關鍵詞 抑郁癥狀 童年晚期 正則化偏相關分析 交叉滯后網絡分析 癥狀學

1 前言

童年階段早發(fā)的抑郁癥狀不僅與青春期的社會心理不良后果存在關聯（Copeland et al.， 2021），而且與成年階段的抑郁障礙復發(fā)有關。被確診為抑郁障礙的兒童青少年在成年后再次患上抑郁障礙的風險要比沒有抑郁障礙的兒童青少年高2.78倍（Johnson et al.， 2018）。為此，聚焦童年晚期的早發(fā)抑郁癥狀，對于探索抑郁障礙動態(tài)發(fā)生、發(fā)展過程，實現抑郁障礙的早期篩查和預防，具有重要的理論指導意義和價值。

《精神障礙診斷與統計手冊（ 第5 版）》（DSM-5）指出，抑郁障礙的診斷需要至少滿足9條主要癥狀中的5 條，且主要癥狀中應包含情緒低落（對于兒童青少年表現為易激惹）或者快感缺失，同時癥狀持續(xù)時間在2 周以上（American PsychiatricAssociation， 2013）。由于抑郁障礙的診斷標準以滿足一定數量癥狀來判別，因此有多達227 種癥狀的排列組合可以滿足臨床抑郁的診斷標準（Zimmermanet al.， 2015）。一項針對患有重度抑郁障礙的成年人的實證研究也證實了抑郁癥狀組合的復雜性（Friedamp; Nesse， 2015a）。不同的癥狀組合發(fā)生的風險因素、生物學基礎及其對心理社會功能受損的影響程度也不盡相同（Fried， 2015）。例如，親人去世相關的即時壓力主要與悲傷、快感缺乏等抑郁癥狀相關，而長期壓力則與疲勞和嗜睡等抑郁癥狀相關（Keller etal.， 2007）。另一項研究發(fā)現，悲傷情緒可以解釋心理社會功能受損方差的20.9%，但嗜睡只解釋了0.9%（Fried amp; Nesse， 2014）。以上研究均表明抑郁障礙在臨床表現和特征上具有高度異質性（?stergaard etal.， 2011; Zimmerman et al.， 2015），僅僅通過合成總分、劃定臨界值來確定抑郁程度可能會忽視抑郁癥狀的異質性和獨特作用（Fried amp; Nesse， 2015b）。為此，研究者提出應從癥狀層面理解抑郁障礙。抑郁癥狀不是孤立存在的，而是相互激活和維持并形成抑郁癥狀網絡（Borsboom amp; Cramer， 2013）。從這樣的觀點出發(fā)，研究者發(fā)展出心理病理學網絡理論（thenetwork theory of mental disorder， NIMD）， 用以闡釋和說明癥狀和障礙之間的復雜關系（Borsboom amp;Cramer， 2013）。在癥狀網絡中，存在一個或多個核心癥狀，它們與其他癥狀的聯系更加緊密。核心癥狀的激活更容易誘發(fā)其他癥狀。當癥狀間相互作用形成的反饋循環(huán)足夠強時，癥狀網絡會惡化并導致抑郁障礙發(fā)作（Borsboom amp; Cramer， 2013）。因此，識別并干預核心癥狀有助于阻斷抑郁癥狀的持續(xù)惡化。此外，該理論提出網絡連接強度這一概念來衡量癥狀網絡內部的關聯程度。網絡連接強度越高，表明網絡內部的穩(wěn)定性越強（蔡玉清等， 2020）。

