网络成瘾（Internet Addiction, IA）已成为全球性的公共卫生挑战。在全球数字化浪潮下，高职生作为技能型人才的重要储备军，面临着学业期待落差、就业焦虑及社会认同等多重独特的心理压力。然而，针对高职生群体的网络成瘾风险识别及其异质性特征的研究相对匮乏。

为此，心理研究与咨询中心主任高雪梅教授团队聚焦于高职生这一独特的群体开展研究，研究成果“Detecting internet addiction risk in vocational college students: Based on machine learning approach and Latent Profile Analysis” 发表于行为科学与计算机交叉领域期刊《Computers in Human Behavior Reports》（JCR一区，IF=5.8）。

创新性的整合分析：该研究创新性地整合了机器学习（Machine Learning, ML）与潜在剖面分析（LPA）技术，在中风险群体中识别出了一个特殊的“高痛苦-高自尊”型（High Distress and High Self-Esteem）亚群体（图1） 。这部分学生虽然报告了极高的自尊水平，但同时伴随着高水平的焦虑和抑郁。机器学习模型进一步证实，这种“高自尊”可能是一种“防御性自尊”（defensive self-esteem）——个体通过维持表面上的高自我评价来防御内在的脆弱感，而这种内外不一致的冲突反而加剧了其对网络的依赖风险（图2），为理解网络成瘾背后的复杂心理机制提供了全新的数据驱动视角。

图1 三种潜在特征中的心理社会指标分类

图2 （A) 随机森林预测概率按特征分布；(B) 逻辑回归预测概率按特征分布；(C) XGboost预测概率按特征分布。

高精度的风险预测：团队对比了随机森林（Random Forest）、逻辑回归（Logistic Regression）和XGBoost三种算法。结果显示，优化后的 XGBoost模型 在识别高风险个体方面表现最佳，具有极高的灵敏度（Recall = 0.89），不仅能准确预测，还能最大程度减少“漏网之鱼”，具有极高的临床筛查应用价值（图3）。

图3 三类模型的ROC曲线

可视化模型解释（SHAP）：针对机器学习“黑箱”难以解释的问题，研究引入了SHAP分析，量化了焦虑、情绪耗竭、抑郁等12个心理社会因素对成瘾风险的具体贡献度（图4） 。

图4 三种模型SHAP影响概要图

实践意义：从“一刀切”走向“个性化”干预

该研究成果为高校心理健康工作提供了重要的科学依据，为构建更加精准、智能的学生心理健康预警系统提供了新的范式。研究表明，针对网络成瘾的干预不能简单地“一刀切”。对于那些表现出“高自尊”但内心痛苦的学生，传统的增强自信训练可能效果有限，建立真实的自我接纳、缓解情绪耗竭才是干预的关键。

文章第一作者为高雪梅教授指导的博士研究生黄钰杰，博士研究生方子杰为共同第一作者，硕士研究生马鹏晖为第二作者，高雪梅教授为通讯作者，研究得到了西南交通大学新兴交叉学科基金资助。

论文信息：

Yujie Huang, Zijie Fang, Penghui Ma, Xuemei Gao*. (2026). Detecting internet addiction risk in vocational college students: Based on machine learning approach and Latent Profile Analysis, Computers in Human Behavior Reports,Volume 21,100913.

https://doi.org/10.1016/j.chbr.2025.100913.