**摘要**
**背景**
网络控制理论（Network Control Theory, NCT）关注动态复杂系统的控制，允许对（理论上的）干预效果进行建模和评估。
**目标**
本研究提出了一种概念验证方法，将NCT以过程导向的方式应用于患者的生态瞬时评估（Ecological Momentary Assessment, EMA）数据。
**方法**
我们使用岭回归（ridge regression）对20名抑郁或焦虑症患者的时间序列数据进行预处理，应用了线性动态系统模型（Linear Dynamic System Model, LDS）（每个患者的数据点数为96个）。基于规范知识（nomothetic knowledge）和专家小组共识，模拟了31种治疗干预的效果。应用了两种NCT指标：平均可控性（Average Controllability, AC），用于衡量干预对系统的理论影响；以及累积脉冲响应（Cumulative Impulse Response, CIR），用于衡量每个变量的理论变化幅度和方向。
**结果**
某些节点表现出较高的可控性。在示例案例中，NCT得出的建议与实际接受的干预措施有所不同。不同干预措施的可控性存在差异，某些干预措施在患者群体中的可控性始终较高。
**结论**
这种概念验证方法展示了NCT如何原则上可以通过过程导向的干预模拟来应用。然而，其当前应用基于理想化的假设。所识别的干预措施是否具有临床意义需要通过实证测试来验证。我们强调了NCT研究的机会，并讨论了进一步实证验证干预效果的关键步骤。
**关键词**
网络控制理论、控制指标、干预建模、变化过程、生态瞬时评估
**本文的临床或方法学意义**
据我们所知，这项研究是首次系统地尝试将治疗干预与它们旨在激活的心理变化过程及其在动态复杂系统（即个体的心理问题）中的假定目标联系起来进行形式化和建模。研究结果表明，网络控制理论指标原则上可以应用于实时临床数据，为评估治疗干预在个体层面的可控性提供了一个潜在框架。同时，这一概念验证应用也突显了在临床心理学中应用网络控制理论时存在的重要方法学挑战，特别是对个体特定干预效果的经验洞察有限。通过提出一个初步的干预过程维度映射，本研究旨在鼓励未来对基于过程的干预建模进行实证评估和验证。
**引言**
心理病理学的网络方法（Borsboom & Cramer, 2013; Hofmann et al., 2016; Borsboom et al., 2021）将心理障碍概念化为相互作用元素的网络。心理网络由节点组成，节点代表生物心理社会问题，而边则代表节点之间的关联，这些关联可以在同一测量点或随时间变化。由于心理现象是动态的，即多个变量及其相互关系会根据一组非直观的模式随时间变化，因此我们可以将心理网络视为复杂的动态系统（Ladyman et al., 2013; Scheffer et al., 2024）。为了近似心理系统的底层动态，即症状之间的关系随时间的变化，通常采用一种基于智能手机的数据收集方法——生态瞬时评估（EMA）（Epskamp et al., 2018）。在这种方法中，多个变量在几周内被多次评估，从而产生时间序列数据，这些数据可能有助于洞察复杂系统的时间动态（Borsboom et al., 2021）。
近年来，对心理健康问题的系统视角激发了新的方法，旨在提高干预选择的个性化程度（Schumacher et al., 2023），这是由于针对常见心理健康问题（如情绪和焦虑障碍）的认知行为疗法的反应率停滞所推动的（Bhattacharya et al., 2023; Cuijpers et al., 2024, Hofmann et al., 2025）。有前景的方法包括将临床信息和案例概念化整合到个体患者的EMA数据的网络建模中（Burger et al., 2022; Scholten et al., 2022），或应用治疗算法从个体特定网络中推断可能的合适干预措施（Rubel et al., 2018）。在这些方法中，动态系统模型的结构特征（如节点中心性指标）被用作潜在有效干预目标的指标（Fisher et al., 2017）。然而，最近的研究结果对这些指标的可靠性和预测有效性提出了质疑（Bringmann et al., 2022; Qu et al., 2026）。此外，结构指标无法充分捕捉干预措施对动态系统的变化（Henry et al., 2022）。
