电信和信息学报告10（2023）100048社交媒体中的主动和被动行为：验证社交媒体活动问卷（SMAQ）Phillip Ozimeka， Julia Brailovskaiaa，Hans-Werner Bierhoaa德国波鸿鲁尔大学心理系心理健康研究和治疗中心b德国波鸿鲁尔大学社会心理学系aRT i cL e i nf o保留字：社交媒体使用量表验证主动和被动使用行为报告a b sTR a cT本研究的目的是开发一个行为报告，以评估社会媒体使用（SMU）区分相当主动和相当被动的使用，即社会媒体活动问卷（SMAQ）。我们招募了1230名参与者（963名女性）测试其拟合优度。探索性因素分析和验证性因素分析均证实了SMAQ的双因素结构。内部一致性分析表明，这两个尺度的可靠性高。此外，结果代表收敛和判别效度的SMAQ量表的证据。结果表明，Facebook活动以及抑郁、焦虑和压力症状与主动SMU的关系比与被动SMU的关系更密切。相比之下，社会比较取向，社交媒体体验，社交媒体成瘾，害怕错过，以及社交媒体强度与被动使用的关系比主动使用更密切。因此，SMAQ代表了SMU的直接、深刻、经济、标准化、有效和可靠的测量。最后，SMAQ量表的应用进行了讨论，并概述了研究的局限性。1. 介绍互联网的普遍使用以及社交媒体的使用-dia平台成为我们日常生活的一部分。它的重要性在世界范围内不断增加，强烈地影响着人际交往和关系[65]。由于关于不同形式的社交媒体使用（SMU;即，主动使用，例如发布照片或推特;被动使用，例如阅读其他用户对照片的评论或查看其他用户的个人资料）新的行为形式“诞生”，即所谓的“在线行为”（参见，[62]）。移动设备的使用允许永久访问这种形式的行为（参见，[60]）。因此，我们认为，在网上和网上世界之间建立了密切的联系[32]。社交媒体几乎是最常用的互联网应用程序[31]。社交媒体的兴起促成了从被动式欺诈到主动式欺诈的转变，假设（即，所谓的Web1.0）到网络内容的主动生产（即，即所谓的Web2.0;[38]。尽管Facebook代表着全球最大的社交媒体平台[65]，但最新数据表明，年轻人对Instagram的趋势发生了变化[21，65]。其他流行的社交媒体平台包括Twitter、Snapchat、TikTok、YouTube或专业网络，如XING或LinkedIn。这些平台的功能与业务流程密切相关（例如，“bilateral communication”), but also offer users new possibili- ties*通讯作者。电子邮件地址：phillip. rub.de（P。Ozimek）。https://doi.org/10.1016/j.teler.2023.100048年龄”）。在此背景下，社交媒体成为社会心理学研究的一个新课题，诸如 或者要解决这些研究问题，一个深刻的，规范的，可靠的，有效的操作SMU是必要的。为此，我们想引入一种新的社交媒体使用衡量标准，区分主动和被动使用行为。在此背景下，两个主要目标是：（1）确定新测量的标准心理测量学特性和（2）建立其分量表的结构效度。总之，我们希望开发和验证社交媒体使用的独立于平台的度量。2. 理论背景2.1. 衡量社交媒体活动在社交媒体研究中，有大量的测量和操作用于评估社交媒体活动：许多研究试图通过profilecoding来评估社交媒体活动（以Facebook为研究起点）。[7，8，35]）。尽管相对于其活动SMU对参与者的配置文件进行编码可能是一种有用的方法，它不能评估我们所说的阅读别人接收日期：2022年10月16日;接收日期：2023年1月30日;接受日期：2023年2月18日2772-5030/© 2023作者。由爱思唯尔公司出版这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/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/telerP. Ozimek，J. Brailovskaia和H.- W. 比埃略河电信和信息学报告10（2023）1000482查看其他用户的个人资料页面等-一种使用形式 这有助于所谓的社会比较优势（参见，[22]）。对于这个问题，行为自我报告的评估似乎更有用和有效。