雷泽宇，乌云特娜，金童林

(内蒙古师范大学心理学院, 内蒙古 呼和浩特 010022)

错失恐惧，也称错失焦虑(fear of missing out, FoMO)，是一种由于担心错过他人新奇、有趣的经历或收获，而持续处于焦虑不安或恐惧的状态[1].患有错失恐惧的个体害怕他人正从事着自己不知道的正性事件，自己却一无所知，因而常常希望自己可以一直跟进他人所做之事[1-2].相关研究显示，错失恐惧水平较高往往会导致个体沉迷于社交媒体使用[3]、智能手机成瘾[4-6]、网络成瘾、低头行为[7-8]、学业不佳[9]、睡眠质量不好[10]等负面结果[11]，且与低水平的心理需求满足[1-2]、自尊[12]、幸福感[13]呈正相关.一项研究调查显示，约78.3%的个体因错失恐惧而连续不断地参加社交活动，约15.2%的受访者报告错失恐惧已影响到日常生活，虽然他们知道自己的状态不佳，但又“不受控制”[2].测量错失恐惧的量表种类较多，其中外延相对较广、使用较多的量表是由Przybylski等编制的错失恐惧量表[1]，共包含10个条目，单一维度.我国研究者将该量表在大学生群体中进行了修订，修订后的量表共8个条目，分为“错失信息恐惧”和“错失情境恐惧”两个维度[14].随后，我国研究者将该量表在中学生群体中进行了修订，得到了相似的结果[15-16].然而，这些结果是基于变量中心的视角，并未考虑个体本身具有的差异性，这样的结果划分有待考量.

潜在剖面分析(latent profile analysis, LPA)是以个体为中心的分析方法，假设存在少数互不重叠的潜在类别可以解释外显指标(维度)之间的关联，潜在的不同类别对外显变量的反应持有特定的选择倾向[17-18]，根据各个类别在每个条目上的得分情况来判断其潜在特征，以此作为划分不同潜在类别的界限.与传统的、基于变量中心的分类方法相比，LPA更为精确、客观，不仅能更加准确地描述个体之间的量化差异，还能归纳出个体间多维的质化差异[19].该方法近年来被广泛应用于心理学、精神病学、组织行为学等领域[20].本研究采用LPA对中学生错失恐惧的潜结构进行分析，并在此基础上考察人口学变量与错失恐惧的关系.

1 研究方法

1.1 研究对象

采用随机抽样法，在内蒙古自治区若干所中学共发放问卷750份，回收有效问卷687份，有效率为91.6%.其中，男生245人，女生442人；年龄12～20岁，平均年龄(15.43±1.81)岁；初一115人，初二148人，初三142人，高一120人，高二91人，高三71人；独生子女366人，非独生子女321人；现居住地为城市的460人，乡镇的119人，农村的108人.

1.2 研究工具

1.3 统计学分析

使用Mplus 8.3和SPSS 22.0软件对FoMOs的10个条目进行潜剖面分析.从类别数目1开始，逐渐增加模型中的类别数目，直到找到拟合程度最优的模型.在最优模型的基础上，加入人口学变量，采用R3STEP法检测人口学变量对错失恐惧的预测作用.

2 结果

2.1 中学生错失恐惧的潜剖面分析

对潜在类别数目为1～4的模型进行潜剖面分析，结果显示：除LMR、BLRT两个指标外，其他指标对应的数值均随着类别数目的增加而减小；Entropy值在潜在类别数目为2类时最大；LMR和BLRT显示2、3、4类模型均拟合良好；见表1.最终考虑将两个潜在类别(C1、C2)的分类模型作为最优模型，其归属概率为0.94～0.96，说明两个类别的模型结果是可信的.

表1 中学生错失恐惧的潜剖面模型拟合指标Tab.1 Fitting indexes of latent profile model of fear of missing out among middle school students

进一步做出两个潜在类别在FoMOs10个条目上的应答概率图(图1).C1类别的中学生部分题目得分在“稍微符合”程度附近，部分题目得分在“中等符合”程度附近，较C2而言，得分明显较低，故将其命名为“微恐型”，占总被试的62.30%；C2类别的中学生在10个条目上的得分几乎都处于“中等符合”程度之上，故将其命名为“焦虑型”，占总被试的37.70%.

