青少年惩罚敏感性与问题性互联网使用之间的非线性关联：来自横断面和纵向分析的结果

《International Journal of Clinical and Health Psychology》：Nonlinear associations between punishment sensitivity and problematic Internet use among adolescents: Results from cross-sectional and longitudinal analyses

　　王金鹏|张嘉琪|郑雅|胡克松|张胜豪|肖景|李琦
中国北京首都师范大学学习与认知重点实验室及心理学系

**摘要**
**目的**
“人-情感-认知-执行”（I-PACE）模型认为，个人特质（如惩罚敏感度，PS）通过影响个体对情境的感知来促进问题性互联网使用（PIU）。然而，以往探讨PS与PIU之间关系的研究结果并不一致。这种不一致的一个可能解释是PS与PIU之间的关系可能存在非线性。本研究的目的是考察青少年中PS与PIU之间的曲线关系。

**方法**
在研究1中，我们使用行为抑制系统量表和互联网成瘾测试评估了7555名参与者的PS和PIU。在研究2中，招募了506名参与者完成混合赌博任务和互联网成瘾测试以分别评估PS和PIU。在研究3中，我们在一年内进行了两波调查，共有1824名参与者完成了测量其PS、焦虑、自我控制和PIU的一系列量表。

**结果**
研究1和研究2的结果显示PS与PIU之间存在U形关联。研究3的结果表明，当PS较低时，自我控制中介了PS与PIU之间的关系；而当PS较高时，焦虑中介了这种关系。

**结论**
这些初步结果强调了考虑PS与PIU之间非线性关系的重要性，并扩展了I-PACE模型。此外，本研究提供了实证证据，支持针对不同PS水平制定个性化的治疗和干预方法。

**引言**
问题性互联网使用（PIU）作为一种普遍的心理健康问题，其主要特征是强迫性和持续性的互联网使用，这会导致有害后果（Stavropoulos等，2017）。最近的元分析显示，全球PIU的患病率惊人地高，约为14.22%（Meng等，2022）。此外，PIU还可能导致攻击性（Zhao等，2022）和抑郁（Qu等，2024）等后果。值得注意的是，由于青少年具有特定的心理和生理特征，他们更容易受到PIU的负面影响（Kuss等，2013）。因此，研究青少年中的PIU潜在机制对于制定针对性的预防和干预措施至关重要。

“人-情感-认知-执行”（I-PACE）模型指出，PIU是由人格、情感反应和认知过程之间的相互作用引起的（Brand等，2016）。该模型的一个显著特点是它强调人格特质如何通过塑造个体的情感和认知反应来促进PIU（Brand等，2019）。在该理论框架下，惩罚敏感度是一种人格特质，表现为对与惩罚或奖励终止相关的条件刺激的高度反应性（Franken等，2006），这种特质会塑造个体的情感和认知反应，从而促进PIU。一方面，惩罚敏感度加剧了对负面生活事件的情感反应，显著增加了个体的焦虑（Kubo等，2023；Ruckwongpatr等，2022）。焦虑可能驱使个体寻求缓解负面事件带来的痛苦（Chaaya等，2025）。由于互联网是产生积极感受或避免负面情绪状态的有效工具，个体可能会逐渐形成将互联网作为应对策略的习惯（Kuss等，2018）。这种不适应的应对方式最终可能导致PIU（Laier等，2018）。另一方面，惩罚敏感度可能改变个体对负面刺激的注意力和反应。惩罚敏感度较低的个体对潜在惩罚的意识较低，且在处理负面后果方面存在缺陷（Brand等，2025）。这种钝化的敏感性可能削弱对互联网使用的自我控制能力，因为这些个体可能不会将过度使用视为需要调节的行为（Anataca等，2024；Lu等，2021；Megías-Robles等，2022）。反过来，自我控制能力的减弱使得抑制过度互联网使用变得困难，从而加剧了PIU（?alvarl? & Griffiths，2022）。

