体力活动中自动化行为的轨迹:一项为期10周的纵向研究中的相关性分析
《Personality and Individual Differences》:Trajectories of automaticity in physical activity: Associations with personality in a 10-week longitudinal study
【字体:
大
中
小
】
时间:2026年04月18日
来源:Personality and Individual Differences 2.6
编辑推荐:
**冈萨洛·马尔钱特 | 吉约姆·马蒂南特 | 维吉尼·尼凯斯 | 朱莉·博谢**
**法国鲁昂诺曼底大学物理与体育活动转化研究中心(CETAPS),UR 3832,蒙圣艾尼昂**
**摘要**
**背景**
自动化是长期维持体育活动(PA)的关键机制,包括基于体育的活
**冈萨洛·马尔钱特 | 吉约姆·马蒂南特 | 维吉尼·尼凯斯 | 朱莉·博谢**
**法国鲁昂诺曼底大学物理与体育活动转化研究中心(CETAPS),UR 3832,蒙圣艾尼昂**
**摘要**
**背景**
自动化是长期维持体育活动(PA)的关键机制,包括基于体育的活动和积极通勤。然而,关于其各个方面如何随时间发展以及人格特质如何与这些变化轨迹相关联,目前知之甚少。我们假设自动化程度会随着时间的推移而增加,并且尽责性、神经质和体育活动类型会与基线水平及变化有关。
**方法**
在一项为期10周的纵向研究中,我们每周进行评估,考察了94名开始或恢复体育活动的健康成年人在自动化程度(缺乏意图、缺乏控制感和效率)方面的变化。多层生长模型用于分析这些变化的时间动态及其与人格特质和体育活动类型之间的关联。标准化系数(β)被用作效应大小。
**结果**
自动化程度随着时间的推移略有增加,主要体现在缺乏控制感的增强上。缺乏意图和效率保持稳定。尽责性与较低的基线缺乏意图和更快的增长速度相关,而神经质性与较高的基线缺乏控制感相关,但与变化无关。体育活动类型与这些变化轨迹无关。
**结论**
这些发现表明,人格特质与个体在体育活动中自动化发展的认知动态存在差异。效应大小较小,因此需要谨慎解释,并表明自动化可能通过多种依赖情境的途径产生。
**1. 引言**
人格差异在解释为什么一些人能够长期坚持体育活动而另一些人尽管有相似的意图和环境条件却难以坚持方面起着关键作用。体育活动既包括基于体育的活动(例如休闲运动),也包括积极通勤(例如步行或骑自行车)。尽管动机和外部约束会影响行为,但它们并不能完全解释自我调节的个体差异。在稳定的情境下重复的行为会逐渐变得更加自动化和受提示驱动(Pimm等人,2016年),从而减少对意识努力的依赖(Wood & Neal,2007年)。习惯的形成依赖于对稳定情境线索的反复响应,从而加强线索-行为之间的关联(Keller等人,2021年)。像通勤这样的行为可能特别有利于这一过程,因为它们具有情境稳定性,行为变化通过习惯替代过程发生(Di Maio等人,2025年)。理论模型主要强调刻意调节(Rebar等人,2016年),经常忽视自动化过程(Hollands等人,2016年)。然而,从自觉控制到自动化的转变是长期维持体育活动的关键决定因素(Marteau等人,2012年),个体在这个转变的速度和认知路径上存在差异(Lally等人,2010年)。自动化是习惯形成的认知标志(Gardner,2012年;Lally等人,2010年;Verplanken,2006年;Verplanken & Orbell,2003年)。重要的是,它不是一个单一的构念(Bargh,1994年)。不同的方面——缺乏意图、缺乏控制感和效率——可能以不同的速度发展(Boiché等人,2016年;Feil等人,2021年;Moors & De Houwer,2006年)。早期的变化可能涉及减少意识监控,而其他组成部分可能后来出现。实验证据表明,感知到的自动化可能反映了抑制控制的变化(Quinn等人,2010年)。人格特质,特别是尽责性和神经质性,可能与这些过程相关(McCrae & Costa,2008年)。尽责性反映了自我纪律和目标导向行为,而神经质性反映了情绪不稳定和对压力的敏感性。这些特质可能代表了自动化的不同途径或障碍。