基于心理病理學網絡理論的網絡分析方法的提出與發(fā)展為考察抑郁癥狀網絡特點及各癥狀在網絡維持或惡化中的作用提供了新的視角。然而，相關研究多聚焦在青少年和成人群體（Malgaroli et al.，2021）。目前僅有3 項研究考察了兒童抑郁癥狀網絡特點及核心癥狀（Kim et al.， 2021; Li et al.， 2024;Seneldir et al.， 2022）。例如，Kim 等（2021）采用橫斷數據對韓國小學生的抑郁癥狀網絡進行分析，結果發(fā)現孤獨感、自我憎恨和不喜歡學校是小學生抑郁癥狀網絡的核心癥狀。Li 等（2024）在中國學生中的研究同樣發(fā)現自我憎恨和孤獨感是小學中高年級學生抑郁癥狀網絡的核心癥狀。此外，Li 等（2024）還揭示了一個重要的學齡差異：小學中高年級學生的抑郁癥狀網絡相比于中學生表現出更高的網絡連接強度和更緊密的結構，說明在童年晚期，抑郁癥狀之間的關系更加密切。核心癥狀的激活，如自我憎恨和孤獨感，可能會迅速觸發(fā)其他癥狀，從而加劇個體的抑郁風險（Robinaugh et al.，2020）。與此一致，Son 等（2023）的研究發(fā)現，從童年晚期至青春期早期，個體的抑郁癥狀得分呈現出更快的增長速度，并伴隨較高的不穩(wěn)定性，這強調了童年晚期是抑郁癥狀的易感時期和發(fā)展時期?；诖?，考察童年晚期學生抑郁癥狀網絡的核心癥狀、癥狀關系與網絡結構至關重要。然而，以上研究均為橫斷研究，難以通過時間上的滯后來揭示抑郁癥狀間的因果關聯（Bringmann et al.， 2015）。

為了深入理解抑郁癥狀網絡如何隨時間發(fā)展變化，Wysocki 等（2022）將網絡分析和交叉滯后面板模型結合，提出了交叉滯后網絡分析。通過該方法，我們可以考察癥狀間的相互預測作用模式，從而更加深入地了解不同癥狀的發(fā)展過程（Williams etal.， 2019）。該方法通過輸入預期影響和輸出預期影響兩個中心性指標來區(qū)分網絡中的癥狀是作為誘發(fā)因素還是被誘發(fā)的結果，從而揭示癥狀之間的潛在影響關系?；诮徊鏈缶W絡分析，可以對童年晚期學生抑郁癥狀網絡中癥狀間的相互預測關系進行考察，這有助于識別抑郁傾向學生并制定針對性的干預方案，避免抑郁傾向的進一步惡化。

綜上所述，本研究將考察童年晚期學生抑郁癥狀網絡的演化及癥狀間的縱向關系，旨在回答以下研究問題：（1） 童年晚期學生抑郁癥狀網絡中的核心癥狀、癥狀關系與網絡結構在不同時間點上有何差異；（2） 童年晚期學生抑郁癥狀之間的相互預測關系是如何的？隨著時間發(fā)展，癥狀之間的預測關系是否發(fā)生變化。研究假設：（1） 基于以往兒童抑郁癥狀網絡分析結果 （Kim et al.， 2021; Li etal.， 2024），本研究假設自我憎恨和孤獨感是童年晚期抑郁癥狀網絡的核心癥狀，并且具有跨時間穩(wěn)定性。（2） 基于抑郁癥狀在童年晚期到青春期早期具有較高的發(fā)展速率和不穩(wěn)定性，本研究假設抑郁癥狀網絡在核心癥狀、癥狀關系與網絡結構上存在時間特異性。

2 方法

2.1 被試

本研究采用整群抽樣方法，以學校為單位抽取陜西省西安市10 所小學的四年級學生，實施三次間隔6 個月的縱向追蹤調查。在第一次數據采集時（2021 年11 月）共發(fā)放問卷調查3112 份，回收問卷3042 份（平均年齡9.36±0.51 歲; 男生占比50.6%），回收率97.75%。第二次數據采集（2022年5 月）和第三次數據采集（2022 年11 月）對同一批被試進行調查。

研究獲得學校、家長和學生的知情同意后，以問卷調查的形式對學生進行集體測試。明確告知被試有權決定是否參加測試，在測試過程中可以隨時退出。研究對被試的所有信息進行保密。測試獲得了當地教育行政部門的批準和協助。

