一种可重复的调查工作流程，用于评估大学生的心理韧性、学校归属感及高阶思维能力

摘要

本方案介绍了一种在大学生中进行数据收集、质量筛选及有调节的中介分析的可重复调查工作流程。

摘要

本文介绍了一种可重复的横断面自陈式调查方案，用于研究大学生心理韧性、学校归属感（SSB）、高阶思维能力与网络成瘾障碍（IGD）之间的关联。在该方案中，新型就业模式被视为由生成式人工智能、平台化工作形态以及毕业生技能需求变化所塑造的背景环境，而非个体层面的暴露变量。该方案将机构抽样、问卷施测、翻译记录、应答质量筛查、缺失数据处理、量表计分、共同方法偏差筛查、变量中心化以及条件过程分析整合为一个标准化的工作流程。在学校归属感与网络成瘾障碍的关联性调节中介模型中，SSB被设定为统计学中介变量，IGD被设定为调节变量。代表性输出结果包括样本流程记录、描述性统计量、相关矩阵、中介与调节中介效应估计值、条件间接效应、调节中介指数以及交互作用图。由于代表性数据集为横断面且基于自陈报告，本方案适用于透明地估计统计关联，而不支持因果推断或纵向推论。通过在分析前标准化预处理决策与模型设定，该工作流程提升了教育与行为调查研究的透明度、可比性与可重复性。

引言

由生成式人工智能、基于平台的工作模式以及跨领域职业融合所塑造的新就业模式，已经改变了高校对毕业生准备情况和学生发展的讨论方式¹。本文将新就业模式视为一种情境性框架条件，而非可测量的个体参与者层面的暴露因素。本研究方案并不根据学生是否直接参与平台劳动、零工工作或由人工智能中介的就业对其进行分类。相反，这一背景解释了为何高阶思维能力（HOT）、心理韧性（PR）以及学校支持对面临日益不确定的教育与职业过渡的大学生而言是相关的重要构念。这一澄清十分必要，因为该方案旨在用于横断面行为调查研究，而非用于评估某种可测量就业模式暴露所带来的影响。

在此背景下，人们越来越期望毕业生能够解决陌生问题、在不同领域之间迁移知识、批判性地评估信息，并在不确定条件下做出适应性决策²。近期关于劳动力市场与高等教育的讨论也指出，雇主的期望与毕业生的准备程度之间仍存在持续的不匹配，尤其是在沟通、协作、独立解决问题以及创新能力方面³。这些需求使得高阶思维（HOT）成为教育与行为研究中一个有用的结果构念，用于探讨学生在不断变化的就业条件下如何适应⁴。

高阶思维（HOT）指超越记忆和基本理解的高级认知活动，包括分析、评估、决策、问题解决和创造性思维⁵。基于低阶认知与高阶认知之间的经典区分，以往研究强调，高阶思维涉及知识的转化而非简单的知识再现，并且与真实的问题情境、先前知识的整合以及认知灵活性密切相关⁶。在数字化媒介的就业与学习环境中，学生通常需要解释复杂信息、使用智能工具，并在信息丰富但质量参差不齐的情况下保持认知自主性⁷。这些条件使得高阶思维成为可重复行为研究方案中一个恰当的核心构念。

本方案包含心理韧性（PR），因为从理论和实证角度来看，PR 与学生在压力和不确定性条件下的适应性功能密切相关⁸。尽管基于结果、特质和过程的不同视角对 PR 的定义存在差异，但大多数研究均认同 PR 反映了个体自我调节、从困境中恢复以及在挑战性环境中维持功能性适应的能力⁹。在本方案中，PR 并不被视为高阶思维（HOT）的已证实因果决定因素，而是被建模为一个可能在横断面数据集中与 HOT 存在统计关联的自变量。这一表述方式符合本研究的设计边界，避免对数据无法确立的时间顺序做出暗示。这种关联具有合理性，因为心理韧性较强的学生在面对学业和职业相关压力时，可能更有能力维持目标导向的投入、建设性应对策略以及适应性推理能力¹⁰。既往实证研究已将 PR 与问题解决、批判性思维和适应性认知联系起来，但 PR 与 HOT 之间直接关联的证据仍较为有限¹¹。因此，本文将 PR 与 HOT 之间的关系作为代表性建模示例，用以展示从问卷调查到数据分析的完整流程。

