由四川师范大学、成都中医药大学、深圳大学等多机构研究者合作完成的研究《通过网络分析揭示中国大学生心理健康症状的复杂交互作用：来自网络分析的洞见》于2025年发表在学术期刊《BMC Psychology》上。该研究的第一作者为来自成都中医药大学的樊文姝和深圳大学的张火垠，通讯作者为成都中医药大学的杜娟和四川师范大学的李俊一。

一、 学术背景与研究目标

本研究属于心理学与精神病学交叉领域，特别是心理健康流行病学与心理测量学范畴，并创新性地引入了心理病理学网络分析（Network Analysis）这一前沿方法。

随着高等教育普及和社会竞争加剧，大学生心理健康问题已成为全球性公共卫生关注焦点。研究背景指出，从高中到大学的过渡期伴随着社会、学业和个人生活的重大变化，导致压力和心理困扰增加。在中国，高校扩招以及学术、职业成功的压力加剧了大学生心理问题的普遍性。一项针对69项研究的荟萃分析（meta-analysis）发现，中国大学生抑郁总体患病率高达30.39%。传统的心理健康研究通常采用临床访谈或自评量表，将症状视为潜在心理障碍的被动指标。这种方法存在局限，例如假设症状可以互换，忽略了每个症状在心理问题发展、维持中的独特作用，且未能充分考虑症状间随时间的动态相互作用。

近年来，网络分析作为一种新颖的框架兴起，它将心理障碍概念化为相互作用的症状构成的复杂系统。在这个框架中，症状被视为能够相互直接影响的主动因素。例如，失眠可能导致疲劳，进而引发注意力问题，形成一个维持整体综合征的恶性循环。网络分析方法具有多个优势：首先，它允许研究者检查症状间的复杂相互作用，洞察心理障碍的结构和动态；其次，通过将症状可视化为网络中的节点（node），将其关联可视化为边（edge），可以识别对整体网络有强影响力的核心症状，这些核心症状可能成为干预的潜在靶点；此外，网络分析还能帮助识别特定症状集群或社群（community），这对于理解心理问题的异质性及发展个性化治疗方案具有重要意义。

尽管已有研究将网络分析应用于成人、青少年及特定临床人群，但在中国文化背景下针对大学生群体，特别是探讨心理健康症状网络性别差异的研究仍然匮乏。已有研究显示，大学生中普遍存在抑郁、焦虑等症状，且女性通常报告更高的抑郁、焦虑和压力水平。然而，性别差异在症状网络结构中的具体表现尚不清楚。

因此，本研究旨在填补上述空白，其具体目标为：1. 调查中国大学生心理健康症状网络的结构与动态；2. 识别可能作为干预潜在靶点的核心症状；3. 探讨在经历严重心理困扰的学生群体中，心理健康症状网络的性别差异。研究者期望通过从大规模中国大学生样本中收集广泛的心理健康症状数据，并运用正则化偏相关网络（regularized partial correlation networks）和中心性指数（centrality indices）等先进网络分析技术，为理解该人群心理健康问题的复杂本质提供更全面的视角，并为制定有效的、性别敏感的干预策略提供依据。

二、 详细研究流程

本研究是一项横断面研究，其详细工作流程包含以下几个主要步骤：

步骤一：数据收集与样本构成 研究数据集来源于成都一所医科大学学生心理健康教育中心在2020年至2023年间，依据国家新生入学政策每年进行的心理评估数据。所有入学新生均需在选课前完成在线筛查问卷。四年间共收集问卷18,744份。排除115份未完成问卷的数据后，最终纳入分析的样本量为18,629名大一新生。其中男性6,267人（33.6%），女性12,362人（66.4%）。样本覆盖不同学科，人口学特征（如家乡、是否独生子女、学历层次、民族）均在报告中详细列出。基于评估结果，46.9%的学生显示出不同程度的心理问题：18.9%存在潜在心理困扰，17.5%为轻度心理困扰，10.5%为重度心理困扰。

