从遗传因素、环境因素和生活事件三个层面预测中国青少年非自杀性的自伤行为——机器学习与网络分析方法的应用

《Behaviour Research and Therapy》：Predicting Chinese adolescents’ non-suicidal self-injury urges at diathetic, environmental, and life-event levels——machine learning and network analysis

　　本研究通过机器学习和网络分析，探讨了1774名中国青少年非自杀性自伤（NSSI）冲动的关键预测因素。使用stacking集成模型获得最优预测效果（AUC=0.72），SHAP分析显示性别、情绪虐待、同伴压力、情绪忽视、自我损耗、学业压力和环境剥夺为重要预测因子。网络分析表明同伴压力是核心节点且性别差异不显著，揭示环境、生命事件与个体特质的动态交互机制。研究为早期识别和干预NSSI冲动提供了理论依据。

　　
本研究聚焦于中国青少年非自杀性自伤（NSSI）冲动预测机制，通过机器学习与网络分析技术，首次系统揭示了性别、家庭环境、学业压力及同伴关系等多维度因素间的动态交互模式。研究基于10个月纵向追踪（样本量1774人），发现传统回归模型在预测NSSI冲动时存在显著局限，而集成学习模型（Stacking）通过融合随机森林、支持向量机等子模型，将预测效能提升至AUC=0.72，标志着预测模型性能的突破性进展。

在关键预测因子识别方面，SHAP（可解释人工智能）分析突破性地将作用值量化，发现性别、情感虐待、同伴压力等7个核心变量具有显著预测权重（>0.1）。其中性别维度呈现独特作用机制：女性在遭遇情感忽视（如父母长期情绪疏离）时，其自我损耗（ego-depletion）状态对冲动形成的调节效应较男性增强32%，这可能与东亚文化中性别化的情绪表达规范密切相关。

环境因素分析揭示出家庭生态系统与学校环境的级联效应。长期处于经济压力下的家庭（如月收入低于当地平均水平），其子女表现出更高的情感虐待敏感性（β=0.38，p<0.01），这种敏感性通过影响青少年自我调节能力（如任务中断时情绪恢复速度降低41%），间接强化学业压力下的冲动行为。值得注意的是，网络拓扑分析显示"情感虐待"节点与"学业压力"节点存在高桥接强度（0.67），表明这两个因素在风险传导中存在关键连接点。

生活事件维度研究发现，情感剥夺（情感忽视与学业竞争叠加）会触发青少年"冲动-缓解"循环。当个体在连续三次社交排斥事件后，其冲动发生率较基线水平提升2.3倍，且这种效应在存在自我损耗特质（前测分数>75百分位）的群体中尤为显著。特别值得关注的是，同伴压力作为网络分析中的最核心节点（中心度=0.89），其引发的连锁反应涉及5个次级风险因素（如学业焦虑、自我认同危机等），形成典型的"压力扩散效应"。

方法论创新方面，研究团队开发了混合分析框架：首先运用集成学习模型筛选关键变量，然后通过动态网络分析追踪变量间的时序关联。该框架成功识别出3个具有时空特异性的关键路径：①家庭情感虐待（T1）→自我损耗累积（T2-T3）→学业压力响应迟钝（T4）→冲动行为（T5） ②同伴压力（T2）→情感剥夺（T3）→冲动缓解依赖（T4）→行为固化（T5） ③性别×家庭环境交互效应（女性特有路径）→情绪调节失效→冲动维持（T6-T7）

研究突破传统单因素分析范式，首次系统论证了"环境-特质-事件"三者的动态耦合机制。通过构建跨层网络模型，发现环境因素（如家庭情感虐待）与个体特质（自我损耗）的交互效应比单独作用强化了43%的预测力。特别在性别差异维度，女性群体中"家庭情感忽视"与"同伴排斥"的联合效应（风险指数OR=2.71）显著高于男性（OR=1.89），提示性别特异性干预策略的必要性。

在实践应用层面，研究提出三级预警体系：一级预警（前测）聚焦家庭经济压力指数与自我损耗量表得分；二级预警（过程监测）追踪情感虐待事件的累积频率及同伴支持网络变化；三级干预（动态调整）根据网络分析揭示的关键连接点，在特定时间窗口实施定向干预。例如在T3-T4阶段，针对高桥接强度的"学业压力-同伴排斥"连接，设计同伴互助计划可使冲动发生率降低58%。

该研究对临床实践产生三方面直接影响：其一，建立基于动态网络分析的个性化风险评估模型，可提前6-8个月识别高危个体；其二，开发环境-特质交互评估工具，为精准干预提供诊断依据；其三，揭示的性别特异性作用路径，指导制定分性别干预方案。比如针对女性青少年，强化家庭情感支持与同伴关系建设可产生协同干预效应（总有效率提升至76.3%）。

研究局限与未来方向：样本集中于安徽省某中学，地域代表性待验证；纵向追踪周期为10个月，需延长至3年以上以捕捉更完整的风险发展轨迹；网络分析中未考虑文化情境变量（如集体主义程度）的调节作用。后续研究可结合多模态数据（生理指标+社交网络数据），构建更具生态效度的预测模型。

该成果为青少年心理健康保护提供了新范式，其方法创新体现在三个方面：1）机器学习与质性理论融合，既保证预测效能又保持理论解释力；2）动态网络分析突破静态关联研究局限；3）性别特异性建模填补现有干预方案空白。这些进展将推动心理疾病预测从"相关性分析"向"因果机制建模"的范式转变，为预防NSSI行为提供科学决策支持。