许多实证研究发现，青少年中的惩罚敏感度与PIU之间存在强烈相关性（例如，He等，2017）。然而，现有研究关于PS与PIU之间关联的方向（即正相关或负相关）的结果并不一致。一些研究表明，惩罚敏感度较高的青少年更容易发展出PIU（Park等，2013），这种正向预测效应在COVID-19等公共卫生紧急情况下也得到了观察（Kubo等，2023）。神经影像学证据进一步表明，较高的惩罚敏感度通过增强与情绪失调相关的杏仁核-前额叶连接来促进PIU，表明升高的惩罚敏感度可能增加情绪脆弱性，从而增加PIU的风险（Dong等，2022）。此外，最近的研究表明，惩罚敏感度处于中等水平的个体在涉及自我控制和奖励处理的任务中表现最为适应（Jean等，2023）。这种适应模式降低了他们发展出PIU的风险（Li等，2019）。另外，其他研究发现，惩罚敏感度较低的青少年更容易成为PIU患者。患有PIU的青少年报告的惩罚敏感度水平低于健康个体（Li等，2020；Wang等，2020）。行为上，患有PIU的青少年在模糊决策情境中对惩罚的敏感度降低，反映出对负面结果的反应能力受损（Khoury等，2019）。神经影像学研究还显示，患有PIU的青少年在处理损失时，认知控制脑区（包括上额叶回和右侧前扣带皮质）的激活减少（Dong等，2017；Zhang等，2020）。这些行为和神经学发现共同表明，降低的惩罚敏感度可能与对危险行为的行为控制力减弱有关，并与PIU风险增加相关。这些研究中的差异凸显了惩罚敏感度与PIU倾向之间联系的复杂性。正如I-PACE模型所概述的，PIU是人格特质与各种情感和认知因素复杂相互作用的结果（Brand等，2019）。将这一理论框架与现有实证证据相结合表明，惩罚敏感度可能通过非线性途径影响PIU，而不仅仅是简单的线性效应。我们提出惩罚敏感度与PIU之间存在U形关系。这种曲线模型提供了一个简洁而全面的框架，综合了正相关关系（即中等程度的惩罚敏感度支持最佳适应功能）以及先前研究中报告的负相关关系（Frost等，2023）。

当惩罚敏感度相对较高时，焦虑可能在惩罚敏感度与PIU之间起中介作用。先前的研究发现，惩罚敏感度会增强焦虑，进而导致青少年出现PIU（Park等，2013）。一个可能原因是，惩罚敏感度较高的个体对未来潜在的负面后果更为敏感，这会引起焦虑（Kubo等，2023；Ruckwongpatr等，2022）。特别是青少年面临许多压力事件，包括社交互动和学业压力（Wang等，2025），因此更容易感到焦虑（McLaughlin & Hatzenbuehler，2009）。一旦他们试图通过使用互联网来缓解焦虑（Liu等，2022），这种经验会通过强化学习的方式增加使用互联网的主观奖励预期（Brand等，2019，2025）。因此，他们可能逐渐习惯在日常生活中使用互联网来缓解焦虑（Chen等，2021；Chou等，2015；Liu等，2022）。因此，较高的惩罚敏感度会导致更加焦虑的情绪，从而增加对PIU的脆弱性。

当惩罚敏感度相对较低时，自我控制可能中介惩罚敏感度与PIU之间的关系。先前的研究表明，惩罚敏感度过低的人可能无法认识到过度互联网使用的风险（Dong等，2011，2013；Wang等，2020）。由于对负面后果的意识在调动行为调节方面起着关键作用（Brand等，2025），缺乏风险感知可能会降低对互联网使用的自我控制能力（Anataca等，2024；Lu等，2021；Megías-Robles等，2022）。此外，尽管一个领域的自我控制能力提高可以转移到其他领域（Tuk等，2015），但在惩罚敏感度较低的个体中，这种转移效应较弱（Tuk等，2011），使他们更难以提高自我控制能力。鉴于自我控制是防止PIU的关键保护因素（Brand等，2025；Wang等，2026），自我控制能力较弱的个体往往表现出更严重的PIU症状（Ba?atarhan等，2023；Mei等，2016）。因此，较低的惩罚敏感度可能导致自我控制能力下降，从而增加对PIU的脆弱性。

惩罚敏感度作为一种稳定的人格特质，反映了个体对负面刺激的持续反应倾向（Adrián-Ventura等，2023）。在特定情境下，如风险决策中，这种特质可能表现为损失厌恶（Gianelli等，2022）。损失厌恶是一种常见现象，即个体对潜在损失的敏感性大于对等潜在收益的敏感性（Xu等，2020）。在实验设置中，损失厌恶可以被视为基于状态的惩罚敏感度的行为指标，动态反映了特质惩罚敏感度与具体环境之间的相互作用（Sokol-Hessner & Rutledge，2019；Gianelli等，2022）。研究还表明，特质惩罚敏感度与损失厌恶之间存在密切关系（Gao等，2019；Gon?alves等，2022；Li等，2019）。因此，在本研究中，我们采用损失厌恶作为惩罚敏感度的行为标志，以实现方法论上的三角验证，从而为惩罚敏感度与PIU之间的关联提供进一步证据。

