📄 social_science

Investigating the Factor Structure of the Self-Compassion Scale in Autistic Adults

本研究通过对228名自闭症成年人样本进行探索性结构方程模型分析，证明了自悯量表的六因子模型和单双因子模型在该人群中具有有效的结构效度和良好的拟合度，从而支持在研究与实践中使用总分及各分量表得分。

原作者： Benjamin Kitts Mersereau, Barbara D'Entremont

发布于 2026-07-03

📖 1 分钟阅读☕ 轻松阅读

原作者： Benjamin Kitts Mersereau, Barbara D'Entremont

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

以下是该研究论文的解释，通过简单的概念和日常类比进行了拆解。

大局观：检查地图

想象你有一张非常受欢迎的地图，叫做自我关怀量表（Self-Compassion Scale, SCS）。多年来，这张地图一直被用来帮助人们在“自我友善”与“自我批判”的情绪之间进行导航。它是基于非自闭症人士对这些感受的体验而绘制的。

然而，这篇论文中的研究人员提出了一个至关重要的问题：“这张同样的地图适用于自闭症成年人吗？”

自闭症成年人在自我感知方面经常面临独特的挑战，例如感到孤立或对自己非常苛刻。研究人员想要确保，当自闭症成年人进行这项测试时，题目测量的确实是它们应该测量的东西，而不是在翻译过程中“迷失方向”。

测试的三条路线

为了找到最好的地图，研究人员测试了组织这 26 个量表问题的三种不同方式。可以将它们视为关于这些问题如何组合在一起的三种不同理论：

六部分拼图模型（六因子模型）： 该理论认为量表由六个相互对话的独特部分组成。其中三个是积极的（对自己友善、感到与他人连接、保持正念），三个是消极的（严厉对待自己、感到孤独、过度沉溺于情绪）。
- 类比： 想象一个由六件乐器组成的管弦乐队。每件乐器都演奏自己的部分，但它们共同和谐地奏出音乐。
两队对垒模型（双因子模型）： 该理论认为量表仅仅是两支队伍之间的拔河比赛：一支是“好队”（具有同理心的自我回应），另一支是“坏队”（缺乏同理心的自我回应）。
- 类比： 一个跷跷板，只有当一端上升时，另一端才会下降。
雨伞模型（单双因子模型）： 该理论认为存在一个涵盖一切的自我关怀“大雨伞”，但在雨伞之下，那六个特定的部分仍然存在并各司其职。
- 类比： 一把巨大的雨伞（整体的自我关怀感）为你遮挡风雨，而下方的六个小口袋则装着不同的工具（具体的组成部分）。

实验：让地图接受测试

研究人员收集了来自英国的 228 名自闭症成年人 的数据。他们使用了一种名为 ESEM（探索性结构方程模型）的高级统计工具。

类比： 如果标准数学像是用尺子测量一条直线，那么 ESEM 就像是一个灵活的 3D 扫描仪，可以测量事物如何弯曲和扭转。它允许数据展示其真实的形状，而不会被强行塞进一个僵化的框框里。

他们将数据分别通过“六部分拼图”、“两队对垒”和“雨伞模型”进行运行，以观察哪一种最符合自闭症成年人的回答。

结果：哪张地图胜出了？

数据揭示了以下内容：

两队对垒模型（双因子模型）失败了： 该模型并不符合数据。
- 失败原因： 它试图将自闭症成年人复杂的感受强行塞入一个简单的“好 vs 坏”的斗争中。结果显示，这些感受比单纯的两支对立队伍要更加细致入微。
六部分拼图模型（六因子模型）表现良好： 这六个独特的组成部分（友善、评判、人性、孤立、正念、过度认同）都在那里，并且运作正常。
- 结论： 这是一种观察数据的有效方式。
雨伞模型（单双因子模型）表现最佳： 这个模型最符合数据。它表明，虽然六个具体的组成部分很重要，但它们都贡献于一个强大且统一的自我关怀感。
- 结论： 这是最准确的呈现方式。它证实了你可以既观察“大局”得分（雨伞），又观察具体细节（口袋），且两者互不矛盾。

这对得分意味着什么

研究发现，对于自闭症成年人：

你可以使用总分： 因为“雨伞”模型运作得非常好，所以将所有答案相加得到一个总分，是衡量自我关怀的一种有效且可靠的方法。
你也可以使用分项得分： 因为“六部分拼图”也有效，所以观察特定领域（例如一个人在“孤立感”与“自我友善”方面的挣扎程度）也是有用的。
不要使用“两队对垒”得分： 研究建议不要使用这种简单的“好 vs 坏”的划分，因为它无法捕捉到完整的图景。

重要注意事项（细则）

研究人员谨慎地指出，谁不在本次研究范围内。参与者都拥有正式的医学诊断。

类比： 这张地图是为持有特定护照的人绘制的。它尚未在那些知道自己是自闭症但没有正式文件证明的人，或者无法完成在线调查的高需求人群身上进行测试。
结论： 结果对于受试群体是非常棒的，但我们目前不能 100% 确定它是否适用于每一个自闭症人士。

