社交媒体用户社交焦虑量表的检验

● 王亚宁

研究缘起

社交焦虑是焦虑情绪中的常见类型，是社交情境中较多出现的心理状态。本文将社交焦虑界定为个体因人际传播、社交活动而感受到的不安、紧张、害怕、恐惧等不同程度的复杂情绪，是一种负性情绪状态，而非心理疾病。Alkis 等多位土耳其学者在梳理已有社交焦虑量表基础上，依次完成深度内容分析→专家审查→探索性因子分析→验证性因子分析等多个步骤，最终建立起一个由4 个维度、21 项测量题目构成的社交媒体用户社交焦虑量表（以下称“SAS-SMU”）。[1]他们在土耳其国内进行数据验证，经过严苛的翻译程序将量表译成英文。本文以英文版为蓝本，将量表引入中国社交媒体用户社交焦虑的测量中，在一手数据支持下检验量表在本土社交媒体语境中的适用性。

研究设计

微信是我国用户规模最大、日活最高的社交媒体，构建了“二十四小时在线”与快速回复的新社交文化。本研究针对微信建立的强关系社交媒体平台设计问卷、收集数据，以验证SAS-SMU 在该平台的适用性。

1.问卷调查

本研究通过网络调查共回收414 份问卷，有效问卷404 份。其中，女性占74.5%，年龄分布以26-35 岁为主，占总样本量的58.42%，18-25 岁的占29.46%，36-45 岁的占10.15%；硕士研究生及以上占比最大（50.25%），大学本科占36.14%；收入在3001-5000 元之间的占比（20.79%）最大，5001-8000 元的占比为17.82%。

2.微信用户的社交焦虑量表

社交焦虑以研究者对该问题在实践中的测量与量表的发展、验证进入学术研究领域，很多心理学研究者因应时代变迁与现实环境而发展与修订前人的量表。

面对面交往语境中已有诸多学者发展了不同场景的社交焦虑量表，常用的有社交焦虑回避与苦恼和负性评价恐惧、负性评价量表简表、Liebowitz 社交焦虑量表、社交焦虑量表（SIAS）与社交恐惧量表（SPS）。

随着移动社交媒体加入社交活动中，Alkis 等人在此基础上编制了适用于测量社交媒体用户的社交焦虑水平的量表。本研究引入该量表时，根据微信平台的特点与研究目的做了适应性调整。

首先，将SAS-SMU 英文版翻译成中文，并根据微信社交语境进行调整。如将“我担心给别人留下负面印象”修改为“我担心发朋友圈给别人留下负面印象”。

其次，增三题，删一题。增删题目参考了面对面交往中常用的社交焦虑量表、微信用户日常使用经验以及探索性研究时的用户访谈。增加题目为：“我跟领导、老师等人交流时不会紧张”（反向题）、“我和异性聊天会很紧张”、“当我必须在微信群发言时会紧张”。删除题目为“我担心别人不赞成我的行为”。

最后，设置反向题。将原来量表“我担心人们对我的评价差”转为反向题。由此，形成本次微信用户社交焦虑量表的23 个测量语句。

SAS-SMU 的信效度分析

本研究从总样本中随机抽取202 份样本，使用SPSS26 进行量表信效度和探索性因子分析。其余200 份样本完成验证性因子分析。

首先对SAS-SMU 做信度检验。23 个语句信度分析所得Cronbach’α 为0.924。信度分析结果显示，“删除项后的Cronbach’α”系数会再次提升。据此结果，删除两个反向题后，信度系数提升到0.935。

1.探索性因子分析

信度分析后，采用主成分对剩余21 个语句做探索性因子分析，所得KMO 值为0.906，Bartlett 球形检验的χ2值为3315.938（df=210），达到显著性水平（P=0.000<0.001）。该量表的KMO 值、Bartlett 球形检验数据都显著好于临界值，说明适合做因子分析。

因子分析得到的旋转矩阵将量表的21 个语句分为三个成分，即微信用户社交焦虑的三维度。与原量表相比，本次调查的微信用户将原本自我评价焦虑的“我担心发朋友圈给别人留下负面印象”“我对不能满足人们的期望感到焦虑”纳入内容分享焦虑中。从测量语句看，这两项在Alkis 等人设计的量表中重点评估用户处理社交中负面评价时的焦虑情绪。而在微信语境下，用户把评估重点放在了可能带来负面评价的行为上。学者研究发现，微信用户使用朋友圈时，自我评价焦虑会对内容分享焦虑产生正向影响。[2]