本研究數據分析共納入了3042名學生。由于休學、轉學或請假等原因導致T2 時間點流失32 名被試（流失率為1.05%）、T3時間點流失210 名被試（流失率為6.90%）。最終被試的詳細人口統計學信息如下： 在父母受教育程度方面，0.4% 的母親和0.4% 的父親受教育水平在小學及以下，7.0% 的母親和6.6% 的父親受教育水平為初中，13.9% 的母親和15.2% 的父親受教育水平為高中或中專，64.0%的母親和63.4% 的父親受教育水平為大學本科或大專及以上，14.7% 的母親和14.4% 的父親受教育水平信息缺失。在民族方面，96.5% 的學生是漢族，2.2% 的學生是回族，1.1% 的學生是其他民族，0.2%的學生民族信息缺失。

2.2 研究工具

本研究采用“中國兒童青少年心理發(fā)育特征”調查項目的《簡版兒童青少年抑郁量表》（ShortVersion of Children' s Depression Inventory， CDI-S）對兒童的抑郁癥狀進行測量（董奇， 林崇德， 2011;Kovacs， 1992）。該量表包含10 個項目，每個項目包含三個不同程度的陳述（如“我偶爾不高興”，“我經常不高興”，“我總是不高興”），分別計0～2分。其中五道題目為反向計分。被試根據自己最近兩周的實際狀況選擇一個最符合自己的選項。量表分數范圍是0～20 分，得分越高代表抑郁程度越高。該量表已被證明具有良好和穩(wěn)定的信效度 （肖雪等，2017）。本研究中，三個時間點的McDonald' s ω 分別為 .83、 .85、 .85。以往的研究建議將7 分作為該量表的臨界值，即總分大于等于7 分的個體存在抑郁傾向（Davanzo et al.， 2004）。本研究三個時間點的抑郁癥狀檢出率分別是13.8%、16.0%、17.5%。

2.3 數據處理

首先，使用SPSS 24.0 對數據進行描述性統計分析、相關分析和方差分析。其次，使用R 程序包qgraph 分別對T1、T2、T3 的兒童抑郁癥狀網絡及節(jié)點中心性進行估計。使用R 程序包glmnet 分別構建T1 → T2 和T2 → T3 的抑郁癥狀交叉滯后網絡。

根據Wysocki 等（2022）的建議，在進行網絡分析之前，使用goldbricker 函數對節(jié)點的相似性進行檢驗。在goldbricker 函數中，當網絡中兩個節(jié)點與其他節(jié)點的相關性連接具有很大相似性時，這兩個節(jié)點被認為是潛在冗余節(jié)點。相似性的臨界值是25%。

2.3.1 三個時間點的偏相關網絡分析

我們首先采用最小絕對值收縮和選擇算子（leastabsolute shrinkage and selection operator， LASSO）對估計的偏相關網絡進行模型正則化，以得到更為稀疏穩(wěn)定的抑郁癥狀網絡。第二，常見的中心性指標包括強度中心性（strength）、中介中心性（betweenness）和接近中心性（closeness）。其中強度中心性指標的穩(wěn)定性較高，因此本研究采用強度中心性作為主要解釋指標，另外兩個指標作為參考（梁一鳴等， 2020）。某一節(jié)點的中心性指標越大，該節(jié)點與其他節(jié)點的關系越緊密，可以確定為網絡中重要的癥狀節(jié)點。第三，采用R 程序包NetworkComparisionTest 對網絡結構不變性（networkinvariance）、網絡連接強度（global strength; GS）和邊緣的顯著性差異（edge strength invariance）進行檢驗。網絡結構不變性是不同網絡的節(jié)點連接方式的差異檢驗，當不同網絡的節(jié)點連接方式存在顯著性差異，則說明網絡結構存在差異。網絡連接強度是不同網絡的整體連接強度的差異檢驗，網絡連接強度越高，節(jié)點間的連接緊密性越強。邊緣的顯著性差異是兩個網絡的節(jié)點邊緣的差異比較（vanBorkulo et al.， 2023）。顯著性水平設置為.05，為保證檢驗的有效性，共執(zhí)行1000 次置換。

