潛在剖面分析在大學生手機成癮篩查中的應用

王亞可，盧瑤，曹玉，黃群瑛，陳建文

(1.四川幼兒師范高等專科學校學前教育二系，四川 綿陽 621709；2.廣西科技師范學院心理健康教育與研究中心，廣西 來賓 546199；3.華中科技大學教育科學研究院，武漢 430074)

1 引言

截止到2020年12月，我國手機網民規(guī)模達9.86億，其中學生網民規(guī)模達2.08億,我國網民的人均每周上網時長為26.2 h[1]。隨著移動互聯網的不斷發(fā)展，手機日益成為現代人生活的必需品，在給人們帶來方便的同時手機也日益成為人們無法擺脫的精神鴉片，相關調查顯示大約有4.05%[2]至43.5%[3]的大學生判定為手機成癮。手機成癮是指由于某種動機過渡地濫用手機而導致手機使用者的心理和社會功能受損的癡迷狀態(tài)[4]。大學生過渡使用手機除了會帶來視力和聽力受損、頸椎病以及睡眠質量下降等一系列生理問題之外，還會導致焦慮、抑郁、社會適應不良、學習成績下降等一系列心理問題。

目前對大學生手機成癮的相關研究多以變量為中心，采用標準化量表來探討大學生手機成癮的現狀及影響因素。國內學者在進行大學生手機成癮問題的研究時，引用最多的是熊婕、周宗奎等(2012)編制的《大學生手機成癮傾向量表(MPATS)》[5]，但是作者在制訂該量表時并未給出成癮檢出標準，有學者在使用該量表時將得分≥48分界定為手機成癮者[6-8]，部分學者則參照Young的網絡成癮篩選標準將得分>48分者[9]或者得分>60者[10]界定為手機成癮者，不同的手機成癮檢出標準也導致了差異巨大的手機成癮率，目前所有使用該量表的研究中大學生手機成癮的最低檢出率為4.05%[2]，最高檢出率為40.5%[11]，檢出率之間存在巨大的差異除了因為地域差異之外還可能與檢出標準不一致有關，差異巨大的檢出率除了會影響人們對大學生手機成癮問題的正確認知還可能讓人們對心理學研究的可重復性產生質疑。此外，當前對大學生手機成癮的分類只是簡單地區(qū)分為成癮與未成癮[12-13]或者低中高三種成癮類型[14-15]，這種劃分類型并未充分考慮到大學生群體之內的實際差異，因而所得出的檢出率或者檢出類型可能并不能充分反映大學生群體的實際狀況。

潛在剖面分析(Latent Profile Analysis，LPA)是以個體為中心研究路徑的分析技術，能夠幫助我們識別被試群體中包含的子群體，了解個體之間的靜態(tài)分類，還能用于分析個體內不同時間段的剖面變化[16]。本研究擬采用LPA對大學生手機成癮的潛在類別進行分析，除了可以對大學生的手機成癮類型進行合理的劃分之外，還可以根據分類結果進而進行大學生手機成癮的界定，以考察大學生的手機成癮的類型及成癮率，為認識和干預大學生手機成癮問題提供實證依據。

2 對象與方法

2.1 對象

選取四川、河南、廣西、江蘇、重慶五個省市的7所高校，采用問卷星發(fā)放在線調查問卷，共回收1221份。其中，男生297人，女生924人，平均年齡21.5±0.5歲；本科475人，專科746人；大一492人，大二453人，大三141人，大四135人；城鎮(zhèn)414人，農村807人。

2.2 工具

2.2.1 自編人口統(tǒng)計學資料調查表

包括性別、學歷、年級以及家庭所在地等。

2.2.2 大學生手機成癮傾向量表(Mobile Phone Addiction Tendency Scale，MPATS)