第一份社交媒体自我报告（关于Facebook的使用）是由埃里森及其同事[20]使用Facebook强度量表开发的，即，一个7项工具，评估使用Facebook的动机和与社交媒体平台的联系。该量表显示出良好的可靠性系数（参见，���=0.83），并已在不同的社交媒体研究中采用和使用（参见，[6，18，29，31]）。然而，在这方面，它的收敛效度和判别效度还没有研究， 远了大约十年后，Orosz和同事[39]开发了一种关于评估Facebook使用的多维量表的第一种方法，该方法显示出高可靠性以及对评估Facebook成瘾，Facebook激情，在线社交和不同人格维度的量表的收敛效度，这些维度被总结为五大（包括外向性，神经质，外向性，宜人性和开放性）。他们的研究结果提出了四个因素，即，坚持、无聊、过度使用和自我表达。然而，这些因素在多大程度上代表了Facebook使用的不同方面，这是一个问题。现有文献表明，社交媒体活动的两个主要组成部分之间存在区别：主动和被动使用（参见，[3，23，37，54，57，58]）。根据这一点，Ozimek和Bierho[40]开发了德国Facebook活动问卷（FAQ）区分表演，即，活跃的Facebook使用，例如评论照片、在某人的时间轴上发布照片和新信息被动的Facebook使用，如阅读评论，帖子，或查看其他人在社交媒体上的积极自我呈现，如修改自己<05; CFI= 0.907; RMSEA= 0.058）。而观看分量表作为-sesses被动的Facebook使用，分量表代理和印象是指积极的Facebook使用。上面，Gerson和同事[23]还开发了一个三因素规模方面的因素积极的社会，积极的非社会和被动的使用显示良好的信度以及判别效度。但其他社交媒体平台又如何呢？只有少数研究存在于关于Facebook以外的社交媒体平台（如Instagram）上的活动的规模发展方面。主要有单项量表，以分钟和小时为单位评估每天在Instagram上花费的时间量，或者关于使用In-stagram的动机的量表（参见，[27，30，51，52]）。除此之外，Instagram使用、行为和情绪反应问卷[42]以及Instagram活动问卷[44]似乎是迄今为止评估Instagram使用情况的唯一行为报告。存在评估使用1的动机的额外量表。Facebook和Snapchat[56]，2.Twitter[25]和3。[48]第四十八章.概览见表1。但是，据我们所知，还没有研究对评估社交媒体使用的行为报告进行验证。此外，目前还不清楚使用特定社交媒体活动的研究结果是否适用于不同的平台（例如，Facebook、Instagram）可以推广到其他社交媒体。因此，发现、解释和影响仅对被评估的社交媒体平台有效。2.2. 主动与被动的社交媒体活动在可能发生负面副作用的背景下，主动和被动社交媒体使用之间的区别是直接相关的。例如，先前的纵向研究表明，抑郁症状的发生和社交媒体的使用呈正相关。在一项纵向研究中[10]，使用Facebook的强度可以预测6周后的抑郁症。这些结果与Sagioglou和Greitemeyer[47]报告的结果一致，后者表明，Facebook的使用引发了负面情绪效应，这与用户认为他们没有进行有意义的活动的印象有关。关于Facebook使用的非预期副作用的研究的一个明显的局限性是，它们的发生可能取决于Facebook的使用是主动的还是被动的。通过考虑Facebook使用的不同领域，研究表明，积极使用Facebook能够减少抑郁和孤独[63，64]。相比之下，使用Facebook的频率和抑郁倾向之间可能存在正相关，被动使用Facebook的后果[53，59]。在这种情况下，Brandenberg等人。[16]专注于被动使用Facebook的负面影响，特别强调抑郁作为负面影响的指标。此外，社会比较倾向和整体自尊（即，一般自我评价）被认为是中介变量。所有变量均采用标准化量表进行测量，例如，Beck抑郁量表[4]。从被动使用Facebook中产生的多中介模型以能力为基础的社会比较和整体自尊为中介变量。一项对800多名Facebook用户的调查显示，更多的被动使用Facebook与抑郁症呈正相关，这种关系是由基于能力的社会比较和低自尊所介导的。