《Journal of Traumatic Stress》：Potentially morally injurious events and posttraumatic stress symptom change across the military-to-civilian transition: A prospective study
摘要
这项前瞻性研究旨在检验暴露于潜在道德伤害事件（PMIEs）——特别是自我归因的 transgressions、他人归因的 transgressions 和背叛经历——是否能预测军事到平民过渡（MCT）期间创伤后应激症状（PTSS）的变化和再融入困难。815名美国陆军士兵在退役前约6个月（时间点1 [T1]）和退役后约6个月（时间点2 [T2]）完成了调查。PMIEs在T1评估，PTSS在两个时间点均评估，再融入困难在T2评估。分析采用分层线性回归和调节模型，并调整了人口统计学和服役相关的协变量。在控制了基线PTSS后，背叛相关的PMIEs独特地预测了更高的T2 PTSS，β = .09, p = .014，而自我和他人归因的 transgressions 则不显著。背叛相关的PMIEs在控制了PTSS和战斗暴露的影响后，还预测了更高水平的再融入困难，β = .13, p = .003。性别和关系状态的交互效应在统计上显著但效应量较小，ΔR2= .015。在所有模型中，背叛相关PMIEs的效应量均属 modest，βs = .09–.15。由于PTSD Checklist–Military Version（PCL-M）的施测未将症状反应锚定于特定创伤事件，因此研究结果反映的是一般性应激相关痛苦，而非DSM定义的PTSD。总体而言，结果表明背叛型PMIEs是MCT期间心理和功能困难的一个 modest 但一致的风险因素，强调了在筛查和干预中区分PMIE亚型的价值。
引言
军人在从现役过渡到平民生活的过程中面临诸多心理挑战，包括创伤后应激障碍（PTSD）、抑郁风险升高以及社交和职业再融入困难。虽然战斗暴露早已被确定为PTSD的主要风险因素，但暴露于违反深层道德信念的事件，即潜在道德伤害事件（PMIEs），也可能显著导致创伤后痛苦。PMIEs可涉及个人实施的作为或不作为、目睹他人的道德 transgressions 或感知到受信任者的背叛，并与以羞耻、内疚、存在冲突和人际疏离为特征的痛苦相关。本文中，PMIEs指基于暴露的事件，并与道德伤害（指此类事件后可能出现的更广泛的痛苦和功能障碍综合征）相区分。
道德伤害作为一个理解超越基于恐惧的PTSD模型的创伤相关症状的框架日益受到重视。然而，大多数实证研究是横断面的，并集中于现役人员或退役后的老兵，而非关注这两种身份之间的过渡期。因此，关于特定PMIE亚型如何预测MCT期间PTSS变化的信息很少。新兴证据表明，不同的PMIE亚型可能通过不同的机制带来风险。自我归因的 transgressions 与军事部署期间PTSS的关联受到道德认同的调节。他人归因的 transgressions 与愤怒和不信任有关，这可能阻碍战后的恢复。背叛，尤其是由领导或机构实施的背叛，可能破坏对军事系统内部信任、身份一致性和感知公平性的信念。然而，很少有研究对这些亚型进行前瞻性检验、比较它们或评估它们与再融入结果的相关性。
MCT是道德伤害相关痛苦发展和表达的关键时期。退役涉及职业身份、社交网络以及接触 civilian 环境的转变，这些环境可能不共享对战斗、职责或牺牲的军事理解。在这种背景下，未解决的道德违反可能变得更加突出，特别是在机构支持或道德修复有限的情况下。需要纵向研究来阐明PMIE暴露如何影响这一过渡期间的症状和功能。
PMIEs日益被概念化为多维度的，研究工作区分了自我归因的 transgressions、他人归因的 transgressions 和背叛。尽管每个亚型已在特定人群或环境中与痛苦相关联，但很少有研究直接比较它们在预测MCT期间PTSS或再融入困难的前瞻性变化方面的能力。此外，人口统计学和服役相关特征（如性别、家庭角色、军衔和服役年限）可能影响PMIEs的体验和评价方式。一些框架不仅将背叛概念化为一个暴露亚型，也将其概念为一个道德伤害症状域。与已建立的概念框架和道德伤害事件量表（MIES）的结构一致，我们将背叛视为一个独特的PMIE暴露亚型，同时承认关于背叛应被概念化为暴露类别还是症状域的持续争论。