量表共16個項目，包括戒斷癥狀、突顯行為、社交撫慰和心境改變4個因素，采用5點計分法，從“非常不符合”到“非常符合”分別評定1—5分，總分越高表明手機成癮傾向程度越嚴重[5]。在本研究中，總量表的Cronbachα系數為0.93，四個因素的α系數分別為0.83、0.82、0.82和0.70。

2.3 統(tǒng)計方法

采用Mplus 7.4和SPSS 24.0進行分析。采用Mplus7.4對MPATS的16個項目進行淺剖面分析(LPA),通過對比K個剖面模型和K-1個剖面模型的擬合度確定最佳的分類模型。模型判定指標包括：赤池信息準則(Akaike Information Criterion，AIC)、貝葉斯信息準則(Bayesian Information Criteria，BIC)、樣本矯正后的貝葉斯信息準則(Sample size-adjusted Bayesian Information Criteria，aBIC)，AIC、BIC以及aBIC的值越小表示樣本擬合度越好[17]；分類精確性指數Entropy(值越大表示對被試的分類越準確)[18]；羅-蒙代爾-羅本矯正似然比檢驗(Lo-Mendell-Rubin Adjusted likelihood Ratio Test，LMR)的顯著性指數以及基于Bootstrap的似然比檢驗(Parametric Bootstrapped Likelihood Ratio Test，BLRT)的顯著性指數 ，即P(LMR)和P(BLRT)，P值決定了選擇要K-1個剖面的模型還是K個剖面的模型，P值顯著表示K個剖面的模型優(yōu)于K-1個剖面的模型[18-20]；此外，如果K個剖面的分類中某一分類占比低于5%，則該部分樣本不具備代表性，從而K個剖面的分類需要被舍棄掉[19]；另外，剖面分類中后驗概率(Posterior Probability)的值要大于分界點0.70[21]。

3 結果

3.1 大學生手機成癮傾向(MPATS)得分在人口統(tǒng)計學變量上的得分比較

男生在MPATS總分及各維度上的得分均大于女生，且差異均具有統(tǒng)計學意義(P<0.05)；本科生和專科生在MPATS總分及個維度上的得分差異均不具有統(tǒng)計學意義(P>0.05)；除突顯行為外，四個年級的大學生在戒斷癥狀、社交撫慰、心境改變等3個維度及MPATS總分上的得分差異均不具有統(tǒng)計學意義(P>0.05)，在突顯行為維度上的差異具有統(tǒng)計學意義(P<0.05)；除戒斷癥狀外，農村、城鎮(zhèn)的學生在突顯行為、社交撫慰、心境改變等3個維度及MPATS總分上的得分差異均不具有統(tǒng)計學意義(P>0.05)，結果見表1。

表1 大學生手機成癮傾向在人口統(tǒng)計學變量上的得分比較

3.2 大學生手機成癮類別的分類結果

將MPATS量表的16個條目全部納入Mplus7.4，事先不預設潛在剖面類別，從1個剖面到2個剖面、3個剖面直至相關判定指標不顯著為止，依次進行潛在剖面分析，本研究中分析到5個剖面的模型時模型中P(LMR)值大于0.05(表明4個剖面的模型優(yōu)于5個剖面的模型)，因此，本研究共分析了5個模型：其中AIC、BIC和aBIC的值隨著模型剖面的增多而逐漸下降，表示樣本擬合度越來越好；2個剖面模型、3個剖面模型、4個剖面模型的LMR和BLRT的顯著性均<0.001，表示4個剖面的模型優(yōu)于3個剖面的模型優(yōu)于2個剖面的模型；模型5中LMR的顯著性>0.05，表明4個剖面的模型優(yōu)于5個剖面的模型，因而排除5個剖面的模型；2個剖面模型、3個剖面模型、4個剖面模型的Entropy值均大于0.80表明分類的準確性均超過了90%[22]。因而，綜合各類判定指標考慮4個類別的潛在剖面模型最合理，結果見表2。