具体而言，Facebook观看量表（这是被动使用Facebook的指标）与参与者的整体自尊呈负相关，与抑郁倾向呈正相关，而基于能力的社交比较与自尊呈负相关，与抑郁倾向呈正相关。正如预期的那样，整体自尊也与抑郁倾向高度负相关。总之，被动而非主动使用Facebook与更高的抑郁倾向相关，由更高的能力相关SCO和更低的自尊介导基于先前的结果，暗示了有趣的假设，pas-被动使用Facebook（以及一般被动使用互联网上的媒体）与消极的影响有关，而积极的媒体使用与中性或积极的影响有关 健康和情绪的影响。该假设的后半部分与Brailovskaia和Margaret[9]的结果一致，他们描述了Facebook的活跃使用（通过自我报告测量和从参与者的Facebook账户中采取的客观测量进行评估）与主观幸福感之间的正相关性具体而言，Wenninger等人。[61]通过对比互惠相关活动（即，聊天、给出和接收反馈），而这些活动本质上是非互惠的并且不针对特定的人（即，广播和浏览）。在11至17岁（平均年龄=14.9岁）的青少年中进行了连续7天的日记研究。结果表明，嵌入在互惠循环中的活动比广播和浏览的控制活动更能引起用户的积极反应。社会媒体活动涉及的义务，回报的贡献说明了一个特殊的情况下，积极的模式。通过激活深深植根于人性的互惠规范（[5];参见，[55]的互惠利他主义理论），激发积极的情感尤其可能。问题是，是否是互惠规范的激活导致了社交媒体活动的积极影响，或者是否足以以积极的模式实现社交媒体上的任何活动，以提高主观幸福感。为了回答这个问题，Verduyn等人[58]进行了两项精心设计的研究。在研究1中，采用实验设计来对比被动使用Facebook的条件（进行10分钟的浏览）与主动使用Facebook的第二条件（进行10分钟的直接交流，如分享链接或发送消息）。结果表明，在一天结束时，被动使用体验（与基线测量相比）会降低主观幸福与此相反，没有实验结果的生活满意度。P. Ozimek，J. Brailovskaia和H.- W. 比埃略河电信和信息学报告10（2023）1000483表1现有社交媒体活动量表概览测量作者，年份平台分量表（项目数）一Facebook强度量表[20个]Facebook–.83多维Facebook强度量表[39]第三十九届Facebook坚持（4），无聊（3），过度使用（3），自我表达（3）.72-0.81Facebook活动问卷[第四十届]Facebook第1113章看，演，打动（六）.77-0.83Facebook的被动和主动使用测量（PAUM）[23日]Facebook主动社交（5），主动非社交（4），被动（4）.71-0.79使用Snapchat和Facebook的动机[56个]Facebook、SnapchatFacebook（5），Snapchat（5）–Instagram动机[27，30，51]Instagram社会互动（7），归档（5），自我表现（3），逃避现实（4），偷看（4），文档（1），冷静（5）–Instagram使用、行为和情绪反应问卷（IUBRQ）[第四十二届]Instagram––Instagram活动问卷[第四十四届]Instagram主动（19）、被动（11）.79-0.89使用Twitter的动机和奖励[25日]Twitter社会动机（9），信息动机（6）.77-0.81使用TikTok的动机[48个]TikTok社会奖励自我介绍（9），时尚(4)，逃避成瘾（5），新奇（1）.75-0.87Verduyn等人的研究2。[58]采用了经验抽样方法。参与者指出，他们被动使用Facebook（在特定时间段内自发发生）是否与他们对事后感觉如何的评估下降有关。结果表明，使用Facebook确实会产生负面影响。然而，积极使用Facebook后没有观察到负面变化。此外，在特定时间段内自发参与直接社会互动的参与者报告了积极的幸福感变化。其他分析表明，与积极使用Facebook相比， 使用会导致有效幸福感下降5%总之，Facebook的使用对用户的福祉有负面影响的风险这些无意的副作用发生的原因之一似乎是Facebook用户倾向于推断他们没有参与有意义的活动[47]。具体而言，Facebook等社交媒体最好能产生预期的积极效果，如获取重要信息和加强社区内的社交网络，而不会对福祉产生负面影响。为了澄清哪些社交媒体活动与积极或消极的伴随物有关，主动和被动SMU之间的区别社交媒体的使用通常是沟通过程的一种变体，沟通总是一种积极的努力[57]。