**网络控制理论（NCT）**
网络控制理论（NCT）是一种数学框架，起源于物理学和工程学中的控制和系统科学领域，其中常规研究经典复杂系统（Ogata, 2010）。在过去二十年里，来自不同领域的研究人员认识到，NCT内开发的方法和分析工具可以有意义地应用于物理科学之外的复杂现象，包括心理和行为系统。NCT的核心目标有三个：（1）建模复杂动态系统；（2）描述它们的结构和时间属性；（3）确定如何通过外部输入来控制或引导这些系统（Henry et al., 2022）。应用于心理治疗研究时，可以使用个体的EMA数据将心理健康问题建模为动态系统，这被称为个体化建模。外部输入对应于治疗中使用的干预措施。因此，NCT提供了模拟和评估这些干预措施对系统行为随时间变化的理论效果的方法。表I提供了当前NCT方法中应用的关键概念定义。
**常用NCT指标**
一个常用的NCT指标是平均可控性（Average Controllability, AC）（见表I的定义），用于近似通过干预措施对特定节点的影响效果。AC量化了针对系统内某个症状与针对其他症状的相对效率，假设干预强度相同（Henry et al., 2022）。较高的AC值表明，对该节点的干预在理论上能够比针对AC较低节点的干预产生更大的系统变化。例如，在神经科学中，刺激AC较高的大脑区域已被证明可以在模拟研究中引发广泛的系统级变化（Gu et al., 2015）。在个性化治疗的背景下，Fechtelpeter等人（2024）应用了几种基于NCT的策略来识别优化模拟治疗结果的同时最小化干预强度和所需时间的数字心理健康干预措施。他们的结果表明，在他们的研究中结合平均可控性（AC）和累积脉冲响应（CIR）可能有助于个性化干预选择。CIR量化了特定干预措施在系统每个维度上引起的即时和长期变化。从概念上讲，CIR描述了系统在定义的时间范围内经过干预后的轨迹，从而近似干预对系统每个变量的累积效应。
**结论**
假设可以足够精确地指定干预的预期效果，NCT指标如AC和CIR不仅可以用于评估针对单一症状的干预措施，还可以用于评估预期会影响多个症状的干预策略（Henry et al., 2022）。这为推进心理治疗中的个性化治疗选择提供了一个有前景的方向，因为现实世界临床环境中的干预措施通常同时影响多个症状（Hayes et al., 2020; Hofmann, 2024）。此外，由于治疗师通常可以访问多种基于证据的干预措施，NCT指标可能为临床决策提供支持，帮助识别最有可能对特定问题动态有效的策略。
**伦理**
收集的EMA数据进行了匿名处理，即每个数据记录都被分配了一个ID代码，该代码可以与单独存储的安全链接文件中的相应患者ID匹配。EMA数据来自两项正在进行的临床治疗研究，这些研究评估了使用动态网络模型个性化认知行为疗法的有效性和可行性（关于RCT研究方案的详细信息，请参见Stangier et al., 2024）。这两项研究均获得了德国法兰克福大学心理学系伦理委员会的批准（注册编号2023-47和2023-48）。参与者被告知，他们的匿名EMA数据将被研究小组用于科学分析和出版。当前分析未获得额外批准。
