青少年网络成瘾与抑郁症状的关系：基于交叉滞后网络模型的纵向研究

Relationship between adolescent internet addiction and depressive symptoms: A longitudinal study based on a cross-lagged panel network models

摘要

目的 网络成瘾与抑郁症状是青少年常见的共病心理健康问题。本研究旨在采用交叉滞后网络模型，从症状层面揭示青少年网络成瘾与抑郁症状之间的纵向动态相互作用，并探究其性别差异模式。 方法 对北方城市一所中学的1 138名青少年进行为期5个月、共2次的纵向追踪调查，采用网络成瘾量表(Internet Addiction Test，IAT)和患者健康问卷(Patient Health Questionnaire-9，PHQ-9)分别评估其网络成瘾和抑郁症状。使用R 4.4.0软件进行交叉滞后网络分析(cross-lagged panel network analysis，CLPN)，评估发出预期影响(out-expected influence，out-EI)和接收预期影响(in-expected influence，in-EI)。 结果 抑郁症状对网络成瘾的交叉滞后效应强于反向效应。总样本中，无价值感是out-EI最高的症状。性别分组CLPN结果显示，自杀意念在男性组中对网络成瘾的突出性、忽视工作和预期有显著的负向交叉滞后效应；女性组中，网络过度使用和缺乏控制有显著的正向交叉滞后效应。 结论 青少年的抑郁症状是引发其网络成瘾的关键因素，其中不同性别的症状路径存在显著差异。未来需关注性别敏感性，针对不同性别的特定症状路径设计精准的预防和干预策略。

Abstract

Objective Internet addiction and depressive symptoms are common comorbid mental health problems among adolescents. This study aims to employ a cross-lagged panel network (CLPN) model to examine the longitudinal dynamic interactions between adolescent internet addiction and depressive symptoms at the symptom level, and to explore gender-specific patterns. Methods A total of 1 138 adolescents from a middle school in a northern city were followed for 5 months with two waves of assessment. Internet addiction and depressive symptoms were measured using the Internet Addiction Test (IAT) and the Patient Health Questionnaire-9 (PHQ-9), respectively. CLPN was conducted using R software version 4.4.0 to estimate out-expected influence (out-EI) and in-expected influence (in-EI). Results The cross-lagged effects of depressive symptoms on internet addiction were stronger than the reverse effects. In the overall sample, feelings of worthlessness showed the highest out-EI. Gender-specific CLPN results indicated that, in males, suicidal ideation had significant negative cross-lagged effects on salience, neglect of work, and anticipation in internet addiction. In females, excessive internet use and lack of control showed significant positive cross-lagged effects. Conclusion Depressive symptoms are key drivers of internet addiction in adolescents, with notable gender differences in symptom pathways. Future research and interventions should consider gender sensitivity and target specific symptom pathways to develop precise prevention and intervention strategies.

Graphical abstract

关键词

青少年 / 网络成瘾 / 抑郁症状 / 交叉滞后网络分析 / 纵向研究

Key words

adolescents / internet addiction / depressive symptoms / cross-lagged panel network analysis / longitudinal study

近年来，信息科技的飞速发展极大地提升了青少年接触和使用网络的便捷性。《第5次中国未成年人互联网使用情况调查报告》^[1]显示，中国未成年人互联网普及率在2023年达到97.2%。然而，随着网络可及性的提高，青少年网络成瘾现象日益普遍，严重影响了其日常的生活、学习和社交，已成为不容忽视的社会问题^[2]。

青少年期作为身心发展的关键阶段，既是多种心理健康问题的易感期，也是实施干预的黄金时期^[3-4]。抑郁作为该阶段高发的心理问题，是加重青少年精神疾病负担的主要因素之一^[5]。一项针对中国儿童青少年的元分析^[3]显示，基于自评量表筛查出的抑郁症状患病率高达23.3%。此外，大量实证研究表明，网络成瘾与抑郁情绪常常同时出现^[6-10]，且可能存在相似的生理和心理基础^[11]。这两者之间存在显著且复杂的双向关联：一方面，网络成瘾是抑郁的风险因素^[2]。情绪增强假说^{[7, 12]}认为，网络可能是个体逃避抑郁情绪的一种应对方式。研究^[8]发现，与未成瘾者相比，网络成瘾的青少年更容易出现抑郁症状。另一方面，抑郁情绪也是网络成瘾的独立预测因子^[9]。纵向研究^[10]发现，青少年的抑郁症状可以显著预测其随后发生的网络成瘾。由此可见，两者之间的动态相互作用导致了严重危害青少年身心健康的恶性循环。

