安徽省普通高校大學生體質健康的發(fā)展趨勢
——基于潛變量混合增長模型

陳露露,程洋洋,汪 波,章 翔

(1.皖西學院 體育學院,安徽 六安 237012;2.安慶師范大學 體育學院,安徽 安慶 246133)

體質是指機體能夠滿足日常生活、享受娛樂休閑以及應對緊急情況的綜合能力[1]。大學生是國家未來發(fā)展的中堅力量,其體質健康是民族強盛的基本前提。近年來,黨和政府為評估以及增強大學生體質健康采取了一系列的措施[2]。從我國1985年以來組織的7次大規(guī)模學生體質健康調查數據來看,大學生體質健康水平整體呈逐年下降的變化趨勢[3]。2019年開展的第8次全國學生體質健康調查結果顯示,19—22歲的大學生體質健康達標率較往年僅上升0.2%。另外,朱海濤等人調查發(fā)現重慶市部分高校大一、大二學生的體質健康測試合格率較高,而大三、大四學生合格率逐漸降低[4]。潘暉等人對大連海洋大學19—21歲的大學生在10年期間體質健康的變化趨勢進行了調研,發(fā)現大學生體質健康有逐年下降的趨勢[5]。目前,科研人員對于大學生體質健康發(fā)展趨勢的研究大多基于對不同年齡或年級組的被試進行同時性的測量,抑或是在不同時期對同一個年齡組的不同被試進行測量,而非對相同被試進行多時點的追蹤調查,研究結果的解釋力有限,不能真正揭示相同被試在不同時期的體質健康水平的變化趨勢。為了更好地回答相同被試體質健康的發(fā)展趨勢以及被試間發(fā)展趨勢差異的問題,本研究采用對相同被試進行多時點測量的面板設計展開調查。

1 數據來源與方法

1.1 數據來源

隨機抽取3000名安慶師范大學、皖西學院、巢湖學院2018級大學生2018、2019、2020年度的體質健康測試成績,經篩查及整理后,保留2611名大學生3年間的體質測試成績進行分析。其中,男生1340人,女生1271人;體育類專業(yè)183人,非體育類專業(yè)2428人。

1.2 研究方法

潛變量增長模型(LGM)是結構方程模型的一種變式,LGM首先定義截距和斜率兩個潛變量,然后用某變量不同時間點的測量值估計模型中的兩個潛變量,這種對發(fā)展軌跡進行簡單描述的模型稱為線性無條件LGM,其公式如下:

測量水平:

ynt=in+snt+ent

個體水平:

in=a1+b1n+r1

sn=a2+b2n+r2

其中,in與sn分別表示截距和斜率,ent為殘差,a1與a2分別表示截距和斜率的均值,r1與r2分別表示截距與斜率的方差。在線性無條件LGM之后,如果截距或斜率的變異顯著,則可以繼續(xù)考察影響截距或斜率的因素,即構建線性條件LGM。如果某一變量與截距或斜率存在顯著的共變關系,則可以確定該變量是影響截距或斜率的因素[6]。

潛變量增長模型(LGM)通常假設樣本所代表的總體具有同質性,而當總體中存在不同的潛在類別k時,往往采用潛變量混合增長模型(LGMM)進行參數估計,其公式如下:

測量水平:

個體水平:

ink=a1k+b1nk+r1k

snk=a2k+b2nk+r2k

其中,p(cn=k)表示被試n屬于潛類別k的概率。

本研究基于LGM和LGMM,深度挖掘安徽省普通高校大學生體質健康水平的縱向發(fā)展趨勢。

1.3 數據分析過程

將3年縱向追蹤調查的體質健康測試成績錄入Excel中,對數據進行篩查后,將有效數據保存。先將有效數據導入SPSS中,對大學生的3年體質健康測試成績進行描述統(tǒng)計分析和相關分析。之后,采用Mplus導入有效數據,分別構建:1)大學生體質健康發(fā)展軌跡的線性潛變量增長模型(線性無條件LGM、線性條件LGM);2)大學生體質健康發(fā)展軌跡的潛變量混合增長模型(LGMM)。通過對模型擬合指標的比較,確定最優(yōu)模型。

