北京大学学报(自然科学版) 第62卷 第2期 2026年3月
Acta Scientiarum Naturalium Universitatis Pekinensis, Vol. 62, No. 2 (Mar. 2026)
doi: 10.13209/j.0479-8023.2026.018
教育部人文社会科学研究青年基金(23YJC190002)和中国博士后基金(2023M740281)资助
收稿日期: 2025–02–26;
修回日期: 2026–03–09
压力症状与应对方式网络分析:意义建构的适应性功能
王虹宇 1 文杰 2 甘怡群 3 雷秀雅 1 陈一笛 1,†
1.北京林业大学人文社会科学学院心理学系, 北京 100083; 2.北京大学医学人文学院医学心理学系, 北京 100191; 3.北京大学心理与认知科学学院, 行为与心理健康北京市重点实验室, 生物与机器智能教育部重点实验室, 北京 100871; †通信作者, E-mail: ydchen@bjfu.edu.cn
摘要 为探索大学生压力症状与应对方式的网络结构特征与核心变量, 采用问卷法对 248 名大学生的压力症状与压力应对进行调查, 使用 R 软件进行网络分析和可视化。结果表明, 意义建构在网络中的强度、中间中心度和接近中心度均高于其他节点, 有较高的预期影响, 说明意义建构具有适应性功能, 可以促进个体的压力应对, 减少压力相关的症状。研究结果可为制定大学生心理干预策略提供依据。
关键词 感知压力; 应对方式; 意义建构; 网络分析
1 理论框架与研究假设
压力是一种心理生理反应, 通常在个体感觉自身资源不足以成功地应对特定任务时产生[1]。大学生正处于从学校生活过渡到社会生活的关键时期, 压力是影响大学生心理健康的主要因素[2], 过度压力可能导致焦虑、抑郁、手机成瘾和学习成绩下降, 甚至自伤或自杀等严重的心理健康问题[3–5]。
心理健康的双因素模型[6]指出, 心理健康包括相互关联又独立的两个维度: 负性症状与幸福感。一方面, 抑郁和焦虑等负性情绪促使个体产生回避行为; 另一方面, 应激相关成长和生命意义感等积极结果可独立于负性症状而存在, 并预测更高水平的主观幸福感。据此, 本研究将压力结果区分为焦虑、抑郁等负性情绪与应激相关成长两个并行的核心指标, 前者反映痛苦程度, 后者衡量积极转化。
面对压力, 个体可以通过不同的应对策略和心理调整来影响健康行为。根据三元情感神经模型[7], 有 3 种方式可以改善压力应对结果。1)主动调节负面情绪, 降低消极情感状态(如积极偏向和应激心向)。积极偏向指个体接受外界刺激时表现出对刺激环境积极方面注意分配的变化[8], 与积极情绪和应激相关成长正相关[9]; 应激心向指个体在压力情境下持有的信念程度, 即认为压力对各种与压力相关的后果具有增强作用, 与心理症状、生活满意度和工作绩效相关[10]。2)增强积极心理资源, 提升积极情绪状态(如自我肯定)。自我肯定指当自我完整性受到威胁时, 通过肯定积极特质来降低防御反应的过程, 与个体的自尊水平有关, 能有效地缓解消极情绪[11]。3)促进自我超越体验(如意义建构)[7]。意义建构(meaning making)指个体从自身重大事件中主动寻求、建构并整合意义的过程[12], 核心在于对负性事件进行认知重评与价值转换, 从而实现从“被动承受”到“主动超越”的心理调适。研究表明, 意义建构不仅显著地预测大学生在应激情境下的生命意义感[13]与应激相关成长[14], 还能通过减少反刍, 缓解焦虑和抑郁等负性情绪[15–16]。
意义建构并非单独作用, 而是与自我肯定和积极偏向等变量在网络中发挥协同作用[17]: 积极偏向与意义建构均能正向预测应激相关成长, 通过促进对压力的积极再评估, 使得个体在困境中获得成长[9,14]; 自我肯定通过提升自尊, 帮助个体在压力情境中保持情绪稳定, 间接地提升个体的压力适应[11]。自我肯定有助于维持积极自我观, 积极偏向促进对逆境的积极信息加工, 二者共同为意义建构提供认知与情绪资源, 进而预测更高的应激相关成长与恢复力[17]。
个体的压力应对是一个复杂的过程, 需要全面评估压力应对方式与压力症状的关系, 为干预提供证据。尽管已有研究探讨了各类应对方式对压力适应的作用, 但缺乏对压力适应过程整体视角下多种症状与应对策略复杂关系的探究; 同时, 传统变量中心的方法(如回归分析和结构方程模型)难以揭示多变量间的关联模式, 无法识别最关键的干预靶点。网络分析是一种新兴的数据处理和可视化技术, 为精神病理学和健康心理学的研究提供了全新的视角。该方法认为不良心理状态是由不同因素之间复杂的因果相互作用引起的, 并且是一个动态发展的过程。若某个状态因为实验或自然干预而发生变化, 那么其他因素可能随之改变[18]。在网络分析中, 网络由节点和边组成, 其中节点代表症状, 两个节点之间的边则表示两种症状之间的关联[19]。通过探索不同症状之间的相互作用, 识别并确定网络中最具影响力的症状[20]。
