综述：关于儿童虐待与问题性技术使用之间关联的多层次元分析：不同亚类型间的异质性及调节因素

《Developmental Review》：The multilevel meta-analysis of the association between child maltreatment and problematic technology use: heterogeneity across different subtypes and moderating factors

　　**Zékai Zachary Lu | Yanshu Niu | Yuan Yao**
**社会学系，麦吉尔大学，蒙特利尔，加拿大**

**摘要**
儿童虐待是许多不良后果的重要风险因素，但其与问题技术使用（Problematic Technology Use, PTU）之间的关系仍不够明确。现有的元分析研究未能区分不同类型的PTU，也未考察跨国间的调节因素。本研究采用三级随机效应元分析方法，系统地探讨了儿童虐待与PTU之间的关联，并分析了不同虐待类型与PTU亚型之间的具体模式。遵循PRISMA 2020指南，我们在Web of Science、MEDLINE、SCOPUS、PubMed和PsycINFO数据库中进行了全面搜索。研究采用混合方法评估工具进行评估，平均质量得分为3.82（标准差=0.72）。最终分析纳入了98项研究，包含260个效应量和272,491名参与者。结果表明，儿童虐待与PTU之间存在显著的正相关（r = 0.200，95% CI [0.175, 0.224]），效应量属于小到中等范围。研究间存在显著异质性（I2 = 97.7%），其中研究内变异（68.83%）大于研究间变异（30.14%）。调节分析显示，情感虐待与PTU的关联最强（r = 0.233），其次是身体忽视（r = 0.216）。性别构成、收入不平等以及生存/自我表达的文化价值观对这些关联具有显著调节作用。测量工具也会影响效应量，标准化量表显示的关联强度高于自我报告的使用时间。这些发现支持了将早期创伤与后续适应不良技术使用联系起来的理论框架，同时强调了考虑虐待异质性和社会文化背景的重要性。这些结果对基于创伤的预防和干预策略具有指导意义，强调了根据具体的虐待-PTU组合采取针对性措施的重要性。

**引言**
全球范围内，儿童虐待的发病率很高（WHO，2024年）。由于儿童处于大脑和人格发展的关键时期，虐待往往扰乱了正常的神经发育轨迹和依恋形成过程，从而导致一系列不良后果。世界卫生组织（WHO）将儿童虐待定义为任何可能对儿童的健康、发展或尊严造成伤害的虐待行为（Massullo等人，2023年；WHO，2024年）。虐待包括五种类型：身体虐待、情感虐待、身体忽视、情感忽视和性虐待（见表1）。从生命周期的角度来看，作为早期创伤事件，儿童虐待可能引发一系列负面后果，包括各种成瘾行为（Hayward和Gorman，2004年；Hughes等人，2017年）。随着智能手机和社交媒体的普及（Smahel等人，2020年），学者们越来越认识到儿童虐待与问题技术使用（PTU）之间的潜在关联。

**表1. 儿童虐待与问题技术使用（PTU）亚型的分类**
| 类别 | 亚型 | 定义/描述 |
| ---- | ---- | ---- |
| 儿童虐待（General） | 任何可能对儿童的健康、发展或尊严造成伤害的行为或不作为，包括直接暴力、情感伤害、忽视和性虐待 |
| 身体虐待 | 对儿童身体直接施暴，如打骂、踢踹等行为 |
| 情感虐待 | 通过言语侮辱、贬低、恐吓或持续负面评价损害儿童的自尊心和情感安全 |
| 身体忽视 | 未能满足基本的生理需求（如食物、医疗护理、安全环境），危及儿童的健康和正常发展 |
| 情感忽视 | 缺乏情感关注和支持，忽视儿童的情感需求，导致儿童无法获得适当的情感安全和归属感 |
| 性虐待 | 任何针对儿童的性剥削或侵犯行为，包括不当的性接触和暴露 |
| 问题技术使用（PTU） | 一种适应不良的电子技术使用模式，表现为冲动、强迫性和难以控制的行为，经常干扰个人的日常生活和心理健康 |

从儿童虐待到PTU的关联：理论与异质性
越来越多的研究表明，经历过儿童虐待的个体更有可能发展出PTU（Verrastro等人，2025年；Zhou和Li，2024年）。累积不平等框架认为，早期创伤可能引发PTU的风险链（Ferraro和Shippee，2009年）。这一过程是多方面的。在生物学层面，早期虐待可能通过影响前额叶皮质的发展和奖励系统的功能，增加个体对即时奖励的敏感性并降低抑制控制能力（Padmanabhan等人，2011年；Teicher等人，2016年）。在心理社会层面，依恋理论指出，虐待会导致不安全依恋模式的形成，使个体过度依赖电子设备来获得安全和情感联系（Ainsworth和Bowlby，1991年；Schimmenti等人，2014年）。补偿理论进一步指出，虐待受害者可能将电子设备作为逃避现实和调节负面情绪的策略（Kardefelt-Winther，2014年）。根据Person-Affect-Cognition-Execution模型（I-PACE），虐待经历会塑造脆弱的性格特征（如高神经质和低自尊），增加负面情绪体验和认知模式，并损害执行控制能力。这些因素的综合作用使受害者更容易陷入PTU的恶性循环（Brand等人，2016年；Brand等人，2019年）。

不同形式的儿童虐待可能通过不同的机制影响PTU。根据逆境和心理病理学维度模型（DMAP，McLaughlin和Sheridan，2016年；Sheridan和McLaughlin，2020年），不同类型的虐待代表了不同的早期逆境：身体和性虐待主要激活恐惧学习和威胁检测系统，导致情绪反应增强和执行功能受损；忽视主要影响认知和语言发展，导致注意力和工作记忆缺陷。具体而言，情感虐待和忽视主要损害个体的情绪调节能力和自我价值感，可能使其过度依赖线上社交互动获得情感支持；身体虐待可能通过改变应激反应系统并损害执行控制能力来增加冲动使用风险；性虐待的创伤后应激反应可能导致个体通过沉浸在虚拟世界中逃避现实；而身体忽视则可能剥夺正常的发育机会，使个体缺乏其他休闲和社交技能。多项实证研究证实了这些理论观点。例如，Verrastro等人（2025年）发现情感虐待与问题互联网使用（PIU）的关联最强，而Guo等人（2023年）发现身体忽视与游戏障碍的关联更为显著。这些发现支持不同类型虐待具有不同影响途径的理论观点。

此外，将PTU视为一个整体概念有助于抓住其基本的适应不良使用模式，但不同类型的PTU在行为表现、心理动机和神经机制方面存在显著差异（Laconi等人，2015年）。例如，问题社交媒体使用（PSMU）可能主要反映个体对情感支持和社交认同的需求，表现为频繁查看社交媒体内容、过度分享个人信息以及寻求他人点赞和评论；问题游戏使用（PGU）则更可能涉及逃避现实和追求即时奖励，表现为长时间沉浸在游戏世界中、忽视现实责任并通过游戏成就获得满足感。这些具体类型的PTU各自具有独特的特征，同时与一般PTU存在显著的概念和行为重叠（Pontes和Griffiths，2014年）。目前学术界对于PTU是否属于行为成瘾仍存在分歧（Block，2008年；Kardefelt-Winther等人，2017年；Kuss和Griffiths，2017年）。PTU在神经生物学特征和行为症状上与行为成瘾有相似之处（Boer等人，2022年），但一些学者认为PTU更像是一种应对社会需求、负面情绪或其他心理健康问题的机制，其使用动机和背景存在很大差异（Kardefelt-Winther等人，2017年；Przybylski，2017年）。在本文中，我们采用较为中立的PTU概念，以避免将正常使用行为病理化。虽然适度的技术使用对儿童和青少年的学习和社会发展具有适应性作用，但PTU可能导致多种不良后果，包括学业表现下降（Chen和Peng，2008年）、睡眠质量下降（Demirci等人，2015年）、注意力问题（Yoo等人，2004年）、焦虑和抑郁症状增加（Elhai等人，2017年）、社交技能发展受损（Twenge和Park，2019年）以及自杀意念升高（Cheng等人，2018年）。鉴于儿童虐待可能是PTU发展的上游因素，研究这些变量之间的关联具有重要的理论和实践意义。通过多层元分析方法系统地考察儿童虐待与PTU之间的异质性关联，有助于推进理论发展并为基于证据的实践提供更精确的指导。此外，儿童虐待和PTU在全球范围内的发病率均很高，但其具体表现在不同国家和地区之间存在显著差异（Smahel等人，2020年；WHO，2024年）。宏观经济结构因素（如社会发展水平、数字基础设施、收入不平等和文化价值观）可能系统地调节二者之间的关联强度和模式（Henrich等人，2010年；Smahel等人，2020年）。理解这些宏观层面的调节因素不仅有助于构建更全面的理论框架，还为不同社会经济和文化背景下的政策制定者提供了基于证据的基础，以设计更具针对性和文化敏感性的预防和干预计划（Aarons等人，2011年）。

