International Open Access Journal Platform

1 引言

在心理学领域，心理健康被誉为实现人类福祉的根基，其定义超越了单纯的无病态，延伸至个体在情感、心理及社会层面的完善和功能性（Keyes，2007；King & Hicks，2021）。在众多影响因素中，生命意义感显得尤为重要。生命意义感可以定义为个体对其存在感到有目的、有价值和有意义的程度，是个体在认知、情感和行为层面上对生活的积极评价和深度参与（Steger et al.，2006）。它不仅为个体的幸福感和生活质量提供了坚实的基础，而且是心理适应之钥（Ryf & Singer，2008）和抗压力之盾（Park，2010）。对于正处于人生重要转折点的大学生而言，这一概念尤其重要——他们正面临着诸多改变和抉择，这些决定可能对其未来的职业、人际关系乃至世界观产生深远的影响（Miller & Rottinghaus，2014；S J Schwartz et al.，2013）。在这个关键时期，生命意义感赋予了他们自我导向的力量，帮助他们在纷繁复杂的世界中找到自己的位置。鉴于生命意义感对于心理健康的核心作用，心理学研究者不断努力开发和完善相关的测量工具（Purpose in Life Test，PIL）（Crumbaugh & Maholick，1964）。这些工具的设计旨在精确捕获并量化个体对生活的深层体验，并且它们充分考虑了跨文化差异，以确保在不同文化背景下的适用性和可靠性。然而，这些问卷方法在适用性和现代生活节奏的适应上存在局限性，特别是对于面临时间和精力分配压力的大学生群体来说，传统的纸质问卷或现场填写问卷可能显得效率低下。

随着科技发展，在线音乐平台在日常生活中的普及，尤其是在将音乐视为生活不可或缺一部分的大学生中（Wadley et al.，2019），这为我们提供了新的研究途径。机器学习的应用为分析个体在线行为所蕴含的丰富数据提供了可能性。将日常生活中的音乐偏好转化为有价值的心理健康数据。我们的研究正是基于这一背景，创造性地结合机器学习技术和在线平台音乐行为，以预测大学生的生命意义感。这种研究工具不仅更加适用于大学生的生命意义感的测量，而且还能探索音乐行为与心理状态之间的潜在联系（Rentfrow & Gosling，2003）。

音乐行为是指个体在日常生活中与音乐互动的各种方式，包括但不限于音乐的选择、聆听、演奏、创作、分享，以及参与音乐活动的频率和方式等。涉及个体的认知、情感、行为等多个层面（Hargreaves &North，1999）。根据自我决定理论（Self-Determination Theory ，SDT），个体对生活意义的感知源于对自主性、能力和关系需求的满足（Ryan & Deci，2000）。音乐作为一种重要的文化载体和情感表达方式，其使用行为、偏好与品位以及功能与情感体验可能与个体的生命意义感存在密切联系（Schäfer et al.，2013）。因此，本研究拟从音乐行为的多个维度（音乐使用行为、音乐偏好与品位、音乐功能与情绪）探究其对生命意义感的预测作用，以期为提升个体生命意义感提供理论支持与实践依据。

音乐使用习惯是指使用在线音乐平台的时间长短、频率、偏好的平台、播放方式等日常行为模式。它反映了个体音乐使用的基本模式和习惯。研究表明，音乐使用行为与个人的心理健康和生活满意度存在密切联系。Lonsdale 和 North（2011）发现，频繁使用音乐的个体在情绪调节、压力管理和生活满意度方面表现更佳。Chin 和 Rickard（2014）的研究进一步证实，将音乐整合入日常生活的个体，在主观幸福感和心理健康指标上均有较高的得分。此外，有研究发现，音乐使用行为还可能影响个体的创造力表现和学习效率（Saarikallio & Erkkilä，2007；K D Schwartz & Fouts，2003）。Krause等人（2015）的研究则发现，不同的音乐使用模式与个体的人格特征和生活方式存在显著相关。喜欢在日常生活中频繁聆听音乐的个体，通常表现出更高的外向性和积极情绪。而那些将音乐作为自我反思和情感宣泄工具的人，往往具有更强的神经质倾向。这些研究结果表明，音乐使用行为不仅影响个体的心理健康，也反映了其内在的人格特质和生活状态。而心理健康个人特质等指标又与生命意义感存在关联（Steger et al.，2006）。因此，个体的音乐使用习惯对生命意义感具有重要的预测
作用。

