看到促销就忍不住下单、做决定时总忽略长远后果……生活里的“冲动时刻”，我们总以为是“情绪上头”的偶然，但最近发表在PNAS上的一项研究，却给了我们新的认知——冲动性可能不是随机的“临时状态”，而是一种稳定、可测量，还能预测行为的心理特质。
这项研究（涉及1600+参与者，随访3个月），恰恰瞄准了心理学界多年的“老大难”问题：一直以来，冲动性的定义混乱、测量工具五花八门，甚至有学者建议彻底放弃这一研究方向。但这次，研究团队用48种冲动性测量指标（涵盖10种自评量表+10种行为任务），不仅找到了冲动性的核心“通用因子”，还开发出一款能灵活调整长度的量表，让“冲动”从模糊的感受变成了清晰可测的特质。那么这项研究如何打破争议？又能帮我们理解自己的冲动行为吗？
一、研究方法
本研究以大样本预注册设计为核心，通过线上平台系统推进，聚焦“冲动性测量验证-时间稳定性检验-行为预测评估-量表开发优化”四大目标，具体设计如下：
1.样本与流程
通过社交媒体与线上广告招募参与者，经多维度数据质量控制（含行为任务正确率、谎言项真实性、检查项完成度等）确定有效总样本。同时采用分层随机抽样（按性别、教育、职业、年龄分层）选取部分参与者，在首次测量3个月后开展重测，经数据清理获得有效重测样本。
研究已通过中国科学院心理研究所伦理委员会审批，参与者完成首轮测量可获固定报酬及incentivized行为任务（如气球模拟风险任务、信息采样任务）的绩效奖金，重测轮参与者亦有对应报酬。研究已在指定平台预注册，匿名数据存储于OpenScienceFramework，符合开放科学要求。
2.测量工具
构建“冲动性核心测量+冲动相关行为报告”双体系，实现全面评估：
· 冲动性测量：包含10种自评量表与10种行为任务。自评量表涵盖经典工具（如Barratt冲动量表、UPPS-P冲动行为量表、Eysenck’sI-7量表等），指标覆盖注意力冲动、运动冲动、感觉寻求、奖惩敏感性等维度；行为任务包含停止信号任务、延迟折扣任务、Go/No-Go任务等，指标涉及反应抑制、延迟偏好、风险决策、时间感知偏差等。所有量表均添加谎言项（源自Eysenck人格问卷或其修订版）与检查项，以控制数据质量。
· 冲动相关行为报告：通过3份问卷评估参与者过去3个月内7种行为频率，包括酒精使用（基于酒精使用障碍识别测试）、尼古丁依赖（基于Fagerström量表）、冲动购物（基于购买冲动量表）、冲动饮食（基于三因子饮食问卷）、网络游戏成瘾（基于九项网络游戏障碍量表）、短视频使用（改编自网络成瘾量表）、社交媒体成瘾（改编自Bergen脸书成瘾量表），每种行为均转化为可量化指标。
3.数据分析
（1）数据预处理
针对数据特征优化处理：对偏态分布指标采用平方根或对数转换；少量缺失数据通过Gibbs抽样（R包mice）填补，对指标相关性影响极小；通过线性回归剔除年龄、性别、教育、职业等协变量影响，使用回归残差开展后续分析。
（2）核心分析方法
1.相关分析：控制协变量后计算所有冲动性指标的Spearman秩相关，采用force-directed算法生成网络关系图，仅展示高相关性结果，直观呈现指标关联模式。
2.双因子模型：先通过探索性因子分析（最大似然估计+bifactor旋转），结合平行分析、变量选择策略等确定因子数量；再通过验证性因子分析（R包lavaan），以标准均方残差、近似误差均方根、比较拟合指数、Tucker-Lewis指数评估模型拟合度，验证冲动性因子结构。
3.时间稳定性：基于重测样本计算冲动性指标及提取因子的Spearman重测信度，检验“特质”属性。
4.机器学习预测：将冲动行为高频组定义为预测目标，设置4组预测变量（仅人口学；人口学+一般冲动性因子；前一组+特定因子；前一组+行为任务指标），采用7种算法（如逻辑回归、随机森林、多层感知机），通过十折交叉验证优化超参数，以d'值评估预测性能。
