青少年網絡適應的拓撲結構分析：基于縱向追蹤數據

摘 "要 "網絡適應作為當代青少年成長至關重要的環節， 其復雜多維的內部屬性仍未得到系統探討。本研究首次采用網絡分析方法探討青少年網絡適應的核心特征、動態演變以及外部聯結。橫斷網絡分析揭示了青少年網絡適應中好奇心的“雙刃劍”作用， 即過高或過低的好奇心均不利于網絡適應的發展。網絡比較結果顯示， 青少年的網絡適應具有整體的穩定性， 但其拓撲屬性會發生內部流轉。交叉滯后網絡分析表明， 網絡自我效能在網絡適應發展過程中起“總舵手”作用， 而網絡學習能力和網絡信息搜索是青少年網絡適應的重要“落腳點”。二元交叉滯后網絡分析指出， 網絡信息保護對網絡成癮具有最顯著的直接影響。本研究不僅為理解青少年在數字世界中的成功適應提供了全新視角， 也為新時代的數字化教育實踐提供了重要啟示。

關鍵詞 "青少年， 網絡適應， 網絡成癮， 拓撲結構， 網絡分析

分類號 "B844.2

1 "引言

生成式人工智能的興起極大地增強了互聯網的工具屬性， 網絡搜索、網絡學習與網絡社交等涉及自然語言的活動均迎來了新的革命（Lim et al.， 2023; Urban et al.， 2024）。這種技術進步導致青少年所處的網絡環境發生了根本性變化， 原有的網絡適應模式面臨被動失衡的風險（Du et al.， 2024; Neugnot- Cerioli amp; Laurenty， 2024）。例如， 個人數據的廣泛利用與隱私保護需求的上升要求青少年具備更全面的信息保護能力， 以應對日益增多的網絡風險。人工智能技術的普及也對青少年的控制能力和自我認知提出了新的挑戰， 敦促他/她們在享受科技便利的同時提升批判性思維能力， 并建立健康的網絡使用習慣。因此， 適應日新月異的網絡環境仍然是青少年健康發展的重要課題。

網絡適應是指個體在與網絡環境動態交互過程中形成的網絡適應性和網絡適應狀態（王偉軍 等， 2021）。其中， 網絡適應性指個體為了生存與發展， 與網絡環境保持和諧關系所具備的個體特征。如網絡人際適應和網絡自我效能。網絡適應狀態則是個體在經歷網絡適應過程后最終呈現的平衡（適應良好）或不平衡狀態（適應不良）。實際上， 適應并非僅是個體對環境的順應， 還包括更深層次的主體與客體之間的動態關系（陳建文， 王滔， 2003）。適應意味著個體在面對環境變化時， 能夠根據自身的需要和價值取向， 調整思維、情感和行為， 以更好地適應環境的變化， 或主動改變環境以滿足自身的需求。換言之， 青少年的網絡適應并不完全取決于網絡內容， 還受到個人適應方式和網絡使用策略的影響（Fumero et al.， 2018）。例如， 擁有較高網絡自我效能和較強在線社交能力的青少年， 通常能更有效地利用網絡資源， 進而獲取更多的社會支持與有效信息（姜永志 等， 2016; Zheng et al.， 2020）。相比之下， 性格較為內向或害羞的青少年可能更傾向于將網絡視為休閑娛樂的途徑， 以此來緩解現實生活中的社交壓力（Ryan amp; Xenos， 2011; Wang et al.， 2015）。

青少年的網絡適應狀況對其自身發展無疑是重要的。元分析研究表明， 當青少年以教育為目的使用網絡時， 其學業成績往往呈現上升態勢; 反之， 娛樂驅動的網絡使用可能導致學業成績的下滑（Wang et al.， 2024）。當前， 生成式人工智能的加持使得網絡用戶的感知有用性、感知易用性以及感知個性化增加， 進一步加劇了網絡成癮的可能性（Zhang et al.， 2024; Zhou amp; Zhang， 2024）。而不恰當的網絡使用行為， 如過度沉迷網絡游戲或社交媒體， 可能導致青少年出現孤獨感、抑郁情緒、睡眠障礙和攻擊行為等內外化問題（Moretta amp; Buodo， 2020）。這些問題不僅會影響青少年的學業發展和社會交往， 還可能對他/她們的身心健康造成長期的不良影響。

目前已有研究探討了青少年網絡適應的概念、結構、測量和影響關系（如： 趙航 等， 2022; Yang et al.， 2024）， 但多采用傳統的變量間分析視角， 忽略了青少年網絡適應的內部拓撲性質。由于青少年的網絡適應是一個多維且復雜的網絡系統（王偉軍 等， 2021）， 對其內部拓撲性質的探討將有助于進一步厘清與掌握青少年的網絡適應問題。此外， 為探討青少年網絡適應良好與否的后果及關鍵影響通道， 本文還將探討網絡適應不良的典型表現（網絡成癮）與網絡適應之間的關系?？傮w上， 本研究旨在探討青少年網絡適應的拓撲結構和內外部屬性， 以回答下面三個核心問題：

問題1： 青少年網絡適應的核心特征與內部結構如何？

問題2： 青少年網絡適應的跨時間穩定性如何？

問題3： 青少年網絡適應與網絡成癮內在聯系如何？

為此， 本研究首先采用橫斷網絡分析技術識別青少年網絡適應的關鍵維度與核心關聯; 其次， 通過網絡比較和交叉滯后網絡分析探究青少年網絡適應的跨時間穩定性及其變化趨勢; 最后， 構建交叉滯后二元網絡以明晰網絡適應與網絡成癮之間的聯系節點及關鍵路徑?；谏鲜龇桨福?本研究將從網絡分析視角全面揭示青少年網絡適應的核心特征、內部結構、動態演變以及其與網絡成癮的關聯。這不僅有助于理解青少年在數字世界中的成功適應， 也為預防和干預青少年網絡成癮提供科學啟示和實踐指導。

2 "文獻回顧

2.1 "網絡適應的概念和結構

網絡適應是指個體在與網絡環境互動中不斷適應的動態過程（王偉軍 等， 2021）。如引言部分提及的， 適應是主體與客體之間的動態關系， 青少年的網絡適應也不例外。網絡適應強調青少年于不斷變化的網絡環境中對自身行為和心態進行調整。這是一個動態的、持續發展的過程， 需要個體不斷地學習和適應新興技術、社交規范和網絡文化。同時， 這種適應是反應性的， 通常由外部環境的變化驅動， 例如新的社交媒體平臺的興起、網絡風險的變化或數字技術的更新。青少年的網絡適應狀態還具備動態性， 會隨著經驗的累積和技能的提升而變化。但部分個體總是能在變化的網絡環境中更快地實現適應狀態， 可見網絡適應性具有個體層面的相對穩定性。因此， 青少年的網絡適應被概括為個體在與網絡環境動態交互過程中形成的網絡適應性和網絡適應狀態（王偉軍 等， 2021）。青少年需要不斷提升他/她們的網絡適應能力來應對數字世界的快速變化。

網絡適應作為中心概念， 由適應準備、適應過程和適應持續三個階段組成（如圖1所示）。適應準備階段包含了網絡好奇心與網絡自我效能兩個維度， 形成青少年在進入網絡適應過程的初始準備。適應過程階段包含了網絡自我控制、網絡信息保護和網絡積極應對三個維度， 是青少年在網絡環境中進行實時調適的過程。適應持續階段包含了網絡信息搜索、網絡學習能力和網絡人際交往三個維度， 指向青少年在長期使用網絡過程中所形成的最基本的三種能力狀態， 亦是個體網絡適應良好與否的直接指標。隨著外部網絡環境的更新迭代， 青少年在上述維度不斷發展， 其整體網絡適應狀態也隨之變化。其中適應持續階段指向網絡適應（見圖1）， 旨在表明青少年與網絡環境的交互過程中， 其適應能