为了填补这些空白，本研究首次使用多层元分析方法系统地探讨了儿童虐待与PTU之间的异质性关联，并整合了跨国/区域调节机制。

**结论**
越来越多的研究表明，经历过儿童虐待的个体更容易发展出PTU（Verrastro等人，2025年；Zhou和Li，2024年）。累积不平等框架认为，早期创伤可能引发PTU的风险链（Ferraro和Shippee，2009年）。这一过程涉及多个层面。在生物学层面，早期虐待可能通过影响前额叶皮质的发展和奖励系统的功能，增强个体对即时奖励的敏感性并降低抑制控制能力（Padmanabhan等人，2011年；Teicher等人，2016年）。在心理社会层面，依恋理论认为虐待会导致不安全依恋模式的形成，使个体过度依赖电子设备来获得安全感和情感联系（Ainsworth和Bowlby，1991年；Schimmenti等人，2014年）。补偿理论进一步指出，虐待受害者可能将电子设备作为逃避现实和调节负面情绪的策略，尤其是在缺乏其他有效应对资源时（Kardefelt-Winther，2014年）。

总之，不同形式的儿童虐待可能通过不同的机制影响PTU。根据逆境和心理病理学维度模型（DMAP，McLaughlin和Sheridan，2016年；Sheridan和McLaughlin，2020年），不同类型的虐待代表了不同的早期逆境：身体和性虐待主要激活恐惧学习和威胁检测系统，导致情绪反应增强和执行功能受损；忽视主要影响认知和语言发展，导致注意力和工作记忆缺陷。具体而言，情感虐待和忽视主要损害个体的情绪调节能力和自我价值感，可能导致其过度依赖线上社交互动获得情感支持；身体虐待可能通过改变应激反应系统来增加冲动使用风险；性虐待的创伤后应激反应可能导致个体通过沉浸在虚拟世界中逃避现实；而身体忽视可能剥夺正常的发育机会，导致个体缺乏其他休闲和社交技能。多项实证研究支持这些理论观点。例如，Verrastro等人（2025年）发现情感虐待与问题互联网使用（PIU）的关联最强，而Guo等人（2023年）发现身体忽视与游戏障碍的关联更为显著。这些发现支持不同类型虐待具有不同影响途径的理论观点。此外，将PTU视为一个整体概念有助于把握其基本的适应不良使用模式，但不同类型的PTU在行为表现、心理动机和神经机制方面存在显著差异（Laconi等人，2015年）。例如，问题社交媒体使用（PSMU）可能主要反映个体对情感支持和社交认同的需求，表现为频繁查看社交媒体信息、过度分享个人信息以及寻求他人点赞和评论；而问题游戏使用（PGU）则更可能涉及逃避现实和追求即时奖励，表现为长时间沉浸在游戏世界中、忽视现实责任并通过游戏成就获得满足感。这些差异可能因虐待类型而异。有必要进一步探讨不同类型虐待与不同PTU亚型之间的具体关联模式，为制定针对性的预防和干预策略提供实证基础。

关于儿童虐待与PTU关联的研究结果尚无定论。一些研究发现两者之间存在显著正相关（如Verrastro等人，2025年；Zhou和Li，2024年），而另一些研究则未发现显著关联或甚至发现负相关（如Doi等人，2021年；Geng等人，2022年；Su等人，2024年）。这些不一致的研究结果可能反映了多种因素的影响，包括虐待类型和问题技术使用（PTU）类型的多样性、研究方法上的差异以及样本特征的变化。目前，有两项研究采用了元分析方法来探讨儿童虐待与PTU之间的关系，其中只有一项研究采用了三级元分析方法（Tang等人，2024年，r = 0.395；Q. Zhang等人，2024年，r = 0.229）。这些研究存在几个关键局限性：首先，它们没有区分不同的PTU亚型，而是使用单一构造（例如网络成瘾）来涵盖所有形式的问题使用。这种过度简化可能会掩盖虐待与特定PTU表现之间的独特关联模式。其次，这些研究没有探讨跨国因素的调节作用，尽管各国/地区在社会经济发展水平、数字化程度、经济不平等和文化价值观方面存在显著差异——这些宏观层面的因素可能会影响虐待与PTU之间关联的强度。最后，现有研究在纳入纵向研究的效果量以及评估研究质量方面也存在不足。目前尚不清楚研究层面的因素（如样本特征、测量工具、研究设计）和国家/区域层面的宏观因素（如经济发展水平、文化价值观、数字基础设施）是否对这些变量之间的关联具有调节作用。这些多层次的调节因素可能有助于解释现有研究结果的异质性，并为理解虐待与PTU关联的边界条件提供重要见解（Aarons等人，2011年）。

除了虐待类型和PTU类型的差异之外，某些研究设计和国家/区域层面的宏观因素也可能调节这些变量之间关联的强度。

**研究层面的调节因素**

**研究设计**：研究设计是一个重要的调节因素。横断面研究同时测量虐待经历和PTU，可能会由于共同的方法偏差而高估关联强度。相比之下，纵向研究可以通过时间上的分离更好地建立因果推断并控制潜在的混杂变量（Johnson，2010年）。

**发表年份**：关联强度可能会随时间变化。一方面，近年来数字技术的快速发展大大增加了青少年接触各种电子设备的机会，智能手机、社交媒体和在线游戏的普及率持续上升，这可能会加强虐待经历与PTU之间的关联（Anderson & Jiang，2018年）。另一方面，对儿童虐待和PTU的更大理解促进了相关预防和干预措施的逐步改进。同时，数字素养教育的普及可能会减弱这些变量之间的关联（Helsper & Smahel，2020年）。此外，测量工具的不断优化和研究方法的改进也可能影响效果量估计的准确性。

**研究质量**：研究质量是另一个需要考虑的调节因素，因为高质量的研究（例如使用代表性样本而非便利抽样）通常会产生更为稳健但效应量较小的结果。我们采用了两种方法来评估研究质量。首先，我们使用混合方法评估工具（MMAT）系统地评估了纳入研究的方法学质量（Hong等人，2018年）。其次，我们利用影响因子作为研究质量的间接指标，因为高影响因子的期刊通常具有更严格的同行评审流程，发表的研究表现出更高的方法学严谨性和结果可靠性（Murtaugh，2002年）。