学校归属感（SSB）在本方案中被作为统计学中介变量纳入。它通常被定义为学生感知到的在学校社区中被接纳、受尊重、获得支持和建立联系的体验¹²。大多数定义强调通过参与、认可和支持形成的学生与学校机构、教师及同龄人之间的情感和关系纽带¹³。在不断变化的就业背景下，SSB具有重要意义，因为学生在为不确定的学术和职业未来做准备时，往往依赖于大学提供的指导、同伴互动以及机构资源¹⁴。

现有研究表明，心理韧性（PR）与学校归属感（SSB）呈正相关。心理韧性较强的学生在面对压力时，可能更倾向于寻求支持，保持积极投入，并维持与教师和同伴之间的联结感¹⁵。学校归属感还与协作解决问题能力、批判性思维、创造力以及在学习活动中的深度参与密切相关¹⁶。基于此，本研究方案将学校归属感设定为心理韧性与高层次思维（HOT）之间的统计学中介变量。该设定应被理解为一种基于关联的中介模型，适用于横断面调查数据，而非表明心理韧性在时间上导致学校归属感，或学校归属感因果性地引发高层次思维的证据。

将网络成瘾障碍（IGD）作为调节变量纳入，是因为数字行为可能影响PR、SSB与HOT之间的关联强度。IGD指持续且反复的 gaming 行为，伴随具有临床意义的功能损害，在数字设备暴露频繁的学生群体中日益受到关注¹⁷。先前研究已将问题性 gaming 行为与日常生活规律紊乱、睡眠质量下降、社会支持减少、应对能力减弱以及学业参与度降低相关联¹⁸。这些发现支持以下观点：IGD症状水平越高，可能越会削弱个体的适应性教育功能和心理社会功能。

同时，不应简单化地解读与游戏相关的行为。某些游戏环境涉及策略性决策、基于反馈的学习以及认知挑战，但这些特征并不意味着游戏障碍（IGD）本身具有益处¹⁹。在本研究方案中，IGD 仅被视为关联模式的统计调节因子。任何涉及 IGD 的交互作用均被谨慎解释为在代表性数据集中的条件性关联，而非临床证据表明游戏障碍可改善认知功能或增强学业表现。

尽管人们对 PR、SSB、HOT 以及学生数字行为的兴趣日益增长，但方法学上仍存在空白。许多研究报道了这些构念之间的关联，但较少研究在一个可审计的框架内提供透明且可重复的方案，将参与者招募、问卷施测、翻译记录、无效反应筛选、缺失数据处理、量表计分、信度筛选、共同方法偏差筛选、变量中心化以及条件过程分析整合在一起。这一空白在教育与行为调查研究中尤为突出，如果预处理规则和模型决策仅被部分报告，则研究结果可能难以复现。

为弥补这一空白，本文提供了一种可重复的横断面自报告调查实施方法及代表性调节中介效应分析结果的生成流程。本方案以问题性使用社交媒体（PR）、错失恐惧（SSB）、网络闲逛（HOT）和网络成瘾（IGD）为应用示例，但其主要贡献在于方法学层面，而非因果推断。该方案展示了如何构建抽样框架、实施标准化问卷、记录翻译与计分决策、应用预先设定的筛选规则、准备可用于分析的数据集，并使用固定的报告规则估计条件过程模型4和模型59。与标准化程度较低的调查-分析方法相比，本方案通过在结果解释前预先记录数据预处理决策和模型设定，提高了研究的透明度、可比性、可重复性与可审计性。通过将这些步骤整合为统一的操作流程，本文为高校学生适应性及网络闲逛行为发展的教育与行为调查研究提供了可重复的方法框架。

方案

本研究经柳州职业技术学院伦理委员会批准（方案编号：LVTC-2024-02-879；批准日期：2024年2月1日）。在访问问卷前获取电子知情同意。在数据导出和分析前移除直接标识信息。将原始数据、清洗后数据、可用于分析的数据、评分文件、筛选文件及输出文件存储在受限访问的文件夹中。

