调查智能手机使用与延迟折扣之间的关系

青少年和成年人中智能手机无所不在，引起了与过度使用这些设备和个性化因素相关的问题。先前的研究发现，在跨时选择的背景下，智能手机的使用与不良适应行为（例如，饮酒，赌博，吸毒）之间的行为相似性，但主要依赖于参与者关于与手机互动的自我报告。在这项研究中，我们通过智能手机应用程序收集了101位参与者的实际使用情况数据，并评估了他们折扣未来奖励的趋势，他们的奖励响应能力，自我控制能力以及对未来后果的考虑。我们发现，智能手机的屏幕时间与选择较小的立即数而不是较大的延迟奖励有关，并且社交媒体和游戏应用程序的使用可以预测延迟折扣。此外，智能手机的使用与自我控制呈负相关，但与未来后果的考虑无关。这两个心理变量都不能调解智能手机使用与延迟折扣之间的关系。我们的发现提供了进一步的证据，表明智能手机的使用和冲动性决策是密不可分的，研究人员必须严格审查与这些设备的互动以指导谨慎行为。

对于发达世界中的大多数人来说，智能手机已经成为永恒的伴侣。最近的调查估计，发达经济体中有76％的成年人拥有智能手机[1]，而青少年普及率已超过80％[2]。根据样本的地理位置和研究方法，智能手机所有者与设备积极互动的平均持续时间为4.7小时[3]至每天8.8小时[4]。此外，超过33％的智能手机用户报告说，他们在早上起床的前五分钟内就可以使用智能手机，而超过40％的人则在夜间检查手机[5]。

这些统计数据自然引起了关于过度使用智能手机及其含义的问题。频繁的通知，即时的信息访问和社会反馈可能会难以避免与设备互动，即使这样做是不适当的，甚至是危险的（例如在开车时）[6]。尽管智能手机成瘾的概念尚未包含在《精神疾病诊断和统计手册》第五版（DSM-5）中，但一些作者发现，过度使用智能手机和DSM-5中定义的与物质相关的疾病之间存在明显的重叠[ 7、8]。认知科学家从不同的角度来探讨这个问题，他们开始研究功能上的个体差异，例如注意力[9]，记忆[10]和决策[11]以及它们与智能手机使用的关系。由于智能手机的相对新颖性，该研究领域仍处于起步阶段，但仍在不断发展[6]。研究智能手机使用与冲动选择之间的关系的一连串文献，即个人偏爱较小的即时奖励而不是较大的延迟奖励，这是研究的一个特别富有成果的途径。

人类和非人类动物通常会根据交付延迟来折价奖励，这意味着今天所获得的奖励比在以后的某个时间点所获得的相同奖励更有价值[12]。这种趋势被称为延迟折扣，并在跨期选择问题中得到体现，参与者在延迟和奖励金额之间面临权衡（例如今天选择50欧元或一周内选择55欧元）。在过去的几十年中，对延迟贴现进行了深入的研究，从而导致出现了两个主要的模型来寻求跨期选择行为：指数贴现和双曲线贴现，后者为大多数经验数据提供了更好的拟合[12]。相应的等式V = A /（1 + kD）（V是未来奖励的现值，A是奖励金额，D是奖励的延迟）包含一个自由参数k，代表个人的贴现率。折扣参数越大，个人对远程奖励的贬值就越多，因此比折扣率较低的人更具冲动性。事实证明，随着时间的推移，个人的折扣率相对稳定，这就是为什么延迟折扣被普遍认为与人格特质相似的原因[13，14]。此外，延误折扣与许多不良适应行为有关，例如吸毒[15]有问题的饮酒[16]和赌博[17]。研究一再表明，吸毒者对未来奖励的折衷要比对照参与者要大得多，这使得延误折扣的程度成为不同性质成瘾者的可靠指标[14]。

