Addict Behav。 2018 Feb 12; 81:157-166。 doi:10.1016 / j.addbeh.2018.02.017。
Ioannidis K.1, 特雷德MS2, 张伯伦SR1, 基拉伊F.3, Redden SA4, 斯坦因DJ5, Lochner C6, 格兰特JE7.
抽象
背景和目的:
有问题的互联网使用(PIU;也称为网络成瘾)是现代社会中日益严重的问题。 对PIU相关的人口统计变量和特定互联网活动知之甚少,对PIU如何概念化的理解有限。 我们的目标是确定与PIU相关的特定互联网活动,并探索年龄和性别在这些协会中的调节作用。
方法:
我们通过媒体广告在两个地点,一个在美国,一个在南非,通过媒体广告招募了1749及以上年龄的18参与者; 我们利用Lasso回归进行分析。
结果:
特定的互联网活动与较高的问题互联网使用评分相关,包括一般冲浪(套索β:2.1),互联网游戏(β:0.6),在线购物(β:1.4),使用在线拍卖网站(β:0.027),社交网络(β:0.46)和使用在线色情内容(β:1.0)。 年龄缓解了PIU与角色扮演游戏(β:0.33),在线赌博(β:0.15),使用拍卖网站(β:0.35)和流媒体(β:0.35)之间的关系,而年龄越大则年龄越高。 PIU的水平。 没有确凿的证据表明性别和性别×网络活动与有问题的互联网使用分数相关。 注意缺陷多动障碍(ADHD)和社交焦虑症与年轻参与者的PIU得分较高(年龄分别≤25,β:0.35和0.65),而广义焦虑症(GAD)和强迫症(OCD)分别与年龄较大的参与者的PIU分数较高相关(年龄> 55,β:分别为6.4和4.3)。
结论:
许多类型的在线行为(例如购物,色情,一般冲浪)与不适当使用互联网的关系比支持将有问题的互联网使用的诊断分类作为多方面障碍的游戏更强。 此外,与有问题的互联网使用相关的互联网活动和精神病诊断因年龄而异,具有公共卫生影响。
关键词: 行为成瘾; 网络成瘾; 网络游戏障碍; 套索; 机器学习; 有问题的互联网使用
结论:29459201
作者: 10.1016 / j.addbeh.2018.02.017
1
介绍
有问题的互联网使用(PIU;也称为网络成瘾),是全球现代社会的公共卫生问题。 PIU的流行病学尚不清楚(
; )报告的点流行率估计值范围很广(从1%到36.7%),这可能不仅反映了人口差异,还反映了评估工具的多样性和PIU行为的不同操作定义。 DSM-5强调互联网游戏障碍是有待进一步研究的条件(),特别是排除了其他基于互联网的活动,例如赌博和社交媒体的使用,尽管有越来越多的证据表明有问题的互联网使用是一个多方面的问题,而不仅仅是在线游戏(; ;)。 许多不同的在线行为被描述为过度使用时会损害正常功能,包括在线游戏和大型多人在线角色扮演游戏(;;;;;),在线赌博(;),在线购物(; ;),查看色情内容(;;),频繁检查电子邮件,即时消息(;;)和过度使用社交媒体(;)。 在线行为还可能引起个人身体健康(;)或为犯罪行为打下基础()。 冲动和强迫特征可能是有问题的互联网行为的基础(;;;;),而特定的互联网活动已与精神疾病联系在一起。 例如,在线购物与抑郁和ho积(
).
年轻人和学生被认为最容易受到PIU的影响(
; ; ; ; ),但中年和老年人口尚未得到全面调查。 年轻时代与有问题的网上购物有关(;)。 然而,有许多研究发现成人人群中有问题的互联网活动,包括过度的互联网购物(
)。 总体而言,有问题的互联网使用的自然历史仍然未知,PIU整体或不同的有问题的在线行为可能存在年龄相关的差异。
PIU被认为具有男性优势(
; 并且在亚洲男性青年中可能更为普遍,但女性也可能是脆弱的(;)。 在临床水平上,大多数PIU研究仅包括男性参与者(),并且尚不清楚女性临床人群是否可能未被充分研究。 观察性研究中有一些证据表明,男性和女性在网络环境中的运作方式与他们选择的活动及其负面后果不同(;)。 过度使用聊天和社交媒体与年轻学生的女性性别有关((;;; S)。 女性也已被确定为有问题的网上购物的预测因子(),但也有相反的报道(;)。 在线游戏与男性性别()有关,但两种性别()都报道了大型多人在线角色扮演游戏。 据报道,在线色情以及在线赌博在成年男性中更为常见(但是,有人认为,奖励强化,提示反应和对网络性的渴望在两性中都是相似的()。 具有上瘾潜力的社交媒体的特定平台,例如像Facebook这样的网络站点,被两性都使用,并且有人认为女性可能特别危险()。 总体而言,PIU方面可能存在性别差异; 或者,一旦考虑到临床和行为特征/混淆,两种性别都会受到类似的影响(;;
).