本研究通过使用一个在美国陆军士兵仍在现役时和退役后分别完成调查的样本，来弥补这些空白。该设计使我们能够检查分离前PMIEs与PTSS的关联，并检查MCT期间PMIEs与PTSS变化及再融入困难的前瞻性联系。我们检验了自我归因的 transgressions、他人归因的 transgressions 和背叛是否能预测PTSS的增加和再融入困难，且超出战斗暴露和协变量的贡献。我们还测试了人口统计学和服役相关特征是否调节这些关联。
基于先前的理论和实证发现，我们在分析前阐述了以下假设。首先，我们检查横断面关联，假设在分离前，对每个PMIE亚型（自我归因的 transgressions、他人归因的 transgressions 和背叛）的较高暴露与较高水平的PTSS相关。其次，我们检查PTSS的前瞻性预测。在调整了分离前PTSS、战斗暴露以及人口统计学和服役相关协变量后，我们假定分离前评估的PMIE亚型能前瞻性地预测更高的分离后PTSS。与先前强调其在破坏信任和身份连续性方面的作用的文献一致，我们预计背叛相关的PMIEs与MCT期间PTSS变化的关联最强。第三，为了评估再融入困难的前瞻性预测，我们假设在调整了分离前PTSS、战斗暴露以及人口统计学和服役相关协变量后，PMIE亚型能预测更高的分离后再融入困难，且背叛相关的PMIEs在亚型中独特地解释最大的方差份额。最后，我们检查了人口统计学和服役特征的调节作用。与将道德违反与身份、角色期望和关系责任联系起来的理论模型一致，我们探索了人口统计学和服役相关因素（如性别、关系状态、军衔、服役年限、部署历史）作为PMIE亚型与分离后PTSS关联的潜在调节变量；这些分析是探索性的，并非本研究主要目的的核心。
方法
参与者和程序
分析样本包括719名完成了分离前调查（T1）和分离后调查（T2）的美国陆军老兵。T1发生在分离前约6个月，T2发生在分离后约6个月。为了与MCT对齐，只包括了在分离前后4-8个月内完成T1和T2的老兵，以平衡接近分离点和留有足够时间进行早期适应过程。
预计在6个月内分离的士兵通过美国国防部（DoD）Transition eForm系统被识别。招募电子邮件邀请这些士兵完成在线T1调查。总共发送了16,519份邀请，2,056名士兵完成了T1调查（回应率12.5%）。大约一年后（分离后6个月），重新联系这些个体；815名完成T1调查的受访者也完成了T2调查（从T1保留率39.6%；初始邀请率4.9%）。分离原因（如自愿、医疗、法律）在Transition eForm系统中不可用。由于参与是自愿的，样本可能过度代表了更积极参与过渡准备过程的士兵；这种潜在的自我选择偏差在讨论部分予以考虑。
调查通过安全的网络平台（Qualtrics）进行。参与者在两个时间点都提供了知情同意，并在完成每项调查后获得40美元（USD）。测量工具按固定顺序施测。在T1，参与者回答与人口统计学特征和服役相关的项目；部署历史（触发对有过部署经历者施测战斗经历量表（CES））；PTSD Checklist–Military Version（PCL-M）；和道德伤害事件量表（MIES）。在T2，参与者完成了关于分离时间和早期退役后经历的跟踪项目，然后是PCL-M和Military to Civilian Questionnaire（M2C-Q）。
数据收集于2021年3月至2022年10月期间进行，作为Military-to-Civilian Transition（M2C）项目的一部分。该项目于2017年设计，但由于建立合作研究协议和获得DoD机构审查委员会（IRB）批准所需的时间，数据收集被延迟。由于调查问卷在广泛采用PCL-5（一个与DSM-5中PTSD标准对应的PCL版本）之前就已最终确定，本项目使用了PCL-M（其参考了DSM-IV的标准），以确保与同时期的DoD和美国退伍军人事务部（VA）数据集的连续性。