力會得到持續反饋和提升。這種提升不僅意味著應對新挑戰能力的增強， 還對整個網絡適應過程的循環和優化具有推動作用。總之， 網絡適應體現了青少年在面對不斷變化的網絡環境時， 通過多階段協調發展以實現良好適應的動態過程。因此， 欲有效提升青少年的網絡適應能力， 必須深入理解網絡適應的概念內涵， 進而制定個性化的干預措施和支持策略。

2.2 "網絡分析方法及應用

網絡分析是一種將系統特征與信息以網絡結構進行展示和分析的方法。網絡分析可將心理行為系統內的相互作用描述為由“節點”與“連線”構成網絡結構， 從而識別網絡節點的中心地位以及節點之間的關系（Borsboom et al.， 2021; Epskamp et al.， 2018）。該方法提供了有關哪些變量是網絡中最重要或最具有影響力的信息， 能夠從探索性/非理論驅動的角度為實踐層面的探索和理論驅動的研究做準備（Li amp; Kwok， 2023）。

網絡分析的一個突出特征是它能夠將復雜的動態聯系可視化， 直觀地呈現網絡中的節點及其關聯（Borsboom et al.， 2021; Bringmann amp; Eronen， 2018）。網絡分析中引入了偏相關系數， 以更精確地描繪節點之間的真實聯系。偏相關網絡是一種基于加權相關網絡的模型， 它控制了其他節點對兩節點間關系的影響， 從而為探究節點間的準確關系提供了方法（Borsboom amp; Cramer， 2013）。此外， 交叉滯后數據與網絡分析相結合產生了交叉滯后網絡分析。這種方法可以揭示隨著時間的推移， 網絡結構內部和結構之間發生的縱向過程（Funkhouser et al.， 2021）。

網絡分析的特點是在沒有關于變量如何相關的先驗理論時， 仍可有效探索高維數據的結構（Borsboom et al.， 2021）。在心理學實證研究中， 網絡分析具有以下顯著優勢：其一， 網絡分析不依賴于潛變量的定義， 而是基于觀測變量構建模型， 從而實現了對各觀測變量間關系的直接分析; 其二， 網絡分析技術可在完整系統中解析出兩變量間的“獨立”關系， 減少傳統分析中“虛假相關”帶來的混淆; 其三， 網絡分析將所有觀測變量納入一個統一的網絡框架之中， 可實現從網絡整體變化的角度考察某一心理或行為系統的發生和發展過程（蔡玉清 等， 2020）。因此， 網絡分析方法是研究青少年網絡適應不可或缺的工具， 有助于揭示青少年在數字世界中的適應模式， 并為精準支持方案提供設計基礎。

現有的研究中， 網絡分析已展現出其獨特的價值。在心理健康領域， 研究者通過網絡分析構建了自殺意念變量網絡， 揭示了變量間的潛在相互作用， 并發現了挫敗感的核心地位（Ordó?ez-Carrasco et al.， 2023）。在教育領域， 研究者通過建立交叉滯后網絡分析模型， 探索了小學教師職業倦怠的發展關系， 并提出了有效的干預措施（謝敏 等， 2022）。在社會層面， 有研究利用網絡分析方法構建了COVID-19疫情期間中國人精神病癥狀網絡， 并發現了不同階段網絡中心特征的變化（Wang et al.， 2020）。在個體層面， 研究者通過對不同國家的樣本進行網絡比較， 揭示不同文化背景下人格中心特質的差異（Ramos-Vera et al.， 2023）。這些研究例證表明了網絡分析在識別關鍵特征和明晰動態演變過程中的重要作用， 為本研究探索網絡適應內部結構提供了方法論支撐。

綜上， 本研究將從局部到整體， 同時結合時間維度， 深入探討網絡視角下青少年網絡適應的拓撲性質及演變規律。

3 "方法

3.1 "參與者

本研究選取湖北和湖南兩地區多所學校的學生進行問卷調查， 并提前獲得了通訊作者所在單位倫理審查委員會的批準。數據收集已征得學生本人、班級負責人以及學校層面的同意。參與者被告知允許在參與調研的任意時間點退出。問卷數據全部通過紙筆作答的形式獲取， 非認真作答的樣本在整理時被剔除。最終， 初次（T1）收集了5783名參與者的有效數據， 其中男性2162名， 占37.4%。平均年齡為17.20， 標準差為2.62; 5個月后（T2）， 追蹤了其中1235名參與者的數據， 其中男性469名， 占38%。平均年齡為14.98， 標準差為1.66。

3.2 "測量工具

網絡適應。青少年網絡適應通過網絡適應量表測量（Wang et al.， 2025）。該量表包含8個維度， 由39個條目組成， 分別是網絡好奇心（5個題項， 如“網絡中那些陌生的人和事常常讓我感到很好奇”）、網絡信息搜索（3個題項， 如“感興趣的文字， 圖片或者視頻， 我都有方法在網上搜到”）、網絡學習能力（4個題項， 如“我會利用網上的學習資源提升自己的能力”）、網絡人際交往（7個題項， 如“我在網上認識了更多志同道合的朋友”）、網絡自我控制（5個題項， 如“我會有計劃地安排自己的上網時間”）、網絡自我效能（5個題項， 如“我相信自己能在較短的時間內掌握最新的網絡技術”）、網絡信息保護（4個題項， 如“我不會隨意點開未知鏈接”）以及網絡積極應對（6個題項， 如“在網絡中遇到困難時， 我會嘗試換一個視角去看待”）。所有題項（內容見網絡版附錄表S1）采用6級計分， 平均得分越高表示網絡適應越好。本研究中該量表的克隆巴赫α為0.954。

網絡成癮。通過Young氏網絡成癮診斷自評問卷中文版進行測量（李毅 等， 2012）。該問卷共包含8個條目：渴求性（我會全神貫注于網際或在線服務活動， 并且在下網之后總念念不忘網事）; 耐受性（我覺得需要花更多的時間在線上才能得到滿足）; 行為失控（我曾努力過多次想控制或停止使用網絡， 但沒有成功）; 戒斷性（當企圖減少或停止使用時， 我會感到沮喪、心情低落或脾氣暴躁）; 時間延長（我的上網時間比原先計劃的要長）; 負面后果（我曾為了上網甘冒重要人際關系、教育或工作機會損失的危險）; 欺騙性（我曾向家人、朋友或他人說謊以隱瞞上網的狀態）; 逃避性（我上網是為逃避問題或釋放無助、罪惡感、焦慮或沮喪）。采用5級計分， 平均得分越高表示網絡成癮越嚴重。本研究中該問卷的克隆巴赫α為0.912。

3.3 "數據分析

3.3.1 "橫斷網絡分析

本研究主要使用R （4.3.2版本）進行統計分析。其中采用bootnet包（Epskamp et al.， 2018）內的EstimateNetwork函數（高斯圖模型GGM）估計橫斷網絡。使用最小絕對值收縮與選擇算子（LASSO）對網絡進行正則化（Tibshirani， 1996）， 該算子計算偏相關并通過將強度較弱或虛假估計的邊線系數減少至零以去除假陽性（即較弱的或虛假估計的邊線） （Epskamp et al.， 2018）。之后還利用了擴展貝葉斯信息準則（EBIC）進行最終的網絡模型選擇。模型選擇過程中的超調整參數γ值被設置為0.5， 有助于平衡邊線估計的靈敏度和特異性， 并最大化選擇真實估計邊線的機會（Epskamp et al.， 2018）。