音乐偏好品位是指个人对音乐类型、风格、歌手、语言等方面的个人喜好和欣赏能力。它体现了个人在音乐审美、品位方面的特点和偏好。音乐偏好品位与个人性格特征、价值观和生活方式密切相关。伦特弗洛和戈斯林（Rentfrow & Gosling，2003）的研究发现，喜欢流行音乐的人通常表现出较高的外向性和开放性，而喜欢古典音乐的人则更加内向和神经质。诺斯和哈格里夫斯（North & Hargreaves，2008）的研究进一步证实，音乐品位可以反映个体的社会地位和教育背景。此外，音乐品位还可能影响个人的创造力表现和审美判断能力（Chamorro-Premuzic & Furnham，2007）。谢弗和赛德迈尔（Schäfer & Sedlmeier，2009）的研究发现，不同音乐品位的个体在社交互动、情绪体验和认知加工方面存在显著差异。喜欢流行音乐的人更善于社交交往，而喜欢古典音乐的人则更擅长情感表达。这种差异可能源于音乐品位所反映的个人内在特质和价值取向。音乐偏好品位作为个人音乐审美的表达，反映了其价值观和内在需求，从而可能影响其对生命意义的理解和体验。因此推测音乐偏好品位是影响个体生命意义感的一个重要因素。

音乐功能与情绪是指音乐在个体日常生活中的作用和情感意义，包括音乐如何影响个体的行为、情绪和生活体验，以及个体如何利用音乐进行情绪管理和放松。大量研究证实了音乐在影响个人情绪、行为和生活体验方面的重要作用。萨里卡利奥和埃尔基拉（Saarikallio & Erkkilä，2007）发现，青少年通过聆听音乐可以调节自己的情绪，缓解压力和焦虑。尤斯林和劳卡（Juslin & Laukka，2004）的研究进一步表明，不同类型的音乐能引发个体特定的情感反应，如快节奏音乐常引发愉悦和兴奋，而悲伤音乐则更容易引发哀伤和忧郁。此外，哈曼和莫纳克（Hamann & Monarch，2017）的研究发现，音乐还可以影响个人的认知加工、记忆和注意力水平。比甘德等人（Bigand et al.，2005）的研究则证实，音乐聆听体验可以促进个体的同理心发展和社交互动。音乐还可以通过激发个体的情感体验和内在动机，促使其思考人生的意义和目标（Juslin & Sloboda，2011）。个体通过音乐来寻求情感共鸣和情绪释放，从而提升其生活满意度和幸福感（Saarikallio & Erkkilä，2007；Sloboda et al.，2001），因此音乐在个体日常生活中所扮演的角色功能可能会影响其对生命意义的感知和评价。

作为数据分析的尖端技术，机器学习在许多领域都显示出了其不容置疑的价值，尤其是在模拟和预测人类行为方面，它的重要性日益凸显。心理学的研究人员已经开始利用机器学习技术来探索情绪、精神病理学等复杂的人类经验，并将其应用于研究大学生的行为和心理状态（Bartlett et al.，2014；Bruer et al.，2019；Just et al.，2017；Livieris et al.，2018；Zanette et al.，2016）。相较于传统统计范式（如广义线性模型［GLM］和广义估计方程［GEE］），机器学习在以下维度呈现显著优势：其一，通过交叉验证和数据分割策略（训练集/测试集/验证集），有效解决传统方法在数据预处理和外部效度验证方面的局限，显著降低模型过拟合风险。其二，算法多样性支持研究者针对异质数据构建对比模型，本研究将系统评估不同模型的预测效能。其三，基于博弈论的 Shapley 值解析框架（Shapley，1953；Smith & Alvarez，2021），可量化预测变量的贡献度，为模型解释提供理论依据。其四，在结果变量预测方面，该技术能够建立“生命意义感”等心理构念的精准分类模型，通过动态监测大学生心理福祉，为教育机构提供个性化干预方案。综上，本研究结合问卷调查和机器学习技术，探讨音乐行为是否能预测大学生的生命意义感，并利用Shapley值找出预测的关键因素。这一方法不仅契合大学生日常生活，有助于心理健康维护，还可能揭示年轻一代内心世界的新视角。通过建立预测模型，我们期望建立对音乐行为作为生命意义感指标的理解和应用。