表2 大學生手機成癮類型的潛在剖面分析擬合指標

表3給出了所有被試(n=1221)在4個剖面上的分布概率：大約12.12%(n=148)的被試處于剖面1,約41.02%(n=501)的被試處于剖面2,約35.71%(n=436)的被試處于剖面3,約11.14%的被試處于剖面4。表2中處于對角線位置的數字(帶下劃線的數字)是分別正確分配在4個剖面上的最大后驗概率估計，且這4個數遠大于0.70；此外，4個潛在剖面分類的Entropy值為0.89；因而，再次說明了4個潛在剖面的模型的擬合度非常的好。

表3 所有被試在4個剖面上的分布概率(n=1221)

根據Mplus7.4潛在剖面分析的結果，繪制4個類別的被試在大學生手機成癮傾向量表(MPATS)16個條目的得分情況圖，將4個類別命名為“無風險型”占比12.12%，“低風險型”占比41.03%，“中風險型”占比35.71%，“高風險型”11.14%，結果見圖1。四個類別的大學生在手機成癮傾向總分及各維度的得分差異具有統(tǒng)計學意義(P<0.001)，且隨著手機成癮風險的增加，被試在MPATS總分及各維度上的得分也在顯著提高，結果見表4。

圖1 大學生手機成癮4個潛在類別在MPATS16個條目上的得分剖面圖

表4 大學生手機成癮傾向在4個剖面上的得分比較

3.3 大學生手機成癮(MPATS)的檢出率分析

MPATS潛在剖面分析的分類結果顯示，“高成癮風險”得分區(qū)間為54～80分，“中成癮風險”得分區(qū)間為42～58分，“低成癮風險”MPATS得分區(qū)間為28～45分，“無成癮風險”得分區(qū)間為16～33分，不同成癮類型大學生MPATS得分區(qū)間存在重合；根據四種成癮類型大學生在群體中所占的比例，將所有被試的MPATS得分從高到低進行排列，可知“高成癮風險”大學生MPATS得分區(qū)間為57～80分，“中成癮風險”得分區(qū)間為43～57分，“低成癮風險”得分區(qū)間為30～47分，“無成癮風險”得分區(qū)間為16～30分，將Mplus淺層剖面分析運行輸出后的“高成癮風險型”MPATS得分(64.76±5.71，n=136)與根據MPATS得分從高到低排列后前11.46%的被試得分(64.81±5.62，n=136)進行對比后發(fā)現二者的差異不具有統(tǒng)計學意義(P>0.05，t=-0.07)。因此，本研究考慮把MPATS得分≥57分的界定為手機成癮檢出者，本次調查的所有大學生中共有140人MPATS得分≥57分，檢出率為11.47%，其中男生49人，女生91人，專科81人，本科59人，大一52人，大二49人，大三21人，大四18人，農村84人，城鎮(zhèn)56人；手機成癮檢出率在性別上的差異具有統(tǒng)計學意義(P<0.01)，男生的檢出率(16.50%)顯著高于女生(9.85%)，大學生手機成癮檢出率在學歷、年級、家庭所在地上的差異不具有統(tǒng)計學意義(P>0.05)，結果見表5。

