心理测量学评估:非临床样本中情绪生态瞬时评估项目的心理测量特性

《Brain and Behavior》:Psychometric Evaluation of Ecological Momentary Assessment Items for Mood in a Non-Clinical Sample

【字体: 大 中 小 】 时间:2026年07月15日 来源:Brain and Behavior 2.8

编辑推荐:

  背景:基于智能手机的生态瞬时评估(Ecological Momentary Assessment, EMA)能够实时测量日常生活中的情绪状态,减少回忆偏倚并捕获有临床意义的波动。然而,关于EMA测量信度和效度的证据仍然有限,且经过验证的测量工具稀缺,这凸显了针

  
背景:基于智能手机的生态瞬时评估(Ecological Momentary Assessment, EMA)能够实时测量日常生活中的情绪状态,减少回忆偏倚并捕获有临床意义的波动。然而,关于EMA测量信度和效度的证据仍然有限,且经过验证的测量工具稀缺,这凸显了针对EMA进行专门心理测量学评估的必要性。
目的:在非临床样本中评估一个简短的11项基于智能手机的EMA情绪测量工具的信度、效度和结构特征。
方法:研究人员使用了来自一项随机对照试验的数据,该试验在93名压力丰富的非临床瑞士大学生样本中评估了为期一周的数字自我效能训练。基线心理测量评估包括贝克抑郁量表第二版(Beck Depression Inventory II, BDI-II)、正性负性情绪量表(Positive and Negative Affect Schedule, PANAS)、一般自我效能感量表(General Self-Efficacy Scale, GSE)、状态-特质焦虑问卷(State and Trait Anxiety Inventory, STAI)和感知压力量表(Perceived Stress Scale, PSS)。EMA评估包含的情绪状态有:愉悦(cheerful)、烦躁(irritated)、焦虑(anxious)、快乐(happy)、不安全(insecure)、孤独(lonely)、放松(relaxed)、悲伤(sad)、反刍(overthinking)、专注(focused)和压力(stressed)。分析包括描述性统计、内部一致性(Cronbach's α)和外部效度(基线问卷与参与者前24小时聚合EMA评分之间的相关)。探索性因子分析、验证性因子分析和网络分析用于评估结构。
结果:研究人员将全部93名参与者的数据纳入分析。参与者(78.5%为女性)平均年龄23.27岁(标准差SD = 3.49)。EMA项目呈正态分布,内部一致性良好(α = 0.88),与BDI-II、PANAS正性情感分量表和GSE的相关性较低(0.19–0.39)。与PANAS负性情感分量表、STAI和PSS的相关性为中等(0.40–0.48)。探索性因子分析提示两因子或三因子结构,而网络分析显示正性和负性情感群落。验证性分析表明,在所检验的模型中,网络模型显示出最有利的拟合指数(比较拟合指数CFI = 0.99;塔克-刘易斯指数TLI = 0.99;近似均方根误差RMSEA = 0.01)。
结论:在这组压力丰富的非临床学生样本中,基于智能手机的EMA情绪项目集提供了初步的信度和效度证据。研究结果提示,正性和负性情感状态之间以及抑郁和焦虑相关特征之间存在分化。这些结果支持该项目集在非临床人群中监测短暂情绪状态的潜在效用。
**论文解读:非临床样本中情绪生态瞬时评估项目的心理测量学评估**

**研究背景与问题**

生态瞬时评估(Ecological Momentary Assessment, EMA)通过智能手机实时捕捉日常生活中的情绪波动,能够有效减少传统回顾性问卷的回忆偏倚,并反映具有临床意义的短期变化。然而,尽管EMA的使用日益广泛,但关于其心理测量学特性的证据仍然有限,尤其缺乏针对EMA简短视频项目的专门验证。现有研究大多依赖传统问卷的信效度标准,而EMA项目因需平衡被读者负担,通常采用极简项目集,这种“短小”对信度和效度的影响却鲜少被检验。此外,EMA测量的动态性(如情绪在数分钟内的波动)使得传统基于单一时间点的心理测量指标(如Cronbach's α)难以直接适用。因此,迫切需要开展针对EMA的专项心理测量学评估,明确其内部结构、维度以及与传统特质量表的相关性,以支持其在数字心理健康研究和干预中的应用。