先前的研究将尽责性和外向性与更高的体育活动参与度联系起来,而神经质性与较低且更不规律的活动相关(Stephan, Boiché等人,2014年;Stephan, Sutin, & Terracciano,2014年;Sutin等人,2016年)。然而,这些研究主要关注行为结果而非潜在的认知机制。重要的是,人格特质与各种行为中的自动化并非一致相关。尽责的个体可能对体育活动等复杂行为保持刻意控制,而神经质性可能与更多受线索驱动或情绪强化的行为相关(McCloskey & Johnson,2021年)。尽责性还与通过计划过程将意图转化为行为有关(Lippke等人,2018年)。情境结构进一步塑造了这些过程。在稳定环境中嵌入的行为(例如通勤)可能通过一致的线索-行为关联促进自动化,而更具变化性的情境(例如基于体育的活动)可能更依赖刻意调节(Di Maio等人,2025年;Keller等人,2021年)。情境稳定性和感知到的奖励可能进一步支持自动化,特别是当行为被认为是复杂时(McCloskey & Johnson,2019年;Rebar等人,2023年)。稳定情境也可能加强刺激-反应关联并促进自动化(Fournier等人,2017年)。尽管有这些见解,大多数研究仍属于横断面研究,限制了我们对自动化如何随时间发展的理解。因此,需要采用纵向方法来研究人格特质与自动化变化之间的关联。
在这项为期10周的纵向研究中,我们探讨了整体自动化及其方面(缺乏意图、缺乏控制感和效率)在体育活动中的演变。具体来说,我们测试了(a)自动化是否随时间变化,(b)人格特质——特别是尽责性和神经质性——是否与这些变化轨迹相关,以及(c)运动类型(体育活动与积极通勤)是否与基线水平和自动化变化相关。
**1.1. 假设**
基于先前的理论模型和实证结果,我们提出了以下假设:
**H1** - 自动化的增长:我们预计随着个体采用新的体育活动(基于体育的活动或积极通勤),自动化程度会随时间增加。具体来说,我们预计在研究期间所有三个维度——缺乏意图、缺乏控制感和效率——都会出现显著的正增长。
**H2** - 人格作为调节因素:我们假设人格特质会影响自动化的变化轨迹。较高的尽责性会预测较低的基线缺乏意图水平,并通过维持刻意控制来减缓自动化的增长。相反,较高的神经质性与更大的自动化依赖性相关。
**H3** - 运动类型作为调节因素:我们假设自动化变化的速度和模式会因运动类型而异。我们预计积极通勤与较高的自动化水平和更快的增长速度相关,因为通勤行为具有更大的情境稳定性和环境线索。根据现有文献,考虑到行为的复杂性和纵向设计,我们预计效应大小会在小到中等之间。
**2. 方法**
共有146名成年人(59%为女性;平均年龄=23.5岁,标准差=7.2岁,范围=18–60岁)通过在线公告、传单和演讲从法国一个大城市招募。数据收集于2016年1月至3月期间的10周纵向随访期间。
参与者需为健康成年人,法语流利,并愿意在过去六个月内不经常从事新的体育活动(体育活动或积极通勤)。排除有医学状况无法安全参与体育活动的个体。所有参与者在参与前都提供了知情同意。研究程序符合《赫尔辛基宣言》(2013年福塔莱萨修订版)和法国MR-004关于涉及人类参与者的非干预性研究的参考方法。
**2.1. 测量工具**
**2.1.1. 人格特质**
在基线时使用经过验证的法文版大五人格量表(BFI-Fr;Plaisant等人,2010年)评估大五人格特质。每个特质(尽责性、外向性、宜人性、神经质性、开放性)在5点李克特量表上测量,并计算平均值。
**2.1.2. 自动化**
使用通用多方面自动化量表(GMAS;Boiché等人,2016年)每周评估自动化程度。该量表包括9个项目,涵盖三个认知方面:缺乏意图(LOI)、缺乏控制感(LOC)和效率(EFF)。每个方面都用3个项目在5点李克特量表上评估,通过平均所有项目得出整体自动化得分。
**2.1.3. 行为情境**
参与者报告他们打算采用的体育活动类型(基于体育的活动或积极通勤;见补充材料,表S4)。活动被分类为基于体育的活动(例如健身、跑步、团队运动)或积极通勤(例如步行、骑自行车上班或上学)。
**2.2. 程序**
在基线时,参与者完成了人口统计和人格问卷,并描述了他们选择的体育活动。在接下来的10周内,他们每周使用GMAS在线评估自动化程度。参与者报告了他们在特定行为发生后的一段时间内最近的经验,导致报告时间在个体间存在差异。数据使用Epsyline?平台(法国蒙彼利埃第三大学)收集。每周向参与者发送个性化的调查链接,如果在48小时后没有收到回复,则发送提醒电子邮件。研究遵循了互联网调查结果报告检查表(CHERRIES;Eysenbach,2004年)。
