揭示青少年网络成瘾的核心因素：基于机器学习与网络分析的方法

《Computers in Human Behavior》：Unveiling the core factors of Internet Addiction in adolescents: A machine learning and network analysis approach

　　

•结合机器学习与网络分析检测青少年网络成瘾。
•抑郁是网络成瘾最强的预测因子。
•行为抑制系统是风险因素网络中最核心的节点。
•为未来青少年网络成瘾的预防和干预研究提供方向。

引言
随着数字技术的迅速扩展，网络成瘾（IA），尤其是青少年群体，已演变成为全球性的紧迫公共卫生问题。文献已充分证实其与个人心理健康（Cheng 等，2018）、社会功能（Rumpf 等，2022）和生活质量（Chern & Huang，2018）的负相关。此外，以往研究报告了 IA 的高患病率，包括一项覆盖 31 个国家的荟萃分析；发现广泛性网络成瘾的加权平均患病率为 7.02%（Pan 等，2020）。更近期的研究表明，这一数字在中国青少年中已达 10.3%（Zheng 等，2025），而在伊朗这一比率可高达 33%（Hammood 等，2025）。IA 的高患病率和严重程度凸显了系统理解其潜在复杂机制的迫切需要。这种理解对于准确识别高危个体和实施早期干预至关重要。

大量研究探讨了 IA 症状的发生、发展和维持机制。然而，以往研究常在方法上局限于考察少量变量间的孤立关联，风险因素经常被单独测试或在缺乏系统理论框架充分指导的情况下进行选择。因此，变量选择的理论基础往往不明确，变量间潜在的相互作用或非线性效应很少被考察。这些遗漏具有重要意义，因为如 I-PACE 模型等最近的 IA 理论强调，不仅不同类别的风险因素对 IA 有独立贡献，这些因素之间也存在复杂的相互作用。为解决这些差距，本研究基于 I-PACE 模型（Brand 等，2016）选择了一系列与 IA 相关的风险因素。首先使用潜在剖面分析（LPA）识别与 IA 相关的症状剖面。然后，将参与者从 LPA 得出的最可能剖面成员资格作为机器学习模型中的监督学习结果，通过该模型评估这些基于理论得出的候选因子的预测相关性，并识别有影响力的预测因子。最后，将确定的有影响力的预测因子纳入网络模型，检查它们在 IA 相关风险因素网络中的条件关联和结构位置。在这个逐步框架中，核心因素被操作化为由机器学习选择的预测因子构建的网络中的结构核心节点。通过顺序整合这些方法，本研究旨在将一组广泛的理论上相关的风险因素缩小到那些显示与 IA 剖面具有预测相关性并在估计的风险因素网络中占据核心位置的因子。这种逐步、理论引导的方法通过区分广泛相关的预测因子与那些可能在 IA 相关风险因素网络中占据更核心位置的预测因子，为识别青少年 IA 的关键相关因素提供了更集中的基础。

尽管“网络成瘾”一词在研究文献中被广泛使用，但它目前不代表一个正式建立的涵盖所有互联网使用形式的诊断类别。因此，在本研究中，IA 指的是自我报告的与 IA 相关的症状和症状严重程度（使用改编的网络成瘾诊断问卷评估），而不是临床诊断。因此，潜在剖面被解释为反映相对较低和较高水平的与 IA 相关的症状，分析中确定的变量被描述为剖面成员资格的预测因子或相关因素，而不是已确立的因果风险或保护因素。

自 IA 首次被报告（Young，1996）以来，围绕这一问题进行了大量研究，促使各种理论模型的发展。在这些模型中，I-PACE 模型（Brand 等，2016）是最广泛认可和系统的框架之一。它是一个过程模型，用于表达和说明特定成瘾行为的发展和维持。该模型包括 P 组件，反映易感的个体脆弱性；A-和 C 组件，涵盖对刺激的情感和认知反应；以及 E 组件，涉及与互联网使用相关的执行功能、抑制控制和决策。因此，I-PACE 模型被用于指导本研究构建基于理论的候选变量池，确保进入后续分析的因素系统地基于既定理论，而不是任意选择。