表5 大學生手機成癮檢出率在人口統(tǒng)計學變量上的差異比較

4 討論

男生和女生在手機成癮量表的總分及各維度上的得分差異具有統(tǒng)計學意義(P<0.05)，這與鄒艷[11]、周揚[10]等人的研究一致，男生的手機成癮傾向總分、戒斷癥狀和突顯行為的得分顯著高于女生，表明與女生相比男生更容易出現手機成癮問題，在沒有手機時男生生理或心理上出現的負面反應要多于女生，以及手機在男生的思維活動和日常行為中所占的比重高于女生；女生在社交撫慰、心境改變上的得分高于男生，表明與男生相比女生更多地使用手機進行人際交往以及手機更容易造成女生的情緒變化。本科生與專科生在手機成癮傾向量表的總分及各維度的得分差異不具有統(tǒng)計學意義(P>0.05)，這與詹海都[23]等人研究一致，表明學歷與手機成癮與否沒有必然的關系。四個年級的大學生在手機成癮傾向量表總分上的差異不具有統(tǒng)計學意義(P>0.05)，這與佟博男[24]、周揚[10]等人研究一致，四個維度中僅在突顯行為這一維度上的得分差異具有統(tǒng)計學意義(P<0.01)，總體來看隨著年級的增長突顯行為的得分越來越高，表明隨著年級的增長手機在大學生思維活動和日常行為中所占的比重也逐漸提高，這可能是因為隨著年級增長課程減少因而有更多的時間使用手機，此外實習、找工作或考研等也需要大學生頻繁使用手機查找資料或相關信息等；大二學生的突顯行為最低，這表明了相較于其他三個年級手機在他們思維和行為活動中占了最少的部分，這可能是因為與其他年級相比大二學生的學習興趣和學習熱情處于整個大學的全盛時期[25]，因而更多的精力放在了學習之中。農村和城鎮(zhèn)的大學生在手機成癮傾向量表的總分上的差異不具有統(tǒng)計學意義(P>0.05)，這與楊葛君[26]、沈賢[27]等人研究一致，僅在戒斷癥狀上城鎮(zhèn)大學生的得分大于農村大學生且差異具有統(tǒng)計學意義(P<0.05)，表明當沒有手機時與城鎮(zhèn)大學生相比農村大學生會出現更多的負面反應，手機除了是通訊工具還具備娛樂、購物、學習、工作等等諸多功能，這可能是因為城鎮(zhèn)大學生獨生子女的比例高于農村大學生，因而城鎮(zhèn)大學生會比農村大學生更依賴手機，當面臨沒有手機的情形時陳鎮(zhèn)大學生會出現更多的負面反應。

本研究運用淺層剖面分析(LPA)結合相應模型判定指標表明大學生手機成癮傾向可以分為高風險型、中風險型、低風險型、無風險型4種類型，4種手機成癮類型的大學生在手機成癮傾向量表上16個條目上的得分剖面的差異具有統(tǒng)計學意義(P<0.001)，具有成癮風險的大學生合計占比87.88%，表明相當大一部分的大學生在使用手機的過程中或出現不同程度的成癮風險，大學生的手機成癮問題具有動態(tài)性，四種成癮類型可能會隨著時間的變化發(fā)生相互轉換，我們不僅要關注那些高成癮風險型的大學生，也要關注那些中低成癮風險的大學生，采取有針對性的干預和預防措施以減少大學生的手機成癮問題。

根據大學生手機成癮傾向(MPATS)淺層剖面分析結果結合大學生MPATS實際得分結果，本研究將MPATS得分≥57分判定為手機成癮檢出者，本研究中共有140人為手機成癮檢出者，本研究中大學生手機成癮的檢出率為11.47%，這一檢出率處于以往研究報告的檢出率的范圍之中[2-3]。手機成癮檢出率在性別的差異具有統(tǒng)計學意義(P<0.001)，男生的手機成癮檢出率顯著高于女生，這可能是因為男生有著更多的手機網民用戶[1]以及更高的手機游戲成癮率[28]。大學生手機成癮檢出率在學歷、年級以及家庭所在地上的差異不具有統(tǒng)計學意義(P>0.05)，手機已經成為了大學生的必備物品，部分同學甚至擁有多部手機，不同學歷、年級、家庭所在地的大學生都能持有手機，因而這些因素并不會影響到大學生的手機成癮率。

5 結論

本研究采用潛在剖面分析技術結合相關統(tǒng)計指標將大學生的手機成癮狀況劃分為四種類型，潛在剖面分析技術可以有效地幫助我們識別大學生手機成癮的成癮類型，可以作為大學生手機成癮篩查的有效方法。