**2.3. 统计分析**
数据使用嵌套在个体内的多层生长模型进行分析(Curran等人,2010年;Raudenbush & Bryk,2002年),在R语言中估计(lme4;Bates等人,2014年;lmerTest;Kuznetsova等人,2017年)。时间以基线为中心,模型包括随机截距和适当时的随机斜率。首先估计了自动化及其方面的无条件模型,然后包括人格特质和活动类型的模型,并考虑了与时间的交互作用。模型拟合度使用?2对数似然值和AIC进行评估。缺失数据在MAR假设下使用最大似然法处理,预测变量进行了总体均值中心化。没有进行的事前功效分析。事后敏感性分析表明,检测到大约β≥0.037的交互作用效应的敏感性足够(≥80%),尽管较小的效应可能未被发现。由于模型复杂性和样本量限制,基于模拟的方法未能可靠收敛。该研究未预先注册。
**3. 结果**
**3.1. 初步分析和描述性统计**
在初始样本(N=146)中,94名参与者(64.4%)符合至少3次测量次数的纳入标准,并被纳入纵向分析。表S7展示了10次测量中的流失模式。随着时间的推移,提供数据的参与者数量逐渐减少,最终评估时有36名参与者(占基线样本的24.7%)。
纳入分析和排除分析的参与者之间的比较(见补充材料,表S8)显示,纳入纵向分析的参与者年龄较大且尽责性更高。相比之下,其他人格特质、自动化测量和运动类型没有显著差异。表1展示了纳入纵向分析的参与者的描述性特征(n=94),包括人口统计变量、人格特质以及自动化及其方面的平均水平。样本由年轻人组成(平均年龄=24.51±8.49岁),其中女性占62.8%。大多数参与者从事基于体育的活动(80.9%),少数人报告积极通勤(19.1%)。
**表1. 归入纵向分析的参与者的描述性特征(n=94)**
| 变量 | M ± SD / % |
|-------------|------------|-----------|
| 年龄(岁) | 24.51 ± 8.49 | |
| 女性百分比 | 62.8% | |
| 运动方式 | 基于体育的活动 | 80.9% |
| 积极通勤 | 19.1% | |
**3.2. 结果分析**
**H1** - 自动化随时间增加**
假设1认为,在10周的干预期间,自动化程度会逐渐增加。无条件增长模型显示,整体自动化程度随时间有轻微但统计学上显著的线性增长(β=0.025,SE=0.012,t=2.10,p=0.041;见补充材料,表S2),反映了基于习惯的行为调节逐渐增强。
**缺乏控制感** 随时间显著增加(β=0.072,SE=0.014,t=5.17,p<0.001),表明参与者在执行行为时对意识认知控制的依赖减少。这种模式支持在整个干预过程中向更自动化的行为转变。
相比之下,缺乏意图(β=-0.008,SE=0.014,t=-0.61,p=0.546)和效率(β=0.014,SE=0.017,t=0.81,p=0.425)没有显著变化。这些发现表明,自动化并非在所有方面都均匀发展,个体差异仍然显著。
总体而言,假设1得到了部分支持:整体自动化和认知控制降低,而意图和效率没有一致变化。这些结果突显了自动化各个方面的异质性。假设2提出,人格特质可以预测自动化的基线水平和发展轨迹。具体来说,假设2认为尽责性和神经质性这两种人格特质能够预测自动化的基线水平和发展轨迹。表2总结了多层次模型的结果。
表2. 敬业性和神经质性对自动化基线水平及发展轨迹的影响。
| 特质 | 基线水平 | 发展轨迹 | β | SE | p |
|---------------|------------|-------------|-----------|--------------|
| 敬业性 | 3.44 ± 0.63 | HAB(习惯性) | 0.160 | 0.081 | 1.98 |
| | | (时间 × 责任性) | 0.022 | 0.012 | 1.86 |
| 缺乏意图 | 0.241 | LOI(缺乏意图) | 0.048 | 0.019 | 1.86 |