大量实证研究证实了这些组件与 IA 之间的关联。P 组件包括童年受虐（Zhang 等，2024）、排斥（Poon，2018）、感觉寻求（Wang 等，2018）、行为抑制/激活系统（Park 等，2013）和遗传因素（Montag 等，2012），这些均与 IA 相关。A-和 C 组件，包括抑郁（Gu 等，2024）、焦虑（Elhai 等，2019）、适应不良的认知情绪调节策略（Hasani 等，2024）、不确定性不耐受（Faghani 等，2020）和自我关怀（Lian 等，2023a），也被发现与 IA 相关。E 组件变量，包括执行功能（Fallah 等，2025）、抑制控制（Dong & Potenza，2022）和损失敏感性降低（Dong 等，2013）也被证明能预测 IA。此外，互联网使用障碍与各种人口统计学变量相关，包括年龄（Lozano-Blasco 等，2022）、性别（Xin 等，2018）、家庭居住情况（Zheng 等，2025）和家庭社会经济地位（Chen 等，2025）。

鉴于许多心理构念包含多个维度，这些维度与 IA 之间的关系可能有所不同（例如，在行为激活系统中；Park 等，2013）。使用总分可能会混合这些效应，导致信息丢失和机制不明确。因此，本研究采用维度评分而不是聚合量表评分。这种方法不仅提高了机器学习模型的预测准确性，还允许识别与 IA 最具体相关的心理子过程。

IA 复杂的病因涉及生物、情感、认知和执行因素之间的相互作用。虽然传统统计方法如线性回归和结构方程模型已被广泛用于 IA 研究，但结论在捕捉复杂的非线性关系方面有限，并在变量选择方面面临挑战（Li 等，2026）。在单个模型中包含太多变量可能导致过拟合（Dai 等，2025），从而破坏模型的有效性。相比之下，机器学习提供了一种数据驱动、非参数的方法，能够处理高维数据（Grekousis & Liu，2019），无需强烈的先验假设即可自动检测相互作用和非线性效应。尽管常被称为“黑盒”，但可解释性技术，如 SHAP 分析（Lundberg & Lee，2017），现在使研究人员能够量化每个变量的贡献，识别关键风险因素，并揭示潜在的相互作用模式，从而增强机器学习模型的实际效用。

然而，现有针对 IA 的机器学习研究存在几个局限性。首先，预测变量的选择往往缺乏明确的理论指导，导致预测因子的选择相对不系统。其次，许多研究将 IA 状态视为同质结果，通常依赖截断分数或总分，从而忽视了 IA 相关症状剖面的异质性。为解决这些差距，本研究参考 I-PACE 模型选择和组织了候选预测因子，并纳入了以人为中心的研究视角。具体来说，我们首先使用潜在剖面分析识别与 IA 相关的症状剖面，然后将得出的最可能剖面成员资格作为随后机器学习预测模型中的结果变量。

网络分析提供了一种基于系统的方法来检查心理和情境变量如何相互连接。在网络模型中，变量表示为节点，而边表示在考虑网络中包含的其他变量后变量之间的关联。在精神病理学研究中，网络方法经常被用于检查症状如何相互作用并形成相互强化的模式（Borsboom，2017）。然而，本研究并不估计网络成瘾本身的症状网络。相反，网络分析用于检查机器学习模型确定为有影响力的心理和人口统计学预测因子之间的条件关联结构。

这种方法补充了 XGBoost 提供的预测信息：虽然机器学习识别哪些变量对于区分与 IA 相关的剖面最有用，但网络分析提供了关于这些选定变量如何相互连接以及哪些在估计网络中占据相对核心位置的信息。因此，中心性被解释为该变量在此特定网络中结构位置的指标，而不是该变量因果导致 IA 或必然构成有效干预目标的证据。因此，网络分析的目的不是识别 IA 的单一因果决定因素，而是刻画有影响力的 IA 相关相关因素之间的条件关系，并识别可能在未来的纵向和干预研究中值得更仔细检查的变量。

基于 I-PACE 模型和精神病理学的网络视角，本研究的主要目的是识别中国中学生青少年网络成瘾的有影响力预测因子及其相互关系。具体来说，我们寻求理解 IA 不仅仅是单一孤立因素的结果，而是涉及多种可能相互连接的心理、行为和人口统计学因素的复杂现象。

