1. 引言
1.1. 研究背景
当下，移动社交媒体被认为是与他人互动的一种重要媒介(Chang et al., 2022; Lim, 2023)。由于它具有匿名、即时、不受时空约束等特点，因此能够更加便捷地满足人们的某些心理需求(Jo & Baek, 2023)。然而较之PC时代，移动社交媒体在为人们的生活带来更多便利的同时，也更容易造成人们过度使用在线社交网络，甚至达到问题性使用乃至成瘾的地步(Satici, 2019)。
问题性移动社交媒体使用(Problematic Mobile Social Media Use, PSMU)特指个人由于长时间和高强度地使用移动社交媒体，导致难以控制地沉浸其中，致使摄入信息过载，以及由此引发的心理和生理不适(Andreassen & Pallesen, 2014)。PSMU与正常使用移动社交媒体的不同之处在于，前者是无法自控和具有强迫性的，并可能导致负面后果的使用行为(Swanton et al., 2021)。鉴于PSMU的高流行率以及负面后果，研究人员已把越来越多的注意力投向发现PSMU的风险与保护因素，而Brand等人(2016)所提出的个体–情感–认知–行为交互作用(the Interaction of Person-Affect-Cognition-Execution, I-PACE)理论模型则是目前用来探究和解释PSMU以及其他问题性互联网使用行为形成与发展机制的主流建构模型。
1.2. I-PACE理论模型
I-PACE理论模型认为个体的核心特质与某些情感、认知反应相互作用，可能会导致个体产生PSMU (Brand et al., 2016)，并提出了影响PSMU的变量类别(Brand et al., 2019)。
首先，个体决定因素包括人格特质、能力特质、基因、性格、精神病理机制。其次，I-PACE提出了对个体决定因素的认知反应，包括信息处理、注意力偏差、对互联网使用的预期、应对策略、抑制控制等。最后，I-PACE假设，反应变量会影响个体使用互联网功能或应用程序的决策，这可能导致PSMU。而在上述三者中，个体决定因素最为重要，它对于PSMU有着最直接的影响作用(Brand et al., 2019)。以往关于网络成瘾和问题性互联网使用的研究结果均为I-PACE理论模型提供了支持。作为个体人格特质的核心部分和个体决定因素(Aranda López et al., 2022)，情绪智力(Emotional intelligence, EI)或许是PSMU的预测因素之一(Brand et al., 2016; Brand et al., 2019)。
1.3. 情绪智力与问题性移动社交媒体使用
情绪智力是指个体感知、理解、表达和调节自身与他人情绪，以适应环境和保持幸福感的能力(Mayer et al., 2016)。作为一种个体决定因素，情绪智力或许是影响个体形成PSMU的重要因素(Brand et al., 2016; Brand et al., 2019)。过往研究表明，较低的情绪智力分数通常与成瘾行为(Zhang, 2023; Richard & King, 2023)、问题性互联网使用(Alshakhsi et al., 2022)、问题性智能手机使用(Aranda López et al., 2022)、以及问题性网络游戏行为(Wang et al., 2022)有关。个体会通过某些问题性或成瘾性的行为模式来减轻自身的一些负面情绪(Wang et al., 2024)，并将PSMU作为一种应对模式(Alshakhsi et al., 2022)。
1.4. 研究目的与意义
虽然已有部分研究探讨了情绪智力与PSMU之间的关系，然而过往研究大多采用横断设计，并且在中国，基于I-PACE理论模型对PSMU的研究较少，该模型在中国群体中的适用性也需要进一步讨论。
因此，本研究在I-PACE模型的理论基础之上，采用纵向调查的方法，目的是进一步探讨情绪智力与PSMU之间的关系，验证I-PACE模型的跨文化适用性，并期望为预防和干预PSMU提供新的见解和思路。基于I-PACE理论模型并结合已有文献，本研究提出假设：情绪智力负向预测PSMU，PSMU无法预测情绪智力。图1展示了所提出的假设模型。
注：T1为时间点1，T2为时间点2，T3为时间点3；SEA = 对自身情绪的评估，OEA = 对他人情绪的评估，UOE = 情绪运用，ROE = 情绪调节，VI = 粘性增加，PD = 生理损害，OA = 错失焦虑，CF = 认知失败，Guilt = 内疚感。以下相同。