基于上述背景, 本研究采用网络分析方法, 构建大学生压力症状与应对方式的整体网络模型, 重点检验意义建构能否作为核心节点来发挥适应性作用, 将积极情绪与应激相关成长等积极结果连接起来, 同时减少负性症状。本研究旨在回答两个核心问题: 1)在大学生压力症状与应对方式网络中, 哪些变量占据核心位置, 具有最高的中心性与影响力? 2)意义建构是否能作为核心节点来发挥适应性功能? 我们提出以下假设: 意义建构作为自我超越路径的核心机制, 是压力症状与应对方式网络的关键节点, 它通过整合积极偏向与自我肯定等资源, 与应激相关成长、积极情绪等正向指标显著正相关, 同时与焦虑、抑郁等消极症状负相关, 从而在压力适应中发挥“枢纽性”的适应性功能。
2 方法
2.1 被试
在江苏某高等职业院校通过课程招募被试, 知情同意后完成测量。完成测量后, 被试可以获得自己的心理健康测评报告。共招募有效被试 248 人, 其中男生 93 人, 女生 155 人, 平均年龄为 22.51± 6.30 岁。本研究已通过北京林业大学人类研究伦理委员会的审查。
2.2 量表工具
为了检验研究假设, 完整地覆盖压力感知、压力症状以及应对方式, 我们选取 3 类测量工具: 使用压力感知量表衡量压力感知; 使用流调抑郁量表、GAD-2 焦虑量表和国际积极–消极情绪量表短版(International Positive And Negative Affect Schedu-le Short-Form, I-PANAS-SF)测量情绪状态, 并使用应激相关成长量表测量压力后的症状和积极变化; 使用意义建构量表、自我肯定特质量表、自我肯定状态量表、积极偏向问卷和应激心向量表测量压力应对过程。
压力知觉量表简版(PSS-10) 中文版由杨廷忠等[21]基于 Cohen 等[22]的英文版量表修订。该量表由 10 个反映压力的紧张和失控感的问题构成, 采用5 点计分, 分数越高代表日常感知应激程度越高。本研究中, 量表的 Cronbach’s α系数为 0.88。
流调用抑郁量表(CES-D) 由美国国立精神卫生研究所流行病学研究中心 Radloff[23]编制, 共有20 个条目, 采用 4 点计分。CES-D 是目前在我国青少年中应用较为广泛的抑郁症状筛查量表, 显示出良好的信效度[24]。本研究中, 量表的 Cronbach’s α系数为 0.74。
GAD-2 焦虑量表 Kroenke 等[25]编制的广泛性焦虑障碍量表(2-item Generalized Anxiety Disorder, GAD-2)由两个问题(“感觉紧张、焦虑或急切”和“不能够停止或控制担忧”)构成, 采用 4 点计分, 分数越高代表焦虑水平越高。本研究中, 量表的 Cron-bach’s α系数为 0.84。
国际积极–消极情绪量表短卷版(I-PANAS-SF) 由 Thompson[26]编制, 由正负性各 5 个英文形容词构成, 是常见的主观短时情绪测量量表。本研究中, 消极和积极情绪的 Cronbach’s α系数均为 0.79。
应激相关成长量表 由 Park 等[27]编制并经 Li 等[28]改编, 包括 15 个条目, 用来测量个体经受压力事件之后的积极变化。采用 5 点计分, 1～5 分别为“非常不符合”到“非常符合”。本研究中, 量表的Cronbach’s α系数为0.92。
意义建构量表 由 van den Heuvel 等[29]编制, 包括 7 个条目, 反映个体在应对应激事件时意义建构的程度。采用 Likert 7 点计分, 1～7 分别为“非常不同意”到“非常同意”。分数越高, 意义建构的程度越高。本研究中, 量表的 Cronbach’s α系数为 0.73。
自我肯定特质量表 由 Pietersma 等[30]编制, 包括 7 道题目, 采用 5 点计分, 1～5 分别为“非常不符合”到“非常符合”, 分数越高, 自我肯定水平越高。本研究中, 量表的 Cronbach’s α系数为 0.88。
自我肯定状态量表 由 Taber 等[31]编制, 包括两道题目: “当我感到受到威胁或焦虑时, 我发现自己在思考我的价值”和“当我感到受到威胁或焦虑时, 我发现自己在思考我的优点”。采用 5 点计分, 1～5 分别为“非常不符合”到“非常符合”, 分数越高, 自我肯定水平越高。本研究中, 量表的 Cronbach’s α系数为 0.56。
积极偏向量表 使用吕遥迪等[8]于 2016 年修订的中文版积极/消极注意偏向量表(The attention to Positive and Negative Information Scale, APNI)。共有 19 个条目, 用于测査个体对积极信息的注意偏向, 采用 5 点计分。在本研究中, 该量表的 Cron-bach’s α系数为 0.94。
应激心向量表 Crum 等[10]于 2013 年编制的应激心向量表(Stress Mindset Measure, SMM)有 8 个题目, 由应激有利思维和应激有害思维两个维度构成。量表总分越高, 越倾向于应激有利思维。在本研究中, 量表的 Cronbach’s α系数为 0.88。
2.3 统计分析方法