2 方法

2.1 参与者

通过线上问卷平台发放问卷，所有被试均自愿参与本研究，填写前已充分知晓研究目的、流程、数据用途及保密原则，签署线上知情同意，匿名作答。最终回收有效问卷5618份，其中女性占53.1%，男性占 46.9%；被试年龄介于18～24岁（M=21.94，SD=1.99），全部为在校大学生。

2.2 材料

原生活目的量表（Purpose in Life ，PIL）由克伦鲍和马霍利克（Crumbaugh & Maholick，1964）依据弗兰克尔的意义治疗理论开发。此理论强调生命意义与目的对个人心理健康的重要性。本研究采用的修订中文版 PIL 量表由宋秋蓉（1992）提出。PIL 量表包含 20 道题项，采用七点李克特式量表作答。计分方式为将各题得分相加，满分140分，得分>90分表示高分组； ≤90分表示低分组。PIL 量表内部一致性信度（Cronbach’s alpha）为 0.847，已被广泛用于评估生命意义感。量表结构清晰，题项简明易懂，受试者能够轻松理解和回答，有助于提升数据收集的效率与品质。

在线音乐行为问卷。利用德尔菲法（Hasson et al.，2000）设计了一份在线音乐行为问卷，专家小组由 10名资深的音乐心理学领域专家组成，经历了两轮修改，有 100% 的专家认为问卷在主题相关性、内容清晰性、题项完整性方面都达到了较高的水准，最终的问卷涵盖三个维度。

（1）音乐使用行为（8 个题项）：参考 Lonsdale 和 North（2011）的音乐消费行为量表，测量参与者的音乐使用频率、时长、偏好的播放方式和平台等；

（2）音乐偏好与品位（12 个题项）：基于 Rentfrow 和 Gosling（2003）开发的音乐偏好量表（STOMP），测量参与者的音乐品位和审美取向，如喜欢的音乐流派、对音乐的了解和欣赏程度等；

（3）音乐功能与情绪（8 个题项）：整合 Saarikallio（2007）的音乐情绪调节量表与 Laukka（2007）的音乐功能理论，测量参与者使用音乐调节情绪、促进生活等方面的体验。

2.3 程序

首先，通过问卷星在线平台收集了5618名大学生的问卷数据。在数据预处理阶段，对分类变量进行了 one-hot 编码（Agresti ，2012），并设定生命意义感分数作为二元分类标签。其次，我们将全部数据集划分为训练集（60%）、验证集（20%）和测试集（20%），用于后续的模型训练、超参数调优和最终性能评估（Pedregosa et al.，2011）。在模型构建阶段，我们选择了 7 种常用的机器学习分类算法，包括支持向量机、逻辑回归、k 近邻、朴素贝叶斯、决策树、随机森林和梯度提升树。我们使用TPE 算法对每个模型的超参数进行优化，以提高模型的泛化能力（Bergstra & Bengio，2012）。为了全面评估模型性能，采用准确率、召回率、F1 值等指标，并通过 100 次重复验证计算了模型的受试者工作特征曲线（ROC）及其下方面积（AUC）的平均值、标准差、最大值和最小值，以检验模型的稳健性和可靠性。最后，我们运用 Shapley 值分析技术，量化了每个音乐行为特征对生命意义感预测的相对贡献度，以探究其中的关键影响
因素。

3 结果

3.1 模型性能评估

本研究使用了 7 种常用的机器学习分类算法来预测和建模音乐行为与生命意义感知之间的关系1。表总结了每个模型在准确率（精度）、召回率（Recall）和 F1 分数（F1 Score）等关键指标上的表现。支持向量机在低生命意义感知上达到了 0.98 的准确率，高生命意义感知为 0.91，召回率分别为 0.85 和 0.99，F1 分数为 0.91 和 0.97，从而导致整体的 F1 分数为 0.93，表现出优异的性能。逻辑回归的整体 F1 分数为 0.91，k-近邻为 0.93，朴素贝叶斯为 0.87，决策树为 0.84，随机森林为 0.94，梯度提升树为0.95。其中，梯度提升树在所有指标上表现最好，展示了它捕捉音乐行为与生命意义感知之间复杂非线性关系的强大能力。

表 1 各机器学习模型在预测生命意义方面的表现

Table 1 Performance of various machine learning models in predicting the meaning of life

