网络成瘾测试(IAT):哪个是最好的阶乘解决方案?

介绍

概述

目前对全球互联网使用情况的概述，为这一现象的严重程度提供了一幅引人注目的画面。由于计算机技术和传统通信方式之间的不断加强[1-3.2000年至2012年，中国互联网用户增长率达到566.4%。由于大多数在线用户已经成为聊天、论坛和社交网络的成员，因此互联网的兴起和普及与它在通信和社交过程中的使用密切相关。因此，媒体已经成为许多人日常生活中越来越重要的一部分[4，改变沟通的方式。根据几位研究人员的研究，计算机媒介通信(CMC)的无菌特性使虚拟关系“肤浅和没有人情味”[3.]而网络匿名产生了一种以抛弃社会压力为特征的心理状态[5]。

网瘾[4，6-8]一般被归类为“科技成瘾”，并被Kandell定义为“对互联网的心理依赖，无论上网后从事何种活动”[9]。关于网瘾与物质和心理后果之间的关系，已有足够的共识[10]，如忽视学业、工作和家庭责任、人际关系破裂、社会孤立和经济问题[11]。此外，文学[12-21研究充分表明，先前存在的家庭和社会问题，以及心理和精神障碍，在依赖互联网的用户中更为普遍。

网络成瘾测试(IAT)由Young

1996年，Young提出了一种最常见的网瘾诊断工具。作者是网络成瘾研究的先驱，在DSM-IV标准(精神疾病诊断与统计手册，4)的基础上开发了结构化的网络成瘾测试(IAT)^th版本)病态赌博[22]。在第一版中，IAT包括八个问题，通过报纸、在线论坛和网站上的各种公告招募一组受试者。如果受访者对5项或以上的标准回答“是”，他们就被归类为“家属”。共有396名调查对象被归为网瘾用户，100名调查对象被归为非网瘾用户。最相关的结果显示，网瘾用户每周花在上网上的时间大约是非网瘾用户的8倍。此外，与非依赖用户(主要使用媒体来管理电子邮件、查找信息或下载软件)不同，依赖用户将大部分时间花在同步通信环境、聊天室和mud(多用户域)上。这在学业、人际关系、财务和职业生活领域造成了严重的损害。

后来，Young扩展了先前版本的IAT [12]。新的比例尺具有以下特点:

• 它包括20个项目，按李克特五分制打分(从1 -一点也不，到5 -总是)。
• 与第一个诊断问卷一样，这个测量方法来源于DSM-IV病理性赌博和酒精中毒的标准，它测量了个人在日常生活、社交生活、生产力、睡眠模式和感觉中使用互联网的问题的程度。
• 根据在测试中获得的总分，个人被分为三类:一般在线用户(从20岁到39岁)，完全控制自己的使用;因过度使用互联网而经常遇到问题(40岁至69岁);或因使用互联网而有严重问题(70 - 100)。

虽然IAT是评估网瘾最常用的工具之一，但它的使用仍然存在问题。事实上，网络成瘾的实证研究在其心理特征上提供了相互矛盾的结果;此外，该仪器还没有经过严格和系统的心理测量学调查[23]。

Widyanto和McMurran对网上招募的86名受试者进行了IAT测试。因子分析显示，显著性、过度使用、忽视工作、预期、缺乏控制、忽视社会生活6个因素具有良好的内在一致性和并发效度[11]。在最近的一项研究中，费拉罗、卡西、达米科和迪布拉西对236个网络聊天进行了研究，发现了一个六因素解决方案，解释方差为55.6%。这六个因素被命名为:社会生活质量受损，个人生活质量受损，补偿性使用互联网，学术/工作事业受损，时间控制受损，以及兴奋性使用互联网[24]。虽然两项调查都趋向于六因素解决方案，但这些因素在两项研究中并不对应相同的项目[25]。此外，Barke, Nyenhuis和Kröner-Herwig在大量学生样本中管理了德语版的IAT [26]。因子分析显示了一个稳定的双因素解决方案:因子1，“对互联网的情感和认知上的关注”，解释了离线样本的21.03%和在线样本的26.73%的方差;因子2，“失去控制和干扰日常生活”，解释了离线样本的20.97%和在线样本的19.99%的方差。第一个因素包括与使用互联网有关的情感和认知因素。第二个因素是关于“限制上网时间的(不成功的)尝试和日常使用互联网的有害后果”的项目(第541页)。26])。这个双因素解决方案与Watters、Keefer、Kloosterman、Summerfeldt和Parker在加拿大高中生中进行的一项研究中的数据吻合得很好[27]。最后，探索性和验证性因子分析应用于阿拉伯语[28]和法语[25]版本的IAT显示，单因素模型非常适合数据。

