大学生中的Facebook成瘾风险特征

电信和信息学报告8（2022）100027大学生中的Facebook成瘾用户风险特征：使用潜在特征分析识别特洛伊史密斯特立尼达和多巴哥大学aRT i cL e i nf o保留字：Facebook成瘾，风险概况以人为本的方法人格特质免费注册a b sTR a cT先前的研究和理论假设表明，与其他行为成瘾类似，Facebook成瘾风险的用户之间存在异质性。这些研究采用了以变量为中心的方法，显示了心理因素、人格特质和动机与成瘾指标之间的各种关系。这项研究旨在采取以人为本的方法，重点调查Facebook成瘾指标的概况以及由Bergen Facebook成瘾量表测量的Gri Beths的六个核心成瘾成分的相关水平和重要性此外，还评估了与孤独、自尊、五大人格特质和与识别Facebook成瘾风险水平相关的奖励相关的预测能力。本研究以611名大学生为研究对象，采用自填式网络问卷进行调查。使用潜在特征分析（LPA）、ANOVA、成对比较和决策树分析数据。LPA将Facebook行为分为三类，即“高风险”、“低风险”和“无风险”。“高风险”使用者的流行率为8.5%，主要是女性（88%）。成瘾的所有六个核心组成部分都被发现有助于将用户分为三类。此外，性别、年龄、宜人性、孤独感和寻求的所有五种形式的报酬与Facebook成瘾有显著的正相关。 自尊与Facebook成瘾呈显著负相关。此外，根据决策树分析和成对比较的类的宽容和情绪调节的标准，以及孤独和自尊的协变量显示出最高的预测能力。该研究得出的结论是，耐受性和情绪调节是诊断Facebook成瘾的最相关标准。此外，情感支持和逃避现实可能是转化为Facebook成瘾的关键潜在因素1. 介绍社交媒体成瘾已成为一种新的心理健康问题，引起了研究人员，卫生专业人员，大众媒体和政府的关注。社交媒体成瘾被定义为过度和强迫性地使用社交媒体，目的是改变情绪或需要与负面的个人后果相协调[26，59]。许多学者引用了现有研究和理论工作的结果，定义了成瘾的标准，足以将有问题的社交媒体使用归类为精神成瘾[6，9，20]。虽然美国精神病学协会还没有将社交媒体成瘾纳入诊断和统计中，calManual of Mental Disorders，第五版（DSM-5-TR）中，与互联网活动相关的成瘾的潜在负面影响已被确认，并将互联网游戏障碍（IGD）作为一种暂定障碍[4]。电子邮件地址：we.edu.utt.tthttps://doi.org/10.1016/j.teler.2022.100027尽管多位研究人员提供了社交媒体与成瘾行为之间关系的经验证据，特别是与Facebook使用有关，但Facebook成瘾的诊断仍然存在争议[12]。基于来自多个国家的样本的研究已经证明了Gri Beths[22]六个成瘾 标 准 和 过 度 使 用 Facebook之 间 的 关 系 [ 3 ， 18 ， 39] 。 Gri Beths（2013）的成瘾标准是突出性，情绪调节，耐受性，戒断（症状），冲突和复发。显著性指的是对某项活动的完全专注，这种专注导致认知扭曲、对该活动的渴望和社会行为的恶化。情绪调节是指人们在参与活动时报告的主观积极体验。耐受性是一个过程，在这个过程中，需要增加活动量来达到先前的情绪调节效果。退缩是指当一个人无法投入时，出现的不愉快的感觉状态和/或身体反应。 in the activity活动.冲突是指由于对活动的过度参与的担忧而与人，活动甚至与自己的分歧，分歧和斗争。最后，复发指的是在控制期后，重复恢复到早期过度参与活动的库斯和接收日期：2022年7月29日;接收日期：2022年11月7日;接受日期：2022年11月14日2772-5030/© 2022作者。由Elsevier B. V.发布。这是一个CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）可在ScienceDirect上获得目录列表电信和信息学报告期刊主页：www.elsevier.com/locate/telerT. 史密斯电信和信息学报告8（2022）1000272Gri Ruth[35]认为，由于对Facebook使用的适应不良反应，这些成瘾标准的表现使得具体考虑“Facebook成瘾障碍”似乎是合理的此外，与脸书成瘾相关的成瘾样行为与孤独和低自尊等心理因素之间的正相关关系表明与公认的行为成瘾一致[12，76]。