后增加的趋势（b1=-0.078，p<0.05，b2=0.002，p<0.05）。总体而言，斜率值主要是负的或平的，范围从-0.108到0.002。大多数序列可以通过低阶ARIMA模型（通常p和/或q≤1）来充分描述，除了目标实现，它更适合用三阶模型（?1=-0.69，?2=-0.59，?3=-0.45）来表示，显著的AR系数表明可能存在振荡模式（详见补充文件2中的表S2）。情绪管理最好用ARIMA（1,1,0）（?1=-0.38，p=0.018）来表示，这表明在某个时期增加之后通常会跟随减少。相比之下，对思想和感受的意识（θ1=0.46，p=0.010）、反思（θ1=-0.81，p<0.001）和个人满意度（θ1=-0.78，p<0.001）更适合用MA模型来表示，这表明创新因素有助于短期延续（θ>0）或逆转（θ<0）。其他变量则使用基础模型（0,0,0）或积分模型（0,1,0）来建模，表明它们随时间缺乏AR和MA成分。Ljung–Box检验对所有序列来说在统计上都不显著（自主决策、问题参与和他人接受除外），表明残差自相关性很小，模型整体拟合得当（详见补充文件2中的表S2-2）。

变量“支持他人”的恒定值（设定为10）以及可靠性和社会贡献的一致高分数与她作为“情感的创业者”的自我形象相符，也符合她希望保持这一核心特质的愿望。根据访谈，“力量”这一特质的轻微下降可以解释为从一种“僵硬”的自我形象向更加整合和现实的自我形象的转变，这可能反映了她对自己局限性的更大认识。也许她对自己态度和自我满意度的增加反映了从理想化形象（坚强但不真实）向更加现实、自我接纳的形象的转变。

参与者2是一名28岁的男性，正在接受CBT治疗，被描述为“一个好人”。在前测中，他表示希望减少自己的僵化，而在后测中，他不再希望改变自己任何方面。由于心理治疗、大学学习、与伴侣的关系以及工作经历，他的自我发生了变化。个性化项目关注的是善良和僵化，这些特质随时间有所减少。许多变量显示出线性和非线性趋势的混合，ARIMA模型主要包含了一些方面的MA成分（例如，参与度和接受度）（详见表2和补充文件2）。

参与者3是一名27岁的女性，正在接受BST治疗，她最初描述自己为开朗、体贴且“敏感”，并表示希望在某些情况下更加冷漠。在后测中，她确认了前测中的自我描述，并希望减少对他人过度投入的行为（见表3）。个性化项目包括关怀（在整个过程中值都很高，与她作为富有同情心和非常体贴的人的自我描述一致）和冷漠（这种倾向有所增加）。大多数变量显示出非线性趋势（例如，目标实现、自我意识、可靠性），并且包含多个AR成分（见表2和补充文件2）。

参与者4是一名29岁的男性，正在接受心理动力学心理治疗，他最初描述自己为害羞和坚忍的，并且不希望改变自己任何方面。在后测中，他描述自己变得更加积极主动，同时保持冷静和内敛（见表3）。个性化项目涉及害羞和坚忍。个性化数据中害羞程度的减少与从“内向”的人向更加积极主动但仍然内敛的个体的转变相一致。他的SQ轨迹显示出适度的变化性和线性、二次和三次趋势的混合。时间序列模型表明同时存在AR和MA成分（见表2和补充文件2）。

参与者5是一名43岁的男性，正在接受心理动力学心理治疗。他描述自己是一名医生，为了照顾患者而牺牲了个人和家庭的需求。在前测中，他表示他人认为他过于焦虑；而在后测中，他将问题重新定义为过度关注细节。他认为分析和参加权威人物的会议是促使他改变的关键事件，帮助他无畏地表达自己的观点。由于依从率低于50%，他被排除在整体定量分析之外。

在本节中，我们总结了四个案例之间的相似点和差异，既参考了定性主题（表3），也参考了表2和补充文件2中报告的定量指标。由于样本量较小，无法进行规范性统计分析；因此，分析仅限于描述性百分比和参与者之间的定性比较。

对前测和后测NAI协议的定性分析揭示了参与者之间的一些一致趋势（见表3，了解参与者在NAI前后主题的变化）。具体来说，每位参与者都认为自我变化的某些方面，将生活事件（例如参与者1和3）和心理治疗（例如参与者2和5）视为个人成长和变化的关键催化剂。前测中的自我形象在参与者之间保持稳定，因为他们随着时间的推移描述自己时使用了相似的形容词。然而，一些参与者的自我表征可能反映了相反方面的接受。例如，参与者1在前测NAI中提到，尽管他人认为她坚强，但她内心感到脆弱。相比之下，在后测中，她也认为自己是脆弱的，但并不希望改变自己任何方面。