**研究目的与意义**

本研究旨在系统评估一套11项基于智能手机的EMA情绪项目集在非临床样本中的信度、效度及结构特征。研究团队利用一项为期一周的随机对照试验数据(93名压力丰富的瑞士大学生),通过内部一致性、外部效度(与六种成熟量表的相关)、探索性与验证性因子分析(Exploratory Factor Analysis, EFA; Confirmatory Factor Analysis, CFA)以及网络分析(Network Analysis)等多角度方法,全面刻画该EMA工具的心理测量特性。论文发表在《Brain and Behavior》上。该研究填补了简短EMA情绪量表验证的空白,为数字心理健康干预中实时情绪监测提供了初步的心理学依据。

**主要关键技术方法**

本研究使用了来自随机对照试验的数据,样本来源于93名压力丰富(感知压力量表PSS评分≥13)的非临床瑞士大学生(78.5%女性,平均年龄23.27岁)。基线评估采用贝克抑郁量表第二版(BDI-II)、正性负性情绪量表(PANAS)、一般自我效能感量表(GSE)、状态-特质焦虑问卷(STAI)和感知压力量表(PSS)。EMA通过开源软件SEMA3在智能手机上实施,每天10次固定间隔(8:30 AM至10:30 PM)提示,持续一周。EMA项目包含11种情绪(愉悦、烦躁、焦虑、快乐、不安全、孤独、放松、悲伤、反刍、专注、压力),使用7点滑动量表(1=“一点也不”至7=“非常”)。分析方法包括:描述性统计、Cronbach's α评估内部一致性、Pearson相关评估外部效度、EFA(oblimin旋转)和CFA检验因子结构、高斯图形模型(LASSO正则化、EBIC选择)进行网络分析,并比较各模型拟合指数(CFI、TLI、RMSEA、AIC、BIC)。

**研究结果**

**3.1 样本人口学特征**
参与者主要为女性(79%),均为大学在校生,约半数拥有学士或硕士学位(51%),多数处于稳定关系(61%)。样本基线抑郁症状轻微(BDI-II均值12.99)、焦虑水平中度(STAI状态和特质均值约43),正性情感均值20.81,负性情感均值22.69,一般自我效能感均值27.34,感知压力均值21.98。该结果来自对93名参与者的人口学和心理特征描述。

**3.2 EMA项目的变异、信度与效度**
EMA项目在各评估中均表现出大于零的均方连续差值(Mean Squared Successive Difference, MSSD),提示存在个体内时间波动。正性情感项目(如愉悦、放松、专注)的MSSD均值较高,反映较强的点对点变异;而不安全、孤独、悲伤的MSSD均值较低,提示更稳定的跨时间反应。组内相关系数(Intraclass Correlation Coefficient, ICC)显示,低MSSD且高个体范围的项目(如不安全、孤独、悲伤)表现出较高的个体间变异(ICC 0.48–0.57),表明这些项目捕获了更多类似特质的差异。该结论基于对EMA项目变异和信度指数的描述性统计。

**3.3 EMA的外部效度**
在纳入前24小时完成的817次EMA后,研究人员发现项目呈正态分布,内部一致性良好(Cronbach's α = 0.88)。正性情感EMA项目(放松、愉悦、快乐、专注)与抑郁严重度(BDI-II)、特质焦虑(STAI-T)和状态焦虑(STAI-S)呈负相关(r = –0.15至–0.30),与一般自我效能感(GSE)呈正相关(r = 0.13至0.26)。负性情感EMA项目(不安全、焦虑、烦躁、悲伤、孤独)与抑郁、焦虑、感知压力呈正相关(r = 0.11至0.48),与自我效能感呈负相关(r = –0.20至–0.39)。最强关联出现在“焦虑”与负性情感(PANAS-NA)、特质焦虑和感知压力之间,以及“不安全”与特质焦虑之间。一致性相关系数较低(0.05–0.15),Bland-Altman分析显示无系统偏差。该结果基于EMA项目与基线问卷的Pearson相关分析。