| | | (时间 × 责任性) | 0.037 | 0.013 | 2.90 |
| 缺乏控制 | 0.059 | LOC(缺乏控制) | 0.553 | 0.006 | 0.88 |
| | | (时间 × 责任性) | ?0.002 | ?0.15 | 0.88 |
| 效率 | 0.158 | EFF(效率) | 0.147 | 0.006 | 0.38 |
| 神经质性 | 2.98 ± 0.77 | HAB(习惯性) | 0.071 | 0.081 | 1.08 |
| | | (时间 × 神经质性) | 0.024 | 0.012 | 1.97 |
| | | LOI(缺乏意图) | 0.217 | 0.092 | 2.36 |
| | | (时间 × 神经质性) | 0.005 | 0.013 | 0.39 |
| | | LOC(缺乏控制) | 0.042 | 0.420 | 0.672 |
| | | (时间 × 神经质性) | 0.017 | 0.013 | 1.30 |
| | | EFF(效率) | 0.122 | 0.147 | 0.246 |
| | | (时间 × 神经质性) | 0.017 | 0.018 | 0.95 |
**注:** HAB = 全局自动化;LOI = 缺乏意图;LOC = 缺乏控制;EFF = 效率。人格特质在模型中以原始均值(M ± SD)和标准化值(z分数)呈现。β = 标准化回归系数;SE = 标准误差。显著效应未用粗体标示。
3.2. 人格特质的基线效应
尽责性显著预测了较高的基线HAB(β = 0.160, SE = 0.081, t = 1.98, p = 0.048)和LOI(β = 0.241, SE = 0.101, t = 2.39, p = 0.019),表明尽责性较高的个体在基线时表现出更强的习惯性调节能力,并且较少依赖有意控制。神经质性与LOC呈正相关(β = 0.217, SE = 0.092, t = 2.36, p = 0.020),表明神经质性较高的个体在维持行为认知控制方面遇到更大困难。尽责性和神经质性与EFF没有显著关联,其他人格特质也没有显示显著相关性。
3.3. 人格特质对自动化轨迹的影响
尽责性与时间在LOI上的交互作用显著(β = 0.037, SE = 0.013, t = 2.90, p = 0.006),表明尽责性较高的个体随时间的自动化水平略有提升,这意味着他们的有意控制能力下降得较快。尽责性与HAB、LOC或EFF的时间交互作用不显著,神经质性与任何自动化维度的时间交互作用也不显著。
总体而言,这些发现部分支持了假设2:尽责性与自动化的基线水平和发展速率相关,而神经质性则与认知控制困难有关。
3.4. 敏感度和稳健性分析
敏感性分析显示,检测到大约β ≥ 0.037的交互效应的统计功效足够(≥ 80%),但较小的效应则敏感性降低,需谨慎解释。基于完成T10测试的参与者(n = 36)的稳健性分析结果基本一致:尽责性与时间在LOI上的交互作用仍显著(β = 0.027, SE = 0.007, p < 0.001),而神经质性与时间在LOC上的交互作用仅在这段子样本中显著(β = 0.025, SE = 0.009, p = 0.0046)。在T10时,尽责性在基线调整前后都与LOI呈正相关(β = 0.375, p = 0.013;β = 0.280, p = 0.018),而神经质性与LOC无关(p = 0.092)。共有636个观测值在940个观测值中完成(67.7%)。
4. 讨论
本研究考察了在身体活动(PA)背景下自动化的纵向变化及其核心认知方面,以及它们与人格特质和活动类型的关联。总体而言,自动化水平(HAB)随时间略有上升,这主要与控制感的下降(LOC)相关,而缺乏意图(LOI)和效率(EFF)相对稳定。这些发现支持了自动化的多维性和动态性概念(Boiché等人,2016;Feil等人,2021)。随时间增加的自动化与以往关于习惯形成的纵向研究结果一致(Lally等人,2010),表明反复参与PA可能会逐渐减少对意识调节的依赖。然而,这种增加的幅度较小,表明在这种情境下自动化可能发展得更慢、更不稳定或更依赖于具体情境(Keller等人,2021)。具体来说,自动化的变化主要与LOC的增加相关,表明对行为的意识监控可能减弱。