综上，微信用户社交焦虑由21 个语句组成，分为三个测量维度：内容分享焦虑（SCA）、互动焦虑（IA）和隐私关注焦虑（PCA）。与原量表相比少了自我评价焦虑（SEA），因该维度经过探索因子分析后还剩余两个题项，且全部被划分到内容分享焦虑。

2.验证性因子分析

探索性因子完成后，通过Amos 26 进行验证性因子分析，以评价量表的拟合优度。首先，将探索性因子分析划出的三个因子的所有语句纳入相应测量维度中，采用最大似然法分析三因子（SCA、IA、PCA）间的相关性。将全部21 个测量语句分析结果与模型拟合优度常用指标临界值进行对比发现，只有CFI=0.911 略大于临界值0.9，满足拟合优度指标要求，其他指标均不满足，具体地，χ2/df=3.879 ＞3，NFI=0.881 ＜0.9，TLI=0.899 ＜0.9，RMSEA=0.086 ＞0.08，说明该模型的拟合程度不理想。

鉴于此，在该模型拟合基础上进行模型修正。首先将标准化估计下各个维度相应项目因子载荷小于0.6 或SMC 值小于0.36 的项目逐步删除，即载荷系数越小的越先删除，每删除一项，检查一次拟合优度指标。此过程删除IA9，所 得χ2/df=3.849，NFI=0.892，TLI=0.906，RMSEA=0.085，CFI=0.918。此次模型拟合的各项指标均有优化，但依然未通过拟合度临界值要求，需继续修正模型。

第二次模型修正以修正指标（Modification Indices）结果为依据，根据不同题项、残差相互之间的相关度高低，对影响模型拟合度较大的测量题项进行逐次删减。每删减一个题项，都将模型拟合优度指标数值与临界值做比较，直至实现较好的拟合优度结果。本次修正过程中，依次删除了PCA1、IA1、SCA1、SCA2、IA5。最终，所得模型拟合优度指数为：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，即显示模型拟合良好。

接着，对CFA 模型各因子下所对应测量题项的内部一致性进行检验，即因子收敛效度分析，以判断实际测量时各题项是不是确实落在同一因子项下。因子收敛效度分析常用指标有两个：平均方差提取值（AVE）和建构信度(CR)。AVE 数值用来说明每一个因子所解释的方差中有多少是来自该因子中的所有题目，当AVE ＞0.5 时说明收敛效度较好。CR 体现每个潜变量中所有题目是不是一致性地解释该因子，当CR ＞0.7 时说明该因子具有较好的建构信度。[3]各个因子的AVE 值、CR 值均达到临界值要求，表明各因子具有良好的收敛效度。

除同一因子内部测量题项的收敛效度验证外，还要进行不同因子间区别效度分析，目的在于检验不同测量维度间是否存在显著差异性。该分析使用AVE 根号值和其他相关维度的相关系数进行对比，即某因子的AVE 根号值比“该因子与其他因子的相关系数最大值”都大时，说明该因子内部相关性大于外部相关性，亦即该因子与其他因子可有效区分。根据计算发现IA 的AVE 根号值为0.795，PCA 的AVE 根号值为0.826，SCA 的AVE根号值为0.787，这三个值均大于相应因子与其他因子的相关系数，也就是说各因子的内部相关性远大于外部相关性，即具有良好的区别效度。

至此，本研究完成了Alkis 等人发展的社交媒体用户社交焦虑量表在中国强社交媒体语境中的验证与修订，说明了其在微信平台上的应用性与不适之处。

结 语

本研究参考Alkis 等人编制的社交媒体用户社交焦虑量表，在中国强关系社交媒体语境下进行量表检验。经过探索性—验证性因子分析得到适用于微信用户的社交焦虑测量量表，该量表共15 个题项，分三个维度：内容分享焦虑、互动焦虑和隐私关注焦虑。

值得注意的是，问卷中的两个反向题在因子分析阶段未达到临界值要求，按照操作规则删除。反思这两题未达标原因，可能是在微信用户对这两种情形感知确实不明显，也可能是网络调查本身特点所致。网络调查以用户自评方式填答，没有受访员在一旁监督和提醒，这种情况下填答者很容易忽略反向题的描述方式，而依然按照正向描述作答，从而影响分析结果。未来研究中设置反向题时应从被调查者的角度审慎考虑，力求填答者的便利性和数据结果的精准性。