Figure 1. Hypothesis model
图1. 假设模型
2. 方法
2.1. 研究对象
本研究的数据收集时间段是从2022年12月19日开始，一直到2023年12月20日结束。采用线下发放纸质问卷的方法，对情绪智力和PSMU进行评估。问卷调查的时间间隔为6个月，总共进行了3次调查。本研究获得了某医学院伦理审查委员会的批准，批准号为2021NO.07，保证研究符合《赫尔辛基宣言》规定的原则。伦理委员会对研究方案进行了严格审查并给予批准，以此充分保障所有参与者的权利和福利。在填写问卷之前，为参与者提供了详细的研究信息，知情同意声明以书面形式附在纸质问卷当中，参与者完成并提交问卷，就意味着已知晓并达成知情同意，自愿参与本研究。问卷中知情同意声明的内容如下：“要是您已经充分理解本研究调查的内容和目的，并且同意参与，那就请根据您的真实情况完成这份问卷。要是您选择不参与，就不要填写问卷并把它退回来。”同时向参与者保证，他们提供的所有信息都会严格保密，只用于本研究目的，不会透露给任何第三方。
本研究的参与者是通过整群抽样法招募的，对中国四座城市(成都、北京、上海和昆明)九所公立大学的508名高校在校生进行纵向追踪调查。剔除胡乱作答，缺失严重的问卷，对三次收集的有效问卷进行匹配后，共有效追踪462人，有效追踪率为90.9%。参与者的整体平均年龄为21.16 ± 2.14岁，男性参与者人数为218名，平均年龄为21.73 ± 2.18岁；女性参与者人数为244名，平均年龄为20.64 ± 1.98岁。统计分析显示，不同性别间的平均年龄存在显著差异(p < 0.001)。排除患有严重精神障碍的个体。
2.2. 研究工具
在收集人口统计学数据并逐一核定追踪编号后，进行以下心理量表的施测。
2.2.1. 问题性移动社交媒体使用
PSMU是通过《问题性移动社交媒体使用评估问卷》进行评估的(Jiang, 2018)。该问卷包含20个简短题项，旨在评估PSMU的五个维度：粘性增加(VI)、生理损害(PD)、遗漏焦虑(OA)、认知失败(CF)和内疚感(Guilt)。采用5点Likert量表评分，从1 (完全不同意)到5 (完全同意)。总分越高，表明PSMU程度越严重。
在三次追踪过程中，该量表的Cronbach’s α分别为0.890 (T1)、0.914 (T2)、0.902 (T3)。
2.2.2. 情绪智力
情绪智力通过Wong和Law《情绪智力量表中文版》(WLEIS-C)进行评估(Wong & Law, 2002; Di et al., 2022)。该量表包含16个题项，旨在测量情绪智力的四个维度：对自我情绪评估(SEA)、对他人情绪评估(OEA)、情绪运用(UOE)和情绪调节(ROE)。采用7点Likert量表评分，从1 (完全不同意)到7 (完全同意)。所有题项得分的平均值构成总分，分数越高表示情绪智力水平越高。
在三次追踪过程中，该量表的Cronbach’s α分别为0.888 (T1)、0.877 (T2)、0.886 (T3)。
2.3. 研究程序
2.3.1. 数据收集
本研究通过院校心理组织与专业的心理委员取得联系，三次均于线下收集纸质问卷，两名心理学专业研究生以及一名心理委员一起合作分发与收集问卷。在分发问卷之前，两名心理学专业研究生对问卷内容进行标准化说明，之后统一进行收集工作。问卷包括了知情同意书、说明、要求、注意事项以及内容。调查结束之后，剔除胡乱作答，缺失严重的问卷，对三次收集的有效问卷进行匹配，共有效追踪462人，有效追踪率为90.9%。
2.3.2. 数据分析
本研究的数据分析使用SPSS 22.0、Amos 22.0以及Mplus 8.3。通过Pearson相关分析评估变量间的相关性，并采用重复测量方差分析来比较各变量在时间点上的差异。通过Harman单因素检验法检测共同方法偏差，若结果显示单一因素解释了大部分方差(大于40%)，则表明存在共同方法偏差(Podsakoff et al., 2003)。根据Cronbach’s α系数判断测量工具的信度，当系数大于0.60时视为可接受，而大于0.70则更佳(Churchill, 1979)。采用Amos 22.0以及Mplus 8.3建立交叉滞后模型，对变量之间的纵向关系进行分析。