**开放科学声明**
当前的概念验证分析未预先注册。我们改编所使用的Python代码可在https://github.com/JMFechtelpeter/control_theory_for_emi获取，由Fechtelpeter（2024）提供。如有合理请求，我们的分析代码也可提供。
**参与者**
参与者（N=20；13名女性）平均年龄为39岁（年龄范围从21岁到65岁）。参与者是法兰克福大学心理学系门诊诊所的患者，他们自愿参与了其中一个父研究（RCT）。要纳入这些研究，参与者需要满足以下条件：主要诊断为抑郁或焦虑障碍，根据德国治疗抑郁或焦虑障碍的医学专业协会（Arbeitsgemeinschaft der Wissenschaftlichen Medizinischen Fachgesellschaften, AWMF）的指南，至少进行了两次药物治疗或心理治疗的失败尝试，并且具备足够的德语知识。纳入和排除标准由接诊临床医生使用M.I.N.I.（Sheehan，1998年引用）进行评估，并根据DSM-5进行了调整。要纳入这些研究，患者需要满足以下条件：主要诊断为DSM-5中的抑郁或焦虑障碍，并且至少尝试过两次药物治疗或心理治疗但均未成功。
生态瞬时评估（EMA）：本研究中分析的EMA数据是在两项心理治疗研究的基线阶段收集的，在此期间，患者进行了基于智能手机的自我监测，但没有接受任何治疗干预。为了最大化基于EMA的网络的敏感性，选择的EMA变量应尽可能全面，但数量应尽可能少（Mansueto等人，2023年引用）。基于扩展进化元模型（EEMM；Hayes等人，2020年引用），实施了自适应过程基础网络模型（APNM；参见Hufschmidt等人，2026年引用），以支持基于EMA的评估的临床可行性。在这个框架中，心理体验被概念化为六个核心维度：认知、情绪、生理、行为、认知处理（例如，注意力、记忆、意识）和动机图式。该框架为优化心理治疗研究中EMA的应用提供了理论基础和实用方法。在前三次治疗会议中，治疗师与每位患者共同构建了一个概念性问题网络。该网络确定了每个心理维度的关键适应不良或问题体验。此外，治疗师和患者还定义了相应的适应反应或目标状态。例如，情感维度从负面情感（例如，“悲伤”）到正面情感（例如，“满足”）。治疗师通过帮助患者将极端定义为逻辑对立面来指导极点的定义（例如，在生理维度上，身体兴奋与身体平静）。每个维度的个性化极点被转移到基于智能手机的系统中。在本研究中，我们使用了Status-App（Vacay ©，2024年），这是一个允许个性化EMA项目配置的移动平台。每个维度使用从-100到+100的双极视觉模拟量表进行评估（Nemani等人，2025年引用）。患者被要求在四到五周的时间内每天完成三次评估。平均而言，参与者在评估期间提供了96次评分（范围=61-141次）。根据gVAR模型的75-100个测量点目标（Mansueto等人，2023年引用），共有16个数据集（80%）至少达到了75个总测量点。
在家长研究中，根据治疗开始前收集的密集生态瞬时评估（EMA）数据估计了个体图形网络模型。网络估计使用R包qgraph（版本1.9.8；Epskamp等人，2012年引用）进行。随后，治疗师和患者共同解释了生成的动态网络模型。扫描了个体适应不良模式中的维持过程。治疗干预的选择是个性化的，基于与识别出的适应不良过程相匹配的变化机制的实证证据以及基于证据的治疗方法（Hayes等人，2020年引用）。干预选择还得到了针对具体案例的过程导向监督的支持。
