超越自我报告：大学生日常社交媒体使用与睡眠之间的关系

《Journal of Addiction Medicine》：Beyond self-report: The relationship between daily social media use and sleep in university students

　　

目标

大学生经常报告睡眠不足，近三分之一的学生每晚睡眠不足6.5小时。社交媒体是被证实会对睡眠产生负面影响的行为之一。然而，迄今为止对这两个过程的测量一直依赖于自我报告方法，这可能无法反映客观行为。本研究旨在确定在使用客观测量方法时，社交媒体使用与睡眠结果之间是否存在关联，如果存在，哪些睡眠结果与社交媒体使用相关。

设计

采用纵向重复测量设计，评估14天内的每日社交媒体使用情况和睡眠结果。

方法

参与者佩戴加速度计测量其睡眠，每日社交媒体总使用时间从智能手机数据中获取。

结果

62名参与者（平均年龄22.11岁，标准差5.82岁）完成了本研究。线性混合模型结果显示，每日社交媒体使用对睡眠时长、入睡潜伏期、睡眠效率和就寝时间没有组间或组内效应。然而，TikTok对就寝时间显示出正向的组间效应。广义线性混合模型还显示，Snapchat对入睡潜伏期显示出负向的组间效应。

结论

研究结果表明，在本样本中，社交媒体使用时长对睡眠没有影响。然而，与不同社交媒体平台（如TikTok和Snapchat）的互动可能在影响睡眠质量方面发挥重要作用。这些发现表明，行为测量所反映的影响模式与自我报告方法观察到的模式并不一致，这凸显了未来研究需要验证基于自我报告所得结论的必要性。

贡献声明

关于此主题已知什么？
大学生普遍存在睡眠问题已得到广泛认可。社交媒体使用可能影响学生的睡眠质量。然而，现有文献大多关注自我报告方法。

本研究增加了什么？
当使用客观测量方法时，社交媒体使用与睡眠结果之间不存在关联。然而，个别社交媒体平台可能对睡眠产生独特影响。自我报告方法对过往研究发现的稳健性提出了质疑。

引言

据估计，成人睡眠困难的发生率影响20%至45%的成年人群（Chattu等，2018；Hillman & Lack，2013）。优质睡眠对于维持身体健康和心理健康至关重要（Chattu等，2018）。不难理解，当人们持续经历睡眠问题时，可能导致不良健康结果，如慢性疾病（例如糖尿病、肥胖、心脏病）、心理状态不佳（例如焦虑、抑郁）以及认知表现和决策能力下降（Chattu等，2018）。睡眠不足已被强调为一项公共卫生问题，往往未被充分认知，对健康、幸福感和经济后果具有广泛影响（Hafner等，2017；Lim等，2023）。

大学生普遍被认为是睡眠困难的高风险人群，因为他们需要平衡日益增加的学业、社交和就业需求（Patrick等，2017）。大学生持续报告定期睡眠障碍，包括总睡眠时间缩短、入睡潜伏期延长（即入睡所需时间）、醒觉时间推迟以及整体睡眠质量低下（Becker等，2018；Lund等，2010）。学生的睡眠不足可能对学习和学业成绩尤其有害，并增加其患身体和心理健康问题的易感性（Gao等，2019；Gomes等，2011；Patrick等，2017）。作为社交媒体最活跃的用户群体之一，大学生可能与该人群中普遍观察到的睡眠模式之间存在特定关联（Kolhar等，2021）。

全球社交媒体用户超过50亿（Digital & Meltwater，2024）。2024年1月，全球成年人每天平均在互联网上花费6小时40分钟，其中在社交媒体平台上平均花费2小时23分钟（Digital & Meltwater，2024）。社交媒体满足了社交互动的需求，并且高度易获取，尤其在年轻人中（Kim等，2016）。社交媒体平台包含用于吸引注意力和鼓励用户持续参与的算法（Zhang等，2019）。对社交连接的渴望以及回复消息的紧迫感（Vorderer等，2016）可能使个体在晚间和睡前时段保持高度警觉状态。因此，这种持续与社交媒体的互动可能导致入睡或维持夜间睡眠变得更加困难。

迄今为止，使用腕表式加速度计等客观测量方法研究年轻成人社交媒体与睡眠之间关联的研究很少（Das-Friebel等，2020；McAlpine等，2023），这引发了对过度依赖自我报告的担忧（Althubaiti，2016；Schoeller，1995）。使用自我报告的研究发现社交媒体与睡眠之间存在负相关关系（Alonzo等，2021；Brautsch等，2023）。然而，主观测量和客观测量之间并不总是一致，表明个体可能倾向于低估或高估其行为（Allom等，2016；Todd等，2022）。Mahalingham等（2023）发现社交媒体使用的主观测量和客观测量之间存在非常弱且不显著的关联。这些发现跨越多项研究保持一致，引发了对自我报告方法效度的担忧（Parry等，2021）。这凸显了需要使用客观测量方法验证社交媒体与睡眠之间关联的必要性。