**样本特征**：样本的人口统计特征可能会显著调节虐待与PTU之间的关联。性别构成是一个潜在的关键因素，因为研究表明女性和男性在技术使用动机和偏好上存在差异。女性更倾向于使用社交媒体寻求情感支持，而男性则更容易出现PGU（Lopez-Fernandez，2018年）。这些性别差异可能会影响不同类型虐待与特定PTU亚型之间的关联模式。年龄也是一个重要的调节因素，因为青春期是身份形成和同伴关系发展的关键时期，在此期间虐待经历可能会通过对其发展任务的影响而与PTU产生更强的关联（Albert等人，2013年）。随着年龄的增长，个体可能会发展出更成熟的应对策略，从而可能减弱这种关联。

**测量工具**：选择儿童虐待的测量方法可能会影响关联强度的检测。ACE量表家族强调对家庭功能失调的广泛评估；CTQ量表家族提供了虐待严重程度的连续测量；CAST/CAST量表更关注虐待行为的具体频率。不同的量表可能在敏感性和特异性上存在差异，从而影响与PTU的关联强度（《不良童年经历国际问卷》（ACE-IQ），2009年；Bernstein等人，2003年；Straus等人，1998年）。同样，PTU测量量表的不同也可能调节效应量。Young的IAT量表家族主要评估一般的互联网使用问题；特定量表（如智能手机成瘾、游戏成瘾和社交媒体成瘾量表）具有更高的特异性；一些研究使用自我报告的使用时间来衡量PTU的存在，虽然更为客观，但可能无法充分捕捉问题使用的定性特征（Andreassen等人，2020年；Lei和Yang，2007年；Young，1998年）。

**宏观层面的调节因素**

**经济发展水平**：人均国民收入（GNI）作为经济发展水平的指标，可能通过多种机制调节儿童虐待与PTU之间的关联。在经济发展水平较高的国家，数字设备的更高普及率提供了PTU发展的技术条件，同时维护了更为完善的精神健康服务系统来支持虐待受害者。相反，在较不发达的地区，尽管数字设备的可及性较低，但社会支持资源的匮乏可能使虐待受害者更依赖有限的技术资源（Ruzek & Yeager，2017年）。

**社会不平等**：收入不平等反映了社会财富分配的公平性。根据相对剥夺理论，较高的社会不平等加剧了社会比较和地位焦虑（Wilkinson & Pickett，2009年）。在高度不平等的社会中，虐待受害者不仅面临与创伤相关的挑战，还面临着向上社会流动和社会比较的压力。这种双重压力可能会增加他们通过PTU来逃避现实或寻求替代满足感的倾向。经济不平等还可能通过降低社会信任和增加社会隔离来加剧虐待受害者对虚拟社交互动的依赖（Twenge等人，2019年）。性别不平等和教育不平等也很重要；性别不平等可能会影响女性和男性在家庭中的地位以及他们遭受不同类型虐待的风险，而教育不平等可能会影响家庭的育儿观念和儿童获得保护的机会（联合国教科文组织，2023年；联合国儿童基金会，2021年）。

**文化价值观**：在Inglehart和Welzel（2005年）的文化价值观框架中，传统/世俗价值观和生存/自我表达价值观这两个维度可能会调节虐待与PTU之间的关联。在强调传统价值观的社会中，强烈的家庭权威和服从观念可能导致对虐待行为的认识不足，同时也可能对技术使用持有更为保守的态度（Hofstede，2011年）。在强调自我表达价值观的社会中，个体更重视自主性和自我实现，这可能会使虐待受害者更有可能通过技术使用来寻求控制和身份认同。

**数字基础设施**：互联网普及率直接影响公众访问和使用电子技术的便利性（Geraci等人，2018年）。在互联网普及率高的地区，便捷的网络接入为PTU的发展提供了技术基础。对于虐待受害者来说，易于使用的互联网可能使他们能够利用在线活动来逃避现实或寻求情感支持。

**地理背景**：鉴于我们分析中大约60%的研究来自中国，我们将进行研究的国家/地区分为中国大陆和其他国家/地区，以探讨东方与西方文化背景的潜在调节效应。中国作为集体主义文化的代表，在家庭关系、教育期望和技术监管方面与西方个人主义文化存在显著差异。这些文化差异可能会系统地影响虐待与PTU之间的关联（Xu等人，2018年）。此外，进行这种调节分析有助于检测由于中国研究过度代表性而产生的潜在效应量偏差。

**本研究**

基于上述理论背景和实证证据，儿童虐待与PTU之间可能存在显著的关联。然而，现有研究在效应量大小、关联模式和调节因素方面存在相当大的不一致性。为了系统地整合现有证据并探讨这些不一致性的来源，本研究采用了三级元分析方法，旨在解决以下关键研究问题：
- RQ1：儿童虐待与PTU之间的总体关联强度是什么？
- RQ2：不同类型的儿童虐待与不同PTU亚型之间是否存在特定的关联模式？
- RQ3：哪些研究层面的因素调节了儿童虐待与PTU之间的关联？
- RQ4：哪些国家层面的因素调节了儿童虐待与PTU之间的关联？

**方法**

我们按照《系统评价和元分析的优先报告项目》（PRISMA）2020年声明的标准和指南（Page等人，2021年）进行了这项系统评价和元分析。为了确保研究过程的透明度和可重复性，这项元分析的方案已在开放科学框架（OSF）平台上预先注册（DOI: Doi: 10.17605/OSF.IO/UJ4F7）。PRISMA报告检查表见补充材料S1。

**纳入和排除标准**

为了确保元分析的质量和研究结果的可靠性，三位作者通过广泛讨论制定了以下纳入标准：
1. 研究必须包含对儿童虐待和PTU的明确测量；
2. 纳入的研究必须考察0至24岁的儿童和青少年样本；
3. 研究必须提供足够的统计信息以计算效应量；
4. 仅纳入报告儿童虐待与PTU之间双变量关联的研究（Cooper等人，2019年）；
5. 每项研究必须至少包含一个适合元分析的效应量，并具有完整可靠的效果量数据；
6. 当多项研究使用相同的数据集时，纳入样本量最大的研究。

我们排除了以下类型的研究：
1. 研究成年人虐待经历与成人PTU之间关系的研究；
2. 报告一般行为问题而非特定技术使用问题的研究；
3. 关于网络欺凌/网络受害者、数字技能或媒体素养的研究，因为这些概念在理论内容上与PTU有根本不同；
4. 定性研究、案例研究、系统评价或元分析文献，以确保纳入研究之间的方法学一致性；
5. 研究质量评分较低的研究，特别是MMAT质量评估工具得分低于2分的研究；
6. 内容不完整或全文无法获取的研究。

值得注意的是，我们纳入了将不良童年经历（ACE）作为测量概念的研究，但我们的分析特别关注儿童虐待这一维度。ACE涵盖了更广泛的范围，不仅包括虐待和忽视，还包括家庭功能失调和社区暴力暴露。这些额外因素在性质和影响机制上与儿童虐待不同，可能会稀释我们感兴趣的核心关联。例如，Worsley等人（2018年）明确指出他们的研究仅使用了ACE量表中的儿童虐待项，而不是总ACE得分，因此符合纳入标准。同样，Kim等人（2023年）虽然使用ACE作为整体框架，但提供了子维度（如情感虐待和身体虐待）之间的具体关联强度，因此也符合纳入标准。相反，Lin & Chiao（2024年）尽管研究了ACE与PIU之间的关系，但仅报告了总体ACE得分，没有分离儿童虐待的具体效应，因此被排除。