表 2 100 次重复验证各模型性能

Table 2 Model performance across 100 replicate validations

3.2 鲁棒性分析

为了进一步验证模型的稳健性，本研究进行了100轮重复试验，并计算了 AUC 指标的均值、标准差和95% 置信区间。结果如表2所示。梯度提升树的 AUC 均值达到了0.9445，标准差仅为0.73，95% 置信区间范围从0.9220到0.9606。这表明该模型不仅具有最高的预测准确性，而且在不同样本下表现非常稳定。随机森林的AUC均值为0.9361，同样表现出色且稳健。另一方面，传统模型，如支持向量机、逻辑回归和k近邻等，AUC均值相对较低。

3.3 基于 Shapley 值的特征重要性排序

图1显示了通过计算Shapley值获得的贡献前 20 个特征，基于梯度提升树的最佳模型。这些预测变量的 Shapley 值大于 0。根据它们的Shapley值大小对它们进行排序可以直观地反映每个变量的相对重要性。最大的正向预测特征是“更喜欢有深度的歌词”，其Shapley值为21.68%，代表其对整体模型预测准确性的实际边际贡献。接下来是“每天使用在线音乐平台约 3 到 6 小时”，其 Shapley 值为 11.16%，对整体模型预测准确性的实际边际贡献也是 11.16%。预测特征“不开心时喜欢听开心的音乐”的 Shapley 值为 7.21%。变量“使用音乐来助眠的频率较低”的 Shapley 值为 4.60%。对于“喜欢古典或特定流派的歌曲”这一特征，Shapley 值为 4.36%。其他重要特征包括“喜欢大声唱歌”Shapley 值为 3.19%，“喜欢描述生活的歌词” Shapley 值为 2.52%，“对音乐有深入的了解和欣赏能力”Shapley 值为 2.25%，“喜欢音乐是因为可以回忆往”Shapley 值为 2.23%。“会选择购买音乐会员或订阅音乐服务”这一特征 Shapley 值为 1.42%。“在运动或锻炼时使用音乐”预测特征的 Shapley 值为 1.00%。“喜欢音乐是因为可以亲近艺术”特征的 Shapley值为 0.98%。预测变量“在休闲或放松时使用音乐”对应的 Shapley 值为 0.97%。预测变量“开心时喜欢听开心的音乐”对应的 Shapley 值为 0.90%。预测变量“更喜欢听专辑”对应的 Shapley 值为 0.62%。在负向预测特征方面，“喜欢听歌的时间段为凌晨”预测变量的 Shapley 值为-19.62%，表示对整体模型预测准确性的负边际贡献为19.62%，是最大的负向预测特征。“喜欢音乐是因为可以用来助眠”预测变量的Shapley 值为-9.96%。预测变量“喜欢悲伤情感类型的音乐”的 Shapley 值为-2.72%。预测变量“在睡前或入睡时使用音乐”的 Shapley 值为-2.17%。“喜欢随机播放或循环方式播放音乐”的预测变量的 Shapley值为-0.82%。

图 1 基于 Shapley 值（%）特征重要性排名的前 20 名

Figure 1 Top 20 features ranked by importance based on Shapley values (%)

4 讨论

4.1 音乐行为对生命意义感的预测效果

这项研究采用各种机器学习模型来探讨音乐行为对生命意义感预测的作用。结果显示，所有类型的模型在预测生命意义感方面表现良好。具体而言，经典的分类器，如支持向量机、逻辑回归和 k-近邻，在准确率、召回率和 F1 得分等关键指标上展现出良好的预测性能，其F1得分分别达到 0.93 、0.91 和 0.93。这表明这些模型能够准确捕捉音乐行为特征与生命意义感之间的关联。同时，像随机森林和梯度提升树等集成算法以 0.94 和 0.95 的整体 F1 分数表现优异。这种出色的预测能力显示了集成模型对于复杂非线性关系的强大捕捉能力。其中，梯度提升树在所有评估指标中表现最佳，进一步证实了音乐行为与生命意义感之间复杂关系模式的存在。为了进一步验证模型的稳健性，该研究进行了 100 次重复验证。结果显示，梯度提升树实现了最佳的预测准确性，在稳定性方面，平均 AUC 为 94.45%，标准偏差最低，表明该模型在不同样本集中具有良好的泛化能力。总之，本研究中使用的各种机器学习模型，特别是集成算法，在预测音乐行为与生命意义感受之间的关系上表现出色。这不仅为进一步探讨音乐在促进心理健康中的作用提供了坚实的数据支持，还突显了机器学习在心理学研究中的广泛应用前景。