本研究设定的显著性水平为p < 0.05。同时，参考以下标准评价模型拟合度(Hau et al., 2004)：1 < χ2/df < 3 (good model)；3 < χ2/df < 5 (acceptable)；GFI、AGFI、TLI、CFI > 0.80；RMSEA < 0.05 (good)，RMSEA < 0.08 (acceptable; Fornell & Larcker, 1981; Doll et al., 1994; Hooper et al., 2008)。
3. 结果
3.1. 共同方法偏差检验
采用Harman单因素法来检验共同方法偏差(Podsakoff et al., 2003)。探索性因子分析结果显示，三次测量分别有9 (T1)、9 (T2)、9 (T3)个因子的特征值大于1，第一个因子解释的变异量分别为20.61% (T1)、21.32% (T2)、20.96% (T3)。这一结果表明，本研究不存在共同方法偏差问题。
3.2. 差异分析
对情绪智力和PSMU在T1、T2和T3的数据进行重复测量方差分析。结果如表1所示，从T1到T3，变量总分随着时间增加，且在三个时间点间的差异均达到了显著性水平。事后多重比较的结果显示，情绪智力T3和T2的均值显著高于T1的均值。PSMU T3均值高于T2均值，T2均值高于T1的均值。
Table 1. Descriptive statistics and analysis of differences at time points (N = 462)
表1. 描述统计及时间点差异分析(N = 462)
变量 |
T1 (M ± SD) |
T2 (M ± SD) |
T3 (M ± SD) |
F |
显著性 |
多重比较 |
情绪智力 |
67.60 ± 16.07 |
75.11 ± 13.21 |
74.61 ± 13.89 |
68.88 |
p < 0.001 |
T3, T2 > T1 |
PSMU |
50.71 ± 12.11 |
60.57 ± 11.87 |
69.44 ± 12.03 |
389.06 |
p < 0.001 |
T3 > T2 > T1 |
3.3. 相关分析
如表2所示，在横断面分析中，同一时间点上情绪智力和PSMU之间，除T2情绪智力和PSMU之间无显著相关，其余两变量均呈显著负向相关。
在纵向分析中，T1 PSMU和T2情绪智力、T3情绪智力之间无显著相关；T2 PSMU和T3情绪智力之间无显著相关。其余两变量均呈显著负向相关。
Table 2. Correlations between study variables (N = 462)
表2. 各变量之间相关系数(N = 462)
变量 |
1 |
2 |
3 |
4 |
5 |
6 |
1. T1 情绪智力 |
1.00 |
− |
− |
− |
− |
− |
2. T1 PSMU |
−0.16*** |
1.00 |
− |
− |
− |
− |
3. T2 情绪智力 |
0.41*** |
−0.02 |
1.00 |
− |
− |
− |
4. T2 PSMU |
−0.21*** |
0.30*** |
−0.02 |
1.00 |
− |
− |
5. T3 情绪智力 |
0.38*** |
−0.05 |
0.54*** |
−0.04 |
1.00 |
− |
6. T3 PSMU |
−0.32*** |
0.28*** |
−0.15*** |
0.26*** |
−0.14*** |
1.00 |
注：***p < 0.001，**p < 0.01，*p < 0.05。
3.4. 情绪智力和问题性移动社交媒体使用的交叉滞后分析
通过相关分析，明确了情绪智力和PSMU之间存在同步稳定性。随后，对这两个变量进行了交叉滞后分析。
为探讨情绪智力和PSMU的关系，构建了一阶基线模型(M1)、二阶单重单向模型(M2)和交叉滞后全模型(M3)共3个模型。
首先，模型M1仅包含一阶自回归路径(见图2)，T1情绪智力到T2情绪智力的自回归(β = 0.64, p < 0.001)，T2情绪智力到T3情绪智力的自回归(β = 0.95, p < 0.001)；T1 PSMU到T2 PSMU的自回归(β = 0.42, p < 0.001)，T2 PSMU到T3 PSMU的自回归(β = 0.36, p < 0.001)。情绪智力和PSMU的自回归路径均显著(p < 0.001)，未建立交叉滞后路径，检验情绪智力和PSMU的跨时间稳定性，模型拟合度良好(见表3)。