**3.4 EMA的内部效度**
**3.4.1 探索性因子分析**
使用前24小时外的3839次EMA进行EFA,KMO=0.91(>0.50),Bartlett球性检验显著(χ2(55)=10651.6, p<0.001)。特征值>1的因子有两个,陡坡图显示可能保留三个因子。由于因子相关性>0.50,采用oblimin旋转。两因子解分为正性情绪(放松、愉悦、快乐、专注)和负性情绪(不安全、焦虑、反刍、压力、烦躁、悲伤、孤独);三因子解进一步将负性情绪区分为焦虑/困扰因子(不安全、焦虑、反刍、压力、烦躁)和抑郁因子(悲伤、孤独)。该结论基于EFA的因子载荷和旋转结果。

**3.4.2 EMA的网络分析**
网络分析显示,网络稳定性极佳(相关稳定系数CS=0.89)。两个清晰群落对应正性和负性情感状态。节点“悲伤”在强度和接近度上最高(强度0.80±0.14,接近度0.89±0.07),“快乐”在中间度最高(0.49±0.24),“不安全”在预期影响力最高(0.42±0.24)。该结构来自正则化偏相关模型。

**3.4.3 因子模型与网络模型的验证性分析**
所有模型的χ2检验均显著,受样本量影响,主要依据CFI、TLI、AIC、BIC和RMSEA判断拟合。仅三因子模型和网络模型达到CFI≥0.95;仅网络模型达到TLI标准(≥0.95);网络模型的AIC和BIC最低;网络模型的RMSEA≤0.06(三因子模型接近0.06)。因此,网络模型在检验模型中拟合最优(CFI=0.99, TLI=0.99, RMSEA=0.01)。该结论基于CFA和模型比较。

**3.4.4 因子分析与网络分析的整合**
网络分析与因子分析结果部分重叠:网络模型拟合最优,揭示正负两个情感群落,而三因子模型提示负性情感内部可能存在焦虑/困扰与抑郁的分化。中心性指标表明“悲伤”最核心(强度和接近度),“快乐”中间度最高,“不安全”预期影响力最高。该整合基于对两种分析结果的比较和解释。

**讨论与结论**

讨论部分指出,本研究发现EMA项目集具有良好的内部一致性(α=0.88),但传统信度指标在密集纵向设计中需谨慎解释。与回溯性自评量表的外部效度呈中等相关,主要与PANAS负性情感、STAI和PSS相关,表明EMA捕获的是与特质类似构念相关但不冗余的瞬时情绪状态。EFA结果模糊(两因子或三因子),而网络分析显示稳定清晰的正负情感群落且拟合更优。网络模型为描述EMA项目间的条件关联提供了互补框架。

研究局限性包括:未分离个体内与个体间变异(多水平性质);样本同质性高(瑞士大学生,非临床);评估期仅一周;仅依赖自评;外部验证受概念差异限制。优势在于:综合使用参数因子分析和非参数网络分析,全面评估项目集结构。

**研究结论**(翻译自原文Conclusion部分):
本研究表明,一项基于智能手机的简短11项EMA情绪量表可能在日常生活中捕获连贯且有意义的瞬时情绪模式。通过考虑自我记忆与自我体验之间的差异(Conner and Barrett, 2012; Zajchowski et al., 2017),这种基于EMA的简短情绪测量可能特别适合评估瞬时情绪状态,且回忆偏差最小。该项目集表现出良好的内部一致性和可解释的结构,与现有测量工具的收敛关联大体符合概念预期,支持其在评估短暂情绪状态(而非特质样精神病理学)中的潜在效用。在因子分析和网络分析中,情绪体验似乎沿着正性和负性情感两个宽泛维度组织,负性领域内可能分化为焦虑/困扰因子和抑郁因子。重要的是,网络模型相对于所检验的因子模型显示出更有利的拟合指数,并提供了EMA项目间观察关联的简约表示,凸显了EMA项目之间观察关联的相互连接结构。这些发现共同支持了网络方法在EMA研究中的潜在相关性,并提示简短EMA情绪测量在未来临床研究和数字干预背景下可能有助于监测情感过程。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号