尽管智能手机成瘾的概念仍在争论中，但研究人员一致认为，延迟折扣范式中揭示的冲动决策是与智能手机使用相关的因素[18，19]。一方面，有大量证据表明，社交媒体，消息传递和游戏（智能手机上最流行的活动[20-24]）的特征在于主要与奖励相关的大脑区域的激活[25-29]，突出了中心作用满足感可以与智能手机互动。另一方面，智能手机的过度使用也已对重要参数产生负面影响，例如睡眠质量[30]，压力水平[31]，学业成功[32]或整体健康[33]。因此，高智能手机用户隐含地在当前的满足感和未来的不利后果之间进行权衡。

初步研究表明，智能手机的使用与未来奖励的折扣之间存在正相关关系。 Wilmer和Chein [18]发现，与手机的互动程度更高与个人的贴现率和更大的冲动呈正相关，后者通过问卷调查和行为测评来评估。同样，唐等。 [19]发现，样本中的高中智能手机用户选择的即时奖励比低用户更多，并且在评估跨期选择任务中的时间和货币价值维度时表现出偏见。在另一项针对智能手机使用方面的研究中，Delaney等人。 [34]发现，与上瘾的控制相比，Facebook成瘾者对未来奖励的折扣更大。在全面的野外实验中，哈达尔等人。 [35]比较了一组智能手机用户，这些用户是通过问卷调查确定的，并通过在7天的时间内记录的使用数据进行了验证，而另一组用户则缺乏在一系列行为指标上使用智能手机的经验。在其他认知差异中，他们发现，在延迟贴现范式中，重度用户比非度用户表现出更冲动的行为。此外，为考虑与因接触智能手机三个月而引起的行为和神经变化有关的因果关系，作者还将非智能手机用户与首次接收智能手机的参与者进行了比较。然而，作者无法观察到智能手机的使用对延迟折扣的影响。

这些研究提供了有关智能手机使用与延迟折扣之间关系的初步有价值的见解。但是，它们也表现出两个局限性，一方面可能挑战结果的可靠性，另一方面会限制可以从他们的发现中得出的结论。第一个限制涉及智能手机使用率的测量方法。先前的研究主要依靠参与者关于智能手机互动模式的自我报告。通常，使用诸如智能手机成瘾量表[36]或智能手机成瘾量表[7]之类的调查表将参与者分为重度用户和低度用户。尽管这些量表已被证明可以可靠地衡量智能手机的成瘾程度，但它们是基于主观陈述（例如“没有智能手机我的生活将是空虚的”），而不是基于诸如屏幕时间或检查行为之类的客观标准，因此可能不是最有效的方法。衡量与智能手机互动程度的合适工具。在少数情况下，会直接要求参与者估算他们在智能手机应用上花费的时间或检查手机的频率。最近的研究表明，由于参与者正确估计与手机互动的能力有限，因此这类自我报告通常不可靠。 Kobayashi和Boase [37]发现，日本电话用户高估了拨打电话和发送短信的数量。同样，Boase和Ling [38]得出结论，关于电话和短信的自我报告与他们的大型挪威样本的实际日志数据仅具有中等程度的相关性。安德鲁斯等。 [39]得出了相似的结果，发现一个人在典型的一天中使用手机的估计次数与实际使用情况无关，并且估计的或实际使用情况都不与手机问题使用量表上的分数相关[ 40]。作为例外，哈达尔等。 [35]还通过应用程序记录了实际使用情况数据，该应用程序在实验开始时就安装在参与者的智能手机上。虽然这使作者能够验证他们最初基于调查表的参与者对高者和低者的分组，但参与者意识到他们的使用受到观察。这种意识一方面可能会影响参与者与智能手机相关的自然行为，另一方面会改变参与者在旨在衡量智能手机使用效果的任务中的行为方式[6]。