Figure 2. The baseline autoregressive M1 model of EI and PSMU (standardization)
图2. 情绪智力和问题性移动社交媒体使用的基线自回归模型M1 (标准化)
接下来，模型M2为情绪智力与PSMU的二阶单重单向模型(见图3)，M2在M1的基础上增加了T1情绪智力到T2 PSMU的回归(β = −0.16, p < 0.001)，T2情绪智力到T3 PSMU的回归(β = −0.28, p < 0.001)。新增两条回归路径均显著。模型拟合度良好(见表3)。
Figure 3. EI and the second-order single unidirectional model M2 of PSMU (standardization)
图3. 情绪智力和问题性移动社交媒体使用的二阶单重单向模型M2 (标准化)
之后，模型M3为情绪智力和PSMU的交叉滞后模型图(见图4)。在模型M2的基础上，新增T1 PSMU到T2情绪智力的回归路径(β = 0.08, p > 0.05)，T2 PSMU到T3情绪智力的回归路径(β = 0.03, p > 0.05)。新增两条回归路径均不显著。模型拟合度良好(见表3)。
注：未显著路径(p > 0.05)以细实线表示。
Figure 4. The cross-lagged model M3 of EI and PSMU (standardization)
图4. 情绪智力与PSMU的交叉滞后模型M3 (标准化)
结果表明，在情绪智力与PSMU的交叉滞后分析中，T1情绪智力到T2 PSMU、T2情绪智力到T3 PSMU的两条回归路径显著。T1 PSMU到T2情绪智力、T2 PSMU到T1情绪智力的两条回归路径不显著。T1情绪智力显著负向预测T2 PSMU (β = −0.16, p < 0.001)，T2情绪智力显著负向预测T3 PSMU (β = −0.28, p < 0.001)，T1情绪智力显著负向预测T3 PSMU (β = −0.25, p < 0.001)，结果支持本研究假设。
Table 3. The fit indices of each model
表3. 各模型拟合指数
|
GFI |
AGFI |
CFI |
TLI |
RMSEA |
χ2/df |
M1 |
0.946 |
0.936 |
0.980 |
0.978 |
0.016 |
1.122 |
M2 |
0.950 |
0.940 |
0.994 |
0.993 |
0.009 |
1.038 |
M3 |
0.950 |
0.940 |
0.994 |
0.993 |
0.009 |
1.038 |
标准参考值 |
>0.90 |
>0.90 |
>0.90 |
>0.90 |
<0.05 |
1 < χ2/df < 3 |
4. 讨论
根据I-PACE理论模型以及过往研究，本研究采用了纵向追踪的方式，探讨了情绪智力与PSMU之间的纵向预测关系。
4.1. 情绪智力和问题性移动社交媒体使用的相互关系
差异分析的结果表明(见表1)，从T1到T3，情绪智力和PSMU的总分随着时间增加，且在三个时间点间的差异均达到了显著性水平。事后多重比较的结果显示，情绪智力T3和T2的均值显著高于T1的均值，PSMU T3均值显著高于T2均值，T2均值显著高于T1的均值。这可能是由于本研究的调查时间是从2022年12月开始，直到2023年12月结束，在这一相对特殊的时间段，人们逐渐开始恢复了正常的工作、学习和生活状态。与过去三年相比，人们在线下的人际交往和社会互动逐渐增多，这种变化所产生的不适感和陌生感，可能反而会导致人们对于在线社交网络平台的依赖性增加，PSMU的程度也随着时间推移不断增加。另一方面，由于线下互动和人际交往在这一时间段逐渐增多，相较于过去三年，个体需要更好地处理自身与他人的情绪和情感，以便重新适应现实生活。因此，个体的情绪智力水平也会随着时间逐渐变高。但与PSMU不同，情绪智力作为一种人格特质和能力特质，具有相对稳定性，故而T3时间点和T2时间点的情绪智力并没有显著差异，但较之T1时间点的情绪智力，均有显著提高。