网络分析不预设因果关系, 而是将各个心理变量视为相互影响的节点, 通过量化变量之间的关联强度来探讨整体结构特征, 更贴近应激应对的真实过程[18–19]。并且, 网络分析能够量化各节点(症状或应对方式)在整体结构中的相对重要性, 识别核心干预靶点, 有助于为后续干预提供更加明确的方向[20]。本研究采用网络分析方法构建大学生压力症状与应对方式网络, 计算各节点的中心性指标, 并检验网络的准确性和稳定性。所有网络分析与可视化过程均在 RStudio 中完成。
2.3.1 网络结构分析
使用高斯图形模型(gaussian graphical model, GGM)进行网络建构, 即在控制其他节点影响的前提下, 计算两节点之间的皮尔逊相关系数, 即偏相关系数(rp)。该模型基于扩展贝叶斯信息准则(ex-tended Bayes information criterion, EBIC), 采用图形最小绝对收缩和选择算子(least absolute shrinkage and selection operator, LASSO), 将弱相关收缩到零, 生成基于 EBIC 的 GLASSO 网络[32], 从而增加网络的简洁性和可解释性。网络结构的可视化利用R 中的 qgraph 程序包实现。
为了衡量网络中各个变量的重要性, 使用 R 中的 qgraph 程序包计算变量的中心性。具体而言, 我们计算强度中心性(strength, 连接到每个节点的绝对边权重的总和)、中间中心性(betweenness, 一个节点位于其他节点之间最短路径上的频率)、接近中心性(closeness, 一个节点与网络中所有其他节点距离之和的倒数)和预期影响(expected influence, 连接到一个节点的所有偏相关系数之和)4 个指标[33]。本文的中心性指标均进行标准化处理。
2.3.2 网络稳定性分析
使用 R 中的 bootnet 程序包评估网络的稳定性和准确性。首先, 使用 1000 次有放回的非参数抽样(nonparametric bootstrapping)程序估计边缘稳定性, 采用自抽样置信区间来衡量边的准确性。然后, 使用样本删除抽样(case-dropping bootstrap)测量中心性指标(强度)的稳定性, 通过对保留 5%～90%原始数据的子集进行重复重采样来估计网络, 并为每个网络生成相关稳定性(CS)系数。CS 系数表示在95%的概率下, 可以从数据中删除的估计最大样本数, 使得基于原始网络的统计量与使用较少样本计算的统计量之间的相关性至少为 0.7[34]。
3 结果
3.1 共同方法偏差检验
采用 Harman 单因素检验法进行共同方法偏差检验, 结果显示, 最大因子解释的变异量为 29.87% (小于 40%), 表明不存在明显的共同方法偏差。
3.2 描述性统计和相关性分析
各量表得分如表 1 所示。对各压力症状与应对进行相关分析, 发现各因素间均显著相关, 因此可用网络分析对变量间关系进行进一步的探究。
3.3 网络连接结构特征分析
压力症状与应对网络结构如图 1 所示, 相关系数列于表 2。网络中连接最强的边为焦虑和抑郁(GAD-DEP, rp=0.383)、积极偏向和应激相关成长(PB-SRG, rp=0.320)、消极情绪和焦虑(NEG-GAD, rp=0.317)以及消极情绪和感知压力(NEG-CPSS, rp= 0.293)。此外, 网络中意义建构与积极情绪、积极偏向、应激相关成长、自我肯定特质和应激成长思维均正相关(rp为 0.043～0.292), 与感知压力负相关。感知压力与消极情绪、焦虑与抑郁均正相关, 与积极情绪和积极偏向均负相关。
3.4 准确性和稳定性分析
通过计算 95%置信区间的 CI 评估边权值的准确性, 结果如图 2 所示。在大多数估计的边权周围, CI 值较小, 表明网络准确性较高。网络稳定性分析结果如图 3 所示, 采用样本删除自助法(case-drop-ping bootstrap)评估中心性指标的稳定性。结果显示, 节点强度(strength)中心性具有极高的相关稳定性(CS=0.71), 表明即使随机删除约 71%的样本, 其中心性排序仍然能在 95%的重复抽样中保持与原始网络高度相关(r≥0.7)。依据网络稳定性的判断标准[34], 强度(strength)中心性是稳健且可靠的, 后续结果解释均基于该指标。
3.5 网络中心性特征分析
节点的强度中心性、中间中心性以及接近中心性分析结果如图 4 所示。强度中心度最高的项目为意义建构(strength=0.887)和感知压力(strength= 0.761), 中间中心度最高的项目为感知压力(between-ness=2.257), 接近中心度最高的项目为意义建构(closeness=1.435)。网络中的抑郁(expected influence =1.429)、焦虑(expected influence=0.911)和积极偏向(expected influence=0.758)的预期影响最高。