**文献检索**

根据Lipsey & Wilson（2001年）的建议，我们采用了系统和全面的搜索策略来识别符合条件的研究。文献检索于2025年3月进行，涵盖了五个主要学术数据库：Web of Science、MEDLINE、SCOPUS、PubMed和PsycINFO。搜索策略由三位作者共同制定和优化，并结合了第一作者所在大学图书馆员的建议，以提高搜索准确性和召回率。搜索字符串包含了两个核心概念的相关术语。第一个概念关注儿童虐待，第二个概念针对问题技术使用（PTU），第三个概念涉及年龄人口统计。这三个概念通过布尔运算符“AND”连接起来。为了适应不同数据库的搜索语法要求，我们对搜索公式进行了相应的调整。所有搜索均未设置语言、地理或时间限制，以实现最大的文献覆盖范围。每个数据库的具体搜索公式详细见补充材料S2。我们还尝试从ProQuest Dissertations & Theses Global数据库中识别灰色文献，以减轻潜在的出版偏倚效应（Benzies等人，2006年）。使用与正式数据库搜索相同的关键词组合，我们从ProQuest中识别出了20篇相关的论文。在这些研究中，Worsley（2018）的博士论文已经以期刊形式发表；有五篇论文使用的语言不是英语或中文；六项研究采用了定性研究方法；三项研究关注广泛的童年不良经历（ACEs），但没有区分儿童虐待的具体维度。只有五篇论文符合初步的纳入标准，并提供了可提取的效果量数据。由于符合条件的灰色文献来源有限，我们最终决定不将这些来源纳入正式的荟萃分析中。文献搜索的PRISMA流程图如图1所示。最终共有98项研究被纳入荟萃分析，包含260个效果量。每项研究的详细信息可以在补充材料S3中找到。这些纳入研究的完整参考文献列表在补充材料中单独提供（见“纳入荟萃分析的研究的参考文献”）。下载：下载高分辨率图片（331KB）下载：下载全尺寸图片 图1. PRISMA筛选流程图。请注意，该流程图展示了2025年3月在五个数据库（Web of Science、MEDLINE、SCOPUS、PubMed和PsycINFO）中进行的系统文献搜索和研究选择过程。ACE = 童年不良经历；MMAT = 混合方法评估工具。那些没有提供与更广泛的家庭功能障碍指标分开的特定儿童虐待效果量的研究被排除在外。非双变量效果指的是仅报告多元回归系数或其他无法转换为相关系数的调整估计的研究。年龄不匹配指的是包括0-24岁年龄范围之外参与者的研究。MMAT得分低表示研究在5分质量评估量表上的得分低于2分，这是纳入研究的最小方法学标准。

编码程序
遵循荟萃分析研究的最佳实践（Cooper等人，2019年；Lipsey和Wilson，2001年），三位作者共同确定了编码内容，包括多个维度，如研究特征、样本特征、测量工具特征、方法学特征以及国家/地区层面的宏观因素。我们计算了评分者间可靠性系数，对于分类变量使用Cohen的κ系数，对于连续变量使用组内相关系数（ICC）。所有变量的可靠性系数均超过0.85，表明编码可靠性令人满意（连续变量的最低ICC为0.952，用于样本女性比例；分类变量的最低κ为0.881，用于儿童虐待量表）。对于有争议的编码情况，我们召开了专门的讨论会进行裁决。所有分歧最终都得到了解决。

我们首先对基本的研究特征进行了编码，包括发表年份（连续变量）和研究设计类型（横断面研究/纵向研究）。样本特征编码包括样本来源（学龄学生/大学生/非学生样本/混合样本），其中混合样本指的是结合了学生和社区样本的研究。额外的样本特征包括女性比例（连续变量，范围为0-1）和平均年龄（连续变量）。关于地理特征，由于59项研究来自中国大陆（约占所有研究的60%），我们将研究地点划分为中国大陆与其他国家/地区，以探索东西方文化背景和社会环境差异对儿童虐待-PTU关系的潜在调节作用，以及评估潜在的出版偏倚。为了考虑潜在的期刊质量效应（高质量的期刊可能会发表更严格的研究），我们从每本期刊的《期刊引用报告》中获取了影响力因子，作为潜在的调节变量。

随后，我们对核心变量进行了编码。对于儿童虐待，我们采用了Manly（2005）建立的标准分类框架，将虐待分为六种主要类型：性虐待、身体虐待、身体忽视、情感忽视、情感虐待和一般儿童虐待（Bernstein等人，2003）。性虐待包括任何形式的性接触、性暴露或性剥削行为；身体虐待指的是涉及身体伤害的行为，如打骂、踢打和其他导致实际或潜在身体伤害的行为；身体忽视指的是未能满足儿童的基本生理需求，包括食物、庇护所、衣物、医疗护理和安全保护；情感忽视指的是未能提供必要的情感支持、照顾和心理培育，如忽视儿童的情感需求或缺乏情感回应；情感虐待是指通过言语虐待、威胁、恐吓或其他心理行为对儿童造成情感和心理伤害；一般儿童虐待指的是研究中结合了不同类型虐待或使用复合虐待分数的情况。

对于PTU类型，我们遵循Davis的概念化（R. A. Davis，2001），将其分为五种主要类型：问题智能手机使用（PSU）、问题游戏使用（PGU）、问题社交媒体使用（PSMU）、问题视频使用（PVU）和一般问题技术使用（Brand等人，2016）。PSU包括对智能手机设备的过度依赖和强迫性使用行为；PGU包括过度使用电子游戏、在线游戏和移动游戏，表现为无法控制的游戏时间和对其他活动和责任的忽视；PSMU涉及对各种社交平台（如Facebook、Instagram、WeChat、Weibo等）的过度依赖和强迫性使用；PVU主要指的是对视频内容（如YouTube、TikTok、短视频平台等）的过度观看和依赖行为；一般PTU指的是研究中结合了不同类型的技术使用问题或使用复合技术成瘾分数的情况。

接下来，我们对用于评估核心变量的量表进行了详细编码，以评估不同测量工具对研究结果的潜在影响。对于儿童虐待测量工具，我们识别并分类了十一个主要量表家族：童年不良经历（ACE）问卷家族包括各种童年不良经历测量工具（如国际童年不良经历问卷（ACE-IQ，WHO，2009）；儿童虐待筛查工具（CAST）专门用于识别虐待风险（Zolotor等人，2009）；童年经历问卷（CEQ）家族专注于早期不良经历（Sty?a & Makoveychuk，2018）；儿童忽视量表（CNS）专门用于测量忽视行为（Goodvin等人，2007）；由Pan等人（2010）开发的儿童心理虐待量表（CPMS）专门用于测量儿童经历的心理虐待；童年创伤问卷（CTQ）家族包括简化版本，如童年创伤问卷-简表（CTQ-SF，Bernstein等人，2003）；冲突策略量表-亲子（CTSPC）家族评估家庭暴力行为（Straus等人，1998）；Egna Minnen Betr?ffende Uppfostran（EMBU）负面子量表测量负面养育行为（Ross等人，1982）；创伤经历清单（TEC）家族（Nijenhuis等人，2002）；育儿风格/虐待量表包括各种育儿风格和虐待行为评估工具，如育儿风格量表和母子忽视量表（Abdul Gafor和Kurukkan，2014，Lounds等人，2004）；以及其他数量较少的未分类评估工具。

关于问题技术使用测量工具，我们确定了七个主要类别：Young的互联网成瘾测试（IAT）家族是最成熟的互联网成瘾评估工具（Young，1998，Young，2004）；智能手机成瘾量表如智能手机成瘾量表（SAS）专门用于评估移动设备的问题使用；游戏成瘾量表包括基于DSM-5游戏障碍标准开发的各种工具（Pontes & Griffiths，2015）；社交媒体成瘾量表专门测量社交平台的过度使用，包括Bergen社交媒体成瘾量表（BSMAS，Andreassen等人，2020）等通过记录设备或应用程序使用时间来评估问题使用；青少年病理性互联网使用量表（APIUS）家族关注互联网使用的病理性特征（Lei & Yang，2007）；以及其他数量较少的未分类技术成瘾评估工具。