2 結果與分析

2.1 安徽省普通高校大學生體質健康的現狀分析

由表1可見,安徽省普通高校大學生2018、2019、2020年的體質健康測試成績均值分別為73.081、74.667、73.493分,均值間的差異較小。表明,這些大學生整體的體質健康水平在3年時期里波動不大、較為穩(wěn)定。參照《國家學生體質健康標準》的評分標準:90分以上為優(yōu)秀、75—89分為良好、60—74分為及格、59分以下為不及格,可知,3年間安徽省普通高校大學生整體體質健康成績均值介于及格與良好之間。2018、2019、2020年大學生體質健康成績的優(yōu)秀率較為一致,不及格率分別為6.8%、3.6%、7.1%。

表1 描述統(tǒng)計結果(N=2611)

根據定類-定類、定類-定量、定量-定量情況下的兩變量間相關性分析常采用2×2列聯相關、T檢驗和積距相關方法[7],經分析得出表2,2018、2019與2020年的體質健康成績兩兩呈顯著相關,且相關系數r均大于0.8,說明大學生體質健康水平的發(fā)展具有連續(xù)性。專業(yè)與2018、2019、2020年的體質健康成績有顯著相關,性別與2018年成績無顯著相關,與2019、2020年成績顯著相關,專業(yè)與性別之間相關系數不高。

表2 相關分析結果(N=2611)

不過,由于被試的體質健康水平可能存在較大的個體差異或不同的亞類,而表1、2中的統(tǒng)計分析結果易受樣本數據極值的影響,所以,該分析結果用于描述大學生體質健康水平與發(fā)展趨勢的解釋力有限,在研究中僅供參考,不能作為研究定論。

2.2 安徽省普通高校大學生體質健康的發(fā)展趨勢:線性無條件LGM、線性條件LGM

為能較為清晰地描述安徽省普通高校大學生3年期間體質健康的發(fā)展趨勢,本研究分別構建了線性無條件LGM、納入專業(yè)和性別兩個隨時間不變協(xié)變量的線性條件LGM。從表3的擬合指標可以看出,線性無條件LGM對數據的擬合優(yōu)于線性條件LGM,因此,確定安徽省普通高校大學生體質健康的發(fā)展趨勢更為符合線性無條件LGM。

表3 大學生體質健康發(fā)展趨勢的線性潛變量增長模型擬合指標(N=2611)

由線性無條件LGM結果可知,安徽省普通高校大學生體質健康的初始水平為74.11(P<0.01),在3年期間呈遞增的變化趨勢(斜率s=0.20,P<0.01),這與8次全國大學生的體質健康調查結果不同。另外,安徽省普通高校大學生體質健康的初始水平存在顯著的個體差異(P<0.01),并且變化速度也存在顯著的個體差異(P<0.05)。截距和斜率之間相關不顯著(r=-1.25,P>0.05),表明安徽省普通高校大學生體質健康的初始水平與變化速度無顯著的相關性。

2.3 大學生體質健康的發(fā)展趨勢:LGMM

在線性無條件LGM基礎上,為進一步考察安徽省普通高校大學生體質健康的發(fā)展趨勢是否存在潛在類別的差異,構建了潛變量混合增長模型(LGMM),如圖1。y2018、y2019、y2020分別表示2018年、2019年、2020年的體質健康測試成績。潛變量i、s可以表示3次測試成績的變化,對于3次間隔相等的重復測量,分別將i、s到y(tǒng)2018、,y2019、y2020的路徑系數固定為1、1、1和0、1、2,i描述3次體質健康測試成績的初始水平,稱為截距;s描述3次成績的線性變化速度,稱為斜率。這一部分的模型相當于線性無條件潛變量增長模型(LGM)。c為潛在分類變量,用來描述變化趨勢可能存在的類別[8]。由于潛在類別數未知,本研究分別選取1—5個潛在類別的混合增長模型(LGMM)進行擬合分析。