值得注意的是，青少年的网络成瘾与抑郁症状表现出了一定的性别差异^{[7-8, 10, 13-14]}。男性青少年的网络成瘾程度普遍高于女性^{[8, 13]}，与之不同，女性在青春期开始后经历抑郁发作的比例显著高于男性^[14]。Liang等^[7]发现，男性青少年因抑郁更容易发展出网络成瘾，而女性青少年因网络成瘾更容易出现抑郁症状。此外，研究^[10]发现，在男性青少年中，抑郁症状对网络成瘾的预测作用更为显著。

然而，既往探讨青少年网络成瘾与抑郁症状关系的实证研究多为横断面研究^[15-16]，采用中介分析、回归分析等传统统计方法，难以量化并呈现网络成瘾与抑郁症状群之间及其内部错综复杂的动态相互作用网络，也无法有效识别发挥关键作用的核心变量，从而难以为精准干预提供明确靶点。

网络分析方法为突破这一局限提供了新的视角。该方法基于图论原理，将精神疾病或心理问题视为由相互作用的症状构成的动态系统，已在精神病学、心理学等领域得到广泛应用^[17]。通过构建症状网络，研究者能够可视化并量化症状间的复杂关系，进而识别在网络中起关键作用的“核心症状”。交叉滞后网络分析(cross-lagged panel network analysis，CLPN)在交叉滞后模型(cross-lagged panel model，CLPM)的基础上，融入了网络分析的概念。传统CLPM为“变量中心”导向，将变量视为一个整体(例如：将网络成瘾、抑郁各自视为整体变量)，因此CLPM仅能估计2个变量在整体上跨时间维度的双向关系。而CLPN在整合了网络分析的优势后，通过图论将每个观测症状视为网络节点，并利用最小绝对收缩和选择算子(least absolute shrinkage and selection operator，LASSO)等正则化技术在众多可能的症状间关联中估计出一个简洁、可解释的交叉滞后网络结构。这使得研究者能够超越变量层面的笼统关联，深入探讨具体抑郁症状(如“无价值感”)如何作用于后续的特定网络成瘾行为(如“忽视社会生活”)，从而在更精细的症状层面上揭示两者动态相互作用的核心路径^[18]。

因此，本研究将采用CLPN，分别构建男、女青少年群体的网络成瘾与抑郁症状的交叉滞后网络模型，通过比较识别各群体中最核心的症状及其动态影响路径。这一分析不仅有助于深化对网络成瘾与抑郁关系的理解，也将为未来开展更具针对性、精准化的预防与干预措施提供实证依据。

1 对象与方法

1.1 伦理声明

本研究遵循赫尔辛基宣言，并已通过湖南师范大学生物医学研究伦理委员会批准(审批号：2021-047)。在施测前，本研究已获得学校、学生本人及其监护人的知情同意。

1.2 对象

采用方便整群抽样法，选取北方城市的某一所中学的学生作为研究对象。基线调查于2024年10月(简称“T1”)进行，共发放问卷1 502份，排除作答不完整、规律性作答等无效问卷后，获得有效数据1 354份，有效回收率为90.15%。5个月后，即2025年3月(简称“T2”)进行了追踪调查。最终纳入纵向数据分析的样本为同时完成T1和T2有效调查的研究对象，共计1 138人。

1.3 研究工具

1.3.1 网络成瘾量表

网络成瘾量表(Internet Addiction Test，IAT)由Young等^[19]编制，用于评估个体是否网络成瘾及其成瘾程度。目前，IAT已经在中国青少年群体中得到广泛应用，信效度良好^[20]。IAT共20个条目，采用Likert 5点计分(1=几乎没有，2=偶尔，3=有时，4=经常，5=总是)，分数越高表示网络成瘾程度越严重。IAT可分为3个维度(戒断与社会问题、时间管理与表现、现实替代)^[20]或6个维度(突出性、过度使用、忽视工作、预期、缺乏控制、忽视社会生活)^[21]。本研究为更全面地测量IAT，因此采用了6个维度的计分方式，以IAT1~6分别代表突出性、过度使用、忽视工作、预期、缺乏控制、忽视社会生活。本研究中IAT在T1和T2的克龙巴赫α系数分别为0.92和0.94。