因此，术语根据Valkenburg及其同事的定义[57]，高活动水平的媒体使用是一个人，一个人。媒体使用的程度被定义为531）。活动模式的示例包括发送私人消息和发布状态更新[57]以及执行10分钟的直接通信，如共享链接或发送消息[58]。被动模式的例子包括滚动或查看其他用户发布状态更新;[57]）。Trifiro和Gerson[54]指出，需要开发通用的测量工具，以区分主动和被动媒体使用。他们认为，这样的测量工具应该是灵活的应用程序，以不同的SNS-ING可能的变化，在设计和功能。总之，需要一种工具，允许基于标准问卷程序，以灵活的方式分别获得主动和被动媒体使用的分数在识别可能支持用户的积极情绪和幸福感或可能破坏这些积极结果并可能引起成瘾倾向的社交媒体活动的背景下，这种工具是期望的具体而言，分别计量主动及被动使用可能有助于识别触发主动SMU的社交媒体特征因此，需要一种仪器，允许基于标准问卷调查程序，以获得主动和被动媒体的分数分别使用。这种工具在识别社交媒体活动的背景下是有价值的，这些社交媒体活动可能支持用户的积极情绪和幸福感，或者可能破坏这些积极的结果并引起成瘾倾向。具体而言，分别对主动和被动使用的测量可能有助于识别触发主动SMU的社交媒体特征在此背景下，我们旨在开发一份行为报告，以评估SMU区分主动和被动活动，即社交媒体活动问卷（SMAQ）。我们希望通过测试SMAQ在因素结构、项目分析、内部一致性和结构效度方面的拟合优度来引入SMAQ。3. 方法3.1. 参与者我们的样本包括1230名参与者（963名女性）。参与者所有参与者始终使用至少一个社交媒体平台。每天花费在社交媒体上的平均时间为124.70分钟（SD=91.13;范围：13.2. 材料3.2.1. 社交媒体活动问卷我们基于Facebook Ac开发了SMAQ的项目-Facebook活动问卷的动机和观看量表[40]。因此，我们构建了11个被动（即，“我查看“新闻源”以查看其他用户的最新活动（例如，如果他们有新朋友）”）以及八个活动项目（即，“I post photos”) on a 5-point Likert- type scale from 1 项目的维度分析基于探索性因素分析（EFA）和验证性因素分析（CFA）。全民教育表明，假设的双因素结构是可行的，因为18个项目中的17个项目实现了简单的结构（即，10项被动，7项主动）。所有项目的完整清单载于附件二XA。我们的数据显示，社交媒体的主动使用水平较低，被动使用社交媒体的平均水平较低（见表2），以及良好的内部社交媒体使用率：主动社交媒体使用率=0.845，无源功率=0.853。3.2.2. Facebook-活动问卷为了评估Facebook的使用量，使用了德国Facebook-活动问卷（常见 问题 解答 ; 原 始德 语版 本： [40] ） 。 该量 表的 30 个 项目 涉及Facebook使用的三个领域，也就是说，观看（11项;例如，“I’mlooking at other’s relationship sta- tus”),“I’m struggling to decidewhich profile picture I would like 一个5分制的Likert类型的量表评估了Facebook的活动P. Ozimek，J. Brailovskaia和H.- W. 比埃略河电信和信息学报告10（2023）1000484表2研究变量的描述性统计量。M（标准差）Min-Max积极使用1.86（0.79）1–5被动社交媒体使用3.06（0.83）1–5Facebook活动（总体）1.90（0.63）1–5Facebook活动1.70（0.66）1–5Facebook活动2.40（0.90）1–5Facebook活动1.60（0.57）1–5社交媒体使用强度2.87（0.92）1–5社交媒体流2.96（0.75）1–5社交媒体成瘾13.66（5.52）6–30社会比较倾向3.06（0.58）1–5害怕错过23.89（7.93）10–50抑郁症状5.02（4.97）0–21焦虑症状4.03（4.47）0–21压力症状6.86（4.93）0–21注. N= 1230; M=平均值， SD=标准 偏差， Min=最小值，Max=最大值。