图1 中学生错失恐惧两个潜在类别在FoMOs10个条目上的得分概率Fig.1 Scoring probability of two latent classes of fear of missing out among middle school students in 10 items of FoMOs

2.2 人口学变量对中学生错失恐惧潜在类别的影响

使用稳健三步法中的自动形式R3STEP将中学生错失恐惧的两个潜在类别作为因变量，人口学变量作为自变量，进行多项式logistic回归分析，将“焦虑型”作为参照组.现居住地变量对第一类别(“微恐型”)的回归系数为-0.354，标准误为0.128，P<0.01.结果表明，现居住地这一变量对中学生错失恐惧类别有预测作用，具有统计学意义；其他人口学变量对中学生错失恐惧没有预测作用；见表2.相对于第二类别组(“焦虑型”)而言，随“现居住地”由城市、乡镇到农村的变化，“微恐型”中学生的发生比降低29.81%.

表2 中学生错失恐惧影响因素的logistic回归分析Tab.2 Logistic regression analysis of influencing factors of fear of missing out among middle school students

3 讨论

本研究根据中学生错失恐惧量表得分，采用LPA探索中学生在错失恐惧上的潜在类别结构，结合相关指标最终选定两个潜在类别的模型，这与以往研究结果稍有不同.佘爱等[21]认为大学生的错失焦虑分为3个类别：错失焦虑-低风险组、错失情境恐惧-风险组和错失焦虑-风险组.造成这种不一致的原因可能是研究群体和保留最优模型的侧重点不同.该研究中前两类别与本研究中“微恐型”特征较为相似，最后一个类别与本研究中“焦虑型”特征大致相同.“微恐型”中学生可能只是偶尔有轻微的错失恐惧感，对错过一些特殊事件信息的焦虑水平并不是很高，但对于一些情境的错失恐惧水平较高.因此可通过他人引导更多地关注于自身的事件、感受，若做到则给予鼓励，没做到则帮助其整理自身感受、调整心态.“焦虑型”中学生的错失恐惧水平较高，内在心理状态处于担心错过的焦虑中，同时也会被特定情境诱发错失恐惧的情绪和行为表现.因此可通过他人帮助，检测和觉察自我状态(如思维、行为)，避免陷入弥散性的焦虑氛围中.对事件引发的错失恐惧感受做记录整理，找到原因、分析可采取的措施等，以此来减缓错失恐惧感.

本研究多项式logistic回归分析，结果显示，现居住地变量对不同错失恐惧水平的中学生而言具有差异性影响.以“焦虑型”中学生作为参考，随“现居住地”由城市、乡镇到农村的变化，属于“微恐型”中学生的降低29.81%，即对应群体中高错失恐惧水平人员的占比有所上升.相关研究[2]发现，错失恐惧的新颖信息可细分为社交交往、新闻信息和商业信息，这三方面的信息都可通过网络实现.根据第47次《中国互联网络发展状况统计报告》[22]，截至2020年12月，我国网民规模为9.89亿，其中农村网民规模为3.09亿(31.3%)，10～19岁的青少年网民占13.5%.由此可见，居住在农村地区的中学生使用网络、社交媒体的概率很高.居住在农村地区的中学生有其独特的“痛点”——缺乏父母双亲的陪护及有效监管，这使得他们在社交媒体使用过程中比城镇中学生更易受到社交媒体的负面影响[23].研究表明，社交媒体使用强度较高的个体，错失恐惧感往往也较高，社交媒体使用将加剧个体错失恐惧水平[24-25]，且高错失恐惧者的基本心理需求往往没有得到满足[2].因此，随“现居住地”由城市、乡镇到农村的变化，高错失恐惧个体的占比有所上升，提示在筛选相关人群时，现居住地是一个重要的判断指标.无论是学校层面的积极引导、教师层面的细致把关、家长层面的耐心配合，还是学生自身层面的自我调节，都有助于降低个体错失恐惧水平.

综上所述，中学生错失恐惧存在两种潜在类别，分别为“微恐型”(62.30%)和“焦虑型”(37.70%).相对于“焦虑型”而言，随“现居住地”由城市、乡镇到农村的变化，属于“微恐型”中学生的发生比降低29.81%.