综合来看, 意义建构和感知压力是网络中的核心节点。意义建构的强度中心度(strength=0.887)和接近中心度(closeness=1.435)均高于其他节点, 表明其在网络中具有广泛的直接连接和较短的平均路径长度。意义构建的中间中心度亦处于较高水平, 提示其在连接网络中不同模块或症状群之间可能发挥着重要的桥梁作用。此外, 意义建构的预期影响(expected influence=0.614)较高, 进一步说明其在整个网络中具有显著的影响力, 能够通过与其他变量的广泛正向关联(如积极情绪、积极偏向和应激相关成长等), 促进适应性应对过程。感知压力则中间中心度最高(betweenness=2.257), 表明其在不同压力症状之间的路径中频繁出现, 是症状网络中关键的传导节点。
表1 各量表得分描述统计与相关性分析结果
Table 1 Descriptive statistics and correlation analysis of scale scores
变量M±SDCPSSSDSDSMMPBSMGADDEPNEGPOS CPSS2.54±0.60 SD3.38±0.66−0.46** SDS2.17±0.560.18**−0.23** MM5.05±0.76−0.48**0.52**−0.15* PB3.89±0.60−0.51**0.63**−0.20**0.62** SM3.41±0.75−0.33**0.42**−0.14*0.55**0.44** GAD1.82±0.590.65**−0.36**0.11−0.22**−0.29**−0.25** DEP1.72±0.600.59**−0.37**0.20**−0.25**−0.33**−0.26**0.72** NEG1.96±0.660.63**−0.24**0.19**−0.13*−0.25**−0.15*0.70**0.66** POS3.06±0.80−0.51**0.54**−0.17**0.58**0.58**0.42**−0.32**−0.37**−0.20** SRG4.01±0.50−0.45**0.59**−0.24**0.52**0.67**0.41**−0.27**−0.33**−0.25**0.57**
说明: CPSS为感知压力, SD为自我肯定特质, SDS为自我肯定状态, MM为意义建构, PB为积极偏向, SM为应激成长思维积极维度, GAD为焦虑, DEP为抑郁, NEG为消极情绪, POS为积极情绪, SRG为应激相关成长, 下同; *p < 0.05, **p < 0.01。
表2 网络中各变量的相关性
Table 2 Correlations among variables in the network
变量CPSSSDSDSMMPBSMGADDEPNEGPOS SD−0.026 SDS 0.000−0.067 MM−0.163 0.073 0.000 PB−0.101 0.242 0.0000.233 SM 0.000 0.083 0.0000.2920.039 GAD 0.226−0.035 0.0000.0000.000−0.010 DEP 0.084−0.059 0.0340.0000.000−0.0240.383 NEG 0.293 0.000 0.0490.1000.000 0.0000.317 0.256 POS−0.152 0.123 0.0000.2040.100 0.0630.000−0.0500.034 SRG−0.033 0.192−0.0900.0430.320 0.0630.000−0.0120.0000.184
4 讨论
在本研究构建的大学生压力症状与应对网络中, 感知到的压力与消极情绪、焦虑和抑郁正相关, 与积极情绪和积极偏向负相关。这与以往的研究结果相符, 即感知到的压力水平越高, 个体的焦虑和抑郁程度也越严重[35]。同时, 意义建构作为核心, 与积极情绪、积极偏向、应激相关成长、自我肯定特质和应激成长思维等因素正相关, 与感知压力负相关。本研究的结果验证了所提假设, 并与以往的研究结果[14–16]一致。无论在社会压力事件、应激或是重大疾病的影响下, 个体均可以通过意义建构, 改变对消极事件的看法, 提高积极情绪[15–16], 并伴随着意义寻求感和应激相关成长的提高[14]。
意义建构在压力与应对网络中起到核心作用, 在症状间发挥积极的连接功能。具体而言, 当个体遭遇压力情境时, 他们对情境的理解可能与他们对生活中更广泛意义的认识发生冲突, 这种冲突会促使个体重新评估当前情境的意义, 从不同的角度看待挑战, 从而引发积极的改变和结果[36–37]。因此, 意义建构有助于个体更有效地应对压力情境, 减少痛苦[38], 并且可以作为应激相关成长的中介因素,与自尊、主观幸福感等积极结果相关[14]。这说明当个体遇到压力情境时, 可以通过意义建构的方式, 不仅能够有效地缓解负面情绪, 还能激活积极心理资源, 从“被动应对”转向“主动成长”。这验证了以往的研究, 通过个体对压力事件的意义建构, 不仅能显著地降低抑郁、焦虑等负性情绪, 还能提升正性情绪与主观幸福感[36]。功能磁共振成像(fMRI)研究结果进一步显示, 意义建构在应激情境下与应激相关成长显著正相关, 且这种关系以默认模式网络(default mode network, DMN)激活下降为中介[14]。由此可见, 个体在压力中通过意义建构, 削弱了与DMN 通路相关的非适应性反思, 从而实现从“被动应对”向“主动成长”的转化。