数据预处理：在模型估计之前，所有时间序列都检查了潜在的建模相关问题，包括缺失数据、低方差和时间不规则性。尽管数据集在缺失和方差方面存在异质性，但没有发现会损害所采用的建模方法或需要排除特定数据集的实质性问题。数据预处理是在R中使用“imputeTS”包完成的。缺失值通过应用卡尔曼滤波处理（Moritz & Bartz-Beielstein，2017年引用）。尽管本研究采用的建模方法假设数据是平稳的，但我们决定不对EMA数据进行去趋势处理，因为EMA评估是在没有治疗干预的基线阶段收集的。因此，我们预计变量的时间动态将保持相对稳定，不会表现出系统性的分布变化。通过指导患者在早晨、中午和晚上输入数据，并提示患者在早上6点、中午12点和下午6点输入数据，来近似测量值的等距离。由于存在12小时的夜间时间延迟，因此不能假设完全等距离。所有分析和图表生成都是在R（版本4.5.1）中完成的。
模拟治疗干预效果：应用NCT指标需要指定治疗干预对动态系统各维度的影响。心理治疗研究有着评估治疗效果的传统，但关于变化过程的数据很少，而这些数据可以更准确地估计介导治疗效果的心理维度变化（Lutz等人，2021年引用）。为了近似干预效果，我们根据内部文献回顾以及一个小专家组的建议，制定了一个干预措施、相关变化过程和EMA维度的初步列表。这种方法是必要的，因为据我们所知，目前文献中还没有关于基于证据的干预措施、变化过程和目标症状的全面映射。我们假设治疗干预最有可能通过多个变化过程产生影响，并通过针对动态系统中的多个节点来发挥作用，这在其他地方被称为多目标干预（Hofmann等人，2020年引用；Henry等人，2022年引用）。为了建立一套简洁且理论上有根据的心理过程和干预措施，我们回顾了现有文献，参考了元分析（Hayes等人，2022年引用；Pompoli等人，2018年引用）、系统评价（Kazantzis等人，2018年引用；Lemmens等人，2016年引用）和专家共识小组（Pfammatter等人，2012年引用）以及认知行为疗法中的基于证据的干预措施（Klepac等人，2012年引用）的证据。其次，我们召集了一个由三位心理治疗教授、一位博士后研究员和两位博士生组成的专家小组。这个工作组共同决定了（1）纳入关于基于证据的干预措施和变化过程的内部文献回顾的结果；（2）将变化过程和基于证据的干预措施暂时匹配到它们的目标心理维度：情绪、生理、认知、行为、认知处理和动机。结果矩阵如表II所示。表II. 干预措施、相关变化过程和目标心理维度的初步映射。
接下来，我们应用干预-过程-维度映射来生成31种基于证据的干预措施的预期效果的初步定量概况。假设的变化过程被用来估计每种干预措施在心理维度上的效果强度。例如，暴露疗法被认为涉及三个不同的心理变化过程：主要是恐惧抑制和回避行为的减少，其次是威胁信念的重新评估（Knowles & Tolin，2022年引用）。因此，恐惧抑制和回避行为的减少被编码为强烈激活（值=1），而威胁信念的重新评估被编码为中等激活（值=0.5）。根据这些映射，暴露干预的效果向量ut反映了在情感和行为上的强烈效果（1），在认知上的中等效果（0.5），以及在生理、认知处理/注意力和动机上的无显著效果（0）。在与一个小专家组的咨询中，进一步细化了干预效果的数值规格，特别是在文献中存在空白导致效果强度不明确的情况下。按照这个程序，我们估计了所有31种基于证据的干预措施的效果向量ut；完整的向量集在表2（补充材料）中提供。
我们的心理系统模型，即个体的心理问题，由六个来自EEMM模型（Hayes等人，2020年引用）的测量变量表示。为了评估基于个体EMA的潜在网络结构及其时间动态，并模拟干预效果，推断了一个离散时间线性动态系统（LDS）模型，由以下方程描述：(1) xt+1=Axt+But+εt。该系统通过两个关键矩阵进行估计：矩阵A（邻接矩阵），描述了一个变量的状态如何影响下一个时间点（t+1）的其他变量。它由六行六列组成，代表了六个EMA维度之间的惯性相互依赖性。条目ij（在第i行和第j列）包含了时间t的项目j对时间t+1的项目i的线性影响。系统矩阵A是使用岭回归建模方法推断的，岭回归是一种最小二乘回归的变体，它对矩阵A的范数施加了惩罚，以避免过拟合和不稳定的动态，称为L2正则化。