这些结果的异质性可以归因于几个原因，例如许多研究在不同的环境中使用了这个量表[29]，关注不同年龄和国籍的受试者。

本研究的目的是在意大利大学生样本中评估IAT的心理测量特性，特别是测试其跨文化因素结构的稳定性。

方法

参与者及程序

在接受筛查的521名意大利成年人中，有36人有一项或多项缺失值，未纳入数据分析。因此，参与者共485人(32.3%，男性157/485人，67.7%，女性328/485人)，平均年龄24.05岁(SD 7.3，范围17-47)。这组参与者是在自愿的基础上招募的。

对243名随机子样本(样本2)进行验证性因子分析，其中男性占35.8%(87/243)，女性占64.2%(156/243)，年龄在18至50岁之间(平均22.12岁，标准差5.9)。

数据分析

为了确定问卷的维度结构，我们对485名参与者的数据进行了探索性因素分析。在20个项目的问卷中，我们能够满足通常建议的每项目至少10个参与者的比例;每个项目24.25个题目的数目在很大程度上确保了出现可靠的因素。

在探索性因素分析之前，使用Bartlett 's Test of Sphericity对数据进行检验以确保项目显著相关。此外，为了评估项目是否有足够的方差来证明因子提取的合理性，使用了KMO的抽样充分性检验。抽样充分性值大于0.80和0.90被认为是优秀的，在0.50和0.60之间的值可以接受，小于0.50的值不可接受[30.]。

选取倾斜旋转主轴分解(promax准则)作为因子提取方法。为了确定因素的数量，凯撒的[31]准则(特征值大于1的项目)和Scree测试[32]被使用。随机数据并行分析[33也进行了表演。将实际数据得到的特征值与随机数据得到的特征值进行比较。因子被保留，只要我实际数据的特征值大于我随机数据的特征值[34]。

问卷在内部一致性方面的信度通过Cronbach alpha系数计算。校正后的项目量表相关性进行了检查，确保它们超过0.30，建议作为支持内部一致性的标准[35]。

利用结构方程建模技术对探索性因子分析得出的IAT因子结构进行了验证。特别对参与者随机子样本(样本2)的数据进行验证性因子分析。选择最小二乘法作为估计程序，最小二乘法适用于数据不满足多元正态性假设的情况。

通过多个拟合优度指标对假设模型与实证数据的接近程度进行统计评价。卡方对样本量很敏感，当观测到的模型协方差与隐含的模型协方差之间的实际差异很小时，卡方可能是显著的[36]。因此，我们没有使用该统计量作为绝对拟合的评估，而是参考卡方与自由度(χ²/ df [37])、非规范拟合指数(NNFI) [38])、比较适合指数(CFI [39])，标准化均方根残差(SRMR) [39])来评估每个模型的拟合充分性。我们还报道了近似均方根误差(RMSEA) [40])来提供模型的全局拟合的指示。模型测试使用EQS (version 6.1)结构方程建模软件包[41]。较高的CFI和NNFI值被认为是好的(>。90、可接受和>。可取的[42])。RMSEA是每个自由度的失配指数;建议使用较小的值(<。08、可接受，<。理想的[42])。SRMR是与数据中观察到的数据相比，基于模型的再现协方差的平均标准化偏差;较低的值是最优的(<。10、可接受的;理想的[42])。

结果

参与者

进行了一系列分析，以检查问卷的心理测量特性，包括信度和探索性和验证性因素分析。结果显示，有176/485(36.3%)的IAT评分在40 ~ 69分之间，表现出过度使用网络;有11/485(1.9%)的IAT评分在70 ~ 100分之间，表现出严重的网络问题。

探索性因素分析

KMO的抽样充分性检验为0.94,Bartlett的球形性检验(χ²₁₉₀=4014.0)显著(P<.001)，表明IAT项目适合进行因子分析。

我们雇佣了霍恩的[33平行分析(PA)，用于确定要保留的因素的数量，因为它已被经验证明可以给出准确的结果[43]。该标准涉及将研究数据的特征值与基于相同数量的变量和受试者的大量随机数据集(我们使用了1000个)中提取和平均的特征值进行比较。如果所研究数据的特征值I超过了大量基于随机数据的特征值I的平均值，则保留该因子。然后继续考虑因子II，以此类推，只保留真实的基于数据的特征值超过从随机数据得出的平均值的因子的数量。平行分析确定了要提取的五个因素。得到的因子数量明显被过度定义，2个因子仅由2个指标组成，1个项目在任何一个因子上的加载均未能达到0.30或更高，11个项目同时加载了2个因子，而加载主因子与加载其他因子之间的差异不低于0.30。

