心理所研究提出横断面网络模型模拟干预分析新方案

在心理健康研究中，网络分析常被用于寻找“核心症状”，进而为精准干预提供线索。然而，传统横断面网络中心性指标主要刻画症状之间的关联结构，难以区分症状影响的方向：一个看似“中心”的症状，可能只是更容易被其他症状激活，而未必是最适合优先干预的靶点。

近日，中国科学院心理研究所朱廷劭研究组联合华南师范大学、浙江大学等单位，围绕横断面网络模型中的模拟干预方法，系统介绍了nodeIdentifyR算法（NIRA）的原理、R语言实现流程以及三种以往研究中忽视的补充检验方法，并原创性地开发出了NIRApost R包。

该研究聚焦心理网络研究中“如何从横断面数据中更稳健地识别潜在干预靶点”这一方法学问题。研究指出，NIRA通过改变Ising网络中特定节点的激活阈值，模拟症状缓解或加重后整个网络总分的变化，从而评估不同节点作为潜在干预靶点时可能产生的系统性影响（见图1）。与仅依据强度中心性或预期影响等静态指标相比，这一方法更贴近真实干预中“改变一个症状是否会带动整体改善”的问题。

图1. 横断面网络模型模拟干预分析流程

针对已有NIRA应用中容易忽略的稳健性问题，研究团队进一步提出并实现了扩展R包NIRApost，用于补充三个关键检验。第一，调节效应检验用于考察模拟干预前后网络边权是否可被视为稳定，这是应用NIRA的重要前提；若网络中存在显著调节效应，固定边权矩阵的模拟假设可能被破坏，结果解释需更加谨慎。第二，置换检验可为模拟干预效应提供p值，并结合多重比较校正，避免仅依赖图形或置信区间进行主观判断。第三，稳定性分析通过重复模拟评估“最优靶点”是否稳定出现，从而降低单次随机模拟带来的偶然性和选择性报告风险。

研究以广泛性焦虑障碍7项量表（GAD-7）等真实数据为示例，展示了从构建Ising网络、生成原始模拟样本、实施节点阈值扰动，到比较干预前后总分均值的完整NIRA流程，并进一步演示了NIRApost中调节效应检验、置换检验和稳定性检验的具体用法。研究团队同时公开了代码、教程和数据，便于研究者在自己的横断面网络分析中复现和扩展该流程。

该研究强调，模拟干预结果应被理解为基于特定网络模型的“预测性干预靶点”，不能直接等同于真实临床干预效果。NIRA更适用于变量具有共同理论框架、总分具有明确解释意义且关键模型假设得到检验的研究场景。研究建议，未来心理网络研究在报告NIRA结果时，应将其与传统网络中心性指标结合使用，并将调节效应检验、置换检验和稳定性分析纳入标准流程，以提升横断面网络模型在识别心理干预靶点方面的可靠性和可解释性。

该研究得到北京市自然科学基金（IS23088）的资助。

研究已发表于Advances in Methods and Practices in Psychological Science。心理所博士研究生王飞为本文第一作者，浙江大学吴一波特聘副研究员和心理所朱廷劭研究员为本文共同通讯作者。华南师范大学本科生吴亦明共同参与研究。

论文信息：Fei Wang, Yiming Wu, Yibo Wu*, Tingshao Zhu*, (2026) Simulation Intervention for Cross-Sectional Network Models: Based on the R Packages NodeIdentifyR and NIRApost. Advances in Methods and Practices in Psychological Science, 9(3), 1-18. https://doi.org/10.1177/25152459261452944