第二个限制是由智能手机使用情况的评估范围构成的。通过广泛关注智能手机互动的许多方面（例如社交媒体）中的一个，可以广泛地评估此变量（即，与设备的整体互动，而无需考虑所使用的特定应用程序/功能）。两种方法都不允许识别智能手机参与度和延迟折扣之间关系的驱动因素。然而，利用Apple iOS固有功能“电池使用”的新颖方法可以克服上述测量问题[23]。为此，研究人员从参与者的iPhone中收集数据，这些数据显示了最近使用的所有应用程序的确切持续时间。除了提供有关个人使用模式的全面描述之外，这种方法也是非侵入性的，因为参与者不知道自己的使用数据是收集的，而不是例如安装一个记录使用情况数据的应用程序，从而可能影响自然行为。

当将智能手机的使用与其他变量（例如幸福感）相关联时，已经成功采用了此方法[22]。

此外，最近出现了一种有希望的神经科学模型，该模型试图解释跨期选择的机制。根据这个模型，人们倾向于延迟奖励的折扣趋势的可变性可以通过奖励评估，认知控制以及想象未来决策结果的能力的个体差异来解释（预期）[14]。研究这三种个人倾向及其与智能手机使用以及延迟打折的关系的性质可能会进一步使我们了解与过度使用相关的变量。

因此，为了复制和扩展关于智能手机使用与延迟折扣之间关系的先前发现，本研究调查了以下两个假设：

假设1：智能手机的实际使用与未来奖励的折扣趋势（延迟折扣）呈正相关。

假设2：智能手机使用与延迟折扣之间的关系是由奖励评估，认知控制和潜在客户之间的关系所介导的。

除自我报告外，我们还从样本中按应用程序收集了实际使用情况数据，该样本的特点是拥有广泛的智能手机。同时，我们采用了广泛使用的跨期选择范式以及个人性格，引起了延迟贴现。我们的研究通过显示基于实际使用情况数据的延迟折扣与智能手机使用之间的关系，发现两个预测延迟折扣的应用类别以及演示自我控制与智能手机使用之间的联系，为文献做出了贡献。

使用ORSEE软件从柏林社会科学中心（WZB）的志愿者数据库中招募了116名参与者（53％为女性，平均年龄22岁）。六名参与者拒绝在到达实验时提供电话使用数据，但参与了研究的所有其他部分。对于五位参与者，由于操作系统过时或故障，无法获得使用情况数据。其他四名参与者的使用数据无法使用，因为他们将备用电话或借来的电话带到了实验中。除去这些数据点，分析中包括了101位参与者（52％的女性）的数据。

为了评估参与者使用智能手机的时间和活动，收集了iOS功能“电池使用情况”提供的数据。对于每个应用程序，此功能都显示了它在屏幕上被有效使用了多长时间，以及在没有用户参与的情况下在后台运行了多长时间，但是仍然消耗着电池寿命。这些持续时间主要适用于过去十天的时间范围，以及过去七天的旧版iOS。由于这是iOS的本机功能，因此用户不会对其使用情况的日志记录产生任何影响，从而确保了客观一致的数据。该功能还显示了总计的总屏幕时间，在对应用程序使用情况进行编码和汇总以进行分析时，该时间用作可靠性检查。为了估算受试者平均每天的电话使用量，总有效屏幕时间除以电话上指示的时间范围。为了控制数据收集时屏幕显示时间的长短，参与者必须报告在过去七到十天内他们的智能手机使用率是异常低，过高还是平均。如果受试者表示异常使用情况，并且他们自己报告的使用情况与实际使用情况相差100％以上，则将参与者排除在分析范围之外，我们的样本情况并非如此。

在数据收集过程中，很明显，几乎所有参与者（例如WhatsApp，Facebook）都使用了某些应用程序，而仅在几部手机上安装了大量应用程序。因此，为了进行有意义的分析，请累计少于四分之一的参与者使用的或目的相同的应用（例如Safari和Chrome，Apple Mail和Yahoo Mail）的屏幕时间。这产生了11个不同的类别（有关分类，请参见S1表）。另外，在计算净屏幕时间时，我们减去了与音乐（例如Apple Music），电视（例如Netflix）以及诸如呼叫和GPS之类的功能相关的应用程序的屏幕时间，因为这些应用程序具有被动使用的特征，即大多数应用程序在后台运行和/或要求与用户的互动微不足道。我们假设包含这些使用模式将使数据失真。一些参与者的总屏幕时间相似，但是在某些情况下，这主要包括社交媒体的使用，而在其他情况下，大多数主动使用是由于GPS导航。