由于这些糟糕的发现，我们遵循了eingenvalues-大于一个的标准，提取了三个因素，但旋转(正交和斜向)未能收敛。对筛选图的检查表明，需要提取两个因素。经因素负荷检验，发现有18项是合适的，模式系数为0.35或更大，这通常被视为模式系数截止准则的标准[44]。第17项(“你是否试图减少上网时间，但失败了?”)和第8项(“你的工作表现或生产力是否因为上网而受到影响?”)呈现双重加载，并被删除。双因子解的方差占42.15%，因子1(情绪和认知对互联网的关注)上有11个条目加载，因子2(失去控制和干扰日常生活)上有7个条目加载;我们使用了Barke、Nyenhuis和Kröner-Herwig提出的相同措辞[26]。表1描述双因素解决方案的模式系数。探索性因子分析结果显示，各因素的相关系数为0.65。两因素平均得分(即题数总和/题数)的相关系数为0.64 (P< . 01)。为了彻底起见，还进行了探索性因素分析，要求一个因素。特征值和方差分别占因子的7.24%和36.18%。表2为单因素解决方案报告IAT项目的因素加载。

可靠性

在单因素和双因素结构模型中评估了IAT的可靠性。内部一致性用alpha系数对485名参与者的整个样本进行评估。对于单因素解决方案(Cronbach α =。91年,看到表2)和双因素解决方案(因子1 Cronbach α =。88和因子2 Cronbach α = 0.79;看到表3）.

验证性因子分析

对样本2 (n=243)进行的验证性因子分析(CFA)显示，双因素模型的拟合优度指标可接受²₁₃₂= 354.17;P<措施，χ²/ df = 2.68, NNFI =。99年,CFI =。99，RMSEA=.02 [90% CI 0.000-0.038], and SRMR=.07). All manifest variables loaded significantly (P< 0.05)。图1显示标准化参数估计。

根据CFA的结果，潜在因素彼此之间高度相关。具体来说，它们共有70.22%的共同方差，这表明所提取的因素之间的区分效度很差，也许可以得到一个更简洁的解决方案。

因此，对所有IAT项目进行验证性分析以检验其单向度。完全标准化的因子加载在表4．表5包含指定和测试的双因素和单因素模型的结果。

采用赤池信息准则(Akaike Information Criterion, AIC)对模型进行比较拟合。45，46])，用于模型比较，最小值表示最适合的模型。单因素模型的AIC为145.79，双因素模型的AIC为90.17，对仪器的二维性提供了更大的支持。

‎ 查看此图

讨论

主要研究结果

目前的研究检验了网络成瘾模型，通过广泛使用的自我报告测量，IAT进行评估。许多先前的研究表明，有必要测试跨文化因素结构的稳定性，并在几个心理学研究领域中使用常用仪器的样本[47-52]，我们试图记录量表的因素结构，最终目的是增强我们对网络成瘾结构的理解。

了解IAT的结构及其在文化和语言上的一致性可以为许多有用的目的服务:关于精神疾病在分类学中的位置的先进理论，从而有助于开发准确有效的评估工具。

现有的IAT因素结构研究已经做了很多工作，以突出构建维度的关键问题，但有几个问题需要进一步的实证关注。事实上，尽管它仍然是世界范围内最广泛使用的网络成瘾指标之一，但其因素结构仍然值得商榷。因此，对IAT的因素分析研究对于该工具的心理测量评估和澄清网络成瘾建构本身的性质具有重要意义。

许多研究都记录了IAT的心理测量特性，但因子分析结果却大相径庭。关于最佳总体结构的共识尚未出现，因为先前的分析已经找到了IAT的一因素和六因素解决方案。

我们的研究旨在确定最简洁和最真实的网络成瘾结构的表征，通过IAT测量。基于我们的研究结果，我们为单因素和双因素模型提供了支持(因素1:情感和认知对互联网的关注;因素2:失去控制和干扰日常生活)，稍强的支持仪器的二维。然而，由于出现的因素之间的高度关联，双因素解决方案提出了一些局限性。事实上，不同的维度通常不会高度相关，这表明子量表测量了被调查结构的几个方面。然而，因子之间的高度关联是可以理解的，因为问卷的子量表不可避免地存在概念上的联系，这在以前的研究中也有发现[26]。否则，更简洁的解决方案虽然可用，但对于网络成瘾的详细评估却不太有效，从而导致重要信息的丢失。

限制

总的来说，我们的研究结果应该谨慎解读，因为样本只包含大学生。由于他们是高危人群，频繁使用互联网是很常见的，而且有潜在的后果，所以这种情况有所缓和[9，53]。显然，更多的研究需要进行更大和更多样化的参与者样本，以进一步建立该工具的结构有效性。

结论

综上所述，基于目前的结果，再加上IAT因子分析文献的不一致性，很明显，研究人员应该意识到这些心理测量问题，并在使用IAT时谨慎行事，将量表划分为因子或子量表。量表效度的初步证据令人鼓舞;然而，还需要进一步的研究来检验因子解的跨文化稳定性。