2.3.2 T1 → T2 和T2 → T3的交叉滯后網絡分析

交叉滯后網絡分析是使用縱向面板數據推測網絡中變量預測方向的方法（Wysocki et al.， 2022）。首先，我們應用LASSO對模型進行正則化，并采用10倍交叉驗證（10-fold cross-validation）準確識別網絡邊緣及網絡結構。第二，采用輸出預期影響（out-expected influence）和輸入預期影響（in-expectedinfluence）兩種中心性指標評估癥狀節(jié)點的作用。輸出預期影響指的是某個節(jié)點預測網絡中其他節(jié)點的程度。輸入預期影響指的是每個節(jié)點被網絡中其他節(jié)點預測的程度。某一癥狀節(jié)點的中心性系數越高，意味著該癥狀在網絡中更容易激活其他癥狀（輸出預期影響）或是被其他癥狀影響（輸入預期影響）。第三，計算兩個網絡中邊權值之間的相關系數、保持相同方向（即正或負）的邊在兩個網絡中的百分比和Jaccard Index（兩個網絡中出現的邊的數量除以兩個網絡中所有邊的數量）來量化兩個交叉滯后網絡的相似性，其中百分比或Jaccard Index 值越高意味著網絡結構越相似。

2.3.3 準確性和穩(wěn)定性估計

使用R 程序包bootnet 對網絡的準確性和穩(wěn)定性進行分析（Epskamp et al.， 2018）。首先，通過自舉邊緣權重的95% 置信區(qū)間（confidence intervals， CI）（Bootstrapped samples = 1000）來估計邊緣的準確性。置信區(qū)間覆蓋的區(qū)域越小表示邊緣估計越準確。其次，通過中心性穩(wěn)定系數（centrality stabilitycoefficient， CS 系數）評估中心性指標的穩(wěn)定性。中心性穩(wěn)定系數定義為在95% 的概率下基于刪除部分樣本后的子集中心性與原始中心性指標相關程度達到.7 及以上的最大可刪除樣本比例。當CS 系數大于.5 時表示網絡穩(wěn)定性良好，大于.25 表示網絡穩(wěn)定性達到可接受范圍（Epskamp et al.， 2018）。

3 結果

3.1 描述性統計

CDI-S各題項的縮寫、描述性統計結果及差異檢驗見表1。重復測量方差分析結果表明，悲傷、悲觀、哭泣、不被喜歡的抑郁癥狀隨時間發(fā)展呈上升趨勢；自我貶低和沒有朋友的抑郁癥狀呈下降趨勢。

3.2 三個時間點的偏相關網絡分析

3.2.1 網絡估計

T1、T2 和T3 的平均網絡密度分別為.089，.091和.092，表明3個時間點癥狀之間的連接差異不大。3 個時間點的抑郁癥狀網絡見圖1。從節(jié)點的分布可視化圖像上來看，自我憎恨（CDI4）和孤獨（CDI8）位于網絡的中心位置，并且與其他節(jié)點有著較強的關系。

3.2.2 中心性估計

兒童抑郁癥狀網絡的強度中心性如圖2 所示。三個時間的自我憎恨（CDI4）的強度中心性均較高。此外，悲傷（CDI1）在T1 的強度中心性較強，易激惹（CDI6）在T2 和T3 的強度中心性較強。這些結果反映了兒童抑郁的核心癥狀會隨時間發(fā)生變化。

邊緣權重自舉程序的結果表明，3 個網絡的邊緣估計是較為準確的。根據自舉結果對邊緣及中心性指標的差異性進行計算。結果表明大部分邊緣之間存在顯著的差異。大多數強度中心性較強的節(jié)點與較弱的節(jié)點存在顯著性差異，說明節(jié)點的強度中心性較為穩(wěn)定。穩(wěn)定性檢驗結果顯示，3 個網絡的強度中心性指標CS 系數均為.75， 表示強度中心性指標的穩(wěn)定性均較好。