4.2 关键音乐行为特征对生命意义感的影响

通过对机器学习模型中 Shapley 值的分析，本研究发现了一系列关键音乐行为特征对生命意义感的影响机制。这些发现不仅能增进我们对二者关系的理解，也与相关理论研究形成了良好的契合。首先，在正向预测因素中，最为重要的特征是 “更喜欢有深度的歌词”，其 Shapley 值高达 21.68%。这说明喜欢聆听具有深刻意义的歌词是积极影响生命意义感的关键因素。音乐往往能够通过富有洞见的歌词，如对生活哲理、人性困境的阐述，引发听众对自我和世界的深入思考和反思。这种精神层面的共鸣和洞见，有助于个体对生活有更加全面的理解和把握，从而增强其生命意义感。例如，歌词中对爱、死亡、命运等人生根本问题的思考，往往能引发听众对自己生命意义的深层次反思，增强他们对生活的珍视和热爱（Drob，2022）。其次，“每天使用在线音乐平台的时间约为 3 小时到 6 小时” 这一变量的 Shapley 值为 11.16%，表明长时间参与音乐创作或欣赏活动也有利于提升生命意义感。这印证了 Croom（2015）关于音乐参与增强生命意义感的发现。长时间沉浸于音乐世界，能让个体暂时摆脱日常烦恼，专注于音乐本身，亲近自我内心，从而对生活产生更深刻的理解和眷恋。例如，投入大量时间创作音乐，往往能带来成就感和自我价值的体验，增强个体对生活的肯定态度（DeNora，2000）。此外，“不开心时喜欢听开心的音乐” 的 Shapley 值为 7.21%，说明使用音乐调节负面情绪也是正向预测因素。这呼应了音乐在情绪治疗中的作用（DeNora，2000）。当个体感到焦虑或失落时，通过聆听积极向上的音乐，能主动调节自身情绪，从消极状态中走出来，重新激发生命活力，从而增强生命意义感。例如，在遭遇挫折时聆听1充满希望的音乐，可以帮助个体重新燃起前进的动力，增强其对生活的积极态度（Hunter et al.，2010）。另一个正向预测因素是“使用音乐来助眠的频率较低”，其 Shapley值为 4.60%。这揭示了，将音乐作为工具性手段而非审美体验的方式，可能会不利于个体的生命意义感。音乐本应是一种能引发欣赏和共鸣的艺术形式，但如果仅仅把它当作入睡辅助工具，则可能无法激发个体对生活的热爱和珍视。相反，频繁使用音乐来助眠，可能意味着个体存在严重的睡眠困扰，从而影响其心理健康和生命意义感（Li et al.，2022）。此外，“喜欢古典或特定流派的歌曲” 这一预测变量的 Shapley 值为 4.36%，“听音乐时喜欢跟着大声唱” 其 Shapley 值为 3.19%，“喜欢描写生活的歌词” 其 Shapley 值为 2.52%，对音乐有深入的了解和欣赏能力” 其 Shapley 值为 2.25%，“喜欢音乐是因为可以回忆往事” 其 Shapley 值为2.23%。这些结果表明，对音乐有深入的品位和欣赏，以及能够将音乐与自身生活经历相联系，都有助于提升个体的生命意义感。例如，喜欢聆听描述生活场景的歌词，能让个体更好地将音乐与自己的生活联系起来，从而增强对生活的理解和珍视（Laukka，2007）。同时，对古典或特定流派音乐有浓厚兴趣，往往意味着个体对音乐有更深层次的鉴赏能力，这种对艺术的专注和精进，也可能增强其生命意义感。另外，喜欢跟着音乐大声唱歌，能让个体更主动地参与音乐，增添乐趣和成就感，从而提升生活的积极意义（Theorell & Kreutz，2012）。“会选择购买音乐会员或订阅音乐服务” 的 Shapley 值为1.42%，表明投资在音乐服务上也能增强个体的生命意义感。这可能是因为支付费用获得更高质量的音乐体验，能带来更深刻的审美愉悦和满足感，从而促进个体对生活的积极评价（Mas-Herrero et al.，2014）。同时，定期订阅音乐服务，也意味着个体对音乐有持续的热爱和投入，这种对艺术的执着追求，也可能增强其对生命意义的感知。“在运动或锻炼时使用音乐” 这一预测变量的 Shapley 值为 1.00%，“喜欢音乐是因为可以亲近艺术” 这一预测变量的Shapley 值为 0.98%，“在休闲或放松时使用音乐” 这一预测变量的 Shapley 值为 0.97%，“开心时喜欢听开心的音乐” 这一预测变量的 Shapley 值为 0.90%，“更喜欢听专辑” 这一预测变量的 Shapley 值为 0.62%。这些结果表明，将音乐融入日常生活的各种情境，如运动、休闲、情绪调节等，都有助于提升个体的生命意义感。这可能是因为音乐能为生活增添愉悦和意义，让个体更积极地感知和评价自己的生活状态（DeNora，2000；Laukka，2007）。此外，本研究还发现一些负向预测因素。 “喜欢听歌的时间段为凌晨”这一变量的 Shapley 值为-19.62%，是最大的负向预测特征。这一结果与 Krause 等（2020）发现异常睡眠时间与生命意义感降低存在关联的研究发现相吻合。夜间聆听音乐可能意味着个体存在严重的睡眠障碍，这种状态容易导致身心疲惫，影响个体对生活的正向评价和积极情绪，从而降低其生命意义感。另一个重要的负向预测因素是“喜欢音乐是因为可以用来助眠”，其 Shapley 值为-9.96%。这揭示了将音乐仅仅作为工具性手段而非审美体验，可能不利于增强生命意义感。音乐本应是一种能引发欣赏和共鸣的艺术形式，但如果仅仅把它当作入睡辅助工具，则可能无法激发个体对生活的热爱和珍视。这也正好与前文结论呼应。此外，“喜欢悲伤情感类型的音乐” 的 Shapley 值为-2.72%，“在睡前或入睡时使用音乐” 的 Shapley 值为-2.17%，“喜欢随机播放或循环方式播放音乐” 这一预测变量的 Shapley 值为-0.82%，这些负向预测因素也反映了音乐使用模式对生命意义感的不利影响。例如，频繁聆听悲伤情感类型的音乐，可能加剧个体的负面情绪，阻碍其对生活的积极评价（Hunter et al.，2010）。而在睡前或入睡时使用音乐，以及喜欢随机播放音乐，都可能意味着个体将音乐作为工具性手段，无法从中获得审美满足感和生命意义感。

