《Scientific Reports》：Modelling the effect of motivation on mental health components with fuzzy logic among elite athletes
编辑推荐：
本研究针对精英运动员在高压力环境中心理健康风险受动机与训练气候影响的问题，通过构建可解释的模糊逻辑框架（FIS），系统分析了内在动机（IM）、心理安全感（PS）和心理幸福感（MWB）对焦虑（GAD-7）、抑郁（PHQ-9）、运动员特异性压力（APSQ）和倦怠（BMS）的联合作用。研究发现IM对抑郁和焦虑存在抑制效应，而PS与MWB具有协同保护作用，模型较线性回归显著提升预测精度（MAE/RMSE）。该研究为运动员心理健康干预提供了非线性动态评估工具。
在竞技体育的璀璨光环背后，精英运动员长期处于高强度训练和赛事压力之下，其心理健康问题如同暗流涌动。尽管运动心理学领域已关注到训练环境与心理状态的关联，但传统统计方法难以捕捉动机因素与心理健康指标之间复杂的非线性关系。尤其当运动员同时面临内在动机波动、团队心理氛围变化和个体心理资源差异时，风险预测往往失之简化。这种局限性使得教练团队和运动医学工作者难以精准识别处于心理危机临界点的运动员，更遑论实施及时有效的干预。
为突破这一瓶颈，研究团队在《Scientific Reports》发表的研究中创新性地引入模糊逻辑系统（Fuzzy Inference System, FIS），对247名精英运动员进行多维度心理评估。通过构建Mamdani型模糊推理模型，该研究首次实现了对内在动机（Intrinsic Motivation, IM）、心理安全感（Psychological Safety, PS）和心理健康状况（Mental Well-Being, MWB）三大核心要素的协同效应可视化，精准刻画了这些因素对焦虑（GAD-7）、抑郁（PHQ-9）、运动员特异性压力（Athlete-Specific Strain, APSQ）及倦怠（Burnout, BMS）的非线性影响路径。
关键技术方法包括：基于问卷调查获取IM（SMS-6量表）、PS、MWB（SWEMWBS量表）及心理健康结局指标数据；采用Mamdani型模糊推理系统构建预测模型，对边界变量使用梯形隶属函数，中间变量使用三角隶属函数；通过最小-最大规则聚合和质心去模糊化处理，并以平均绝对误差（MAE）最小化为目标校准规则权重。
研究结果
模糊系统规则的可解释性构建
研究团队设计了具有明确心理学意义的规则库：低IM作为主要风险源，PS与MWB单独发挥保护作用，而当PS与MWB同时处于高水平时产生协同保护效应。该规则基通过21条"如果-那么"条件语句实现，例如"如果IM低且PS低且MWB低，那么心理风险极高"。
非线性关系的可视化验证
通过三维曲面图呈现变量交互作用，发现三个规律：当IM、PS、MWB均处于低水平时形成高风险陡坡；任一保护因子（PS或MWB）提升均产生缓冲效应；当PS与MWB同时高于临界值时形成低风险"安全盆地"。这种非对称响应模式解释了为何线性模型会低估极端组合下的心理风险。
模糊模型与回归模型的预测效能比较
传统多元回归显示PS与MWB对所有负面结局均有独立保护作用（p<0.05），但IM意外成为抑郁和焦虑的正向预测因子。进一步诊断确认此为抑制效应（所有VIF<1.5）。而模糊模型的MAE和均方根误差（RMSE）均显著低于线性模型，特别是在预测运动员特异性压力（APSQ）和倦怠（BMS）方面优势明显。
讨论与结论
本研究通过模糊逻辑框架揭示了运动员心理健康保护机制的三重特征：首先，内在动机的降低会直接激活心理风险，这与自我决定理论中IM作为基本心理需求满足指标的观点一致；其次，心理安全感作为环境因子可通过社会支持网络中和个体风险，而心理幸福感则作为个体资源提供内在缓冲；最重要的是，当环境保护因子与个体资源形成共振时，会产生"1+1>2"的协同效应。
该研究的创新价值在于突破了传统变量中心模型的局限，通过模糊集合理论实现了从"是否相关"到"如何相关"的范式转变。所构建的FIS模型不仅具备临床预警价值——可通过动态监测三大核心指标预测心理危机临界点，更为个性化心理干预提供了靶点组合方案。例如，对于IM持续偏低的运动员，可通过提升PS（如优化教练沟通方式）和MWB（如正念训练）实现风险补偿。
未来研究可进一步整合生理指标（如皮质醇水平）和运动表现数据，构建多尺度模糊推理系统。此外，该建模方法可推广至其他高压职业群体的心理健康促进领域，为复杂心理系统的可解释性人工智能评估树立了新范式。