总体而言,有问题的互联网使用,包括各种有问题的互联网行为,需要进行更严格的调查,以便明确哪些特定活动应被视为有问题或功能失调,或者通常会导致称为PIU的现象。 年龄和性别缓和特定互联网活动与PIU之间关系的方式已被充分考虑,需要更多关注。
我们的目标是确定与PIU统计相关的特定互联网相关活动,以及是否存在与年龄或性别相互作用来缓和这些关系。
2
材料与方法
2.1
设置和措施
关于这项研究的背景和措施的更多细节也在我们之前关于PIU的出版物中有所描述(
)。 报告本研究的方法遵循STROBE指南(
)。 目前的研究是从1月2014-February 2015进行的。 18年龄及以上的个体在两个地点招募:芝加哥(美国)和斯泰伦博斯(南非)使用互联网广告(平均年龄29 [18-77]; 1119男性[64%]; 1285高加索人[73%])。 这些广告要求个人参加有关互联网使用的在线调查。 参与者使用Survey Monkey软件匿名完成了调查。 调查是通过Craigslist发送的,因此只有来自特定区域的参与者才成为目标。 该研究得到了每个研究站点的机构审查委员会的批准。 参与者没有获得参加补偿,但参加了随机抽签,其中有五个奖项,每个奖项在美国的50和$ 200之间,在南非的ZAR250和ZAR750之间有三个奖项。
在线调查包含有关每个人的年龄,性别,种族,人际关系,性取向和教育背景的问题,以及针对特定互联网活动的各种衡量指标。 我们测量了许多不同的互联网活动,包括1)一般冲浪2)总计互联网游戏3)在线角色扮演游戏(RPG)4)浪费时间/技能的游戏(即iPod / iPad /手机上的应用,俄罗斯方块,珠宝)5 )在线多人游戏(即使命召唤,战争机器)6)在线购物7)拍卖网站(例如Ebay)8)在线赌博9)社交网络10)在线体育(例如Fantasy体育,ESPN)11)色情/性别在互联网上12)消息传递/博客(即AIM,Skype)和13)在视频/媒体流中(例如YouTube,Hulu)。 该调查还包括临床措施:互联网成瘾测试(IAT)(
)提供一种适应不良互联网使用的措施; 选择迷你国际神经精神访谈(MINI)模块()来识别可能的社交焦虑症(SAD),广泛性焦虑症(GAD)和强迫症(OCD); 成人ADHD自我报告量表症状检查表(ASRS-v1.1)()用于识别注意力缺陷多动障碍(ADHD)症状; 帕多瓦清单(PI)()用于识别强迫症倾向; 和Barratt冲动量表(BIS-11)来量化冲动性格(
)。 所有变量的描述性统计数据按补充表S1a中的年龄进行汇总和分层。
IAT包含检查PIU方面的20问题。 IAT范围从20到100,20-49反映了轻度互联网使用,50-79适度上网,80-100反映了严重的互联网使用。 PI由评估常见强迫行为的39项目组成。 BIS-11是一份自我报告调查问卷,用于确定冲动水平。
我们进行了主成分分析(PCA),以识别互联网活动的一些成分是否能够解释差异的很大部分。 但是,该分析表明,我们需要11个组成部分中的13个以上才能实现> 90%的方差,这表明互联网活动变量的很大一部分对方差具有独特的贡献。 因此,我们决定在分析中分别使用每个变量。
分析中仅包含完成整个在线调查的参与者的数据,包括互联网活动度量。 原始样本包括2551个人。 63个人因为缺乏IAT分数而被排除在外。 另有18个人因报告变性性别而被排除在外,还有459个人因缺少重要的预测变量(例如PI或BIS问卷评分)而被排除在外。 五名个人由于年龄小于18岁而被排除在外。 由于缺少互联网活动措施,另外有257个人被排除在外。 最终的完整样本包括1749个人,所有变量的总分均为满分。 排除过程的最后一步解释了本研究与
。 最终的完整名单包括来自Stellenbosch网站的1063个人和来自芝加哥网站的686个人。 使用8.5或更高的IAT截止值,PIU的估计点患病率为〜50%。 比较两个研究地点的人口,斯泰伦博斯地点的参与者较年轻[平均(范围)24.3(18-76)vs 36.3(18-77),ANOVA F <0.05, η 2 :0.20],男性性别比例较低[58%vs 73%, χ 2 <0.05, φ :0.15],异性性取向的比例较高[91%vs 84%, χ 2 <0.05, φ :0.10],ADHD发病率较高[50%vs 41% χ 2 <0.05, φ :0.9],较低的在线购物率[平均(范围)0.48(0–5)与1.27(0–5),ANOVA F <0.05, η 2 :0.18]和更低的IAT分数[平均值(范围)30.3(20–94)和35.9(20–85),ANOVA F <0.05, η 2 :0.06]。 补充表S1b中提供了更详细的比较。 招聘和排除过程以图形方式呈现在 图。 1 。 标准化所有连续变量(即BIS得分)以增加模型系数的可解释性。 预测方法使用IAT分数作为数值变量(范围20-94,平均32.48)。 所有分析均在R Studio版本3.1.2中进行。 Lasso广义线性模型使用“glmnet”包(包glmnet版本2.0-5)执行(
))。 有关分析过程的更多详细信息,请参阅补充文件(方法学附录)。
2.2
探索相关性