对于岭回归，正则化强度是为每个模型单独确定的，并设置为确保系统稳定所需的最小值，即A的最大绝对特征值小于一。矩阵B（输入矩阵）指定了外部输入对系统状态的影响程度。B矩阵是对角矩阵，B矩阵的每个条目是每个个体的标准差，作为外部输入相对影响的缩放因子。这些“效应权重”在B矩阵中乘以输入向量ut，该向量编码了每个干预措施对EMA维度随时间t的预期影响强度，代表了总测量时间点。在向量ut中，效应的强度编码为0=表示无显著效果，0.5=表示中等效果，1=表示强烈效果。换句话说，B矩阵中表示的输入效应是“完全激活”（在u向量中编码为1）或“部分激活”（在u向量中编码为0.5）或“关闭”（在u向量中编码为0）。因此，u向量编码了每种干预措施对六个EMA维度的预期效果概况。表2（补充材料）展示了每个干预措施的向量ut的定义。最后，ϵ（epsilon）代表捕获系统中的随机波动和随机影响的高斯噪声。
LDS模型还用于计算后续网络指标。首先，我们计算了平均可控性（AC）。AC的计算基于可控性格拉姆矩阵WT，该矩阵基于矩阵A和B计算，描述了网络可以被控制的程度（有关其规格的更多详细信息，请参见补充材料）。高AC值意味着可以用最小的能量影响一个节点以驱动显著变化（Pasqualetti等人，2014年引用；Summers等人，2016年引用）。其定义为：(2) AC=trace(WT)，其中T=被评估的EMA变量。当假设每个节点都可以用B中定义的干预强度单独针对时，可以得出每个节点的AC值。节点特定的AC值告诉我们通过针对一个特定节点进行干预来改变系统的效率，相对于针对其他节点而言。从概念上讲，这意味着干预高AC节点会导致更大的变化，而不是将相同的干预强度指向低AC节点。除了AC之外，我们还计算了网络控制的平均描述符——累积脉冲响应（CIR）。CIR定义为：CIR=∑(t=0)TAtB′。CIR量化了给定干预在固定时间点T内对每个心理变量的近端累积效应，这取决于网络连通性（Fechtelpeter等人，2024年引用）。因此，它可以理解为衡量特定干预在特定时间范围内在每个网络节点中引起的变化程度。在我们的分析中，我们将时间范围T定义为每个数据集可用的最大时间步数（范围=61-141）。
首先，计算了所有患者每个节点的平均可控性（AC）值（见图1）。AC估计假设对目标节点有完整的干预效果，而对其他节点没有效果，相应的效应权重由相应EMA变量的标准差（SD）定义。在我们的样本中，AC值通常较低（<4），并且在节点之间相对均匀。然而，来自不同数据集的一组节点显示出显著升高的AC值（>8）。EMA数据的项级描述显示在表III中。图1显示了按生态瞬时评估维度分组的个体患者节点级别的平均可控性（AC）值。注意：三角形表示每个患者的最大AC节点；颜色代表个别患者。患者的平均AC和平均值的标准误差（SEM）以浅灰色显示。
该图显示了按生态瞬时评估维度分组的个体患者的节点级别平均可控性值的散点图。垂直轴从上到下列出了6个维度标签：动机、认知处理、行为、认知、生理和情绪。横轴标记为AC值，范围从0到12，3、6、9和12处有主要的刻度和数字标签。在每个横坐标区间内，沿着AC值轴的不同位置出现多个小圆圈，代表不同患者的节点。在每个区间内，还有一个带有水平条的大圆圈，表示该维度的平均值及其标准误差。每个患者在控制能力最高的节点处都有一个三角形；这些三角形分布在轴上，但大多位于同一区间内圆圈的较高AC值处。在所有维度中，大多数圆圈聚集在0到3的AC值之间，只有少数圆圈和几个三角形延伸到6、9甚至12。所有数据均为近似值。
初步估计干预效果使我们能够计算控制能力指标。对于四个示例患者案例，我们展示了与最高平均控制能力（AC）相关的干预措施、相应的累积脉冲响应（CIR）曲线以及实际接受的干预措施（见图2）。此外，我们还研究了每种干预措施在每位患者中排名前五的控制能力最高且所有EMA维度上CIR值均为正的情况（见图3）。最常被认定为具有高AC的干预措施包括意象重构（20名患者中有15名接受）、现场暴露（20名患者中有9名）和情绪调节训练（20名患者中有8名）。