1. 使用预设的多阶段随机抽样流程招募参与者

1. 构建并锁定机构抽样框架
   1. 将新型就业模式定义为研究的背景环境，而非作为个体层面的测量暴露因素。
   2. 通过公共教育记录、大学网站、教学改革通知、就业指导文件以及课程或培训公告，确定候选机构。
   3. 纳入符合以下条件的机构：为中国大陆认可的高等教育机构，招收全日制大学生，具备可验证的人工智能相关、数字化学习、职业准备、创新或 HOT 培训记录，能够提供基于名册的抽样途径，并同意采用标准化的匿名在线调查程序。
   4. 排除无可靠培训记录、无当前学生名册、在调查期间无在籍学生注册，或无法遵循统一管理流程的机构。
   5. 保留32所符合条件的机构，并分配机构代码 I-01 至 I-32。
   6. 在随机选择前锁定机构抽样框架。使用预先设定的抽样框架和固定的选取规则，以减少多中心调查研究中事后做出的抽样决策²⁰。
2. 执行机构层面和学生层面的随机抽样
   1. 采用基于种子数的随机数生成方法进行机构层面的抽样。
   2. 设定随机种子数为 20241007。
   3. 为32所符合条件的机构生成随机数，按升序排列数值，并选取前三个机构代码。选定的机构代码为 I-07、I-18 和 I-29。
   4. 从三个选定机构获取当前班级名册，并核实学生在2024年10月7日至2024年11月15日期间的在籍注册状态。
   5. 纳入年龄为18–25岁、能够阅读中文、出现在机构名册上、可访问在线问卷并提供电子知情同意的全日制学生。
   6. 排除年龄小于18岁、非在籍注册、处于交换或休学状态、无法独立完成中文问卷、曾参与预试验、拒绝知情同意，或提交重复或无效问卷的学生。
   7. 按机构对学生产生名册进行分层，并在各机构内部使用相同的基于种子数的方法随机抽取学生。
   8. 共邀请860名学生，其中 I-07 邀请286人，I-18 邀请287人，I-29 邀请287人。
      注：随机化后，机构层面和学生层面的抽样程序应保持固定。任何替换均须使用相同的基于种子数的程序进行。
3. 确定数据收集窗口并最终确定分析样本
   1. 数据收集时间为2024年10月7日至2024年11月15日。
   2. 通过经机构批准的辅导员，使用统一的书面脚本向860名受邀学生发放问卷。
   3. 记录应答流程：860名受邀学生中，回收问卷800份，未回应60份，排除24份无效问卷，最终保留776个有效样本。总体应答率为93.0%。
   4. 记录各机构层面的流程如下：I-07 回收267份问卷，排除8份，保留259个有效样本；I-18 回收266份问卷，排除7份，保留259个有效样本；I-29 回收267份问卷，排除9份，保留258个有效样本。
   5. 按以下顺序应用排除层级：重复应答、资格不符、完成时间、直线作答、重复模式作答。
   6. 排除符合以下任一标准的应答：重复提交、资格不符、完成时间 <360 秒、≥85%的李克特项目选择相同选项，或在≥15个连续李克特项目中呈现重复交替模式。不使用注意力检查题项。
   7. 共排除24份无效应答，包括3份重复应答、3份资格不符、7份因完成时间过短被排除、9份直线作答和2份重复模式作答。
   8. 最终保留776个有效样本。最终样本包括219名男性（28.2%）和557名女性（71.8%），年龄范围为19–25岁。
      注：在整篇稿件中应始终使用修正后的样本流程：860名受邀学生，800份回收问卷，24份排除应答，776个保留样本。