本研究計算了強度和預期影響作為橫斷網絡節點的中心性指標。節點強度表示節點的直接連接性， 是連接到其他各節點的邊線權重絕對值之和。強度值越高表明其在網絡中的影響力越大（Epskamp， Borsboom amp; Fried， 2018）。預期影響則是在強度的基礎上考慮了網絡內的正向和負向關系， 能夠提供更為全面的對網絡整體的影響力評估（Bekkhus et al.， 2023; Robinaugh et al.， 2016）。

3.3.2 "網絡比較

網絡比較的目的是通過置換檢驗來發掘不同網絡間的結構差異， 利用R軟件中的Network ComparisonTest包內的NCT函數實現。本研究將采用包括網絡不變性、總體強度不變性、邊線不變性、節點強度不變性及節點預期影響不變性在內的5項檢驗方法對網絡結構在不同時間點的一致性進行系統性的檢驗（van Borkulo et al.， 2023）。這些檢驗彼此關聯， 分別從不同層面評估網絡的穩定性與變化。首先， 網絡不變性檢驗作為整體結構的評估工具， 旨在比較不同時間點網絡的全局拓撲特征， 其零假設是兩個網絡中所有對應邊線均相等。相比之下， 總體強度不變性檢驗更聚焦于網絡全局連通性（Overall level of connectivity）， 通過評估網絡中所有邊權重的總和或節點強度的平均值， 探討網絡整體連接強度的穩定性。此外， 邊線不變性、節點強度不變性和節點預期影響不變性則提供了更為精細的局部結構分析。這些檢驗分別評估了具體邊的連接強度、單個節點的連接強度及節點在網絡中的預期影響力， 旨在揭示局部網絡特征的變化如何影響整體網絡結構。通過整合這5項檢驗， 能夠從整體與局部、多層次、多維度地評估網絡適應內部的跨時間變化情況。

除此之外， 上述不變性檢驗結果將為后續交叉滯后分析提供重要背景信息。具體而言， 如果5項檢驗全部通過， 則說明本研究關注的青少年網絡適應存在跨時間穩定性。如果整體網絡不變性和強度不變性檢驗未通過， 則需要通過交叉滯后網絡來反映出結構的動態變化以及節點之間的影響關系。局部特征的變化（如節點強度或邊線強度的變化）可以進一步幫助識別哪些節點或連接在網絡中發揮了重要的作用， 為交叉滯后網絡更精準地捕捉跨時間影響機制提供依據。

3.3.3 "交叉滯后網絡分析

交叉滯后網絡模型通過一系列正則化回歸來估計隨時間變化的自回歸系數和交叉滯后系數。其中， 自回歸系數反映了某一變量在前一次測量中的狀態對其下一次測量時狀態的預測作用， 即變量自身隨時間的延續性; 而交叉滯后系數則表示某一變量在前一次測量中的狀態對另一變量在下一次測量時狀態的預測作用， 即變量之間的相互影響（Wysocki et al.， 2022）。本研究將使用R中的glmnet包（Friedman et al.， 2010）估計兩個時間點的網絡適應交叉滯后網絡模型以及網絡適應和網絡成癮的交叉滯后網絡模型。為了增強結果的可解釋性并創建更加直觀的網絡結構， 本研究通過10倍交叉驗證確定了調整參數γ的最優值， 并在估計的回歸系數上應用圖形化的最小絕對收縮與選擇算子（Glasso）， 以將不顯著的路徑收縮至零（Wysocki et al.， 2022）。交叉滯后網絡模型中存在較多的負邊， 因此本研究采用了入預期影響（In expected influence）和出預期影響（Out expected influence）作為交叉滯后網絡模型的中心性指標。前者是T2中某個節點受到T1中其他節點直接影響之和， 后者則是T1某節點對T2其它節點直接影響之和。

在交叉滯后網絡中， 入預測性是指在某一測量時間點下， 某個節點的變異由前一時間點的所有節點所解釋的程度的占比; 出預測性是指在某一測量時間點下， 所有節點的變異由前一測量時間點某個節點所解釋程度占比。入預測性和出預測性分別表示每個節點被其他節點預測的程度， 以及對網絡中其他節點的預測程度（Wysocki et al.， 2022）。在此基礎上， 考慮到網絡適應與網絡成癮網絡的二元屬性， 本研究通過計算跨集群指標， 包括跨集群入預測性和跨集群出預測性（即T2上某一節點的變異被另一個集群的T1所有節點解釋的程度以及某個T1節點占其他集群中所有T2節點變異的程度）對不同集群的節點之間的相互預測的程度進行區分（Haslbeck amp; Fried， 2017; Haslbeck et al.， 2021）。較高的跨集群入預測性表明節點受前一個時間點外集群所有節點的影響程度較大; 較高的跨集群出預測性則表明節點對后一時間點的外集群所有節點的影響較大（Wysocki et al.， 2022）。

3.3.4 "可視化與穩健性評估

橫斷網絡和交叉滯后網絡的可視化均通過qgraph包（1.9.5版本）實現（Epskamp et al.， 2012）。網絡中所有節點的位置由Fruchterman-Reingold算法決定， 該算法將關聯更強的節點放置在彼此更近的位置（Fruchterman amp; Reingold， 1991）。網絡中的邊線代表控制了其他變量影響后兩個節點之間的偏相關系數， 更粗和更飽和的線條表明關系更強。節點之間的藍線代表正相關關系， 紅線代表負相關關系。為了清晰呈現網絡圖， 交叉滯后網絡中的自回歸路徑予以省略。邊線估計的準確性通過Bootstrap法對網絡進行1000次迭代以繪制各條邊線的95%非參數自舉置信區間進行檢驗（Epskamp， Borsboom amp; Fried， 2018）。所有中心性指標（節點強度、節點預期影響、出預期影響和入預期影響）的穩健性通過Case-droping方法進行檢驗， 并以相關穩定性系數（CS系數）作為結果（Borsboom et al.， 2021）。CS系數（cor = 0.7）表示在95%的置信區間內， 通過Case-droping方法獲得的自舉樣本的中心性指標與原始樣本的中心性指標之間可以保持至少0.7的相關性時的樣本占比。CS系數在0.25 ～ 0.50之間時， 表明該中心性指標穩健性較好， CS系數大于0.5則表示穩健性強（Epskamp， Borsboom amp; Fried， 2018; Isvoranu et al.， 2022）。

4 "結果

4.1 "描述性統計結果

青少年網絡適應和網絡成癮各維度的均值和標準差見表1。所有項目的偏度（?0.38 ～ 1.36）和峰度（?0.94 ～ 1.03）表明數據基本呈正態分布（Byrne， 2010; Curran et al.， 1996）， 滿足進行網絡分析的 條件。