步骤二：测量工具 研究采用的主要心理测量工具是《中国大学生心理健康筛查量表》。该量表包含96个项目，采用4点计分（1=“完全不像我”至4=“非常像我”）。量表具有两层等级结构：第一层包含三个主要维度：严重心理问题、一般心理问题、发展性困扰；第二层进一步细分为22个具体指标。其中，“一般心理问题”维度又分为内化心理问题（含焦虑、抑郁、偏执、自卑、敏感、社交恐惧、躯体化7个指标）和外化心理问题（含依赖、敌对攻击、冲动、强迫、网络成瘾、自伤行为、进食问题、睡眠困扰8个指标）。每个指标得分由其组成项目的得分加总，得分越高表示该领域心理问题越严重。该量表在先前研究中显示出良好的信度，克龙巴赫α系数为0.892。

步骤三：网络分析与数据统计 研究者遵循了网络分析的报告指南。具体的分析流程包括： 1. 网络估计（Network Estimation）：采用高斯图模型（Gaussian Graphical Model, GGM）估计样本中每对节点（即22个心理指标）之间的成对关联参数。然后，使用最小绝对收缩和选择算子（Least Absolute Shrinkage and Selection Operator, LASSO）对估计的网络进行正则化（regularization）。LASSO方法通过将许多边的偏相关系数收缩为零，促进稀疏的边结构，从而更准确地识别底层网络结构。收缩程度和选择算子由扩展贝叶斯信息准则（Extended Bayesian Information Criterion, EBIC）确定。 2. 边估计的准确性与稳定性检验：为确保结果的可靠性，研究使用bootnet包（版本1.6）进行了非参数自助法（nonparametric bootstrapping），抽取了1,000个自助样本，以评估边估计的准确性。 3. 组间比较（Group Comparison）：为探索心理健康维度网络的性别差异，研究比较了男性和女性两个子样本的网络。使用networkcomparisontest包（版本2.2.2）进行了包含5,000次迭代的置换检验（permutation test）。检验包括两部分：网络结构的全局不变性（global invariance）和网络整体强度（overall strength）的全局不变性。此外，还进行了局部不变性检验，检查两个网络之间边权重和节点中心性指数的差异，并使用Holm-Bonferroni算法进行校正。 4. 中心性指数计算：为衡量节点在网络中的影响力，本研究采用“预期影响力指数”（expected influence index），而非传统的强度中心性（strength centrality）。因为预期影响力指数考虑了节点间的负相关，在存在负边的网络中，能比传统强度中心性更准确地反映节点间关系。 5. 聚类检测（Clustering）：为探索网络内连接更紧密的潜在亚组，研究采用了鲁汶算法（Louvain algorithm）进行社群检测。该算法通过寻找网络内部由高度互连的拓扑群组所代表的模块，来检测高质量的社群。在网络可视化中，不同颜色的节点代表不同社群。 6. 统计软件：所有分析均使用R语言（版本4.4.1）完成。网络估计使用bootnet包的estimateNetwork函数，可视化使用qgraph包（版本1.9.8），网络比较使用networkcomparisontest包（版本2.2.2），聚类分析使用igraph包（版本2.1.1）。

步骤四：伦理审查 本研究遵循《赫尔辛基宣言》，并获得四川省心理学会伦理审查分委员会的批准（编号：2024029）。所有参与者在研究前均提供了知情同意，确保了匿名性和保密性，并被告知参与是自愿的。

三、 主要研究结果

1. 描述性统计与网络可视化 研究首先报告了22个心理指标变量的描述性统计（均值、标准差、偏度、峰度及预期影响力）。网络可视化显示，全样本网络包含149条非零权重边，平均绝对边权重为0.052，网络密度为64.5%。男性网络有126条非零权重边（平均绝对边权重=0.049，密度54.5%），女性网络有131条非零权重边（平均绝对边权重=0.049，密度56.7%）。研究者使用Fruchterman-Reingold算法进行可视化，使连接更强的节点距离更近。边权重范围从-0.079（敏感性-自伤行为）到0.463（就业压力-学业压力），蓝色边表示正相关，红色边表示负相关，边的粗细和颜色深度代表权重大小。

2. 核心症状识别 在全样本网络中，中心性最高的节点（即预期影响力指数最大的症状）依次是：抑郁、自卑、焦虑、偏执和冲动。在男性网络中，核心症状为：自卑、抑郁、焦虑、偏执和依赖。在女性网络中，核心症状为：抑郁、自卑、焦虑、偏执和冲动。这一结果表明，自卑、抑郁和焦虑在男女生的症状网络中均占据高度中心位置，提示它们在整个心理困扰系统中具有强大的统计关联和潜在影响力。