2. 使用标准化的在线流程施测问卷

1. 组装问卷并记录语言调适过程
   1. 组装问卷的五个部分：人口统计学信息、心理韧性（PR）、希望感（HOT）、社交支持信念（SSB）和网络游戏障碍（IGD）症状。
   2. 使用75个计分条目，包括25个PR条目、23个HOT条目、18个SSB条目和9个IGD条目。
   3. 在所有调查项目之前放置电子知情同意书，并要求参与者在访问问卷前完成同意程序。在行为调查研究中采用电子知情同意和去标识化的在线应答方式，以保护参与者的自主权和隐私²¹。
   4. 对所有量表条目和用于分析的人口统计学变量设置强制应答。
   5. 对源自英文的量表采用前向翻译、协调、回译、专家评审和预测试检查。应用标准的跨文化量表调适程序，以保持语义和概念上的等效性²²。
   6. 在问卷调适过程中，使用两名双语前向翻译人员、一名独立的回译人员，以及至少三名专家评审人员。
   7. 在最终分析样本之外，对30名学生进行预测试检查。
   8. 在补充表1中记录每个条目的来源、原始措辞、前向翻译结果、回译结果、最终中文措辞及修改理由。
   9. 在施测前锁定问卷。
      注意：问卷锁定后不得更改条目措辞。
2. 在各参与机构间标准化施测流程
   1. 使用统一的书面施测脚本对辅导员进行培训。
   2. 声明参与为自愿行为，匿名进行，与成绩或评估无关，参与者可拒绝参与且不会受到任何处罚。
   3. 在课堂时间内施测在线问卷，且辅导员不得对问卷条目内容进行解释。
   4. 禁止辅导员查看任何个体参与者的应答数据。
   5. 记录施测日期、机构代码、班级情境、辅导员标识符、邀请人数、回收数量、会话时长以及任何偏离既定方案的情况。
      注意：所有参与机构必须使用相同的知情同意程序、匿名声明、施测脚本和应答指导说明。

3. 使用固定的评分框架对测量工具进行评分

1. 评估心理韧性量表
   1. 采用胡与甘在Connor-Davidson框架基础上修订的25项心理韧性量表²³。
   2. 所有条目均采用5点Likert量表评分，并计算平均得分。得分越高，表示心理韧性（PR）越高。
   3. 记录内部一致性，Cronbach’s α = 0.958。
2. 评估高阶思维能力量表
   1. 采用黄及其同事开发的23项高阶思维能力量表²⁴。
   2. 所有条目均采用5点Likert量表评分，并计算平均得分。得分越高，表示高阶思维能力（HOT）越高。
   3. 记录内部一致性，Cronbach’s α = 0.973。
3. 评估学校归属感量表
   1. 采用潘及其同事在Goodenow原始学校归属框架基础上修订的18项中文版学校归属感量表²⁵。
   2. 对第3、6、9、12和16项进行反向计分，转换规则如下：1 = 5，2 = 4，3 = 3，4 = 2，5 = 1。
   3. 反向计分后计算平均得分。得分越高，表示学校归属感（SSB）越高。
   4. 记录内部一致性，Cronbach’s α = 0.838。
4. 评估网络成瘾障碍量表
   1. 采用与DSM-5标准一致的9项网络成瘾障碍量表²⁶。
   2. 所有条目均采用5点Likert量表评分，并计算平均得分。得分越高，表示自报的IGD症状越严重。
   3. 将IGD视为连续性症状评分，而非临床诊断。
   4. 记录内部一致性，Cronbach’s α = 0.941。
5. 锁定并审核评分决策
   1. 对所有四个变量（PR、HOT、SSB和IGD）均使用平均得分。
   2. 在整个实验方案和分析流程中，始终使用相同的缩写：PR、HOT、SSB和IGD。
   3. 在补充表2中记录条目数量、应答范围、反向计分条目、得分方向、计算规则、人口学编码及信度值。
      注：在计算描述性统计、相关性、信度估计或条件过程模型之前，需先对SSB条目进行反向计分。