总体而言，本研究结合了问卷调查（研究1）和行为任务（研究2）来探讨惩罚敏感度对青少年PIU的非线性影响。尽管传统的I-PACE模型假设惩罚敏感度与PIU之间存在线性关联，但先前的实证结果并不一致，暗示可能存在非线性模式。我们假设惩罚敏感度与PIU之间存在U形关系。具体来说，随着惩罚敏感度的增加，PIU最初会下降，达到转折点后才会增加。此外，我们还进行了纵向研究（研究3），以确定惩罚敏感度增强PIU的潜在机制在惩罚敏感度较低和较高的个体之间是否存在差异。根据I-PACE模型，惩罚敏感度可能通过焦虑和自我控制影响PIU。基于I-PACE模型和先前的研究，我们假设焦虑和自我控制可能中介PS与PIU之间的关系。当惩罚敏感度极高时，焦虑起中介作用；当惩罚敏感度极低时，自我控制起中介作用。图1展示了我们提出的整体模型。

**下载**：下载高分辨率图片（112KB）
**图1. 本研究的假设模型。**
首先，惩罚敏感度与问题性互联网使用之间存在U形关系。其次，当惩罚敏感度极高时，它会通过增加焦虑水平来促进问题性互联网使用；当惩罚敏感度极低时，它会通过降低自我控制来促进问题性互联网使用。
+: 正相关；-: 负相关。

**研究1**
**参与者和程序**
我们共招募了来自中国北京市海淀区、石景山区、大兴区和经济技术开发区的7694名小学（4至6年级）和中学生（7至12年级）的学生自愿参与我们的调查。我们采用了便利抽样方法。在学年开始时，合作学校向家长提供了书面信息表，说明了研究的目的和范围，旨在了解学生的互联网使用情况并确定关键影响因素。所有参与者都自愿参加了研究，并在调查前与他们的父母签署了书面同意书。在收到家长和学生的同意书后，参与学生在校内老师的陪同下前往计算机实验室完成了一系列问卷调查。在排除了139名参与者后（这些参与者要么没有通过注意力检查（例如，回答“我从未生病过”），要么在所有问卷中选择了相同的回答），我们最终得到了7555名青少年的样本，其中48.9%为女性。有效的回答率为98.2%。参与者的年龄范围在10到18岁之间，平均年龄为12.43岁（标准差=2.04）。本研究遵循了《赫尔辛基宣言》的要求，并获得了[为盲审而隐藏的]伦理委员会的批准。

**测量方法**

**行为抑制系统量表**
惩罚敏感性是通过行为抑制系统（BIS）量表的BIS子量表来评估的（Carver & White, 1994），本研究使用的中文版本已经过验证（Li et al., 2008）。该量表包含7个项目，评分范围从“1”（完全不适用于我）到“4”（非常适用于我）。它衡量的是参与者在面对惩罚提示时感到焦虑的倾向。较高的分数表示较高的惩罚敏感性。在研究1中，BIS的Cronbach's α系数为0.78，显示出良好的可靠性。

**互联网成瘾测试**
使用Young的互联网成瘾测试（IAT）来评估PIU（Young, 1998），本研究使用的中文版本也经过了充分验证（Lai et al., 2013）。IAT包含20个李克特型项目，每个项目的评分范围从“1”（完全不是）到“5”（总是）。较高的分数表示更高的PIU程度。在研究1中，IAT的Cronbach's α系数为0.94，表明了极高的可靠性。

**统计分析**
数据分析使用R语言（R Core Team, 2023）进行。首先进行了初步分析，以检查BIS分数、IAT分数和人口统计特征之间的双变量相关性。在主要分析中，使用了R中的“nls”函数来评估BIS分数和IAT分数之间的关系。为了澄清先前研究中的不同发现，同时采用了二次模型和线性模型来预测IAT分数，基于BIS分数进行预测。此外，性别和年龄也被作为协变量纳入这两个模型中。为了确定最佳拟合模型，应用了赤池信息量准则（AIC）和贝叶斯信息量准则（BIC）。如果BIS分数在二次模型和线性模型中都能显著预测IAT分数，则认为该模型是最合适的。在评估拟合优度时，没有使用R2，因为对于非线性模型来说R2被认为不够准确（Spiess & Neumeyer, 2010）。最后，根据Haans et al. (2016)的方法进行了稳健性检查，以确认二次关系。稳健性检查包括在回归模型中添加一个三次项，并评估它是否改善了模型的拟合度。如果三次项没有提高拟合度，那么这将支持二次关系的更强证据。