我们探索了数据中变量之间的相关性(参见 图。 2 )。 所有不同的互联网活动与IAT得分均呈弱正相关(Pearson相关系数范围为0.23–0.48)。 确定了互联网活动变量之间的一些适度正相关关系,即互联网游戏和RPG的总量(r = 0.57),互联网游戏和动作多人游戏的总量(r = 0.55),在线购物和拍卖网站的使用(r = 0.55),一般冲浪购物(r = 0.44),一般冲浪和社交网络(r = 0.44),一般冲浪和流媒体(r = 0.44)。 体育与色情(r = 0.38),男性与体育(r = 0.30)或色情(r = 0.39)或多人游戏(r = 0.27)之间呈弱正相关。 在线赌博与动作多人游戏(r = 0.41),RGP(r = 0.32),拍卖网站(r = 0.38),体育(r = 0.38)或色情(r = 0.39)之间的相关性较弱。 冲动性与一般冲浪,在线购物,使用拍卖网站,社交网络,流媒体和色情内容呈弱正相关(0.2≤r≤0.3)。 老年人与购物活动(r = 0.33)或使用拍卖网站(r = 0.22)之间以及非异性恋性取向和色情内容(r = 0.22)之间也存在弱相关性。 互联网活动与年龄,性别,关系状况,性取向,教育程度,种族以及冲动性和强迫性水平之间的所有其他相关性都很弱(-0.2 <r <0.2)。
2.3
处理过度拟合
对于我们的统计方法,我们使用的模型包括人口统计学变量(年龄,种族,教育水平,性别,关系状态,性取向),临床特征(ADHD诊断,GAD,社交焦虑和强迫症),已知与行为有关的行为维度PIU(冲动和强制性),互联网活动和互联网活动之间的互动条件×年龄或性别; 后者决定检验年龄或性别缓和互联网活动与有问题的互联网使用分数之间关系的假设。 我们包括了总共51预测变量。 通过包含大量变量,我们针对的模型更准确,同时捕获人口统计和互联网活动变量之间复杂的相互作用。 然而,具有许多预测变量的缺点是这通常导致过度拟合伴随着大系数。 此外,样本内线性回归也倾向于过度拟合,尤其是在复杂模型中,并且在对新数据进行预测时存在根本缺陷。 有大量证据表明过度拟合模型的缺点(
)。 为了处理过度拟合,我们讨论了使用样本外统计方法(交叉验证)来估计模型的泛化和预测误差(
)。 当我们使用均方根误差的样本外交叉验证估计以及变量的向后选择来检验模型是否通过在模型中添加大量变量而改善时,我们在当前数据中探索了这种方法。与可能的预测变量组合的子集相比,与更复杂的模型(包括> 13个变量)相比,在交叉验证的RMSE方面,稀疏模型(即具有约16至16个变量)并不逊色。 探索性显示 图。 3 (左上方)。
2.4
通过稀疏性约束来规范回归
由于前一段中提到的原因,我们希望使用一种不会过度拟合的预测方法,同时在预测PIU分数方面与标准统计方法相当。 如果我们的方法也可以进行变量选择(即通过减少具有非零系数的预测变量的数量),以便有助于模型的可解释性,这也是有价值的。 正则化,最初由Tikhonov设计来求解积分方程(
并且后来在统计科学中引入了具有一些所需的上述特性,即将模型构造转向稀疏性并减少过度拟合()。 Lasso(具有惩罚最大似然的广义线性模型,称为使用最小绝对收缩和选择算子(Lasso或LASSO())的回归)是一种正规化和回归分析方法,现在经常用于医学科学(;)并且有可能用于精神病学临床预测模型(RC)。 岭回归是正则化线性回归的另一种形式,它通过引入系数惩罚()来收缩系数。 弹性网是脊和套索之间的中间模型,其罚分由α控制,α桥接了Lasso(α= 1)和脊(α= 0)之间的间隙。 调整参数λ控制惩罚的整体强度。 Lasso使用L1惩罚,而Ridge使用L2惩罚。 与岭回归相反,Lasso L1惩罚的影响是大多数系数被驱动为零,导致同时稀疏的正则化解。 通过这种机制,Lasso执行变量选择,这可以大大简化解释,特别是如果模型中涉及许多预测变量。 另一种以高精度和避免过度拟合而着称的非标准方法是随机森林(
)。 随机森林是一种机器学习方法,可以很好地对抗非线性依赖关系,因此,探索该模型的性能可以让我们洞察复杂的关联,可能是“隐藏”。
2.5
预测方法
为了在我们的分析中选择合适的模型,我们使用了交叉验证的RMSE样本外估计,将线性回归,岭回归,弹性网,套索和随机森林模型相互比较,并与原始基线进行了比较。 我们的交叉验证包括在训练和测试集中随机分割数据,调整训练集中的模型参数以及对测试集中的IAT分数做出预测。 由于将数据拆分为多个数据的随机性,我们重复此过程50次,以获得稳定且可复制的估计。 然后,我们使用精确Wilcoxon-Pratt签名秩检验比较了RMSE分数的最终向量。 所有模型均显着优于单纯的基线(p校正<0.001,Cohen d = -0.87)(参见补充表S2)。 补充表S3中列出了RMSE分数的摘要统计信息。 套索和弹性网优于岭回归(p校正的<0.01,d = 0.51,d = 0.49)和线性回归(p校正的<0.001,d = 0.76),彼此之间无统计学差异(p校正的> 0.05, d = -0.08)。 随机森林不优于套索(p = 0.12)或弹性网(p校正> 0.05)。 因此,在我们的分析中,我们使用了Lasso,因为除了具有出色的样本外预测性能外,Lasso还能够通过将系数缩小为零并因此提高解释性来执行变量选择。 尽管弹性网也可以执行变量选择,但是它倾向于选择更多的变量,尽管它是一个更复杂,功能更强大的模型,但它的性能并没有比套索好得多。 在最终分析的完整数据和子组分析中,我们使用10倍交叉验证为每个套索模型生成最佳lambda,并报告由这些模型生成的系数。 完整数据分析得出的解释图在 图。 3 .