3. 社群检测结果 社群检测在全样本网络中识别出三个高度相关的症状社群，用不同颜色表示。最大的社群包含9个节点，最小的包含6个节点。这些社群代表了有组织的症状共现模式，被解释为具有意义的心理构念：情绪失调、认知困扰和行为表现。这挑战了将心理健康问题视为单一构念的观点。

4. 性别差异比较 网络比较检验揭示了男女生网络之间存在显著差异： - 整体网络强度：女性学生网络的整体连接强度显著高于男性（女性全局强度=12.713，男性=12.000，差异=0.713，p=0.031）。这表明女性症状网络中的关联更强，可能意味着女性对症状“传播”效应更脆弱。 - 网络结构：男女生网络结构存在显著差异（M = 0.066， p = 0.030）。 - 节点预期影响力：学业压力、亲密关系困扰、抑郁和依赖这四个节点的预期影响力值在性别间存在显著差异。 - 特定边（连接）差异：仅在“网络成瘾-依赖”这一条边上发现了显著的性别差异（p=0.046，实际差异=0.061），在男性网络中该连接更强。

5. 准确性与稳定性 自助法结果显示，边权重的置信区间较窄，且中心性指数的稳定性系数（CS-coefficient）达到0.75，表明估计的网络具有较高的准确性，节点中心性指数具有良好的稳定性。

四、 结论与研究意义

本研究通过网络分析揭示了中国大学生心理健康症状间存在复杂的相互作用模式。主要结论如下： 1. 自卑、抑郁和焦虑是大学生心理健康症状网络中的核心症状，具有最高的中心性，可能是维持心理困扰系统的关键因素和干预的潜在靶点。 2. 学业压力与就业压力之间显示出最强的正相关连接（边权重=0.463），表明这些压力可能相互强化，形成维持心理困扰的反馈循环。 3. 症状网络中存在三个不同的社群（情绪、认知、行为），提示心理困扰以有组织的方式集结，这对理解问题的异质性和设计干预有启示。 4. 男女生在严重心理困扰组中的症状网络存在显著差异，尤其在整体连接强度和特定症状关联（如网络成瘾与依赖）上。女性网络更高的连接性可能部分解释了女性内化障碍患病率更高的现象。

本研究的科学价值在于，它为中国大学生心理健康的理解提供了网络理论视角的实证支持，超越了传统的潜变量模型。通过识别核心症状、症状社群和性别特异性模式，研究深化了对心理问题内在结构和动态的理解。应用价值则体现在为高校心理健康教育和临床干预提供了新的思路：建议评估和干预应重点关注自卑、学业/就业压力等核心症状和强连接；针对男女生不同的网络结构，应考虑制定性别敏感和个性化的干预策略，例如针对男性更强的“网络成瘾-依赖”连接进行干预；高校心理咨询中心可以将识别出的“桥梁症状”作为早期预警指标，并考虑将学业支持服务与心理健康干预相结合。

五、 研究亮点与局限性

亮点： 1. 方法新颖：首次在大规模中国大学生样本中系统应用心理病理学网络分析方法，探索症状间相互作用及性别差异。 2. 样本量大：基于超过1.8万人的新生普查数据，结果具有较好的统计效力。 3. 发现独特：揭示了自卑在中国文化背景下大学生心理困扰网络中的核心作用，以及学业-就业压力连接的强度，体现了文化特异性。 4. 临床启示强：明确指出了潜在的核心干预靶点和性别差异化干预的必要性。

局限性： 1. 横断面设计：无法确定症状间的因果关系或网络结构随时间的动态变化。 2. 样本单一：数据来自成都一所医科大学，可能限制研究结果向其他地区、其他类型高校或更广泛文化背景的普适性。 3. 自评量表：依赖自我报告，可能存在共同方法偏差。 4. 网络解释需谨慎：识别出的连接是统计关联，不一定是因果或机制性联系，其临床效用需未来干预研究验证。

六、 未来方向

研究者建议未来研究应通过以下方向深入：开展纵向网络研究或利用生态瞬时评估来探究症状相互作用的时程动态；进行跨文化比较研究以检验当前发现的普适性；整合行为测量、临床访谈等多源数据以提高网络估计的稳健性；探究针对已识别核心症状的干预如何改变网络结构，以验证网络分析在临床实践中的应用价值。