Health anxiety and online health searching in a synthetic study of uncertainty and digital health literacy
本研究利用一个可复现的合成数据集，展示了一个统计模型，在该模型中，健康焦虑通过不确定性容忍度预测网络疑病症，同时数字健康素养起到了显著的负向调节作用，并强调这些发现旨在作为一种方法论上的概念验证，而非对真实人群中心理机制的独立证实。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在现代世界中，互联网已成为许多人在感到奇怪的疼痛或注意到新症状时首先求助的地方。这种在网上搜索医学答案的习惯通常是有帮助的，它能让人们了解自己的身体并为就医做准备。然而，对于某些人来说，这种搜索变成了一种焦虑的循环。当一个人反复查找症状并只发现令人惊恐的可能性时，他们的焦虑可能会螺旋式上升，导致一种被称为“网络疑病症”（cyberchondria）的状态。这不仅仅是关于查找信息，而是关于试图在一个无法提供绝对确定性的地方寻找绝对确定性所带来的痛苦。科学家们长期以来一直怀疑，这种痛苦是由一种对“未知”的深度不适感所驱动的，这种感觉被称为“对不确定性的不耐受”。他们还想知道，具备寻找和判断在线健康信息的能力是否可以起到一种盾牌的作用，从而阻止焦虑的蔓延。
阿哈玛·法里迪（Arhama Faridi）在伦敦玛丽女王大学开展的一项近期研究，并未通过调查真实的人来寻找答案。相反，研究人员在计算机内部构建了一个完全人工的虚拟世界，以测试这些想法在数学上是如何相互作用的。该研究的目标并非证明这些关系在现实人类群体中确实存在，而是为了创建一个清晰、可复现的示例，展示此类研究可以如何开展。通过生成450份虚构的人口记录，该研究模拟了健康焦虑、对未知的恐惧以及数字技能之间是如何相互作用的。其结果是对一个统计模型的透明演示，该模型展示了这些因素在理论上是如何相互联系的，同时也为未来的研究提供了一份蓝图，同时谨慎地避免了声称发现了关于人类行为的新真理。
研究始于创建一个包含450个合成个体的数据库。这些人并非真实存在，而是根据特定规则生成的代码行。计算机为每个虚构的人分配了健康焦虑水平、对不确定性的不耐受水平、数字健康素养水平以及网络疑病症评分。规则设定为：较高的焦虑会自然导致较高的不确定性不耐受，而这两者都会导致较高的网络疑病症。规则中还包含了一个特定的转折：研究人员编写程序，使具备较好的数字健康素养能够削弱焦虑与由此产生的痛苦之间的联系。一旦这些虚构记录创建完成，研究人员就对其进行处理，如同对待真实的调查问卷一样，计算总数并运行标准的统计检验，以观察这些模式是否成立。
分析证实，人工数据表现得完全符合计算机规则的设定。在这个模拟群体中，健康焦虑与网络疑病症之间存在强关联。这个虚构的人对自身健康越焦虑，就越容易表现出因在线搜索而产生的痛苦。研究还发现，对不确定性的不耐受在这一关系中起到了桥梁作用。焦虑似乎增加了应对未知情况的难度，而这种难度反过来又驱动了这种令人痛苦的搜索行为。这一间接路径在统计学上是清晰的，表明对“未知”的恐惧可以解释为什么健康焦虑会导致网络疑病症。
最有趣的发现涉及数字健康素养的角色。模拟显示，对于数字技能较低的人，健康焦虑与网络疑病症之间的联系非常紧密。然而，随着数字健康素养水平的提高，这种联系变得越来越弱。在那个虚构的世界里，一个对自己寻找和理解在线健康信息的能力感到自信的人，不太容易让其健康焦虑转化为严重的痛苦。研究计算出，这种削弱效应在模型内部是真实的，但并未完全消失。即使在高度素养的情况下，焦虑仍然会预测产生一定的痛苦，只是程度较低。这表明，虽然擅长驾驭互联网可能有所帮助，但它并不能完全阻断焦虑的循环。
必须明确这项研究并未做了什么。由于数据是由计算机创造的，因此研究结果并不能证明这些关系在现实生活中存在。研究人员明确指出，这些发现是对一种方法的演示，而非对人类心理学的发现。这里看到的数字和模式从一开始就被植入了计算机程序；该研究仅仅展示了当应用于此类数据时，数学运算是如何正确运作的。研究人员强调，这并不意味着数字素养培训可以治愈现实中人的网络疑病症，也不代表证明了对不确定性的不耐受是问题的唯一原因。现实中的人类行为远比一组方程复杂得多，诸如情绪调节或过往经历等因素并未包含在此模拟之中。
这项工作的价值在于其透明度以及作为测试案例的能力。通过向他人公开数据和代码，研究人员允许任何人检查这项工作，运行相同的数字，并观察是否能得到相同的结果。这是科学中的一个重要步骤，旨在确保用于研究复杂行为的工具在应用于现实问题之前是可靠的。该研究提供了一个清晰、可审计的示例，展示了如何衡量这些联系以及如何解读结果而不至于过度解读。它提醒我们，尽管我们可以构建完美的模型来测试理论，但最终的证明必须来自对现实世界中真实人类的观察——在那个世界里，变量是混乱的，而答案也不是预先编程好的。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。