此外，本研究的相关分析结果表明(见表2)，在同一时间点，除T2外，情绪智力与PSMU之间存在显著负向相关。在T2时间点，两者之间的相关关系并不显著，这提示在这两者的关系当中还存在其他因素和变量的影响，两者的相关性并非绝对稳定。I-PACE理论模型表明(Brand et al., 2016)，PSMU的形成与发展是个体人格、情感、认知过程以及行为模式之间交互作用的结果。情绪智力作为个体人格特征的关键构成部分以及情绪调节的关键要素，或许是个体发展出PSMU的关键原因(Brand et al., 2019)。但在人格特质影响行为模式(即情绪智力影响PSMU)这一过程之中，仍存在着其他认知因素和社会环境因素的交互作用，情绪智力对于PSMU的影响和预测作用或许也会受到这些因素的影响。本研究认为，这或许是T2时间点情绪智力和PSMU之间的相关关系并不显著的原因。但从整体来看，情绪智力对于PSMU的显著预测作用已能说明两者之间存在密切关联，并且情绪智力单向预测PSMU的结果也说明了两者之间相关关系的不稳定性。
4.2. 交叉滞后分析——情绪智力对问题性移动社交媒体使用的预测作用
作为个体人格特征的重要构成部分以及情绪调节的关键要素，情绪智力在I-PACE理论模型当中属于最重要的个体决定因素，稳定性较强，它在个体形成PSMU以及其他网络相关问题的过程中发挥着关键作用(Brand et al., 2019)，过往研究的结果同样支持这一观点(Brand et al., 2016; Brand et al., 2019)。但情绪智力和PSMU之间相互影响的具体机制尚未完全明确，已有研究表明情绪智力的提高有助于减少个体的PSMU(Aranda López et al., 2022)，而PSMU的程度增加是否会导致个体的情绪智力降低，PSMU是否能预测个体的情绪智力，这在先前的研究当中鲜有探讨。根据本研究的交叉滞后分析结果：(1) T1情绪智力显著负向预测T2 PSMU；(2) T2情绪智力显著负向预测T3 PSMU；(3) T1和T2 PSMU均无法显著预测情绪智力。这一结果表明，情绪智力可以单向预测PSMU，但PSMU无法预测情绪智力。个体情绪智力水平越低，其出现PSMU的可能性越大，但PSMU的程度越高，并不意味着个体的情绪智力水平越低。这一结果与先前的研究有所不同(Weinstein, 2023)。对此，本研究认为可以从以下两个方面进行解释。
一方面，尽管个体沉浸于社交媒体的虚拟世界当中，花费大量时间去刷短视频、动态、微博等，形成PSMU，但并不意味着这些行为会使其情绪智力水平下降。参与虚拟网络社交和进行线上人际交往同样能够帮助个体提高情绪智力的某些方面，例如对于情绪的表达。在现实生活中情绪智力相对较低、无法很好表达自身情感和理解他人情感、存在交往困难和社交回避的个体，或许会因为网络虚拟世界的匿名性和便利性而变得更容易表达和反馈自己与他人的情绪感受(Flack et al., 2024)，而这一过程能够帮助个体提高情绪智力。但这并不意味着他们能够更好地处理现实中的人际关系和有效管理自身的网络社交媒体使用。个体情绪智力在表达方面得到提升的同时，也可能会因为网络虚拟世界的责任扩散性和匿名性，导致个体对于自身情绪管理和控制水平的降低，反而导致情绪智力的整体水平降低，最终进一步加深其PSMU的程度。这或许是情绪智力能够负向预测PSMU，但PSMU无法预测情绪智力的原因之一。
另一方面，社交媒体从互联网兴起时出现的聊天室、论坛等，逐步发展出了抖音、短剧、公众号等APP，它不仅承载着娱乐放松的功能，同时也是一种社会文化资源，对于一部分人而言更是工作需要。他们需要花费大量的时间在手机和平板等移动智能设备上，以此保证信息的摄入，防止错失关键信息和热点内容(Andreassen, 2015)。中国近十年来的移动网络基础建设和移动智能设备的普及率在全球范围内位于前列，公民使用移动社交媒体的门槛较之其他国家而言相对较低(China Internet Network Information Center, 2024)。这促进了中国的网络经济和社媒经济的高速发展，同样也使得人们的生活更容易被无处不在的媒体信息所冲击，甚至很难排除大量无关信息的干扰(Satici, 2019)。例如，当人们通过微信、邮件等进行工作消息的传递时，其他的社媒信息也会同步出现在手机或平板界面当中，新奇和有趣的社媒信息会使个体难以克制地点击浏览。大量个体所感兴趣的内容和信息会随之推送而来，逐步占据了个体的碎片时间，甚至占据个体的非工作时间，最终导致个体与虚拟社媒世界越靠越近，逐渐拉远了与现实世界的关系，脱离了现实的生活圈和社交圈，导致PSMU的出现。在这一转变过程中，PSMU对于情绪智力这一相对稳定的人格特质并未产生直接影响，但却会对个体的现实生活造成影响。这或许也是PSMU无法预测情绪智力的原因之一，尤其是在如中国这样网络媒体高度发达的国家。