**结果**
研究1的描述性统计数据见表1。年龄、IAT分数和BIS分数之间存在显著的正相关性。

**图2A** 显示了BIS分数对IAT分数的二次效应，估计值见表2。BIS分数对IAT分数有显著的二次影响（B = 0.08，95% CI = [0.06, 0.10]，p < .001），表明存在曲线关系。因此，当BIS分数较低或较高时，IAT分数会升高，而当BIS分数接近平均值时，IAT分数会下降。此外，在二次模型中，年龄显著预测了IAT分数（B = 2.37，95% CI = [2.19, 2.55]，p < .001），表明年龄较大的青少年表现出更高的IAT分数。BIS分数在线性模型中也显著预测了IAT分数（B = 0.87，95% CI = [0.77, 0.97]，p < .001）。但AIC和BIC表明二次模型（AIC = 63,267.25，BIC = 63,308.83）的拟合度优于线性模型（AIC = 63,340.15，BIC = 63,374.80）。

**稳健性检查**
稳健性检查的结果显示，三次项并不显著（B = 0.002，95% CI = [?0.001, 0.004]，p = .136），也没有改善拟合度（AIC = 63,268.03，BIC = 63,315.54）。因此，BIS和IAT之间的二次关系相对稳健。

**讨论**
结果表明，青少年的BIS分数和IAT分数之间存在二次关系，而不是线性关联。这些发现支持了这样一个假设：在特质层面，惩罚敏感性和PIU之间存在U形关系。值得注意的是，之前的研究不仅通过问卷（Li et al., 2016）还通过行为任务（Yao et al., 2022）来测量惩罚敏感性。问卷和行为任务捕捉了惩罚敏感性的不同方面。特质惩罚敏感性通常通过自我报告问卷来评估，反映了个体持久、稳定且跨情境的人格倾向（Oka et al., 2025）。相比之下，损失厌恶是通过行为任务来测量的，它代表了特定任务情境中的动态激活（Hong et al., 2023）。此外，仅依赖人格问卷可能会引入与社会期望相关的偏差（Pedregon et al., 2012）。因此，结合行为任务可以通过在主观特质层面和客观行为层面评估惩罚敏感性，从而实现方法上的三角验证。这种方法能够更稳健和全面地检查惩罚敏感性和PIU之间的U形关系是否在不同测量方式中始终成立。因此，研究2将使用混合赌博任务来测量惩罚敏感性，以进一步验证这种U形关系。

**研究2**
**参与者和程序**
参与者（独立于研究1的参与者）来自中国三个地区的初级学校（4至6年级）和中级学校（7至12年级），分别是北京市、河北省和海南省。招募程序与研究1相同。样本包括506名学生，其中53.6%为女性。参与者的年龄范围在10到18岁之间，平均年龄为14.02岁（标准差=2.43）。具体来说，所有参与者都表示他们之前没有参加过类似的实验，并符合右手习惯、视力正常或矫正至正常以及没有神经系统或精神疾病史的标准。在提供知情同意后，参与者在教师的陪同下到达计算机实验室，指导老师向他们解释了完成问卷和混合赌博任务的规则。一半的参与者在参与混合赌博任务之前完成了IAT，另一半则在完成IAT之前进行了混合赌博任务。本研究遵循了《赫尔辛基宣言》的要求，并获得了[为盲审而隐藏的]伦理委员会的批准。

**测量方法**
**混合赌博任务**
我们使用了混合赌博任务（MGT; Tom et al., 2007）来测量参与者的损失厌恶程度。为了熟悉任务，参与者在正式试验之前完成了六个训练试验。参与者被告知，他们在混合赌博任务中的任何决定都将与最终奖励相关联，获得的硬币越多，奖励也越大。图3A显示了MGT中一个样本试验的时间线。在每个试验开始时，会提供一个混合赌博选项，表示获得一定数量的硬币或失去另一个指定数量的硬币的概率相等（50%）。这个赌博选项的有效时间为6000毫秒。可能的收益范围是10枚到24枚硬币，每次增加2枚；可能的损失范围是5枚到12枚硬币，每次增加1枚（图3B）。因此，共有64种可能的收益和损失组合，在64次试验中随机呈现。参与者需要通过接受或拒绝赌博选项来做出决定。为了鼓励参与者考虑每个赌博的主观吸引力，而不是简单地遵循预定规则，他们被要求表明他们对每个赌博的接受或拒绝程度（“F”=强烈接受，“G”=弱接受，“H”=弱拒绝，“J”=强烈拒绝）。按键后，选择的选项会用红色边框突出显示1000毫秒。然后，在显示空白屏幕1000毫秒后开始下一个试验。每次赌博的结果都是随机决定的，相应的硬币数量会加到或从程序中的总奖励中扣除。