从三元情感神经模型的视角看, 这一发现为其“自我超越”路径提供了证据。该模型指出, 降低负面情绪、增强积极情绪与促进自我超越三者并行, 可共同改善压力应对结果[7]。本研究结果显示, 意义建构在网络中的强度、接近中心性与预期影响均最高, 表明其不仅能够直接缓冲负性情绪, 还整合积极偏向与自我肯定提供的认知–情绪资源, 最终产生应激相关成长的积极结果。换言之, 意义建构能够通过下调 DMN 反刍, 把即时情绪调节与长期成长目标连接起来, 从而发挥枢纽性的适应性功能。同时, 上调奖赏网络的自我肯定方法可以作为积极资源补充意义建构的功能。
因此, 意义建构的适应性功能不仅体现在个体层面的心理恢复, 更体现在整个压力应对网络结构中的功能整合与调节作用。将意义建构作为干预靶点, 帮助大学生在压力事件中主动建构意义, 能够在减轻负性情绪的同时提升成长体验, 从而促进心理健康。
本研究从网络分析视角探究压力应对机制, 为相关领域的理论研究和实践应用提供了新的实证参考。在理论方面, 首先, 本研究揭示了意义建构在压力应对过程中的适应性功能和作用机制。以往研究多将意义建构视为简单的中介变量, 本研究则发现它在网络中同时发挥“缓解负面情绪”和“整合积极资源”的双重功能, 明确了其作为“枢纽”的独特角色。第二, 本研究为三元情感神经模型提供了实证支持。该模型提出 3 条改善压力应对的路径[7], 本研究发现意义建构的网络中心性最强, 说明自我超越这条路径在实际压力应对中可能最关键, 为理解三元情感神经模型提供了新证据。最后, 本研究丰富了心理健康双因素模型的研究视角。传统的研究常把压力下的负性症状和积极变化分开来看, 本研究构建的网络则显示, 两者并非各自独立, 而是通过意义建构这样的枢纽变量联系在一起。在实践方面, 本研究的结果为促进大学生心理健康提供启示, 通过增强个人资源和促进意义建构, 可以帮助个体更好地应对压力事件, 并从中获得成长。
本研究具有一定的局限性。由于本研究是横断面研究, 无法捕捉网络中各个节点随时间变化的动态过程; 同时, 构建的压力症状与应对网络为无向网络, 无法确定网络中边的方向, 也无法得出各变量之间的因果关系。未来的研究中可以通过收集时间序列数据或进行干预研究来进一步探讨意义建构、压力应对以及心理健康之间的相互作用和因果关系。
5 结论
在压力症状与应对网络结构中, 意义建构和感知压力是网络的核心, 对各个节点均有较高的预期影响。大学生的意义建构与积极情绪、积极偏向、应激相关成长、自我肯定特质和应激成长思维均正相关, 而与感知压力负相关。
参考文献
[1] Lazarus R S, Folkman S. Personal control and stress and coping processes: a theoretical analysis. Journal of Personality and Social Psychology, 1984, 49(4): 839–852
[2] Maykrantz S A, Houghton J D. Self-leadership and stress among college students: examining the modera-ting role of coping skills?. Journal of American College Health, 2018, 68(1): 89–96
[3] 秦鹏飞, 赵守盈, 李大林, 等. 压力知觉对大学生手机成瘾的影响: 自我控制和学习倦怠的序列中介效应. 心理科学, 2020, 43(5): 1111–1116
[4] 刘莎, 陈雅妮. 大学生感知压力与手机依赖: 孤独感的中介作用与性别的调节作用. 心理研究, 2020, 13(6): 551–558
[5] 麻超, 汪雪, 王瑞, 等. 心理资本对大学生压力知觉的影响: 认知重评的中介效应和表达抑制的遮掩效应. 中国健康心理学杂志, 2024, 32(1): 131–138
[6] Magalhaes E. Dual-factor models of mental health: a systematic review of empirical evidence. Intervención Psicosocial, 2024, 33(2): 89–102
[7] Tabibnia G. An affective neuroscience model of boos-ting resilience in adults. Neuroscience and Biobeha-vioral Reviews, 2020, 118: 321–350
[8] 吕遥迪, 郭江, 张雨青. 中文版积极/消极注意偏向量表的初步修订. 中国临床心理学杂志, 2016, 24 (5): 861–864