3.2.3 網絡比較

通過網絡比較進一步檢驗不同時間點的癥狀網絡的網絡結構不變性、網絡整體連接強度以及邊緣的顯著性差異。抑郁癥狀網絡結構上，T1 時間點的抑郁癥狀網絡結構顯著不同于T2 時間點（M= .163，p lt; .001）、T3 時間點（M= .180， p lt; .001），T2 時間點與T3 時間點的抑郁癥狀網絡在網絡結構上沒有顯著差異（M= .081， p gt; .05）。在網絡連接強度上，T1 時間點的網絡連接強度（GS = 4.02）顯著低于T2 時間點（GS = 4.34， p lt; .001）和T3 時間點（GS= 4.47， p lt; .001），T2 時間點與T3 時間點的網絡連接強度沒有顯著差異（p gt; .05）。

3.3 T1 → T2 和T2 → T3 的交叉滯后網絡分析

3.3.1 網絡估計

圖3分別呈現了T1 →T2、T2 →T3的交叉滯后網絡。T1→T2和T2→T3網絡中箭頭分別表示控制了T1、T2時間點上所有其他癥狀之后，癥狀與癥狀之間成對的協變量關系。所有癥狀的自回歸效應均大于0，這意味著前一次出現的抑郁癥狀傾向于在下一次測量中持續(xù)存在。

其中，負面身體意象（CDI7；T1 → T2： .31；T2 → T3： .31）和沒有朋友（CDI9；T1 → T2： .30；T2 → T3： .38）的自回歸效應最大。

3.3.2 中心性估計

兒童抑郁癥狀交叉滯后網絡的中心性如圖4 所示。自我憎恨（CDI4）在T1 → T2、T2 → T3 的抑郁癥狀交叉滯后網絡中均具有較高的輸出預期影響和輸入預期影響，說明自我憎恨（CDI4）既是網絡中發(fā)出預測最多的癥狀，也是網絡中其他癥狀預測的核心癥狀。其中，較強的交叉滯后邊緣包括：T1自我憎恨（CDI4）→ T2 不被喜歡（CDI10）（B =.11）、T1 孤獨（CDI8） → T2 自我憎恨（CDI4）（B = .11）、T2 負面身體意象（CDI7）→ T3 自我憎恨（CDI4）（B = .13）、T2 悲觀（CDI2）→ T3自我憎恨（CDI4）（B = .11）。易激惹（CDI6）在T1 → T2、T2 → T3 的抑郁癥狀交叉滯后網絡中均具有最高的輸入預期影響。其中，對易激惹具有較強預測效應的邊緣包括：T1 悲觀（CDI2）→ T2 易激惹（CDI6）（B = .14）、T1 哭泣（CDI5）→ T2易激惹（CDI6）（B = .10）、T2 悲傷（CDI1）→ T3 易激惹（CDI6） （B = .12）、T2 悲觀（CDI2）→ T3 易激惹（CDI6） （B = .11）。

此外，抑郁癥狀交叉滯后網絡中的核心癥狀存在時間特異性。在T1 → T2 階段，孤獨（CDI8）是輸出預期影響最高的癥狀。其中，T1 孤獨（CDI8）預測T2 自我憎恨（CDI4）的邊緣最強（B = .11），其次是T2 悲觀（CDI2） （B = .10）。在T2 → T3階段，負面身體意象（CDI7）是輸出預期影響最高的癥狀。其中，T2 負面身體意象（CDI7）預測T3自我憎恨（CDI4）的邊緣最強（B = .13），其次是T2 悲觀（CDI2） （B = .10）。