**互联网成瘾测试**
PIU的测量方法与研究1相同。在研究2中，IAT也显示出良好的可靠性，Cronbach's α为0.93。

**统计分析**
数据分析使用R语言（R Core Team, 2023）进行。在初步分析中，我们计算了MGT中的λ值以估计参与者的损失厌恶程度。根据每个参与者的强烈/弱化响应，将接受率转换为接受和拒绝两类（“强烈接受”和“弱接受”对应接受，“强烈拒绝”和“弱拒绝”对应拒绝）。接下来，进行了逻辑回归来计算收益和损失的回归系数。将参与者的决定（接受或拒绝）作为因变量，潜在收益（bgains）和损失（blosses）的大小作为自变量。然后使用公式λ = -blosses/bgains来计算λ值（Tom et al., 2007）。较小的λ值表示较低的损失厌恶程度。在主要分析中，使用R中的“nls”函数来评估λ和IAT分数之间的关系。同时运行了包含λ的二次模型和线性模型来预测IAT分数。此外，性别和年龄也被作为协变量纳入这两个模型中。应用了赤池信息量准则（AIC）和贝叶斯信息量准则（BIC）来选择最佳模型，该模型具有最低的AIC和BIC值。选择标准是λ在二次模型和线性模型中都能显著预测IAT分数。λ值经过了平方根转换。最后，进行了与研究1相同的稳健性检查。

**研究2的描述性统计数据**
表3展示了研究2的描述性统计结果。年龄和IAT分数之间存在显著的正相关性。

**结论**
研究2的结果表明，BIS分数和IAT分数之间存在显著的二次关系，而不是线性关联。这些发现支持了这样一个假设：在特质层面，惩罚敏感性和PIU之间存在U形关系。应该注意的是，以前的研究不仅通过问卷（Li et al., 2016）还通过行为任务（Yao et al., 2022）来测量惩罚敏感性。问卷和行为任务捕捉了惩罚敏感性的不同方面。特质惩罚敏感性通常通过自我报告问卷来评估，反映了个体持久、稳定且跨情境的人格倾向（Oka et al., 2025）。相比之下，损失厌恶是通过行为任务来测量的，它代表了特定任务情境中的动态激活（Hong et al., 2023）。此外，仅依赖人格问卷可能会引入与社会期望相关的偏见（Pedregon et al., 2012）。因此，结合行为任务可以通过在主观特质层面和客观行为层面评估惩罚敏感性，从而实现方法上的三角验证。这种方法使得能够更稳健和全面地检查惩罚敏感性和PIU之间的假设U形关系是否在不同测量方式中始终成立。因此，研究2将使用混合赌博任务来测量惩罚敏感性，以进一步验证这种U形关系。年龄在二次模型中显著预测了IAT得分（B = 2.50，95% CI = [1.99, 3.01]，p < .001），表明年龄较大的青少年表现出更高的IAT得分。具体来说，当λ相对较低或较高时，IAT得分增加；而当λ接近均值时，IAT得分减少。然而，在线性模型中，λ并未显著预测IAT得分（B = –0.20，95% CI = [–3.22, 2.82]，p = .898）。此外，二次模型的拟合效果优于线性模型。表4显示了研究2中各模型的结果。

**研究3：参与者与程序**

初始样本包括来自中国北京市、河北省和海南省的中小学（4至6年级和7至12年级）的1881名参与者。招募程序与研究1相同。他们在2023年6月（时间1）和2024年6月（时间2）完成了自我报告问卷。排除未完成全部问卷的57名参与者后，最终样本大小为1824名年龄在10至18岁之间的个体（平均年龄=12.86岁，标准差=2.68岁）。

**测量工具**

- **行为抑制系统量表（BIS）**：研究3中使用的BIS子量表与研究1相同。时间1和时间2的Cronbach's α值分别为0.87和0.79。
- **互联网成瘾测试**：测量方法与研究1和研究2一致。时间1和时间2的Cronbach's α值分别为0.95和0.96。
- **广泛性焦虑障碍量表（GAD-7）**：使用GAD-7来评估焦虑（Spitzer等人，2006年），其中文版本已通过验证（Zeng等人，2013年）。GAD-7包含7个项目，每个项目的选项范围从“0”（完全没有）到“3”（几乎每天都有）。得分越高表示焦虑水平越高。本研究的时间1和时间2的Cronbach's α值分别为0.93和0.94。
- **简短自我控制量表（SCS）**：自我控制通过简短自我控制量表（SCS，Morean等人，2014年）进行评估，该量表已翻译并针对中国人群进行了验证（Luo等人，2021年）。本研究使用SCS中的“冲动控制”子量表。该子量表包含4个项目，每个项目的评分范围从“1”（完全没有）到“5”（总是）。冲动控制子量表衡量抵抗短期奖励和诱惑的能力，分数越高表示控制冲动的能力越强。