在研究社交媒体对睡眠影响的研究中，很少有研究试图考察个别社交媒体平台的影响。鉴于已有观察发现，在不同平台上，社交媒体的主动使用和被动使用对幸福感存在差异（Masciantonio等，2021），这一点可能很重要。有趣的是，Azhari等（2022）发现睡眠质量较差的人在Facebook上更倾向于主动发帖；然而，这种关联在其他社交媒体平台（如Instagram、Snapchat和Twitter）上并未发现。类似地，Garett等（2018）发现频繁在Twitter上发帖与睡眠质量差有关，尤其是在工作日。不同社交媒体平台的使用因个体特征而异，情感、认知、社会和习惯因素可能影响日常社交媒体使用的波动（Wang等，2012）。因此，使用纵向设计来捕捉这些变化至关重要，尤其是在社交媒体使用方面。

许多研究社交媒体与睡眠结果之间关系的研究依赖于横断面设计（Alonzo等，2021）。然而，社交媒体行为的影响可能取决于个体差异，当仅考察总体人群效应时，真实效应可能被掩盖。纵向设计允许同时考察组内效应（即个体社交媒体使用的波动是否与逐日睡眠变化相对应）和组间效应（即平均使用社交媒体较多的个体是否平均睡眠较差）（Curran & Bauer，2011）。先前的研究已证明组内设计的效用，与仅考察组间效应相比，在追踪随时间变化的精确度方面具有更高优势（Armstrong-Carter等，2023）。如果不区分这些效应，社交媒体与睡眠质量之间是否存在真实关联则无法确定。因此，本研究的目的是使用纵向设计，在客观测量的情况下，确定社交媒体使用与睡眠结果之间是否存在关联。研究假设社交媒体使用（即总体和各平台）对14天内的睡眠结果存在组间和组内效应。其次，我们还旨在确定哪些睡眠结果与总体社交媒体使用及个别平台使用相关，包括组间和组内层面。

材料与方法

参与者及程序

采用纵向重复测量设计，考察社交媒体使用对14天内睡眠质量指标的组间和组内效应。研究获得了大学人类研究伦理委员会的伦理批准（HRE2020-0696）。数据于2021年8月至10月的4个月内收集。共招募62名本科生，来源为澳大利亚一所大学的学生参与者库。参与者要求年满18岁，并使用五种选定社交媒体平台（Facebook、Instagram、Twitter、TikTok、Snapchat）中的至少一种方可参与本研究。完成研究后，参与者将获得课程学分。

在参与者完成基线测量之前获得了知情同意。研究前一周，指示参与者确保能够记录其每日社交媒体使用情况后才能开始研究。对于Android用户，指示下载"App Usage"（V5.20或更高版本），这是一个用于显示各应用程序使用情况的移动应用程序。对于Apple用户，指示确保在内置"屏幕使用时间"移动功能中开启"记录应用程序使用情况"。参与者参加了一个初始培训环节，完成基线问卷，并获得腕表式加速度计，在接下来的14天内佩戴以测量睡眠活动。同时，向参与者展示了如何通过截图获取和提供社交媒体使用数据的分步指导。基线测量包括人口统计学信息以及与睡眠卫生行为相关的问题，这些内容属于一项更大研究的一部分（McAlpine等，2023）。参与者还被要求提供过去7天手机和社交媒体使用的截图。在接下来的2周内，参与者每晚佩戴加速度计，并在其识别的醒觉时间收到短信。短信中包含其个性化睡眠日记的链接，询问关于前一夜睡眠的问题。在第1周和第2周结束时，联系参与者提供社交媒体使用截图，并通过电子邮件发送给研究人员。

测量工具

人口统计学

基线问卷中测量了年龄、性别、种族、教育水平、参与者家中是否有2岁或更小的儿童、是否有既往诊断的睡眠障碍以及是否使用其他设备访问社交媒体。

社交媒体使用

社交媒体使用包括在以下平台上的花费时间：Facebook、Instagram、Twitter、TikTok和Snapchat。这些社交媒体平台代表了2021年最受欢迎的五大社交媒体平台。我们选择排除涉及长视频内容、博客、论坛和仅消息发送的平台（Kemp，2021），因为这些平台主要促进主动参与行为（例如与他人的直接交流），而非被动消费信息（Roberts & David，2022；Verduyn等，2015）。社交媒体使用通过参与者提供的每日社交媒体数据截图进行客观测量。该数据由"App Usage"或其手机内置功能记录，并逐日提取。每日所有社交媒体平台的社交媒体使用量汇总，生成每日社交媒体总分，以及每个平台的分数。

