● 王亞寧

研究緣起

社交焦慮是焦慮情緒中的常見(jiàn)類型，是社交情境中較多出現(xiàn)的心理狀態(tài)。本文將社交焦慮界定為個(gè)體因人際傳播、社交活動(dòng)而感受到的不安、緊張、害怕、恐懼等不同程度的復(fù)雜情緒，是一種負(fù)性情緒狀態(tài)，而非心理疾病。Alkis 等多位土耳其學(xué)者在梳理已有社交焦慮量表基礎(chǔ)上，依次完成深度內(nèi)容分析→專家審查→探索性因子分析→驗(yàn)證性因子分析等多個(gè)步驟，最終建立起一個(gè)由4 個(gè)維度、21 項(xiàng)測(cè)量題目構(gòu)成的社交媒體用戶社交焦慮量表（以下稱“SAS-SMU”）。[1]他們?cè)谕炼鋰?guó)內(nèi)進(jìn)行數(shù)據(jù)驗(yàn)證，經(jīng)過(guò)嚴(yán)苛的翻譯程序?qū)⒘勘碜g成英文。本文以英文版為藍(lán)本，將量表引入中國(guó)社交媒體用戶社交焦慮的測(cè)量中，在一手?jǐn)?shù)據(jù)支持下檢驗(yàn)量表在本土社交媒體語(yǔ)境中的適用性。

研究設(shè)計(jì)

微信是我國(guó)用戶規(guī)模最大、日活最高的社交媒體，構(gòu)建了“二十四小時(shí)在線”與快速回復(fù)的新社交文化。本研究針對(duì)微信建立的強(qiáng)關(guān)系社交媒體平臺(tái)設(shè)計(jì)問(wèn)卷、收集數(shù)據(jù)，以驗(yàn)證SAS-SMU 在該平臺(tái)的適用性。

1.問(wèn)卷調(diào)查

本研究通過(guò)網(wǎng)絡(luò)調(diào)查共回收414 份問(wèn)卷，有效問(wèn)卷404 份。其中，女性占74.5%，年齡分布以26-35 歲為主，占總樣本量的58.42%，18-25 歲的占29.46%，36-45 歲的占10.15%；碩士研究生及以上占比最大（50.25%），大學(xué)本科占36.14%；收入在3001-5000 元之間的占比（20.79%）最大，5001-8000 元的占比為17.82%。

2.微信用戶的社交焦慮量表

社交焦慮以研究者對(duì)該問(wèn)題在實(shí)踐中的測(cè)量與量表的發(fā)展、驗(yàn)證進(jìn)入學(xué)術(shù)研究領(lǐng)域，很多心理學(xué)研究者因應(yīng)時(shí)代變遷與現(xiàn)實(shí)環(huán)境而發(fā)展與修訂前人的量表。

面對(duì)面交往語(yǔ)境中已有諸多學(xué)者發(fā)展了不同場(chǎng)景的社交焦慮量表，常用的有社交焦慮回避與苦惱和負(fù)性評(píng)價(jià)恐懼、負(fù)性評(píng)價(jià)量表簡(jiǎn)表、Liebowitz 社交焦慮量表、社交焦慮量表（SIAS）與社交恐懼量表（SPS）。

隨著移動(dòng)社交媒體加入社交活動(dòng)中，Alkis 等人在此基礎(chǔ)上編制了適用于測(cè)量社交媒體用戶的社交焦慮水平的量表。本研究引入該量表時(shí)，根據(jù)微信平臺(tái)的特點(diǎn)與研究目的做了適應(yīng)性調(diào)整。

首先，將SAS-SMU 英文版翻譯成中文，并根據(jù)微信社交語(yǔ)境進(jìn)行調(diào)整。如將“我擔(dān)心給別人留下負(fù)面印象”修改為“我擔(dān)心發(fā)朋友圈給別人留下負(fù)面印象”。

其次，增三題，刪一題。增刪題目參考了面對(duì)面交往中常用的社交焦慮量表、微信用戶日常使用經(jīng)驗(yàn)以及探索性研究時(shí)的用戶訪談。增加題目為：“我跟領(lǐng)導(dǎo)、老師等人交流時(shí)不會(huì)緊張”（反向題）、“我和異性聊天會(huì)很緊張”、“當(dāng)我必須在微信群發(fā)言時(shí)會(huì)緊張”。刪除題目為“我擔(dān)心別人不贊成我的行為”。

最后，設(shè)置反向題。將原來(lái)量表“我擔(dān)心人們對(duì)我的評(píng)價(jià)差”轉(zhuǎn)為反向題。由此，形成本次微信用戶社交焦慮量表的23 個(gè)測(cè)量語(yǔ)句。