最后，我们通过多个宏观数据库将研究按国家/地区进行关联，以获取相应研究时期的社会经济和文化背景指标。具体来说，我们从联合国开发计划署（UNDP，Alkire & Foster，2010）获得了包括人均国民总收入（GNI）、性别不平等指数、教育不平等指数和收入不平等指数在内的发展指标；我们从国际电信联盟（ITU，Citaristi，2017）获取了每个国家的互联网使用率数据；我们从世界价值观调查（WVS，Inglehart & Welzel，2005）获取了包括传统/世俗价值观指数和生存/自我表达价值观指数在内的文化价值观指标。

质量评估
我们使用了混合方法评估工具（MMAT）来评估纳入研究的质量。MMAT是一种广泛验证的质量评估工具，专门用于评估系统评价中定量、定性和混合方法研究的方法学质量（Hong等人，2018）。该工具包括针对各种研究设计的筛选问题和具体质量标准，为不同类型的研究提供标准化的质量评估，包括横断面研究、队列研究和随机对照试验。

三位作者独立进行了质量评分，每位评估者在执行盲评之前首先熟悉MMAT评估标准和操作指南。在评分过程中，评估者根据MMAT的五个核心标准对每项研究进行0-5分的评分。当三位评估者之间出现分歧时，通过结构化讨论达成共识。评分者间可靠性系数（ICC）为0.942。根据MMAT评分结果，得分低于2分的研究被排除在荟萃分析之外，以确保纳入的研究符合最低方法学标准。所有质量评估的详细结果和评分理由在补充材料S4中提供。此外，我们在后续的元回归分析中纳入了研究质量作为潜在的调节变量，以探讨研究质量对效果量的可能影响。

效果量选择和转换
由于相关系数（r）易于解释，具有良好的统计特性，并且代表了大多数研究使用的效果量指标，我们选择将其作为本次荟萃分析的标准效果量（Cooper等人，2019）。我们采用了Cohen（1996）的标准，其中r = 0.10、0.30和0.50分别代表小、中和大效果量。

一些纳入的研究使用了替代效果量指标，包括比值比（OR）、卡方统计量（χ2）、t统计量和F统计量。我们对这些效果量进行了标准化转换，以确保所有效果量之间的可比性和一致性（Harrer等人，2021）。对于χ2统计量，我们使用以下转换公式：
r = χ2 / N
其中N代表样本大小。
对于t统计量，转换公式为：
r = t / (t2 + df)
其中df代表自由度。
对于F统计量，转换公式为：
r = F / (F ERROR + df)
其中df_error代表误差自由度。
最后，对于比值比（OR），转换公式为：
r = ln(OR) / (3/π) + 4

调节分析表明，效果量转换并不构成显著的调节变量（F(1, 258) = 2.409，p = 0.122），表明在不同的效果量类型转换为r后仍然具有可比性，并且转换过程没有引入系统偏差。最后，由于相关系数r不满足正态性假设，我们使用了Fisher的z转换来标准化所有相关系数（Cooper等人，2019）。Fisher的z转换公式为：
z = (1 + 2 * ln(1 + r) / (1 - r)

转换后的Fisher z值接近正态分布，满足荟萃分析所需的统计假设。完成主要效果和调节效应分析后，我们将Fisher的z值转换回相关系数（r）以便于结果的解释和报告。

统计分析
由于大多数研究包含来自同一样本的多个效果量（例如不同类型的儿童虐待），这些效果量之间存在统计依赖性。我们采用了三级随机效应荟萃分析模型来处理这个问题（Van Den Noortgate等人，2013）。传统的两级荟萃分析假设效果量之间是独立的；当这一假设被违反时，可能会导致标准误差低估、置信区间过于狭窄和I型错误率增加（Fernández-Castilla等人，2020）。三级荟萃分析模型将总方差分解为三个来源：第一级方差代表抽样误差方差；第二级方差代表同一研究中不同效果量之间的方差（研究内方差）；第三级方差代表不同研究之间的方差（研究间方差，Assink和Wibbelink，2016，Cheung，2014）。该模型可以同时估计研究内和研究间的异质性，最大限度地保留研究信息，并增强统计功效。

根据三级随机效应模型，我们进行了单尾对数似然比测试，以比较完整模型与排除一个方差参数的模型的偏差，从而确定第二和第三级是否存在显著变异（Assink & Wibbelink，2016）。异质性使用I2统计量进行量化，其中I2值为25%、50%和75%分别代表低、中等和高水平的异质性（Higgins等人，2003）。

当存在显著异质性时，我们进行了调节分析，以探索异质性的潜在来源。调节分析采用了元回归方法，在三级模型中将潜在调节变量作为协变量进行测试（Baker等人，2009，Thompson和Higgins，2002）。鉴于变量之间的量表差异较大，我们首先对协变量进行了标准化。随后，我们对连续变量使用了回归系数测试，对分类变量使用了方差分析方法。在分类调节变量分析中，我们系统地改变了参考组，以获得不同类别的基准效应大小和标准误差。为了理解不同类型儿童虐待与不同类型问题技术使用（PTU）之间的具体关联模式，我们进行了额外的分层异质性分析。我们进行了儿童虐待亚型与PTU亚型之间的一对一配对分析，得到了25种具体的关联组合。然后，我们对每个配对组合分别进行了元分析，以获得不同类型之间的具体效应大小。我们采用了多种方法来评估发表偏倚。鉴于许多发表偏倚检测方法的一致性较低（L. Lin等人，2018年），本研究使用了Fernández-Castilla等人（2020年）推荐的三种扩展的漏斗图视觉检查、Egger-MLMA测试（Rodgers & Pustejovsky，2021年）、修剪和填充方法（Fernández-Castilla等人，2021年）以及安全N分析（Rosenthal，1979年）来评估发表偏倚。具体来说，由于标准漏斗图没有考虑到数据的多层结构，我们采用了Fernández-Castilla等人（2020年）提出的双面板漏斗图方法（另见Selimi等人，2025年的最新应用），该方法在单独的图表中绘制了个体效应大小和平均研究效应大小。这种方法能够区分发表偏倚和选择性结果报告偏倚。对于研究级别的漏斗图，我们通过在每项研究中分别进行随机效应元分析来计算特定研究的汇总效应大小，其精确度反映了样本大小、报告的结果数量以及研究内的变异性（Fernández-Castilla等人，2020年）。为了评估结果的稳健性，我们使用了留一法（Harrer等人，2021年）进行了敏感性分析，系统地移除了每个效应大小和研究，以检查它们对总体结果的影响。所有模型参数都是使用限制最大似然（REML）方法估计的，采用了Knapp和Hartung（2003年）的方法来测试元分析模型中的各个回归系数并计算相应的置信区间（Selimi等人，2025年）。所有元分析都是使用R语言中的metafor包完成的（Viechtbauer，2010年）。

**结果**

**描述性统计**
共有98项研究被纳入分析，其中包括260个效应大小。总样本量达到272,491名参与者，单个研究的样本量范围从59到85,046名参与者，中位数样本量为972名参与者。样本的平均年龄为16.80岁（标准差=3.74）。女性参与者的比例为52.4%（标准差=12.3%），表明纳入的研究在性别分布上相对均衡。所有研究的整体MMAT质量得分为3.82（标准差=0.72），表明这些研究显示出了中等到良好的方法学质量。

**整体元分析**
整体元分析的森林图如图2所示。基于98项研究中的260个效应大小，三层随机效应元分析显示儿童虐待与问题技术使用之间存在显著的正相关关系。整体效应大小为r = 0.200（95%置信区间[0.175, 0.224]，t(259) = 15.417，p < 0.001），根据Cohen（1996）的标准，这代表了小到中等的效应。下载：下载高分辨率图像（982KB）
下载：下载全尺寸图像

