在数字迷宫中导航：理解数字技能与知识、网络风险以及青少年心理健康之间的相互作用

《Computers in Human Behavior Reports》：Navigating the digital maze: understanding the interplay of digital skills and knowledge, online risks, and mental wellbeing among young people

　　汉西卡·安巴赫拉加达拉（Hansika Ambahelagedara）|弗洛伦萨·索尔特埃克斯（Florencia Sortheix）|劳里·希泰亚贾维（Lauri Hietaj?rvi）|埃莉娜·凯托宁（Elina Ketonen）
芬兰赫尔辛基大学教育科学学院

**摘要**
随着青少年数字技能的增长，在线风险也常常随之出现，这些风险可能对其心理健康产生负面影响，这是一个紧迫的社会问题。我们研究了数字技能与数字知识、总体在线风险暴露程度以及青少年心理健康之间的关系，从而为评估数字技能的多方面性质提供了新的视角。我们使用了来自六个欧洲国家（爱沙尼亚、芬兰、德国、意大利、波兰和葡萄牙）的ySKILLS纵向数据，共涉及10,819名参与者（平均年龄=14.93岁，男生占51.36%，女生占48.64%）。研究结果表明，青少年较高的信息导航和处理能力，以及沟通和互动技能，能够降低他们面临在线风险的程度。即使在线风险在技能与心理健康之间起到中介作用，这些技能仍与心理健康呈正相关。相反，较高的技术和操作技能、内容创作与制作技能，以及数字知识水平，则会增加他们面临在线风险的可能性。此外，技术和操作技能与心理健康呈负相关，即使在在线风险起到中介作用的情况下，这种关系依然存在。内容创作与制作技能和数字知识最初并未显示出与心理健康之间的直接关联，但当引入在线风险作为中介变量后，这种关系变为负相关。这些发现强调了数字技能的双重性质，并突显了识别每项数字技能对青少年心理健康贡献的重要性。

**1. 引言**
在当今快速发展的技术环境中，掌握足够的数字技能和知识对于引领现代生活变得至关重要。儿童通过各种数字设备和应用程序，可以在很小的年龄就接触到大量的在线数字媒体和内容。这些在线环境在儿童生活中扮演着重要角色，因此人们担心青少年可能在在线平台上面临的风险及其对青少年心理健康的影响。然而，总体而言，研究表明青少年使用数字媒体与心理健康之间的关系虽然常为负相关，但其影响微乎其微（例如Orben, 2020; Valkenburg et al., 2022），而在线风险经历与较低心理健康水平之间的具体关联则得到了更一致的支持（Vissenberg et al., 2022）。

**表1. 各国关键变量的描述性统计概况（N=19,654）**
| 国家 | 观测数量 | 年龄（9-22岁） | 性别（二分制，0-男性） | 互联网使用（1-9） | 社交媒体使用（1-7） | 技术与操作技能 | 信息导航与处理技能 | 沟通与互动技能 | 内容创作与制作技能 | 数字知识 | 数字素养 | 心理健康 |
|-----------------|------------|------------|--------------|-------------|-----------------|------------|-----------------|--------------|------------|------------|-------------|------------|
| 爱沙尼亚 | 3,614 | 15.51 | 0.50 | 6.23 | 5.51 | 4.37 | 4.48 | 4.48 | 3.80 | 0.63 | 1.55 |
| 芬兰 | 3,048 | 15.45 | 0.52 | 6.58 | 5.66 | 4.26 | 4.13 | 4.09 | 3.83 | 0.62 | 1.55 |
| 德国 | 3,090 | 14.94 | 0.50 | 6.01 | 5.55 | 4.02 | 4.13 | 4.16 | 3.87 | 0.50 | 1.47 |
| 意大利 | 4,067 | 15.74 | 0.50 | 5.86 | 5.37 | 4.19 | 4.19 | 3.80 | 0.80 | 1.50 |
| 波兰 | 3,060 | 14.83 | 0.50 | 6.01 | 5.68 | 4.09 | 4.04 | 3.87 | 0.87 | 0.84 | 1.47 |
| 葡萄牙 | 2,775 | 15.50 | 0.50 | 6.01 | 5.68 | 3.99 | 3.77 | 3.81 | 3.88 | 0.84 | 1.49 |

**1.1 数字素养**
数字素养在塑造青少年在线体验中起着关键作用，有助于他们接触数字环境中的机会和风险（Livingstone & Helsper, 2010）。为了有效且安全地导航在线环境，青少年需要具备有关这些环境运作方式的基本技能和知识，这是数字素养的重要组成部分（UNESCO, 2018）。根据不同的定义，虽然数字素养涵盖了更广泛的能力和态度因素，但可以认为技能本身最为重要（Haddon et al., 2020; Helsper et al., 2021）。特别是根据Iordache等人的研究（2017），数字技能是数字素养的可衡量结果；因此，探索和定义这些技能及其结果是必要的。实证证据表明，较高的数字技能水平与更积极的在线结果相关，如社交联系和在社交、文化、经济及个人领域的整体满意度（Best et al., 2014; Scheerder et al., 2017; van Deursen, 2020; Van Deursen & Helsper, 2018）。然而，更强的数字技能并不能消除风险，在某些情况下，它们似乎会直接或间接增加在线风险（Livingstone et al., 2023; Livingstone & Helsper, 2010; Sonck & de Haan, 2013; Sonck & De Haan, 2014）。此外，数字知识是数字素养的一个核心组成部分，通常嵌入在各项技能之中（Iordache et al., 2017）。然而，将数字知识作为与数字技能等同的独立方面来评估，对于理解它们在日常数字实践中的各自作用及其对青少年的影响至关重要。

**2. 理论框架**
尽管过去有研究致力于开发数字素养模型（Iordache et al., 2017），但目前很少有理论框架将数字技能与个体的心理健康结合起来。Smahel等人（2023）提出的“青少年福祉的信息通信技术效应综合模型”（iMEW）就是这样一种综合性模型。在该模型中，我们将数字技能和知识视为既具有保护性也具有潜在风险性的因素（个体易感性变量）。模型认为在线风险暴露包括风险行为和不安全的在线行为，这些都是信息通信技术活动的一部分。该模型的最终目标是衡量这些易感性变量和信息通信技术活动对福祉（身体、心理和社会福祉）的短期和长期影响，我们通过评估青少年的心理健康来衡量这种影响。在本研究中，我们将心理健康视为一个涵盖抑郁到幸福范围的综合性概念（Joseph et al., 2005）。