（1 =从不，5 =经常）。分数越高表示Facebook的活跃度越高。Ozimek和Bierho[40]报告了所有三个维度的满意至良好的内部一致性（���观 察=0.832，���印象= 0.791，���作用=0.765）以及良好的结构效度。在本研究中，内部量表的信度总体上是��� =0.953，观察 =0.923，���压印率=0.896，���作用率=0.906。3.2.3. 社交媒体强度量表与SMU的情感联系及其与参与者日常生活的融合在按5分Likert类型量表（1=强烈不同意，5=强烈同意）评级的six项中，我们将术语“Facebook”改为 “社交媒体的使用是我日常活动的一部分”）。总分越高，SMU强度越高。在之前的研究中[11]，使用了专注于Facebook使用的原始版本，在当前的研究中，内部量表的可靠性���为0.840。3.2.4. 社交媒体调查问卷心流代表着完全沉浸在任务中，包括吸收和行动与意识的合并，这在内在动机占主导地位的情况下是典型的。具体而言，关于社交媒体使用的经验由五个核心特征定义[12]：好奇心（即，在社交媒体使用期间的好奇心和兴趣的体验），享受（即，在社交媒体使用期间的享受和乐趣的体验），时间失真（即，在社交媒体使用期间失去时间感），集中注意力（即，集中关注在社交媒体上开展的活动），以及网真（即，深度沉浸在社交媒体世界中，同时忘记了在线世界的要求）。社交媒体流问卷（英语：Social Media Flow Questionnaire，SMF-Questionnaire;德文原版：[11]）评估社交媒体流。本文书的11个项目（例如，“Using the social media often makes me forget where I am”) thatare divided into five subscales based on the core char- acteristics of socialmedia flow (curiosity, enjoyment, time-distortion, focused attention,telepresence) are rated on a 5-point Likert-type scale (1 更高的总分表明更高的社交媒体流量。先前报告的11个项目的内部量表可靠性为=0.87[11]。在本研究中，我们发现了一个内部规模的一致性���为0.873。3.2.5. Bergen社交媒体成瘾量表试图减少媒体使用量的不成功尝试）、戒断（如果无法使用媒体，则进行补充）以及在网络世界中引发人际冲突。我们使用卑尔根社交媒体成瘾量表（BSMAS;原始版本：[2]; Ger-man版本：[11]）的简要版本测量社交媒体成瘾。BSMAS的六个项目（例如，“我有一种冲动越来越多地使用社交媒体？“) are formulatedaccording to the si他们被评为5点李克特类型的规模（1=非常罕见，5=非常频繁）。总分越高，社交媒体成瘾程度越高。先前报告的BSMAS量表可靠性���为0.82[14]。当前量表的信度为=0.857。3.2.6. 害怕错过量表害怕错过是指你没有得到信息或信息与你擦肩而过的主观焦虑。害怕错过量表（FoMO量表;原始版本：[43];德国版本：[45]）用十个项目（例如，“当我不知道我的朋友们在做什么时，我会感到焦虑”）。这些项目是在5点李克特类型的规模（1=不完全正确的我，5=非常正确的我 ） 。 总 分 越 高 ， 表 明 越 害 怕 错 过 。 以 前 报 告 的 量 表 可 靠 性 为=0.770[45]。本研究中量表的信度为0.853。3.2.7. 社会比较取向测量社会比较[22]是基于一个人对其他人的观察，并收集有关他们的行为，结果，态度，信仰和价值观的信息。这些有助于减少主观不确定性的信息使人们能够评价和评估自己的行为、结果、态度、信念和价值观。更具体地说，社会比较取向代表了人们对与他人进行社会比较的普遍兴趣，这种兴趣在两个一般维度上有所不同：能力和观点。能力是指个人成就的先决条件，而意见则包括态度、信仰和价值观。我们使用Gibbons和Buunk[24]的爱荷华-荷兰比较取向测量（INCOM）的德语版本[49]。