睡眠质量

睡眠质量指标包括睡眠时长（即总睡眠时间）、睡眠效率（即睡眠时间与在床时间的比例）、入睡潜伏期和就寝时间（即参与者入睡的时间）。睡眠质量指标使用ActiGraph GT9X Link ?活动监测仪进行客观测量（ActiGraph LLC.，Pensacola，FL，美国）。这些活动监测仪以腕表形式佩戴在非优势手手腕上，用于在2周内记录参与者每晚睡眠期间的活动和运动。每个设备设置为60秒epoch长度和30 Hz采样率，数据通过三个轴收集。数据下载至ActiLife Software（V6.13.4），其中Tudor-Locke算法识别睡眠期（最小非零epoch = 15）。按照推荐，对数据应用Cole-Kripke算法以分析每位参与者的睡眠期（Cole等，1992）。ActiGraph设备已证明在与其他客观睡眠测量方法（包括金标准多导睡眠图）相比时具有较高的效度（Marino等，2013）。

共识睡眠日记

包含在通过短信发送给参与者的每日调查中的10项自我报告共识睡眠日记（Carney等，2012）。例如，对"你什么时候起床的？"的回答用于验证参与者睡眠期的判断结论。共识睡眠日记中的示例条目包括："你总共睡了多长时间？"和"你如何评价你的睡眠质量？"回答格式为5点李克特量表，从"非常差"（1）到"非常好"（5）。涉及时间的条目需要回答小时和分钟。共识睡眠日记已证明在失眠自我报告测量和ActiGraph监测仪方面具有良好的效度和实用性（Maich等，2018）。该测量工具的目的是验证加速度计数据（Carney等，2012；Maich等，2018）。这与先前的研究做法一致（Lee等，2018；Quante等，2018），例如，通过体动法识别的睡眠期经过检查，并在必要时进行调整，以与自我报告的睡眠数据对齐（例如，存在活动急剧变化的情况）。

此外，当算法检测到多个睡眠时段时，这些时段会被合并为一个。统计分析方面，12名参与者因未遵守研究方案、设备错误（即手机或体动记录仪故障）或数据缺失过多（>50%）而被排除。使用Shapiro-Wilk检验以及对直方图和Q-Q图的目视检查来评估正态性。描述性统计显示，所有社交媒体个体变量的原始数据均存在显著的正偏度和峰度，反映出行为数据典型的厚尾分布特征。Shapiro-Wilk检验证实每个平台以及社交媒体使用综合评分均呈非正态分布（p < .001），且均为正偏。综合评分（所有平台之和）的偏度为.89，峰度为.59，处于推荐阈值范围内（Tabachnick & Fidell, 2013）。尽管预测变量的分布呈正偏，但线性混合模型在大样本和重复测量的情况下对偏离正态性具有稳健性（Schielzeth et al., 2020），因此未进行任何转换。极端异常值通过Winzorize方法处理，即将数值限定在均值上下三个标准差（SD）范围内（Reifman & Keyton, 2010）。描述性统计以均值或中位数、标准差或四分位距（IQR）报告。分析在RStudio中进行，使用lme4和lmerTest包（Bates et al., 2015; Pinheiro & Bates, 2023）。采用线性混合模型来考察睡眠质量指标在两周内与社交媒体使用程度变化的关联。我们将每个睡眠质量指标分别作为因变量纳入四个独立模型。对于每个模型，首先纳入人口统计变量以检验其与因变量的关联。若显著，则在完整模型中作为控制变量保留。社交媒体使用被分解为参与者间和参与者内效应后纳入完整模型（Curran & Bauer, 2011）。对于每个模型，参与者（参与者ID）作为分组变量，以考虑测量的非独立性。我们还对每个独立平台进行了额外分析，以识别可能被总体社交媒体使用所掩盖的效应。但Twitter因参与者在该平台上花费的平均时间极短而被排除。针对入睡潜伏期，我们单独进行了广义线性混合模型分析，以应对结果变量的非正态分布。鉴于数据呈指数分布，我们选择伽马族加对数链接函数来分析包含入睡潜伏期的模型。最后，为评估社交媒体与睡眠结果之间的关联是否因个体而异，我们将每个因变量的最终模型与随机斜率模型（即社交媒体效应允许随参与者变化）进行了比较。

结果

参与者人口学特征

62名参与者完成了研究（女性=45人，男性=16人，非二元性别=1人），年龄在18至45岁之间（M = 22.11岁，SD = 5.82岁）。大多数参与者的最高学历为高中（69.4%）。大多数参与者自我认同为白人（62.9%）、亚裔（29%）或其他（6.5%）。两名参与者家中有两岁以下儿童，四名参与者（6.5%）自我认同为患有睡眠障碍（即失眠、慢性疲劳）。样本中69%的参与者报告仅使用手机进行社交媒体活动。在整个样本中，6人未使用Facebook（9.68%），5人未使用Instagram（8.06%），25人未使用TikTok（40.32%），43人未使用Twitter（69.35%），16人未使用Snapchat（25.81%）。仅用户群体的均值和标准差见数据S1。社交媒体和睡眠的日均值、标准差、中位数和四分位距报告见表1。配对样本t检验用于检验从基线到14天研究期的社交媒体使用差异，仅纳入在两个时间点均有完整数据的参与者。Facebook日均使用量从基线（M = 20.14，SD = 24.91）显著下降至14天期间（M = 15.90，SD = 18.25），t(56) = 2.27，p < .05，d = .30。其他平台未发现显著差异（p > .05）。总体而言，在14天观察期内共收集了826天的有效数据，占可能的868天中的95.2%，表明数据完整度较高。