[9] Chan M W C, Ho S M Y, Tedeschi R G, et al. The valence of attentional bias and cancer-related rumina-tion in posttraumatic stress and posttraumatic growth among women with breast cancer. Psycho-Oncology, 2011, 20(5): 544–552
[10] Crum A J, Salovey P, Achor S. Rethinking stress: the role of mindsets in determining the stress response. Journal of Personality and Social Psychology, 2013, 104(4): 716–733
[11] Walton G M, Wilson T D. Wise interventions: psycho-logical remedies for social and personal problems. Psy-chological Review, 2018, 125(5): 617–655
[12] McLean K C, Breen A V. Processes and content of nar-rative identity development in adolescence: gender and well-being. Developmental Psychology, 2009, 45(3): 702–710
[13] 阳光耀, 陈一笛. 应激与生命意义感的曲线关系: 基于意义建构视角. 中国临床心理学杂志, 2024, 32 (3): 645–649
[14] Chen Y, Ma J, Zhu H, et al. The mediating role of default mode network during meaning-making aroused by mental simulation between stressful events and stress-related growth: a task fMRI study. Behavioral and Brain Functions, 2023, 19(1): 12
[15] Milman E, Lee S A, Neimeyer R A, et al. Modeling pandemic depression and anxiety: the mediational role of core beliefs and meaning making. Journal of Affec-tive Disorders Reports, 2020, 3: 100023
[16] Krok D, Zarzycka B, Telka E, et al. Risk of contracting COVID-19, personal resources and subjective well-being among healthcare workers: the mediating role of stress and meaning-making. Journal of Clinical Medi-cine, 2021, 10(1): 132–132
[17] Gan Yiqun, Huang Huiqing, Wu Xuebing, et al. What doesn’t kill us makes us stronger: insights from neuros-cience studies and molecular genetics. Current Opinion in Behavioral Sciences, 2024, 59: 101431
[18] Borsboom D, Cramer A O J. Network analysis: an integrative approach to the structure of psychopa-thology. Annual Review of Clinical Psychology, 2013, 9: 91–121
[19] Xu X, Xie T, Zhou N, et al. Network analysis of PGD, PTSD, and insomnia symptoms in Chineseshidu pa-rents with PGD. European Journal of Psychotrauma-tology, 2022, 13(1): 2057674
[20] van der Hallen R, Jongerling J, Godor B P. Coping and resilience in adults: a cross-sectional network analysis. Anxiety, Stress, and Coping, 2020, 33(5): 479–496
[21] 杨廷忠, 黄汉腾. 社会转型中城市居民心理压力的流行病学研究. 中华流行病学杂志, 2003, 24(9): 11–15