图2. 整体元分析的森林图，探讨儿童虐待与问题技术使用之间的关联。注：K = 效应大小数量；n = 样本量；COR = 相关系数；95%置信区间。整体随机效应模型显示出显著的正相关（r = 0.20，95%置信区间[0.17, 0.22]，p < 0.001）。观察到较高的异质性（I2 = 97.7%，p < 0.001），表明效应大小在不同研究之间存在显著差异。效应大小基于Fisher的z转换相关性，并进行了反转换以便展示。异质性测试表明存在显著异质性（Q(259) = 11216.44，p < 0.001，I2 = 97.7%），表明效应大小的总方差大部分可归因于真正的异质性而非抽样误差。正如Fernández-Castilla等人（2016）所述，这种I2反映了研究内和研究间的异质性。使用Cheung（2014）推荐的方差分解方法，结果显示方差分布如下：抽样误差（第1层）占1.03%，研究内方差（第2层）占68.83%，研究间方差（第3层）占30.14%。这种高水平的系统异质性是一个积极的发现，因为它确认了效应大小之间的差异不是偶然的，并且可以通过调节变量分析进行有意义的探讨。进一步的方差成分分析显示，研究内方差（σ22 = 0.017，τ2 = 0.129）大于研究间方差（σ32 = 0.007，τ3 = 0.086），表明在同一研究中不同类型的儿童虐待或不同类型的问题技术使用之间存在显著的效应大小差异。

**似然比测试**
似然比测试确认了三层模型的必要性：研究内方差显著（χ2(2) = 33.91，p < 0.001），研究间方差也显著（χ2(2) = 4002.46，p < 0.001），联合测试得到显著结果（χ2(1) = 10051.83，p < 0.001），表明三层元分析模型比传统的两层或固定效应模型更为合适。

**亚组分析**
亚组分析的结果如图3所示，揭示了不同类型儿童虐待与不同类型问题技术使用之间的具体关联模式。总体而言，情感虐待与一般问题技术使用（PTU）的关联最强（r = 0.25，95%置信区间[0.18, 0.32]，k = 29），其次是身体忽视与一般PTU（r = 0.25，95%置信区间[0.17, 0.32]，k = 24）和身体虐待与一般PTU（r = 0.22，95%置信区间[0.14, 0.30]，k = 26）的关联。下载：下载高分辨率图像（705KB）
下载：下载全尺寸图像

图3. 亚组分析的森林图，探讨不同类型儿童虐待与不同类型问题技术使用之间的具体关联。注：K = 每个亚组内的效应大小数量；COR = 相关系数；95%置信区间。亚组按虐待类型和PTU亚型排列。效应大小基于每个虐待-PTU组合的单独三层元分析，使用Fisher的z转换相关性并进行了反转换以便展示。在特定类型的技术使用中，身体忽视与PVU的关联相对较强（r = 0.27，95%置信区间[0.22, 0.32]，k = 2）。然而，这一发现基于的研究数量有限。情感虐待在不同类型的PTU中表现出相对一致的中等关联，包括PSU（r = 0.22，95%置信区间[0.17, 0.26]，k = 12）、PGU（r = 0.21，95%置信区间[0.15, 0.28]，k = 17）和PSMU（r = 0.18，95%置信区间[0.11, 0.25]，k = 7）。值得注意的是，某些配对组合的关联强度较弱。例如，身体虐待与PSMU之间的效应大小仅很小（r = 0.03，95%置信区间[0.03, 0.04]，k = 2）。情感虐待与PVU之间的关联也相对较弱（r = 0.05，95%置信区间[0.04, 0.06]，k = 2）。这些发现支持了理论假设，即不同类型的儿童虐待可能通过不同的心理机制影响特定类型的技术使用行为。需要注意的是，一些亚组分析结果基于的研究数量有限（k ≤ 2），因此应对这些结果的稳定性和普遍性持谨慎态度。

**调节分析**
随后我们进行了调节分析，结果见表2。收入不平等指数显示出正向调节作用（β = 0.029，95%置信区间[0.004, 0.057]，F(1, 255) = 5.299，p < 0.05），表明收入不平等程度较高的社会这些变量之间的关联更强。生存/自我表达价值观指数显示出负向调节作用（β = -0.031，95%置信区间[-0.060, -0.003]，F(1, 255) = 4.510，p < 0.05），表明强调自我表达价值观的文化与结果的关联相对较弱。性别构成显示出显著的调节作用（β = -0.034，95%置信区间[-0.057, -0.006]，F(1, 254) = 6.372，p < 0.05），表明女性比例较高的样本中儿童虐待与PTU之间的关联较弱。