图2显示了四个示例患者案例的时间序列数据网络模型、基于NCT的干预建议以及实际接受的干预措施。注意：对于每个案例，都指定了EMA维度的个性化极点。变量标签按以下顺序排列：E=情绪，P=生理，C=认知，B=行为，CP=认知处理，M=动机。箭头粗细表示关联强度（越粗表示越强），颜色反映方向（蓝色=正向/兴奋；红色=负向/抑制）。虚线表示负相关。自循环代表节点对自身的自回归效应。
该图展示了两个示例患者的结构化布局，按行组织在表格中。每一行包含症状变量的网络图、水平条形图和描述干预措施的文本标签。对于案例1，左侧的文本列出了情绪、生理、认知、行为、认知处理和动机的个性化极点，每个极点都用括号中的缩写标注。在这些文本下方，一个圆形网络图用不同粗细的箭头连接了标记为E、P、C、B、CP和M的节点。一些箭头折回到各自的节点，线条样式从实线变为虚线。右侧的列标题为“平均控制能力最高的干预措施”，条目为“意象重构”。在其下方是一个条形图，x轴标记为从0到约120的脉冲响应，每20个单位有一个刻度，y轴标记为E、P、C、CP和M；不同变量的条形长度不同。最后一列列出了接受的干预措施为“解离练习/反刍训练”。
图2继续展示了案例3和4的数据，每个案例都包含变量列表、网络图和标记为CIR图的条形图。案例3列出了情绪焦虑与平静、生理紧张与放松、认知中的负面自我陈述与正面自我陈述、行为中的安全行为与放弃安全行为、认知处理中的自我专注注意力与关注情境、动机中的避免负面评价与激发好奇心之间的对比。下方的网络图用不同粗细的有向线连接了标记为E、P、C、B、CP和M的节点，包括自循环。右侧的水平条形图显示了x轴上从0到30的累积脉冲响应，间隔为5，y轴标记为EMA维度，M、CP、P和E的条形长度不同。最后一列列出了接受的干预措施为“认知重新评估技术”。
讨论
本研究的目的是引入一种基于概念验证的方法，在基于过程的框架内使用网络控制理论（NCT）的方法来模拟治疗干预效果。利用我们门诊诊所中患有抑郁或焦虑障碍的小样本患者的数据，我们估计了个体特定的动态系统模型，并应用了基于模拟治疗干预的NCT指标。我们的发现表明，原则上可以通过理论推导出的变化过程及其假定目标节点的映射来指定NCT所需的输入向量。这意味着基于NCT的干预选择在以下理想化假设下是可行的：（1）底层动态系统可以足够准确地建模；（2）治疗干预对个体系统的影响可以足够精确地指定。
对节点平均控制能力（AC）值的视觉检查表明，在个体系统中，一小部分变量表现出显著高的AC值，而大多数节点的AC值较低且相对均匀。这表明，对于大多数EMA维度而言，单节点干预可能难以广泛影响整个系统。这一模式与心理病理过程是由分布式且紧密相连的症状网络维持的观点一致，而不是由少数几个高度主导的节点维持（Schumacher等人，引用2023年）。当通过多条路径针对复杂动态系统时，高AC值的节点可能在理论上作为有效干预的杠杆点，这与之前的模拟和基于群体的研究结果一致（Fechtelpeter等人，引用2024年；Stocker等人，引用2023年）。观察到的患者之间高AC目标的不同支持了精准心理健康视角，即控制能力指标可以通过突出患者特定的杠杆点来补充临床判断，而不是规定统一的治疗策略（Lutz等人，引用2021年）。然而，针对高AC节点是否能够转化为临床意义上的益处尚不清楚，需要进一步的实证测试。