4. 清理数据集并创建可供分析的文件

1. 导出并管理数据文件版本
   1. 在问卷调查结束后导出原始问卷文件。
   2. 将原始问卷文件保存为只读格式。
   3. 创建一个独立的工作文件，用于进行筛选、清理、重新编码和计分操作。
   4. 在完成排除、反向编码、得分计算、人口统计学编码和变量中心化处理后，生成最终可用于分析的数据集。
2. 实施缺失数据与作答质量筛选
   1. 核查提交数据集中各题项的缺失情况。由于问卷施测时采用了强制作答设置，记录为0个题项缺失值。
   2. 不进行缺失数据填补。记录因量表数据缺失而被排除的案例数为0，填补的量表数值也为0。
   3. 根据第1.3步中定义的排除标准，对回收的800份问卷进行作答质量筛选。
   4. 排除24份无效作答，保留776份有效案例用于分析。
      注：在整个实验方案及所有代表性结果中，应始终使用修正后的样本流程数据：共邀请860名学生，回收800份问卷，排除24份无效作答，最终保留776个有效案例。
3. 核查编码、重新编码及推论分析准备情况
   1. 在计算得分前，确认SSB量表第3、6、9、12和16题已进行反向编码。
   2. 将性别编码为：0 = 男性，1 = 女性。
   3. 将年龄编码如下：1 = 19岁，2 = 20岁，3 = 21岁，4 = 22岁，5 = 23岁，6 = 24岁，7 = 25岁。
   4. 使用已计算得分的变量PR_mean、HOT_mean、SSB_mean和IGD_mean进行分析准备。
   5. 在交互作用分析中使用中心化后的变量PR_c、SSB_c和IGD_c。
      注：在开展推论统计分析前，必须完成所有排除操作、反向编码、人口统计学编码、得分计算和变量中心化处理。