除了这种一致性之外，还发现了与Facebook成瘾相关的负面结果，包括时间感知、时间管理、维持人际关系、学习成绩（成绩下降）和抑郁症患病率增加等方面的困难[3，13]。研究已经确定了Facebook使用的许多前因，这些前因基于一系列用于解释其使用和滥用的观点或理论方法[37，48，58，63]。其中一些观点包括用途和免费理论[74];人格理论[62]，技术使用的需求-一种服从-特征模型[16，59]，自我逃避理论[66]和自我决定理论[14]。一些学者试图在研究变量关系时采取更集中的方法，并分析了Facebook成瘾与个人性格特征之间的关系，心理需求的满足（相关性，自我展示社交互动）以及当前和期望（或预期）情况之间的感知差异（例如，孤独感和低自尊）[8，12，58，63]。然而，文献包含有限的使用以人为中心的方法来显示通过模式发生的个体差异，即，轮廓，而不是变量关系[36，59，75]。目前的研究填补了文献中的这一空白，旨在探索与不同水平的Facebook成瘾风险相关的前因的相互作用，而不是孤立地进行。因此，本研究考虑了不同用户（用户配置文件）在使用Facebook时所经历的社会和心理因素的复杂性和动态性。研究表明，成瘾或精神病的临床高风险群体是异质性的，由具有不同但特征性症状群的个体组成[18，23]。异质性可通过混淆离散亚型而妨碍临床实践，这妨碍了对不表现出相同症状或转换概率的患者的评价和相关治疗。最近的研究试图应用潜变量混合模型（LVMM）来解释心理障碍的风险，包括社交媒体广告[8，38，59]。LVMM（如潜在特征分析（LPA））旨在提取异质队列中的同质亚组，每个亚组具有独立的症状特征和与结果的差异相关性-基于对测试项目的反应进行评估[65]。几项研 究为潜 在的社 交媒体 和网络 成瘾亚 组提供了 支持， 发现GriThs[22]SIX标准存在显著的异质性成瘾[59]此外，在验证类ap的过程LPA指出，这些研究还确定了协变量的潜在可用性（例如，人格特征，心理因素和心理需求）作为诊断工具，以确定有风险的用户[10，18，38]。本研究采用LVMM的统计技术进行潜在类估计，其中类的数量不是先验估计的，而是基于拟合优度度量和可解释性的组合进行选择。此外，这些类别的特点和验证的协变量的大五人格特质，gratification寻求和心理因素的类别的广泛列表。使用先前在已发表的实证研究中与社交媒体成瘾相关的量表测量协变量，以增加可比性，因为荟萃分析表明量表类型和长度调节协变量与社交媒体成瘾之间的关系[50]。这项研究的目标群体是大学生，因为研究表明，社交媒体成瘾在全球年轻人中正在增加，人们一致认为，这是一个重要的问题，因为社交媒体成瘾会对健康产生许多不利影响。在发展的形成阶段[28，34]。加-通常，为了有助于潜在的临床诊断，训练他们将Gri Beths的6个成瘾标准、已识别的协变量和人口统计学与Facebook成瘾风险水平联系起来使用LPA开发风险类别的方法，进一步通过协变量和决策树的后续开发来表征，不仅为风险的临床诊断提供了基础，而且还为可能转化为成瘾的人提供了特征性特征。 这种方法旨在填补文献中与缺乏以人为本的方法来研究Facebook成瘾有关的空白。此外，开发的特征与经验识别的风险类别相关，这提供了一种可能被临床从业者使用的工具。2. 理论背景2.1. Grati fication searched and Facebook use虽然研究有限，但几项研究已经确定，寻求的报酬与社交媒体的使用存在显著的正相关关系[47，64，73]。使用和Gratification理论表明，通信媒介的使用是基于用户的心理需求/动机的理性选择[27，32]。研究结果表明，对于不同的社交媒体和其他在线平台，最重要的奖励和平台例如，Xiaonei.com成瘾与社交化和关系维持呈正相关，一项研究发现友谊、关系维持和逃避现实是重要变量，其他研究确定了自我展示和转移[17，21，67，77]。这种不一致性意味着不太可能识别出一个会使个人使用或参与一系列平台的问题使用的理由，而是每个平台都必须独立检查。这可能归因于不同平台的不同功能、覆盖范围和目标受众。这项研究具体考察了Omar和Subramanian[45]的工作中确定的五个维度，这些工作基于推理分析将广泛的可能动机分为五（5）个离散组。该框架被用于之前在社交媒体成瘾研究中使用的框架，并为识别的奖励类别提供了明确的经验证据。