跨平台问题性网络行为中的惩罚敏感性与大脑网络中心性的变化

《Behavioural Brain Research》：Punishment sensitivity and altered brain network centrality in cross-platform problematic online behaviors

　　摘要
问题性网络行为往往涉及多个数字平台，但以往研究多聚焦于某一种问题性使用行为。目前尚不清楚不同跨平台行为模式是否与不同的奖惩敏感度以及大脑网络结构的改变相关。本研究结合潜在类别分析与静息态功能磁共振成像，旨在识别中国大学生的跨平台问题性网络行为的潜在风险类别，并探讨其动机与神经机制。在研究1中，947名学生接受了智能手机、视频游戏和社交网络问题性使用情况以及奖惩敏感度的评估。潜在类别分析得出三种风险等级：低风险、中风险和高风险。研究2中，150名参与者接受了静息态功能磁共振成像检测，全脑特征向量中心性指标用于评估大脑中的核心节点特性。中风险组和高风险组的奖惩敏感度均高于低风险组，而两组之间则无差异。随着风险等级的升高，惩罚敏感度也逐渐增加。神经影像学分析显示，与低风险组相比，两类高风险组在左侧额上回和左侧楔前叶的特征向量中心性降低。这些区域中心性下降与更高的惩罚敏感度相关，而奖惩敏感度与中心性之间则无显著关联。这些发现表明，惩罚敏感度不仅是问题性网络行为严重程度的心理标志，还与左侧额上回和左侧楔前叶的核心节点功能减弱有关，这可能反映了对负面结果高度敏感的神经机制。

引言
数字平台已深度融入年轻人的日常学习、社交及娱乐生活。虽然大多数互联网使用行为具有适应性，但部分人会形成重复且难以控制的在线行为模式，从而导致主观痛苦或心理社会功能受损[1][2]。这类行为通常被称作问题性网络行为，它涵盖多种相互关联的异常数字使用方式，包括智能手机、视频游戏和社交网络的问题性使用[3][4]。重要的是，这些问题性行为很少单独出现。在现实世界的数字环境中，人们常常在多个平台之间切换，问题性症状也可能同时出现在智能手机使用、游戏玩乐和社交网络活动中[5]。行为成瘾的连续体假说认为，这些行为属于同一强迫行为谱系中的不同但相互关联的实体，它们具有共同的病理机制，同时又表现出独特的表型特征[6]。

然而，以往大多数研究都是孤立地考察某一种问题性使用行为，如网络游戏障碍、智能手机问题性使用或社交网络问题性使用。这种方法虽有助于深入了解特定数字行为，却可能掩盖了问题性网络行为在不同平台上的多样性[7][8]。此外，以变量为中心的研究方法主要评估症状与风险因素之间的平均关联，难以识别出具有不同症状组合的亚群体[9][10]。作为以个体为中心的方法，潜在类别分析能够通过多种指标识别出同质性亚群体，无需依赖主观定义的诊断标准，从而有效克服上述局限[11]。尽管先前的潜在类别分析已对问题性互联网使用行为进行了分类，但许多研究仅关注有限的行为类型，且很少将行为表型分析与神经生物学验证相结合[12][13]。因此，目前仍不清楚不同的跨平台问题性网络行为模式是否与心理特质及大脑网络结构方面的实质性差异相关。

人-情感-认知-执行交互模型为理解问题性网络行为的发展与演变提供了有力框架[14]。该模型认为，成瘾行为是个体倾向、情感反应、认知加工和执行控制之间动态互动的结果。在初期，网络行为主要由与奖励相关的机制驱动，如愉悦感、对新奇事物的追求以及正向强化[15][16]。但随着问题性使用的持续，行为越来越可能受到负向强化的驱动，比如避免厌恶状态、缓解痛苦以及难以摆脱不良习惯[14][17]。因此，奖惩敏感度是理解不同阶段问题性网络行为风险的重要动机特征。奖惩敏感度反映的是行为受奖励结果影响的程度，而惩罚敏感度则体现的是个体对潜在惩罚、威胁或负面结果的敏感程度[18][19]。一个尚未解决的关键问题是，不同的问题性网络行为风险模式是否具有不同的奖惩敏感度模式，尤其是风险增加是否伴随着从奖赏敏感向惩罚敏感的转变。

除了行为特征外，问题性网络行为还可能与大脑网络结构的改变有关。行为成瘾与负责奖励处理、认知控制、自我参照加工和情绪调节的大脑系统功能紊乱密切相关[20][21]。其中，执行控制网络和默认模式网络尤为重要。额叶区域，包括额上回，参与自上而下的控制、抑制调节及目标导向行为，而楔前叶等默认模式区域则负责自我参照加工和内向思维[22]。这些区域的结构异常可能会降低个体调控过度网络使用行为以及摆脱内在驱动或情感驱动的数字行为的能力。不过，现有大多数神经影像学研究都集中在单一问题性行为上，尚未明确跨平台问题性网络行为模式是否也与大脑网络结构的共同变化相关[23][24]。