4.2 "青少年網絡適應的橫斷網絡

青少年網絡適應各維度的橫斷網絡如圖2所示。在該網絡中， 節點代表網絡適應的維度， 邊代表維度之間的正則化偏相關。8個節點通過28條邊線連接構成了青少年網絡適應的維度網絡， 網絡密度為1， 各條邊的權重從?0.11到0.52不等， 平均權重為0.12。網絡適應橫斷網絡的邊線系數見網絡版附錄表S2。在網絡適應的維度網絡中， “網絡好奇心” （強度 = 1.18）是強度最高的節點， 并且其強度顯著高于其余節點， 表明“網絡好奇心”對網絡中其他節點的影響最強?！熬W絡積極應對” （預期影響 = 1.04）和“網絡自我效能” （預期影響 = 1.08）是預期影響最高的兩個節點， 且這兩個節點的預期影響顯著高于其余其他節點， 表明兩者是對網絡適應整體結構影響最強的兩個節點（見圖3， 網絡版附錄圖S1和S2）。強度和預期影響的CS系數均為0.75， 表明該指標的穩定性良好（詳見網絡版附錄圖S3）。網絡中權重最高的邊線是“網絡信息保護?網絡積極應對” （r = 0.52）和“網絡好奇心?網絡自我效能感” （r = 0.43）， 這兩條邊線顯著強于網絡中的其余邊線（見網絡版附錄圖S4）。值得注意的是， 在網絡適應的橫斷網絡中， 存在幾條權重為負的邊線， 分別是“網絡自我控制?網絡好奇心” （r = ?0.11）和“網絡信息保護?網絡好奇心” （r = ?0.02）。邊線估計的準確性檢驗表現良好， 見網絡版附錄圖S5。

4.3 "青少年網絡適應的交叉滯后網絡

網絡比較結果顯示， T1網絡（總體強度 = 3.52）與T2網絡（總體強度 = 3.79）的總體強度差異不顯著（p = 0.120）， 而網絡不變性檢驗未通過（p lt; 0.001） （見圖4， 邊線系數見網絡版附錄表S3和S4）。兩個時間點的網絡在總體強度上未表現出顯著差異， 表明網絡連接的整體強度保持了相對穩定。然而網絡不變性檢驗結果表明， 網絡適應網絡的整體拓撲結構在這兩個時間點之間發生了顯著變化。局部分析發現， 節點強度存在顯著差異的比例為3/8， 節點

預期影響存在顯著差異的比例為5/8， 邊線系數存在顯著差異的比例為11/28 （詳見網絡版附錄表S5、S6和S7）。這些變化揭示了某些關鍵節點和邊線在不同時間點之間的作用發生了顯著變化。雖然這些局部特征的變化未顯著影響網絡的總體強度， 但對網絡適應網絡的整體結構產生了重要的重構效應， 可能導致內部功能和信息流轉方式的調整。

青少年網絡適應的交叉滯后網絡如圖5所示， 在這個網絡中， 各個節點代表網絡適應的一個維度， 邊線是各個維度之間的正則化回歸系數。8個節點

通過43條有向邊線連接構成了青少年網絡適應的跨時間交叉滯后網絡模型。網絡密度為0.76， 各條邊的權重從?0.04到0.14不等， 平均權重為0.03 （邊線系數詳見網絡版附錄表S8）。如圖6所示， “網絡學習能力”（入預期影響 = 0.31）和“網絡自我效能” （出預期影響 = 0.60）是網絡中出預期影響最強的節點; “網絡信息搜索” （入預期影響 = 0.30）是入預期影響最強的節點。出預期影響和入預期影響的CS系數分別為0.361和0.361， 表明這兩個指標的穩定性是可接受的（見網絡版附錄圖S6）。上述結果表明網絡適應的交叉滯后網絡中最具有預測作用的節點是“網絡自我效能”， 而受預測最強的節點則是“網絡學習能力”和“網絡信息搜索”。

Bootstrap法估計的各邊線權重的95%置信區間表明邊線的估計較為準確（見網絡版附錄圖S7）。網絡中最強的邊線為“網絡積極應對”對“網絡自我

控制”的直接預測作用（r = 0.15）， 以及“網絡自我效能”對“網絡信息搜索”的直接預測作用（r = 0.13）， 且這兩條邊分別顯著強于網絡中74.54%以及54.54%的邊線（見網絡版附錄圖S8）。除此以外， T1的“網絡好奇心”對T2的“網絡自我控制”具有較強的負向預測作用， 值得進一步探討。

4.4 "青少年網絡適應和網絡成癮的交叉滯后網絡

青少年網絡適應和網絡成癮的交叉滯后網絡如圖7所示， 16個節點通過168條有向邊線連接構成了青少年網絡適應的跨時間交叉滯后網絡模型。網絡密度為0.65， 各條邊的權重從?0.16到0.16不等， 平均權重為0.02 （邊線系數詳見網絡版附錄 表S9）。

考慮到本研究關注的內容在于青少年網絡適應對于網絡成癮的預測作用， 因此專門計算了跨集群入預測性和跨集群出預測性與橋邊線。跨集群入預測性和跨集群出預測性可以揭示各個節點被外集群節點預測的程度以及對外集群某節點的預測程度。橋邊線是指位于兩個不同集群的節點之間連接所形成的邊線。交叉滯后網絡分析顯示， “網絡信息保護” （跨集群出預測性 = 0.06， CS = 0.439）是網絡適應集群中跨集群出預測性最強的節點， 表明“網絡信息保護”是網絡適應集群中對網絡成癮集群內節點的預測作用最大的節點。各節點的跨集群入預期性均較為接近， 沒有突出的節點， 因此不再做深入分析（見圖8）。總體上連接網絡適應集群和網絡成癮集群的橋邊線主要是由網絡適應集群的節點指向網絡成癮集群， 最強的橋邊線是：“網絡信息保護”對“B1”、“B2”的直接預測作用（r = ?0.16/?0.15）， 且分別顯著強于網絡中92.91%以及90.55%的橋邊線。

5 "討論

正所謂“適者生存， 優勝劣汰”。當前互聯網成

為信息獲取、社交互動和教育學習的關鍵渠道， 且瞬息萬變。青少年的網絡適應能力必須不斷提高， 以緊跟快速前進的信息步伐。網絡適應本身是一個錯綜復雜的多維系統， 它涉及多個演進階段與不同維度要素（王偉軍 等， 2021）。然目前仍缺乏對網絡適應內部拓撲性質和作用機制的探討。因此本研究首次采用網絡分析方法探討青少年的網絡適應問題， 內容主要從以下三個層面展開：首先， “一維”層面， 利用橫斷網絡分析探討青少年網絡適應的核

心特征， 以提供對青少年在數字世界中成功適應的全面理解; 然后， “二維”層面， 通過網絡比較深入研究青少年網絡適應內部結構的跨時間演變， 以更好地揭示青少年網絡適應的動態變化; 最后， “三維”層面， 通過構建交叉滯后二元網絡模型， 深入探討網絡適應對外部變量形成影響的核心節點與關鍵通路。下面將對研究的主要發現進行提煉與討論。

5.1 "青少年網絡適應的核心成分

橫斷網絡分析結果指出， “網絡好奇心”是強度最高的節點。作為網絡適應條件準備階段的關鍵成分， 網絡好奇心在青少年的網絡適應中占據核心地位， 反映出青少年對互聯網信息和技術進行自主探

索的重要性。好奇心本質上是一種情感和認知的復合體驗， 它激發個體探索未知、解決不確定性（Loewenstein， 1994）。從橫斷網絡圖可直觀看出， 網絡好奇心與網絡自我效能、網絡人際交往以及網絡學習能力的聯結較強。這表明網絡好奇心不僅是推動應用技能和信息獲取的內在動力， 也是社交擴展和自我效能感提升的重要源泉（黃騏 等， 2021）。然而， “網絡好奇心”與“網絡自我控制”之間的負性連接揭示了一個復雜而重要的關系：盡管好奇心促進了青少年的探索和學習， 但它也可能影響個體管控自身在線行為的能力（Bowler， 2010）。根據自我控制理論， 個體的自我控制資源是有限的（Muraven amp; Baumeister， 2000）。青少年在網絡環境中探索新網站或應用時， 雖然能增長知識和信息， 但可能會過度消耗認知資源， 降低自我控制力（Baumeister et al.， 2007; 黎建斌， 2013）， 導致難以抵制干擾和誘惑， 引發問題性使用和沉迷。