本研究基于iMEW模型，该模型整合了发展、生态和媒体效应的视角，以解释数字技能与知识、在线风险与心理健康之间的联系。与iMEW框架的基础一致，我们借鉴了“媒体效应的差异敏感性模型”（DSMM），将数字技能和知识视为影响在线风险暴露和心理健康的个体差异因素。我们还借鉴了“问题行为理论”（PBT），该理论嵌入在iMEW框架中，将数字参与置于更广泛的心理社会系统中，阐明了青少年在青春期对负面在线体验的脆弱性，这可能导致较低的心理健康水平。此外，我们使用了“数字需求与资源的发展-情境模型”（DC-DDR），将其作为补充视角，将数字技能和知识视为既可作为资源也可作为需求的情境特定现象。

**2.1 数字技能、知识与青少年福祉**
关于数字技能与福祉之间关联的研究结果并不一致，有些研究显示两者呈正相关，有些则呈负相关（Livingstone et al., 2023; Orben & Przybylski, 2019; Vissenberg et al., 2022）。此外，这些研究往往仅关注技术技能对青少年心理健康的影响，而忽视了数字技能的多维度特征（Oyedemi, 2014）。研究数字技能和知识的多方面性质及其对青少年福祉的影响是一个相对较新的课题（Helsper et al., 2021）。在本研究中，我们采用了“青少年数字技能指标”（yDSI; Helsper et al., 2021）这一新的框架和测量工具来概念化和评估青少年的数字技能。yDSI将数字技能分为四类：技术和操作技能、信息导航和处理技能、沟通和互动技能、内容创作与制作技能。这进一步强调了将数字知识作为一个独立维度的重要性，因为它涵盖了了对数字技能的认知（Helsper et al., 2021）。

在yDSI框架中定义的四个技能维度中，技术和操作技能是文献中最常讨论的数字技能维度（Livingstone et al., 2023; Oyedemi, 2014）。技术和操作技能实际上是计算机用户技能和互联网技能的结合（Helsper et al., 2021）。在少数聚焦技术和操作技能与青少年福祉的研究中，有一项发现表明这些技能对青少年生活满意度没有显著影响（Mannerstr?m et al., 2018）。信息导航和处理技能在探索数字平台时至关重要，因为它们涉及准确查找和处理信息的能力（Helsper et al., 2021; E. Kim & Yang, 2016; Leung & Lee, 2012）。尽管相关研究较少，但证据表明更好的信息处理技能与更高的个人福祉相关（E. Kim & Yang, 2016; Livingstone et al., 2023; Oyedemi, 2014）。相反，研究发现过多的数字信息会导致更高的压力感和较差的健康状况（Misra & Stokols, 2012）。

关于在线沟通和互动技能与青少年福祉之间的联系，现有研究结果不一（Best et al., 2014）。在线社交互动在青少年的数字生活中至关重要，他们通常与亲密朋友和家人进行互动，这可以提高生活满意度（Lyyra et al., 2022; Mello et al., 2019）。然而，仅依赖在线互动而不进行线下交流可能会损害心理健康，导致生活满意度和孤独感下降（Lyyra et al., 2022）。另一项研究发现在线互动技能与福祉呈正相关，但也指出青少年在校外交流中的社交互动技能相对较少（Lamash et al., 2024），这突显了培养青少年在线沟通和互动技能的重要性。第四项研究的内容创作与制作技能也是影响青少年数字行为的重要技能（Helsper et al., 2021），能够在数字平台上创建和分享内容是一种自我表达的方式，标志着青少年发展的一个里程碑（Oyedemi, 2014）。尽管很少有研究将内容创作与制作视为数字技能，但Oyedemi（2014）指出这对许多学生来说是一项挑战，强调了教育青少年发展其数字技能的必要性。然而，关于内容创作与制作技能与青少年福祉之间关系的文献尚存空白。

最后，数字知识是数字素养的一个独特方面，应与数字技能分开研究（Bélisle, 2006; Helsper et al., 2021; Vissenberg et al., 2023），以及它与心理健康的关系。关于数字技术的知识也可以塑造青少年的在线体验，从而影响他们的福祉。虽然有研究支持数字知识与在线风险暴露之间的关联，但关于其对青少年心理健康的具体影响尚无明确证据。

**2.2 数字技能、知识与在线风险暴露**
数字技能既带来了在线机会也带来了风险（Livingstone & Helsper, 2010）。**研究跨国界进行，涵盖了欧洲、南美洲和亚洲等多个地区，结果表明，青少年的数字素养和技能与在线风险之间的联系既有正面也有负面，显示出一种普遍存在的模式**（例如，Bedrosova等人，2023年；Cabello-Hutt等人，2018年；Leung和Lee，2012年；Teimouri等人，2018年；Tercova和Smahel，2025年）。在马来西亚进行的一项研究表明，数字素养与在线风险之间存在直接的正面关联（Teimouri等人，2018年），而另一项在巴西进行的研究则发现，数字技能与在线风险没有直接关联，但两者之间存在通过在线机会中介的间接关系（Cabello-Hutt等人，2018年）。Livingstone等人（2023年）在其系统性回顾中考察了数字技能不同维度的结果，以及诸如暴露于风险和心理病理问题等负面后果作为较高数字技能的直接和间接后果。从理论角度来看，这些混合结果表明可以通过强调青少年在数字环境中行为的模型来理解。**媒体效应差异敏感性模型（DSMM）**认为，个体的性格特征、技能和认知在他们对媒体环境中风险的感知中起着重要作用（Valkenburg和Peter，2013年）。根据这一观点，较高的数字技能可能会降低某些风险的脆弱性，同时增加青少年参与在线活动的程度，从而增加他们接触各种类型在线风险的机会。同样，**数字需求与资源的发展情境模型（DC-DDR）**将数字技能视为特定情境下的资源，这些资源可能有助于适应性应对，也可能增加在线环境中面临的挑战（Hietaj?rvi等人，2022年）。此外，研究表明，青少年掌握的技术技能越高，他们接触到互联网负面后果（如各种在线风险）的可能性就越大（Bedrosova等人，2025年；Leung和Lee，2012年；Livingstone等人，2023年；Tercova和Smahel，2025年）。内容创作和制作技能也与有害在线内容、虚假信息和错误信息有正相关（Tercova和Smahel，2025年；Vissenberg等人，2023年）。Leung和Lee（2012年）发现，创建在线内容会增加在线隐私风险。在同一研究中，他们认为信息素养技能可以是多维度的，工具信息素养（例如，检索和评估在线找到的信息）可以防止特定类型的风险，如成为骚扰的目标。关于沟通和互动技能，有证据表明这些特定技能与虚假/错误信息呈负相关，这可以保护青少年免受互联网上的虚假信息的影响。另一项研究表明，沟通和互动技能与接触有害在线内容之间没有统计学上的显著关联（Tercova和Smahel，2025年）。此外，研究还发现，信息导航和处理技能以及沟通和互动技能都能降低遭遇网络仇恨的风险（Bedrosova等人，2025年）。研究表明，数字知识并不能预测在线风险的发生（Vissenberg等人，2023年）。相反，最新研究指出，数字知识会导致无意中接触到有害内容（Machackova、Bedrosova、Tolochko等人，2024年；Tercova和Smahel，2025年），以及接触在线色情内容（Machackova、Bedrosova、Tolochko等人，2024年），这突显了数字知识与青少年在线风险之间的复杂性。