综上所述，本研究通过 Shapley 值分析，发现多种积极的音乐行为特征，如喜欢有深度的歌词、长时间参与音乐活动、使用音乐调节情绪等，都能显著增强个体的生命意义感。而凌晨聆听音乐、将音乐仅作为辅助工具等负向预测因素，则可能不利于提升生命意义感。这些发现不仅丰富了我们对音乐与生命意义感关系的理解，也为未来相关实践提供了指引。

尽管这项研究取得了一些成果，但仍存在一些需要在未来研究中改进和扩展的局限。（1）这项研究采用单一的自我报告问卷数据来衡量音乐行为和生命意义感，这可能包含一定的偏差。未来的研究可以考虑纳入生理指标或行为观察以及其他多样化的测量方法，以获得更客观和全面的数据，进而提高研究结果的可靠性。（2）这项研究采用了横断面研究设计，未揭示音乐行为与生命意义感之间的长期动态变化。未来研究可以采用纵向跟踪设计，定期测量相同样本，探索两者之间随时间的互动关系。这将帮助我们更深入地了解音乐参与如何影响个体生命意义感变化的轨迹，从而为优化相关干预措施提供更有力的理论基础。（3）本研究的样本组限定为大学生，未来的研究可以扩大到其他人群，探讨不同发展阶段群体在这一领域的差异。

5 结论

这项研究利用机器学习方法探讨了音乐行为在预测大学生生命意义感知方面的作用。结果显示，梯度提升树模型具有最佳的预测性能，AUC 平均为 94.45%，表明音乐行为可以准确预测生命意义感知水平。 Shapley 值分析进一步发现，喜欢听歌词深刻的歌曲，长时间参与音乐活动正向预测生命意义感知，而清晨聆听音乐，将音乐作为入睡工具等音乐行为则具有负面预测效应。这些发现不仅丰富了我们对音乐参与和心理健康之间关系的理解，还为大学生心理健康干预中音乐行为干预提供了潜在的切入点。此外，这项研究展示了机器学习在心理学研究应用中的潜力。未来的研究可以进一步扩大样本范围，使用多样化的测量方法，并探索音乐行为和生命意义感知的动态变化，从而为相关理论模型的构建和实际干预的优化提供更坚实的基础。

参考文献

[1] Bartlett M S, Littlewort G C, Frank M G & Lee K. (2014). Automatic decoding of facial movements reveals deceptive pain expressions. Current Biology, 24(7), 738-743.

