疫情暴發期間民眾心理彈性的網絡分析

楊 偉，任 壘，楊 群，宋 磊，李逢戰，張 琳，吳忠英，張 鵬，谷亞男，郭亞寧，金銀川

(1空軍軍醫大學軍事醫學心理學系臨床心理學教研室， 2空軍第九八六醫院第十門診部，陜西 西安 710032)

2019年底暴發的新型冠狀病毒肺炎(coronavirus disease 2019，COVID-19)疫情迅速演變成國際公共衛生緊急事件，該病毒傳播速度快、感染范圍廣、防控難度大，給人們的生產生活帶來了不同程度的影響。大量的研究表明，疫情期間部分民眾出現焦慮、抑郁、睡眠障礙等系列心理問題[1]，因此注重疫情防控中民眾的心理健康問題是非常必要的。以往研究發現，高心理彈性的個體會有更高的心理健康水平，在面對壓力和逆境時會有更強的心理承受能力，并且能夠激發自身的內部動機，利用自己堅強、樂觀的積極品質來應對困境[2-3]。國內研究者發現COVID-19疫情期間醫學生的心理彈性處于較低水平[4]。DVORSKY等[5]研究發現在應對此次疫情帶來的危害時，心理彈性能有效幫助個體應對危機，保持心理健康。因此，提高個體的心理彈性水平對于保護疫情中人們心理健康起著重要作用。近些年來，提高心理彈性的方法已經被廣泛研究。然而，由于缺乏對心理彈性相關心理學構念全面綜合的理解，導致這些方法的效果也大不相同[6]。

最新研究表明，網絡分析法是一種探索心理彈性以及確定潛在干預目標的有用方法[7]。該創新性統計分析方法是由數據驅動，能夠對多變量之間的關系進行可視化表示和數字分析，而且不必依賴變量間的先驗假設[8-9]。事實上，這種方法為概念化心理學構念提供了一種新的思路，即假設心理學構念是由其組成成分間的相互作用而產生的一種復雜系統[10-12]。在這種情況下，其組成成分是在構念出現的過程中起到主動作用的指標而不是反映構念本身的被動指標。因此，考慮到心理彈性的復雜性，將其視為由不同條目之間的相互作用而產生的復雜系統是合理且可行的[7]。與單純的相關統計方法相比，網絡分析法還可以為網絡中每個節點提供中心性和可預測性指標來評估每個節點在網絡中的重要性程度和可控性程度[13-14]。當中心性高的節點被激活時，很有可能通過連接其他節點的邊將激活傳播到整個網絡，這為相關的干預提供了重要的潛在靶點[15]。本研究以疫情暴發期間的民眾為樣本，使用網絡分析法來探究其心理彈性各條目間的網絡結構以及確認核心條目，以期進一步理解心理彈性并為相關干預提供潛在靶點。

1 對象與方法

1.1 對象

通過問卷網(www.wjx.cn)制作、微信傳播、網絡平臺等方式在全國各省份隨機發放1 107份問卷。被試納入標準：年齡18～85周歲，同一個微信號只能答題一次。在線上調查的第一部分，通過設置是否同意參與此次問卷調查，用戶點擊“同意”方可填寫后續問卷。排除標準：人口統計學數據不完整，填寫時間小于平均填寫時間減去答題時間2.5個標準差，得到有效調查問卷為1 038份，回收率為93.8%，包括武漢市242份。調查的民眾中男性447人(43.1%)，女性591人(56.9%)。

1.2 方法

采用心理彈性量表測量疫情暴發期間全國民眾的心理彈性水平。該量表由Connor-Davidson編制，YU等[16]于2007年改編，并將其分為3個維度，堅韌性(13個條目)、力量性(8個條目)和樂觀性(4個條目)，共計25個條目。該量表采用Likert 5級評分，分數越高,心理彈性水平越高。在以往研究中該量表的Cronbach’s α系數為0.92。在本研究中該量表的Cronbach’s α系數為0.96，具有很高的信度。

1.3 統計學分析

采用SPSS 20.0和R軟件進行統計分析，計算心理彈性的平均值和標準差。使用網絡分析方法探索心理彈性的網絡結構以及確認核心條目。

在構建網絡時，采用高斯圖像模型(Gaussian graphical models，GGM)擬合數據[17]。GGM是一種無向網絡，邊代表了兩個節點之間的偏相關關系。使用條目間非參數Spearman相關矩陣作為GGM估計的輸入[18]。此外，采用圖形化套索算法對GGM進行正則化[18]。在網絡分析法中，網絡按照Fruchterman-Reingold算法布局顯示[19]。此步驟通過軟件R包qgraph實現[20]。計算每個節點的預期影響來量化每個節點在網絡中的相對重要性。此外，使用軟件R中的mgm包來計算每個節點的可預測性[14]。網絡的準確性和穩定性由軟件R包bootnet評估[21]。通過自助法(2 000次 bootstrap)對邊權值和節點預期影響進行差異性檢驗，評估兩個邊權值或兩個節點預期影響之間是否存在顯著性差異(顯著性水平α=0.05)。

