近日，王伟军教授团队在发展心理学国际权威期刊《Developmental Science》（SSCI心理学一区，中科院一区Top期刊，IF5-year = 4.2）发表研究成果，系统探讨了生态系统理论框架下青少年网络欺凌行为的多层次影响因素。论文题为“Unveiling Roots of Chinese Adolescent Cyberbullying Through Explainable Machine Learning Approach”（采用可解释机器学习方法揭示中国青少年网络欺凌行为的根源）。我院博士生董王昊为第一作者，武汉理工大学黄英辉教授和英国曼彻斯特大学赵欣教授为共同作者，山西大学王兴超教授与我院王伟军教授为共同通讯作者。

网络欺凌是一种通过数字媒体对缺乏自我保护能力的受害者实施的蓄意攻击行为，匿名性与跨时空性赋予其区别于传统欺凌的独特危害性。中学阶段的青少年因网络参与度持续提升、同伴关系高度敏感及自我认同尚在形成，成为网络欺凌的高发群体。然而，网络欺凌问题领域普遍面临“理论框架全面、干预靶点模糊”的困境。其核心挑战在于：如何从复杂的多层次变量系统中识别最关键的干预靶点。

传统统计方法（如线性回归、结构方程模型）在处理复杂多层次数据时存在固有局限：其一，两者均预设预测变量与结果变量之间呈线性关系，难以捕捉现实中普遍存在的非线性效应；其二，需要研究者事先设定交互项，无法自动探索高维变量间的复杂交互模式；其三，当变量数量接近甚至超过样本量时，面临“维度诅咒”，模型性能显著下降；其四，模型对特定样本的过度拟合削弱了结论向新群体的推广能力。解释性机器学习方法能够有效克服上述局限，在保留高预测性能的同时实现模型透明，将预测与解释真正统一于同一分析框架之中。

本研究基于2286名青少年的结构化问卷测量数据，将数字环境纳入传统生态系统理论，构建了涵盖个体、家庭、同伴、班级、学校和网络六大生态系统的综合分析框架，共纳入40个预测变量。

经预测建模，AUC评估，稳定性检验等步骤，随机森林和XGBoost两种模型表现出较高的预测准确率（AUC分别达到87.35%和85.95%）。

进一步的特征重要性分析表明，童年期心理虐待、不良同伴交往以及网络受欺凌经历是预测青少年网络欺凌行为最关键的三个因素。从生态系统层面来看，家庭系统、个体系统以及网络系统对网络欺凌行为的预测作用最为突出。其中，家庭环境的重要性尤为值得关注。尽管青春期同伴影响逐渐增强，但童年时期家庭经历对个体后续网络行为仍具有持续而深远的影响。

该研究具有以下几点贡献：第一，在单一分析框架内整合了六大生态子系统的40个变量，实现了跨系统的综合分析；第二，采用预测导向的分析视角，揭示出童年期心理虐待这一远端家庭因素的突出作用，挑战了既往理论对近端因素（如在线去抑制）的过度倚重；第三，建立了一套可迁移的解释性机器学习分析流程，为欺凌、学校适应、内外化症状等相邻研究领域提供了可复用的方法模板。

该研究受国家社会科学基金重大项目（22&ZD324）、PA电子(中国区)官方网站优秀研究生教育创新资助项目（2025CXZZ123）及中央高校基本科研业务费专项资金（XJ2025002801，CCNU24ZZ042）资助。

论文链接：https://doi.org/10.1111/desc.70230

编辑：王伟军、董王昊             

图片：王伟军、董王昊             

审核：赵庆柏、张劲夫、王伟军