在研究四个示例患者案例时，我们观察到治疗师选择的干预措施与NCT指标识别出的高可控性干预措施并不一致。此外，一些高AC值的干预措施的累积脉冲响应（CIR）曲线显得有些矛盾。例如，在案例2中，现场暴露的CIR曲线显示对生理维度没有累积效应，这与关于基于暴露的干预措施的生理效应的现有证据相矛盾（Knowles & Tolin，引用2022年）。这种差异可以追溯到我们对干预输入向量的临时定义中的错误指定，这些向量决定了B矩阵中的效应权重是否被激活。具体来说，代表现场暴露的u向量没有包括生理维度的激活，因为该维度被编码为零（见补充材料中的表2）。更一般地说，NCT输出对预设干预效果的强烈依赖性强调了基于实证验证这些输入假设的重要性。在检查所有患者的CIR曲线时（完整结果见附录），似乎高AC值的干预措施在某些情况下可能会对某些变量产生潜在的不利影响。在这种情况下，CIR值表明干预措施会将一个或多个变量推向不适应的状态/负极。由于AC反映了系统进入邻近状态的容易程度，它没有区分适应性变化和不适应性变化。谨慎解释的话，目前的概念验证结果表明，理论上高效且临床上有利的干预措施应该同时在各个维度上表现出高AC和适应性CIR曲线。
在所有案例中，基于高AC值和正面CIR估计最常推荐的干预措施包括意象重构、现场暴露和情绪调节训练。尽管鉴于模型的简化假设，这些推荐应谨慎解读，但先前的研究已经报告了这些干预措施的显著效果（Berking等人，引用2013年；Hofmann等人，引用2025年；Morina等人，引用2017年）。同时，对于NCT输出较少推荐的干预措施，如认知重新评估和行为激活，也显示了类似的效果大小（Clark，引用2022年；Cuijpers等人，引用2007年）。这一观察增加了对NCT推荐临床相关性的不确定性。
本研究的模型基于向量自回归框架，该方法论假设并未完全捕捉到所研究心理过程的真实动态。特别是，该模型假设线性和稳定性，意味着变量的分布特性随时间保持不变，并在受到干扰后恢复到稳定平衡（Hamaker等人，引用2015年）。因此，平均控制能力（AC）和累积脉冲响应（CIR）所指示的理论治疗效果假设在EMA评估期间系统的行为保持稳定。因此，它忽略了治疗干预后可能发生的心理过程的系统性时间变化（Bringmann等人，引用2022年）。建模方法假设底层动态系统可以通过评估的变量完全观察到。然而，本研究中建模的“心理系统”仅限于为EMA数据收集选择的六个变量。此外，每天有限的评估次数和有限的建模滞后进一步增加了系统错误指定的可能性（Mansueto等人，引用2023年）。这里使用的采样频率可能不足以捕捉到真正感兴趣的心理过程的动态，这是特定时间序列建模固有的方法论挑战（Haslbeck & Ryan，引用2022年）。因此，建模结果对研究人员的分析决策非常敏感（例如，在变量选择、预处理和建模方法上），Bastiaansen等人（引用2020年）清楚地展示了这一点。因此，应谨慎解释当前的研究结果，因为不同的分析选择可能会产生不同的结果。此外，本研究的小样本量进一步限制了结果的普遍性。本研究采用了一种个性化的经验测量评估（EMA）方法，患者与治疗师共同在六个EMA维度上定义了项目极值。新兴证据表明，这种双极个体化方法是可行的，并可能具有方法学优势（Hufschmidt等人，引用2026；Nemani等人，引用2025）。然而，这些项目极值可能反映了主观定义的对比体验，而不是真正的概念对立面。这可能会降低概念的清晰度，由于结构重叠导致项目之间的交叉相关性，并限制个体间的可比性，从而限制了群体层面的推断。关于本研究生成的基于网络对照试验（NCT）的干预建议，使用个体化项目进一步意味着干预效果是在高度个体化的动态系统中模拟的。因此，对于同一干预措施在不同个体中的更高可控性估计可能反映了不同的潜在系统动态或机制，而不是直接可比较的效果。因此，使用经过验证和标准化的EMA项目来复制当前分析似乎是必要的。当前的方法假设干预效果可以在个体症状/网络变量层面精确定义和隔离（Eronen，引用2020）。实际上，这样的因果假设很难验证，因为心理干预通常是“多方面的”，同时影响多个变量。