这些项目采用5分Likert类型量表进行评估（1=我不同意，5=我完全同意）在两个不同维度上与他人进行社会比较的普遍兴趣，即，能力（6项;例如，“我经常比较我在社交上的表现”）和意见（5项;例如，“我总是想知道别人在类似的情况下会怎么做”）。总分越高，社会比较取向越高。German版本具有较高的效度和信度（效度=0.70-.85;参见，[49]）。在我们的研究中，可靠性分析显示了一个令人满意的内部一致性，ε=0.710。3.2.8. 抑郁焦虑压力量表21抑郁、焦虑和压力是指消极的感觉状态。具体地说，抑郁症代表一种悲伤和沮丧的负面情绪状态，伴随着兴趣丧失和活动减少以及沉思、注意力不集中、优柔寡断和失眠。焦虑是一种负面的情绪状态，包括忧虑、紧张、内心不安和恐惧，它是由预期引起的，也是自发引发的。最后，压力代表了一种消极感知的情况的心理影响，它影响了人的主观体验和相关的行为模式。抑郁焦虑压力量表21（DASS-21;原始版本：[33];German版本：[66]）评估了过去一周的抑郁，焦虑和压力症状，每个症状有7个项目（子量表抑郁：例如，“I couldn’t seem to experience anypositive feeling at all”;社会媒体成瘾包括硅X核心特征[11]：ety：例如，显著性（持续关注社交媒体使用）、耐受性（持续延长社交媒体使用时间，以达到与之前相同的积极效果）、通过使用社交媒体向积极方向改善情绪、复发（复发后发生）发现很难放松下来”）。这些项目是在4分制的李克特类型的量表上评分的（0=完全不适用于我，3=非常适用于我或大部分时间）。总分越高，表明阴性症状水平越高。先前报道的量表可靠性为：���P. Ozimek，J. Brailovskaia和H.- W. 比埃略河电信和信息学报告10（2023）1000485抑郁子量表，焦虑子量表，压力子量表，压力=0.86（NilgesEssau，2015）。���本研究中，抑郁、焦虑、压力分量表的内部信度分别为：（1）=0.915，（2）=0.878，（3）=0.893。3.3. 程序通过在线调查评估数据。1.我们采用滚雪球抽样技术招募参与者，即，校园范围内的电子邮件和电子邮件被传播，调查的链接通过社交媒体（Facebook、Instagram、WhatsApp和LinkedIn）共享。人口统计学变量、社交媒体活动、Facebook活动、社交媒体使用强度、社交媒体流量、社交媒体成瘾、社会比较取向、害怕错过以及抑郁、焦虑症状 和压力进行了评估。4. 结果4.1. 统计分析除了对研究变量进行描述性分析外，我们还使用IBM SPSS进行了Pearson相关性，FisherZ检验以及EFA28. 对于SMAQ的进一步CFA，我们使用MPlus 8.6[36]。4.2. 描述性统计量表2显示了研究变量的描述性统计量4.3. SMAQ的因子结构进行了全民教育，以制定SMAQ的初步版本。通过特征值、筛选检验、项目数、项目内容效度等标准确定了初步的因子结构。与项目结构相对应，我们假设一个由主动和被动SMU之间的区别组织起来的双因素结构将出现。此外，本发明还提供了一种方法， CFA进一步检验了假定的二维因素结构。全民教育表明，假设的双因素结构是可行的，因为18个项目中的17个项目实现了简单的结构（即，我们不得不删除项目smp11;见第11页XA）。4.3.1. 探索性因素分析全民教育采用主成分分析法，共调查1230人。考虑到本征值的幅值在7.405，2.183，1.434，0.872和0.777之间变化，并通过scree图表明单因子、双因子和三因子解是成立的。基于理论预期、高解的可解释性、所涉及的旋转因子的相似量级以及每个因子上加载的大量项目，我们倾向于双因子解，该解包括主动因子和被动因子，并且与理论预期相对应。采用Kaiser归一化方差最大旋转。具体而言，旋转的成分矩阵表明，10个项目属于被动因素，7个项目属于主动因素。 17个项目中的每一个都显示出简单的结构。一个项目（即，项目smp11，见A.D.X A）违反了简单结构的预期，因为两个因素都有双重负荷这个项目有一个负载第一个因子为0.421，第二个因子为0.473。这两个因素共同解释了47.7%的方差（24.5%± 23.2%）。这17个项目显示出内容效度，因为当它们位于第一个因素时，它们指的是主动SMU，而当它们位于第二个因素时，它们指的是被动SMU。