[22] Cohen S, Kamarck T, Mermelstein R. A global measure of perceived stress. Journal of Health and Social Be-havior, 1983, 24(4): 385–396
[23] Radloff L S. The CES-D scale: a self-report depression scale for research in the general population. Applied Psychological Measurement, 1977, 1(3): 385–401
[24] 杨文辉, 熊戈. 常用抑郁量表筛查我国青少年抑郁的效度和划界分. 中国临床心理学杂志, 2016, 24 (6): 1010–1015
[25] Kroenke K, Spitzer R L, Williams J B, et al. Anxiety disorders in primary care: prevalence, impairment, comorbidity, and detection. Ann Intern Med, 2007, 146: 317–325
[26] Thompson E R. Development and validation of an internationally reliable short-form of the positive and negative affect schedule (PANAS). Journal of Cross-Cultural Psychology, 2007, 38(2): 227–242
[27] Park C L, Cohen L H, Murch R L. Assessment and prediction of stress-related growth. Journal of Persona-lity, 1996, 64(1): 71–105
[28] Li T, Wang S W, Zhou J J, et al. Psychometric properties of the Chinese version of the stress-related growth scale: short form in undergraduate nursing stu-dents. Nursing & Health Sciences, 2018, 20(4): 509–515
[29] van den Heuvel M, Demerouti E, Schreurs B H J, et al. Does meaning-making help during organizational change? Development and validation of a new scale. Career Development International, 2009, 14(6/7): 508–533
[30] Pietersma S, Dijkstra A. Cognitive self-affirmation in-clination: an individual difference in dealing with self‐threats. The British Journal of Social Psychology, 2012, 51(1): 33
[31] Taber J M, Howell J L, Emanuel A S, et al. Associations of spontaneous self-affirmation with health care ex-periences and health information seeking in a national survey of US adults. Psychology & Health, 2016, 31(3): 292–309
[32] Costantini G, Epskamp S, Borsboom D, et al. State of the art personality research: a tutorial on network ana-lysis of personality data in R. Journal of Research in Personality, 2015, 54: 13–29
[33] Epskamp S, Fried E I. A tutorial on regularized partial correlation networks. Psychological Methods, 2018, 23(4): 617–634
[34] Epskamp S, Waldorp L J, Mõttus R, et al. The Gaussian graphical model in cross-sectional and time-series data. Multivariate Behavioral Research, 2018, 53(4): 453–480