[2] Bergstra J & Bengio Y. (2012). Random search for hyper-parameter optimization. Journal of Machine Learning Research, 13(2), 281-305.

[3] Bigand E, Vieillard S, Madurell F, Marozeau J & Dacquet A. (2005). Multidimensional scaling of emotional responses to music: The efect of musical expertise and of the duration of the excerpts. Cognition & Emotion, 19(8), 1113-1139.

[4] Bruer K C, Zanette S, Ding X P, Lyon T D & Lee K. (2019). Identifying liars through automatic decoding of children ’s facial expressions. Child Development, 91(4), e995-e1011.

[5] Chamorro-Premuzic T & Furnham A. (2007). Personality and music: Can traits explain how people use music in everyday life? British Journal of Psychology, 98(2), 175-185.

[6] Chin T & Rickard N S. (2014). Emotion regulation strategy mediates both positive and negative relationships between music uses and well-being. Psychology of Music, 42(5), 692-713.

[7] Croom A M. (2015). Music practice and participation for psychological well-being: A review of how music influences positive emotion, en- gagement, relationships, meaning, and accomplishment. Musicae Scientiae, 19(1), 44-64.

[8] Crumbaugh J C & Maholick L T. (1964). An experimental study in existentialism: The psychometric approach to frankl ’s concept of noogenic neurosis. Journal of Clinical Psychology, 20(2), 200-207.

[9] De Nora T. (2000). Music in everyday life. Cambridge University Press.

[10] Drob S L. (2022). Psychology, values, and the meaning of life: Bridging the philosophy-psychology divide. Journal of Humanistic Psychology.

[11] Hamann S B & Monarch E S. (2017). Music and emotion. In Handbook of affective sciences (pp. 1043-1069). Oxford University Press.

[12] Hargreaves D J & North A C. (1999). The functions of music in everyday life: Redefining the social in music psychology. Psychology of Music, 27(1), 71-83.

[13] Hasson F, Keeney S & McKenna H. (2000). Research guidelines for the delphi survey technique. Journal of advanced nursing, 32(4), 1008-1015.

[14] Hunter P G, Schellenberg E G & Schimmack U. (2010). Feelings and perceptions of happiness and sadness induced by music: Similarities, diferences, and mixed emotions. Psychology of Aesthetics, Creativity, and the Arts, 4(1), 47-56.

[15] Juslin P N & Laukka P. (2004). Expression, perception, and induction of musical emotions: A review and a questionnaire study of everyday listening. Journal of New Music Research, 33(3), 217-238.

[16] Juslin P N & Sloboda J. (2011). Handbook of music and emotion: Theory, research, applications. Oxford University Press.

[17] Just M A, Pan L, Cherkassky V L, McMakin D L, Cha C, Nock M K & Brent D. (2017). Retracted article: Machine learning of neural representations of suicide and emotion concepts identifies suicidal youth. Nature human behaviour, 1(12), 911-919.

[18] Keyes C L. (2007). Promoting and protecting mental health as flourishing: A complementary strategy for improving national mental health. American Psychologist, 68(3), 118-127.

[19] King L A & Hicks J A. (2021). The science of meaning in life. Annual Review of Psychology, 72, 561-584.

[20] Krause A E, North A C & Hewitt L Y. (2015). Music-listening in everyday life: Devices and choice. Psychology of Music, 43(2), 155-170.

[21] Krause N & Rainville G. (2020). Exploring the relationship between social support and sleep. Health Education & Behavior, 47(1), 153-161.

[22] Laukka P. (2007). Uses of music and psychological well-being among the elderly. Journal of Happiness Studies, 8(2), 215-241.