从Omar和Subramanian[45]的数据分析中提取的维度是内容gratification（对信息/消息内容的需求）、社会gratification（对社会互动的需求）、过程gratification（需要参与行为过程）、技术gratification（系统提供的合适和方便的环境）和自我展示（需要了解）。 或者改变别人对他们的看法）。2.2. 个性与Facebook使用许多研究表明，人格特质在成瘾行为的表现中很重要，因为它们定义了技术和在线社交互动的采用。社交媒体成瘾与外向性、外向性和神经质（情绪稳定性的对立面）等个性特征之间的关系存在不一致的实证证据。大多数研究报告了外向性和神经质与社交媒体成瘾的积极关系[1，12，46]。EX troverts可能会过度使用社交媒体来增强社交网络，而神经症患者在现实世界中管理压力和焦虑时会遇到困难，并且可能会用在线互动取代或补贴面对面的社交互动，因为他们认为在线互动具有更大的控制力[30，40，72]。2.3. 心理因素与Facebook使用研究表明，一个人所期望的和感知的社会联系水平的不一致研究表明T. 史密斯电信和信息学报告8（2022）1000273孤独与社交媒体成瘾有显著的正相关[79]。孤独的人对在线社交互动有更高的偏好，因为他们认为这些互动风险更小，更容易，因为匿名和拥有更大控制权的感觉。 此外，随着人们在现实世界中变得孤立，他们可能会增加在线使用以获得情感支持。网上新关系的形成会减少孤独感的刺激增加使用的欲望，就像一个物质成瘾者寻求更大量的麻醉品来获得同样的欣快感觉[56，57]。孤独感与自尊呈负相关，自尊反过来又会 与社交媒体成瘾存在显著的负相关[79]。研究人员认为，用户试图逃避他们在现实世界中对自己的不满，并通过建立“在线”自尊来寻求社交媒体的情感支持他们的在线社交互动可以建立自尊，因为它在在线框架内提供了一种渴望和同伴接受的感觉。然而，由于这并不一定转化为现实世界，因此可以发展对在线社交互动的依赖3. 方法3.1. 数据收集这项研究通过一项自我管理的在线调查收集了611名大学生的数据。样本中62.95%为女性，平均年龄为25.5 岁（ SD= 7.26 ），39.05%为男性，平均年龄为27.2岁（SD= 8.11）。总体而言，参与者的年龄范围为18至64岁，平均年龄为26.2岁（SD= 7.61）。3.2. 措施本研究中使用的量表见附录XA。3.2.1. Bergen Facebook成瘾量表该研究使用了Andreassen等人开发的Bergen Facebook成瘾量表（BFAS）[7]。BFAS通常用于测量这一现象，因为研究人员在多种文化背景下在文献中对其进行了广泛的验证[5，10，59]。该量表由6×5分Likert类型的项目组成，范围从量表上的每一项都对应于GriBeths[22]6 个 成 瘾 标 准 之 一 前 测 显 示 了 足 够 的 内 部 一 致 性（Cronbach������3.2.2. 所寻求的补助金该研究使用Omar和Subramanian出版的量表检查了使用和寻求/获得报酬的五个维度[45]。该量表由5个分量表组成，共12个5分Likert类型的项目，范围从“强烈反对”到“强烈同意”。该量表涵盖了五个方面的奖励，分别是内容奖励、社交奖励、过程奖励、技术奖励和自我展示。3.2.3. 五大人格特质该研究采用了10项人格量表（TIPI）来测量大五人格特质：EXTraversion，责任心，尽责性，情绪稳定性和开放性[44]。 选择TIPI是因为它的简洁性和有效性，如连续记录的中度Cronbach α、高时间稳定性和与较长测量的强相关性所证明的（例如，44-[44，51]. TIPI使用5对7分Likert类型的项目（一个标准和一个反向编码）评估人格，范围从“强烈不同意”到“强烈同意”。每个特征都是相关标准和反向编码项目的平均值[85]。3.2.4. 心理因素选择孤独感和自尊感两个心理因素，分别采用加州大学洛杉矶分校（UCLA）的三项孤独感量表和Rosenberg自尊量表（RSES）进行测量。选择UCLA三项孤独量表，因为它已被学术界接受并广泛使用[84，87]。该量表由3分Likert类型量表上的三个项目组成加州大学洛杉矶分校的得分可以 可以定性地分为四个级别：不孤独（0使用Rosenberg自尊量表（RSES）评估自尊，这是心理学研究中最广泛使用的自尊测量方法[83]。