考察日常生活中生活方式因素与情感的聚类模式：一种特定个体分析方法

《Applied Psychology: Health and Well-Being》：Examining the clustering of lifestyle factors and affect in daily life: An idiographic approach

　　

近年来，关于生活方式因素（如身体活动、饮食、睡眠和社会互动）对健康与福祉益处的研究兴趣日益增加。既往研究强调了健康和不健康的生活方式因素倾向于共同变化或聚类的现象。然而，鲜有研究探讨生活方式因素与情感健康之间的聚类在多大程度上是个体特有的。因此，本项目旨在考察日常生活中生活方式行为与情感体验的特定个体关联，这可为个体化生活方式干预奠定基础。79名美国成年人（平均年龄 Mage= 43.37，标准差 SDage= 17.26）参与了一项为期70天的日记研究，他们每晚报告当天的参与情况。研究人员采用网络模型（network models）在个体间水平（between-person level）和个体内水平（within-person level）上检验了这些变量之间的关联。此外，还分析了特定于个体的网络模型。结果表明，在整个样本中，多个水平（个体间和个体内）均存在显著关联。进一步分析显示，生活方式因素与情感之间存在特定于个体的连接。总之，生活方式因素与情感在日常生活中聚类在一起，且这种聚类因个体而异。未来的研究应探索基于密集测量的个体化生活方式干预的可行性。

研究背景与意义

随着健康心理学领域的快速发展，生活方式医学（lifestyle medicine）视角逐渐受到重视。大量证据表明，坚持健康的生活方式因素，如限制酒精摄入、充足的身体活动、维持健康饮食、避免烟草使用以及保持良好的睡眠质量，与较低的死亡率和预期寿命延长密切相关。此外，这些因素也被证实对心理健康的发起、预防及维持具有重要意义。然而，现有研究多集中于横断面调查，揭示了人群层面的行为共现模式，例如健康饮食者往往伴随更多运动，而酗酒者常伴随吸烟行为。这种群体水平的聚类虽有助于识别公共卫生需求较高的亚群，却无法揭示个体内部随时间变化的动态过程，也难以支持因果推断或指导个性化干预。因此，本研究旨在通过高密度纵向数据，深入探究个体在日常生活中生活方式因素与情感状态的聚类特征，为后续开发精准化健康干预方案提供理论依据。

研究设计与方法

本研究采用密集纵向设计（intensive longitudinal design），通过在线平台招募了来自美国三个年龄段的79名成年参与者，要求其连续70天每晚填写日常日记，记录当天的身体活动、饮食、睡眠、社交互动等行为及情感状态。为确保数据质量，仅纳入完成至少10天日记的参与者。数据分析采用图形向量自回归（Graphical Vector Auto-Regression, GVAR）和多层向量自回归（multilevel Vector Auto-Regression, mlVAR）等网络分析方法，分别构建了个体间、个体内同期（contemporaneous）和跨期（temporal）关联网络，并进一步开发了两种特定个体网络模型：一种基于样本整体信息的mlVAR模型，另一种完全依赖个体数据的graphicalVAR模型。所有变量均经过高斯copula变换以满足正态性假设，并通过敏感性分析验证了结果的稳健性。

研究结果

整个样本网络分析显示，在个体间水平上，健康行为如身体活动与水果蔬菜摄入量呈正相关（r_p= 0.45），且与自然接触（r_p= 0.25）也显著相关；睡眠时长与放松行为则与其他多种变量广泛关联。在个体内同期网络中，自然接触与身体活动（r_p= 0.34, p < 0.001）、社交互动（r_p= 0.08, p = 0.01）密切相关，同时酒精摄入与社交互动亦呈正相关（r_p= 0.07, p = 0.01）。加入情感变量后，积极情感（positive affect）与社交互动（r_p= 0.19, p < 0.001）、自然接触（r_p= 0.07, p < 0.001）、水果蔬菜摄入（r_p= 0.06, p = 0.001）等健康行为均呈显著正相关；消极情感（negative affect）则与睡眠困扰（r_p= 0.11, p < 0.001）、看电视/电影时间（r_p= -0.04, p = 0.04）及爱好时间（r_p= -0.05, p = 0.003）相关。跨期分析表明，多数生活方式因素表现出显著的自我滞后效应，即前一天的高水平投入可预测次日相似行为的延续。

特定个体网络分析揭示了极大的异质性。例如，参与者65的网络中身体活动处于核心地位，并与自然接触、社交互动等多个节点相连；而参与者28的身体活动仅与自然接触相关。不同建模方法亦呈现差异：mlVAR模型因借用样本信息，能识别出更多潜在关联；graphicalVAR模型则更为保守，仅反映个体自身数据中的显著联系。统计检验表明，随着数据量增加，个体网络的稳定性逐渐提高，完成超过20天测量的模型具有较高可靠性。

讨论与结论

本研究首次系统展示了生活方式因素与情感状态在日常生活中的多层次聚类现象，并证实了个体间存在显著差异。这一发现挑战了传统群体平均视角的局限性，强调了从特定个体角度理解行为动态的重要性。理论上，它拓展了网络精神病理学（network psychometrics）的应用边界，将情感症状聚类延伸至生活方式领域；实践上，则为未来设计基于个体行为模式的精准干预策略奠定了基础。例如，针对某些核心行为节点（central nodes）进行靶向调整，可能触发正向螺旋效应，改善整体健康轨迹。此外，研究还指出，虽然群体水平网络可作为初步筛查工具，但真正实现个性化健康管理仍需依赖高密度纵向监测与个体化建模技术。

局限性与展望

尽管本研究取得了重要进展，但仍存在一些不足。首先，样本来源于便利抽样，缺乏代表性，且未涵盖临床人群，限制了结论的外部效度。其次，主要依赖自我报告测量，部分指标（如饮食）的内部一致性较低，可能影响关联强度估计。未来研究应在更具多样性的队列中复制结果，结合生物传感器获取客观数据，并探索更精细的时间尺度（如每日多次评估）以捕捉瞬时动态。同时，需进一步优化算法以降低数据收集负担，推动该技术向临床应用转化。

综上所述，生活方式因素与情感体验在日常生活中形成复杂的聚类网络，且这种结构因人而异。通过密集纵向设计与网络分析方法，研究人员能够揭示隐藏在群体均值背后的个体化规律，为下一代个性化健康干预提供科学支撑。