[23] Li D, Yao Y, Chen J & Xiong G. (2022). The efect of music therapy on the anxiety, depression and sleep quality in intensive care unit patients: A protocol for systematic review and meta-analysis. Medicine, 101(8), e28846.

[24] Livieris I E, Kotsilieris T, Dimopoulos I & Pintelas P. (2018). Decision support software for forecasting patient ’s length of stay. Algo- rithms, 11(12), 199.

[25] Lonsdale A J & North A C. (2011). Why do we listen to music? a uses and gratifications analysis. British Journal of Psychology, 102(1), 108-134.

[26] Mas-Herrero E, Zatorre R J, Rodriguez-Fornells A & Marco-Pallares J. (2014). Dissociation between musical and monetary reward responses in specific musical anhedonia. Current Biology, 24(6), 699-704.

[27] Miller A D & Rottinghaus P J. (2014). Career indecision, meaning in life, and anxiety: An existential framework. Journal of Career Assessment, 22(2), 233-247.

[28] North A C & Hargreaves D J. (2008). The social and applied psychology of music. In Handbook of music and emotion: Theory, research, applications (pp. 473-496). Oxford University Press.

[29] Park C L. (2010). Making sense of the meaning literature: An integrative review of meaning making and its effects on adjustment to stressful life events. Psychological Bulletin, 136(2), 257-301.

[30] Pedregosa F, Varoquaux G, Gramfort A, Michel V, Thirion B, Grisel O & Duchesnay É . (2011). Scikit-learn: Machine learning in python. Journal of Machine Learning Research, 12, 2825-2830.

[31] Rentfrow P J & Gosling S D. (2003). The do re mi’s of everyday life: The structure and personality correlates of music preferences. Journal of Personality and Social Psychology, 84(6), 1236-1256.

[32] Ryan R M & Deci E L. (2000). Self-determination theory and the facilitation of intrinsic motivation, social development, and well-being. American Psychologist, 55(1), 68-78.

[33] Ryf C D & Singer B H. (2008). Know thyself and become what you are: A eudaimonic approach to psychological well-being. Journal of Happiness Studies, 9(1), 13-39.

[34] Saarikallio S & Erkkilä J. (2007). The role of music in adolescents’ mood regulation. Psychology of Music, 35(1), 88-109.

[35] Schäfer T & Sedlmeier P. (2009). From the functions of music to music preference. Psychology of Music, 37(3), 279-300.

[36] Schäfer T, Sedlmeier P, Städtler C & Huron D. (2013). The psychological functions of music listening. Frontiers in Psychology, 4, 511.

[37] Schwartz K D & Fouts G T. (2003). Music preferences, personality style, and developmental issues of adolescents. Journal of Youth and Adolescence, 32(3), 205-213.

[38] Schwartz S J, Zamboanga B L, Luyckx K, Meca A & Ritchie R A. (2013). Identity in emerging adulthood: Reviewing the field and looking forward. Emerging Adulthood, 1(2), 96-113.

[39] Shapley L S. (1953). A value for n-person games. Contributions to the Theory of Games, 2, 307-317.

[40] Sloboda J A, O’Neill S A & Ivaldi A. (2001). Functions of music in everyday life: An exploratory study using the experience sampling method. Musicae scientiae, 5(1), 9-32.

[41] Smith M & Alvarez F. (2021). Identifying mortality factors from machine learning using shapley values -a case of covid-19. Expert Systems with Applications, 176, 114832.

[42] Steger M F, Frazier P, Oishi S & Kaler M. (2006). The meaning in life questionnaire: Assessing the presence of and search for meaning in life. Journal of Counseling Psychology, 53(1), 80-93.

[43] Theorell T & Kreutz G. (2012). Epidemiological studies of the relationship between musical experiences and public health. Music, health, and wellbeing, 424-435.

[44] Wadley G, Krause A, Liang J, Wang Z & Leong T W. (2019). Use of music streaming platforms for emotion regulation by international students. Proceedings of the 31st Australian Conference on Human-Computer Interaction, 337-341.

[45] Zanette S, Gao X, Brunet M, Bartlett M S & Lee K. (2016). Automated decoding of facial expressions reveals marked diferences in children when telling antisocial versus prosocial lies. Journal of Experimental Child Psychology, 150, 165-179.

[46] 宋秋蓉. (1992). 青少年生命意义之研究 (硕士学位论文) . 中国台湾国立彰化师范大学.