1.3.2 患者健康问卷

患者健康问卷(Patient Health Questionnaire-9，PHQ-9)是基于美国精神障碍诊断与统计手册第4版(Diagnostic and Statistical Manual of Mental Disorders, 4th ed，DSM-IV)编制的自评问卷，用于评估抑郁症状的存在情况和严重程度^[22]。中文版的PHQ-9有较好的信效度，已成功应用于中国人群^[23]。PHQ-9由9个条目[即患者健康问卷条目(Patient Health Questionnaire item，PHQ)1至PHQ9]组成，分别评估抑郁症的9个典型症状：快感缺失、情绪低落、睡眠问题、疲劳感、食欲改变、无价值感、注意集中困难、精神运动性改变、自杀意念。其要求个体根据过去2周的情况，对每个症状出现的频率进行评分(0=完全不会，1=有几天，2=一半以上的天数，3=几乎每天)，得分越高表示抑郁症状越严重。本研究中PHQ-9的克龙巴赫α系数在T1时为0.86，在T2时为0.91。

1.4 统计学处理

本研究使用SPSS 27.0对采集数据进行描述性统计和量表信度分析，采用R 4.4.0进行CLPN。计量资料以均数±标准差表示，组间比较采用独立样本t检验。采用Harman单因素检验的未旋转探索性因子分析对T1和T2的IAT和PHQ-9量表的全部项目进行共同方法偏差检验。P<0.05为差异有统计学意义。

1.4.1 CLPN

首先，基于R软件包glmnet(4.1-8)对节点的自回归效应和交叉滞后效应进行正则化回归估计，并应用LASSO进行正则化，构建T1到T2的总样本、男性组和女性组的有向网络^[24-25]。其次，使用qgraph(4.1-8)包可视化总样本、男性组和女性组的有向网络^[24]。在有向网络中，节点代表症状，蓝色箭头表示正向作用，红色箭头表示负向作用，箭头颜色越深、形状越粗表示节点之间的关联越强。节点之间的连线权重以标准化回归系数β表示，用于量化T1症状对T2症状的预测效应强度。β为正值表示正向预测，β为负值表示负向预测，绝对值越大表示症状间的交叉滞后效应越强。通过比较不同路径的β的值，可以识别出对后续症状影响最为关键的预测关系。为在视觉上对不同性别网络进行比较，使用Average Layout函数进行网络布局，即将2个网络中相同的节点固定在相同的位置。同时，为避免自回归路径对交叉滞后路径的视觉抑制作用，将自回归路径设置为0，以突出本研究关注的交叉滞后效应^[25]。

1.4.2 中心性估计

发出预期影响(out-expected influence，out-EI)和接收预期影响(in-expected influence，in-EI) 是交叉滞后网络中节点的2个中心性指标。Out-EI是指连接到某一个节点的所有发出边之和，表示T1网络中该节点对T2网络中其他节点的作用程度；in-EI是指连接到某一个节点的所有传入边之和，表示T1网络中各个节点对T2中该节点的作用程度。

1.4.3 准确性和稳定性估计

借助bootnet包评估交叉滞后网络的准确性和稳定性^[24]。首先，通过2 000次迭代的非参数自举计算边缘权重的95%置信区间(confidence intervals，CI)，用于检验其准确性。重叠的CI越少，表示准确性越高。其次，采用构造子集的程序评估节点中心性指标的稳定性，并计算中心性稳定(centrality stability，CS)系数。CS系数大于0.5表示网络的稳定性良好，大于0.25表示稳定性可接受。最后，在症状间对out-EI和in-EI进行中心性差异检验。