SAS-SMU 的信效度分析

本研究從總樣本中隨機(jī)抽取202 份樣本，使用SPSS26 進(jìn)行量表信效度和探索性因子分析。其余200 份樣本完成驗(yàn)證性因子分析。

首先對(duì)SAS-SMU 做信度檢驗(yàn)。23 個(gè)語(yǔ)句信度分析所得Cronbach’α 為0.924。信度分析結(jié)果顯示，“刪除項(xiàng)后的Cronbach’α”系數(shù)會(huì)再次提升。據(jù)此結(jié)果，刪除兩個(gè)反向題后，信度系數(shù)提升到0.935。

1.探索性因子分析

信度分析后，采用主成分對(duì)剩余21 個(gè)語(yǔ)句做探索性因子分析，所得KMO 值為0.906，Bartlett 球形檢驗(yàn)的χ2值為3315.938（df=210），達(dá)到顯著性水平（P=0.000<0.001）。該量表的KMO 值、Bartlett 球形檢驗(yàn)數(shù)據(jù)都顯著好于臨界值，說(shuō)明適合做因子分析。

因子分析得到的旋轉(zhuǎn)矩陣將量表的21 個(gè)語(yǔ)句分為三個(gè)成分，即微信用戶社交焦慮的三維度。與原量表相比，本次調(diào)查的微信用戶將原本自我評(píng)價(jià)焦慮的“我擔(dān)心發(fā)朋友圈給別人留下負(fù)面印象”“我對(duì)不能滿足人們的期望感到焦慮”納入內(nèi)容分享焦慮中。從測(cè)量語(yǔ)句看，這兩項(xiàng)在Alkis 等人設(shè)計(jì)的量表中重點(diǎn)評(píng)估用戶處理社交中負(fù)面評(píng)價(jià)時(shí)的焦慮情緒。而在微信語(yǔ)境下，用戶把評(píng)估重點(diǎn)放在了可能帶來(lái)負(fù)面評(píng)價(jià)的行為上。學(xué)者研究發(fā)現(xiàn)，微信用戶使用朋友圈時(shí)，自我評(píng)價(jià)焦慮會(huì)對(duì)內(nèi)容分享焦慮產(chǎn)生正向影響。[2]

綜上，微信用戶社交焦慮由21 個(gè)語(yǔ)句組成，分為三個(gè)測(cè)量維度：內(nèi)容分享焦慮（SCA）、互動(dòng)焦慮（IA）和隱私關(guān)注焦慮（PCA）。與原量表相比少了自我評(píng)價(jià)焦慮（SEA），因該維度經(jīng)過(guò)探索因子分析后還剩余兩個(gè)題項(xiàng)，且全部被劃分到內(nèi)容分享焦慮。

2.驗(yàn)證性因子分析

探索性因子完成后，通過(guò)Amos 26 進(jìn)行驗(yàn)證性因子分析，以評(píng)價(jià)量表的擬合優(yōu)度。首先，將探索性因子分析劃出的三個(gè)因子的所有語(yǔ)句納入相應(yīng)測(cè)量維度中，采用最大似然法分析三因子（SCA、IA、PCA）間的相關(guān)性。將全部21 個(gè)測(cè)量語(yǔ)句分析結(jié)果與模型擬合優(yōu)度常用指標(biāo)臨界值進(jìn)行對(duì)比發(fā)現(xiàn)，只有CFI=0.911 略大于臨界值0.9，滿足擬合優(yōu)度指標(biāo)要求，其他指標(biāo)均不滿足，具體地，χ2/df=3.879 ＞3，NFI=0.881 ＜0.9，TLI=0.899 ＜0.9，RMSEA=0.086 ＞0.08，說(shuō)明該模型的擬合程度不理想。

鑒于此，在該模型擬合基礎(chǔ)上進(jìn)行模型修正。首先將標(biāo)準(zhǔn)化估計(jì)下各個(gè)維度相應(yīng)項(xiàng)目因子載荷小于0.6 或SMC 值小于0.36 的項(xiàng)目逐步刪除，即載荷系數(shù)越小的越先刪除，每刪除一項(xiàng)，檢查一次擬合優(yōu)度指標(biāo)。此過(guò)程刪除IA9，所 得χ2/df=3.849，NFI=0.892，TLI=0.906，RMSEA=0.085，CFI=0.918。此次模型擬合的各項(xiàng)指標(biāo)均有優(yōu)化，但依然未通過(guò)擬合度臨界值要求，需繼續(xù)修正模型。