**结论**：先前的研究表明，数字技能和知识可以同时打开在线机会并增加风险暴露，这突显了它们与在线风险之间关系的复杂性。我们的研究重点关注特定数字技能如何影响在线风险暴露，并试图确定哪些技能可以缓冲风险，哪些技能可能会增加风险。

**2.3 在线风险暴露与幸福感**
与线下环境类似，由于广泛使用各种在线平台，人们在虚拟平台上也会面临风险（Keipi等人，2016年）。Livingstone和Stoilova（2021年）将在线风险分为四类：内容风险、接触风险、行为风险和合同风险，这一新概念被称为CO:RE分类。在这项研究中，我们考察了三种内容风险，即遭遇网络仇恨、接触有害内容和接触性露骨材料，以及一种行为风险，即接收色情信息（这些都包含在ySKILLS纵向研究中（Machackova、Bedrosova、Tolochko等人，2024年）。

**2.4 混杂因素**
数字技能、在线风险和幸福感之间的因果关系可能被多种混淆因素所掩盖（例如，Grosz等人，2020年）。例如，更高的数字技能可能会导致更多的在线时间，这有助于数字技能的获取，但最终也会增加接触在线伤害的可能性（Cabello-Hutt等人，2018年；Haddon等人，2020年；Machackova、Bedrosova、Tolochko等人，2024年）。同样，使用社交网络平台（社交媒体沟通）对青少年的幸福感可能有正面或负面影响（Valkenburg等人，2022年），因为他们可能会遇到网络欺凌等不愉快的经历（Przybylski和Bowes，2017年），但也可能提高他们在社交媒体中的导航能力。由于我们的主要关注点是观察数字技能本身是否对负面在线体验和幸福感有影响，因此我们在研究中控制了在线时间和社交媒体使用的混淆效应。此外， older儿童和 younger儿童在数字技能水平以及在线风险暴露方面存在明显差异（Sonck和de Haan，2013年）。还有迹象表明，数字技能在不同性别间的分布不均，在线风险体验的频率也是如此（Livingstone和Helsper，2010年；Przybylski和Bowes，2017年；Sonck和de Haan，2013年），这可能表明性别对两者都有影响。因此，在我们的研究中，我们也控制了性别和年龄作为混淆因素。最后，本研究使用的数据来自六个欧洲国家：爱沙尼亚、芬兰、德国、意大利、波兰和葡萄牙。基于先前的研究结果，我们决定在研究中控制国家效应，以考虑文化差异。研究表明，数字技能在国家内部和国家之间分布不均（Sonck和de Haan，2013年）。使用与本研究相同的六个国家，Hietaj?rvi等人（2024年）根据数字技能识别出了六种青少年潜在类型，并发现芬兰的学生报告的数字技能最高，其次是德国，而波兰的学生报告的数字技能最低。

**2.5 本研究：数字技能与知识、在线风险和心理健康**
显然，数字技能直接影响在线风险的暴露（Bedrosova等人，2025年；Kvardova等人，2021年；Tercova和Smahel，2025年），同时也通过在线时间间接影响（Livingstone等人，2023年；Vissenberg等人，2022年）。然而，关于数字技能或技能知识的类型与在线风险暴露之间的关系尚未得到深入研究（Livingstone等人，2023年；Tercova和Smahel，2025年）。因此，在这项研究中，我们试图通过考察特定数字技能与总体数字知识之间的关系，以及它们与欧洲青少年在线风险暴露之间的关联，来探讨数字素养的多维度性。为了进一步研究，我们还探讨了数字技能和知识与青少年心理健康之间的直接关系。如前所述，这种关系尚未确定（Orben和Przybylski，2019年）。因此，我们的目标不仅是测量这两个构念之间的直接关系，还要探索在线风险作为数字素养与心理健康之间中介的作用，从而丰富现有的框架。由于我们采用了横断面研究方法，我们将中介结果视为统计分解。由于研究设计中没有时间顺序，研究问题和假设的提出强调了关联性的重要性。然而，我们希望为横断面中介分析中的初步因果推断留下可能性（Grosz等人，2020年）。

**研究问题和假设**
根据上述文献，我们制定了以下研究问题和假设：
**RQ1：特定数字技能、知识和在线风险暴露之间有什么关系？**
**RQ2：特定数字技能、知识和心理健康之间有什么关系？**
**RQ3：在线风险暴露是否在数字技能和心理健康之间的关系中起中介作用？**

鉴于数字技能的异质性和先前的混合研究结果，我们对数字技能和知识与在线风险暴露及心理健康之间关联的探究仍具有探索性。基于第2.2节讨论的数字技能双重性质的相关理论视角，我们提出了两个关于数字技能、知识和在线风险暴露之间关系的竞争性假设：
**H1a：**较高的数字技能和知识水平将与更大的在线风险暴露相关联。
**H1b：**较高的数字技能和知识水平将与较小的在线风险暴露相关联。
**H2：**较大的在线风险暴露将与较低的心理健康水平相关联。