表1

基线期和14天期间关键变量的日均社交媒体使用描述性统计

| 平台 | 时期 | N | 零使用天数比例 | M | SD | Md | IQR |
|---|---|---|---|---|---|---|---|
| Facebook* | 基线 | 39 | 12 | 2.3% | 20.31 | 32.23 | 8.40 | 24.51 |
| | 14天 | 86 | 19 | 9.7% | 17.75 | 25.88 | 8.00 | 22.8 |
| Instagram | 基线 | 39 | 3 | 12.21% | 49.82 | 58.52 | 36.00 | 55.0 |
| | 14天 | 86 | 19 | 9.7% | 45.04 | 55.56 | 27.60 | 51.0 |
| Twitter | 基线 | 42 | 38 | 5.8% | 1.82 | 6.67 | 0.00 | 0.14 |
| | 14天 | 86 | 87 | 7.4% | 1.51 | 6.41 | 1.00 | 0.0 |
| TikTok | 基线 | 41 | 65 | 7.5% | 33.36 | 59.0 | 0.00 | 49.1 |
| | 14天 | 86 | 85 | 0.0% | 35.92 | 64.99 | 9.00 | 51.4 |
| Snapchat | 基线 | 41 | 63 | 1.5% | 23.31 | 38.17 | 5.00 | 31.2 |
| | 14天 | 86 | 12 | 7.4% | 23.99 | 41.37 | 5.00 | 33.6 |
| 社交媒体总计 | 基线 | 39 | 4 | — | 133.60 | 105.80 | 105.80 | 129.2 |
| | 14天 | 86 | 1 | — | 122.80 | 89.63 | 111.29 | 124.4 |
| 屏幕使用时间 | 基线 | 39 | 4 | — | 333.90 | 178.96 | 295.50 | 213.2 |
| | 14天 | 86 | 1 | — | 340.56 | 188.89 | 302.00 | 201.2 |

睡眠变量（14天夜间平均值）

| | M | SD |
|---|---|---|
| 睡眠时长 | 6.57 h | 1.32 h |
| 睡眠效率 | 80.33% | 8.38% |
| 入睡潜伏期 | 8 分钟 | 11 分钟 |
| 就寝时间 | 11:58 pm | 107 分钟 |

注：N代表观测数。*p < .05。

缩写：IQR，四分位距；SD，标准差。

睡眠时长

初始模型以睡眠时长和人口统计变量为基础。结果显示，性别与睡眠时长存在显著关系（B = 38.18，SE = 11.21，t = 3.41，p < .01）。这表明在控制其他人口统计变量时，女性平均比男性多睡38.18分钟。当预测变量纳入模型后，社交媒体使用的参与者间和参与者内效应均未与睡眠时长相关联（见表2）。进一步对独立社交媒体平台的检验也显示，所有平台的参与者间和参与者内效应均不显著，如表3所示。将这些模型与随机斜率模型进行比较，未发现显著差异（χ2 = .13，df = 2，p = .93）。因此，没有证据表明总体社交媒体使用或独立平台的使用在参与者内或跨样本层面与总睡眠时长存在关联。

表2

以社交媒体使用的参与者间和参与者内效应预测睡眠时长（分钟）的线性混合模型

| 方差 | SD | ICC |
|---|---|---|
| **随机效应** | | |
| 参与者（截距） | 1149 | 33.90 | .19 |

| B | SE | t | p |
|---|---|---|---|
| **固定效应（参与者间）** | | | |
| 截距* | 363.00 | 9.70 | 37.41 | <.001 |
| 性别* | 39.67 | 10.98 | 3.62 | <.001 |
| 社交媒体总使用量 | ?3.77 | 5.14 | ?.07 | .47 |
| **固定效应（参与者内）** | | | |
| 社交媒体总使用量 | 2.39 | 2.64 | .90 | .37 |

缩写：ICC，组内相关系数；SD，标准差；SE，标准误。*p < .05。

表3

以社交媒体平台的参与者间和参与者内效应预测睡眠时长（分钟）的线性混合模型

| 方差 | SD | ICC |
|---|---|---|
| **随机效应** | | |
| 参与者（截距） | 1218.00 | 34.90 | .20 |

| B | SE | t | p |
|---|---|---|---|
| **固定效应（参与者间）** | | | |
| 截距* | 363.88 | 10.09 | 36.08 | <.001 |
| 性别* | 38.65 | 11.48 | 3.37 | <.001 |
| Facebook | .07 | .28 | .25 | .81 |
| Instagram | ?.04 | .12 | ?.33 | .75 |
| TikTok | ?.06 | .10 | ?.56 | .58 |
| Snapchat | ?.04 | .16 | ?.25 | .80 |
| **固定效应（参与者内）** | | | |
| Facebook | .07 | .17 | .41 | .68 |
| Instagram | .02 | .09 | .23 | .82 |
| TikTok | .07 | .08 | .82 | .41 |
| Snapchat | ?.08 | .10 | ?.81 | .42 |