**统计分析**

数据分析使用Mplus 8.3版本进行。首先根据实证得出的顶点将参与者分为两组。使用与研究1相同的非线性回归模型，结果显示在研究3中，二次项为–2.91，线性项为0.09。根据二次函数计算得出的顶点为–1 * (–2.91) / (2 * 0.09) = 16.16。据此，参与者被分为两组：U形曲线的左半部分（LU组），其中个体的BIS得分低于16.16；以及U形曲线的右半部分（RU组），其中个体的BIS得分高于16.16。对于RU组和LU组，分别测试了焦虑和自我控制在惩罚敏感性与PIU之间的关系中的中介效应。此外，性别和年龄作为协变量包含在所有中介模型中。在四个模型中，通过基于5000次重采样的自助法置信区间评估间接效应的统计显著性。如果95%的自助法置信区间不包括零，则认为间接效应具有显著性（Yin等人，2023年）。

**结果**

- **中介模型**：中介模型显示GAD（χ2/df = 2.37，RMSEA = 0.06，CFI = 0.94，TLI = 0.89，SRMR = 0.03）和SCS（χ2/df = 1.93，RMSEA = 0.05，CFI = 0.95，TLI = 0.91，SRMR = 0.03）在LU组中解释BIS与IAT之间的中介作用是可接受的。时间1的BIS不能预测时间2的GAD（β = 0.08，95% CI = [0.00, 0.16]，p = .061），时间1的GAD也不能预测时间2的IAT（β = 0.15，95% CI = [–0.02, 0.31]，p = .071）。自助法结果显示间接效应与零无显著差异（标准化间接效应 = 0.01，95% CI = [0.00, 0.05]），表明GAD在LU组中不中介惩罚敏感性与PIU之间的关联。时间1的BIS显著预测时间2的SCS（β = 0.13，95% CI = [0.03, 0.23]，p = .016）。时间1的SCS显著预测时间2的IAT（β = –0.11，95% CI = [–0.21, –0.01]，p = .035）。自助法置信区间显示间接效应与零有显著差异（标准化间接效应 = –0.02，95% CI = [–0.04, –0.01]）。因此，SCS在LU组中介了BIS与IAT之间的长期关系。

- **RU组**：中介模型显示GAD（χ2/df = 7.54，RMSEA = 0.07，CFI = 0.98，TLI = 0.90，SRMR = 0.02）和SCS（χ2/df = 5.43，RMSEA = 0.06，CFI = 0.96，TLI = 0.92，SRMR = 0.02）在RU组中解释BIS与IAT之间的中介作用是可接受的。时间1的BIS显著预测时间2的GAD（β = 0.14，95% CI = [0.06, 0.22]，p < .001）。时间1的GAD显著预测时间2的IAT（β = 0.08，95% CI = [0.02, 0.14]，p = .013）。自助法置信区间显示间接效应与零有显著差异（标准化间接效应 = 0.01，95% CI = [0.01, 0.02]）。因此，GAD在RU组中介了BIS与IAT之间的长期关系。时间1的BIS不能预测时间2的SCS（β = –0.03，95% CI = [–0.08, 0.02]，p = .253），时间1的SCS可以预测时间2的IAT（β = –0.14，95% CI = [–0.19, –0.08]，p < .001）。然而，自助法置信区间显示间接效应与零无显著差异（标准化间接效应 = 0.00，95% CI = [–0.01，0.01]），表明SCS在RU组中未起中介作用。

**讨论**

研究3的结果显示，青少年的λ与IAT得分之间存在二次关系。这与先前的研究（Yao等人，2020年）一致，即λ较低的青少年比λ中等的青少年具有更高的IAT得分。这表明λ较低的青少年可能低估了过度使用互联网的潜在严重后果（Wang等人，2020年），这可能导致问题性互联网使用（PIU）的发展。相反，λ较高的青少年也比λ中等的青少年表现出更高的IAT得分，这与研究1的结果一致。总之，研究1和研究2的证据验证了惩罚敏感性对青少年PIU影响的复杂性及非线性模式。然而，U形关系的潜在机制仍需进一步探讨。我们进行了研究3以直接检验引言部分提出的假设。

