潜在剖面分析在大学生手机成瘾筛查中的应用

王亚可，卢瑶，曹玉，黄群瑛，陈建文

(1.四川幼儿师范高等专科学校学前教育二系，四川 绵阳 621709；2.广西科技师范学院心理健康教育与研究中心，广西 来宾 546199；3.华中科技大学教育科学研究院，武汉 430074)

1 引言

截止到2020年12月，我国手机网民规模达9.86亿，其中学生网民规模达2.08亿,我国网民的人均每周上网时长为26.2 h[1]。随着移动互联网的不断发展，手机日益成为现代人生活的必需品，在给人们带来方便的同时手机也日益成为人们无法摆脱的精神鸦片，相关调查显示大约有4.05%[2]至43.5%[3]的大学生判定为手机成瘾。手机成瘾是指由于某种动机过渡地滥用手机而导致手机使用者的心理和社会功能受损的痴迷状态[4]。大学生过渡使用手机除了会带来视力和听力受损、颈椎病以及睡眠质量下降等一系列生理问题之外，还会导致焦虑、抑郁、社会适应不良、学习成绩下降等一系列心理问题。

目前对大学生手机成瘾的相关研究多以变量为中心，采用标准化量表来探讨大学生手机成瘾的现状及影响因素。国内学者在进行大学生手机成瘾问题的研究时，引用最多的是熊婕、周宗奎等(2012)编制的《大学生手机成瘾倾向量表(MPATS)》[5]，但是作者在制订该量表时并未给出成瘾检出标准，有学者在使用该量表时将得分≥48分界定为手机成瘾者[6-8]，部分学者则参照Young的网络成瘾筛选标准将得分>48分者[9]或者得分>60者[10]界定为手机成瘾者，不同的手机成瘾检出标准也导致了差异巨大的手机成瘾率，目前所有使用该量表的研究中大学生手机成瘾的最低检出率为4.05%[2]，最高检出率为40.5%[11]，检出率之间存在巨大的差异除了因为地域差异之外还可能与检出标准不一致有关，差异巨大的检出率除了会影响人们对大学生手机成瘾问题的正确认知还可能让人们对心理学研究的可重复性产生质疑。此外，当前对大学生手机成瘾的分类只是简单地区分为成瘾与未成瘾[12-13]或者低中高三种成瘾类型[14-15]，这种划分类型并未充分考虑到大学生群体之内的实际差异，因而所得出的检出率或者检出类型可能并不能充分反映大学生群体的实际状况。

潜在剖面分析(Latent Profile Analysis，LPA)是以个体为中心研究路径的分析技术，能够帮助我们识别被试群体中包含的子群体，了解个体之间的静态分类，还能用于分析个体内不同时间段的剖面变化[16]。本研究拟采用LPA对大学生手机成瘾的潜在类别进行分析，除了可以对大学生的手机成瘾类型进行合理的划分之外，还可以根据分类结果进而进行大学生手机成瘾的界定，以考察大学生的手机成瘾的类型及成瘾率，为认识和干预大学生手机成瘾问题提供实证依据。

2 对象与方法

2.1 对象

选取四川、河南、广西、江苏、重庆五个省市的7所高校，采用问卷星发放在线调查问卷，共回收1221份。其中，男生297人，女生924人，平均年龄21.5±0.5岁；本科475人，专科746人；大一492人，大二453人，大三141人，大四135人；城镇414人，农村807人。

2.2 工具

2.2.1 自编人口统计学资料调查表

包括性别、学历、年级以及家庭所在地等。

2.2.2 大学生手机成瘾倾向量表(Mobile Phone Addiction Tendency Scale，MPATS)

量表共16个项目，包括戒断症状、突显行为、社交抚慰和心境改变4个因素，采用5点计分法，从“非常不符合”到“非常符合”分别评定1—5分，总分越高表明手机成瘾倾向程度越严重[5]。在本研究中，总量表的Cronbachα系数为0.93，四个因素的α系数分别为0.83、0.82、0.82和0.70。

2.3 统计方法

采用Mplus 7.4和SPSS 24.0进行分析。采用Mplus7.4对MPATS的16个项目进行浅剖面分析(LPA),通过对比K个剖面模型和K-1个剖面模型的拟合度确定最佳的分类模型。模型判定指标包括：赤池信息准则(Akaike Information Criterion，AIC)、贝叶斯信息准则(Bayesian Information Criteria，BIC)、样本矫正后的贝叶斯信息准则(Sample size-adjusted Bayesian Information Criteria，aBIC)，AIC、BIC以及aBIC的值越小表示样本拟合度越好[17]；分类精确性指数Entropy(值越大表示对被试的分类越准确)[18]；罗-蒙代尔-罗本矫正似然比检验(Lo-Mendell-Rubin Adjusted likelihood Ratio Test，LMR)的显著性指数以及基于Bootstrap的似然比检验(Parametric Bootstrapped Likelihood Ratio Test，BLRT)的显著性指数 ，即P(LMR)和P(BLRT)，P值决定了选择要K-1个剖面的模型还是K个剖面的模型，P值显著表示K个剖面的模型优于K-1个剖面的模型[18-20]；此外，如果K个剖面的分类中某一分类占比低于5%，则该部分样本不具备代表性，从而K个剖面的分类需要被舍弃掉[19]；另外，剖面分类中后验概率(Posterior Probability)的值要大于分界点0.70[21]。