5.2 "青少年網絡適應的關鍵內部機制

在網絡適應網絡中， 權重最高的邊線是“網絡信息保護?網絡積極應對”和“網絡好奇心?網絡自我效能”， 且這兩條邊線顯著強于網絡中的其余邊線。這不僅說明了這些維度之間的強相關性， 還反映了它們在整個網絡適應框架中的關鍵作用。“網絡信息保護?網絡積極應對”這一較強連接表明， 信息保護意識強的青少年更可能識別出潛在的網絡風險， 從而有效地采取防范措施。同時， 網絡信息保護還通過網絡自我控制與網絡積極應對產生間接聯系（如圖2所示）。計劃行為理論（Ajzen， 1985）提供了對這一過程的解釋。具體而言， 個體的行為意圖是預測實際行為最直接的因素， 而行為意圖受態度、主觀規范和感知行為控制三個因素的影響。相對應地， 在青少年網絡適應情境中， 網絡信息保護既反映了維護個人隱私信息的態度傾向， 又反映了對網絡環境中隱私侵犯風險與主觀信息保護規范的對照過程。網絡自我控制則可以視作影響個體行為意圖的第三個因素——感知行為控制。因此， 具有較強網絡信息保護能力的青少年能夠更快地識別潛在的網絡風險， 進而采取應對措施（Vance et al.， 2014）?？傊?網絡信息保護是網絡適應行為的基礎， 而網絡積極應對策略則是網絡適應行為的深化和拓展。兩者相輔相成， 共同促進個體在網絡環境中的良好適應。

“網絡好奇心?網絡自我效能”這一邊線的突出強度表明， 青少年的網絡好奇心顯著提升了他/她們的網絡自我效能。網絡好奇心是驅動個體在網絡環境中自發地探索和學習的一種內在動機（Loewenstein， 1994）。這種動機不僅能夠激發持久的行為參與， 還能通過自主探索帶來正向反饋， 進一步增強個體的自我效能感（Ryan amp; Deci， 2000）。根據自我效能理論， 自我效能感是個體對自身成功應對特定任務或挑戰的信心（Bandura， 1977）。在網絡環境中， 青少年的網絡好奇心促使他/她們不斷探索、嘗試和掌握新技能， 這些積極的體驗和成功的經歷使其在面對網絡挑戰時表現出更強的信心和能力。因此， 網絡好奇心不僅是青少年網絡行為的內在驅動力， 也是提升其網絡自我效能的關鍵因素。

5.3 "青少年網絡適應的跨時間穩定性

橫斷網絡比較分析表明， 網絡適應的總體強度在時間維度上表現出穩定性， 但其內部各成分的中心性以及部分邊線強度隨時間的推移發生變化。這一結果與現有文獻中提到的青少年網絡適應的過程性、階段性和復雜性相一致（王偉軍 等， 2021）， 強調了青少年在網絡環境中的適應狀態并非一成不變， 而是受多種因素的影響并可能隨時間而發生動態變化。此外， 網絡適應內部的動態變化揭示了網絡適應的可塑性。這種可塑性不僅體現在青少年網絡適應的個體差異上， 還表現在適應過程的多維度和多層次特征上。也即， 網絡適應各成分的中心地位以及成分之間的聯系可能在不同時間階段發揮不同的作用。因此， 網絡適應在時間維度上的動態變化也為進一步探討其內部成分之間的跨時間有向網絡關系提供了理論基礎。

網絡適應交叉滯后網絡模型的結果顯示， “網絡自我效能”在青少年網絡適應過程中具有最強的出預期影響， 表明其不僅影響青少年自身的網絡行為， 還在更廣泛的動態適應過程中發揮著關鍵作用。這種動態影響力體現在網絡自我效能對青少年如何選擇性地使用網絡資源（網絡自我控制和網絡信息搜索）、處理網絡互動（網絡人際交往）以及應對在線挑戰方面（網絡積極應對）的持久作用。因此， 網絡自我效能不僅是驅動個體網絡使用行為的基礎因素， 還是其長期網絡適應力和韌性的根本來源。結合上一段關于“網絡好奇心—網絡自我效能”關系的探討， 有理由做如下解釋：好奇心為青少年探索網絡空間提供了最初的心理動力， 激發其主動接觸新信息、發掘新資源的傾向。而網絡自我效能在這一過程中扮演了重要的轉化角色， 將青少年的探索動機轉化為有效的網絡適應行為。例如， 具備較高網絡自我效能的青少年更有可能在遇到網絡挑戰時展現出應對能力， 在網絡學習、信息檢索以及社交互動中表現得更加自信和適應（Wang et al.， 2022; Wang amp; Wu， 2008）。換言之， 網絡自我效能在青少年網絡適應過程中起著“總舵手”的作用， 引導他/她們更好地整合外部網絡資源與自身網絡需求。

“網絡學習能力”和“網絡信息搜索”具有最高的入預期影響， 意味著這兩個節點在T2的狀態受T1其他節點較多的影響， 是青少年網絡適應的重要“落腳點”。該結果也呼應了它們在整個網絡適應的發展中所處“適應持續”階段， 同時指明青少年的網絡學習能力和網絡信息搜索能力具備較強可塑性（王偉軍 等， 2021）。在數智化時代， 青少年面臨的信息環境復雜多樣， 既為網絡學習和信息搜索帶來了機遇， 也提出了新的挑戰。首先， 信息獲取的多樣性使得青少年可以隨時隨地訪問海量學習資源， 滿足個性化的學習需求。這種環境下， 青少年利用網絡平臺進行有效學習的能力尤為關鍵。通過提升網絡學習能力， 青少年可以更好地利用網絡資源進行自主學習和知識擴展， 形成一種終身學習的意識和習慣。然而， 信息的爆炸式增長也帶來了“信息過載”和“信息迷失”的問題， 青少年在面對海量信息時， 如何進行篩選、分析和判斷成為適應網絡環境的關鍵。這種背景下， 網絡信息搜索能力的提升不僅關乎信息的獲取效率， 更涉及到信息質量的把控與思辨能力的培養。具備良好的網絡信息搜索能力能夠幫助青少年有效地在網絡空間中提取有用信息， 并基于對信息的理解作出合理判斷， 從而避免被虛假或低質量信息誤導（Al-Maskari amp; Sanderson， 2011; De Simone et al.， 2022）。總之， 提升青少年的網絡學習能力和信息搜索能力不僅是對技術技能的培養， 更是對認知能力和思辨能力的全面塑造。

5.4 "青少年網絡適應與網絡成癮的關系

網絡適應與網絡成癮的交叉滯后網絡分析結果顯示， 網絡信息保護對網絡成癮網絡的直接影響最大。該結果主要源于網絡信息保護對網絡成癮網絡中“我會全神貫注于網際或在線服務活動， 并且在下網之后總念念不忘網事”和“我覺得需要花更多的時間在線上才能得到滿足”兩個節點的強負向預測作用。這表明網絡信息保護意識不僅影響個體的行為模式， 還會影響心理狀態。結合前文5.2對于“網絡信息保護?網絡積極應對”邊線的強連接的討論， 筆者認為在網絡適應網絡的不同階段， 網絡信息保護的作用有所差異。在初始階段， 網絡信息保護主要起到預防作用; 而在后續階段， 網絡信息保護能力則支持個體更好地實施網絡積極應對策略。因此網絡信息保護不僅在認知層面上增強了他/她們對網絡風險的敏感度和防范意識， 還在行為層面上促進健康網絡使用習慣的形成（Li et al.， 2019; Mamonov amp; Benbunan-Fich， 2018; van der Schyff amp; Flowerday， 2021）。