[35] 许文浩, 王路斌, 邱井健, 等. 负性生活事件对在校生抑郁症状的影响: 感知压力和心理弹性的链式中介作用. 心理月刊, 2023, 18(16): 67–70
[36] Park C L. Making sense of the meaning literature: an integrative review of meaning making and its effects on adjustment to stressful life events. Psychological Bulletin, 2010, 136(2): 257–301
[37] Maffly-Kipp M J, Flanagan P, Kim J, et al. Meaning-making, psychological distress, and the experience of meaning in life following a natural disaster. Social Psychological and Personality Science, 2021, 12(5): 812–820
[38] Weinstock M W, Moyer S, Jallo N, et al. Perinatal meaning-making and meaning-focused coping in the COVID-19 pandemic. Journal of Reproductive and Infant Psychology, 2024, 42(5): 896–914
Network Analysis of Stress Symptoms and Coping Strategies:The Adaptive Function of Meaning Making
WANG Hongyu1, WEN Jie2, GAN Yiqun3, LEI Xiuya1, CHEN Yidi1,†
1. Department of Psychology, School of Humanities and Social Sciences, Beijing Forestry University, Beijing 100083; 2. Department of Medical Psychology, School of Health Humanities, Peking University, Beijing 100191; 3. School of Psychological and Cognitive Sciences, Beijing Key Laboratory of Behavior and Mental Health, Key Laboratory of Machine Perception (Ministry of Education), Peking University, Beijing 100871; † Corresponding author, E-mail: ydchen@bjfu.edu.cn
Abstract To explore the network structure characteristics and core variables of college students’ stress symptoms and coping strategies, we conducted a survey on stress symptoms and coping strategies among 248 college students using a questionnaire. Network analysis and visualization were performed with R software. The results revealed that meaning making had higher strength, betweenness centrality, and closeness centrality in the network than other nodes, indicating a significant expected influence, suggesting that meaning construction has an adaptive function, which can promote individual stress coping and reduce stress-related symptoms. These findings provide a basis for developing relevant intervention strategies for college students.
Key words perceived stress; coping strategies; meaning making; network analysis