具体而言，第一个因子的适当项目的因子载荷���在0.490和0.492之间变化。���=0.800，而第二个因子的因子负荷变化为-Tween���= 0.567和Tween=0.781（参见Tween diX A）。1 我们使用的平台https://www.unipark.de4.3.2. 验证性因素分析使用MPlus 8.6[36]进行了基于17个项目的CFA，这些项目显示出简单结构，省略了违反简单结构假设的单个项目。我们使用了均值和方差调整的未加权最小二乘法（ULSMV），该方法将作为包含有序结果的模型的默认估计量。ULSMV是关于模型违规的稳健估计量[26]。模型拟合被四个统计量使用，即，(a)卡方检验统计量用于检验假设，即所提出的模型提供了一个可以在数据中找到的合理结构（请注意，当样本量很大时，很可能出现显著的卡方;[26]，（b）比较拟合指数（CFI;如果CFI为0.90或更高，则推断可接受拟合），（c）Tucker-Lewis指数（TLI;如果TLI为0.90或更高，则推断为可接受拟合;以及（d）Ap估算的均方根误差（RMSEA;如果RMSEA等于0.08或更小，则推断为可接受拟合）。CFA揭示了一个可接受的拟合：卡方，p<05，CFI= 0.985，TLI= 0.983，RMSEA= 0.100。4.4. SMAQ分量表基于Cronbach's alpha的内部一致性分析证实了双因素解决方案的可行性。 总结的十个项目 因子1的内部一致性系数为0.853，而因子2的7个项目的内部一致性系数为0.845，表明两个量表的信度都很高。4.5. 项目分析检查项目-总相关性（见表1X B）显示，主动和被动量表的每个项目分别对测量的相应结构有积极贡献。具体而言，主动量表和被动量表的项目的校正项目-总相关性都非常高。校正后的项目-总相关系数在rit=0.551和rit0.762之间变化。因此，每个项目都非常适合其规模。这些项目分析的结果是非常令人满意的。这些结果表明，这两个因素包括良好的问卷量表的项目总的相关性。4.6. SMAQ分量表代表主动和被动SMU的两个量表基本相关，r=0.552，p0.001。<30.5%的公方差反映了两个量表部分挖掘了被试SMU的总体水平。高主动使用预示着高被动使用，反之亦然。然而，两种量表都测量了SMU的独特方面，这些方面与验证结构的不同参考系统有关。为了识别这些参考系统，我们采用偏相关控制被动使用时，专注于主动使用和控制主动当专注于被动使用时使用。偏相关展示了来自参考系统的构造与目标变量（例如，主动使用）而不被社交媒体的交替使用共享（例如，被动使用）。4.7. SMAQ的结构效度构念效度包括收敛效度和判别效度。如果紧密相关的结构（例如，平行结构）之间的相关性高于相关性较低的概念上不相似的结构。相比之下，如果不相似的结构彼此之间的相关性低于密切相关的结构，则判别效度较高[17]。区分效度是聚合效度的对立面。更具体地说，如果结构密切相关（例如，平行结构）之间的相关性高于概念上不相似的不太相关的结构。相反，判别式P. Ozimek，J. Brailovskaia和H.- W. 比埃略河电信和信息学报告10（2023）1000486表3所有使用的变量的相互关系。1 2 3 4 5 6 7 8 9 10 11 121 主动SMAQ-2 无源SMAQ.552毫米波-3 在SM 1上花费的分钟数.344毫秒.394毫秒-2.166.0264 SMIS 1.403医疗保险.561医疗保险.523医疗保险-2.136.5445 dass 21抑郁症1. 281抑郁症. 164抑郁症. 215抑郁症. 172抑郁症-2.232美元6 dass 21焦虑1. 410焦虑. 244焦虑. 284焦虑. 213焦虑. 775焦虑-2.341美元7 dass 21 stress 1. 