为了检验这些问题和假设以及提出的中介作用（RQ3），我们测试了一个如图1所示的模型，该模型描述了预测变量（数字技能）、中介变量（在线风险）和结果变量（在线风险和心理健康）之间的直接和间接关系。控制变量位于框架外部，箭头指向框内以指示它们对框架内所有变量的影响。

**3. 方法论**
**3.1 参与者**
本研究使用了来自ySKILLS项目的公开可用纵向数据（Machackova、Bedrosova、Muzik等人，2024年）。该纵向项目包括从2021年春季到2023年春季在六个欧洲国家（爱沙尼亚、芬兰、德国、意大利、波兰和葡萄牙）收集的三波数据。选择这些国家是为了反映不同水平的数字发展（基于2018年的数字经济和社会指数）。数据收集在学校内采用目的性非概率抽样方法进行。选择学校是为了保持参与者在社会经济状况方面的多样性。参与者按年级抽样，例如，第一波的参与者是中学6至10年级的青少年，年龄大约在12至15岁之间。第一波的回应率为39.2%（德国为20.1%，芬兰为61.9%）（Machackova、Bedrosova、Tolochko等人，2024年）。对于纵向分析，使用了两种技术。首先，第二波中退出研究的参与者被新学生取代；其次，研究人员对参与第一波研究的学生进行了跟踪和调查（Machackova, Bedrosova, Tolochko等人，2024年）。然而，在所有六个国家中，只有2660名学生参与了全部三波调查，约占总样本的25%（详见补充附录A.1，其中包含了每波独特的参与者数量）。由于本研究的首要目标是探索关键变量之间的关系，而不是跟踪个体随时间的变化轨迹，因此将这三波数据合并成一个长格式的数据集，并进行横断面分析，最终得到了10819名参与者中的10559份有效回应。为了处理数据中重复观测值的非独立性问题，将这些回应按照参与者ID进行了分组。关于各波参与者人数、年龄和性别的描述性统计信息，请参阅补充材料（见补充附录A.2）。

3.2. 数字技能与知识
数字技能的测量使用了青少年数字技能指标（yDSI）（Helsper等人，2021年）。该指标是ySKILLS项目的一部分开发的，据称这是唯一一个通过四个维度来评估年轻人数字素养的工具。该指标的验证过程非常严格，包括表面效度、内容效度、结构效度和准则效度检验。此外，还在所有六个国家进行了探索性和验证性因子分析（Helsper等人，2021年）。原始的Likert量表包含31个项目，用于衡量数字技能（四个子量表）和数字知识。技术操作技能通过6个项目进行评估，例如“我知道如何调整隐私设置”和“我知道如何保护设备（如使用PIN码、屏幕图案、指纹或面部识别）”。信息导航和处理技能通过6个项目进行评估，例如“我知道如何为在线搜索选择最佳关键词”和“无论网站设计如何，我知道如何在其中找到信息”。沟通和互动技能通过6个项目进行评估，例如“根据情况，我知道使用哪种媒介或工具与别人交流（如打电话、发送WhatsApp消息、发送电子邮件）”以及“我知道何时适合使用表情符号（如笑脸、表情图标）、文本缩写（如LOL、OMG）和大写字母”。最后，作为另一种类型的数字技能，内容创建与生产技能通过6个项目进行评估，例如“我知道如何结合不同的数字媒体（如照片、音乐、视频、GIF）来创建作品”以及“我知道如何编辑现有的数字图像、音乐和视频”。参与者需根据从1（完全不适用于我）到5（非常适用于我）的评分标准对相关项目进行回答。所有四个数字技能维度的得分是通过平均各项目得分得出的，范围在1到5之间。

yDSI（Helsper等人，2021年）中的数字知识项目用于衡量三项特定技能：信息导航和处理技能、沟通和互动技能以及内容创建与生产技能，具体通过以下6个项目进行评估：“每个人在线搜索时得到的信息都是相同的”、“我喜欢或分享某条帖子可能会对他人产生负面影响”以及“使用标签(#)可以增加帖子的可见度”。回答选项从1（绝对不正确）到3（不确定），之后被重新编码为0=错误，1=正确。正确答案的比例是通过将正确回答总数除以6计算得出的，得出的聚合得分范围在0到1之间。通过计算六个知识项目的正确回答比例，这种方法提供了基于表现的数字知识客观评估，相较于自我报告的认知具有方法论优势。

在分析中，我们使用了Cronbach’s alpha来衡量所有数字技能的内部一致性。第一波中技术操作技能的Cronbach’s alpha为0.753，第二波为0.780，第三波为0.799；信息导航和处理技能的Cronbach’s alpha分别为第一波0.803，第二波0.821，第三波0.832；沟通和互动技能的Cronbach’s alpha分别为第一波0.780，第二波0.812，第三波0.826；内容创建与生产技能的Cronbach’s alpha分别为第一波0.789，第二波0.803，第三波0.814。所有技能量表的内部一致性都很好，且alpha值随波次增加而提高。我们没有评估数字知识得分的内部一致性，因为它反映的是正确答案的比例，属于形成性而非反思性建构（Stadler等人，2021年），以避免误读该领域知识建构的形成性质。

为了评估数字技能和知识变量之间的多重共线性，首先观察了各变量之间的相关性。所有相关性均低于0.7，因此没有出现多重共线性的问题。此外，还计算了所有变量的方差膨胀因子（VIF）。数字技能和知识量表的VIF值远低于保守的阈值3（J. H. Kim, 2019；Thompson等人，2017），表明多重共线性很小（见补充附录B）。

3.3. 心理健康
心理健康通过六项简短的抑郁-幸福感量表进行测量（Joseph等人，2005年）。该量表是二维的，包含三个正面项目和三个负面项目，评分范围从1（从不）到4（经常）。正面项目的三个问题是“我感觉快乐”、“我对自己的状态感到满意”以及“我觉得生活很愉快”。负面项目的三个问题是“我对自己的生活不满意”、“我觉得无精打采”以及“我觉得生活毫无意义”。负面项目的得分是反向计算的。总分是通过平均六个项目的得分得出的。