3
成果
Lasso回归结果总结在整个样本中,并按年龄分层 表1和2 。 亚组分析结果的完整表格,包括按年龄和研究地点分层,在线补充表(表S4-S10)中列出。 数据的探索图显示在补充图中(图S1-S3)。 来自更标准的线性回归统计方法的结果也在补充表S4-S10中给出,并且与下面给出的主要结果相比的结构推断的任何差异都取决于另一个模型的选择。
互联网活动 | 全部(n = 1749) | 18≤年龄≤25(n = 1042) | 26≤年龄≤55(n = 592) | 年龄> 55(n = 115) |
---|---|---|---|---|
一般冲浪 | 2.100 | 2.400 | 1.500 | 0.590 |
网络游戏 | 0.600 | 0.450 | 0.110 | 0.000 |
RPG | 0.000 | 0.000 | 0.710 | 0.000 |
浪费时间的人 | 0.000 | 0.000 | 0.000 | 0.450 |
动作多人游戏 | 0.000 | 0.000 | 0.000 | 0.000 |
购物 | 1.400 | 0.840 | 1.500 | 0.000 |
拍卖网站 | 0.027 | 0.000 | 0.990 | 0.230 |
赌博 | 0.000 | 0.000 | 0.780 | 0.000 |
社交网络 | 0.460 | 0.000 | 1.300 | 0.000 |
运动 | 0.000 | 0.000 | 0.000 | 0.000 |
色情 | 1.000 | 1.400 | 0.210 | 0.000 |
消息 | 0.000 | 0.000 | 0.110 | 0.000 |
流媒体 | 0.000 | 0.000 | 0.000 | 1.200 |
帕多瓦 | 0.074 | 0.085 | 0.029 | 0.065 |
BIS验证 | 0.066 | 0.048 | 0.072 | 0.086 |
多动症诊断 | 1.700 | 0.350 | 3.100 | 0.000 |
GAD诊断 | 0.230 | 0.000 | 0.000 | 6.400 |
社交焦虑诊断 | 0.000 | 0.560 | 0.000 | 0.000 |
OCD诊断 | 0.270 | 0.000 | 0.000 | 4.300 |
互联网活动 | 全部(n = 1749) | 18≤年龄≤25(n = 1042) | 26≤年龄≤55(n = 592) | 年龄> 55(n = 115) |
---|---|---|---|---|
人口统计变量 | 0.000 | 0.000 | 0.000 | 0.000 |
性别×任何互联网活动 | 0.000 | 0.000 | 0.000 | 0.000 |
年龄×一般冲浪 | 0.000 | – | – | – |
年龄×网络游戏 | 0.000 | – | – | – |
年龄×RPG | 0.330 | – | – | – |
年龄×时间浪费 | 0.000 | – | – | – |
年龄×动作多人游戏 | 0.000 | – | – | – |
年龄×购物 | 0.000 | – | – | – |
年龄×赌博 | 0.150 | – | – | – |
年龄×拍卖网站 | 0.350 | – | – | – |
年龄×社交网络 | 0.000 | – | – | – |
年龄×体育 | 0.000 | – | – | – |
年龄×色情 | 0.000 | – | – | – |
年龄×消息 | 0.000 | – | – | – |
年龄×流媒体 | 0.350 | – | – | – |
3.1
人口统计
在套索回归中,没有任何变量,包括年龄,性别,种族,教育程度,关系状态或性取向,与任何年龄组的PIU或完整数据相关。
3.2
互联网活动
在完整数据Lasso回归中,许多互联网活动与PIU得分较高相关,包括一般冲浪(β:2.1),互联网游戏(β:0.6),在线购物(β:1.4),拍卖网站的使用(β: 0.027),社交网络(β:0.46)和在线色情内容的使用(β:1.0)。 PIU与角色扮演游戏(RPG),在线赌博,使用拍卖网站和使用流媒体之间的关系按年龄进行了调节(分别为β:0.33、0.15、0.35和0.35),年龄越大,PIU得分越高。 在年龄亚组分析中(年轻参与者年龄≤25,中年参与者25 <≤55;年龄较大的参与者> 55),在所有年龄段中,一般冲浪与PIU相关,但在年轻人中则更为强烈(β:2.4) ,中年人(β:1.5)较少,而老年参与者(β:0.59)则更少。 在互联网游戏(三个年龄段的β:分别为0.45、0.11和0.0)和使用在线色情内容(β:1.4、0.21和0.0)中也观察到了类似的趋势。 与其他年龄组相比,中年参与者的一些互联网活动(例如使用在线角色扮演游戏)与PIU的关联更紧密(β:0.71)。 在线赌博(β:0.78),即时消息(β:0.11)和在线社交网络(β:1.3)也是如此。 拍卖网站的使用与中年参与者的PIU关联也更强(β:0.99),但对年长参与者的预测性也更高(β:0.23)。 在线媒体的流式传输和浪费时间的使用与年龄较大的参与者的PIU相关(分别为β:1.2、0.45),但在其他任何年龄段中均没有。
3.3
临床和行为特征
注意力缺陷多动障碍(ADHD)(β:1.7),广泛性焦虑症(GAD)(β:0.23)和强迫症(OCD)(β:0.27)的症状与较高的PIU评分相关。 在年龄 - 亚组分析中,ADHD和SAD与较年轻参与者的较高PIU评分相关(分别为β:0.35和0.56),而ADHD在中年亚组中仍然显着(β:3.1)。 GAD和OCD与年龄较大的参与者亚组(分别为β:6.4和4.3)的PIU评分较高有关,但与其他年龄组无关。 BIS评分(冲动性格)和PADUA评分(强迫性倾向)与完整数据(分别为β:0.066和0.074)和所有年龄亚组分析中较高的PIU评分相关。
4
讨论
本文是第一次尝试全面探索与互联网适应不良相关的不同类型的互联网活动,即有问题的互联网使用。 以前的工作通常通过关注孤立的互联网活动来解决特定互联网活动的问题,从而导致有问题的使用(
; ; ; ; )。 我们在这里展示了一系列的互联网活动,包括一般冲浪,网络游戏,网上购物,拍卖网站的使用,在线赌博,社交网络和在线色情内容的使用,为PIU提供了独立和独特的贡献,提供了PIU是一个复杂的证据现象包括各种有问题的行为。 此外,我们已经证明这些行为与PIU保持其统计学上显着的关联,即使已知与PIU相关的精神症状(即ADHD,GAD和OCD的症状)(;)和已知可预测的行为维度PIU(即冲动性和强迫性的人格测量)(;;;