**结论**

本研究首次探讨了青少年中惩罚敏感性与其PIU之间的非线性关系。与先前的研究一致（Yao等人，2020年），λ较低的青少年相比λ中等的青少年具有更高的IAT得分。这表明λ较低的青少年可能低估了过度使用互联网的潜在严重后果（Wang等人，2020年），从而导致PIU的发展。相反，λ较高的青少年也表现出更高的IAT得分，这与研究1的结果一致。总的来说，两项研究的结果证实了惩罚敏感性对青少年PIU影响的复杂性及非线性模式。然而，U形关系的潜在机制仍需进一步研究。为此，我们开展了研究3。因此，他们可能会在互联网上花费更多时间来避免焦虑，从而形成一个恶性循环，不断导致问题性互联网使用（PIU）的发展（Brand等人，2016年；Erhel等人，2024年）。本研究显示，与惩罚敏感度中等的青少年相比，惩罚敏感度较低的青少年更容易陷入PIU，而自我控制在这一过程中起到了中介作用。这些结果与一些先前的研究一致。例如，有PIU的个体通常对惩罚的敏感度较低（Wang等人，2020年），并且他们对因过度使用互联网而可能面临的现实生活中的惩罚反应较弱（Dong等人，2013年）。同时，这类人在使用互联网时对即时负面刺激也不敏感（Cho等人，2022年）。I-PACE模型为惩罚敏感度和问题性互联网使用之间的负相关提供了一个可能的解释。一方面，惩罚敏感度较低的青少年表现出一种注意力偏差，使他们较少注意到与惩罚和奖励剥夺相关的线索（Kreuze等人，2020年；Serrano-Ibá?ez等人，2019年）。这种偏差使他们更有可能忽视过度使用互联网的潜在负面后果，从而无法控制在线时间，进而导致PIU的发展（Brand等人，2016年）。另一方面，惩罚敏感度较低的个体对负面结果的反应也较弱（Vargas等人，2019年）。这体现在负反馈后的错误纠正率较低（Brand等人，2025年），以及对负面刺激的生理唤醒反应减弱（Yoon等人，2015年）。因此，即使面临负面后果，他们也可能无法控制在线时间（Feldmann等人，2021年）。总之，惩罚敏感度较低似乎会损害对负面刺激的识别和反应能力，从而降低自我控制能力，进而加剧PIU。I-PACE模型强调了人格特质与PIU之间的强联系（Brand等人，2016年，2019年）。大多数先前的研究假设人格特质与PIU之间的关系是线性的（例如，Marengo等人，2020年）。然而，关于惩罚敏感度与PIU之间关联的先前研究结果并不一致。一些研究发现，惩罚敏感度较高的个体比惩罚敏感度较低的个体更容易上瘾（例如，Kubo等人，2023年），而其他研究则指出惩罚敏感度较低的个体更可能过度使用互联网（例如，Nikolaidou等人，2016年）。本研究提出，惩罚敏感度与PIU之间的联系可能呈现U形模式，而不仅仅是先前研究假设的线性模式。这表明特定人格特质与PIU之间的关系可能是非线性的，扩展了I-PACE模型对这一关系的理解。此外，惩罚作为一个普遍的易感因素，可能对多种成瘾行为产生影响（Brand等人，2019年）。值得注意的是，惩罚敏感度与其他成瘾行为（如酒精依赖）之间的关系也并不一致。一些研究发现其相关性为正，而另一些研究则发现相关性为负（Logge等人，2023年）。未来的研究可以探索惩罚敏感度与其他成瘾行为之间的关系是否也呈现U形模式，以进一步丰富和扩展I-PACE模型。尽管本研究为惩罚敏感度与PIU之间的U形关系提供了有力证据，但在中介模型中观察到的效应大小相对较小，这可能限制了这些发现的实际应用价值。然而，在青少年PIU的纵向研究中，这种小效应大小并不少见，因为这些模型通常会考虑受到多种混杂变量影响的复杂模式（Liu等人，2025年）。重要的是，这些效应的统计显著性支持了所提出的中介机制的稳定性和可靠性，表明这些发现仍具有一定的意义。对于心理健康工作者来说，惩罚敏感度作为一个相对稳定的人格因素，可以为青少年PIU提供一些潜在的干预措施（Brand等人，2016年）。具体而言，对于对惩罚敏感度较高的学生，可以通过减少他们在日常生活中经历的焦虑（Park等人，2013年）以及指导他们建立适应性应对压力的方式（Dong等人，2024年），来减少他们的互联网使用时间。