底线结论

这项研究就像是一次质量控制检查。它确认了自我关怀量表是适用于自闭症成年人的有效工具。当将其视为一个由一个强大的整体主题（雨伞）支撑的六个特定部分构成的复杂系统时，它的效果最好。研究人员和临床医生现在可以充满信心地使用这一工具来了解自闭症成年人如何对待自己，因为这张“地图”准确地反映了他们的地形。

技术摘要：调查自悯量表在自闭症成年人中的因子结构

问题陈述
自悯（Self-compassion）是公认的正向心理健康结果的预测因子，然而其在自闭症成年人群体中的测量尚未得到验证。虽然自悯量表（SCS）在普通人群和临床人群中被广泛使用，但其因子结构仍存在争议，包括六因子相关模型、二因子模型（区分慈悲性自我反应与非慈悲性自我反应）以及单双因子模型（single-bifactor model）。既往研究表明，自闭症个体在实践自悯方面可能面临独特的挑战，例如在“共同人性”（common humanity）或高度自我批判方面。因此，目前尚不清楚既有的 SCS 模型是否能推广至自闭症群体，这使得进行独立验证变得十分必要，以确保未来干预措施中测量的准确性。

研究方法
本研究利用了 228 名居住在英国的自闭症成年人样本（50% 为女性），通过 Prolific 进行招募，并通过正式的临床诊断筛查进行了验证。数据来源于开放科学框架（Galvin, 2022）。参与者完成了包含 26 个项目的自悯量表（SCS），该量表评估了六个组成部分：自我仁慈（self-kindness）、自我评判（self-judgment）、共同人性（common humanity）、孤立感（isolation）、正念（mindfulness）和过度认同（over-identification）。

研究人员采用探索性结构方程模型（ESEM）来测试三种竞争性的因子结构：

六因子相关模型。
二因子相关模型（慈悲性自我反应 [CS] 与非慈悲性自我反应 [US]）。
单双因子模型（一个一般自悯因子和六个特定成分因子）。

分析使用 Mplus（版本 8.11）进行，采用了两种估计量：极大似然估计（ML）和加权最小二乘法均值与方差调整法（WLSMV），以应对李克特量数据的序数性质。模型拟合度通过 CFI、TLI、RMSEA 和 SRMR 进行评估，设定阈值为 CFI/TLI >.95 且 ≤.05 为 RMSEA/SRMR，以指示良好拟合。此外，在 R 中计算了双因子特有指标（Omega、层级 Omega、ECV 和 PUC），以评估单维性和信度。

主要结果

二因子模型： 该模型表现出较差的拟合度，尤其是在使用 ML 估计时。即使使用 WLSMV，它也未能达到 RMSEA (.09) 的标准，因此被拒绝。
六因子相关模型： 该模型在两种估计量下均表现出可接受至良好的拟合度。因子载荷总体上与既往文献一致，尽管自我评判的定义较弱。观察到了显著的跨载荷现象（例如，项目 21 在自我仁慈上的载荷更强），这在 ESEM 中是预料之中的，但也暗示了项目特有的细微差别。
单双因子模型： 该模型在所有指标中表现出最佳拟合度（尽管在 ML 估计下的 TLI 仍处于可接受范围）。一般因子定义良好（平均载荷 = .63）。虽然特定成分因子（特别是自我评判和过度认同）与六因子模型相比，其目标载荷较弱，但该模型产生的显著跨载荷较少。
信度和维度： 双因子模型显示出高信度（系数 Omega $\omega$ = .97；层级 Omega $\omega_H$ = .91）。一般因子解释了 94% 的可靠方差。反映单维性的指标（ECV = .63；PUC = .86）表明该量表可以作为单维变量进行总分计算，但这些数值也符合将自悯视为由不同成分组成的系统的理论观点。

主要贡献
本研究提供了首次针对自闭症成年人群体验证 SCS 因子结构的尝试。通过使用 ESEM，作者提供了比以往验证性因子分析（CFA）研究更细致的分析，允许通过跨载荷更好地反映自悯各组成部分之间复杂的相互作用。研究结果复制了在普通人群中观察到的单双因子模型的优越性（Neff et al., 2019; Rakhimov et al., 2023），并将此支持扩展到了自闭症成年人。此外，研究明确了虽然计算总分在统计学上是合理的，但六个子量表也能提供独特且在理论上一致的信息。

意义与主张
作者声称 SCS 是衡量自闭症人士的一种可靠且有效的工具，支持在研究和临床背景中使用总分及六个子量表。结果表明，单双因子模型最能捕捉该构念，这与 Neff 将自悯概念化为相互作用的统一系统的观点相一致。然而，作者明确指出，二因子解释（将 CS 与 US 分开）在该人群中并不成立。

研究结论认为，虽然双因子模型支持计算总分，但研究人员应同时计算一般因子得分和子量表得分，以充分理解自闭症人士的自悯情况，因为自闭症特质与负面成分的相关性更强。作者谦虚地承认了局限性，包括排除了未获得正式诊断的自我认同自闭症人士，以及具有高支持需求或智力障碍的人群，这限制了研究结果对更广泛自闭症群体的普适性。他们建议未来的研究采用贝叶斯结构方程模型（Bayesian SEM）来测试双因子模型，并针对该人群开展更多关于该量表的聚合效度和区分效度的研究。