)被考虑在内。 我们进一步证明,RPG,在线赌博,拍卖网站和流媒体的特定互联网活动与较高的PIU分数相关,并且这种关系受年龄的影响。 最后,我们的数据显示,其他类型的在线行为(例如购物,色情,一般冲浪)与不适当使用互联网的关系比游戏更强,这可能与先前的研究未包括这样的事实有关。各种与互联网相关的活动。 这些结果对于将PIU概念化为具有临床意义的疾病具有重要意义,因为它们将注意力从“网络游戏障碍”的一维和相对狭窄的构造转移到有问题的互联网使用或包含多个方面的网络成瘾的多维实体。人类在线行为。
此外,使用样本外交叉验证我们已经表明,与“更标准”的线性回归相比,使用套索回归的“非标准”方法在预测PIU得分方面更准确。 使用模型预测值的样本外估计通常有助于解决复制研究中意义衰减的现象。 然而,选择Lasso回归时需要注意的是,未被模型选择的变量(零系数)仍然可以预测,特别是当选择和未选择变量之间存在高度相关时。 在我们的数据集中,我们没有任何高度相关的变量,但是,这种限制意味着我们应该保守地对待任何负面结果。 例如,性别与PIU之间缺乏关联以及性别与互联网与PIU之间缺乏关联可以说支持这样的假设:如果考虑更广泛的PIU行为和潜在的混杂因素,两性都同样脆弱开发PIU的方面(
; )。 但是,由于我们的分析存在局限性,我们不能排除PIU与性别之间存在其他关联的可能性。 例如,有人建议性别调节在线购物和PIU之间的关系,并且女性可能更有风险()。 相关的可能是强迫性购买障碍,中年人群中突出的疾病具有女性占优势的5:1比率(),并且可能正在推动这样的发现。 我们没有关于这种疾病的任何数据来检验这一假设。 同样重要的是要注意,这里使用的IAT仪器已经接受了关于其缺乏关于因子结构的稳健性,与当前DSM-5操作化(游戏障碍)的差异以及落后于互联网应用技术进步的批评(;
)。 未来的PIU研究将通过方法学上强大的,经过验证的仪器得到很好的服务,这些仪器也能够从技术和行为的角度捕捉PIU快速发展的本质。
我们的年龄 - 亚组分析提供了对PIU与各种互联网活动之间年龄相关联的深入了解。 PIU是一种青少年疾病的常见概念不一定正确,可能基于缺乏适当设计的研究来捕捉所有年龄组的在线行为。 对于PIU在整个生命周期中的自然历史知识不足,无法全面探索老年人群在发展PIU风险方面的脆弱性。 但是,我们的结果表明,这些漏洞确实存在,需要进一步的研究来确定风险人群的特征。 例如,患有ADHD或社交焦虑症状可能是年轻人群中PIU的预测因子,而患有OCD或GAD症状可能是老年人群中PIU的预测因子。 在最近的一项荟萃分析中未发现强迫症与PIU有关(
)可能是老年人口未被充分研究的指标。 ADHD与高PIU评分密切相关的事实并不令人惊讶,因为其他研究报道PIU人群中ADHD的患病率非常高(高达100%)()。 同时,特定中年人群(26和55之间)可能更容易患PIU,如果他们也患有强迫性购买障碍或赌博障碍,鉴于这些疾病的自然史,中年时期达到高峰(
).
此外,特定在线活动仅在特定年龄组与PIU相关的发现暗示特定年龄组可能有发展PIU方面的风险。 虽然年轻人可能更容易患上倾向于观看色情内容的PIU,这种脆弱性在中年时可能不那么强烈,在以后的生活中也会减少,但老年人可能更容易发展PIU,其特点是使用时间有问题浪费和流媒体(见探索性) 图。 4 )。 最后,普通冲浪可能是PIU的低估方面,这似乎与年轻人的PIU分数更高有关,但在所有年龄组中都很重要; 这一发现可能与以下事实有关:与其他年龄较大的年龄组相比,早期成人生活可以减少目标导向,而年轻人则在网络环境中的非结构化活动中花费更多时间。
我们的结果还对在线内容的监管和针对性干预措施有公共卫生影响。 如果特定活动比其他活动与问题使用的发展更紧密地联系在一起,那么就会出现一个问题,即公共卫生政策是否应该针对弱势群体,以提高他们对PIU风险的抵御能力,还是针对特定方面的更普遍干预措施?互联网行为,应考虑使在线环境不那么容易上瘾。 例如,在线平台在某些情况下可能正在使用利用用户漏洞(即冲动性或强迫性特征)并旨在最大化用户在在线环境中停留时间的特定架构。 尽管从营销角度讲这很有意义,但确实引起了人们对这些环境是否也应该向用户发出健康警告的担忧。
4.1
限制
这是横断面在线调查,因此无法得出因果关系。 此外,由于招聘方法以及PIU患者更可能完成在线调查的可能性,因此当前的调查结果可能不会在一般背景人群中推广到PIU。 我们研究的另一个局限性是缺乏与PIU相关的某些诊断实体的临床数据,例如抑郁症或药物滥用。 因此,抑郁或药物滥用可能是我们研究中观察到的某些关联的原因。 未来的研究应包括更广泛的临床参数,以探索这些参数是否解释了PIU与互联网活动之间的关联。 使用MINI衍生的临床数据还有其他限制; 经验证,这是由经过培训的人员在面对面的访谈中提供的,而在我们的研究中,这是通过在线工具提供的。 但是,我们的临床数据与PIU先前的研究一致。 此外,数据收集的另一个缺点是,我们将花费在活动上的时间用作该活动的PIU的代理指标来评估互联网活动。 尽管这可以捕获过多的使用,从而带来问题的使用,但也可能捕获必要的使用。 虽然本研究中评估的活动由于其性质(例如,浪费时间)或者在过度进行时(例如,每天购物,赌博或色情内容超过8小时),通常默认情况下是不必要的,但未来的研究可以包括可以区分每个互联网活动的基本使用和非基本使用的措施,以进行此类分析。 我们研究的另一个局限性是缺乏儿童和青少年群体的数据。 儿童和青少年群体可能以不同的方式与互联网互动,但在不同的神经发育期也可能会在线使用。 因此,就发展PIU的风险而言,这种差异可能意味着不同的脆弱性或弹性。 例如,早期,低水平的在线环境暴露可能会产生“压力接种”效应(
)从PIU的未来发展中汲取经验。 如果是这样的话,这可以进一步解释为什么成年人在成年后才首次接触在线环境的原因可能更为脆弱。 未来的研究可能包括那些儿童和青少年年龄组,并前瞻性地检查特定的互联网活动是否可以预测PIU。 不幸的是,报告变性性别的参与者人数很少(n = 18),这无法对变性性别的影响进行有意义的分析。 我们研究的最终局限性在于我们的研究人群由健康成年人组成,这些成年人中只有<1%的人患有明显的PIU行为(IAT> 80)。 未来的研究将受益于将重点放在PIU频谱的高端,从而能够将那些严重的PIU人群与中低或非PIU个体的对照组进行比较。 虽然我们样本中PIU的估计点患病率为〜8.5%(使用IAT≥50截止值),但PIU临床病例的阈值仍有争议,未来的研究将受益于PIU的普遍接受的度量和定义。
4.2
结论
总而言之,DSM-5强调互联网游戏障碍是一种候选障碍,但其他类型的在线行为(例如购物,色情,普通冲浪)与不适当使用互联网的关系比游戏更强。 与有问题的互联网使用相关的精神病诊断和互联网活动因年龄而异,这一发现具有公共卫生意义。 这些结果有助于对与有问题的互联网使用相关的互联网活动的有限知识,并且可能有助于将有问题的互联网使用的诊断分类作为多方面的障碍。