心理健康量表的Cronbach’s alpha在第一波为0.846，第二波为0.843，第三波为0.840，表明在三波调查中都表现出高度一致性和良好的可靠性。

3.4. 在线风险
相关问题被分为四个类别：暴露于网络仇恨、接触有害在线内容、接收裸照以及接触性内容。对于每种风险，首先给出一个描述性陈述，然后是一个简单的“是/否”问题。例如，关于网络仇恨的测量问题是：“在互联网上，你可能会遇到针对某些群体或个人的攻击性内容（例如，基于他们的肤色、宗教、国籍、性别或性取向）。这些内容可能是仇恨性的、贬低的或种族主义的言论、评论、图片或视频。在过去的一年里，你在网上或手机上见过这样的情况吗？（是/否）”。

我们的主要目标是考察接触在线风险的累积程度是否会影响年轻人的心理健康，基于这样的假设：无论遇到哪种具体风险，更广泛的暴露最终都可能产生负面影响。因此，在模型中将接触在线风险视为一个单一变量进行处理。为了评估这种方法的可行性，我们进行了多项稳健性检验，以确定是否可以将接触在线风险视为一个单变量（见补充附录C）。首先测量了所有三波中二元在线风险指标之间的phi系数，结果表明这些系数处于中等至较强水平（范围从0.27到0.52），且所有关联都具有统计学显著性（p < .001），表明不同类型在线风险之间存在强烈的共现模式。此外，还进行了纵向验证性因子分析（CFA）以检验在线风险的单一维度性。模型拟合效果良好（CFI=0.989，RMSEA=0.067，SRMR=0.075）。每波的各个项目集都在各自的潜在因子上有较高的负荷（标准化负荷=0.71-0.89），且自回归结构显示出较高的时间稳定性（β = 0.82 - 0.93）。因此，我们通过将各个风险项目的得分相加并除以项目总数，得到了一个连续变量，用于假设的路径模型中。

在拟合最终路径模型后，我们估计了一个Poisson回归模型，以评估预测变量与在线风险之间的关联方向和强度是否与主模型一致。主要预测变量的方向和强度是相似的。作为额外的稳健性检验，我们分别为每种风险类型单独拟合了主模型。所有四个模型（包括不同风险类型：接触网络仇恨、接触有害在线内容、接收裸照、接触性内容）的拟合指数均令人满意（CFI > 0.95，RMSEA < 0.65，SRMR < 0.30）。这些模型的结果与主模型的结果高度吻合，表明在线风险可以适当地被视为一个单一的构念。

3.5. 控制变量
为了提高内部有效性并减少路径估计中的偏差，我们在研究中控制了在线时间、社交网络使用情况、年龄、性别和国别等因素。这些调整有助于得出更为可信但谨慎的因果推断，并使结果的解释与本研究的方法论框架保持一致。

为了确定在线时间，我们询问了参与者以下问题：“在一个普通的工作日（即上学日），你通常在互联网上花费多长时间？”回答范围从1（很少或没有时间）到9（大约7小时或更多）。为了测量社交媒体的使用情况，我们询问了：“在过去一年中，你是否使用过拥有个人资料的社交网络（如Instagram、Facebook、TikTok、YouTube）？这里指的不仅仅是用于发送消息的应用程序，比如WhatsApp或Messenger。”回答范围从1（从未）到7（几乎总是）。在本研究中，年龄被视为连续变量，性别则用二元变量表示，男孩编码为0，女孩编码为1。为了控制国家效应，为爱沙尼亚、芬兰、德国、意大利、波兰和葡萄牙这六个国家分别创建了虚拟变量，其中意大利被指定为参考类别。

3.6. 分析策略
在本研究中，我们采用了单层建模框架，将三波的数据合并，并对个体内的重复观测进行了校正。采用这种单层模型处理多层数据是因为我们希望探索的关联主要在相对较短的时间范围内发挥作用。因此，这些效应不太可能在一年的时间跨度内显现出来，所以采用合并后的横断面规格能够更准确地反映我们感兴趣的关系。此外，由于各波之间存在大量样本流失和更新（Machackova, Bedrosova, Tolochko等人，2024年），只有约25%的参与者在所有三个时间点都被观察到，这增加了样本的异质性（见补充附录A.1）。因此，我们将数据整理成了长格式，包括2021年、2022年和2023年的三次测量。这种格式使得每行代表一个独特的测量时刻，从而可以在所有时间点上进行统一的路径分析，而不需要为每波分别拟合模型。这种技术还使得模型更加简洁，统计效率更高。总共包含10819名参与者和19654个观测值。考虑到数据中的层次结构（重复测量嵌套在个体内），我们使用集群鲁棒方法调整了标准误差，以校正观测值的不独立性（Williams，2000年）。

量表得分是通过将每个测量的所有可用项目回答的平均值计算得出的（数字技能与知识、在线风险暴露、心理健康）。缺失的项目未被纳入量表得分的计算中。在尺度层面和各个数据波中缺失的数据通过全信息最大似然（FIML）方法进行了处理，使得具有不完整数据的参与者能够被保留在分析中。估计使用了19654个观测值中的19331个，相当于10819名参与者中的10559名。路径模型采用最大似然与稳健标准误差（MLR）方法进行估计，以考虑观测变量的非正态性和潜在的异方差性。间接效应的标准误差使用默认的Delta方法进行估计，该方法能够提供有效且稳健的中介效应估计。分别按数据波进行的敏感性分析显示，关联的方向和大小在时间上是一致的。尽管某些关联在所有单独的数据波中都没有达到统计显著性，但没有观察到系统性的时间变化，这与这些关联在相对较短的时间框架内起作用的观点相符，进一步支持了使用汇总横断面方法（见补充附录D）。分析是在R Studio（版本4.3.2）中使用的多个包完成的，包括lavaan（Rosseel, 2012）、tidyverse（Wickham et al., 2019）和ggplot（Wickham, 2009）。