在四个符合定量分析条件的参与者中，21个变量最适合用线性趋势来描述，而23个变量最适合用非线性趋势来描述（即9个二次趋势和14个三次趋势）。负线性趋势通常多于正线性趋势（即12个对比9个），只有一个例外是常数。此外，AR和MA成分都存在，反映了过去价值影响和创新（可能是干扰或不可预测的外部影响）的共存。具体来说，13个序列仅显示AR成分，7个仅显示MA成分，10个同时显示AR和MA成分，14个没有显示出显著的ARMA成分。ARIMA模型的符号主要是负的（即21个负AR和8个正AR；5个负MA和8个正MA）。这种模式表明在偏离后有回归基线的总体趋势。高阶AR和MA成分与目标实现、个人满意度和社会贡献相关，表明过去的状态对这些变量有更大的影响。

在这些数据中，常用于遍历泛化的假设（即平稳性和动态规律的同质性）往往不成立。实际上，ARIMA分析显示同一个变量对每个人来说可能表现出不同的变化过程，遵循不同的动态规律（见图2），44个变量中有24个是非平稳的（即需要差异化才能达到平稳）。因此，将个体间变异（个体之间的平均变化）泛化为个体内变异（个体内部的变化）可能会引入偏差。例如，被他人接受这一变量对每个人的AR（1）指数分别为0.03、0.10、0.13和0.29。因此，除了第一个参与者几乎没有影响外，该变量对第二个和第三个参与者表现出较小的自回归成分，对第四个参与者表现出中等程度的自回归成分。该变量的平均变化过程（即四个自回归系数的平均值）为0.14。这个值仅接近第三个参与者。然而，它低估了第四个参与者，高估了第一个参与者。因此，依赖这种平均变化过程将导致对个体层面实际动态过程的扭曲理解。图2显示了每个SQ项目下所有参与者中最适合的ARIMA模型。请注意，该图展示了针对“自我”（行）和参与者（列）每个维度所识别的ARIMA模型。每种颜色代表一种ARIMA（p, d, q）配置，突出了个体和变量之间变化动态的差异。实际上，同一项目会根据个体的不同而遵循不同的动态规律。

**讨论**
这项初步研究采用了混合方法来探讨心理治疗过程中“自我”的变化（以下段落中的“自我”是指所评估的自我各个方面的网络）。结果表明，在这些数据中，“自我”的各个方面往往以非线性的方式发生变化，这表明自我变化可能是一个以渐进性振荡和调整为特征的过程，而不是之前理论所假设的突然或线性方向的转变（例如，Guidano, Citation1998）。然而，由于研究设计缺乏对照组或基线，无法确定这种非线性是自发发生的还是心理治疗的结果。Jackson和Harms（Citation2019）的研究也支持自我变化的非线性特征，他们观察到未接受心理治疗的参与者在四个自我概念测量指标上呈现出了二次趋势。相反，Sty?a（Citation2015）关于自我概念清晰度的研究也发现了类似的非线性变化模式。这些结果与Svartberg等人（Citation1996）的研究结果形成对比，后者发现自我概念是稳定变化的。这种不一致可能源于方法学上的差异，因为他们每月进行一次测量，这可能会因为时间采样而忽略了一些变化动态。

ARIMA分析表明，当前的自我状态部分可以从之前的状态和由创新驱动的波动中预测出来，这可能与类似扰动的影响一致。这种模式支持将自我视为一个动态的、开放的系统，它遵循规律性，但同时对情境因素（包括重大生活事件（如婚姻、丧亲、学业失败）和日常功能中的其他中断）保持敏感（例如，Bleidorn等人，Citation2018；Montpetit等人，Citation2010）。同样，心理治疗可能作为一种结构化的扰动，鼓励参与者进行自我探索，从而揭示他们隐藏的自我方面，并可能挑战他们现有的自我信念（例如，Bhattacharya等人，Citation2023；Dourdouma等人，Citation2020）。