资金来源的作用
该研究获得了芝加哥大学精神病学系的内部部门基金。 Ioannidis博士的研究活动得到了英格兰东部健康教育高级培训特别兴趣会议的支持。 作者没有获得编写本手稿的资金。 资金来源在研究的设计,数据分析或撰写中没有任何作用。
合作者
KI设计了稿件的构想,分析了数据,撰写了大部分稿件和补充材料,并协调了合著者的贡献。 MT和FK参与了统计分析的概念和审查。 SRC,SR,DJS,CL和JEG设计并协调了研究,并收集和管理了数据。 所有作者都阅读并批准了最终稿,并为论文的起草和修订以及解释结果做出了贡献。
利益冲突
格兰特博士已获得NIDA(RC1DA028279-01),国家负责任博彩中心以及罗氏和森林制药公司的研究资助。 格兰特博士从Springer获得了作为“赌博研究期刊”主编的补偿,并获得了麦格劳希尔,牛津大学出版社,诺顿和APPI的版税。 Chamberlain博士为剑桥认知提供咨询,他参与了这项研究,得到了Wellcome Trust(英国; 110049 / Z / 15 / Z)的中级临床奖学金的支持。 Dan Stein和Christine Lochner由南非医学研究委员会资助。 其他作者报告没有商业利益的财务关系。 上述来源均未在数据的研究设计,收集,分析或解释,撰写稿件或提交论文以供发表的决定中发挥任何作用。
确认
我们感谢参与该研究的两个站点的志愿者。
附录A
补充数据
补充材料
参考资料
- Achab等,2011. Achab S.,Nicolier M.,Mauny F.,Monnin J.,Trojak B.,Vandel P.和Haffen E。:大型多人在线角色扮演游戏:比较吸毒者与非吸毒者在线招募游戏玩家的特征法国成年人口。 BMC Psychiatry 2011; 11:pp.144
在文章中查看 - 美国精神病学协会,2013. 美国精神病学协会:精神障碍的诊断和统计手册:DSM-5。 华盛顿特区:美国精神病学协会,2013。
在文章中查看 - Andreassen等人,2012. Andreassen CS,Torsheim T.,Brunborg GS和Pallesen S。:开发Facebook成瘾量表。 心理报告2012; 110:pp.501-517
在文章中查看 | Cross Ref - Bakken等,2009. Bakken IJ,Wenzel HG,GötestamKG,Johansson A.和Oren A。:挪威成年人的网络成瘾:分层概率样本研究。 斯堪的纳维亚心理学杂志2009; 50:pp.121-127
在文章中查看 | Cross Ref - 黑色,2007. Black DW:对强迫性购买障碍的回顾。 世界精神病学:世界精神病学协会官方期刊(WPA)2007; 6:pp.14-18
在文章中查看 - Block,2008. Block JJ:DSM-V的问题:网络成瘾。 美国精神病学杂志2008; 165:pp.306-307
在文章中查看 | Cross Ref - Brand等,2011. Brand M.,Laier C.,Pawlikowski M.,SchächtleU。,SchölerT。和Altstötter-Gleich C。:在互联网上观看色情图片:性唤起评级和心理 - 精神症状在过度使用互联网性爱网站中的作用。 网络心理学,行为和社交网络2011; 14:pp.371-377
在文章中查看 | Cross Ref - Breiman,2001. Breiman L。:统计建模:两种文化。 统计科学2001; 16:pp.199-215
在文章中查看 - Bujak等人,2016. Bujak R.,Daghir-Wojtkowiak E.,Kaliszan R.和Markuszewski MJ:基于PLS和基于正则化的方法,用于选择非靶向代谢组学数据中的相关变量。 分子生物学的前沿2016; 3:pp.1-10
在文章中查看 - Burns等,1996. Burns GL,Keortge SG,Formea GM和Sternberger LG:对强迫症症状的帕多瓦清单的修订:忧虑,强迫症和强迫症之间的区别。 行为研究与治疗1996; 34:pp.163-173
在文章中查看 | Cross Ref - 曹等人,2007. Cao F.,Su L.,Liu T.和Gao X。:中国青少年样本中的冲动与网络成瘾之间的关系。 欧洲精神病学2007; 22:pp.466-471
在文章中查看 | Cross Ref - Carli等,2013. Carli V.,Durkee T.,Wasserman D.,Hadlaczky G.,Despalins R.,Kramarz E.和Kaess M。:病理性互联网使用与共病精神病理学之间的关联:系统评价。 精神病理学2013; 46:pp.1-13
在文章中查看 | Cross Ref - Claes等,2016. Claes L.,MüllerA。和Luyckx K。:强迫性购买和囤积作为身份替代品:唯物主义价值认可和萧条的作用。 综合精神病学2016; 68:pp.65-71
在文章中查看 | Cross Ref - Cole和Hooley,2013. Cole SH和Hooley JM:MMO游戏的临床和个性关联:在有问题的互联网使用中的焦虑和吸收。 社会科学计算机评论2013; 31:pp.424-436
在文章中查看 | Cross Ref - Cunningham-Williams等,2005. Cunningham-Williams RM,Grucza RA,Cottler LB,Womack SB,Books SJ,Przybeck TR和Cloninger CR:病态赌博的患病率和预测因素:圣路易斯人格,健康和生活方式(SLPHL)研究的结果。 精神病学研究杂志2005; 39:pp.377-390
在文章中查看 | Cross Ref - von Elm等人,2008. von Elm E.,Altman DG,Egger M.,Pocock SJ,GøtzschePC,Vandenbroucke JP和Initiative S。:加强流行病学观察研究报告(STROBE)声明:报告观察性研究的指南。 临床流行病学杂志2008; 61:pp.344-349
在文章中查看 | Cross Ref - Fernández-Villa等,2015. Fernández-Villa T.,Alguacil Ojeda J.,AlmarazGómezA。,Cancela Carral JM,Delgado-RodríguezM。,García-MartínM。和MartínV。:大学生有问题的互联网使用:相关因素和性别差异。 Adicciones 2015; 27:pp.265-275