RSES评估整体自尊（自我价值和自我接纳的总体感觉），由10个4分Likert类型（“强烈同意”到“强烈不同意”）项目表示考虑到Cronbach系数分别为0.84和0.88，UCLA和RSES的可靠性被认为是足够的3.3. 统计分析描述性统计用于证明数据集和参与者的特征。使用潜在特征分析（LPA）对数据进行全面评估，以根据捕获的不同水平的适应不良行为本研究中使用LPA，因为它广泛用于识别具有相似特征（症状特征）的潜在组。 LPA属于一组称为潜在变量混合建模的统计方法，其寻求识别异质组内的同质潜在子组。这种以人为中心的方法已被应用于具有异质性症状的疾病的分类，因为混合模型可以使用特征之间的测量区别特征产生一致的分类使用tidyLPA版本1.0.8对Facebook数据进行LPA，以基于R中BFAS捕获的不同水平的适应不良行为来识别潜在亚群[82]。LPA模型中的指标是Grif-fiths[22]六项成瘾标准（显著性、情绪调节、耐受性、戒断、冲突和复发）。估计具有2-5个类别的模型，并基于几个度量选择最佳模型。的Akaike信息准则（AIC）和贝叶斯信息度量标准（BIC）用于评估拟合优度[2，55]。AIC和BIC的值越低，表明拟合越好。熵[15]用于估计潜在组成员分配的精度，值≥0.80表示分类精度。此外，引导似然比检验（BLRT）及其相关p值用于辅助模型的最终选择[38，41，61]。为了提高模型有效性和诊断适用性，使用测量人口统计学、性别、人格特质和心理因素的协变量进一步表征了LPA识别的潜在亚组。使用单变量ANOVA和有效样本量（r2;决定系数）评估指标在LPA类别分离中的重要性。决定系数是皮尔逊相关系数r的平方，在配对数据的情况下，r是一个平均值。确定两个变量共享的方差的比例，并且在0到1之间变化。随后，生成了描述估计样本平均值的指标曲线。此外，还进行了显著性检验，以比较协变量的类别。除了与指标一起使用的ANOVA外，还进行了t检验和���2检验，以比较协变量的类别。为了使决策者和其他非学者能够更好地可视化和消费数据，决策树分析被用来表示成瘾行为、前因和Facebook成瘾风险之间的关系。此外，对前因的预测性能进行了检查，其中有三种可能的Facebook风险结果，即高风险、低风险和无风险。决策树具有类似于决策图的结构T. 史密斯电信和信息学报告8（2022）1000274表1比较各种模型的潜在特征分析总结（N= 611）。模型类AICBIC熵BLRT_p128912.508996.390.940.01238307.668422.450.940.01348205.308350.990.940.01457910.078086.680.930.01其可用于评估条件概率。这棵树很结实，表3在认可Gri Beths[22]六项成瘾标准成瘾标准测试不DFp突出性t检验-2.815910.005TOST上限-8.72 591.001 3> 1.51FB2容忍1.2（0.43）2.8（0.77）4.4（0.71）<.0012> 3> 1.71FB3心情修改1.1（0.42）2.5（1.02）4.4（0.87）<.0012> 3> 1.60FB4复发1.3（0.79）2.5（1.12）3.4（1.21）<.0012> 3> 1.33FB5退出1.0（0.21）1.5（0.65）3.1（1.21）<.0012> 3> 1.35FB6联系我们1.0（0.24）1.7（0.77）2.6（1.17）<.0012> 3> 1.25注：对于每个变量，提供了类平均值，括号中为标准差T. 史密斯电信和信息学报告8（2022）1000275表4潜在类别、人口统计学特征和协变量之间的关联Fig. 1. Facebook用户3类解决方案的潜在特征（N=611）注：2级可变1类[无风险]（n= 379）3级[低风险]（n=180）2类[高风险]（n= 52）测试类的成对比较人口统计性别（女性%，男性%）58.6%，41.4%60.7%，39.3%87.8%，12.2%���P2（2）=15.6，p0.0012> 3，1年龄26.5（7.88）25.7（7.26）23.4（5.43）F2，154= 6.59，p= 0.0022> 1心理因素孤独5.0（1.91）5.5（1.93）6.6（1.96）2，135法郎=16.54，p.0012> 3> 1自尊20.5（6.01）19.4（5.6）17.1（6.76）F2，133= 6.99，p=.001二三，一<人格特质EX平移4.7（0.93）4.8（0.99）4.7（0.99）F2，130= 