缩写：ICC，组内相关系数；SD，标准差；SE，标准误。*p < .05。

睡眠效率

初始模型包含睡眠效率和人口统计变量，结果显示人口统计变量对睡眠效率无显著影响。因此，在后续分析中排除了人口统计变量。当预测变量纳入模型后，社交媒体使用的参与者间效应（t = .04，p = .96）和参与者内效应（t = 1.60，p = .11）对睡眠效率均无显著影响。这表明无论哪一天，社交媒体使用与睡眠效率之间均存在一致的无效应关系。当将社交媒体使用作为随机斜率纳入时，这一无效应结果似乎也不依赖于个体（χ2 = .12，df = 2，p = .94）。为确保效应未被总体使用情况所掩盖，我们在单独模型中纳入了Facebook、Instagram、TikTok和Snapchat的参与者间和参与者内效应。这也未发现对睡眠效率的显著影响（所有p > .05）。两个模型分别见表4和表5。

表4

以社交媒体使用的参与者间和参与者内效应预测睡眠效率的线性混合模型（标准化）

| 方差 | SD | ICC |
|---|---|---|
| **随机效应** | | |
| 参与者（截距） | 37.55 | 6.13 | .53 |

| B | SE | t | p |
|---|---|---|---|
| **固定效应（参与者间）** | | | |
| 截距* | 80.26 | .81 | 99.69 | <.001 |
| 社交媒体总使用量 | .03 | .81 | .04 | .97 |
| **固定效应（参与者内）** | | | |
| 社交媒体总使用量 | .35 | .22 | 1.60 | .11 |

缩写：ICC，组内相关系数；SD，标准差；SE，标准误。*p < .05。社交媒体总使用量已标准化以辅助模型收敛。

表5

以社交媒体平台的参与者间和参与者内效应预测睡眠效率的线性混合模型（分钟）

| 方差 | SD | ICC |
|---|---|---|
| **随机效应** | | |
| 参与者（截距） | 37.82 | 6.15 | .54 |

| B | SE | t | p |
|---|---|---|---|
| **固定效应（参与者间）** | | | |
| 截距* | 80.27 | .81 | 99.32 | <.001 |
| Facebook | .01 | .04 | .30 | .76 |
| Instagram | .01 | .02 | .73 | .47 |
| TikTok | ?.02 | .02 | ?1.13 | .26 |
| Snapchat | .03 | .02 | 1.03 | .31 |
| **固定效应（参与者内）** | | | |
| Facebook | .001 | .01 | .11 | .91 |
| Instagram | .005 | .01 | .66 | .51 |
| TikTok | .01 | .01 | 1.31 | .19 |
| Snapchat | .01 | .01 | .87 | .38 |

缩写：ICC，组内相关系数；SD，标准差；SE，标准误。*p < .05。

入睡潜伏期

初始广义线性混合模型以入睡潜伏期为因变量，人口统计变量为协变量，结果显示患有睡眠障碍与参与者入睡所需时间显著相关（B = ?.39，SE = .15，t = ?2.44，p < .05）。这表明未患睡眠障碍的参与者平均入睡所需时间减少32%。将睡眠障碍作为控制变量纳入模型，以控制入睡困难及其他睡眠相关问题。当社交媒体使用的参与者间和参与者内变量纳入模型后，对入睡潜伏期既无参与者间主效应（t = ?.67，p = .50），也无参与者内效应（t = ?1.62，p = .11），如表6所示。然而，当将独立社交媒体平台作为预测变量纳入模型时（见表7），Snapchat使用对入睡潜伏期的参与者间效应显著（B = ?.19，SE = .07，t = ?2.80，p < .05）。这表明个体间Snapchat平均使用量较高与入睡潜伏期缩短18%相关，即总体上使用量更高的人平均入睡更快。

表6

以社交媒体使用的参与者间和参与者内效应预测入睡潜伏期的广义线性混合模型（小时）

| 方差 | SD | ICC |
|---|---|---|
| **随机效应** | | |
| 参与者（截距） | .02 | .12 | .01 |

| B | SE | t | p |
|---|---|---|---|
| **固定效应（参与者间）** | | | |
| 截距* | 2.76 | .32 | 8.73 | <.001 |
| 睡眠障碍* | ?.37 | .16 | ?2.31 | <.05 |
| 社交媒体总使用量 | ?.02 | .03 | ?.67 | .50 |
| **固定效应（参与者内）** | | | |
| 社交媒体总使用量 | ?.08 | .05 | ?1.62 | .12 |