3 结果

3.1 大学生手机成瘾倾向(MPATS)得分在人口统计学变量上的得分比较

男生在MPATS总分及各维度上的得分均大于女生，且差异均具有统计学意义(P<0.05)；本科生和专科生在MPATS总分及个维度上的得分差异均不具有统计学意义(P>0.05)；除突显行为外，四个年级的大学生在戒断症状、社交抚慰、心境改变等3个维度及MPATS总分上的得分差异均不具有统计学意义(P>0.05)，在突显行为维度上的差异具有统计学意义(P<0.05)；除戒断症状外，农村、城镇的学生在突显行为、社交抚慰、心境改变等3个维度及MPATS总分上的得分差异均不具有统计学意义(P>0.05)，结果见表1。

表1 大学生手机成瘾倾向在人口统计学变量上的得分比较

3.2 大学生手机成瘾类别的分类结果

将MPATS量表的16个条目全部纳入Mplus7.4，事先不预设潜在剖面类别，从1个剖面到2个剖面、3个剖面直至相关判定指标不显著为止，依次进行潜在剖面分析，本研究中分析到5个剖面的模型时模型中P(LMR)值大于0.05(表明4个剖面的模型优于5个剖面的模型)，因此，本研究共分析了5个模型：其中AIC、BIC和aBIC的值随着模型剖面的增多而逐渐下降，表示样本拟合度越来越好；2个剖面模型、3个剖面模型、4个剖面模型的LMR和BLRT的显著性均<0.001，表示4个剖面的模型优于3个剖面的模型优于2个剖面的模型；模型5中LMR的显著性>0.05，表明4个剖面的模型优于5个剖面的模型，因而排除5个剖面的模型；2个剖面模型、3个剖面模型、4个剖面模型的Entropy值均大于0.80表明分类的准确性均超过了90%[22]。因而，综合各类判定指标考虑4个类别的潜在剖面模型最合理，结果见表2。

表2 大学生手机成瘾类型的潜在剖面分析拟合指标

表3给出了所有被试(n=1221)在4个剖面上的分布概率：大约12.12%(n=148)的被试处于剖面1,约41.02%(n=501)的被试处于剖面2,约35.71%(n=436)的被试处于剖面3,约11.14%的被试处于剖面4。表2中处于对角线位置的数字(带下划线的数字)是分别正确分配在4个剖面上的最大后验概率估计，且这4个数远大于0.70；此外，4个潜在剖面分类的Entropy值为0.89；因而，再次说明了4个潜在剖面的模型的拟合度非常的好。

表3 所有被试在4个剖面上的分布概率(n=1221)

根据Mplus7.4潜在剖面分析的结果，绘制4个类别的被试在大学生手机成瘾倾向量表(MPATS)16个条目的得分情况图，将4个类别命名为“无风险型”占比12.12%，“低风险型”占比41.03%，“中风险型”占比35.71%，“高风险型”11.14%，结果见图1。四个类别的大学生在手机成瘾倾向总分及各维度的得分差异具有统计学意义(P<0.001)，且随着手机成瘾风险的增加，被试在MPATS总分及各维度上的得分也在显著提高，结果见表4。

图1 大学生手机成瘾4个潜在类别在MPATS16个条目上的得分剖面图

表4 大学生手机成瘾倾向在4个剖面上的得分比较

3.3 大学生手机成瘾(MPATS)的检出率分析

MPATS潜在剖面分析的分类结果显示，“高成瘾风险”得分区间为54～80分，“中成瘾风险”得分区间为42～58分，“低成瘾风险”MPATS得分区间为28～45分，“无成瘾风险”得分区间为16～33分，不同成瘾类型大学生MPATS得分区间存在重合；根据四种成瘾类型大学生在群体中所占的比例，将所有被试的MPATS得分从高到低进行排列，可知“高成瘾风险”大学生MPATS得分区间为57～80分，“中成瘾风险”得分区间为43～57分，“低成瘾风险”得分区间为30～47分，“无成瘾风险”得分区间为16～30分，将Mplus浅层剖面分析运行输出后的“高成瘾风险型”MPATS得分(64.76±5.71，n=136)与根据MPATS得分从高到低排列后前11.46%的被试得分(64.81±5.62，n=136)进行对比后发现二者的差异不具有统计学意义(P>0.05，t=-0.07)。因此，本研究考虑把MPATS得分≥57分的界定为手机成瘾检出者，本次调查的所有大学生中共有140人MPATS得分≥57分，检出率为11.47%，其中男生49人，女生91人，专科81人，本科59人，大一52人，大二49人，大三21人，大四18人，农村84人，城镇56人；手机成瘾检出率在性别上的差异具有统计学意义(P<0.01)，男生的检出率(16.50%)显著高于女生(9.85%)，大学生手机成瘾检出率在学历、年级、家庭所在地上的差异不具有统计学意义(P>0.05)，结果见表5。