邊緣權重自舉程序的結果表明兩個交叉滯后網絡估計基本準確。中心性差異性檢驗顯示，在T1 → T2 階段，孤獨感（CDI8）與自我憎恨（CDI4）的輸出預期影響顯著強于其他大部分節(jié)點；易激惹（CDI6）和自我憎恨（CDI4）的輸入預期影響顯著強于其他大部分節(jié)點。然而，在T2 → T3 階段，易激惹（CDI6）的輸入預期影響顯著強于其他大部分節(jié)點；負面身體意象（CDI7）的輸出預期影響僅顯著強于哭泣（CDI5）和不被喜歡（CDI10）；自我憎恨（CDI4）的輸出預期影響與其他節(jié)點沒有差異。網絡穩(wěn)定性檢驗結果顯示，兩個交叉滯后網絡的邊緣穩(wěn)定性較好（CS 系數= .517（T1 → T2）、 .517（T2 → T3））、輸入預期影響的穩(wěn)定性較好（CS系數= .59（T1 → T2）、.59（T2 → T3））、輸出預期影響的穩(wěn)定性較好（CS 系數= .36（T1 → T2）、.28（T2 → T3）），說明本研究中的抑郁癥狀交叉滯后網絡的中心性分析結果是穩(wěn)定且可推廣的。

3.3.3 網絡相似性檢驗

我們進一步比較抑郁癥狀交叉滯后網絡的差異。結果發(fā)現，T1 → T2 和T2 → T3 兩個網絡的邊緣、輸入預期影響、輸出預期影響的相關性分別是.30（p lt; .01）、 .87（p lt; .01）、 .31（p gt; .05）；Jaccard Index 為 .76，表明兩個網絡中存在的大多數邊緣的方向是相同的；保持相同方向（即正或負）的邊有75 條，在兩個網絡中的百分比分別是84.3%與86.2%，說明兩個網絡中比較相似。

4 討論

以成人群體為研究對象的抑郁癥狀網絡研究揭示了抑郁癥狀之間存在相互作用、相互維持和發(fā)展的內在關聯（Malgaroli et al.， 2021）。然而，童年晚期學生的抑郁癥狀網絡結構、核心癥狀及癥狀關系如何隨時間發(fā)展變化尚不清楚。為此，本研究采用偏相關網絡分析和交叉滯后網絡分析，系統探究兒童抑郁癥狀網絡、核心癥狀及其演化特點，并進一步揭示抑郁癥狀在跨時間上的相互預測關系。偏相關網絡結果發(fā)現，自我憎恨和易激惹的中心性均較高，說明這些癥狀在抑郁癥狀網絡的產生和維持中起到重要作用。交叉滯后網絡分析的結果發(fā)現，易激惹在T1 → T2 和T2 → T3 的抑郁癥狀網絡中的輸入預期影響最高；自我憎恨在T1 → T2 和T2 → T3的抑郁癥狀網絡中的輸入預期影響和輸出預期影響均排名第二。抑郁癥狀交叉滯后網絡中的核心癥狀存在時間特異性。例如，孤獨感在T1 → T2 的抑郁癥狀網絡中的輸出預期影響最高，而負面身體意象在T2 → T3 的抑郁癥狀網絡中的輸出預期影響最高。以上結果說明，不同抑郁癥狀的預測性和被預測性不僅表現出穩(wěn)定性，還表現出時間特異性。本研究為從癥狀層面理解童年晚期抑郁癥狀網絡提供了新的視角和見解，并為未來制定有針對性的預防和干預方案提供了實證依據。