此外， 網絡適應網絡的節點對之后時間的網絡成癮的預測作用中， “網絡好奇心”的預測作用均為正向， 且同時指向了B1、B2和B8節點。該結果再次反映了網絡好奇心在青少年網絡適應過程中的“雙刃劍”作用。盡管好奇心通常被視為推動知識探索和技能學習的正面特質， 但在網絡使用中， 過高的好奇心可能促進了對網絡活動的不健康依賴， 加劇了網絡成癮的風險（Hsu et al.， 2009）。結合前文5.1對“網絡好奇心”和“網絡自我控制”的結果闡釋， 此處還存在另一種可能的解釋， 即個體較強的網絡好奇心如果未得到滿足， 這種對信息的需求會轉化為對即時獎勵的普遍渴望， 進一步可能引起放縱和成癮行為（Wiggin et al.， 2019）。總之， 在鼓勵青少年發展網絡好奇心的同時， 也應引導他/她們建立健康的網絡使用習慣， 以防止過度好奇心引發失控的網絡使用行為。

5.5 "不足與展望

本研究仍存在以下局限性：其一， 本研究的樣本僅來自湖北和湖南兩個地區， 可能影響結果的普遍性和外部效度。未來研究應擴大取樣范圍， 以涵蓋更多地區和不同社會經濟背景的青少年， 提高研究結果的代表性和普適性。其二， 本研究的數據全部來自于青少年的自我報告， 不可避免地帶來了社會贊許效應的影響。未來研究可考慮更直接的行為數據。其三， 當前研究僅選取了網絡成癮作為網絡適應的外部聯結， 可能未能全面覆蓋青少年網絡適應的各個方面。未來研究可引入更多元的指標， 如心理健康、學業表現和社會交往能力等， 以更全面評估青少年網絡適應情況對自身發展的影響。

6 "結論

本研究首次采用網絡分析方法深入探討青少年網絡適應的內外部性質。主要結論如下：

（1）青少年網絡適應具備動態性與階段性;

（2）網絡自我效能對總體網絡適應發展過程影響最強， 起“總舵手”作用;

（3）網絡好奇心在網絡適應過程中發揮“雙刃劍”作用， 過低會導致網絡自我效能的不足， 過高會引起網絡自我控制的缺乏;

（4）網絡學習能力和網絡信息搜索在網絡適應過程中受到最多的內部影響， 是青少年網絡適應的重要“落腳點”;

（5）網絡信息保護對網絡成癮的負向預測性最強， 是青少年網絡適應的“守護者”。

參 "考 "文 "獻

Al-Maskari， A.， amp; Sanderson， M. （2011）. The effect of user characteristics on search effectiveness in information retrieval. Information Processing amp; Management， 47（5）， 719?729.

Ajzen， I. （1985）. From intentions to actions： A theory of planned behavior. In Kuhl， J.， Beckmann， J. （Eds.）， Action control （pp. 11?39）. Springer.

Bandura A. （1977）. Self-efficacy： Toward a unifying theory of behavioral change. Psychological Review， 84（2）， 191?215.

Baumeister， R. F.， Vohs， K. D.， amp; Tice， D. M. （2007）. The strength model of self-control. Current Directions in Psychological Science， 16（6）， 351?355.

Bekkhus， M.， McVarnock， A.， Coplan， R. J.， Ulset， V.， amp; Kraft， B. （2023）. Developmental changes in the structure of shyness and internalizing symptoms from early to middle childhood： A network analysis. Child Development， 94（4）， 1078?1086.

Borsboom， D.， amp; Cramer， A. O. （2013）. Network analysis： An integrative approach to the structure of psychopathology. Annual Review of Clinical Psychology， 9（1）， 91?121.

Borsboom， D.， Deserno， M. K.， Rhemtulla， M.， Epskamp， S.， Fried， E. I.， McNally， R. J.， ... Waldorp， L. J. （2021）. Network analysis of multivariate data in psychological science. Nature Reviews Methods Primers， 1（1）， 1?18.

Bowler， L. （2010）. The self-regulation of curiosity and interest during the information search process of adolescent students. Journal of the Association for Information Science and Technology， 61（7）， 1332?1344.

Bringmann， L. F.， Elmer， T.， Epskamp， S.， Krause， R. W.， Schoch， D.， Wichers， M.， … Snippe， E. （2019）. What do centrality measures measure in psychological networks？. Journal of Abnormal Psychology， 128（8）， 892?903.

Bringmann， L. F.， amp; Eronen， M. I. （2018）. Don’t blame the model： Reconsidering the network approach to psychopathology. Psychological Review， 125（4）， 606?615.

Byrne， B. M. （Ed.） （2010）. Structural equation modeling with AMOS： Basic concepts， applications， and programming. Routledge.

Cai， Y.， Dong， S.， Yuan， S.， amp; Hu， C. P. （2020）. Network analysis and its applications in psychology. Advances in Psychological Science， 28（1）， 178?195.

[蔡玉清， 董書陽， 袁帥， 胡傳鵬. （2020）. 變量間的網絡分析模型及其應用. 心理科學進展， 28（1）， 178?195.]

Chen， J. W.， amp; Wang， T. （2003）. On social adaptation： Mental mechanism， structure and function. Journal of Educational Science of Hunan Normal University， 2（4）， 90?94.

[陳建文， 王滔. （2003）. 關于社會適應的心理機制、結構與功能. 湖南師范大學教育科學學報， 2（4）， 90?94.]

Curran， P. J.， West， S. G.， amp; Finch， J. F. （1996）. The robustness of test statistics to nonnormality and specification error in confirmatory factor analysis. Psychological Methods， 1（1）， 16?29.

De Simone， C.， Battisti， A.， amp; Ruggeri， A. （2022）. Differential impact of web habits and active navigation on adolescents’ online learning. Computers in Human Behavior Reports， 8， 100246. https：//doi.org/10.1016/j.chbr.2022.100246

Du， H.， Niyato， D.， Kang， J.， Xiong， Z.， Zhang， P.， Cui， S.， ... Kim， D. I. （2024）. The age of generative AI and AI-generated everything. IEEE Network. Advance online publication. https：//doi.org/10.1109/MNET.2024.3422241

Epskamp， S.， Borsboom， D.， amp; Fried， E. I. （2018）. Estimating psychological networks and their accuracy： A tutorial paper. Behavior Research Methods， 50（1）， 195?212.

Epskamp， S.， Cramer， A. O.， Waldorp， L. J.， Schmittmann， V. D.， amp; Borsboom， D. （2012）. Qgraph： Network visualizations of relationships in psychometric data. Journal of Statistical Software， 48（4）， 1?18.

Epskamp， S.， Waldorp， L. J.， M?ttus， R.， amp; Borsboom， D. （2018）. The Gaussian graphical model in cross-sectional and time-series data. Multivariate Behavioral Research， 53（4）， 453?480.

Friedman， J.， Tibshirani， R.， amp; Hastie， T. （2010）. Regularization paths for generalized linear models via coordinate descent. Journal of Statistical Software， 33（1）， 1?22.

Fruchterman， T. M.， amp; Reingold， E. M. （1991）. Graph drawing by force-directed placement. Software： Practice and Experience， 21（11）， 1129?1164.