0.16，p= 0.852NA尽责性4.3（0.81）4.4（0.83）4.4（0.94）F2，131= 1.21，p= 0.301NA开放4.3（0.91）4.4（1.04）4.5（0.94）F2，133= 1.29，p= 0.278NA宜人性4.7（0.99）4.8（1.02）5.1（1.01）F2，135= 3.60，p= 0.0302> 1情绪稳定9.3（1.77）9.3（1.82）9.4（1.74）F2，135= 0.16，p= 0.853NAGrati fication Seought内容分级12.2（2.23）12.6（1.78）13.4（1.83）2，144法郎=10.35，p.0012> 3，1工艺认证7.7（1.60）8.3（1.27）8.58（1.42）2，141法郎=14.58，p.0013、2> 1自我展示7.34（3.16）8.03（2.76）9.85（3.17）2，137法郎=15.34，p.0012> 3> 1技术认证6.5（1.89）6.89（1.69）7.7（1.76）2，139法郎=10.05，p.0012> 3，1社会奖励6.9（1.99）7.4（1.74）7.8（1.72）F2，142= 6.63，p= 0.0023、2> 1注：对于每个变量，提供了类平均值，括号内为标准差;NA作为女性和比其他阶层的人年轻的能力。孤独和自尊的心理因素也被发现在班级之间存在显着差异。低自尊的人更有可能被归类为2类，而不是1类（无风险）或3类（低风险）。有中度孤独感的人更有可能被归类为3类而不是1类，而经历中度至重度孤独的人更有可能被归类为2类。在人格特质中，只有宜人性在不同的阶层之间有显著的差异。第二类的人有更高的机会比其他班的学生更讨人喜欢最后，对于所研究的所有形式的奖励，类别之间存在显著差异，然而，只有自我展示能够区分所有三个类别的用户分配。第二类的成员更有可能表现出更强的欲望或与内容奖励、技术奖励和自我展示相关的协调性。而那些拥有更强与过程和社会奖励相关的愿望或一致性被置于第1类的可能性低于第2类或第3类。总的来说，只有孤独和自我展示才能显著区分所有三个类别的成员资格。而性别、年龄、自尊、宜人性、内容付费和技术付费只能将“高风险”用户（第2类）与其余类别区分开来。过程和社会认同只能将成员显著地分类为属于第1类或不属于第1类。4.3. 支持Gri Beths的六个标准以及Facebook成瘾为了进一步探索特定标准对Facebook成瘾风险分类的贡献，构建了决策树T. 史密斯电信和信息学报告8（2022）1000276图二. 条件推理树图预测- ing Facebook成瘾的风险类别的Gri alths六个标准。图三. 根据年龄、性别、孤独、自尊、宜人性和寻求的奖励预测Facebook成瘾风险等级的条件推理树图。此外，还构建了第二个决策树，以评估所检查的人口统计学和协变量的预测能力4.3.1. Gri Griths六项标准图2显示了使用所收集的数据集来检查Gri Beths标准的预测能力的决策树。使用20%的保留来测试决策树的性能，即，计算评估指标。该模型的总体准确度为90.2%，F1分数为0.901，马修斯相关系数（MCC）为0.770，即，良好到非常好的整体性能。对分类最重要的特征被确定为公差和情绪调节，共同占模型的47%。4.3.2. 人口统计学和协变量对于条件推理树的开发，仅包括根据第4.2节确定为在类之间具有显著差异的变量。训练决策树模型的结果如图3所示。模型的总体准确度为70.2%，F1评分为0.658，Matthews相关系数（MCC）为0.267。这些分数表明，该模型在准确识别潜在高风险用户方面具有良好的性能T. 史密斯电信和信息学报告8（2022）1000277然而，低MCC分数表明，它在确定谁不会成为高风险用户方面并不有效。对分类最重要的特征被确定为孤独、自尊和自我呈现，分别占模型性能的23%、17%和16%5. 结论结果表明，孤独与Facebook成瘾呈显著正相关，而自尊则呈负相关，在人格特质中，只有宜人性与Facebook成瘾呈正相关，所有类型的感谢都与Facebook成瘾呈正相关。此外，研究结果表明，性别和年龄在解释用户体验Facebook成瘾的倾向方面发挥了作用。总体而言，结果表明，高风险用户特征被定义为寻求获得或可以从Facebook获得高水平奖励的年轻女性，他们可能具有令人愉快的个性，但更容易感到孤独和低自尊。