表2. 儿童虐待与问题技术使用关联的调节变量分析

| 调节变量 | β | F(df1,df2) | 第2层方差 | 第3层方差 | 整体关联 |
|-------------|---------|------------------|-----------------|---------------|
| 性别比例（女性，对照组） | 260 | 0.203*** [0.177, 0.229] | 0.007*** | |
| 发表年份（对照组） | | 260 | 0.203*** [0.178, 0.229] | 0.015 |
| 年龄（对照组） | | 233 | 0.197*** [0.091, 0.304] | 0.001 |
| 年级（对照组） | | 260 | 0.202*** [0.177, 0.228] | 0.007 |
| 影响因子（对照组） | | 260 | 0.202*** [0.177, 0.228] | 0.017 |
| 收入不平等指数 | | 257 | 0.203*** [0.177, 0.228] | 0.029* |
| 性别不平等指数 | | 249 | 0.203*** [0.177, 0.230] | 0.016 |
| 教育不平等指数 | | 249 | 0.203*** [0.176, 0.230] | 0.010 |
| 生存/自我表达价值观 | | 257 | 0.201*** [0.175, 0.226] | 0.031* |
| 互联网使用率 | | 257 | 0.201*** [0.172, 0.224] | 0.024 |
| 样本来源 | | 257 | 0.201*** [0.173, 0.239] | 0.206 |
| 学龄学生（对照组） | | 158 | 0.206*** [0.173, 0.239] | 0.203 |
| 大学生 | | 79 | 0.211*** [0.161, 0.260] | 0.005 |
| 非学生样本 | | 170 | 0.159** [0.062, 0.257] | -0.032 |
| 混合样本 | | 60 | 0.174* [0.023, 0.326] | -0.046 |
| 国家/地区 | | 148 | 0.220*** [0.187, 0.253] | 0.216 |
| 设计类型 | | 217 | 0.210*** [0.183, 0.236] | 0.207 |
| 横断面研究 | | 217 | 0.210*** [0.183, 0.236] | 0.207 |
| 纵断面研究 | | 430 | 0.156*** [0.095, 0.218] | -0.041 |
| 转换/插补 | | 195 | 0.211*** [0.181, 0.241] | 0.007 |
| 是否有转换/插补 | | 65 | 0.169*** [0.124, 0.215] | -0.042 |
| 儿童虐待类型 | | | 240 | 0.113*** [0.051, 0.175] | 0.113 |
| 身体虐待 | | | 430 | 0.195*** [0.146, 0.243] | 0.082 |
| 身体忽视 | | | 460 | 0.219*** [0.171, 0.266] | 0.106 |
| 情感忽视 | | | 320 | 0.147*** [0.092, 0.201] | 0.034 |
| 情感虐待 | | | 670 | 0.237*** [0.195, 0.278] | 0.124 |
| 一般儿童虐待 | | | 480 | 0.213*** [0.166, 0.259] | 0.099 |
| 问题技术使用类型 | | | 460 | 0.179*** [0.124, 0.234] | 0.177 |
| 问题智能手机使用 | | | 460 | 0.179*** [0.124, 0.234] | 0.531 |
| 问题游戏使用 | | | 510 | 0.204*** [0.147, 0.261] | 0.025 |
| 问题社交媒体使用 | | | 160 | 0.171*** [0.090, 0.252] | -0.008 |
| 问题视频使用 | | | 80 | 0.187** [0.075, 0.299] | 0.009 |
| 一般问题技术使用 | | | 139 | 0.218*** [0.182, 0.254] | 0.039 |
| ACE家庭量表 | | | 470 | 0.117*** [0.054, 0.181] | 0.116 |
| CAST/ICAST | | | 50 | 0.208* [0.048, 0.369] | 0.091 |
| CEVQ/CEQ | | | 40 | 0.184* [0.013, 0.356] | 0.067 |
| CPMS | | | 40 | 0.246** [0.065, 0.427] | 0.129 |
| CTQ家庭量表 | | | 135 | 0.222*** [0.187, 0.257] | 0.105 |
| CTSPC家庭量表 | | | 130 | 0.174*** [0.078, 0.27儿童虐待测量量表的调节效应在统计学上具有显著性（F(10, 249) = 1.956, p < 0.05），其中EMBU负面子量表显示出最强的效应大小（r = 0.403, β = 0.309, 95% CI [0.094, 0.524], p < 0.01）。育儿方式/虐待量表（r = 0.262, β = 0.151, 95% CI [0.021, 0.281], p < 0.05）和CTQ量表家族（r = 0.216, β = 0.105, 95% CI [0.034, 0.175], p < 0.01）也与参考组ACE量表家族（r = 0.116）相比显示出显著更强的关联。PTU测量量表同样表现出显著的调节效应（F(6, 253) = 2.393, p < 0.05），其中PIUS量表家族显示出最强的关联（r = 0.329, β = 0.137, 95% CI [0.013, 0.261], p < 0.05）。相比之下，自我报告的使用时间显示出最弱的关联（r = 0.049, β = -0.156, 95% CI [-0.295, -0.016], p < 0.05）。值得注意的是，情感虐待既包括威胁元素（如贬低和羞辱），也包括剥夺元素（如情感忽视），这种双重性质可能解释了其更强烈的影响（Sheridan & McLaughlin, 2020）。身体忽视（r = 0.216）和身体虐待（r = 0.193）显示出中等的关联度，支持了剥夺和威胁经历通过不同机制影响问题性技术使用（PTU）的假设。身体忽视作为一种典型的剥夺经历，可能通过限制正常发展所需的刺激输入而导致执行功能缺陷和社会技能不足；而身体虐待作为一种威胁经历，可能通过激活恐惧系统并增加情绪反应性来增加PTU的风险（McLaughlin et al., 2019）。相比之下，性虐待的关联度相对较低（r = 0.113）。这并不意味着性虐待的影响较小，而可能反映了其独特的创伤机制，表现为特定的创伤后症状（如解离和创伤后应激障碍PTSD），而不是广泛的行为问题（Trickett et al., 2011）。此外，性虐待的测量可能受到更强的社会禁忌影响，导致报告不足（Loseke et al., 2005）。具体的关联模式支持“功能特异性”假设（Laconi et al., 2015）。亚组分析揭示了有意义的模式：情感虐待与问题性社交媒体使用（PSMU）的关联（r = 0.18）可能反映了情感需求的补偿机制——当现实世界中的情感联系受损时，个体转向社交媒体寻求替代支持（Struck et al., 2020）；身体虐待与问题性游戏使用（PGU）的关联（r = 0.21）可能反映了逃避机制——游戏提供了可控的虚拟环境，帮助个体暂时逃离创伤记忆（Kosa & Uysal, 2020）。这种功能特异性可能通过受损的心理化能力来调节。研究发现，虐待经历与较低的心理化能力相关（r = -0.21），这一效应大小与我们的总体发现几乎相同（Yang & Huang, 2024）。当个体难以理解和调节自己和他人的心理状态时，他们可能会更倾向于使用不同形式的技术来满足各种心理需求。社交媒体满足连接需求，游戏提供控制感，而一般互联网使用可能反映了自我调节方面的挑战。

测量工具显著影响了观察到的效应大小。在儿童虐待测量方面，EMBU的负面子量表显示出最强的效应（r = 0.403），而ACE量表的家族效应较弱（r = 0.116）。这种差异不仅反映了工具的技术特性，更重要的是揭示了概念化的重要性。EMBU对情感维度的详细关注可能更准确地捕捉到核心的虐待伤害，而ACE对儿童虐待的宽泛定义可能稀释了特定类型虐待的效果（Adverse Childhood Experiences International Questionnaire (ACE-IQ), 2009; Ross et al., 1982）。PTU的测量也显示出重要差异。标准化量表（如APIUS, r = 0.329）通过评估多个维度全面捕捉问题性使用的本质，而自我报告的使用时间（r = 0.049）仅反映了定量方面，忽略了控制丧失和功能损害等定性特征。这一发现强调了在PTU评估中超越简单时间指标的必要性，关注使用的功能影响（de Reuver & Bouwman, 2015）。

性别构成显示出显著的负向调节效应（β = -0.031, 95% CI [-0.057, -0.006]），表明女性比例较高的样本中，儿童虐待与PTU之间的关联较弱。这一发现反映了性别在应对创伤和技术使用中的多重作用。从社会化角度来看，女性通常被鼓励表达情感并寻求社会支持，可能为她们提供了更多应对虐待创伤的资源（Taylor et al., 2000）。相比之下，男性的社会化过程往往限制情感表达，可能导致他们更依赖外部方式（如技术使用）来处理创伤。此外，技术使用本身也表现出性别差异——男性倾向于通过游戏寻求控制，而女性更频繁地使用社交媒体进行情感交流（Gisbert-Pérez et al., 2024, Schoemmell, 2024）。这些使用偏好的差异，加上不同性别对PTU行为的接受程度的差异，共同塑造了观察到的调节效应。收入不平等指数的正向调节效应（β = 0.031, 95% CI [0.004, 0.057]）支持了相对剥夺理论的预测（Wilkinson & Pickett, 2009）。在高度不平等的社会中，儿童虐待与PTU之间的关联更强，反映了结构性不平等如何放大个体层面的风险。这种放大效应通过多种机制起作用（Eckenrode et al., 2014, Gould and Hijzen, 2016）：首先，不平等社会中的弱势家庭面临多重压力源，可能会增加虐待的严重性；其次，社会资本和信任水平的降低减少了可用的支持资源；最后，技术使用作为一种低成本的应对机制，成为弱势群体更容易获得的选择。因此，收入不平等不仅仅是一个背景因素，而是一种塑造风险过程的积极社会力量。文化价值观的调节作用进一步揭示了宏观环境的影响。强调自我表达的价值观的负向调节效应（β = -0.031, 95% CI [-0.060, -0.003]）表明，这些社会中的虐待与PTU之间的关联较弱。根据Inglehart和Welzel（2005）的文化价值观理论，强调自我表达的社会通常表现出更高的个人自主性、更开放的情感表达、较少的权威服从和更多样化的自我实现途径。这种文化背景可能通过多种机制减轻虐待的负面影响（Ford and Mauss, 2015, Welzel, 2010）。在这些社会中，人们对心理健康问题的意识和接受度更高，降低了寻求帮助的障碍。此外，更开放的情感表达文化可能促进创伤处理和整合，减少了对技术使用的依赖。

值得注意的是，研究设计并未显著调节效应大小。这一发现可能有多种解释。首先，儿童虐待通常发生在PTU发展之前，时间顺序相对清晰，减少了横断面设计中常见的反向因果问题。这也表明，作为一种相对稳定的行为模式，PTU在不同时间点与虐待之间保持了一致的关联。支持这一观点的证据是，参与者年龄并未调节儿童虐待与互联网成瘾之间的关联，表明这种关联在年龄范围内是稳定的。