自我憎恨和易激惹是兒童抑郁癥狀網絡穩(wěn)定的核心癥狀。三個時間點的偏相關網絡發(fā)現，自我憎恨一直保持較高的中心性水平，這表明自我憎恨在抑郁癥狀網絡的形成和維持中扮演著關鍵角色。這一發(fā)現與之前采用橫斷數據進行國內外兒童群體抑郁癥狀網絡分析的研究結果一致（Kim et al.， 2021;Li et al.， 2024）。此外，在交叉滯后網絡分析中，自我憎恨的輸入預期影響和輸出預期影響在總體上維持在較高水平，顯示出跨時間的穩(wěn)定性。這進一步證實了自我憎恨在抑郁癥狀網絡中的核心地位，其與其他癥狀的相互激活和強化作用，導致整個抑郁癥狀網絡的激活。根據Beck 的抑郁認知模型（1987），認知扭曲或消極的自我評價是抑郁的核心特征之一。元分析研究也指出自我憎恨與抑郁癥狀之間存在高度相關性（r = .52; Gao et al.， 2022）。本研究還發(fā)現自我憎恨與孤獨感之間存在較強的相互作用。這說明自我憎恨不僅會導致個體產生孤獨感，而且孤獨感的增加又會反過來加劇個體的自我憎恨和消極自我評價，形成一個相互激活和強化的惡性循環(huán)，從而導致抑郁癥狀網絡的惡化。偏相關網絡分析和交叉滯后網絡分析結果均發(fā)現了自我憎恨在抑郁癥狀網絡中的核心地位，提示建立積極的自我概念、促進正向的自我評價與建立良好的人際關系可能是兒童青少年抑郁癥狀預防的有效手段。

與DSM-5 標準中將易激惹視為兒童青少年特有的核心癥狀一致，研究發(fā)現易激惹在T2、T3 的強度中心性較高，表明該癥狀是兒童抑郁癥狀網絡中突出的核心癥狀。易激惹已被證明是兒童較為特異的核心癥狀（Stringari et al.， 2013）。交叉滯后網絡分析進一步發(fā)現，易激惹具有最高的輸入預期影響，是網絡中最可能被其他癥狀預測的抑郁癥狀。這提示易激惹可能是其他癥狀誘發(fā)的即時和延時的核心后果。相較于其他抑郁癥狀，悲傷、悲觀和哭泣對下一個時間點的易激惹具有較強的預測力，這暗示著消極情緒的持續(xù)喚醒耗盡個體的生理和心理資源，可能會增加對消極刺激的敏感性并表現為易激怒癥狀（Toohey amp; DiGiuseppe， 2017）。

孤獨感和負面身體意象在不同時段的兒童抑郁癥狀網絡中具有很強的預測性。盡管孤獨感并沒有包含在建立在DSM-5 的抑郁診斷標準中，但已有研究發(fā)現孤獨感是兒童青少年抑郁癥狀網絡的核心特征之一（Manfro et al.， 2023）。元分析同樣指出，兒童青少年孤獨感與抑郁癥狀的相關達到.48 （Dunnamp; Sicouri， 2022）。本研究結果發(fā)現T1 的孤獨感強有力地預測了T2 的自我憎恨和沒有朋友。孤獨感會誘發(fā)自我憎恨或社會退縮行為（Ypsilanti et al.，2019），這可能會影響兒童同伴關系的良好發(fā)展并進一步激活抑郁癥狀網絡（Ypsilanti et al.， 2019）。

與T1 → T2 網絡相比，孤獨感在T2 → T3 的抑郁癥狀網絡中的預測性下降，伴隨著負面身體意象（CDI7）的預測作用的增強。其中T2 的負面身體意象強有力地預測T3 的自我憎恨。此前的研究也發(fā)現了負面身體意象與自我憎恨之間的強相關（Kimet al.， 2021）。這一現象可能的解釋是青春期的到來會加劇負面身體意象的消極影響 （Patalay， 2015）。本研究學生在T2 到T3 階段的年齡范圍是10～13 歲，正處于從童年晚期至青春期的過渡階段（Sawyer etal.， 2018）。在這個階段，學生經歷身體的巨大變化、自我意識的迅猛發(fā)展并開始關注和在意自己的身體形象。負面身體意象可能會導致青春期早期的學生出現低自尊、自我憎恨等消極自我評價，從而誘發(fā)抑郁的產生（Choi amp; Choi， 2016）。因此，對自我身體意象的正確引導對預防青春期學生出現抑郁癥狀至關重要。