静息态功能磁共振成像是一种无需任务要求即可检测大脑内部结构的方法。在本研究中，我们采用了特征向量中心性这一图论指标，它用于量化全脑功能网络中每个体素的重要性。与传统度中心性相比，特征向量中心性通过赋予相邻节点相应权重，能更灵敏地识别出大脑层级网络结构中的核心节点[25][26]。这一指标特别适合用于检测那些负责大规模信息整合的核心区域的异常变化[27]。通过分析不同问题性网络行为风险组特征向量中心性的差异，或许可以进一步明确潜在的行为亚型是否与核心调控区和自我参照加工区中心性的变化相对应。

为填补这些研究空白，本研究将以个体为中心的行为表型分析与静息态功能磁共振成像相结合，旨在探讨中国大学生跨平台问题性网络行为的风险模式及其动机与神经机制。在研究1中，我们利用潜在类别分析根据智能手机、视频游戏和社交网络的问题性使用情况识别潜在风险类别，随后分析了不同类别在奖惩敏感度方面的差异。研究2中，我们从研究1中选取分层样本进行静息态功能磁共振成像扫描，以评估不同风险类别的全脑特征向量中心性差异及其与奖惩敏感度的关联。我们假设会出现反映不同风险等级的跨平台问题性网络行为的潜在类别。同时，我们预计不同风险类别的奖惩敏感度会呈现不同的阶段性特征，且风险越高，惩罚敏感度越明显。最后，我们认为问题性网络行为高风险的个体在参与认知控制和自我参照加工的大脑区域中会表现出特征向量中心性的改变，而且这些神经变化与惩罚敏感度的关联更为密切。

研究对象
本研究共开展了两项关联研究，参与者为中国大学生，他们通过校园广告和在线招募平台获得。研究1旨在识别跨平台问题性网络行为的潜在风险类别，而研究2则利用研究1中的分层样本，探讨与这些风险类别相关的大脑网络结构变化。在研究1中，最初共招募了1,030名18至25岁的参与者，入选标准为……

问题性网络行为的潜在类别分析
三种问题性网络行为指标之间存在正相关关系：视频游戏问题性使用与社交网络问题性使用呈正相关（r = 0.71，p < 0.001），也与智能手机问题性使用呈正相关（r = 0.73，p < 0.001）；社交网络问题性使用同样与智能手机问题性使用呈正相关（r = 0.75，p < 0.001）。哈曼检验提取出了四个特征值大于1的因素，它们共同……

讨论
本研究结合以个体为中心的潜在类别分析与静息态功能磁共振成像，旨在探究中国大学生跨平台问题性网络行为的行为、心理及神经特征。研究共识别出三种风险等级的潜在类别：低风险、中风险和高风险。这些类别在奖惩敏感度方面表现出不同的阶段性特征。在奖惩敏感度方面……

结论
本研究通过将以个体为中心的潜在类别分析与静息态功能磁共振成像相结合，分析了跨平台问题性网络行为的风险类别及其心理与神经特征。研究共识别出三种风险等级：低风险、中风险和高风险。两类高风险组的奖惩敏感度均较高，但从中风险组到高风险组，奖惩敏感度并未进一步上升，而所有风险组的惩罚敏感度则呈逐步上升趋势。在神经层面，两类高风险组的特征向量中心性均有所下降……

伦理说明
本研究的所有程序均遵循《赫尔辛基宣言》的要求。天津师范大学机构审查委员会已批准该研究（编号2026051103）。所有参与者均被告知研究内容并签署了知情同意书，且年龄均在18岁及以上。

资金支持
本研究得到了国家自然科学基金的支持，项目编号为32271140，资助者为杨老师；同时还有天津研究生创新研究计划的支持，项目编号为2026KYCX034Y，资助者为牛先生。这些资金提供方均未对论文的撰写过程施加任何影响。

代码与软件说明
本研究中未开发任何自定义算法、新的计算流程或训练好的机器学习模型。潜在类别分析是使用标准的Mplus混合模型语法进行的，相关操作可参考《Mplus用户指南》及示例网址：https://www.statmodel.com/usersguide/chapter7.shtml。体素级的特征向量中心性则是通过Wink等人开发的公开可用快速ECM算法计算的，该算法的代码可在以下地址获取：//github.com/amwink/bias/blob/master/matlab/fastECM/fastECM.m

CRediT作者贡献说明
牛玉桐：撰写——初稿、可视化、方法学、数据收集、正式分析、数据整理、概念构建；Elhai Jon D.：撰写——审稿与编辑；胡晓：数据收集；杨海波：撰写——审稿与编辑、监督、方法学、概念构建；Montag Christian：撰写——审稿与编辑。

利益冲突声明
作者们不存在任何需要披露的利益冲突。

致谢
无。

牛玉桐|胡晓|Jon D. Elhai|Christian Montag|杨海波
中国天津市天津师范大学心理学学院行为心理学系，邮编300387