257压力. 206压力. 219压力. 189压力. 282压力. 329压力-2.176.0808 SMFQ 1.369数字货币.529数字货币.438数字货币.666数字货币.221数字货币.260数字货币.256数字货币-2.109磅重.420磅重9常见问题1.700密码.623密码.316密码.395密码.214密码.326密码.201密码.419密码-2.547.39710 FOMO 1.451数字货币.503数字货币.363数字货币.515数字货币.420数字货币.465数字货币.422数字货币.527数字货币.454数字货币-2.241磅重.342磅重11 BSMAS 1.458数字货币.501数字货币.479数字货币.556数字货币.406数字货币.440数字货币.401数字货币.660数字货币.426数字货币.639数字货币-2.252磅重.335磅重12 INCOM 1.249数字货币.391数字货币.164数字货币.328数字货币.282数字货币.329数字货币.369数字货币.422数字货币.289数字货币.535数字货币.391数字货币-2.044.313注. SMAQ=社交媒体活动问卷; SMIS=社交媒体强度; dass 21=抑郁焦虑压力量表; SMFQ=社交媒体流问卷; FAQ= Facebook活动问卷; FOMO=害怕错过; BSMAS=卑尔根社交媒体成瘾量表; INCOM=爱荷华-荷兰比较定向测量。1=零阶相关，2=控制SM活性共同方差的偏相关0.05磅，<∗∗ 第01页。<你好，001.<如果不相似的结构彼此之间的相关性低于紧密相关的结构，则有效性高。因为我们比较了两个相关分量表的效度，所以重点是从分量表的效度系数大小的比较中得出的差异效度。因此，如果一个效度系数与分量表X的相关性显著高于与分量表Y的相关性，则它构成了表现出较高相关性的分量表X的一致效度。反之，如果一个效度系数与分量表Y的相关性低于与分量表X的相关性，则认为它是具有较低相关性的分量表Y的判别效度的一个例子。因此，各分量表的差异效度表明哪个分量表更接近效度结构。请注意，一般来说，本研究中考虑的每个效度结构与两个分量表呈正相关，但程度不同。构建体 有效性检查包括 两个参比对照组，结构对SMU强度的相关性高的结构以及实证研究表明与SMU强度相关的变量。第一组参考变量包括Facebook活动，社交媒体强度，每周在社交媒体上花费的时间第二组参考变量包括社交媒体流，社交媒体成瘾，社会比较取向以及抑郁，焦虑和压力症状一般而言，预期两组变量的参考结构与两个SMAQ分量表呈正相关。这种证据支持了分量表作为SMU强度测量的有效性。除此之外，我们还特别关注参考变量的多样性。像焦虑这样的参考变量与被动媒体使用的相关性可能比主动媒体使用更强，这意味着它与被动媒体使用的相关性比主动媒体使用的相关性更强。这样的结果模式可以解释为，焦虑作为一种结构， 与被动SMU的关系比与主动SMU的关系更密切，这意味着被动使用的参考系统将偏离主动使用的参考系统，因为焦虑在被动使用的参考系统中的重要性将高于在主动SMU的参考系统中的重要性。由于各分量表的差异效度相对于SMAQ的二维因子结构具有高度的信息性，下面的重点是有效性系数在主动和被动SMU之间的差异。总之，SMAQ的结构效度是从两个结果中描述的，这两个结果表明SMAQ分量表与结构相关，结构是频繁SMU的标志物，结果表明与差异效度相对应，主动和被动在其伴随项中使用差异，因此在其有效性系数中基本上使用差异。主动和被动SMU之间的区别是特别有用的，如果各自的分量表代表SMU的独特方面。一般的假设是，高活性SMU代表了一个部分不同的心理结构参考系统，到高被动SMU。表3描述了SMU的两种测量的相关矩阵，包括它们的潜在伴随物。此外，还计算了偏相关。一般来说，SMU分量表和伴随量表之间的相关性是积极的。这一总体趋势反映了包括伴随的主动/被动使用的意图，这与频繁使用社交媒体的趋势相对应。但是，这些关系的强度以及通过考虑偏相关性对它们的修正有很大的不同。4.7.1. Fisher Z检验采用Fisher-Z检验检验主动和被动使用与参考变量的部分相关性是否显著不同。例如，在控制SMU的其他量表后，社交媒体的体验是否是被动使用比主动使用更强的伴随物。关于每天花在SMU上的分钟数，部分相关分析的结果表明与被动使用的相关性较高。Fisher Z检验表明，与被动使用的相关性强于与主动使用的相关性，Z（1228）= −3.47，p<.001.关于社交媒体强度，偏相关性的差异方向相同，但更明显，Z（1228）= −11.80，p 0.001（见表3）。<相比之下，FAQ与主动使用的校正相关性高于被动使用，Z（1228）=6.35，p0.001（见表3）。
下载后可阅读完整内容，剩余1页未读，立即下载
