社交媒體用戶社交焦慮量表的檢驗

● 王亞寧

研究緣起

社交焦慮是焦慮情緒中的常見類型，是社交情境中較多出現的心理狀態。本文將社交焦慮界定為個體因人際傳播、社交活動而感受到的不安、緊張、害怕、恐懼等不同程度的復雜情緒，是一種負性情緒狀態，而非心理疾病。Alkis 等多位土耳其學者在梳理已有社交焦慮量表基礎上，依次完成深度內容分析→專家審查→探索性因子分析→驗證性因子分析等多個步驟，最終建立起一個由4 個維度、21 項測量題目構成的社交媒體用戶社交焦慮量表（以下稱“SAS-SMU”）。[1]他們在土耳其國內進行數據驗證，經過嚴苛的翻譯程序將量表譯成英文。本文以英文版為藍本，將量表引入中國社交媒體用戶社交焦慮的測量中，在一手數據支持下檢驗量表在本土社交媒體語境中的適用性。

研究設計

微信是我國用戶規模最大、日活最高的社交媒體，構建了“二十四小時在線”與快速回復的新社交文化。本研究針對微信建立的強關系社交媒體平臺設計問卷、收集數據，以驗證SAS-SMU 在該平臺的適用性。

1.問卷調查

本研究通過網絡調查共回收414 份問卷，有效問卷404 份。其中，女性占74.5%，年齡分布以26-35 歲為主，占總樣本量的58.42%，18-25 歲的占29.46%，36-45 歲的占10.15%；碩士研究生及以上占比最大（50.25%），大學本科占36.14%；收入在3001-5000 元之間的占比（20.79%）最大，5001-8000 元的占比為17.82%。

2.微信用戶的社交焦慮量表

社交焦慮以研究者對該問題在實踐中的測量與量表的發展、驗證進入學術研究領域，很多心理學研究者因應時代變遷與現實環境而發展與修訂前人的量表。

面對面交往語境中已有諸多學者發展了不同場景的社交焦慮量表，常用的有社交焦慮回避與苦惱和負性評價恐懼、負性評價量表簡表、Liebowitz 社交焦慮量表、社交焦慮量表（SIAS）與社交恐懼量表（SPS）。

隨著移動社交媒體加入社交活動中，Alkis 等人在此基礎上編制了適用于測量社交媒體用戶的社交焦慮水平的量表。本研究引入該量表時，根據微信平臺的特點與研究目的做了適應性調整。

首先，將SAS-SMU 英文版翻譯成中文，并根據微信社交語境進行調整。如將“我擔心給別人留下負面印象”修改為“我擔心發朋友圈給別人留下負面印象”。

其次，增三題，刪一題。增刪題目參考了面對面交往中常用的社交焦慮量表、微信用戶日常使用經驗以及探索性研究時的用戶訪談。增加題目為：“我跟領導、老師等人交流時不會緊張”（反向題）、“我和異性聊天會很緊張”、“當我必須在微信群發言時會緊張”。刪除題目為“我擔心別人不贊成我的行為”。

最后，設置反向題。將原來量表“我擔心人們對我的評價差”轉為反向題。由此，形成本次微信用戶社交焦慮量表的23 個測量語句。

SAS-SMU 的信效度分析

本研究從總樣本中隨機抽取202 份樣本，使用SPSS26 進行量表信效度和探索性因子分析。其余200 份樣本完成驗證性因子分析。

首先對SAS-SMU 做信度檢驗。23 個語句信度分析所得Cronbach’α 為0.924。信度分析結果顯示，“刪除項后的Cronbach’α”系數會再次提升。據此結果，刪除兩個反向題后，信度系數提升到0.935。

1.探索性因子分析

信度分析后，采用主成分對剩余21 個語句做探索性因子分析，所得KMO 值為0.906，Bartlett 球形檢驗的χ2值為3315.938（df=210），達到顯著性水平（P=0.000<0.001）。該量表的KMO 值、Bartlett 球形檢驗數據都顯著好于臨界值，說明適合做因子分析。

因子分析得到的旋轉矩陣將量表的21 個語句分為三個成分，即微信用戶社交焦慮的三維度。與原量表相比，本次調查的微信用戶將原本自我評價焦慮的“我擔心發朋友圈給別人留下負面印象”“我對不能滿足人們的期望感到焦慮”納入內容分享焦慮中。從測量語句看，這兩項在Alkis 等人設計的量表中重點評估用戶處理社交中負面評價時的焦慮情緒。而在微信語境下，用戶把評估重點放在了可能帶來負面評價的行為上。學者研究發現，微信用戶使用朋友圈時，自我評價焦慮會對內容分享焦慮產生正向影響。[2]