缩写：ICC，组内相关系数；SD，标准差；SE，标准误。*p < .05。睡眠障碍编码为1 = 是，2 = 否。

表7

以社交媒体平台的参与者间和参与者内效应预测入睡潜伏期的广义线性混合模型（小时）

| 方差 | SD | ICC |
|---|---|---|
| **随机效应** | | |
| 参与者（截距） | .004 | .06 | .004 |

| B | SE | t | p |
|---|---|---|---|
| **固定效应（参与者间）** | | | |
| 截距* | 2.82 | .31 | 9.21 | <.001 |
| 睡眠障碍* | ?.41 | .16 | ?2.59 | <.001 |
| Facebook | ?.10 | .12 | ?.80 | .42 |
| Instagram | ?.06 | .05 | ?1.13 | .26 |
| TikTok | .06 | .04 | 1.26 | .21 |
| Snapchat* | ?.19 | .07 | ?2.80 | <.05 |
| **固定效应（参与者内）** | | | |
| Facebook | .03 | .16 | .22 | .82 |
| Instagram | ?.05 | .08 | ?.60 | .55 |
| TikTok | ?.11 | .07 | ?1.59 | .11 |
| Snapchat | ?.06 | .09 | ?.71 | .48 |

缩写：ICC，组内相关系数；SD，标准差；SE，标准误。*p < .05。

就寝时间

就寝时间以参与者入睡时间衡量，由体动记录仪记录。初始模型包含人口统计变量，结果显示年龄（B = ?5.92，SE = 1.76，t = ?3.37，p < .01）与参与者就寝时间显著相关。较晚就寝的参与者往往比较早就寝的参与者更年轻。这进一步表明，参与者每增加一岁，就寝时间平均提前5.92分钟。当预测变量纳入模型后，社交媒体使用的参与者间效应对就寝时间无显著影响（见表8）。然而，当单独检验各平台时，TikTok对就寝时间的参与者间效应显著，B = .44，SE = 11.63，t = 2.27，p < .05。这反映出总体而言，对于每天平均多使用TikTok 1小时的参与者，其就寝时间平均推迟26分钟。完整模型见表9。

表8

以社交媒体使用的参与者间和参与者内效应预测就寝时间（以距午夜分钟数衡量）的线性混合模型（分钟）

| 方差 | SD | ICC |
|---|---|---|
| **随机效应** | | |
| 参与者（截距） | 826.99 | 75.58 | .54 |

| B | SE | t | p |
|---|---|---|---|
| **固定效应（参与者间）** | | | |
| 截距* | 826.99 | 42.49 | 19.46 | <.001 |
| 年龄* | ?5.09 | 1.87 | ?2.72 | <.05 |
| 社交媒体总使用量 | .19 | .15 | 1.29 | .20 |
| **固定效应（参与者内）** | | | |
| 社交媒体总使用量 | ?.05 | .05 | ?.93 | .35 |

缩写：ICC，组内相关系数；SD，标准差；SE，标准误。*p < .05。就寝时间值已转换为数值形式进行分析。

表9

以社交媒体平台的参与者间和参与者内效应预测就寝时间（以距午夜分钟数衡量）的线性混合模型（分钟）

| 方差 | SD | ICC |
|---|---|---|
| **随机效应** | | |
| 参与者（截距） | 838.61 | 44.95 | .53 |

| B | SE | t | p |
|---|---|---|---|
| **固定效应（参与者间）** | | | |
| 截距 | 838.61 | 44.95 | 18.66 | <.001 |
| 年龄* | ?5.64 | 1.99 | ?2.84 | <.05 |
| Facebook | ?.04 | .53 | ?.07 | .94 |
| Instagram | .24 | .22 | 1.08 | .28 |
| TikTok* | .44 | .19 | 2.27 | <.05 |
| Snapchat | ?.49 | .32 | ?1.57 | .12 |
| **固定效应（参与者内）** | | | |
| Facebook | ?.01 | .17 | ?.07 | .94 |
| Instagram | ?.06 | .09 | ?.63 | .53 |
| TikTok | ?.06 | .08 | ?.76 | .45 |
| Snapchat | .12 | .10 | 1.20 | .23 |

缩写：ICC，组内相关系数；SD，标准差；SE，标准误。*p < .05。就寝时间值已转换为数值形式进行分析。

敏感性分析

使用仅工作日的数据进行了敏感性分析，以确定排除周末数据后，社交媒体使用与睡眠结果之间的关联（及无关联）是否一致。总体而言，结果模式与主要分析大体相似（见数据S2）。然而，参与者的TikTok使用与睡眠时长显著相关（B = .19，SE = .09，t = 2.08，p < .05），而Snapchat与入睡潜伏期之间的关联不再具有统计学显著性（B = ?.02，SE = .09，t = ?.23，p = .82）。这表明，在任意工作日使用TikTok更长时间的个体，睡眠时间会略微延长（即相对于平均使用量，每多使用一分钟TikTok，睡眠时长增加约11秒）。

讨论

本研究旨在确定当使用客观测量方法时，社交媒体使用与睡眠结果之间是否存在关联。我们的结果表明，当考察每日社交媒体使用量时，四种睡眠结果均未发现显著的参与者间或参与者内关联。然而，当考察独立社交媒体平台时，Snapchat对入睡潜伏期的参与者间效应，以及TikTok对就寝时间的参与者间效应具有显著性。这些参与者间效应表明，Snapchat平均使用量较高的个体入睡更快，而TikTok平均使用量较高的个体就寝时间较晚。虽然我们的发现表明，总体合并的社交媒体使用不影响睡眠结果，但也突显出独立社交媒体平台可能与睡眠的特定方面存在一定关联。