此外，临床上有意义的效果可能是随着时间的积累而出现的，在干预措施实施后很长时间才显现出来（Ong等人，引用2025），而当前方法没有收集干预后的数据。最后，需要注意的是，这种概念验证方法并没有在个体层面估计真正的干预效果。相反，干预效果主要是通过整合关于治疗效果和相关变化过程的普遍性证据来近似的。因此，当前方法隐含地假设了遍历性，即从群体层面数据得出的效果和平均值可以充分描述个体层面的动态（Molenaar，引用2010）。尽管常规实践中的临床决策主要受普遍性证据的指导（Cohen等人，引用2021），但在群体层面识别的过程并不一定适用于个别患者心理变化的机制（Kaiser等人，引用2025）。
未来方向
我们提出了解决当前NCT应用中重大限制的途径：这些限制源于简化建模假设以及干预效果规范中的不确定性。首先，未来的研究应该探讨非线性建模方法的效用，这些方法可能更准确地捕捉心理变量分布特征的变化，包括状态依赖和非线性状态空间模型（Fechtelpeter等人，引用2026；Scholten等人，引用2024）。其次，一个关键的下一步是实证验证将干预措施与相关变化过程和系统维度联系起来的分类法。这将需要在实施治疗干预后收集EMA数据，以直接评估实证干预效果，并将这些效果与从模拟干预中得出的NCT结果进行比较。为此目的，单一案例实验设计（SCED）是一种特别有前景的研究设计，它专门用于在个体层面估计有意义的治疗效果，并可能通过评估在实验操作条件下的个体内变化来实证验证NCT结果（Scholten, Rubel等人，引用2024）。第三，所谓的个体化方法代表了未来研究的一个有前景的方向，因为它将个体化见解整合进来，以指导和完善普遍性治疗原则，同时保持临床启发式的实用性（Cohen等人，引用2021；Hayes等人，引用2022；Sahdra等人，引用2024）。然而，一个核心且尚未解决的挑战是如何利用多维个体化数据来推导出可推广的原则。一个潜在的途径是识别不同个体动态系统之间的共性，这些系统可能对特定输入或干预有类似的反应。在这方面，Golino等人（引用2025）最近引入了遍历性信息指数（EII）作为衡量将群体层面网络结构应用于个体案例时信息损失的指标。新兴证据表明，这种方法可能有助于识别异质心理治疗样本中结构相似的个体化网络子群（Kaiser等人，引用2025）。此外，学习层次建模方法在时间序列分析中显示出潜力，并可能提供一种基于个体化信息估计控制参数的方法（Brenner等人，引用2025）。
假设通过未来的实证研究可以更准确地定义干预效果，那么将NCT得出的结果整合到临床决策中的临床效用及其对整体治疗效果的价值，最终必须根据既定的临床标准进行评估，例如基于协议的治疗。将NCT指导的治疗选择与仅依赖于网络结构的案例概念化方法进行比较也将是有信息量的（例如，优先考虑针对高输出强度节点的干预），因为NCT指标的潜在优势在于它们能够量化和评估干预对动态过程的影响。总之，概念和实践上的限制表明，NCT仍处于发展的早期阶段，在大规模应用于临床决策之前还需要大量的进一步工作。即使这些限制可以得到解决，NCT得出的建议最好被视为一种数据驱动的信息来源，有助于更深入地理解接受治疗的复杂心理系统的行为，而不是作为一个独立的决策工具。尽管如此，我们强调了这种方法的几个有前景的方面，特别是其模拟干预效果的潜力，并希望鼓励进一步研究个体特定的治疗效果和变化过程。
关于写作过程中生成式AI和AI辅助技术的声明
在准备这项工作时，作者使用了ChatGPT 4.0和DeepL Write来改进最终手稿的风格和语法。使用这些工具/服务后，作者根据需要审查和编辑了内容，并对出版物的内容负全责。
补充材料
补充材料
下载MS Word（1.7 MB）
补充材料
下载MS Word（27.4 KB）
本文的补充数据可以在以下网址在线获取：https://doi.org/10.1080/10503307.2026.2666624
打赏