Fumero， A.， Marrero， R. J.， Voltes， D.， amp; Pe?ate， W. （2018）. Personal and social factors involved in internet addiction among adolescents： A meta-analysis. Computers in Human Behavior， 86， 387?400.

Funkhouser， C. J.， Chacko， A. A.， Correa， K. A.， Kaiser， A. J.， amp; Shankman， S. A. （2021）. Unique longitudinal relationships between symptoms of psychopathology in youth： A cross-lagged panel network analysis in the ABCD study. Journal of child psychology and psychiatry， 62（2）， 184? 194.

Haslbeck， J. M. B.， amp; Fried， E. I. （2017）. How predictable are symptoms in psychopathological networks？ A reanalysis of 18 published datasets. Psychological Medicine， 47（16）， 2767?2776.

Haslbeck， J. M. B.， Borsboom， D.， amp; Waldorp， L. J. （2021）. Moderated Network Models. Multivariate Behavioral Research， 56（2）， 256?287.

Hsu， S. H.， Wen， M. H.， amp; Wu， M. C. （2009）. Exploring user experiences as predictors of MMORPG addiction. Computers amp; Education， 53（3）， 990?999.

Huang， Q.， Chen， C.， Luo， Y.， amp; Wu， H. （2021）. The mechanism and function of curiosity. Advances in Psychological Science， 29（4）， 723?736.

[黃騏， 陳春萍， 羅躍嘉， 伍海燕. （2021）. 好奇心的機制及作用. 心理科學進展， 29（4）， 723?736.]

Isvoranu， A.-M.， Epskamp， S.， Waldorp， L.， amp; Borsboom， D. （Eds.）. （2022）. Network Psychometrics with R： A Guide for Behavioral and Social Scientists. Routledge.

Jiang， Y. Z.， Bai， X. L.， A， Latanbagen.， Liu， Y.， Li， M.， amp; Liu， G. Q. （2016）. Problematic social networks usage of adolescent. Advances in Psychological Science， 24（9）， 1435?1447.

[姜永志， 白曉麗， 阿拉坦巴根， 劉勇， 李敏， 劉桂芹. （2016）. 青少年問題性社交網絡使用. 心理科學進展， 24（9）， 1435?1447.]

Li， J. （2013）. The mechanism of why self-control resources and cognitive resources influence each other： An integrated model. Advances in Psychological Science， 21（2）， 235?242.

[黎建斌. （2013）. 自我控制資源與認知資源相互影響的機制： 整合模型. 心理科學進展， 21（2）， 235?242.]

Li， L.， He， W.， Xu， L.， Ash， I.， Anwar， M.， amp; Yuan， X. （2019）. Investigating the impact of cybersecurity policy awareness on employees’ cybersecurity behavior. International Journal of Information Management， 45， 13?24.

Li， Y.， amp; Kwok， S. Y. （2023）. A longitudinal network analysis of the interactions of risk and protective factors for suicidal potential in early adolescents. Journal of Youth and Adolescence， 52（2）， 306?318.

Li， Y.， Zhong， B. L.， Liu， X. B.， Zhang， Y.， Zhu， J. H.， amp; Hao， W. （2012）. Reliability and validity of the Chinese version of self-rating Young’s diagnostic questionnaire of internet addiction： A preliminary study. Chinese Journal of Drug Dependence， 21（5）， 390?394.

[李毅， 鐘寶亮， 劉學兵， 張堯， 朱軍紅， 郝偉. （2012）. 自評Young氏網絡成癮診斷問卷中文版信效度的初步研究. 中國藥物依賴性雜志， 21（5）， 390?394.]

Lim， W. M.， Gunasekara， A.， Pallant， J. L.， Pallant， J. I.， amp; Pechenkina， E. （2023）. Generative AI and the future of education： Ragnar?k or reformation？ A paradoxical perspective from management educators. The International Journal of Management Education， 21（2）， 100790.

Loewenstein， G. （1994）. The psychology of curiosity： A review and reinterpretation. Psychological Bulletin， 116（1）， 75?98.

Mamonov， S.， amp; Benbunan-Fich， R. （2018）. The impact of information security threat awareness on privacy-protective behaviors. Computers in Human Behavior， 83， 32?44.

Moretta， T.， amp; Buodo， G. （2020）. Problematic Internet use and loneliness： How complex is the relationship？ A short literature review. Current Addiction Reports， 7， 125?136.

Muraven， M.， amp; Baumeister， R. F. （2000）. Self-regulation and depletion of limited resources： Does self-control resemble a muscle？ Psychological Bulletin， 126（2）， 247?259.

Neugnot-Cerioli， M.， amp; Laurenty， O. M. （2024）. The future of child development in the AI era： Cross-disciplinary perspectives between AI and child development experts. arXiv preprint. https：//doi.org/10.48550/arXiv.2405.19275.

Ordó?ez-Carrasco， J. L.， Sayans-Jiménez， P.， amp; Rojas-Tejada， A. J. （2023）. Ideation-to-action framework variables involved in the development of suicidal ideation： A network analysis. Current Psychology， 42（5）， 4053?4064.

Robinaugh， D. J.， Millner， A. J.， amp; McNally， R. J. （2016）. Identifying highly influential nodes in the complicated grief network. Journal of Abnormal Psychology， 125（6）， 747?757.

Ramos-Vera， C.， O'Diana， A. G.， Villena， A. S.， Bonfá-Araujo， B.， Barros， L. D. O.， Noronha， A. P. P.， Gómez-Acosta， A.， Sierra-Barón， W.， Gerymski， R.， Ogundokun， R. O.， Babatunde， A. N.， Abdulahi， A. T.， amp; Adeniyi， E. A. （2023）. Dark and Light Triad： A cross-cultural comparison of network analysis in 5 countries. Personality and Individual Differences， 215， 112377.

Ryan， R.M.， amp; Deci， E.L. （2000）. Intrinsic and extrinsic motivations： Classic definitions and new directions. Contemporary Educational Psychology， 25（1）， 54?67.

Ryan， T.， amp; Xenos， S. （2011）. Who uses Facebook？ An investigation into the relationship between the Big Five， shyness， narcissism， loneliness， and Facebook usage. Computers in Human Behavior， 27（5）， 1658?1664.

Tibshirani， R. （1996）. Regression shrinkage and selection via the lasso. Journal of the Royal Statistical Society Series B： Statistical Methodology， 58（1）， 267?288.

Urban， M.， Děchtěrenko， F.， Lukavsky， J.， Hrabalová， V.， Svacha， F.， Brom， C.， amp; Urban， K. （2024）. ChatGPT improves creative problem-solving performance in university students： An experimental study. Computers amp; Education， 215， 105031.

van Borkulo， C. D.， van Bork， R.， Boschloo， L.， Kossakowski， J. J.， Tio， P.， Schoevers， R. A.， … amp; Waldorp， L. J. （2023）. Comparing network structures on three aspects： A permutation test. Psychological Methods， 28（6）， 1273?1285.

Vance， A.， Anderson， B. B.， Kirwan， C. B.， amp; Eargle， D. （2014）. Using measures of risk perception to predict information security behavior： Insights from electroencephalography （EEG）. Journal of the Association for Information Systems， 15（10）. DOI： 10.17705/1jais.00375

van der Schyff， K.， amp; Flowerday， S. （2021）. Mediating effects of information security awareness. Computers amp; Security， 106， 102313.