在文章中查看 | Cross Ref - Friedman等人,2010. Friedman J.,Hastie T.和Tibshirani R。:通过坐标下降的广义线性模型的正则化路径。 统计软件期刊2010; 33:pp.1-22
在文章中查看 - 格里菲斯,2003. Griffiths M .:互联网赌博:问题,疑虑和建议。 网络心理学与行为:互联网,多媒体和虚拟现实对行为和社会的影响2003; 6:第557-568页
在文章中查看 | Cross Ref - 哈和黄,2014. Ha Y.-M.和Hwang WJ:使用国家网络调查的青少年心理健康指标与网络成瘾的性别差异。 国际心理健康与成瘾杂志2014; 12:pp.660-669
在文章中查看 | Cross Ref - Ho等人,2014. Ho RC,Zhang MWB,Tsang TY,Toh AH,Pan F.,Lu Y.和Mak K.-K。:网络成瘾与精神病合并症之间的联系:荟萃分析。 BMC Psychiatry 2014; 14:pp.183
在文章中查看 - Hoerl和Kennard,1970. Hoerl AE和Kennard RW:岭回归:对非正交问题的偏差估计。 Technometrics 1970; 12:pp.55-67
在文章中查看 - Huys等,2016. Huys QJM,Maia TV和Frank MJ:计算精神病学是从神经科学到临床应用的桥梁。 自然神经科学2016; 19:pp.404-413
在文章中查看 | Cross Ref - Igarashi等,2008. Igarashi T.,Motoyoshi T.,Takai J.和Yoshida T。:没有移动,没有生命:日本高中生的自我感知和文本信息依赖。
在文章中查看 - Ioannidis等,2016. Ioannidis K.,Chamberlain SR,Treder MS,Kiraly F.,Leppink E.,Redden S.和Grant JE:有问题的互联网使用(PIU):与冲动强迫谱的关联。 Journal of Psych:机器学习在精神病学中的应用,2016。
在文章中查看 - Janower,2006. Janower CR:在互联网上赌博。 计算机中介通讯杂志2006; 2:pp.0
在文章中查看 | Cross Ref - Kessler等,2005. Kessler RC,Adler L.,Ames M.,Demler O.,Faraone S.,Hiripi E.和Walters EE:世界卫生组织成人ADHD自我报告量表(ASRS):用于一般的短期筛选量表人口。 心理医学2005; 35:pp.245-256
在文章中查看 | Cross Ref - Kessler等,2016. Kessler RC,van Loo HM,Wardenaar KJ,Bossarte RM,Brenner LA,Cai T.和Zaslavsky AM:测试机器学习算法,从基线自我报告中预测重度抑郁症的持续性和严重性。 分子精神病学2016; 21:pp.1366-1371
在文章中查看 | Cross Ref - Khazaal等人,2015. Khazaal Y.,Achab S.,Billieux J.,Thorens G.,Zullino D.,Dufour M.和Rothen S。:网络游戏玩家和扑克玩家的网络成瘾测试的因素结构。 JMIR心理健康2015; 2:
在文章中查看 - Kim等人,2016. Kim D.,Kang M.,Biswas A.,Liu C.和Gao J。:使用基于套索的随机特征和应用于精神疾病的基因调控网络推断的综合方法。 BMC Medical Genomics 2016; 9:pp.50
在文章中查看 - 国王,1999. King SA:互联网赌博和色情制品:沟通无政府状态的心理后果的示例。 网络心理学与行为1999; 2:第175-193页
在文章中查看 - King和Barak,1999. King SA和Barak A .:强制性互联网赌博。 网络心理学与行为1999; 2:第441-456页
在文章中查看 | Cross Ref - Király等人,2015. KirályO。,Griffiths MD和Demetrovics Z。:网络游戏障碍和DSM-5:概念化,辩论和争议。 当前成瘾报告2015; 2:pp.254-262
在文章中查看 - Király等人,2014. KirályO。,Griffiths MD,UrbánR。,Farkas J.,KökönyeiG。,Elekes Z.和Demetrovics Z。:有问题的互联网使用和有问题的在线游戏并不相同:来自一个具有全国代表性的大型青少年样本的调查结果。 网络心理学,行为和社交网络2014; 17:pp.749-754
在文章中查看 - Kittinger等,2012. Kittinger R.,Correia CJ和Irons JG:Facebook使用与大学生互联网使用问题之间的关系。 网络心理学,行为和社交网络2012; 15:pp.324-327
在文章中查看 | Cross Ref - Ko等人,2012. Ko C.-H.,Yen J.-Y.,Yen C.-F.,Chen C.-S.和Chen C.-C。:网络成瘾与精神疾病之间的关联:文献综述。 欧洲精神病学2012; 27:pp.1-8
在文章中查看 - Ko等人,2007. Ko C.-H.,Yen J.-Y.,Yen C.-F.,Lin H.-C.和Yang M.-J .:预测青少年网络成瘾发生和缓解的因素:A前瞻性研究。 网络心理学与行为:互联网,多媒体和虚拟现实对行为和社会的影响2007; 10:第545-551页
在文章中查看 | Cross Ref - Kuss和Griffiths,2011. Kuss DJ和Griffiths MD:在线社交网络和成瘾 - 对心理学文献的回顾。 国际环境研究与公共卫生杂志2011; 8:pp.3528-3552
在文章中查看 | Cross Ref - Kuss等人,2013. Kuss DJ,Griffiths MD和Binder JF:学生的网络成瘾:患病率和风险因素。 人类行为中的计算机2013; 29:pp.959-966
在文章中查看 | Cross Ref - Kuss和Lopez-Fernandez,2016. Kuss DJ和Lopez-Fernandez O。:网络成瘾和有问题的互联网使用:对临床研究的系统评价。 世界精神病学杂志2016; 6:pp.143-176