为了支持之前的研究，目前的研究证实了寻求免费与Facebook成瘾之间的关系，自我展示是解释从“正常”到适应不良使用转换的相似性的一个特别重要的因素工作Smith的研究[58]表明，自我呈现介导了孤独和自尊与Facebook成瘾的关系。这项工作提出，在线自我呈现被用作一种工具，用于呈现自我的受控图像，以获得在线关系和反馈，以补偿缺乏足够的社会互动和/或在现实世界中体验到的低自尊感[58]。转化为成瘾，然后从最初的努力，以增加社会媒体的效用，作为一个机制的一部分，需要一种逃避和逃避，这升级为一个适应不良的反应，增加使用不再是与效用有关。此外，虽然在与Facebook添加相关的成瘾样症状的表现方面没有基于性别的差异，但与之前的研究一样，它表明与男性相比，女性成瘾的风险很高[10，68]。此外，像大多数过去的实证研究一样，年轻人被认为更有可能体验Facebook成瘾[24，46，81]。此外，与之前的研究一致，这些发现表明逃避现实（自我逃避理论）和Facebook成瘾之间存在正相关[59]。这种关系表现为孤独（积极）和自尊（消极）之间的关系，增加了Facebook成瘾的风险，这是现存文献中一致观察到的关系[49]。神经质、外向和认真的人格特征-没有发现性是Facebook广告风险的重要预测因素。而宜人性被发现与Facebook成瘾有显著的正相关关系。这些结果增加了目前在人格特质和社交媒体成瘾之间观察到的关系的不一致性。例如，在一些研究中，一般来说，宜人性与社交媒体添加没有显著关联，而在其他研究中，宜人性与社交媒体添加相关。Facebook成瘾与互联网成瘾具体和负相关[1，12，25，33，49]。 这可以通过Rajesh和Rangaiah[50]荟萃分析的发现来解释，该分析发现地理位置调节了人格特质和Face- book成瘾之间的联系。此外，经验证据表明，外向性、外向性、宜人性和神经质与Facebook使用之间存在关系，这本身取决于Facebook的哪些功能或如何吸引用户[49]。这种吸引力可能是偶然的，取决于这些人格变量在不同地理位置的存在程度。此外，还应考虑其他地理相关因素，如获取新闻、政府法规、宗教、社会规范和言论自由，这些因素决定了社交媒体的使用和吸引力及其功能。 总的来说，数据表明，国家，个性和Facebook成瘾该研究证明了Gri Beths[22]SIX标准在区分与Facebook成瘾相关的用户风险水平方面。已确认所有六项标准均有助于识别具有不同背书特征的不同风险水平。耐受性和情绪变化是区分Facebook成瘾风险水平的最重要因素，这与观察到的孤独和自尊在预测Facebook成瘾方面的重要性（第4.3.2节）一致。这表明逃避可能在成瘾途径中起着关键作用，导致转化为成瘾。这项研究表明，虽然Facebook成瘾不是一个普遍的问题，但在大学生中存在，8.5%的大学生被确定为高风险。这种障碍的负面影响是真实的，在所有六个Gri Beths[22]成瘾标准中都有表现，它也可能是其他心理社会问题的指标。因此，这一现象值得学者们进一步研究，以阐明成瘾的潜在原因及其与其他心理问题的关系。此外，这项研究的发现可以用来指导未来的研究，这些研究利用了更多样化和更具代表性的Facebook用户样本。此外，这种方法可以扩展到其他形式的网络成瘾，以识别成瘾途径中的模式和与成瘾相关的适应不良反应的表现。最终目标是制定战略和实施措施，以防止Facebook成瘾。6. 局限性和今后的工作虽然这项研究确实根据其调查Facebook成瘾的方法提供了独特的信息，但存在一些局限性。首先，参与者是大学生，主要是青少年。因此，在概括研究结果时应谨慎。第二，分析受到调查工具中捕获的变量的限制。更广泛的标准和协变量可以更深入地了解与Facebook成瘾相关的适应不良反应的表现以及转换风险较高的用户的概况。第三，由于这项研究是横断面的，因此无法检查类别之间的实际转换率以及这些转换和协变量之间的关系。纵向研究将提供对Facebook成瘾的前因，其性质及其效果的一致性的更深入的了解。第四，由于LVMM可以通过细微的样本差异进行验证，因此本研究的重复性对于确保当前班级结构的有效性非常重要。竞争利益作者声明，他们没有已知的竞争性经济利益或个人关系，可能会影响本文报告的工作。数据可用性数据将根据要求提供附录A研究卑尔根Facebook成瘾量表（BFAS）：Andreassen et al.