大学生数字健康素养与体育参与：认知灵活性与身体活动自我效能的作用

《Frontiers in Psychology》：Digital health literacy and sports participation among college students: the role of cognitive flexibility and physical activity self-efficacy

　　

背景：数字健康素养与大学生健康行为日益相关，但其与体育参与及相关心理因素的关系尚未被充分理解。本研究以社会认知理论和适应性认知加工视角为指导，检验了一个预设的横断面路径模型，该模型涉及数字健康素养、认知灵活性、身体活动自我效能和体育参与。
方法：研究人员对600名中国大学生进行横断面调查。参与者完成数字健康素养量表2.0（DHLI 2.0）、认知灵活性量表（CFI）、身体活动自我效能量表（PASE）和体育活动等级量表-3（PARS-3）。采用Pearson相关分析、结构方程模型（SEM）以及使用5000次重抽样的模型特定位路径系数乘积的bootstrap估计，并使用SPSS 26.0和AMOS进行分析。
结果：数字健康素养与认知灵活性、身体活动自我效能和体育参与均呈正相关（均p < 0.001）。结构模型对数据表现出良好的拟合度（χ²/df = 1.984, RMSEA = 0.016, SRMR = 0.033, CFI = 0.986, TLI = 0.993）。在预设模型中，数字健康素养与认知灵活性（β = 0.504）、身体活动自我效能（β = 0.213）和体育参与（β = 0.191）均呈正相关。三条路径的系数乘积较小，尽管其bootstrap置信区间不包含零（标准化估计值 = 0.011, 95% CI [0.002, 0.031]）。
结论：观察到的协方差模式与涉及认知灵活性和身体活动自我效能的预设横断面路径模型一致。然而，由于所有变量均在单一时间点测量，该发现不能确立时间顺序或因果中介。需要纵向和实验研究来检验这些变量间的时间顺序和因果关系。

论文解读：大学生数字健康素养与体育参与——认知灵活性与身体活动自我效能的作用

一、研究背景与问题

随着数字技术深度融入大学生活，健康行为模式发生了深刻变化。世界卫生组织报告指出，全球青少年和年轻成人的身体活动水平普遍下降，久坐行为和数字依赖已成为重要健康风险。大学生群体中，体力活动不足问题尤为突出。移动互联网、智能可穿戴设备和在线健身平台的普及，使越来越多学生通过数字媒介获取健康与运动信息。在此背景下，数字健康素养（Digital Health Literacy）逐渐被视为促进青年健康行为的重要因素。已有研究表明，数字健康素养不仅涉及个体获取和理解健康信息的能力，还进一步影响其健康决策与行为。然而，现有研究多集中于数字健康素养对一般健康行为的直接影响，对其影响大学生体育参与的心理机制缺乏深入探索。事实上，大学生是否真正参与体育，既取决于其获取运动知识的能力，也取决于其认知加工过程和行为信念。因此，本研究基于社会认知理论和适应性认知加工视角，构建了“认知—信念—行为”路径模型，考察数字健康素养、认知灵活性（Cognitive Flexibility）、身体活动自我效能（Physical Activity Self-Efficacy）与体育参与之间的关联。

二、研究内容与总体结论

研究人员在广东财经大学开展横断面调查，采用按年级分层随机抽样，选取四个年级共600名有效样本（有效回收率93.9%）。参与者完成数字健康素养量表2.0（DHLI 2.0）、认知灵活性量表（CFI）、身体活动自我效能量表（PASE）和体育活动等级量表-3（PARS-3）。通过验证性因子分析、Pearson相关分析、结构方程模型和bootstrap间接效应检验，研究人员发现数字健康素养与认知灵活性、身体活动自我效能和体育参与均显著正相关，预设路径模型与数据拟合良好，四个研究假设均得到统计支持。但各路径系数和间接效应值较小，有序三路径效应仅为0.011，因此该研究识别的是一个与理论一致的协方差模式，而非已证实的因果机制。其主要意义在于将数字健康信息能力与适应性认知及运动相关信念联系起来，为理解数字环境下的体育参与提供了新视角。

三、关键技术与方法

本研究样本来自广东财经大学，有效样本600人（男296人，女304人）。主要测量工具包括：数字健康素养量表2.0简表（DHLI 2.0，16条目，Cronbach’s α=0.867）、认知灵活性量表（CFI，20条目，α=0.959）、身体活动自我效能量表（PASE，8条目，α=0.798）和体育活动等级量表-3（PARS-3，α=0.725）。统计方法包括：使用Harman单因子诊断评估共同方法偏差；通过验证性因子分析（Confirmatory Factor Analysis, CFA）检验测量模型；采用结构方程模型（Structural Equation Modeling, SEM）检验预设路径；使用5000次偏差校正bootstrap估计特定间接效应及95%置信区间。分析软件为SPSS 26.0和AMOS 26.0，并将性别、年级、地区、专业作为协变量纳入结构模型。

四、研究结果

（一）共同方法偏差检验
Harman单