5.量表开发（AIMS）：数据驱动筛选项目，重复拆分样本为训练组与测试组，抽样形成候选项目组合，筛选高相关性、高内部一致性的项目；按出现频率排序并剔除相似项，确定核心项目并验证不同长度版本性能。
二、研究结果
1.相关分析：测量工具收敛效度
· 自评量表内部：指标在网络图中聚类明显，相关性较高，但“感觉寻求”“奖惩敏感性”类指标与其他自评指标相关性较低；
· 行为任务内部：多数不同任务指标相关性极弱，仅同一任务下指标收敛性高；
· 自评与行为任务间：两类指标相关性普遍接近零，证实测量构念存在显著割裂。
2.双因子模型：冲动性结构验证
（1）总样本模型
提取1个一般冲动性因子与6个特定因子。一般因子反映冲动性核心个体差异，类似智力核心因子，主要关联自评量表并解释其大部分方差；6个特定因子分别对应时间估计能力（关联时间估计任务）、感觉寻求（关联自评感觉寻求指标）、延迟折扣倾向（关联延迟折扣任务）、信息采样行为（关联信息采样任务）、惩罚敏感性（关联自评惩罚敏感性指标）、奖励敏感性（关联自评奖励敏感性指标）。模型总方差解释率达一定水平，验证性因子分析显示拟合优良。
（2）仅自评量表模型
剔除行为任务后，模型拟合度提升，总方差解释率及一般因子解释比例均上升，验证性因子分析仍显示拟合优良，说明一般因子核心信息源于自评量表。
（3）重测样本验证
双因子模型在重测样本中拟合更优，拟合指标达更高标准，证实因子结构稳定性。
3.时间稳定性：特质属性证据
一般冲动性因子重测信度在所有指标与因子中最高，远超“特质”稳定性标准；自评量表指标平均重测信度中等偏上，行为任务指标平均重测信度显著更低；与自评相关的特定因子重测信度较高，与行为任务相关的特定因子信度较低，进一步印证一般因子及自评相关因子的“特质”属性。
4.预测性：行为预测能力
（1）一般冲动性因子
其与7种冲动行为的平均相关性高于现有单一量表，对冲动购物、冲动饮食、短视频使用、社交媒体使用预测力较强，对饮酒、吸烟、网络游戏成瘾预测力较弱（受人口学变量天花板效应影响）。跨时间预测中，其预测力无显著下降，具备“预后价值”。
（2）其他预测变量
特定因子仅对少数行为（如社交媒体使用、网络游戏成瘾）有微弱额外预测力；行为任务指标对所有行为无显著额外预测力，与既往研究结论一致。
5.可调冲动性量表（AIMS）性能
（1）心理测量学属性
含多长度版本（如10题、25题、50题），均具高内部一致性、高重测信度及与一般因子高相关性；最长版本（AIMS-50）探索性因子分析支持单因子结构，验证性因子分析拟合优良，且统一响应格式提升使用便利性。
（2）预测性能
AIMS-50与冲动行为的平均相关性略高于一般因子，预测效果与其一致，对部分行为（如冲动购物、冲动饮食）预测力更优；跨时间预测中，对特定行为（如短视频使用）预测力有提升，具实际应用价值。
本研究的核心贡献体现在三个层面：理论层面，证实了冲动性的双因子结构，为长期混乱的冲动性研究提供了统一的理论框架；方法层面，开发了AIMS，有效解决了冲动性测量工具无序的问题，且量表长度可调整，兼顾灵活性与评估精准性；实践层面，为临床领域（如心理障碍诊断）及教育领域（如冲动行为干预）提供了可靠的测量工具与行为预测指标。
当我们再面对自己或身边人的“冲动选择”时，或许不用再简单归咎于“自制力差”——这项研究告诉我们，冲动性有其稳定的特质内核，也有科学的测量方式。无论是能兼顾灵活性与精准性的AIMS量表，还是证实的“通用因子+特定因子”双结构，都为我们理解冲动、干预冲动行为（比如临床诊断心理障碍、教育中引导冲动特质）提供了扎实的科学依据。
当然，研究也坦诚指出了不足：实验室里的行为任务还需更贴近真实生活，AIMS量表也需要在更多文化和临床样本中验证。但不可否认，它已经为混乱的冲动性研究点亮了方向。下次再忍不住“冲动消费”时，不妨想想：这或许是特质的小小体现，但通过科学的认知，我们完全能更好地驾驭它。
本文内容转自三仓心理学界公众号