2 结 果

2.1 描述性统计结果及性别差异

本研究共纳入有效问卷1 138份，其中，男性496人(43.59%)，女性642人(56.41%)。在T1时，研究对象的年龄为15~18(16.11±0.73)岁，平均受教育年限为9.97±0.83年。绝大多数研究对象为汉族(87.79%)，12岁以前生活的地区大部分为城市(82.16%)。研究对象在T1和T2时的IAT和PHQ-9得分情况如表1所示。其中，男性与女性2组间的比较结果显示，男性在T2时的忽视社会生活上的得分显著高于女性(P<0.05)。

2.2 共同方法偏差检验结果

未旋转的探索性因子分析结果显示，特征根大于1的因子有4个，最大因子的方差解释度为26.26%(<40%)，故本研究不存在严重的共同方法偏差。

2.3 CLPN网络结构特征

如图1所示，在总样本的T1→T2 CLPN网络中，无价值感(PHQ6)是out-EI最高的节点，正向作用于网络成瘾的所有节点。进一步的路径分析显示，网络中最强的3条交叉滞后边是精神运动性改变(PHQ8)→过度使用(IAT2，β=-0.352)，注意集中困难(PHQ7)→过度使用(IAT2，β=0.338)，以及情绪低落(PHQ2)→突出性(IAT1，β=0.298)。未正则化的网络和交叉滞后系数的详细信息请分别见附表1和附图1(https://doi.org/10.57760/sciencedb.xbyxb. 00150)。

按性别分组后，男性组和女性组的网络成瘾与抑郁症状的交叉滞后网络如图2所示。结果显示，在男性组T1→T2网络中，无价值感(PHQ6)是out-EI最高的节点，正向作用于除IAT6外的多个网络成瘾节点，并且可以通过这些节点间接正向作用于忽视社会生活节点(如PHQ6→IAT4→IAT6)。该网络中最强的3条交叉滞后边是自杀意念(PHQ9)→突出性(IAT1，β=-0.857)，自杀意念(PHQ9)→忽视工作(IAT3，β=-0.357)，以及自杀意念(PHQ9)→预期(IAT4，β=-0.327)。在女性组T1→T2网络中，自杀意念(PHQ9)是out-EI最高的节点，正向作用于除IAT4外的多个网络成瘾节点，可以通过某些网络成瘾节点间接正向作用于预期节点(如PHQ9→IAT1→IAT4)，该网络中最强的三条交叉滞后边是自杀意念(PHQ9)→过度使用(IAT2，β=0.511)，自杀意念(PHQ9)→缺乏控制(IAT5，β=0.494)，以及精神运动性改变(PHQ8)→过度使用(IAT2，β=-0.327)。男、女性的未正则化网络结构和交叉滞后系数的详细信息见附表2、3和附图2、3(https://doi.org/10.57760/sciencedb.xbyxb.00150)。

2.4 中心性估计

网络成瘾-抑郁症状的交叉滞后网络中，症状中心性分析如图3所示。在总样本中，无价值感(PHQ6)是out-EI最高的节点(out-EI=1.723)；而突出性(IAT1)是in-EI最高的节点(in-EI=2.586)。性别分组后，在男性组中，无价值感(PHQ6)是out-EI最高的节点(out-EI= 1.450)；而突出性(IAT1)是in-EI最高的节点(in-EI=3.051)。在女性组中，自杀意念(PHQ9)是out-EI最高的节点(out-EI=2.836)；而过度使用(IAT2)是in-EI最高的节点(in-EI=2.352)。

2.5 网络检验

边缘权重自举程序的分析结果(图4)显示，总样本、男性组和女性组3个交叉滞后网络边缘的估计是比较准确的，即边权值95% CI存在较多重叠，几个最强边缘与CI不重叠。对中心性指标稳定性检验的结果(图4)显示，总样本网络中的out-EI和in-EI的CS系数分别为0.127、0.750；男性组网络中的out-EI和in-EI的CS系数分别为0.050、0.516；女性组网络中的out-EI和in-EI的CS系数分别为0.128、0.751。这表明in-EI的估计是稳定的，但out-EI的解释度有限。中心性差异检验结果(图5)显示，具有最强in-EI或out-EI的节点与其他节点有明显差异(均P<0.05)，说明out-EI或in-EI的中心性分析结果较稳定。