[七]《中国日报》1你花了很多时间思考Facebook或计划如何使用它[]很少[]很少[]有时[]经常[]经常1 你越来越想使用Facebook[]很少[]很少[]有时[]经常[]经常1.你使用Facebook是为了忘记个人问题T. 史密斯电信和信息学报告8（2022）1000278[]很少[]很少[]有时[]经常[]经常1你曾试图减少Facebook的使用，但没有成功。[]很少[]很少[]有时[]经常[]经常1如果你被禁止使用Facebook，你会变得焦躁不安或烦恼。[]很少[]很少[]有时[]经常[]经常1你使用Facebook太多了，它对你的工作/学习产生了负面影响[]very rarely[]rarely[] sometimes []often[]very often用法和致谢：自我介绍：奥马尔·萨勃拉曼尼亚1 Facebook帮助我与那些分享我价值观的人联系[]strongagree[]agree[]neitherAgreenorDisagree[]disagree[]strongly disagree[]几乎从不[]有时[]经常十项人格量表（TIPI）：Gosling et al.[第八十五章]以下是一些可能适用也可能不适用的性格特征跟你你应该评估这对特质在多大程度上适用于你，即使其中一个特质比另一个更适用1兴奋，热情。【解析】【解析】[45个]内容免费1 Facebook帮助我提供信息[]strong agree[]agree[]neither Agree norDisagree[]disagree[]strongly disagree1 Facebook帮助我与其他人分享有用的信息[]strong agree[]agree[]neither Agree norDisagree[]disagree[]strongly disagree1 Facebook帮助我展示我感兴趣的信息[]strong agree[]agree[]neither Agree norDisagree[]disagree[]strongly disagree工艺分级1我使用Facebook是因为它很有趣[]strong agree[]agree[]neither Agree norDisagree[]disagree[]strongly disagree我使用Facebook是因为它是最具成本效益的宣传方式[]strong agree[]agree[]neither Agree norDisagree[]disagree[]strongly disagree自我展示1我使用Facebook是因为我想告诉别人关于我自己的事情[]strong agree[]agree[]neither Agree norDisagree[]disagree[]strongly disagree1我使用Facebook是因为我想展示我的个性[]strong agree[]agree[]neither Agree norDisagree[]disagree[]strongly disagree1我使用Facebook是因为我喜欢一个可以立即发布我想说的事情的地方[]strong agree[]agree[]neither Agree norDisagree[]disagree[]strongly disagree技术奖励1我使用Facebook是因为我可以用更少的钱得到我想要的东西[]strong agree[]agree[]neither Agree norDisagree[]disagree[]strongly disagree1 我使用Facebook，因为我可以随时使用它。[]strong agree[]agree[]neither Agree norDisagree[]disagree[]strongly disagree社会奖励1 Facebook帮助我认识人[]strong agree[]agree[]neither Agree norDisagree[]disagree[]strongly disagree1吹毛求疵，爱吵架。【解析】【解析】1依赖，自律。【解析】【解析】1烦躁，容易烦躁。【解析】【解析】1对新的体验开放，复杂。【解析】【解析】1含蓄，安静。【解析】【解析】1有同情心，热情。【解析】【解析】1杂乱无章，粗心大意。【解析】【解析】1冷静情绪稳定【解析】【解析】1传统，没有创造力。【解析】【解析】加 州 大 学 洛 杉 矶 分 校 （ UCLA ） 三 项 孤 独