遵循检测粗心或不专注反应的指南，我们对完成两项调查的815名参与者应用了两种T1筛查程序。首先，我们标记了平均项目反应潜伏期低于3秒的个案。其次，我们检查了在同时包含正向和反向编码项目的量表上的个体内反应变异性。将近零变异性视为参与度不足的证据，96名参与者（11.8%）符合至少一项标准并被排除，产生719人的研究样本。主要分析使用了这个经过筛查的样本；对所有815名参与者的重新分析产生了实质相同的结果。
最终样本中77.9%为男性。参与者报告年龄为18-21岁（6.2%）、22-30岁（45.2%）、31-40岁（23.1%）、40-50岁（20.5%）和50岁及以上（5.3%）。种族和民族构成为72.2%白人、13.3%黑人/非洲裔美国人、5.7%亚裔美国人、1.7%美国印第安人或阿拉斯加原住民、不到1%夏威夷原住民或其他太平洋岛民、以及6.7%多种族。军衔为70.6%士兵、4.3%准尉、23.2%军官。参与者报告平均服役年限为12.39年（SD = 8.70）。样本大致接近分离士兵的更广泛人群，但服役历史较长者略有过度代表。
研究设计允许对T1时PMIEs和PTSS进行横断面分析，以及对PTSS和再融入困难变化（T1-T2）进行前瞻性分析。我们遵守了AR 70-25和45 Code of Federal Regulations 46中规定的人类受试者保护政策。本研究获得了哥伦比亚大学师范学院和Walter Reed Army Institute of Research的IRB批准。
测量工具
PTSS
PTSS在T1和T2均使用PCL-M进行评估，这是一个基于DSM-IV标准的17项测量工具。PCL-M在军人群体中显示出与临床医生管理的PTSD测量工具良好的信度和收敛效度。在回答前，参与者阅读以下提示：“以下是个体有时在部署期间或应对其他应激性生活经历时出现的反应列表。请选择在过去一个月中每个问题困扰您的程度。”由于该测量工具的施测未将症状锚定于特定的DSM标准A创伤事件，因此分数反映的是一般性PTSS严重程度，而非DSM定义的PTSD诊断。这种方法与之前在军人相关人群中使用非锚定版PCL的研究一致。
参与者对每个症状进行1（一点也不）到5（极度）的评分，项目相加得到总分，分数越高表示症状严重程度越高。PCL-M总分50或以上通常用于表示在DSM-IV标准下可能的PTSD。尽管本分析将PCL-M分数作为症状严重程度的连续指标，但该临界值为理解样本中的整体痛苦程度提供了一个有用的临床基准。两次评估的内部一致性均极佳，T1: Cronbach's α = .96, T2: Cronbach's α = .96。
为了便于与基于DSM-5的研究比较，我们使用Moshier等人开发的等百分位交叉转换将PCL-M总分转换为近似的PCL-5等效分数。对于主要分析，PTSS使用PCL-M总分进行操作；使用交叉转换后的PCL-5分数进行的敏感性分析得出了相同的实质性结论。
PMIEs
PMIE暴露在T1使用九项MIES进行测量。MIES在军人样本中显示出可接受的信度和构念效度，包括与PTSD症状、抑郁和功能损伤的关联。参与者在1（强烈同意）到6（强烈不同意）的6点量表上对项目进行评分；所有项目均反向计分，因此分数越高表示PMIE暴露程度越高。与先前工作一致，计算了三个子量表，包括自我归因的 transgressions（MIES Self；四项，例如“我做出了违反自己道德准则的行为”）、他人归因的 transgressions（MIES Other；两项，例如“我因目睹了他人的不道德行为而感到困扰”）和经历的背叛（MIES Betrayal；三项，例如“我感到被我曾经信任的领导者背叛了”）。每个子量表内的项目取平均值。MIES总分的内部一致性极佳，Cronbach's α = .92，MIES Self（Cronbach's α = .88）、MIES Other（Cronbach's α = .86）和MIES Betrayal子量表（Cronbach's α = .91）的内部一致性从良好到极佳。
再融入困难
T2的再融入困难使用M2C-Q进行评估，这是一个涉及就业、关系和社区参与的16项测量工具。M2C-Q在部署后军人和老兵中显示出强大的内部一致性、重测信度，以及与心理健康症状和功能结果的收敛效度。项目在1（无困难）到5（极度困难）的量表上评分并取平均值，分数越高表示再融入困难越大。在本样本中，M2C-Q的内部一致性极佳，Cronbach's α = .95。