此外，为了能够将这些客观数据与参与者的自我报告进行比较，四个问题评估了参与者与电话相关的行为：1）“您平均花多少时间在应用程序上……”，2）“多久做一次”您通常会在应用程序上发布内容或发送消息……、、 3）“您通常在哪个时间间隔检查手机是否有通知”和4）“在收到通知后，您以多快的速度单击它”。

使用德语翻译的27项《货币选择问卷》 [15]评估了倾向于使用较小的即时奖励而不是较大的延迟奖励的趋势。在此调查表中，参与者必须反复选择立即可获得的较小奖励（例如今天15欧元）或将来可获得的较大奖励（例如13天之内35欧元）。所有奖励都是假设性的，包括少量（例如15欧元），中等（例如41欧元）和大量金钱（例如80欧元）。较大的延迟奖励（LDR）的选择比例可作为冲动性的量度，即比例越低，个人的冲动就越大。该量表在文献中得到了广泛的使用，并与更扩展的仪器提供了相似的结果[42]。同样，一个有力的发现是，使用假设的而不是真实的或潜在的真实奖励会产生几乎相同的结果[43]。此外，LDR度量的比例是一种简单但可靠且有效的度量，与使用Kirby等人的方法估计折现率不同。 [15]，不假定双曲线贴现[44]。使用自动评分对MCQ的反应进行评分[45]。该工具还提供一致性评分，以识别出缺少参加调查表的情况。没有一个参与者的一致性评分低于75％，表明回答的质量良好[46]。

在这项研究中，奖励评估的神经过程被作为个体对奖励的反应进行了操作，这是通过行为抑制系统/行为接近系统（BIS / BAS）量表得出的[47]。量表用于衡量个人的行为抑制和行为激活程度，后者分为“驱动力”，“奖励响应能力”和“寻乐”。不仅要使用“奖励响应度”子量表，还需要管理完整的24个项目问卷，其中包含问题和填充项的混合顺序，以实现尽可能最佳的结果准确性。德文版的Strobel等人。 [48]用于这项研究。虽然完整的BAS量表显示出可接受的内部一致性（α= 0.73），但Cronbach的“奖励响应度”子量表的Alpha值较低（α= 0.56），因此不再进行进一步分析。

我们采用了自我报告以及自我控制的行为指标，这已被证明与认知控制过程紧密相关[49]。对于自我报告的度量，我们使用了Tangney等人的[51]简短自我控制量表的Bertrams和Dickhäuser[50]所做的德国改编。大量的研究表明，与不那么经济的完整36项目版本相比，13项目简短的自我控制量表在评估处置的自我控制能力方面产生了可靠而有效的结果，并且表现相似。该量表的内部一致性是可以接受的（α= 0.74）。

作为一种行为指标，我们采用“执行/不执行”任务作为对反应抑制的测试。在此任务中，参与者必须对计算机屏幕上显示的快速提示的目标（“ Go”）提示做出尽可能快的响应。但是，他们必须保留对非目标提示（“ No-Go”）的响应，这种提示出现频率较低。佣金错误（即对非目标的回应）是减少冲动控制的一种措施。我们对Mostofsky等人的任务进行了改编。 [52]其中绿色圆圈用作目标提示，参与者必须通过按空格键做出响应，红色Xs作为非目标提示；目标和非目标以伪随机顺序显示。每次运行有127个试行和23个不试行。每30名试验参与者有10秒钟的休息时间，以恢复血液动力学反应。参与者总共完成了两次跑步，其间的休息时间很短。提示以黑屏为中心显示了200ms。 Ť

......