綜上，微信用戶社交焦慮由21 個語句組成，分為三個測量維度：內容分享焦慮（SCA）、互動焦慮（IA）和隱私關注焦慮（PCA）。與原量表相比少了自我評價焦慮（SEA），因該維度經過探索因子分析后還剩余兩個題項，且全部被劃分到內容分享焦慮。

2.驗證性因子分析

探索性因子完成后，通過Amos 26 進行驗證性因子分析，以評價量表的擬合優度。首先，將探索性因子分析劃出的三個因子的所有語句納入相應測量維度中，采用最大似然法分析三因子（SCA、IA、PCA）間的相關性。將全部21 個測量語句分析結果與模型擬合優度常用指標臨界值進行對比發現，只有CFI=0.911 略大于臨界值0.9，滿足擬合優度指標要求，其他指標均不滿足，具體地，χ2/df=3.879 ＞3，NFI=0.881 ＜0.9，TLI=0.899 ＜0.9，RMSEA=0.086 ＞0.08，說明該模型的擬合程度不理想。

鑒于此，在該模型擬合基礎上進行模型修正。首先將標準化估計下各個維度相應項目因子載荷小于0.6 或SMC 值小于0.36 的項目逐步刪除，即載荷系數越小的越先刪除，每刪除一項，檢查一次擬合優度指標。此過程刪除IA9，所 得χ2/df=3.849，NFI=0.892，TLI=0.906，RMSEA=0.085，CFI=0.918。此次模型擬合的各項指標均有優化，但依然未通過擬合度臨界值要求，需繼續修正模型。

第二次模型修正以修正指標（Modification Indices）結果為依據，根據不同題項、殘差相互之間的相關度高低，對影響模型擬合度較大的測量題項進行逐次刪減。每刪減一個題項，都將模型擬合優度指標數值與臨界值做比較，直至實現較好的擬合優度結果。本次修正過程中，依次刪除了PCA1、IA1、SCA1、SCA2、IA5。最終，所得模型擬合優度指數為：χ2/df=1.753 ＜2，CFI=0.982 ＞0.95，NFI=0.960 ＞0.95，TLI=0.979 ＞0.95，RMSEA=0.044 ＜0.05，即顯示模型擬合良好。

接著，對CFA 模型各因子下所對應測量題項的內部一致性進行檢驗，即因子收斂效度分析，以判斷實際測量時各題項是不是確實落在同一因子項下。因子收斂效度分析常用指標有兩個：平均方差提取值（AVE）和建構信度(CR)。AVE 數值用來說明每一個因子所解釋的方差中有多少是來自該因子中的所有題目，當AVE ＞0.5 時說明收斂效度較好。CR 體現每個潛變量中所有題目是不是一致性地解釋該因子，當CR ＞0.7 時說明該因子具有較好的建構信度。[3]各個因子的AVE 值、CR 值均達到臨界值要求，表明各因子具有良好的收斂效度。

除同一因子內部測量題項的收斂效度驗證外，還要進行不同因子間區別效度分析，目的在于檢驗不同測量維度間是否存在顯著差異性。該分析使用AVE 根號值和其他相關維度的相關系數進行對比，即某因子的AVE 根號值比“該因子與其他因子的相關系數最大值”都大時，說明該因子內部相關性大于外部相關性，亦即該因子與其他因子可有效區分。根據計算發現IA 的AVE 根號值為0.795，PCA 的AVE 根號值為0.826，SCA 的AVE根號值為0.787，這三個值均大于相應因子與其他因子的相關系數，也就是說各因子的內部相關性遠大于外部相關性，即具有良好的區別效度。

至此，本研究完成了Alkis 等人發展的社交媒體用戶社交焦慮量表在中國強社交媒體語境中的驗證與修訂，說明了其在微信平臺上的應用性與不適之處。

結 語

本研究參考Alkis 等人編制的社交媒體用戶社交焦慮量表，在中國強關系社交媒體語境下進行量表檢驗。經過探索性—驗證性因子分析得到適用于微信用戶的社交焦慮測量量表，該量表共15 個題項，分三個維度：內容分享焦慮、互動焦慮和隱私關注焦慮。

值得注意的是，問卷中的兩個反向題在因子分析階段未達到臨界值要求，按照操作規則刪除。反思這兩題未達標原因，可能是在微信用戶對這兩種情形感知確實不明顯，也可能是網絡調查本身特點所致。網絡調查以用戶自評方式填答，沒有受訪員在一旁監督和提醒，這種情況下填答者很容易忽略反向題的描述方式，而依然按照正向描述作答，從而影響分析結果。未來研究中設置反向題時應從被調查者的角度審慎考慮，力求填答者的便利性和數據結果的精準性。