本研究的发现与以往依赖自我报告方法的文献不一致，以往结果表明社交媒体使用与睡眠结果之间存在关联（Alonzo et al., 2021; Levenson et al., 2017; Scott et al., 2019）。然而，少数使用客观测量方法的研究也显示了与本研究类似的发现，即在学生群体中社交媒体使用与睡眠结果之间不存在关联（Das-Friebel et al., 2020）。

其他研究，例如在屏幕使用方面的研究，也曾使用客观的摄像头录像来测量睡前 2 小时的屏幕使用时间，并证明并非所有类型的屏幕使用都与睡眠受损相关（Brosnan 等人，2024 年）。客观测量方法因其能够评估真实行为而具有重要价值，尤其是那些差异较大的行为，例如社交媒体和睡眠（Knutson 等人，2007 年）。因此，我们的研究结果与其他研究相一致，后者已开始质疑社交媒体使用与其他幸福感指标之间关联的稳健性（Sewall 等人，2022 年）。与睡眠类似，大量研究已经强调了社交媒体使用与心理痛苦之间的联系，例如抑郁和焦虑（Keles 等人，2020 年）。然而，与当前发现一致的是，当采用社交媒体的客观测量时，这些关联要么很小要么根本不存在（Rozgonjuk 等人，2020 年；Seabrook 等人，2016 年；Sewall 等人，2022 年）。综合来看，这突显了一种可能性，即社交媒体与睡眠结果之间的关联，可能是个体对其社交媒体使用情况的感知或担忧（自我报告）所导致的结果，而非与实际使用情况（客观测量）有关。尽管在本研究中，主观睡眠质量是通过 CSD 进行评估的，但研究表明，与睡眠的客观测量相比，CSD 可能会导致对某些睡眠指标的过高估计（Dietch & Taylor，2021 年）。虽然我们并未对睡眠的主观和客观测量进行比较，但未来研究应考虑将两种睡眠质量指标的测量相结合，以形成对睡眠质量更全面的了解。

研究发现社交媒体与睡眠之间缺乏关联，这可能是由于大学生群体的独特特征所致。我们的发现反映了 Das-Friebel 等人（2020 年）的研究结果，其中发现可能突显了大学生课表和就寝时间的独特性和灵活性，这与一般人群不同。学生课表的差异可能为他们围绕睡眠时间段提供了更多的灵活性，具体取决于他们的课程开始时间（Onyper 等人，2012 年）。关于社交媒体与睡眠的研究通常集中在青少年身上，而青少年在睡眠和清醒时间方面受到更多的限制（Alonzo 等人，2021 年）。在我们的样本中，参与者平均上床睡觉很晚（即午夜左右），并且睡眠效率仅略低于建议的 85% 基准（Reed & Sacco，2016 年），这表明他们或许有更大的机会去适应他们的大学课表，无论他们花多少时间在社交媒体上。

有趣的是，大学生睡眠时间的灵活性可能会增加他们在长时间使用社交媒体后推迟就寝时间的易感性。我们的发现显示，平均每天使用 TikTok 时长较多的参与者，平均就寝时间也较晚。鉴于 TikTok 的短视频及其靶向算法已被观察到会引起用户长时间的高度参与（Zhang 等人，2019 年），这并不令人惊讶。我们对此发现的一个解释是，如果在睡前使用 TikTok，它可能会挤占部分睡眠时间，从而导致就寝时间推迟。TikTok 被证明很难让人脱离，这导致了高水平的注意力不集中和潜在的就寝拖延（Hill 等人，2024 年；Maulida 等人，2024 年）。先前的研究还表明，学生经常将推迟就寝归因于社交媒体的使用（Kolhar 等人，2021 年）。我们的发现突显了在 TikTok 使用过程中所发生的认知机制的重要性，这在接近睡眠时期可能尤为关键。此外，使用社交媒体背后的意图也可能在睡眠结果中扮演重要角色。例如，TikTok 已被证明被用来消除睡觉时的无聊感，而无聊感已被证明是就寝拖延的预测因素（Hill 等人，2024 年；Teoh 等人，2021 年）。虽然我们并未测量 TikTok 的使用时间，但未来研究应考虑了解在睡眠前 30 分钟至 2 小时内围绕 TikTok 使用所存在的认知机制。