3 讨 论

本研究通过构建交叉滞后网络模型，在症状层面纵向探查了青少年网络成瘾与抑郁症状之间复杂的动态相互作用及其性别差异。本研究发现，抑郁症状整体上对网络成瘾的交叉滞后效应强于反向效应，这与先前基于变量中心模型的CLPM研究^[10]的发现一致。此外，本研究与Cai等^[6]的横向网络研究均支持网络成瘾与抑郁症状群的密切关联；更为重要的是，两者一致证实无价值感/内疚在症状网络中的核心地位。更重要的是，本研究的纵向设计揭示了被横向网络中静态关联所掩盖的显著性别特异性模式^[6]，发现了自杀意念在男、女青少年中表现出方向相反的预测作用。

在总样本中，无价值感被识别为out-EI最高的核心节点，能够广泛地正向作用于所有网络成瘾症状。这一发现将“抑郁是网络成瘾风险因素”的宏观结论推进到了症状微观层面，强有力地支持了补偿性互联网使用理论^{[9, 26]}。该理论认为，个体倾向于通过网络活动来补偿现实生活中未被满足的心理需求。当青少年在现实生活中体验到深刻的“无价值感”时，网络世界便成为一个极具吸引力的替代空间，例如通过游戏中的等级提升以获取自我掌控感^[27]，或者通过社交媒体上的点赞和评论寻求归属感与价值认同^[6]，从而暂时缓解或逃避现实中自我否定的痛苦。值得注意的是，out-EI虽为识别核心症状提供了关键视角，但其较低的中心性稳定性系数也提示该结果需谨慎解读。

对关键交叉滞后路径的分析进一步揭示了症状间动态关系的复杂性。本研究发现，精神运动性改变对过度使用存在显著负向交叉滞后效应。这一发现与以往“抑郁程度越高则网络使用越频繁”的简单线性假设不同^[10]，反映出抑郁的不同临床表现对网络行为产生的异质性影响。具体而言，一方面，当青少年的抑郁表现为精神运动性迟滞(如精力减退、行动迟缓)时，其生理性的活力匮乏会直接抑制其从事任何需要投入精力的活动，包括稳定、持续的过度上网行为；另一方面，即使个体表现为精神运动性激越(如烦躁不安、难以静坐)，其伴随的注意力极度分散和行为碎片化，也同样阻碍其维持线上专注所必需的行为连续性，从而减少典型“过度使用”模式的形成^{[22, 28]}。与此同时，注意集中困难对过度使用有较大的正向交叉滞后效应，说明网络的碎片化信息与高强度刺激反馈恰好与抑郁个体的认知缺损相契合，更易导致沉浸与依赖^[29-30]。此外，情绪低落对突出性的正向交叉滞后效应也与以往研究^[28]一致，即青少年在面对不良情绪时，更容易使用网络进行逃避，从而使网络在其生活中的地位逐渐上升。

性别分组网络模型进一步揭示，抑郁症状与网络成瘾之间的关联路径存在性别差异，尤其体现在自杀意念所扮演的截然不同的角色上。与已有研究^[31]一致，本研究发现青少年的自杀意念与网络成瘾显著相关。在男性组中，网络中最强的3条交叉滞后边均由自杀意念发出，负向作用于网络成瘾的突出性、忽视工作和预期。而在女性组中，自杀意念正向作用于网络的过度使用和缺乏控制。从神经内分泌机制来看，这种差异可能部分源于不同性别主导的激素系统对压力应对方式的影响。在男性中，睾酮被认为与自杀风险及冲动攻击性行为具有较强关联^[32]。较高的睾酮水平增强了与奖赏寻求和冲动性相关神经回路(如纹状体)的敏感性，使个体在面临自杀意念这类痛苦时，更倾向于采取外化应对策略，如通过直接的社交互动、竞争甚至攻击性行为来重建控制感或社会地位，而非沉溺于虚拟环境^[32]。这一生物倾向与其性别角色期望相互耦合。社会对男性自主性与成就的期待，促使其将网络使用工具化，作为在不确定环境中维持社会地位与获取资源的途径^[33]。而在女性中，自杀意念对网络成瘾的促进作用则内嵌于另一套生物-心理机制中。卵巢激素(如雌二醇与孕酮)的波动可增强个体对社会排斥与关系威胁的警觉，同时使情绪调节的神经回路(如杏仁核-前额叶连接)在压力下变得更脆弱，从而激发内化应对模式^[32]。与此同时，社会对女性关系维护与情感表达的期待，进一步引导其将网络作为情感支持与人际连接的主要载体，尤其在面临自杀意念所伴随的强烈孤独与关系焦虑时，更容易形成对网络使用的情绪依赖与自我失控^{[31, 33]}。此外，本研究对核心症状的识别进一步印证了此类性别特异性模式。在男性青少年的网络中，无价值感表现出较高的中心性，而在女性青少年的网络中，自杀意念则具有更强的网络联结强度。这一发现与上述关于青少年发展的性别差异研究相一致，即男性青少年在自我价值确立阶段通常更关注成就导向的心理体验，而女性青少年在社会化过程中则往往表现出对情绪状态的高度敏感^[31-33]。但由于性别分组网络的中心性稳定系数较低，此研究结果仍需未来研究进一步验证。

