Nature 子刊 | 日常感觉抑郁，可能是你刷手机社交媒体太久了！

早晨看消息、通勤刷视频、睡前浏览动态，这些零散时间累积起来，很多人每天花在社交媒体上的时间已经超过两小时。长时间使用社交媒体是否与抑郁有关？一项发表于《npj Mental Health Research》的研究，分析了2014—2024年约18.3万名美国成年人的数据，为这个长期存在争议的问题提供了新的线索。

研究发现，在连续11个年度中，社交媒体使用时间都与自我报告的抑郁呈正向关联。机器学习分析还显示，每日使用时间达到约150分钟后，社交媒体使用对模型预测抑郁的贡献，往往会从接近中性逐渐转为正向。

该研究对象为18-70岁的美国成年人，每年约有1.5万至1.8万人参与调查。研究人员根据参与者的回答估算其每天使用社交媒体、电视、互联网、电子游戏、电子邮件和新闻媒体的时间，并记录参与者是否自报患有抑郁。年龄、性别、收入、教育、职业和婚姻状况等因素同时被纳入分析。除了逻辑回归，研究人员还使用平衡随机森林建立预测模型，并通过SHAP（一种解释机器学习模型的方法）分析解释不同变量如何影响模型结果。

11年间反复出现的关联

从2014年到2024年，调查人群的社交媒体使用时间总体增加，自报抑郁比例也由约15%上升至约22%。控制人口学因素后，较长的社交媒体使用时间仍与较高的自报抑郁比例相关。论文的合并分析显示，每日增加60分钟社交媒体使用，对应的自报抑郁优势比约增加17%（这里的“17%”描述的是人群中的相对统计关系）。

图1：2014—2024年社交媒体使用与自报抑郁的年度变化及分组趋势

社交媒体是重要信号，但不是第一病因

机器学习模型在各年度的准确率约为72%-77%，AUROC约为0.66-0.74，属于中等区分水平。它可以帮助研究人员识别人群规律，却不能用于个人诊断。

在个人收入、年龄、性别及不同媒体活动中，社交媒体使用长期是较重要的预测变量之一，而且在研究后期的相对重要性有所上升。论文比较了2014年和2024年的SHAP结果：高社交媒体使用量更多分布在提高模型预测概率的一侧，其变量排名也比研究早期更加靠前。

图2：不同分析方法均提示，社交媒体使用是自报抑郁的稳定预测信号之一

研究进一步比较了不同模型和变量重要性算法。虽然不同方法给出的具体排名有所差异，社交媒体使用在多个分析中都表现出稳定的预测贡献。研究人员用2014—2018年的数据训练模型，再预测2019—2024年的样本，也获得了大致相近的结果。

如何理解150分钟？

图3中包含2014—2024年共11张SHAP依赖图。横轴是每天使用社交媒体的分钟数，纵轴表示该变量对模型预测结果的贡献。尽管不同年度的曲线并不完全一致，但总体趋势相似：使用时间越长，社交媒体越倾向于把模型预测推向“存在自报抑郁”的方向。

在多个年度中，这种贡献在每日约150分钟附近由接近中性转为正向。这个结果与部分既往研究中“两至三小时后抑郁症状风险升高”的观察相近。

图3：多个年度中，社交媒体使用在约150分钟附近出现由中性向正向预测贡献的变化

研究还比较了年龄和性别亚组。年轻女性的自报抑郁比例总体高于年轻男性，不同年龄组的模型表现也有所差异。这意味着总体结论不能简单套用到每一个人身上，年龄、性别和社会环境仍然需要被单独考虑。

相关不等于因果

然而，这项研究仍有明显局限。抑郁来自单项自我报告，并非临床诊断；社交媒体使用时间来自问卷估算，而非手机后台记录；研究也没有区分不同平台、主动交流与被动刷信息流。更重要的是，横断面数据无法确定因果方向：长时间使用社交媒体可能增加心理负担，处于抑郁状态的人也可能更倾向于上网寻求逃避或支持，两者甚至可能相互影响。

因此，我们不必因为“150分钟”就立即删除所有社交软件。比机械计算时间更重要的，是观察使用方式及其后果：社交媒体是否正在挤占睡眠、运动和线下交流？放下手机后，是获得了支持，还是感到更加焦虑和疲惫？

https://www.nature.com/articles/s44184-026-00237-y

https://medicalxpress.com/news/2026-08-daily-social-media-hours-tracks.html

主编微信

注：添加微信请备注昵称+单位+研究