2 結果

2.1 描述性統計

本研究對1 038位民眾的心理彈性量表各條目得分以及可預測性進行了描述性統計(表1)，其總平均分為67.52±17.03。

表1 心理彈性各條目得分的描述性統計 (n=1 038)

2.2 網絡分析結果

2.2.1 心理彈性網絡結構和各條目預期影響 心理彈性網絡結果顯示，條目R17和R18，R4和R5，R21和R22之間存在最強的關聯，其正則化偏相關系數分別為0.34、0.29、0.27(圖1A)。預期影響結果顯示，條目R17的中心性程度最高，條目R18中心性程度次之，條目R3的中心性程度最低(圖1B)。

A：藍線代表正性關系；紅色代表負性關系。邊越粗，兩個節點間的關聯越大；邊越細，兩個節點間的關聯越??；節點周圍的環描述了其可預測性的大小。B：描繪了各條目的預期影響值(Z分數)。A和B中字母所代表的條目見表1。圖1 心理彈性網絡和各條目的預期影響(Z分數)

2.2.2 邊權值的準確性 本研究邊權值95%CI較窄，表明邊權值的評估是準確的(圖2)。

黑線代表使用自助法評估的平均邊權值，紅線代表本研究樣本的邊權值，灰色區域代表利用自助法得到的95%CI。圖2 邊權值的準確性

2.2.3 預期影響的穩定性 預期影響的相關穩定性系數為0.75，表明癥狀的預期影響有足夠穩定性(圖3)。

圖3 各條目預期影響的穩定性

2.2.4 邊權值和預期影響的差異性檢驗 邊權值和節點預期影響的差異性檢驗結果(圖4～5)。

黑色的小方框代表兩個對應的邊權值差異有統計學意義(P<0.05)，灰色的小方框代表兩個對應的邊權值差異無統計學意義。字母所代表的條目見表1。圖4 邊權值的差異性檢驗

黑框代表兩個對應節點預期影響差異有統計學意義(P<0.05)，灰框代表兩個對應節點預期影響差異無統計學意義。字母所代表的條目見表1。圖5 預期影響的差異性檢驗

3 討論

在心理彈性網絡中，條目R17和R18存在最強關聯。研究表明，個體的自信心水平和積極應對呈正相關[22]。當處于逆境中的個體有較強的自信心時，能及時地覺察現實環境的變化，并能靈活地調節行為，會采取積極的應對方式，包括為解決問題突破常規的限制做出不尋常的或艱難的決定。這可能是影響兩者之間關聯性的因素之一。同時，這兩個條目同屬堅韌性這一維度[23]。

一項關于COVID-19定點醫院發熱門診患者焦慮與心理彈性的相關性研究發現，醫院發熱門診部分患者存在一定程度的焦慮，心理彈性整體處于中等偏低水平，焦慮與心理彈性呈負相關[24]。同時相關研究發現，疫情期間大學生心理彈性和替代性創傷呈負相關[25]。這些研究提示提高個體的心理彈性水平可能是緩解個體焦慮情緒，避免替代性創傷，保持疫情期間民眾身心健康的有效措施。本研究預期影響結果顯示條目R17的中心性程度最高，說明R17在網絡中與其他條目有著最廣泛緊密的聯系。該條目的激活更有可能通過連接其他條目的邊將激活傳播到整個心理彈性網絡。有研究表明，自信心和心理彈性顯著正相關，隨著自信心的提高，心理彈性也隨之提高[22]。因此，通過提升自信(如R17)可能要比針對其他條目的干預更能提升心理彈性的整體水平，也可能為相關部門提高疫情暴發期間民眾的心理健康水平提供有價值的理論和實踐指導。另外，條目R17的可預測性也是最大的，其值為0.73，說明它受到網絡中其他相連條目較大的影響。因此在干預R17時，可能要通過直接干預其本身或者網絡中與其相關程度高的節點(例如R18)，而不是通過干預網絡之外的其他密切相關變量來干預它。

本研究以COVID-19疫情暴發期間全國不同地區民眾為研究對象，通過網絡分析法來研究其心理彈性網絡，結果表明R17是最核心的條目。以該條目為靶點，可能會更大程度地提升疫情暴發期間民眾心理彈性，從而幫助民眾改善心理健康水平。

在今后的研究中，還可采取密集型縱向跟蹤的方法(如經驗取樣法)[26-27]，探索疫情期間民眾心理彈性各條目之間的時間因果關系，分析民眾群體水平和個體水平以及不同心理彈性量表之間網絡結構的差異，以完善和豐富疫情期間民眾心理彈性的相關內容。