本研究仍存在以下局限性。首先，本研究仅使用自我报告问卷且问卷内容未能捕捉青少年网络使用的具体动机(如游戏或社交导向)及更广泛的内化/外化症状维度。未来研究可结合客观行为指标(如网络使用时长)并纳入相关量表(如网络使用动机量表)，以更全面地揭示不同性别群体的症状路径背后的心理行为机制。其次，本研究的样本代表性有限。本研究采用方便取样法，样本均来自中国北方的一所中学。未来研究应扩大样本范围，以检验本研究结果的普适性。此外，在研究方法层面，尽管本研究遵循了当前领域内网络检验的方法学指南，但未对所有比较进行统计校正，可能增加I类错误的风险。因此，本研究结果的稳健性需要在未来独立样本中进行重复验证。最后，尽管本研究尝试通过2个时间点的追踪设计初步探索症状间的动态关系，但这样的设计在刻画长期发展轨迹与推断因果方向方面仍显不足。例如，症状间观察到的滞后关系可能受到未控制混杂因素(如家庭冲突、学业压力)或反向因果路径的影响。后续研究可在此基础上，采用多时间点追踪并结合如随机截距交叉滞后模型、动态结构方程模型等进阶分析方法，进一步厘清网络成瘾与抑郁症状之间复杂的相互作用机制。

综上，本研究以青少年为研究对象，通过CLPN揭示了青少年抑郁症状与网络成瘾在症状层面的动态互作机制及显著的性别二态性。本研究发现，抑郁症状整体上对网络成瘾的交叉滞后效应强于反向效应，总样本中out-EI是发出预期影响最高的症状。男性组中自杀意念关联网络的抑制使用，女性组中自杀意念关联网络的失控使用。因此，对青春期男性应重点针对无价值感进行现实成就感培养，而对女性则需着重处理自杀意念相关的情绪调节困难。这些发现不仅深化了对网络成瘾-抑郁共病机制的理解，也为发展性别特异性、症状精准化的早期干预策略提供了重要依据。

参考文献

[1] 共青团中央维护青少年权益部, 中国互联网络信息中心. 第5次全国未成年人互联网使用情况调查报告[R]. 北京: 中国互联网络信息中心, 2023: 1-13[2025-07-01]. https://www.cnnic. net.cn/NMediaFile/2023/1225/MAIN1703484375296SPBHV29S0V.pdf.

[2] Youth League Central Committee Department for Safeguarding Youth Rights and Interests, China Internet Network Information Center. National urvey report on internet usage among minors, 5th[R]. Beijing: China Internet Network Information Center, 2023: 1-13[2025-07-01]. https://www.cnnic.net.cn/NMediaFile/2023/1225/MAIN1703484375296SPBH V29S0V.pdf.

[3] Ye XL, Zhang W, Zhao FF. Depression and Internet addiction among adolescents: A meta-analysis[J]. Psychiatry Res, 2023, 326: 115311.

[4] 冯月, 王芳. 2015—2024年我国儿童青少年抑郁症状患病率的Meta分析[J]. 中国当代儿科杂志, 2025, 27(5): 529-539.