在文章中查看 | Cross Ref - Laconi等,2016. Laconi S.,AndréolettiA.,Chauchard E.,Rodgers RF和Chabrol H .:有问题的互联网使用,上网时间和个性特征。 L'Encéphale2016; 42:第214-218页
在文章中查看 | Cross Ref - Laconi等,2014. Laconi S.,Rodgers RF和Chabrol H。:网络成瘾的测量:对现有尺度及其心理测量属性的批判性回顾。 人类行为中的计算机2014; 41:pp.190-202
在文章中查看 | Cross Ref - Laier等,2013. Laier C.,Pawlikowski M.,Pekal J.,Schulte FP和Brand M。:Cybersex成瘾:在观看色情而非真实的性接触时经验丰富的性唤起有所不同。 行为成瘾杂志2013; 2:pp.100-107
在文章中查看 | Cross Ref - Lecardeur,2013. Lecardeur L。:Psychopathologie du jeu multi-joueurs en ligne。 AnnalesMédico-Psychologiques,Revue Psychiatrique 2013; 171:pp.579-586
在文章中查看 | Cross Ref - Liang等人,2016. Liang L.,Zhou D.,Yuan C.,Shao A.和Bian Y。:网络成瘾与抑郁之间关系的性别差异:中国青少年的交叉滞后研究。 人类行为中的计算机2016; 63:pp.463-470
在文章中查看 | Cross Ref - Lopez-Fernandez,2015. Lopez-Fernandez O。:自网络游戏障碍出现以来,网络成瘾研究是如何发展的? 从心理学角度概述网络辐射。 当前成瘾报告2015; 2:pp.263-271
在文章中查看 | Cross Ref - Masten和Tellegen,2012. Masten AS和Tellegen A。:发展性精神病理学的复原力:项目能力纵向研究的贡献。 发展与精神病理学2012; 24:pp.345-361
在文章中查看 | Cross Ref - Mueller等,2010. Mueller A.,Mitchell JE,Crosby RD,Gefeller O.,Faber RJ,Martin A.和de Zwaan M。:德国强迫性购买的估计流行率及其与社会人口学特征和抑郁症状的关联。 精神病学研究2010; 180:pp.137-142
在文章中查看 | Cross Ref - Patton等人,1995. Patton JH,Stanford MS和Barratt ES:Barratt冲动量表的因子结构。 临床心理学杂志1995; 51:pp.768-774
在文章中查看 | Recupero,2008. Recupero PR:对有问题的互联网使用进行法医评估。 美国精神病学会和法律杂志2008; 36:pp.505-514
在文章中查看 - Rose和Dhandayudham,2014. Rose S.和Dhandayudham A。:了解基于互联网的问题购物行为:网上购物成瘾的概念及其提出的预测因素。 行为成瘾杂志2014; 3:pp.83-89
在文章中查看 | Cross Ref - Rutland等,2007. Rutland JB,Sheets T.和Young T .:开发了一种衡量短消息服务问题使用的量表:SMS问题使用诊断调查表。 网络心理学与行为2007; 10:第841-844页
在文章中查看 | Cross Ref - Rutter,1993. Rutter M。:弹性:一些概念上的考虑因素。 青少年健康杂志:青少年医学学会1993的正式出版物; 14:pp.626-631
在文章中查看 | Cross Ref - Shaw和Black,2008. Shaw M.和Black DW:网络成瘾:定义,评估,流行病学和临床管理。 CNS药物2008; 22:pp.353-365
在文章中查看 | Cross Ref - Sheehan等,1998. Sheehan DV,Lecrubier Y.,Sheehan KH,Amorim P.,Janavs J.,Weiller E.和Dunbar GC:The Mini-International Neuropsychiatric Interview(MINI):DSM-IV结构化诊断精神病学访谈的开发和验证和ICD-10。 临床精神病学杂志1998; 59:
在文章中查看 - Tam和Walter,2013. Tam P.和Walter G。:童年和青年时期的互联网使用问题:21st世纪苦难的演变。 澳大利亚精神病学2013; 未定义:
在文章中查看 - Tibshirani,1996. Tibshirani R。:通过套索进行回归收缩和选择。 英国皇家统计学会,B系列1996; 58:pp.267-288
在文章中查看 - Tikhonov,1963. Tikhonov AN:错误配制问题的解决方案和正则化方法。 苏联数学Doklady 1963; 5:pp.1035-1038
在文章中查看 - Trotzke等,2015. Trotzke P.,Starcke K.,MüllerA。和Brand M。:在线病理性购买作为一种特定形式的网络成瘾:基于模型的实验研究。 PLoS One 2015; 10:
在文章中查看 - Tsai等人,2009. Tsai HF,Cheng SH,Yeh TL,Shih C.-C.,Chen KC,Yang YC,Yang YK:网络成瘾的危险因素?大学新生调查。 精神病学研究2009; 167:pp.294-299
在文章中查看 | Cross Ref - 华莱士,2014. Wallace P .:网络成瘾症和青少年:对强迫性在线活动的关注与日俱增,这可能会妨碍学生的表现和社交生活。 EMBO报告2014; 15:第12-16页
在文章中查看 | Cross Ref - Xin等人,2018. Xin M.,Xing J.,Pengfei W.,Houru L.,Mengcheng W.,Hong Z。:中国青少年网络活动,网络成瘾的流行以及与家庭和学校相关的风险因素。 上瘾行为报告2018; 7:pp.14-18
在文章中查看 | Cross Ref - Yuen等,2004. Yuen CN,Lavin MJ,Weinman M.和Kozak K .:高校人群对互联网的依赖性:害羞的作用。 网络心理学与行为2004; 7:第379-383页
在文章中查看 | Cross Ref - 年轻,1998. 年轻的KS:网络成瘾:一种新的临床疾病的出现。 网络心理学与行为,1998; 1:第237-244页
在文章中查看 | Cross Ref