为了确保模型的有效性，在创建最终的SEM路径模型之前进行了逐步分析，其中两个初步模型仅包含直接路径（见补充附录E）。最终模型包含了直接和间接路径，但最终模型的拟合指数没有达到预期水平，除了CFI和SRMR。模型复杂性和自由度较低被认为是造成这种情况的主要原因。因此，通过仅保留统计显著的路径（无论是直接还是间接）来重新指定路径模型，以提高模型的简约性。移除了从爱沙尼亚和德国到在线风险控制的非显著路径，以及从数字知识到心理健康的非显著直接路径。这种重新指定将模型拟合度提升到了可接受的水平。模型拟合度使用三个指数进行评估：比较拟合指数（CFI）= 0.966，稳健近似均方根误差（RMSEA）= 0.043，标准化残差均方根（SRMR）= 0.028。这些值表明模型拟合得很好，说明修订后的模型能够充分代表观测数据（Khine, 2013）。因此，该模型被解读为一个简洁且具有探索性的规范。为了评估保留的路径的稳定性，我们进行了分样本验证，分别在按国家平衡的训练和验证子样本中估计了完整模型和修剪后的模型。所有估计中的主要结构路径方向都是一致的，表明结果不受样本特定效应的影响（见补充附录F）。

4. 结果
表3中的相关结果显示，所有数字技能和在线风险都呈正相关；因此，数字技能水平较高的年轻人报告的在线风险暴露程度更高。心理健康与所有数字技能呈正相关，但数字知识除外。在年轻人中，在线风险与心理健康之间存在负相关。

表2. 各样本关键变量之间的相关矩阵（N = 19654）
| | Age | Gender | Internet use | SNS use | T & O | IN & P | C & I | CC & P | DK | OR | MW |
|------|-------|-------|---------|--------|--------|--------|--------|--------|--------|-------|
| Age | -0.022** | | 0.092*** | 0.155*** | 0.164*** | 0.103*** | 0.083*** | 0.161*** | -0.001 | -0.087 |
| Gender | | 0.092*** | 0.070*** | 0.126*** | 0.052*** | 0.069*** | 0.051*** | 0.063*** | 0.143*** | 0.020** |
| Internet use | | 0.155*** | 0.070*** | 0.117*** | 0.268*** | 0.184*** | 0.245*** | 0.260*** | 0.218*** |
| SNS use | | 0.164*** | 0.126*** | 0.261*** | 0.189*** | 0.508*** | 0.564*** | 0.566*** | -0.043 |
| T & O | | 0.094*** | 0.052*** | 0.019* | 0.009 | 0.011 | 0.022 | 0.011 | -0.001 |
| IN & P | | -0.018*** | 0.069*** | 0.103*** | 0.143*** | 0.054 | 0.069*** | 0.184*** | 0.160 |
| C & I | | 0.077*** | -0.070*** | 0.009 | 0.019 | 0.157*** | 0.563*** | 0.218*** |
| CC & P | | -0.070*** | 0.112*** | 0.184*** | 0.245*** | 0.260*** | 0.222*** | -0.001 |
| DK | | -0.001 | 0.091*** | 0.117*** | -0.046 | 0.008 | -0.042 | 0.190 |
| OR | | 0.019* | 0.183*** | 0.161*** | 0.094 | -0.001 | 0.109 | 0.207 |
| MW | | -0.087*** | -0.270*** | -0.171*** | -0.036 | -0.085 | -0.020** | -0.033 | -0.235 |

注意：SNS use=社交网络使用；T&O=技术和操作技能；IN&P=信息导航和处理技能；C&I=沟通与互动技能；CC&I=内容创建与制作技能；DK=数字知识；OR=在线风险；MW=心理健康。所有黑色墨水标注的相关性在p < 0.05*、p < 0.005**或p < 0.001***的水平上显著。

表3. 从数字技能和知识（包括控制变量）到在线风险和心理健康的直接路径
| 预测变量 | 方向 | 估计值（β） | 标准误差 | 95% CI | p值 |
|---------|---------|---------|---------|---------|
| T&O (a1)→Online risks | 0.057 | 0.011 | [0.036, 0.078] | < .001 |
| IN&P (a2)→Online risks | -0.043 | 0.012 | [-0.067, -0.019] | < .001 |
| C&I (a3)→Online risks | -0.028 | 0.011 | [-0.049, -0.007] | 0.009 |
| CC&P (a4)→Online risks | 0.114 | 0.011 | [0.091, 0.136] | < .001 |
| DK (a5)→Online risks | 0.169 | 0.008 | [0.152, 0.185] | < .001 |
| Internet use→Online risks | 0.140 | 0.009 | [0.123, 0.157] | < .001 |
| SNS→Online risks | 0.155 | 0.009 | [0.138, 0.172] | < .001 |
| Age→Online risks | 0.144 | 0.009 | [0.126, 0.161] | < .001 |
| Gender→Online risks | 0.017 | 0.009 | [-0.000, 0.035] | 0.57 |
| Finland→Online risks | -0.250 | 0.009 | [-0.267, -0.233] | < .001 |
| Poland→Online risks | -0.046 | 0.008 | [-0.062, -0.030] | < .001 |
| Portugal→Online risks | -0.022 | 0.011 | [-0.045, 0.000] | 0.054 |
| Online risks (b)→Mental wellbeing | -0.190 | 0.009 | [-0.208, -0.172] | < .001 |
| T&O (c1)→Mental wellbeing | -0.024 | 0.011 | [-0.046, -0.002] | 0.034 |
| IN&P (c2)→Mental wellbeing | 0.046 | 0.012 | [0.022, 0.070] | < .001 |
| C&I (c3)→Mental wellbeing | 0.071 | 0.011 | [0.049, 0.093] | < .001 |
| CC&P (c4)→Mental wellbeing | -0.019 | 0.011 | [-0.042, 0.003] | 0.093 |
| Internet use→Mental wellbeing | -0.120 | 0.009 | [-0.136, -0.103] | < .001 |
| Age→Mental wellbeing | -0.041 | 0.008 | [-0.058, -0.025] | < .001 |
| Gender→Mental wellbeing | -0.262 | 0.009 | [-0.279, -0.245] | < .001 |
| Estonia→Mental wellbeing | 0.104 | 0.011 | [0.084, 0.125] | < .001 |
| Finland→Mental wellbeing | 0.189 | 0.01 | [0.169, 0.209] | < .001 |
| Germany→Mental wellbeing | 0.159 | 0.011 | [0.138, 0.180] | < .001 |
| Poland→Mental wellbeing | -0.022 | 0.011 | [-0.043, -0.001] | 0.038 |
| Portugal→Mental wellbeing | 0.141 | 0.01 | [0.123, 0.160] | < .001 |