值得注意的是，许多变化轨迹在暂时偏离后倾向于回归到之前的水平。这种模式与将自我视为一个追求平衡或自我连贯性的动态系统的经典理论一致（例如，Guidano, Citation1998；Morf & Horvath, Citation2010；Tschacher & R?ssler, Citation1996），这可能解释了为什么长期治疗似乎比短期治疗能引发更显著的自我变化（Lindfors等人，Citation2012；Lorentzen等人，Citation2015）。也许自我需要很长时间才能发生变化，因为自我调节机制会抵制变化以保持随时间的连贯性（例如，Baumeister等人，Citation1998；Spinelli, Citation2015）。对变化的抵抗可能是适应性的，因为它表明了身份的维持和稳定性，而这些与更高的幸福感相关（例如，Rabinovich & Morton, Citation2016）。另一方面，抵制难以接受的自我方面的整合可能会维持功能失调的模式。尽管如此，正系数的存在表明自我正在朝着非平衡状态发展。在DST框架下，自我强化变化可以被解释为一个处于过渡中的系统，新的吸引子正在出现（即持续的重新配置），这与将心理治疗视为触发自我转变阶段和吸引子重组的观点一致（例如，Epstein, Citation1973；Guidano, Citation1998；Heinzel等人，Citation2014；Olthof等人，Citation2020）。

此外，在这个数据集中，将群体层面的动态推广到个体层面的条件是有风险的，并且可能会引入偏差，因为往往不满足遍历性的假设（参与者没有遵循相同的变化规律，且序列通常是非平稳的）。这些观察结果与之前的研究一致，这些研究记录了个体人格特质（Frumkin等人，Citation2021；Hulsmans等人，Citation2024）、自我概念以及心理治疗期间自我概念清晰度的显著变化（例如，Brown等人，Citation2023；Sty?a, Citation2015）。因此，即使人们可能存在共性，也必须考虑到每个人的独特性。此外，由于研究设计的原因，非平稳性的存在不能归因于自我本身的性质或心理治疗，因为人格特质会随时间自发变化（例如，Hulsmans等人，Citation2024）。同样，心理治疗中的变化几乎总是非平稳的，表明变化模式会随时间变化（例如，Kowalik等人，Citation1997）。然而，并非所有变量在这项研究中都表现出非平稳性，这表明自我可以有一些平稳的方面，而其他方面则不是，而且这种比例因人而异。

**信息量**
混合方法在捕捉心理治疗过程中自我各个方面的演变性质方面非常有用，无论是群体层面还是个体层面。具体来说，使用规范化的SQ项目使得参与者之间的比较成为可能，而针对个人的特异性项目则有助于深入探索每个个体的独特自我。此外，定性访谈提供了对自我关键领域的洞察，使得特定个体的可量化维度得以操作化，并支持对定量结果的情境化解释。EMA和ILD数据还允许捕捉自我变化的多种模式（例如，线性或非线性、平稳或非平稳）。最后，DST有助于消除引言中提到的一些不切实际的假设，例如没有系统扰动（尽管自我可能会受到外部因素的冲击并寻找新的平衡）或分数随时间的独立性（尽管自我的状态受到其先前状态的影响）。

**可行性**
总体而言，在常规私人实践中实施这种混合方法是可行的，但要求较高。积极的一面是，大多数参与者在几个月内完成了大量的每周评估，治疗师也能够将NAI整合到常规治疗 session 中。然而，也出现了一些限制这种设计可行性的挑战。首先，TSA和DST需要特定的方法学专业知识，不是所有研究人员都具备的，而其他常规统计分析（例如ANOVA、回归）则不需要。此外，尽管整合定性和定量方法可以丰富研究内容，但这是一项劳动密集型工作，因为没有自动化程序，特别是如果项目要扩展到更大的样本规模的话。其次，吸引愿意参与研究的参与者是一个重大障碍。符合定量分析条件的参与者（n = 4）的平均依从率为64.38%（SD = 15.66），低于其他综合密集纵向研究依从率统计的结果（例如81.90%（Williams等人，Citation2021）或79%（Wrzus & Neubauer, Citation2023））。然而，这个结果难以与文献中的数据进行比较，因为元分析中的平均率估计可能存在负偏差。事实上，正如Williams等人（Citation2021）所发现的，只有57.7%的已发表的密集纵向研究估计了依从率，这使得无法确定真实的依从率。此外，大多数纳入元分析的研究评估周期为1周（例如，Williams等人，Citation2021；Wrzus & Neubauer, Citation2023），而本研究要求志愿者每周参与超过6个月，且没有经济补偿或其他激励措施，这增加了数据缺失的可能性。即使采用每周一次的安排和简短的13项调查，依从率也只是中等水平，这表明更频繁或更长时间的EMA协议可能会进一步降低这种门诊环境中的依从性，这也解释了我们选择保守设计进行这项初步可行性研究的原因。

