《Behavioral Sciences》:Associations Between Coping Strategies and Gambling Disorders in University Students: An Exploratory Neural Network Study
José Miguel Giménez-Lozano,
Francisco Manuel Morales-Rodríguez and
Juan Pedro Martínez-Ramón
编辑推荐:
摘要背景:赌博障碍(gambling disorders, GDs)是一个日益加剧的公共卫生问题,在各年龄群体中均呈显著上升趋势,尤以青少年和青年群体更为突出。本研究考察17–48岁大学生赌博行为中应对策略的作用,并探讨人工神经网络的预测潜力。方法:样本共纳入
摘要背景:赌博障碍(gambling disorders, GDs)是一个日益加剧的公共卫生问题,在各年龄群体中均呈显著上升趋势,尤以青少年和青年群体更为突出。本研究考察17–48岁大学生赌博行为中应对策略的作用,并探讨人工神经网络的预测潜力。方法:样本共纳入218名参与者(M = 21.89,SD = 5.57)。结果:研究人员构建了一个多层感知机(multilayer perceptron, MLP)神经网络,以基于应对策略对赌博风险进行分类。结果显示,若干特定应对策略与更高水平的赌博障碍之间存在显著相关。该神经网络模型在预测赌博风险方面达到85%的准确率,其中影响力最大的因素为自主性、负性紧迫性、性别、否认以及毅力不足。结论:上述发现凸显了神经网络在识别GDs高风险个体方面的有效性。
本文发表于《Behavioral Sciences》,聚焦大学生群体中赌博障碍(gambling disorders, GDs)与应对策略之间的关系,并进一步检验人工神经网络(artificial neural networks, ANNs)在赌博风险预测中的应用价值。研究背景在于,GDs已被主要诊断系统归类为行为成瘾(behavioral addiction),其核心特征包括控制力丧失、对赌博活动的优先化以及在明知存在不良后果的情况下持续赌博。该问题不仅危及个体心理与生理健康,还与财务负债、攻击风险增加,甚至自杀相关风险上升密切相关。现有研究表明,青少年与青年成人是高风险群体,而大学阶段又恰逢生活方式转变、学业压力加重及社会角色重塑时期,因此大学生被认为是GDs的重要易感人群。
在既有文献中,大学生赌博问题已被证明与情绪因素、行为特征、认知歪曲(cognitive distortions)及社会适应密切相关,但关于应对策略(coping strategies)如何与赌博严重程度发生联系,特别是在西班牙大学生样本中的实证证据仍相对有限。应对策略理论主要源于Lazarus和Folkman的压力—应对框架,强调个体在面对内外部压力源时,会采取问题聚焦或情绪聚焦的认知与行为努力。当个体缺乏健康应对方式时,更可能诉诸回避、否认、情绪逃避等适应不良策略,而这类模式已被认为与成瘾行为存在持续联系。与此同时,机器学习(machine learning, ML)与ANNs在成瘾医学中的应用逐渐扩展,其优势在于能够识别复杂、非线性的风险模式,因此本研究有必要将心理变量与计算预测方法结合,评估其在大学生赌博风险识别中的可行性。
研究人员采用定量、横断面(cross-sectional)和事后回溯(ex post facto)设计,于2021年9月至2022年4月间开展调查。样本通过非概率滚雪球抽样获得,共218名大学生,主要来自西班牙Granada、Valencia与Murcia的高校。纳入标准为正在攻读大学学位课程且年龄超过18岁,未完成作答者被排除。研究遵循《赫尔辛基宣言》并获Granada大学伦理委员会批准,所有参与者均签署知情同意。研究工具包括赌博症状评估量表(Gambling Symptom Assessment Scale, G-SAS)和修订版应对策略量表(Escala de Estrategias de Coping Modificada, EEC-M)。其中,G-SAS用于评估前一周赌博症状严重程度,作为连续变量使用;EEC-M则测量12个应对维度。数据分析包括描述性统计、Spearman相关分析,以及构建3个基于反向传播的信息传播模型的多层感知机神经网络,并按约70%训练、15%测试、15%保留样本进行建模与验证,使用SPSS 28和Adam优化器完成训练。
方法概括:本研究基于西班牙Granada、Valencia和Murcia多所大学的218名大学生样本,采用在线问卷开展横断面调查。核心技术方法包括:其一,使用G-SAS评估赌博症状严重程度,使用EEC-M测量12类应对策略;其二,采用Spearman等级相关分析检验应对策略与赌博严重程度之间的关联;其三,构建单隐含层多层感知机(MLP)人工神经网络,按训练集、测试集和保留集分阶段建模,并通过ROC曲线(receiver operating characteristic curve,受试者工作特征曲线)及变量重要性分析评估模型区分能力与关键预测因子。
以下结合论文结果部分各小节进行解读。
Current Situation of Gambling Disorders
论文在引言中首先系统说明了GDs的现实负担。研究人员指出,赌博行为在全球成人中的年流行水平较高,而商业赌博市场的数字化扩张、算法定向和与体育及在线媒体生态的融合,正在重塑风险环境。既往流行病学研究虽然报告了中度风险赌博和问题性赌博的汇总患病率,但不同筛查工具与数据收集方式会显著影响估计结果。这一背景说明,对特定高风险群体进行更精细化、机制化研究十分必要。
Gambling Disorders and University Students