战斗暴露
T1的战斗暴露使用来自Deployment Risk and Resilience Inventory–2（DRRI-2）的17项CES进行评估。CES在多个军人样本中显示出强大的信度和效标关联效度，包括与PTSD症状和其他部署相关结果的关联。该量表仅对有过至少一次部署历史的参与者（n = 438）施测。项目（例如“我执行了战斗巡逻任务”）在1（从不）到6（每天）的量表上评分并求和以创建总暴露分数。在本样本中，CES显示出极佳的内部一致性，Cronbach's α = .94。
人口统计学和服役相关特征
参与者在T1报告了人口统计学变量（年龄、性别、种族、教育程度、关系状态和父母状态），在T2报告了部署历史。军衔和服役年限在T1记录。变量为描述性和协变量分析进行编码。
数据分析
使用SPSS（版本29）进行分析。我们首先检查了描述性统计、内部一致性和相关性。连续预测变量在纳入回归模型前进行均值中心化。诊断检查（方差膨胀因子[VIFs]、条件指数、残差检查）表明没有显著违反回归假设的情况。
缺失数据评估了程度和模式。项目级缺失率低于5%。Little's检验不显著，χ2(15, N = 719) = 17.83, p = .271，表明数据是完全随机缺失的。在此条件下，主要分析使用列表删除。使用多重插补（通过完全条件 specification 进行10次插补）的敏感性分析产生了相同的结果模式。
分析分两个阶段进行。首先，为了检验我们的第一个假设，我们使用双变量相关检查了PMIE亚型与T1 PTSS的横断面关联。其次，为了检验我们的第二和第三个假设，我们估计了分层回归模型，其中PMIE总分和亚型预测T2 PTSS和T2再融入困难，同时控制了T1 PTSS、战斗暴露以及人口统计学和服役相关协变量。构建了单独的模型来检查PMIE总分和三个PMIE亚型（MIES Self、Others和Betrayal子量表分数）。为了解决我们的探索性问题，我们在后续步骤中通过添加PMIE变量与人口统计学和军事特征之间的交互项来测试调节作用。
最终回归样本量范围从452到468，取决于模型设定。在此样本量下，在α水平为.05（双尾）的情况下，检测分层回归中多达14个预测变量的小到中等效应大小（f2 = 0.04）的效力超过95%。当测试多个交互项时，应用了错误发现率（FDR）校正。
结果
描述性统计和相关性
描述性统计和双变量相关性见表1。PCL-M平均分数在T1为39.54（SD = 18.41），在T2为40.01（SD = 17.19）。T2 M2C-Q平均分数（再融入困难）为1.24（SD = 0.96）。T1时PMIE暴露程度中等（M = 2.98, SD = 1.26），其中背叛（M = 3.40, SD = 1.64）和他人归因的 transgressions（M = 3.82, SD = 1.56）的认可程度高于自我归因的 transgressions（M = 2.24, SD = 1.50）。战斗暴露也属中等（M = 31.32, SD = 16.04）。各测量工具的样本量有所不同，因为完成情况和CES施测仅限于先前部署过的参与者（n = 438）。
与我们的第一个假设一致，相关性大致符合预期。正如预测的那样，背叛相关的PMIEs与T1（r = .446, p < .001）和T2（r = .399, p < .001）的PTSS显示出最强的关联。他人归因的 transgressions 也与T1（r = .375, p < .001）和T2（r = .324, p < .001）的PTSS正相关，自我归因的 transgressions 也是如此，T1: r = .289, p < .001, T2: r = .251, p < .001。PMIE总分与两个时间点的PTSS均相关，T1: r = .396, p < .001, T2: r = .349, p < .001。战斗暴露与PMIEs（rs = .188–.229, ps < .001）和PTSS（T1: r = .281, p < .001, T2: r = .299, p < .001）存在 modest 关联。T2再融入困难与T1 PTSS（r = .562, p < .001）、T2 PTSS（r = .746, p < .001）以及PMIE暴露（rs = .20–.34, ps < .001）显著相关，特别是与背叛相关的 transgressions（r = .339, p < .001）相关。