[5] FENG Yue, WANG Fang. Meta analysis of the prevalence of depressive symptoms among children and adolescents in China from 2015 to 2024[J]. Chinese Journal of Contemporary Pediatrics, 2025, 27(5): 529-539.

[6] Zhou Q, Li CC, Li XY, et al. Relationships between early life adversity and depressive symptoms in adolescents: a network analysis[J]. Curr Psychol, 2024, 43(18): 16649-16656.

[7] GBD 2019 Mental Disorders Collaborators. Global, regional, and national burden of 12 mental disorders in 204 countries and territories, 1990—2019: a systematic analysis for the Global Burden of Disease Study 2019[J]. Lancet Psychiatry, 2022, 9(2): 137-150.

[8] Cai H, Bai W, Sha S, et al. Identification of central symptoms in Internet addictions and depression among adolescents in Macau: a network analysis[J]. J Affect Disord, 2022, 302: 415-423.

[9] Liang L, Zhou D, Yuan C, et al. Gender differences in the relationship between Internet addiction and depression: A cross-lagged study in Chinese adolescents[J]. Comput Hum Behav, 2016, 63: 463-470.

[10] 代长顺, 王永阳. 郑州市青少年抑郁症状和网络成瘾状况及其两者间的关系分析[J]. 现代预防医学, 2020, 47(11): 1985-1988.

[11] DAI Changshun, WANG Yongyang. Status and relationship between depressive symptoms and Internet addiction among adolescents, Zhengzhou[J]. Modern Preventive Medicine, 2020, 47(11): 1985-1988.

[12] Kaess M, Durkee T, Brunner R, et al. Pathological Internet use among European adolescents: psychopathology and self-destructive behaviours[J]. Eur Child Adolesc Psychiatry, 2014, 23(11): 1093-1102.

[13] Yi X, Li G. The longitudinal relationship between internet addiction and depressive symptoms in adolescents: a random-intercept cross-lagged panel model[J]. Int J Environ Res Public Health, 2021, 18(24): 12869.

[14] 靳娜, 黄凡凡, 王学义. 青少年网络游戏障碍与抑郁症共病的影响因素[J]. 中国神经精神疾病杂志, 2025, 51(2): 120-125.

[15] JIN Na, HUANG Fanfan, WANG Xueyi. Influence factors of comorbidity between gaming disorder and depression among adolescents[J]. Chinese Journal of Nervous and Mental Diseases, 2025, 51(2): 120-125.

[16] Bryant J, Zillmann D. Using television to alleviate boredom and stress: Selective exposure as a function of induced excitational states[J]. J Broadcast, 1984, 28(1): 1-20.

[17] 俞丹丹, 刘霄玮, 孙重秀, 等. 青少年欺凌受害与抑郁症状关系: 睡眠质量与网络成瘾链式中介作用[J]. 现代预防医学, 2021, 48(24): 4457-4460, 4466.

[18] YU Dandan, LIU Xiaowei, SUN Chongxiu, et al. Relationship between bullying victimization and depression in adolescents: multiple mediating effects of Internet addiction and sleep quality[J]. Modern Preventive Medicine, 2021, 48(24): 4457-4460, 4466.

[19] Hankin BL, Young JF, Abela JRZ, et al. Depression from childhood into late adolescence: Influence of gender, development, genetic susceptibility, and peer stress[J]. J Abnorm Psychol, 2015, 124(4): 803-816.

[20] Zhao M, Huang Y, Wang J, et al. Internet addiction and depression among Chinese adolescents: anxiety as a mediator and social support as a moderator[J]. Psychol Health Med, 2023, 28(8): 2315-2328.

[21] Chen HC, Wang JY, Lin YL, et al. Association of Internet addiction with family functionality, depression, self-efficacy and self-esteem among early adolescents[J]. Int J Environ Res Public Health, 2020, 17(23): 8820.

[22] Borsboom D, Deserno MK, Rhemtulla M, et al. Network analysis of multivariate data in psychological science[J]. Nat Rev Meth Primers, 2021, 1: 58.

[23] Williams DR, Rhemtulla M, Wysocki AC, et al. On nonregularized estimation of psychological networks[J]. Multivariate Behav Res, 2019, 54(5): 719-750.