5. 使用预先指定的工作流程进行统计分析

1. 记录并锁定分析环境
   1. 使用支持回归分析、自举中介分析、调节中介分析以及交互作用探测的统计环境。
   2. 使用经过文档记录的条件过程分析宏、程序包或基于语法的流程，能够估计中介和调节中介模型。
   3. 使用模型4进行中介分析，使用模型59进行调节中介分析。应用条件过程分析来估计基于回归模型中的中介、调节和调节中介效应²⁷。
   4. 将自举估计设置为5,000次偏差校正重采样，并采用95%置信区间。由于间接效应的抽样分布通常非正态，因此使用自举置信区间进行间接效应估计²⁸。
   5. 在构建交互项之前，对核心连续变量进行均值中心化处理：PR_c = PR_mean − mean(PR_mean)，SSB_c = SSB_mean − mean(SSB_mean)，IGD_c = IGD_mean − mean(IGD_mean)。
   6. 使用PR_c × IGD_c表示调节后的PR → SSB路径和PR → HOT路径。使用SSB_c × IGD_c表示调节后的SSB → HOT路径。
   7. 将低、中、高水平的IGD定义为均值减1个标准差（mean − 1 SD）、均值（mean）和均值加1个标准差（mean + 1 SD）。
   8. 使用已锁定的编码方案将年龄和性别作为协变量纳入模型。
   9. 在所有分析中使用相同的系数尺度、置信区间规则、中心化规则、协变量编码方式和模型编号。
      注意：进行调节中介分析时应使用模型59，而非模型1。
2. 筛查共同方法偏差
   1. 使用来自PR、HOT、SSB和IGD的75个已评分量表条目进行共同方法偏差筛查。
   2. 采用未旋转的探索性因子分析进行Harman单因子检验。
   3. 记录特征值大于1的因子数量、累计解释方差以及第一个未旋转因子所解释的方差比例。
   4. 在代表性数据集中，记录到9个特征值大于1的因子，累计解释方差为65.322%，第一因子解释方差为32.412%。
   5. 将Harman单因子检验视为初步筛查程序，而非排除共同方法偏差的决定性检验。应谨慎解释该检验结果，因其本身不足以排除同源测量偏差²⁹。
   6. 通过审查构念间的相关矩阵和共线性诊断作为对过度共享方差的补充检查。
   7. 结合横断面自评研究设计来解释共同方法偏差筛查结果。
      注意：应谨慎解释共同方法偏差筛查结果，因为所有核心变量均为自评且在同一时间点测量。
3. 生成描述性统计量与相关系数
   1. 使用最终可用于分析的数据集计算PR、HOT、SSB和IGD的均值与标准差。
   2. 根据性别和年龄编码，使用已锁定的编码规则生成描述性统计量。
   3. 计算PR、HOT、SSB和IGD之间的皮尔逊相关系数。
   4. 使用最终分析样本总结样本特征和描述性统计量。
   5. 总结四个核心变量的皮尔逊相关矩阵。
   6. 确认描述性统计量和相关系数基于n = 776的最终分析样本。
   7. 采用与《方案》和补充表2中相同的性别和年龄编码。
      注意：所有描述性统计和相关输出均应使用相同的最终数据集、评分方向和人口学编码规则。
4. 运行中介模型
   1. 在条件过程分析程序中设定模型4。
   2. 将PR设为自变量，SSB设为中介变量，HOT设为因变量。
   3. 将年龄和性别作为协变量纳入模型。
   4. 使用5,000次偏差校正自举重采样，并采用95%置信区间。
   5. 使用n = 776的最终可用于分析的数据集运行模型。
   6. 提取SSB和HOT方程的系数、标准误、t值、p值、置信区间及模型汇总结果。
   7. 提取总效应、直接效应、间接效应、自举标准误和自举置信区间。
   8. 将中介结果解释为横断面关联模型中的统计中介效应。不得将横断面中介解释为时间顺序或因果传递的证据³⁰。
      注意：使用B表示非标准化系数，仅在生成标准化估计时使用β表示标准化系数。
5. 运行调节中介模型
   1. 在条件过程分析程序中设定模型59。
   2. 将PR设为自变量，SSB设为中介变量，HOT设为因变量，IGD设为调节变量。
   3. 将年龄和性别作为协变量纳入模型。
   4. 使用第5.1步中定义的中心化变量和交互项。
   5. 使用5,000次偏差校正自举重采样，并采用95%置信区间。
   6. 使用n = 776的最终可用于分析的数据集运行模型。
   7. 提取PR × IGD预测SSB的交互项系数。
   8. 提取PR × IGD预测HOT的交互项系数。
   9. 提取SSB × IGD预测HOT的交互项系数。
   10. 提取在低、中、高水平IGD（定义为均值−1 SD、均值、均值+1 SD）下的条件效应。
   11. 提取PR通过SSB对HOT的间接效应在低、中、高水平IGD下的条件间接效应。
   12. 提取调节中介指数及其自举置信区间。
   13. 使用与条件效应相同的低、中、高水平IGD值生成简单斜率图。
       注意：进行调节中介分析时应使用模型59，而非模型1。
6. 应用一致的推断决策规则
   1. 在整个分析过程中使用相同的缩写集：PR、HOT、SSB和IGD。
   2. 使用模型4进行中介分析，使用模型59进行调节中介分析。
   3. 仅当生成标准化估计时，才将非标准化系数报告为B，标准化系数报告为β。
   4. 使用95%置信区间作为自举间接效应、条件间接效应和调节中介指数的决策标准。
   5. 当相应的95%置信区间不包含零时，认为该效应具有统计支持。
   6. 在可能的情况下报告精确的p值，低于0.001的值报告为p < 0.001。
   7. 所有统计输出统一采用一位小数格式。
      注意：在所有分析中保持样本量、中心化规则、系数符号、模型编号和置信区间规则的一致性。

结果

样本特征与初步变量分布
在进行统计建模之前，该工作流程成功生成了完整的样本-流程记录。如表1所示，在预设的数据收集时间段内共邀请了860名学生，回收有效问卷800份，总体应答率为93.0%。经过应答质量筛选后，剔除了24份无效问卷，最终纳入分析的合格样本为776份。保留的样本中包括男性219人（28.2%），女性557人（71.8%），年龄范围为19–25岁。

...

类别

组别 / 变量

N

%

M

SD

讨论

本文介绍了一种可重复的从调查到分析的工作流程，用于研究大学生中PR、SSB、HOT与IGD症状之间的关联性中介及有调节的中介模式。该工作流程的主要贡献在于方法学层面而非因果推断，因为本方案展示了如何通过一系列预先设定的透明化步骤，对横断面自评数据集进行收集、筛选、计分、记录和分析。在本修订版方案中，新的就业模式被视为一种情境性框架条件，而非个体层面的测量暴露变量，从而避免了对该数据集实际可检验内容的过度解读³¹。这种设定是恰当的，因为该方案旨在支持在技术变革和就业预期不断变化的背景下，开展可重复的教育与行为调查研究，而非用于估计平台工作、零工经济或人工智能中介就业的直接暴露效应。通过在数据分析前预先确定抽样框架、纳入标准、知情同意程序、翻译流程、缺失数据处理规则、应答质量阈值、计分逻辑、中心化方法以及条件过程模型，该工作流程提升了研究透明度与可重复性，而这一研究领域以往常存在仅报告统计结果却缺乏完整可审计预处理链条的问题³²。

代表性结果展示了如何利用该工作流程生成一个基于关联的连贯条件...