4.1. 路径分析
为了正式检验假设并回答研究问题，进行了结构方程建模（SEM）路径分析（Zhao et al., 2010）。如分析策略部分所概述的，路径分析是分步进行的，最终路径模型中包含的所有直接和间接路径分别在表3、表4和图2、图3、图4中显示。

表4. 通过在线风险中介的数字技能和知识与心理健康之间的间接路径
| 路径（由在线风险中介） | 方向 | 结果 | 估计值（β） | 标准误差 | 95% CI | p值 |
|---------------|---------|---------|---------|---------|---------|
| T&O→Mental wellbeing | -0.011 | 0.002 | [-0.015, -0.007] | < .001 |
| IN&P→Mental wellbeing | 0.008 | 0.002 | [0.004, 0.013] | <.001 |
| C&I→Mental wellbeing | 0.005 | 0.002 | [0.001, 0.009] | <.005 |
| CC&P→Mental wellbeing | -0.022 | 0.002 | [-0.026, -0.017] | <.001 |
| DK→Mental wellbeing | -0.032 | 0.003 | [-0.036, -0.028] | <.001 |

4.2. 直接效应
直接效应的结果在表3和图2、图3中呈现。在整个模型中，直接关联的幅度通常较小。

4.3. 间接效应
通过在线风险实现的数字技能和心理健康之间的间接效应结果在表4和图4中呈现。与直接关联一样，间接关联的幅度也较小，尽管路径达到了统计显著性。

4.4. 讨论
本研究的主要理论基础是“信息通信技术对青少年福祉的综合模型”（iMEW），并通过使用路径模型来探索欧洲年轻人数字技能、在线风险和心理健康之间的复杂关系。由于我们的主要关注点是探索数字技能及其对风险在线活动的影响，最终对年轻人的福祉的影响，我们控制了其他易感变量，如年龄、性别、上网时间以及使用社交网络的情况。首先，我们发现不同类型的数字技能与年轻人的ICT活动（在线风险暴露）有着不同的关联。其次，与iMEW框架一致，我们的结果表明，在线风险在数字技能、知识和心理健康之间的关系中起到了中介作用，强调了数字技能、知识和ICT活动对整体福祉的长期影响。iMEW框架没有考虑易感变量（数字技能）与福祉之间的直接效应。然而，我们认为这种直接效应可能存在，我们的分析部分支持了这一观点。

近年来，人们认识到拥有技术和操作技能等同于拥有更广泛的数字技能，尽管其他数字技能没有明确的定义（Oyedemi, 2014）。技术和操作技能的概念涉及一个人有效探索、管理和使用硬件和软件的能力（Haddon et al., 2020; Helsper & Eynon, 2013）。与先前的研究结果一致（Bedrosova et al., 2025; Livingstone et al., 2023; Tercova & Smahel, 2025），我们的研究表明，仅拥有技术和操作技能可能会增加接触内容相关在线风险的机会，并降低心理健康水平。此外，我们的中介分析显示，当在线风险作为中介变量引入时，技术和操作技能与心理健康之间的负相关关系仍然存在。因此，可以推测技术和操作技能可能会无意中促进年轻人接触有害的在线内容和互动，这种模式可能与导致心理健康状况较差的上瘾行为有关。

关于内容创建和制作技能以及数字知识的文献相对较少（Oyedemi, 2014; Vissenberg et al., 2023）。尽管如此，我们的研究专门探讨了这些特定技能和知识对年轻人生活的影响，试图填补现有文献中的空白。在大多数情况下，诸如内容创建等技能往往被社交媒体的使用及其相关活动所掩盖。在考虑了这些活动以及社交媒体的存在之后，我们发现内容创作与生产技能以及数字知识似乎与增加了的线上风险暴露有关，这支持了之前的研究结果（Tercova & Smahel, 2025; Vissenberg et al., 2023）。年轻人希望在数字媒体平台上活跃并参与其中，通常通过创建和分享内容（如自画像、视频、博客等），这种行为可能是由于不安全的在线行为造成的，最终可能导致他们接触到各种类型的内容相关线上风险，以及偶尔出现的与行为相关的线上风险，例如非自愿的性信息接收。此外，仅仅拥有数字技能的知识在导航数字平台时可能并不有益。我们的研究结果还显示，这些技能和数字知识与心理健康并没有关联。一个主要原因可能是内容创作与生产技能及数字知识所涉及的概念比较复杂，这些概念常常与其他数字技能重叠，这使得难以单独确定它们对心理健康的具体影响。此外，内容创作与生产技能及数字知识可能具有某些并不直接促进心理健康的特性。即便如此，与内容和行为相关的线上风险仍可能成为这些技能对心理健康产生负面影响的途径，表明年轻人受到这类线上风险影响的程度。

与其它数字技能的影响相反，我们发现信息导航和处理技能以及沟通和互动技能与年轻人减少线上风险暴露和提升心理健康有关。此外，还有证据表明，这些数字技能与线上风险之间的负相关性通过线上风险间接促进了心理健康，有助于解释整体上的积极关系。这表明，即使存在线上风险，当个人掌握了这些技能后，其负面影响也可以得到缓解，因此应该在年轻人中推广这些技能。我们的研究结果与现有文献一致，即这些技能有助于减少线上风险暴露（Bedrosova et al., 2025; Leung & Lee, 2012; Vissenberg et al., 2023），表明这两组技能似乎都支持更安全的互联网使用。掌握这些技能可以在多个方面提升年轻人的幸福感。例如，研究表明信息导航和处理技能以及沟通和互动技能与更好的学习成绩相关（Livingstone et al., 2023; Machackova, Bedrosova, Tolochko et al., 2024）。此外，无论是在线下还是线上平台中，社交联系都能增加年轻人的信息搜寻行为，最终带来积极的结果，比如为学校作业寻找在线信息（Eynon & Malmberg, 2012）。这表明了在网络空间中社交联系的价值，年轻人可以准确地处理在线信息，并增强抵御线上风险的能力。掌握这些技能使年轻人能够预见潜在的线上风险，并就他们接触的内容做出明智的决定，从而营造更安全、更满意的在线体验。