[24] Young KS. Internet addiction: The emergence of a new clinical disorder[J]. CyberPsychology Behav, 1998, 1(3): 237-244.

[25] Lai CM, Mak KK, Watanabe H, et al. Psychometric properties of the Internet addiction test in Chinese adolescents[J]. J Pediatr Psychol, 2013, 38(7): 794-807.

[26] Widyanto L, McMurran M. The psychometric properties of the Internet addiction test[J]. Cyberpsychol Behav, 2004, 7(4): 443-450.

[27] Kroenke K, Spitzer RL, Williams JB. The PHQ-9: validity of a brief depression severity measure[J]. J Gen Intern Med, 2001, 16(9): 606-613.

[28] Wang W, Bian Q, Zhao Y, et al. Reliability and validity of the Chinese version of the Patient Health Questionnaire (PHQ-9) in the general population[J]. Gen Hosp Psychiatry, 2014, 36(5): 539-544.

[29] Epskamp S, Borsboom D, Fried EI. Estimating psychological networks and their accuracy: A tutorial paper[J]. Behav Res Methods, 2018, 50(1): 195-212.

[30] 梁一鸣, 杨璐溪, 席居哲, 等. 睡眠问题在创伤后应激障碍各症状间的独特作用: 基于交叉滞后网络分析模型[J]. 心理学报, 2022, 54(10): 1206-1217.

[31] LIANG Yiming, YANG Luxi, XI Juzhe, et al. The unique role of sleep problems among symptoms of posttraumatic stress disorder: a cross-lagged panel network analysis[J]. Acta Psychologica Sinica, 2022, 54(10): 1206-1217.

[32] Kardefelt-Winther D. A conceptual and methodological critique of Internet addiction research: Towards a model of compensatory Internet use[J]. Comput Hum Behav, 2014, 31: 351-354.

[33] Gomez R, Stavropoulos V, Tullett-Prado D, et al. Network analyses of Internet gaming disorder symptoms and their links with different types of motivation[J]. BMC Psychiatry, 2022, 22(1): 76.

[34] Zhao Y, Qu D, Chen S, et al. Network analysis of Internet addiction and depression among Chinese college students during the COVID-19 pandemic: A longitudinal study[J]. Comput Human Behav, 2023, 138: 107424.

[35] Bai W, Cai H, Wu S, et al. Internet addiction and its association with quality of life in patients with major depressive disorder: a network perspective[J]. Transl Psychiatry, 2022, 12(1): 138.

[36] Ioannidis K, Hook R, Goudriaan AE, et al. Cognitive deficits in problematic Internet use: meta-analysis of 40 studies[J]. Br J Psychiatry, 2019, 215(5): 639-646.

[37] 肖琛嫦, 翟萌曦, 严婧琰, 等. 睡眠质量与抑郁症状在青少年网络成瘾与自杀意念间的链式中介作用[J]. 护理学杂志, 2024, 39(11): 90.

[38] XIAO Chenchang, ZHAI Mengxi, YAN Jingyan, et al. The chain mediating effect of sleep quality and depressive symptoms on the relationship between Internet addiction and suicidal ideation in adolescents[J]. Journal of Nursing Science, 2024, 39(11): 90.

[39] Ho TC, Gifuni AJ, Gotlib IH. Psychobiological risk factors for suicidal thoughts and behaviors in adolescence: a consideration of the role of puberty[J]. Mol Psychiatry, 2022, 27(1): 606-623.

[40] Li L, Yuan X, Lin L, et al. A gender comparison based network analysis for social media addiction behaviors in cross-cultural contexts[J]. Sci Rep, 2025, 15(1): 38925.

基金资助

国家自然科学基金(32100891┫。This work was supported by the National Natural Science Foundation of China ┣32100891)

RIGHTS & PERMISSIONS

开放获取(Open access)：本文遵循知识共享许可协议，允许第三方用户按照署名-非商业性使用-禁止演绎4.0(CC BY-NC-ND 4.0)的方式，在任何媒介以任何形式复制、传播本作品(https://creativecommons.org/licenses/by-nc-nd/4.0/)。