Wang， F.， Ni， X.， Zhang， M.， amp; Zhang， J. （2024）. Educational digital inequality： A meta-analysis of the relationship between digital device use and academic performance in adolescents. Computers amp; Education， 213， 105003.

Wang， J. L.， Jackson， L. A.， Wang， H. Z.， amp; Gaskin， J. （2015）. Predicting social networking site （SNS） use： Personality， attitudes， motivation and internet self-efficacy. Personality and Individual Differences， 80， 119?124.

Wang， S.， amp; Wu， P. （2008）. The role of feedback and self-efficacy on web-based learning： The social cognitive perspective. Computers amp; Education， 51（4）， 1589?1598.

Wang， W.， Ye， J.， Dong， R.， Ma， S.， Huang， D.， amp; Zhao， X. （2025）. The adolescent Internet Adaptability Scale： Development and psychometric properties. Cyberpsychology： Journal of Psychosocial Research on Cyberspace， 19（1）. https：//doi.org/10.5817/CP2025-1-5

Wang， W. J.， Dong， R. C.， Huang， D. W.， amp; Zhou， Z. K. （2021）. Internet adaptation： Concept and model. Journal of Nanchang University （Humanities and Social Sciences）. 52（2）， 45?54.

[王偉軍， 董柔純， 黃大煒， 周宗奎. （2021）. 網絡適應：概念與模型. 南昌大學學報（人文社會科學版）， 52（2）， 45?54.]

Wang， Y.， Cao， Y.， Gong， S.， Wang， Z.， Li， N.， amp; Ai， L. （2022）. Interaction and learning engagement in online learning： The mediating roles of online learning self-efficacy and academic emotions. Learning and Individual Differences， 94， 102128.

Wang， Y.， Hu， Z.， Feng， Y.， Wilson， A.， amp; Chen， R. （2020）. Changes in network centrality of psychopathology symptoms between the COVID-19 outbreak and after peak. Molecular Psychiatry， 25（12）， 3140?3149. https：//doi.org/ 10.1038/s41380-020-00881-6

Wiggin， K. L.， Reimann， M.， amp; Jain， S. P. （2019）. Curiosity tempts indulgence. Journal of Consumer Research， 45（6）， 1194?1212.

Wysocki， A.， van Bork， R.， Cramer， A. O. J.， amp; Rhemtulla， M. （2022）. Cross-lagged network models. PsyArXiv preprint. https：//doi.org/10.31234/osf.io/vjr8z

Xie， M.， Li， F.， Luo， Y， H.， Ke， L.， Wang， X.， Wang， Y. （2022）. A developmental model of job burnout dimensions among primary school teachers： Evidence from structural equation model and cross-lagged panel network model. Acta Psychologica Sinica， 54（4）， 371?384.

[謝敏， 李峰， 羅玉晗， 柯李， 王俠， 王耘. （2022）. 小學教師職業倦怠維度發展順序探究——來自結構方程模型和交叉滯后網絡分析模型的證據. 心理學報， 54（4）， 371?384.]

Yang， Y.， Zhan， J.， Ni， Y.， Fan， Y.， Zhang， Y.， amp; Fang， Y. （2024）. The influence of adolescents’ internet adaptation on internet addiction： The mediating role of internet cultural adaptation. Frontiers in Psychiatry， 14， 1338343.

Zhang， S.， Zhao， X.， Zhou， T.， amp; Kim， J. H. （2024）. Do you have AI dependency？ The roles of academic self-efficacy， academic stress， and performance expectations on problematic AI usage behavior. International Journal of Educational Technology in Higher Education， 21（1）， 1?14.

Zhao， H.， Ji， A. T.， amp; Jin C. C. （2022）. The relationship between family function and adolescent Internet adaptation： A dual moderating model. Psychology： Techniques and Applications， 10（10）， 596?606.

[趙航， 計艾彤， 金燦燦. （2022）. 家庭功能與青少年網絡適應的關系：同伴關系和年齡的雙重調節作用. 心理技術與應用， 10（10）， 596?606.]

Zheng， F.， Khan， N. A.， amp; Hussain， S. （2020）. The COVID 19 pandemic and digital higher education： Exploring the impact of proactive personality on social capital through internet self-efficacy and online interaction quality. Children and Youth Services Review， 119， 105694.

Zhou， T.， amp; Zhang， C. （2024）. Examining generative AI user addiction from a CAC perspective. Technology in Society， 78， 102653.

The topological structure of adolescents’ internet adaptation：

A longitudinal tracking study

DONG Wanghao， ZHANG Jie， MENG Sujie， JIA Min， WANG Weijun

（Key Laboratory of Adolescent Cyberpsychology and Behavior （CCNU）， Ministry of Education; Key Laboratory of Human Development and Mental Health of Hubei Province; School of Psychology， Central China Normal University， Wuhan 430079， China）

Abstract

As the saying goes， “Survival of the fittest”. Nowadays， the Internet has become a critical channel for information acquisition， social interaction， and educational learning. Adolescents’ internet adaptation capabilities must be continuously improved to adapt to this rapidly developing information age. Internet adaptation is inherently a “multidimensional system” encompassing various stages and dimensions. However， there remains a gap in the research exploring the internal topological characteristics and functional mechanisms of internet adaptation. Consequently， this study aims to employ network analysis techniques to elucidate the core characteristics， internal structure， dynamic evolution， and relationships with external variables of adolescents’ internet adaptation through network analysis. This approach will offer a comprehensive framework for understanding adolescents’ successful adaptation in the digital age and provide scientific insights for preventing and intervening in adolescent internet addiction.

This study collected all data through paper-and-pencil questionnaires. At Time 1， valid data were obtained from 5783 participants （Males for 37.4%， Mage = 17.20 years， SD = 2.62）. Five months later， data from 1235 of these participants were tracked （Males for 38%， Mage = 14.98 years， SD = 1.66）. Based on the research objectives， we conducted cross-sectional network analysis， network comparison， and cross-lagged network analysis. All cross-sectional and cross-lagged network analyses were primarily conducted using R （V.4.3.2）. Network visualizations were created with the qgraph package （version 1.9.5）. The accuracy of edge estimates was assessed by performing 1000 bootstrap iterations to construct 95% non-parametric bootstrap confidence intervals for each edge.

In the cross-sectional network of internet adaptation， “Internet curiosity” is the node with the highest strength （1.18）. Network comparison results indicate no significant difference in the overall strength between the T1 （3.52） and the T2 network （3.79） （p = 0.120）， although the network invariance test result is significant （p lt; 0.001）. The cross-lagged network analysis shows that “Internet self-efficacy” has the strongest out-expected influence （0.60）， “Internet learning ability” and “Internet information searching” has the strongest in-expected influence （0.31 amp; 0.30）. Additionally， the cross-lagged network analysis of internet adaptation and internet addiction reveals that “Internet information protection capability” exhibits the strongest outgoing predictive ability.

The main conclusions are as follows： （1） Adolescent internet adaptation is characterized by its dynamic and staged nature; （2） Adolescents’ internet curiosity plays a multifaceted role in their internet adaptation process： insufficient curiosity can lead to low internet self-efficacy， while excessive curiosity can result in poor internet self-control; （3） Internet self-efficacy has the most significant impact on the overall development of internet adaptation， serving as the “primary driving force”. （4） Internet learning ability and internet information search receive the most internal influence， constituting the main “landing point” of adolescents’ internet adaptation. （5） Internet information protection is the strongest predictor of cross-cluster outgrowth of internet addiction networks， acting as a “guardian” of adolescents’ internet adaptation.

Keywords "adolescents， internet adaptation， internet addiction， topological structure， network analysis