4.3. 建议和总结
目前，PSMU的发生率在不断增长以及它对人们现实生活造成的负性影响也越来越明显。但从另一个角度来看，对于那些情绪智力水平相对较低的个体而言，移动社交媒体可能会有一定的保护作用和积极影响(Hou et al., 2017)。Nakpong & Chanchalor (2019)以及Ruiz-Ariza等人(2018)认为，引导个体以积极正确的方式使用移动社交媒体，也许能改善个体的心理健康状况，提高其社会支持水平，还可以提高个体的心理韧性、情绪智力以及其他能力，起到预防PSMU和其他网络成瘾行为的作用。虽说这种干预和引导策略的有效性以及伦理问题还需要进一步讨论，但不能否认的是，移动社交媒体确实能给一些不太擅长社交或者有社交恐惧心理的个体提供一种应对现实困境、寻求人际支持的办法。这些个体可以借助移动社交媒体来满足自身的社交需求，建立稳定的人际关系，减轻自身负面情绪以及负性现实事件的影响，并且在未来生活中再次遭受负性事件和出现负性情绪时能有所依靠。对这些个体来说，积极的网络社交媒体群对其个人而言是有利的，也能让其他与之相同的个体间接受益，比如匿名戒酒小组、心事树洞等。
此外，本研究的结果也提示，在预防和干预PSMU的问题上，不应只局限于针对PSMU这一行为本身进行矫正，还应当重点关注个体的情绪智力和其他认知、环境因素对于PSMU的影响。教育、医疗、康复等机构可以考虑通过提升和培养个体的情绪智力，帮助个体提高社交技巧和人际关系处理能力，使个体能够更好地面对现实生活中的困境，从而达到预防和减少PSMU的目的。此外，完善网络和社交媒体的法律制度及规定，尤其是完善针对未成年人的网络保护制度同样也是必要一环。
以往研究多采用横断设计来探讨情绪智力与PSMU及网络成瘾的关系(Weinstein, 2023; Hashemi et al., 2022; Ferguson & Ryan, 2019; Bae et al., 2022)，缺乏对二者关系进一步探讨的纵向追踪研究。本研究通过纵向追踪设计，更加深入地揭示了情绪智力和PSMU之间的关系，即情绪智力对于PSMU具有单向预测作用，这与前人的研究结果有所不同。过往其他国家的研究结果显示情绪智力和PSMU之间是相互影响的(Weinstein, 2023; Alshakhsi et al., 2022; Aranda López et al., 2022; Wang et al., 2022)。而在中国，对于两者关系的研究多数都基于横断层面(姜永志等，2017)，且数量较少。因此，本研究的发现为各研究领域提供了有关于情绪智力和PSMU及网络相关成瘾问题更深入的理解，探究了两者之间的预测机制和因果关系，验证了I-PACE理论模型的合理性和适应性，并丰富了关于问题性互联网使用的理论框架，对于网络成瘾和情绪智力相关领域的研究具有着重要的补充和拓展作用。
5. 研究局限与未来展望
本研究对于情绪智力和PSMU之间关系的纵向探讨有助于进一步理解和阐明PSMU的发生作用机制，但仍存在一定的局限性。
首先，本研究的样本数据是来源于中国的不同地区和不同经济文化背景下的，在一定程度上确保了研究结果的普遍性和跨文化适用性。但中国是一个多民族国家，不同地区在经济和文化方面存在显著差异。未来的研究应进一步探讨区域经济和文化因素如何影响情绪智力与PSMU之间的关系。
其次，本研究基于I-PACE理论模型(Brand et al., 2019)，考察了情绪智力对于PSMU的预测作用，但并未考察其他保护因素和风险因素对于PSMU的影响。因此，之后的研究可以考虑结合其他认知、环境或是人格因素对PSMU的形成与发展机制进行更充分的探讨和研究。
最后，尽管本研究通过为期一年共三次的追踪调查探讨了情绪智力和PSMU的纵向关系，但对于变量的评估使用的是问卷测量方法。自我报告的测量结果可能会由于社会期望而产生潜在误差。为减轻这种影响，未来的研究可以考虑纳入对情绪智力的客观评估(Mayer et al., 2016)和对PSMU的临床评估。
6. 结论
情绪智力能够负向预测PSMU，而PSMU无法预测情绪智力，即个体情绪智力水平越低，出现PSMU的可能性越大，但根据个体PSMU的程度，无法预测其情绪智力的水平。本研究的结果进一步验证了I-PACE理论模型的跨文化适用性和普遍性，并强调了个体核心人格特质对于问题性网络使用行为的预测作用。
NOTES
*通讯作者。