对于惩罚敏感度较低的学生，心理健康工作者可以关注他们的注意力偏差，让他们充分意识到问题性互联网使用可能带来的负面后果，从而降低他们发展PIU的风险（Xu等人，2021年）。此外，教育者和家长应更加关注学生的互联网使用情况，特别是在学生对惩罚的敏感度较高或较低的情况下。一旦学生多次“在线时间超过预期”，这意味着他们可能有上瘾的风险（Wang等人，2024年）。应适时为这些学生提供专业帮助和有针对性的预防和干预。然而，需要重申的是，这些建议是基于统计显著但相对较小的效应大小得出的，因此应将其视为初步方向而非最终的临床指南。未来的研究需要使用更大、更多样化的样本和实验设计，以确定针对这些特定机制的干预措施是否能在青少年PIU方面产生临床意义上的变化。值得注意的是，本研究也存在一些局限性。首先，虽然研究聚焦于青少年，因为他们更容易受到PIU的影响（Wang等人，2024年），但尚不清楚惩罚敏感度与PIU之间的U形关系是否适用于其他年龄组，如成人和儿童。未来的研究应检验不同发育阶段是否会出现类似的模式。其次，本研究的双波设计虽然具有信息价值，但限制了正式测试中介途径或区分个体间和个体内效应的能力。为了解决这个问题，未来的研究可以加入更多的时间点，并采用高级分析方法，如随机截距交叉滞后面板模型（Muthén等人，2024年），以更好地区分个体内动态和个体间差异，并直接评估间接效应。第三，应注意的是，社会经济地位（SES）可能在惩罚敏感度与PIU之间的关系中起到混杂作用。一方面，SES可能与惩罚敏感度相关，因为SES较低的个人往往报告更高的惩罚敏感度（White等人，2022年）。另一方面，SES也可能影响PIU。例如，较高的父母教育水平会预测青少年的PIU（Fadl等人，2025年）。高SES与低SES的青少年表现出不同的PIU核心症状，表明SES改变了PIU发展的潜在机制（Zhuo等人，2025年）。因此，惩罚敏感度与PIU之间的相关性和可能是由SES的变化部分解释的。未来的研究应将SES作为协变量，以进一步验证本研究发现的关联。第四，本研究将损失厌恶视为惩罚敏感度的行为指标，因为两者在概念上有重叠。惩罚敏感度（通过BIS量表评估）反映了与对惩罚或厌恶刺激持续反应相关的稳定人格特质（Oka等人，2025年）。相比之下，通过混合赌博任务测量的损失厌恶则代表了相对于等值收益的行为敏感性（Hong等人，2023年）。神经影像学证据表明这两种构念具有共同的神经基础，支持了它们的相似性（Arioli等人，2023年；He等人，2026年）。一些行为研究也发现基于BIS的惩罚敏感度与基于任务的损失厌恶之间存在正相关（例如，Gao等人，2019年）。尽管如此，本研究并未同时评估这两种测量方法以直接检验它们的关联性和区别。未来的研究应在同一样本中同时施测BIS量表和混合赌博任务，以量化它们的相关性。此外，可以采用因子分析来识别惩罚敏感度和损失厌恶背后的共同潜在因素（Huang等人，2024年），从而测试这一普遍的负面敏感因素是否与PIU呈现U形关联。最后，本研究对PIU严重程度的评估主要依赖于学生的自我报告。然而，考虑到互联网成瘾者可能会隐藏在线时间（Young，1998年），仅凭自我报告的问卷可能无法完全准确地反映学生的PIU情况。因此，未来的研究可以结合家长、教师等人的报告数据，更全面地识别和评估青少年的PIU（Shiyun等人，2023年）。本研究通过自我报告和行为测量调查了惩罚敏感度与PIU之间的非线性关系。结果与假设一致，揭示了惩罚敏感度与PIU之间的U形关联，即当惩罚敏感度极高或极低时，青少年更容易陷入PIU。这些发现不仅丰富了I-PACE模型对人格特质与成瘾之间关系的理解，还为青少年PIU的早期识别和干预提供了新的见解。

数据可用性：数据将根据请求提供。

伦理：参与者及其家长在调查前签署了同意书，调查遵循《赫尔辛基宣言》，并获得了首都师范大学伦理委员会的批准。

作者贡献声明：
Jin-Peng Wang：概念化、方法论、软件、数据分析、可视化、初稿撰写、审稿与编辑。
Jia-Qi Zhang：调查、数据管理、方法论。
Ya Zheng：审稿与编辑。
Kesong Hu：审稿与编辑。
Sheng-Hao Zhang：概念化、调查、数据管理。
Jing Xiao：审稿与编辑。
Qi Li：概念化、方法论、项目管理、资金获取、资源协调、监督、审稿与编辑。