第二次模型修正以修正指標(biāo)（Modification Indices）結(jié)果為依據(jù)，根據(jù)不同題項(xiàng)、殘差相互之間的相關(guān)度高低，對(duì)影響模型擬合度較大的測(cè)量題項(xiàng)進(jìn)行逐次刪減。每刪減一個(gè)題項(xiàng)，都將模型擬合優(yōu)度指標(biāo)數(shù)值與臨界值做比較，直至實(shí)現(xiàn)較好的擬合優(yōu)度結(jié)果。本次修正過(guò)程中，依次刪除了PCA1、IA1、SCA1、SCA2、IA5。最終，所得模型擬合優(yōu)度指數(shù)為：χ2/df=1.753 ＜2，CFI=0.982 ＞0.95，NFI=0.960 ＞0.95，TLI=0.979 ＞0.95，RMSEA=0.044 ＜0.05，即顯示模型擬合良好。

接著，對(duì)CFA 模型各因子下所對(duì)應(yīng)測(cè)量題項(xiàng)的內(nèi)部一致性進(jìn)行檢驗(yàn)，即因子收斂效度分析，以判斷實(shí)際測(cè)量時(shí)各題項(xiàng)是不是確實(shí)落在同一因子項(xiàng)下。因子收斂效度分析常用指標(biāo)有兩個(gè)：平均方差提取值（AVE）和建構(gòu)信度(CR)。AVE 數(shù)值用來(lái)說(shuō)明每一個(gè)因子所解釋的方差中有多少是來(lái)自該因子中的所有題目，當(dāng)AVE ＞0.5 時(shí)說(shuō)明收斂效度較好。CR 體現(xiàn)每個(gè)潛變量中所有題目是不是一致性地解釋該因子，當(dāng)CR ＞0.7 時(shí)說(shuō)明該因子具有較好的建構(gòu)信度。[3]各個(gè)因子的AVE 值、CR 值均達(dá)到臨界值要求，表明各因子具有良好的收斂效度。

除同一因子內(nèi)部測(cè)量題項(xiàng)的收斂效度驗(yàn)證外，還要進(jìn)行不同因子間區(qū)別效度分析，目的在于檢驗(yàn)不同測(cè)量維度間是否存在顯著差異性。該分析使用AVE 根號(hào)值和其他相關(guān)維度的相關(guān)系數(shù)進(jìn)行對(duì)比，即某因子的AVE 根號(hào)值比“該因子與其他因子的相關(guān)系數(shù)最大值”都大時(shí)，說(shuō)明該因子內(nèi)部相關(guān)性大于外部相關(guān)性，亦即該因子與其他因子可有效區(qū)分。根據(jù)計(jì)算發(fā)現(xiàn)IA 的AVE 根號(hào)值為0.795，PCA 的AVE 根號(hào)值為0.826，SCA 的AVE根號(hào)值為0.787，這三個(gè)值均大于相應(yīng)因子與其他因子的相關(guān)系數(shù)，也就是說(shuō)各因子的內(nèi)部相關(guān)性遠(yuǎn)大于外部相關(guān)性，即具有良好的區(qū)別效度。

至此，本研究完成了Alkis 等人發(fā)展的社交媒體用戶社交焦慮量表在中國(guó)強(qiáng)社交媒體語(yǔ)境中的驗(yàn)證與修訂，說(shuō)明了其在微信平臺(tái)上的應(yīng)用性與不適之處。

結(jié) 語(yǔ)

本研究參考Alkis 等人編制的社交媒體用戶社交焦慮量表，在中國(guó)強(qiáng)關(guān)系社交媒體語(yǔ)境下進(jìn)行量表檢驗(yàn)。經(jīng)過(guò)探索性—驗(yàn)證性因子分析得到適用于微信用戶的社交焦慮測(cè)量量表，該量表共15 個(gè)題項(xiàng)，分三個(gè)維度：內(nèi)容分享焦慮、互動(dòng)焦慮和隱私關(guān)注焦慮。

值得注意的是，問(wèn)卷中的兩個(gè)反向題在因子分析階段未達(dá)到臨界值要求，按照操作規(guī)則刪除。反思這兩題未達(dá)標(biāo)原因，可能是在微信用戶對(duì)這兩種情形感知確實(shí)不明顯，也可能是網(wǎng)絡(luò)調(diào)查本身特點(diǎn)所致。網(wǎng)絡(luò)調(diào)查以用戶自評(píng)方式填答，沒(méi)有受訪員在一旁監(jiān)督和提醒，這種情況下填答者很容易忽略反向題的描述方式，而依然按照正向描述作答，從而影響分析結(jié)果。未來(lái)研究中設(shè)置反向題時(shí)應(yīng)從被調(diào)查者的角度審慎考慮，力求填答者的便利性和數(shù)據(jù)結(jié)果的精準(zhǔn)性。