尽管SEMA3因其开源和免费的性质而被选中，但在通知和特定用户的兼容性方面遇到了困难。例如，有一名参与者由于Android设备上与SEMA3的不兼容而退出了研究。参与者表示，他们面临的主要挑战包括持续完成每周问卷和通过SEMA3管理通知。如果提供资金支持，可能会更容易购买更有效的应用程序，并为参与者提供激励措施以减少退出和数据缺失的情况。

**局限性与未来方向**
这项研究有几个局限性，可以在未来的研究中加以解决。首先，这项设计是一项非实验性的初步研究，涉及一系列单例，并在非临床样本中进行（即参与者没有被诊断出心理病理学问题）。此外，设计中没有包括对照组、治疗前的基线期或每周事件评估。因此，变化模式（例如非平稳性、非线性、AR/MA动态）不能完全归因于心理治疗本身，因为它们也可能反映了个体内部的自发波动、回归到平均值或对重复自我监测的反应。未来的研究可以在更大规模上复制这项研究，包括临床样本，并通过添加基线阶段和/或采用实验设计（例如，对照组/等候名单组或单例实验设计）来加强因果推断。其次，由于时间序列较短，无法应用非线性或非平稳的TSA技术，如吸引子的相空间重建。此外，通过将序列分成测试样本来交叉验证最佳ARIMA模型是不可行的。第三，数据缺失导致参与者之间的时间序列长度不同，从而每个案例的信息量也不同。尽管这种变异性不太可能引入系统性的偏差，但它降低了精度和可解释性，尤其是在观察次数较少的情况下。未来的研究可以增加时间点的数量并提高依从性（例如，通过优化应用程序功能、提醒或经济激励），以应用更复杂的技术，如交叉验证或非平稳TSA。第四，EMA期间的治疗暴露情况因参与者在入组前已经接受的治疗时间和完成的治疗次数不同而有所差异。此外，一些相关的治疗细节记录不一致（例如，治疗是固定时长还是开放式的，以及预定的治疗次数），取消、假期或组织限制可能会影响研究期间实际参加的治疗次数。因此，由于参与者之间的可比性有限，结果应谨慎解释。第五，由于没有系统地收集患者的个人和临床特征，无法评估临床特征对自我感知和自我变化模式的影响。第六，只分析了自我的一些有意识内容，排除了无意识的图式和结构特征，如自我概念的连贯性或清晰度。因此，未来的研究应该评估并将自我的临床或结构特征与不同的变化模式或吸引子类型联系起来。同样，应该研究不同心理治疗方法之间的变化模式的系统差异。最后，手动分析每个参与者的数据既费时又费力，使得这种混合方法不太可行。因此，开发算法来检测参与者之间相似和独特的系统动态是必要的。例如，群体迭代多重模型估计（GIMME；Gates & Molenaar, Citation2012）可以创建包含参与者之间共同时间关系的个体模式和模型。然而，GIMME基于平稳的自回归向量模型，没有考虑动态系统的属性或指标，如非平稳性、熵波动或吸引子。开发能够识别参与者内部和之间独特和共同系统动态的算法是必须的。

**结论**
总之，研究人员必须努力通过反映自我复杂性的方法来适应自我的复杂性，例如混合方法。然而，尊重自我的复杂性不仅限于采用复杂的方法；它还需要一种谦逊的、开放的认识论方法，承认理解自我的本质是不完整和不确定的，同时承认目前无法把握自我的每一个方面。也许我们应该开发可以迭代更新的局部模型，而不是草率地制定忽略个体独特性的普遍规律。在这方面，自我变化研究应该专注于开发局部、归纳更新的模型，在这些模型中，个体差异被视为有意义的信号，而不是统计噪声，从而能够创建对个体路径敏感的普遍原则，并通过持续的实证反馈进行完善。正如Allport早在Citation1937年就指出的那样，心理学应该是一门关于人的科学，关注个体而不仅仅是普遍规律。那么就这样吧。补充材料：下载MS Word文件（75 KB）；下载MS Word文件（22.5 KB）。关于数据可用性的声明：由于伦理限制，这些数据并未公开，因为其中包含可能泄露研究参与者隐私的信息。不过，经合理请求后，可以从通讯作者[LA]处获取数据分析代码。本文的补充数据可在线访问：https://doi.org/10.1080/10503307.2026.2642111。