表5 大学生手机成瘾检出率在人口统计学变量上的差异比较

4 讨论

男生和女生在手机成瘾量表的总分及各维度上的得分差异具有统计学意义(P<0.05)，这与邹艳[11]、周扬[10]等人的研究一致，男生的手机成瘾倾向总分、戒断症状和突显行为的得分显著高于女生，表明与女生相比男生更容易出现手机成瘾问题，在没有手机时男生生理或心理上出现的负面反应要多于女生，以及手机在男生的思维活动和日常行为中所占的比重高于女生；女生在社交抚慰、心境改变上的得分高于男生，表明与男生相比女生更多地使用手机进行人际交往以及手机更容易造成女生的情绪变化。本科生与专科生在手机成瘾倾向量表的总分及各维度的得分差异不具有统计学意义(P>0.05)，这与詹海都[23]等人研究一致，表明学历与手机成瘾与否没有必然的关系。四个年级的大学生在手机成瘾倾向量表总分上的差异不具有统计学意义(P>0.05)，这与佟博男[24]、周扬[10]等人研究一致，四个维度中仅在突显行为这一维度上的得分差异具有统计学意义(P<0.01)，总体来看随着年级的增长突显行为的得分越来越高，表明随着年级的增长手机在大学生思维活动和日常行为中所占的比重也逐渐提高，这可能是因为随着年级增长课程减少因而有更多的时间使用手机，此外实习、找工作或考研等也需要大学生频繁使用手机查找资料或相关信息等；大二学生的突显行为最低，这表明了相较于其他三个年级手机在他们思维和行为活动中占了最少的部分，这可能是因为与其他年级相比大二学生的学习兴趣和学习热情处于整个大学的全盛时期[25]，因而更多的精力放在了学习之中。农村和城镇的大学生在手机成瘾倾向量表的总分上的差异不具有统计学意义(P>0.05)，这与杨葛君[26]、沈贤[27]等人研究一致，仅在戒断症状上城镇大学生的得分大于农村大学生且差异具有统计学意义(P<0.05)，表明当没有手机时与城镇大学生相比农村大学生会出现更多的负面反应，手机除了是通讯工具还具备娱乐、购物、学习、工作等等诸多功能，这可能是因为城镇大学生独生子女的比例高于农村大学生，因而城镇大学生会比农村大学生更依赖手机，当面临没有手机的情形时陈镇大学生会出现更多的负面反应。

本研究运用浅层剖面分析(LPA)结合相应模型判定指标表明大学生手机成瘾倾向可以分为高风险型、中风险型、低风险型、无风险型4种类型，4种手机成瘾类型的大学生在手机成瘾倾向量表上16个条目上的得分剖面的差异具有统计学意义(P<0.001)，具有成瘾风险的大学生合计占比87.88%，表明相当大一部分的大学生在使用手机的过程中或出现不同程度的成瘾风险，大学生的手机成瘾问题具有动态性，四种成瘾类型可能会随着时间的变化发生相互转换，我们不仅要关注那些高成瘾风险型的大学生，也要关注那些中低成瘾风险的大学生，采取有针对性的干预和预防措施以减少大学生的手机成瘾问题。

根据大学生手机成瘾倾向(MPATS)浅层剖面分析结果结合大学生MPATS实际得分结果，本研究将MPATS得分≥57分判定为手机成瘾检出者，本研究中共有140人为手机成瘾检出者，本研究中大学生手机成瘾的检出率为11.47%，这一检出率处于以往研究报告的检出率的范围之中[2-3]。手机成瘾检出率在性别的差异具有统计学意义(P<0.001)，男生的手机成瘾检出率显著高于女生，这可能是因为男生有着更多的手机网民用户[1]以及更高的手机游戏成瘾率[28]。大学生手机成瘾检出率在学历、年级以及家庭所在地上的差异不具有统计学意义(P>0.05)，手机已经成为了大学生的必备物品，部分同学甚至拥有多部手机，不同学历、年级、家庭所在地的大学生都能持有手机，因而这些因素并不会影响到大学生的手机成瘾率。

5 结论

本研究采用潜在剖面分析技术结合相关统计指标将大学生的手机成瘾状况划分为四种类型，潜在剖面分析技术可以有效地帮助我们识别大学生手机成瘾的成瘾类型，可以作为大学生手机成瘾筛查的有效方法。