与以往的研究一致，我们发现线上风险暴露，特别是内容相关风险和行为相关风险，与不良的心理健康状况有关，这强调了在儿童和青少年时期评估整体线上风险暴露后果的重要性（Livingstone et al., 2014; Vissenberg & D’Haenens, 2020）。这一联系强调了管理和减轻线上风险策略的迫切需求，同时也确保技能发展对个人心理健康的积极贡献。解决这些风险对于最大化数字参与的益处并促进数字时代的整体幸福感至关重要。

尽管我们的研究设计是横断面的，且条件关联的效应量较小，限制了我们做出因果结论的能力，但这项研究仍有几个关键优势。首先，它采用多维度的数字技能概念化方法，超越了单一的方法，使我们能够更细致地理解不同技能领域如何与线上风险暴露和年轻人的心理健康相关。其次，使用大规模的多国多波数据集提高了研究结果在多样化欧洲背景下的普遍性。第三，通过将数字技能、线上风险暴露和心理健康整合在一个基于iMEW模型的分析框架中，该研究提供了对年轻人在线体验的更全面描述。最后，通过一系列额外的分析加强了研究结果的稳健性（见补充材料）。

鉴于这项研究的发现，有必要向年轻人提供关于如何掌握必要的数字技能以及如何改进这些技能的信息和教育。同样重要的是要教会他们在数字空间中负责任地使用这些技能，以避免任何潜在的危害。这样，我们可以确保年轻一代不仅具备有效导航数字环境的能力，还能识别和管理与这些技能相关的潜在线上风险。这将提高他们的数字素养，同时保护他们的幸福感，最终促成更平衡、更满意的数字体验。鉴于研究结果来自欧洲六个主要国家，我们强调需要在国家和国际层面制定关于数字技能和幸福感的政策。此外，家长、教育工作者和政策制定者还需共同承担起培养年轻人抵御负面线上体验责任的任务。

像其他研究一样，我们的研究也存在一些值得指出的局限性。本研究的一个方法学局限性是，三波纵向数据集被转换为长格式，并使用横断面结构方程路径分析模型进行分析，而不是采用纵向分析技术。做出这一决定的根本原因是三波数据中存在较高的流失率和样本更新，我们探讨的关联不太可能在一年的时间跨度内出现，而是在较短的时间内形成。敏感性分析显示三波数据之间没有显著的时间变化，因此横断面设计适用于数据分析。采用这种方法还通过将每波数据视为独立观测值来增加样本量和统计功效，使我们能够更精确地检验假设的关联。然而，这也意味着我们无法考虑变量随时间的变化顺序或个体内的变化。虽然通过R分析中的聚类处理了同一参与者在不同波次中的非独立性问题，但未来的研究将受益于能够明确考察变量间关系随时间变化的纵向建模方法，以及捕捉个体内发展过程的方法。此外，尽管我们的模型假设了变量间的合理因果方向，但横断面设计阻止了因果关系的确认，未来的纵向研究需要验证这些路径。另一个问题是，大多数路径的关联程度为中等至较弱，这可能是由于使用了大规模样本造成的。然而，这个问题并非我们独有，使用ySKILLS纵向数据集进行的其他研究也遇到了类似的挑战（例如，Vissenberg et al., 2023）。关联较弱的一个可能原因是问卷所测量的概念领域不同。例如，数字技能和知识涉及认知和行为方面，而线上风险暴露和心理健康涉及情感方面，这突显了这些构造的多维度特性及其有限的共享方差。尽管如此，将这些构造结合起来研究对于理解它们对年轻人日常生活的影以及确定如何采取行动来改善这一发展阶段的生活质量至关重要。

在我们的研究中，我们没有区分故意和非故意的线上风险暴露，因为我们的主要关注点是整体线上风险暴露。此外，我们将线上风险暴露视为一个单一的构造。然而，未来的研究可以通过探讨不同线上风险的细微差异来更深入地理解这些构造如何与数字素养相互作用并对心理健康产生影响。最后，使用自我报告的数据可能存在偏差，包括社会期望和回忆误差，这可能会影响观察到的关联。未来的研究将通过结合自我报告与客观和/或观察测量来增强结果的稳健性。

**结论**
本研究通过分别探讨数字技能和数字知识来关注数字素养的多方面性质。研究的主要目的是考察特定数字技能和知识如何影响年轻人面临线上风险的情况，并评估这些因素对他们心理健康的影响。如前文所述，我们发现数字技能和知识超出了数字素养的范畴，涵盖了以往研究忽略的维度。它们对线上风险暴露和心理健康的影响存在显著差异，凸显了这一现象的复杂性。这些发现呼吁在教育环境中推广数字素养时需要更多的思考和行动。数字技能和知识的多方面性质表明了它们带来的双重影响，为年轻人在在线平台上创造了机会和挑战。事实上，理解这些技能及其伴随的风险对年轻人心理健康的不同影响至关重要。评估这些细微和复杂的关系有助于我们推动政策改革和保护性框架的建立，培养出能够意识到数字环境并具备安全、负责任地导航数字空间的下一代。

**作者贡献声明**
Elina Ketonen：撰写——审稿与编辑，监督
Lauri Hietaj?rvi：撰写——审稿与编辑，监督，方法学
Florencia Sortheix：撰写——审稿与编辑，监督
Hansika Piyumali Ambahelagedara：撰写——初稿，可视化，软件，资源，方法学，调查，形式分析，数据管理，概念化

**未引用的参考文献**
Bedrosova et al., 2025; Machackova et al., 2024; O’Laughlin et al., 2018; Vissenberg and D’Haenens, 2020

**数据可用性**
复现上述结果所需的数据可以从ySKILLS三波调查中下载（Mendeley Data）。本研究的补充材料，包括额外的表格和分析，可在Open Science Framework (OSF) 上获取：https://osf.io/rhdgj/overview?view_only=09e95044f6f7407585ec49e4f4d282ae

**手稿准备过程中生成式AI和AI辅助技术的声明**
在准备这项工作时，通讯作者使用了CurreChat、Claude和ChatGPT来提供R语言的代码建议和少量语言修订。使用这些工具后，作者根据需要审阅和编辑了内容，并对发表文章的内容负全责。

**资助**
本研究是EDUCA旗舰项目的一部分，由芬兰研究委员会（#358924和#358945）资助，同时也是EDUCA-Doc博士教育试点项目的一部分，由教育和文化部资助（博士学校试点#VN/3137/2024-OKM-4）。