此外，本研究發(fā)現兒童抑郁癥狀網絡連接強度隨時間呈現出增強的趨勢。心理病理學網絡理論認為，較強的網絡連接強度代表了癥狀之間存在緊密的相互聯系（McNally， 2016）。單一癥狀的出現更容易引起癥狀間的相互激活和維持，并導致兒童呈現出更高的抑郁易感性（McNally， 2016）。本研究結果說明隨著時間推移，童年晚期學生抑郁癥狀網絡之間的聯系更加緊密，抑郁易感性呈現出隨時間提高的趨勢，提示對童年晚期抑郁核心癥狀的早期預防和干預尤為重要。

總體而言，本研究同時采用偏相關網絡分析和交叉滯后網絡分析，從癥狀層面深入探究了兒童抑郁癥狀網絡的演化和癥狀間的相互預測關系。首先，本研究系統探究童年晚期學生抑郁癥狀網絡的演化、核心癥狀以及癥狀間的相互作用模式，這一研究拓展了以往對兒童抑郁癥狀網絡的橫斷面研究。其次，明確了童年晚期學生抑郁癥狀網絡結構及其核心癥狀，有助于學校心理健康教育者針對核心癥狀進行抑郁易感性人群的識別和開發(fā)針對性的預防和干預方案。具體而言，識別存在自我憎恨或易激惹癥狀的學生并對其抑郁狀態(tài)進行持續(xù)監(jiān)控和預防，可以有效避免抑郁傾向發(fā)展成臨床抑郁障礙。此外，抑郁癥狀的時間特異性提示我們需要根據學生發(fā)展階段針對性地開展抑郁癥狀預防和干預。例如，將孤獨感作為童年階段抑郁癥狀預防和干預的重要靶點，將負面身體意象作為童年晚期向青春期早期過渡階段抑郁癥狀預防和干預的關鍵目標。

盡管本研究在一定程度上拓展了以往研究對童年晚期學生抑郁癥狀的理解，但仍存在以下不足。首先，本研究所使用的《簡版兒童青少年抑郁量表》并不能與DSM-5 中的抑郁障礙標準一一對應。盡管已有研究發(fā)現非DSM-5 的抑郁癥狀也很重要（Manfro et al.， 2023），但網絡分析方法非常依賴可靠有效的抑郁癥狀測查工具。因此，后續(xù)研究應進一步探索如何結合DSM-5 診斷標準，開發(fā)更適宜兒童抑郁癥狀的測量工具，這將有助于更加全面且清晰地理解兒童抑郁癥狀網絡特征及其發(fā)展（Robinaugh et al.， 2020）。其次，本研究只進行了三次間隔6 個月的測量研究。然而，抑郁狀態(tài)的變化實際上要比這個時間間隔更加迅速?？紤]時間序列動態(tài)特性的密集追蹤設計將有助于探討抑郁癥狀網絡的動態(tài)發(fā)展變化。最后，本研究旨在探討正常兒童群體的抑郁癥狀網絡，納入的樣本為非臨床樣本，大多數小學生未達到抑郁障礙的臨床診斷標準。因此，研究結果并不能推論到臨床樣本中。未來的研究可以進一步關注特殊群體，如臨床樣本、留守兒童等，以深入了解不同群體間的抑郁癥狀網絡特征及發(fā)展特點。

5 結論

為闡明童年晚期學生抑郁癥狀網絡的演化和癥狀間的相互預測關系，本研究通過偏相關網絡分析和交叉滯后網絡分析，從癥狀層面探究了童年晚期學生抑郁癥狀網絡在一年內的演化和癥狀間的相互預測關系。結果發(fā)現自我憎恨和易激惹的中心性在三個時間點均較高，在抑郁癥狀網絡的產生和維持中起重要作用。交叉滯后網絡分析結果進一步表明自我憎恨是影響網絡中其他癥狀的核心癥狀；而易激惹更容易被其他癥狀影響；孤獨感、負面身體意象在抑郁癥狀網絡的核心作用存在時間特異性。本研究的發(fā)現不僅揭示了童年晚期學生抑郁癥狀網絡的核心癥狀，還闡明了癥狀之間相互影響的關系和方向，為兒童青少年抑郁的早期防范、干預和診療提供了理論依據和實踐指導。