最后，我们发现平均在 Snapchat 上花费更多时间的参与者，平均入睡所需时间更短。相反，这与显示自我报告的 Snapchat 使用与较差睡眠结果相关联的其他研究不一致（Bergfeld & Van den Bulck，2021 年）。虽然这一结果尚不明确，但这种关联可能由几个原因造成。例如，与其他社交媒体相比，Snapchat 更侧重于与家人和朋友的交流（Vaterlaus 等人，2016 年）。或许 Snapchat 上的人际互动会引发积极或消极的情感，从而对睡眠期产生影响。Rzewnicki 等人（2020 年）发现，社交媒体的积极使用经验与睡眠障碍无关，这可能会导致入睡潜伏期缩短。或者，当前研究中的参与者整天只在短时间内使用 Snapchat。然而，我们无法确定这一发现是由于 Snapchat 的使用本身，还是由于与这类应用程序的这种互动行为（例如，频繁的“查看”）所引起的，后者可能会混淆这种关系。

本研究的一个主要局限在于，社交媒体的使用情况是作为每日总使用时长进行评估的，没有关于社交媒体使用时间的具体信息。社交媒体的使用时间已被证明是一个重要因素，先前的研究表明其与睡眠结果存在关联（Brautsch 等人，2023 年）。例如，Massar 等人（2021 年）表明，睡前（提前 3 小时）较重的智能手机使用与客观测量下较晚的睡眠时间是相关的。在睡眠期间使用社交媒体可能会展现不同的机制，例如睡眠挤占、强光暴露和过度唤醒，从而影响睡眠结果（Cain & Gradisar，2010 年）。这限制了当前研究发现向夜间或接近睡眠时使用社交媒体的情境进行推广。未来研究应纳入社交媒体使用时间模式的测量，以确定社交媒体的使用与睡眠结果之间的关联在白天使用和夜间使用之间是否存在差异。此外，本研究的另一个局限是无法对周末和平日社交媒体的使用情况与睡眠模式进行比较。尽管如此，敏感性分析显示，仅在平日睡眠结果上发现了相似的结果模式；然而，它们揭示了 TikTok 与睡眠时长之间的个体内效应，以及 Snapchat 对入睡潜伏期无显著影响。这些差异可能有助于解释在不同分析中所观察到的关联变异性，特别是考虑到大学生在周末和平日通常表现出不同的睡眠模式（Vestergaard 等人，2024 年）。这些发现表明，学生可能会通过延长第二天的睡眠时间来补偿工作日期间较长的 TikTok 使用。未来进行较长时间数据收集的研究，将允许进行更均衡的工作日和周末比较，从而可以更系统地研究这些差异，以确定社交媒体使用与睡眠结果之间的关联是否受日类型（例如，工作日与周末）的调节。

最后，对于各个平台的分析结果应谨慎解读，因为有相当多的观察数据显示，某些参与者在特定平台上的社交媒体使用为零，这导致了分布的偏态。然而，这些分数确实反映了社交媒体的真实互动模式。观察到的分布表明，社交媒体的使用在各天之间并非均匀分布，这指出了需要未来进一步探讨的重要社交媒体使用模式。未来研究可以考虑检查 binge 模式（狂刷模式），其特征是在特定日期内进行密集的互动，随后出现极少或无使用的模式，以捕捉社交媒体互动的波动性质及其对睡眠的潜在差异化影响。

结论
本研究表明，当进行客观测量时，社交媒体使用与睡眠结果之间没有显示出关联。然而，我们的发现表明，与不同平台（如 TikTok 和 Snapchat）的互动可能会以不同的方式影响睡眠。未来需要进一步研究以了解社交媒体的使用时间如何与各种睡眠结果相关。据我们所知，本研究是首个同时使用社交媒体的客观测量和睡眠质量指标来考察学生中社交媒体使用与睡眠关系的研究。使用客观测量来评估逐日的时间关联，强调了必须超越自我报告方法，以区分个体间和个体内效应。区分这两个分析层次至关重要，因为个体间效应能识别出基于典型使用模式的个体易感性差异，而个体内效应则捕捉到日常波动是否真正导致睡眠变化（Curran & Bauer，2011 年）。我们关于个体内效应的无效（无显著）发现表明，社交媒体使用的日常变化可能不会在即时时间框架内直接影响睡眠质量，尽管平台上互动模式的稳定个体差异可能仍然具有相关性。本研究为日益增长的文献提供了见解，这些文献表明社交媒体的行为测量并不反映与自我报告测量所观察到的相同效应模式，因此强调了在未来研究中纳入此类测量的重要性，以佐证从自我报告中得出的发现。

作者贡献
Hayley Breare：概念化；方法论；数据管理；正式分析；调查；可视化；写作 – 初稿撰写；写作 – 审阅和编辑；项目管理。
Thomas McAlpine：概念化；方法论；数据管理；正式分析；调查；可视化；写作 – 审阅和编辑；指导；资金获取；项目管理。
Jessica Charlesworth：写作 – 审阅和编辑；写作 – 初稿撰写。
Patrick Clarke：概念化；方法论；写作 – 审阅和编辑；指导。
Barbara A. Mullan：概念化；方法论；写作 – 审阅和编辑；指导。

数据可用性声明
由于我们的伦理批准条件，支持本文的数据无法公开提供。参与者已被告知，其信息的访问权限将仅限于研究团队，以及如果出于审计或调查所需，柯廷大学研究与开发办公室的工作人员。因此，我们无法公开提供数据。