本研究的主要优势在于其方法论的严谨性和理论创新。我们不仅有效地解决了效应大小之间的依赖问题，并保留了所有可用的信息，还通过整合多个国际数据库探索了宏观社会文化因素的调节作用。此外，对PTU的详细分类、实施全面的质量控制措施以及采用多种方法评估出版偏倚都增强了研究结论的可信度和贡献。然而，这项研究也存在几个重要限制。尽管我们纳入了纵向研究并将研究设计作为调节变量进行分析，但大多数研究仍然采用了横断面设计（Committee On Child Maltreatment Research, Policy, 2014）。尽管从理论上讲，儿童虐待在时间上先于PTU的发展，但我们无法完全排除第三变量的影响。测量是另一个重要的挑战，因为大多数研究依赖于参与者的回顾性自我报告来评估儿童虐待经历。记忆的选择性和重建性质可能导致某些经历被遗忘或扭曲。关于PTU的测量，过度依赖自我报告同样存在问题，因为个体可能由于社会期望而低估问题行为的严重性。在核心概念的操作化方面，研究之间存在显著差异；虽然这种测量异质性部分解释了观察到的高异质性，但也使得跨研究比较变得复杂（Hagborg et al., 2022）。出版偏倚的潜在影响也是一个问题。尽管我们采用了多种方法来评估出版偏倚，结果表明其影响相对较小，但我们必须承认在纳入灰色文献方面的局限性（Benzies et al., 2006）。我们尝试从ProQuest数据库中检索未发表的文献（如学位论文），但最终只找到了五项符合纳入标准的研究。发现弱关联或无关联的研究可能从未完成或从未报告，使得评估这一“文件柜问题”的真实程度变得困难。虽然我们的失败安全N分析表明需要大量负面研究才能推翻当前结论，但这并不能消除出版偏倚的潜在系统性影响。样本代表性问题同样值得关注。大约60%的研究来自中国大陆，而我们的调节分析未发现显著的地理效应；尽管如此，这种地理分布不平衡可能会限制研究结论的普遍性（Eckenrode et al., 2014）。低收入国家、少数民族群体和临床人群的研究明显不足。这些最需要关注的群体——如生活在贫困、冲突或资源匮乏地区的儿童——在我们的分析中代表性不足。这种“研究不平等”可能导致我们的理论理解和实际建议存在系统性偏差，未能充分反映最脆弱人群的经历和需求。

这项研究强调了以创伤为中心的护理在预防和治疗PTU中的关键作用（Center For Substance Abuse Treatment US, 2014）。鉴于儿童虐待与PTU之间的强烈关联，临床医生在评估PTU时应常规筛查虐待史，特别是情感虐待的经历。这为制定个性化的治疗计划提供了关键信息。对于有虐待史的PTU患者，仅关注减少技术使用的行为干预可能效果有限；相反，干预需要结合创伤治疗要素，帮助个体处理未解决的创伤经历并重建安全感和自我价值。此外，不同类型的虐待与PTU亚型之间的具体关联表明需要更精确的干预匹配——情感虐待受害者可能需要更多关注自尊重建和情绪调节，而忽视受害者可能从社交技能训练和兴趣培养中受益更多。性别和文化因素的调节效应对实践具有重要指导意义。相同的虐待经历在不同性别群体中可能表现出不同的应对反应，男性可能更倾向于通过外部方式（如游戏）表达创伤，而女性可能表现出其他形式。文化背景同样影响个体对创伤和技术的理解和应对方式；在强调集体主义或传统价值观的文化中，干预策略可能需要更广泛地考虑家庭系统和社会期望的作用。这种文化敏感性超越了简单的“文化适应”，要求深入理解文化如何影响风险和保护过程，并相应调整干预内容和形式（Eustis et al., 2023）。研究结果还支持采用多层次、全面的干预策略（Ntia, 2024）。预防儿童虐待本身就是预防PTU的上游策略，需要加强儿童保护系统、家庭支持服务和育儿教育计划。政策制定不应仅关注身体虐待等可见形式；虽然情感虐待可能更隐蔽，但其影响可能更为深远，需要提高公众意识和专业识别能力。此外，收入不平等的放大效应提醒我们，减少社会经济不平等不仅是社会正义的要求，也是公共卫生的必要条件。这项研究还强调了跨部门合作的必要性（Ntia, 2024）。作为一个复杂的公共卫生问题，PTU的预防和干预需要多个部门的协调努力，包括儿童保护、心理健康、教育和技术监管。建立有效的跨部门协调机制、共享信息和资源以及制定全面的政策框架是应对这一挑战的关键要素。

我们的发现指出了几个促进该领域发展的方向。首先，由虐待-PTU亚型配对驱动的强烈研究内异质性为机制导向的研究打开了大门，这些研究可以绘制出特定逆境经历与特定形式技术滥用之间的精确心理路径。生态瞬时评估研究可以捕捉实时情绪动态，以测试情感虐待是否主要通过情绪失调和负面自我图式增加PTU风险，而忽视则通过执行功能缺陷和刺激驱动的奖赏寻求来起作用。神经成像研究表明，早期生活压力会破坏大脑中的情绪和奖赏处理回路（Herzberg & Gunnar, 2020）；未来的工作应扩展这些发现，以探讨这些神经变化是否介导了从虐待到强迫性技术使用的转变。其次，需要从发展时间的角度进行考量。我们元分析中的大多数研究同时或回顾性地测量了虐待和PTU，留下了关于虐待-PTU联系何时在发展中具体形成的问题。从幼儿期开始的前瞻性队列研究可以识别出受虐待儿童特别容易陷入问题性技术使用的敏感时期，以及早期接触数字技术是否能够缓解这一趋势。这样的研究还可以明确，问题性技术使用（PTU）是一种随发展而变化的应对策略，还是持续到成年的稳定行为模式。第三，研究人员可以应用基于遗传学的设计方法（如双胞胎差异研究、兄弟姐妹比较研究和收养研究），专门针对虐待与PTU之间的关联进行因果推断，并估计共同家庭风险因素的混淆程度。此外，我们发现收入不平等和文化价值观显著调节了虐待与PTU之间的关联，这需要开展理论驱动的跨文化研究。研究应检验关于宏观因素如何影响个体脆弱性的不同假设——例如，收入不平等是通过减少心理健康资源的获取（Wilkinson & Pickett, 2009）、通过数字平台增加社会比较，还是削弱社区层面的保护因素来加剧虐待与PTU之间的联系。最后，干预科学应充分利用本文记录的亚型特异性。随机对照试验可以比较针对不同类型虐待设计的创伤知情数字健康计划与标准的行为干预措施（Saraiya et al., 2020），以测试解决潜在创伤能否带来更大且更持久的减少问题性技术使用的效果。

**结论**
我们发现儿童虐待与问题性技术使用之间存在显著的正相关关系，这种关联受到虐待类型、PTU亚型和 socio-cultural factors 的显著调节。情感虐待表现出最强的预测效应，而收入不平等等宏观因素的放大效应提醒我们，不能孤立地理解个体的问题性技术使用行为，必须将其置于更广泛的社会生态系统中考虑。本研究的结果对理论发展和实际干预具有重要意义：问题性技术使用可能反映了早期创伤未愈合的伤痕和未满足的心理需求，而不仅仅是简单的自我控制问题。在技术日益渗透日常生活的时代，要理解和打破“创伤-问题性技术使用”的恶性循环，需要整合创伤知情视角、文化敏感的方法和多层次的干预策略。

**伦理考量**：由于本研究涉及对已有研究的综合分析而非直接从参与者处收集数据，因此省略了伦理审查程序。

**预注册**：这项元分析研究的方案已在Open Science Framework平台上预注册（DOI: Doi: 10.17605/OSF.IO/UJ4F7）。

**作者贡献声明**
Zékai Zachary Lu：撰写初稿、审稿与编辑、可视化展示、概念化、数据分析、软件使用、方法学设计、资源整合、监督工作。
Yanshu Niu：撰写与编辑、验证结果、数据分析。
Yuan Yao：撰写与编辑、结果验证、数据分析。