主要回归分析：预测T2 PTSS
为了检验我们的第二个假设，进行了两组分层回归，以检查在控制了基线PTSS、战斗暴露和协变量后，PMIEs是否能预测T2 PTSS。在包含PMIE总分的模型中，完整模型显著，F(12, 454) = 65.05, p < .001，解释了T2 PTSS方差的63%，R2 = .632, R2adj.= .623。正如预期，PMIE总分在基线模型（B = 1.38, SE = 0.42, β = .10, p = .001）和添加协变量后（B = 1.34, SE = 0.43, β = .10, p = .002）均显著预测更高的PTSS。战斗暴露在模型1（B = 0.07, SE = 0.03, β = .06, p = .036）和模型2（B = 0.07, SE = 0.04, β = .07, p = .049）中也是一个显著的预测因子。在协变量中，部署历史与更高的PTSS水平相关，B = 4.76, SE = 2.24, β = .06, p = .034。
在PMIE亚型模型中（表2），最终模型显著，F(14, 452) = 58.89, p < .001，解释了T2 PTSS方差的64%，R2 = .637, R2adj.= .626。在三个亚型中，只有背叛相关的PMIEs显著预测T2 PTSS，B = 0.96, SE = 0.39, β = .09, p = .014。自我归因（p = .764）和他人归因（p = .460）的PMIEs不显著。战斗暴露再次预测更高的PTSS水平，B = 0.07, SE = 0.04, β = .07, p = .045，部署历史仍然是一个显著的协变量，B = 4.64, SE = 2.24, β = .06, p = .039。
多重共线性诊断表明没有问题，所有VIFs小于3.0，所有条件指数小于30.0。使用通过Moshier等人交叉转换得到的近似PCL-5等效分数重复所有分析，得出了相同的结论。因此，我们的第二个假设得到了部分支持，即PMIE暴露总体上预测了更高的PTSS，但在亚型模型中，只有背叛相关的PMIEs在纳入协变量后解释了独特的方差。
探索调节作用：人口统计学和服役相关特征
为了解决我们的探索性问题，在主要效应和协变量之后输入了PMIE变量与人口统计学和服役相关因素之间的交互项。对于总PMIE模型，交互项块没有改善模型拟合，ΔR2 = .010, ΔF(10, 444) = 1.26, p = .253，并且没有单个PMIE总分 × 调节因子交互效应显著。
对于亚型模型，自我归因 transgressions 的交互项也不显著，ΔR2 = .006, ΔF(10, 442) = 0.80, p = .631，他人归因 transgressions 的交互项也不显著，ΔR2 = .007, ΔF(10, 442) = 0.86, p = .567。相比之下，背叛模型显示了虽小但显著的解释方差增加，ΔR2 = .015, ΔF(10, 442) = 1.87, p = .047，出现了两个背叛交互项：背叛 × 性别，B = -1.87, SE = 0.94, p = .048，和背叛 × 关系状态，B = -2.15, SE = 0.92, p = .020。鉴于这些协变量的编码方式（男性=0，有伴侣=0），背叛型PMIEs与T2 PTSS的关联在男性中比女性更强，在有伴侣的参与者中比无伴侣的参与者更强。与此问题的探索性性质一致，这些效应的幅度很小，解释的增量方差有限。未观察到战斗暴露、服役年限、军衔、部署历史、年龄、种族、教育程度或父母状态的调节效应，ps = .154–.896。完整模型在补充材料中报告。
预测再融入困难
为了检验我们的第三个假设，进行了分层回归分析，以检查PMIEs是否能预测T2再融入困难，且超出T1 PTSS和战斗暴露的贡献。在总PMIE模型中，更高的PMIE暴露预测