材料

本文使用的材料清单

姓名	公司	目录编号	评论
机构；代码 I-01 至 I-32	研究团队	N/A	在随机选择前锁定，用于机构层面的随机化。
机构筛查日志	研究团队	N/A	记录的机构资格标准、来源文件、资格判定结果及机构代码。
网络成瘾障碍量表	Lemmens, Valkenburg, 和 Gentile（2015），《网络成瘾障碍量表》，《心理评估》，27(2)，567–582. doi:10.1037/pas0000062	N/A	与DSM-5标准一致的9项量表，用作连续的自评IGD症状测量工具，而非临床诊断。
中介模型输出	研究团队	模型 4 输出	以PR为X、SSB为M、HOT为Y的中介模型输出结果
有调节的中介模型输出	研究团队	59 型模型输出	IGD 调节 PR 的调节中介模型输出 → SSB，PR → HOT 和 SSB → HOT路径
在线问卷平台	问卷星	N/A	用于电子知情同意、在线问卷发放、强制响应设置及调查数据导出的基于网络的调查平台。
试检记录	研究团队	N/A	用于评估条目清晰度、理解性、完成负担及平台功能的30名学生预试验核查记录。预试验参与者未被纳入最终的分析样本。
心理韧性量表	基于康纳-戴维森框架的胡氏与甘氏修订版	N/A	用于测量心理韧性的25项量表。采用五点式李克特量表评分，并计算平均得分。
学校归属感心理量表	基于Goodenow的中文修订版’学校会员制度框架	N/A	用于测量学校归属感的18项量表。在计算平均得分前，第3、6、9、12和16项已反向计分。
随机化程序	研究团队	随机种子：20241007	通过基于种子的随机数程序，用于机构层面和学生层面的随机选择。
原始调查数据集	研究团队	Raw_Survey_NEP_2024_800returned_locked.xlsx	包含800份回收问卷的原始导出数据集，尚未进行回答质量筛选。
反应质量筛选日志	研究团队	N/A	记录了24个被排除的回复，包括重复提交的回复、资格不符、完成时间异常、直线型回答以及重复模式回答。
响应质量筛选规则	研究团队	N/A	排除标准包括重复提交、资格不符、完成时间 <360 秒，选择相同的选项 ≥85% 的李克特量表项目，以及跨组重复的交替模式 ≥15 个连续的李克特量表项目
量表信度输出	研究团队	N/A	输出报告 Cronbach’PR、HOT、SSB 和 IGD 的 s alpha 值。
评分与编码参考文件	研究团队	补充表 2	记录条目数量、应答范围、反向计分条目、评分方向、平均分计算方法、人口学编码及信度值。
会话管理日志	研究团队	N/A	记录给药日期、机构代码、班级背景、咨询员编号、邀请人数、回收人数、会话时长及偏差情况。
统计软件	IBM 公司	IBM SPSS Statistics，版本 27.0	用于描述性统计、相关性分析、信度分析、探索性因子分析、回归分析、中介效应分析以及有调节的中介效应分析。
学生随机化记录	研究团队	随机种子：20241007	在所选的三家机构内，采用学生层面的分层随机抽样方法进行记录。
补充表1	研究团队	翻译与改编记录	记录项目来源、原始表述、前向翻译、回译、最终中文表述、专家评审、试点反馈及修订依据。
补充表 2	研究团队	评分与编码规则	记录评分规则、反向计分、人口学变量编码、变量缩写及信度值。
翻译与改编记录	研究团队	补充表1	文件的正向翻译、协调、回译、专家评审、试测检查及最终中文定稿。
Windows 操作系统	微软公司	Windows 11 专业版，64 位	用于统计分析和结果生成的操作系统。