为实现这一主要目标，研究追求了三个具体目标。首先，在 I-PACE 模型的指导下，我们理论上选择和测量了相关的候选 IA 相关风险因素，以及人口统计学信息，并使用潜在剖面分析识别参与者中不同的 IA 症状剖面。其次，构建了一个极端梯度提升（XGBoost）模型来预测 LPA 得出的剖面成员资格，并从候选变量中识别出最有影响力的预测因子。第三，XGBoost 确定的 15 个最有影响力的预测因子被纳入混合图模型，检查它们的条件关联，并识别 IA 相关因子网络中的核心节点。

通过整合以人为中心的分类、数据驱动的预测和网络分析，本研究旨在提供更全面地了解与青少年 IA 相关的多变量结构，并识别可能为未来预防和干预研究提供信息的关键相关因素。

部分片段

参与者与程序
通过聚类抽样，我们在中国重庆的四所中学进行了评估。数据通过在线平台问卷星在学校计算机实验室收集，由训练有素的监考人员按照标准化协议监督。在提供程序指导的同时，监考人员避免干扰学生的独立回答。共收集了 3,848 份问卷。为确保数据质量，我们基于两个标准进行了数据清洗：

网络成瘾的潜在剖面
表 1 展示了 1-4 类模型的 LPA 结果。随着类别数量增加，信息准则（AIC、BIC 和 aBIC）逐步降低。尽管随着类别增多熵值降低，但整体保持相对较高。对于 2 至 4 类模型，aLMR 和 BLRT 的 p 值均具有统计学显著性（p < 0.05），支持增加更多类别。然而，在 4 类模型中，最小的组仅占总样本的 6.15%，可能

讨论
使用参考 I-PACE 模型选择的候选预测因子，本研究将机器学习方法与网络分析相结合，识别与 IA 相关的有影响力预测因子，并表征它们之间的条件关联结构。机器学习结果显示，在考察的 28 个特征中，抑郁具有最高的预测重要性。在由 15 个最有影响力的预测因子构建的网络中，BIS 显示出最高的强度

结论
使用参考 I-PACE 模型选择的候选预测因子，利用 XGBoost 模型从最初的 28 个候选因子中确定了 IA 剖面成员的 15 个最有影响力的预测因子。结果确定了抑郁（SDS）、行为激活系统 - 乐趣寻求（BAS-FS）、执行功能 - 工作记忆（EF-WM）、自我关怀（SC）、执行功能 - 认知灵活性（EF-CF）、责怪他人（OtherB）、家庭居住情况（RESIS）、排斥 - 被排除

CRediT 作者贡献声明
Yingying Chen：写作 - 审查与编辑，写作 - 初稿，方法论，形式分析，概念化。Xiang Niu：写作 - 审查与编辑，方法论，概念化。Jin-Liang Wang：写作 - 审查与编辑，监督，概念化

未引用参考文献
Hong and Lee, 2015; Khanbabaei et al., 2022; Lian et al., 2023b; Mihi? et al., 2015; Park et al., 2013a; Zhang and Bian, 2021.

伦理声明
已获得所有参与者或其法定代理人的书面知情同意，同意参与本研究并发表文章。

研究参与者的隐私权已得到保障。本研究的执行符合研究所在地相关的法律法规、监管框架和指南。本研究已获西南大学批准。（批准号：H25072）

数据可用性声明：支持本研究结果的数据可根据合理请求从第一作者或通讯作者处获取。

关于稿件准备过程中使用生成式人工智能及人工智能辅助技术的声明：在本工作的准备过程中，作者使用了 DeepSeek 来协助翻译。使用该工具后，作者根据需要审核和编辑了内容，并对发表文章的内容承担全部责任。

资金声明：本研究由重庆市自然科学基金 [资助编号 CSTB2025NSCQ-GPX0551] 和西南大学研究生科研创新项目（资助编号：SWUS25036）资助。

利益冲突声明：没有需要声明的利益冲突。

致谢：我们感谢所有投入时间完成本研究的研究参与者。特别感谢编辑和匿名审稿人的宝贵建议。

Ying-Ying Chen|Xiang Niu|Jin-Liang Wang