研究人员强调,大学生正处于压力暴露增多、独立性增强及行为习惯重塑的阶段,因此可能更易出现赌博尝试并进一步发展为问题性赌博。既有研究已显示,大学生中的赌博经历并不少见,且赌博成瘾与临床、社会和认知变量有关,尤其认知歪曲具有较强解释作用。由此可见,仅从行为频率理解大学生赌博问题是不充分的,还需要纳入心理调节机制,特别是应对策略。
Coping Strategies
论文从理论层面界定了应对策略,并指出大学生在高压环境下若缺乏适应性应对资源,可能转向回避性、情绪化或逃避型策略。既往研究已发现,过度赌博青少年常表现出情绪导向、回避导向和分心导向应对风格,而且这类应对动机会预测后续问题性赌博。研究人员据此提出,应对策略不仅是赌博行为的伴随因素,也可能是干预与预防的重要可变靶点。
GD Prediction Using Artificial Neural Networks
在方法论层面,论文指出ANNs能够处理复杂非线性关系,近年来已被用于识别成瘾风险个体、分析神经影像模式和提取预后因素。对于GDs而言,相关模型在在线赌博场景中已显示较好的识别能力。本研究将这一计算方法引入大学生心理行为数据分析,旨在评估基于应对策略及相关变量的风险分类效果。
Results
结果显示,依据G-SAS总分,样本中问题性赌博与中度赌博比例均较低,提示该样本整体赌博严重程度不高。这一分布特征也意味着类别极不平衡,进而影响模型对高风险个体的识别能力。尽管如此,相关分析仍揭示出若干值得关注的心理关联模式。
Correlations between G-SAS criteria and coping strategies (EEC-M)
通过Spearman相关分析,研究人员发现,多种适应不良应对策略与赌博严重程度之间呈小到中等程度正相关。具体而言,宗教、情绪回避、应对困难表达、否认和自主性与更高的G-SAS得分显著相关;而等待则与G-SAS总分呈负相关。上述结果表明,在该样本中,赌博严重程度升高伴随着更频繁采用回避性、否认性和情绪处理困难相关的应对方式。论文据此强调,赌博行为可能不仅是寻求奖励的结果,也可能充当调节负性情绪和逃避内部痛苦体验的短期手段。
Artificial neural network classification
在ANN分类结果中,模型随着训练、测试和保留阶段推进,预测正确率逐步提升,最终总体准确率达到约85%。研究人员进一步指出,该模型在识别非风险个体方面具有较高特异性(specificity),但对阳性类别的敏感性(sensitivity)相对有限。这意味着模型更擅长排除低风险个体,而在识别真正高风险者方面仍存在局限,因此更适合作为保守型初筛工具,而非独立诊断工具。
ROC curves for mobile gambling (VD) sensibility and gain
ROC曲线分析表明,模型曲线整体位于无区分对角线之上,曲线下面积(area under the curve, AUC)为0.79,显示中等至较高的区分能力。该结果说明,尽管样本类别分布不均衡,模型对赌博风险的区分仍优于随机水平。论文特别指出,在行为变量研究中,这样的AUC水平已具有一定方法学意义,但仍需结合样本结构与敏感性指标谨慎解释。
Analysis of the importance of independent variables for the neural model
变量重要性分析是本文最具解释力的结果之一。研究人员发现,自主性是最重要的预测变量,标准化重要性达到100%;负性紧迫性(negative urgency)位居第二,性别位居第三。随后是否认和积极再评价(positive reappraisal)。寻求专业支持与认知回避处于中间水平,其余变量贡献较低。该结果说明,赌博风险并非由单一人口学因素决定,而是由冲动性相关倾向、应对风格及性别等多因素共同构成的复合风险模式。尤其值得注意的是,自主性在该模型中具有最高权重,提示其在该样本中与赌博行为分类存在紧密联系。
Discussion
讨论部分主要围绕三方面展开。第一,研究结果支持适应不良应对策略与赌博严重程度相关的基本假设,特别是回避、否认、情绪处理困难等模式,与成瘾领域关于“通过逃避痛苦情绪进行短期调节”的解释框架一致。第二,宗教与赌博的正相关关系需要谨慎理解。研究人员并未将宗教性简单视为风险因素,而是指出其可能通过外控信念、控制错觉(illusion of control)或解释偏差等认知路径间接关联赌博行为。第三,关于性别,论文认为男性较高风险的现象不能被简化为单一因果解释,更应放入多变量风险组合中理解。
研究还指出,男女在若干应对维度上存在差异,但这些差异的实际效应大小需要谨慎看待。更重要的是,应对策略本身并非绝对适应或不适应,其功能取决于具体情境及使用的僵化程度。尽管如此,当前结果仍支持这样一种观点:赌博卷入程度较高的年轻人更可能依赖立即缓解情绪困扰、但并不直接处理压力源的应对方式。长期来看,这种模式可能妨碍其从负性经验中学习、修正失调信念并形成更有效的自我调节能力。因此,应对策略应被视为预防和早期干预中的可修改目标。
论文同时明确了研究局限。首先,样本采用滚雪球抽样,代表性有限;其次,问题性赌博阳性样本极少,类别极不平衡,可能导致准确率高估模型表现;再次,本研究主要聚焦应对策略,未充分纳入物质使用、精神健康问题及家庭动力等潜在关键因素。研究人员因此建议,未来研究应扩大变量范围、采用更具代表性的样本,并结合敏感性、F1-score等补充指标,以更全面评价模型效能。
研究结论翻译如下:总之,研究发现提示,某些应对策略与赌博行为存在关联。尽管该神经网络显示出中等水平的总体表现,但其识别高风险个体的能力有限,加之数据集存在不平衡,表明仍需在更具代表性的样本中并通过更稳健的验证程序开展进一步研究。未来研究应采用定性方法,如深度访谈,以营造对女性更具支持性的环境,从而更准确地评估其赌博行为。此外,对不同性别偏好赌博游戏类型进行综合分析,将有助于理解围绕赌博的社会建构。还必须认识到,潜在污名可能阻碍女性表达与赌博相关的问题,从而影响对不同性别成瘾患病情况的理解。上述多维路径将有助于更深入把握赌博行为。