这种模式与实验结果表明,感知到的自动化可能反映了执行抑制控制的变化,而非潜在联结表征的根本改变(Quinn等人,2010)。从这个角度看,自动化的早期阶段可能涉及从主动认知监督中的逐步脱离,而其他方面(如EFF或LOI)可能需要更长时间的重复或更稳定的情境条件才能发展。这种解释与最近的观点一致,即自动化不是一个单一的构造,而是一组以不同速度发展的独立认知过程(Feil等人,2021;Moors & De Houwer,2006)。本研究观察到的LOI和EFF的相对稳定性可能反映了分阶段或顺序发展的过程,其中某些自动化成分比其他成分更早出现。这种观点有助于解释个体和行为之间的变异性,特别是在PA等复杂领域。
人格特质与自动化的基线水平和发展轨迹都有关联。尽责性与较低的LOI基线水平相关,并且与随时间增加的自动化水平有轻微关联。这一模式与我们最初的预期相反,即尽责性应与持续的有意控制和较慢的自动化发展相关,突显了人格与自动化之间关系的复杂性。然而,这与先前研究结果一致,这些研究将尽责性与较高的身体活动水平、更好的坚持性和有效的自我调节联系起来(Stephan, Boiché等人,2014;Stephan, Sutin, & Terracciano, 2014;Sutin等人,2016)。这可能反映了尽责性在结构化行为、维持常规和支持重复执行方面的能力,这些是自动化逐渐发展的关键条件(Lippke等人,2018)。然而,这些发现应谨慎解读。尽责性可能并非直接影响自动化,而是与行为模式(如一致性、计划性和坚持性)相关,这些模式间接促进了习惯的形成。这与自我调节的更广泛模型一致,这些模型强调人格特质影响行为随时间的发展方式,而非直接决定特定的认知过程(McCrae & Costa,2008)。同时,这也与先前发现一致,即尽责性个体在复杂行为(如PA)中可能维持较高的有意控制水平,从而延缓或修饰自动化的发展(McCloskey & Johnson,2021)。
相比之下,神经质性与较高的基线LOC水平相关,但与随时间的变化无关。这种模式与研究结果一致,即神经质性与自我调节的变异性和对外部或情感因素的敏感性增加有关(McCloskey & Johnson,2021;Sutin等人,2016)。缺乏纵向效应可能表明神经质性与初始的控制感知相关,而非自动化的渐进发展。另一种解释是,与神经质性相关的情感过程不一定转化为随时间稳定的行为模式。
与预期相反,运动类型并未显著调节自动化的变化。尽管像主动通勤这样的行为通常处于更稳定的情境中,有望促进习惯形成(Di Maio等人,2025;Keller等人,2021),但在本研究中未观察到这种效应。一种可能的解释是情境稳定性未被直接测量,限制了我们捕捉环境差异的能力。另一种可能是个体在常规、环境限制或动机因素方面的差异可能减弱了不同活动类型之间的潜在差异。总体而言,这些发现强调了将自动化视为多维和动态过程的重要性,而非重复行为的单一结果。它们还表明人格特质可能与自动化随时间的发展方式相关,尽管这些关联较为微弱,说明人格应是自动化发展的多种决定因素之一,并且受情境影响。这种观点与当前关于习惯形成的模型一致,这些模型强调个体差异、情境因素和行为重复之间的相互作用(Keller等人,2021;Rebar等人,2023)。
应承认几个局限性:首先,相对较小的样本量和随时间的样本流失可能限制了统计功效,尤其是检测交互效应的能力。其次,情境稳定性未被直接测量,可能掩盖了活动类型之间的潜在差异。第三,研究依赖于自我报告的自动化测量,这些测量可能受到主观感知和认知偏见的影响。第四,GMAS未包括自动化的意识成分,这也是一个限制。最后,由于法国的法规限制(例如GDPR/CNIL),缺乏关于社会经济地位、教育和种族的信息,可能限制了研究结果的普遍性。未来的研究应通过扩大样本规模、使用客观的行为测量方法(如加速度计或数字轨迹数据)以及更精确的情境稳定性评估来克服这些限制。更密集的纵向设计,包括更频繁的评估,也可能提供对自动化时间动态的更详细理解。
总之,本研究提供了证据,表明PA中的自动化随时间有轻微增长,并可能通过不同的认知途径发展。人格特质,特别是尽责性,与个体在这些发展轨迹中的差异有关,尽管效应大小较小。这些发现有助于更好地理解维持PA的认知机制,并强调了考虑个体差异和情境因素在习惯形成中的重要性。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号