圖1 大學生體質健康發(fā)展趨勢的潛變量混合增長模型(LGMM)

在LGMM中,AIC、BIC和aBIC是描述模型與數據擬合的指標,其值越小,表示模型與數據的擬合越好。熵(Entropy)的值越接近于1,表示類別劃分越清晰。LMR和BLRT用于考察c類模型較c-1類模型擬合效果是否有顯著提升,通常只有當p值顯著才考慮接受該模型[9]。如表4,通過模型的比較可以看出,隨著分類數的增加,AIC、BIC、aBIC的值不斷下降。當類別數c=1～4時,模型的Entropy值均大于0.8,表明分類的準確性均超過90%,并且LMR、BLRT的p值均為顯著;而當c=5時,Entropy值小于0.8,且LMR的p值不顯著。因此,綜合考慮模型的合理性、準確性與簡約性,確定4個潛在類別的分類作為最優(yōu)模型。

表4 大學生體質健康發(fā)展軌跡的潛變量混合增長模型擬合指標(N=2611)

在確定4個潛在類別的分類為最優(yōu)模型的基礎上,分別對這4個類別的大學生體質健康發(fā)展趨勢進行了考察。由表5的分析結果可知,類別1占比為19%,其體質健康初始水平略高于及格線60分,呈遞減的發(fā)展趨勢,但其發(fā)展速度不具備顯著性;類別2占比最大,為73%,體質健康初始水平稍高于類別1,呈顯著遞增的發(fā)展趨勢;類別3的人數占比最小,為1%,初始水平最差,低于及格線,呈顯著遞減的發(fā)展趨勢;類別4占比較小,為7%,體質健康初始水平最高,呈顯著遞減的發(fā)展趨勢。4個類別的大學生體質健康初始水平與發(fā)展速度呈顯著負相關(r=-0.65,p<0.01),即初始水平越高的大學生,3年期間的體質健康水平的發(fā)展速度越慢;初始水平越低的大學生,其發(fā)展速度則越快。參照《國家學生體質健康標準》,將類別1命名為及格水平-衰退組,將類別2命名為及格水平-上升組,將類別3命名為不及格水平-衰退組,將類別4命名為優(yōu)秀水平-衰退組。

表5 各潛在類別的截距與斜率估計均值(N=2611)

綜合而言,不同類別安徽省普通高校大學生體質健康的初始水平與發(fā)展速度存在較大的差異。其中,初始水平為優(yōu)秀或不及格的大學生人數較少,符合正態(tài)分布的特點,其體質健康水平均呈遞減的發(fā)展趨勢,說明這些學生自上大學后,體質健康水平逐年衰退。而大部分的大學生體質健康初始水平達到及格水平。在這些及格的大學生中,多數學生的體質健康初始水平接近優(yōu)秀,呈逐年遞增的發(fā)展趨勢;少數學生的體質健康初始水平略高于及格線,呈逐年遞減的發(fā)展趨勢。

3 結論與啟示

3.1 安徽省普通高校大學生體質健康整體情況

研究結果顯示,安徽省普通高校大學生在2018、2019、2020年的整體體質健康水平波動不大,均介于及格與良好之間,且優(yōu)秀率十分接近,而不及格率在2019年為最低,2018年與2020年的不及格率相差0.3%,說明這些學生在這3年間的體質健康成績具有一定的連續(xù)性。另外,研究發(fā)現專業(yè)與體質健康成績顯著相關,而性別與2018年成績無顯著相關,與2019、2020年成績顯著相關。專業(yè)與性別之間顯著相關。

該結果是基于安徽省普通高校大學生群體具有同質性的前提下,以被試的均值和標準差來衡量群體的體質健康水平以及探索相關的影響因素。但在社會研究中,群體具有異質性,有些個體之間懸殊極大,僅以大學生體質健康成績的均值和標準差進行結果解釋,說服力有限。政府和教育部門以此種方式評估大學生體質健康水平與發(fā)展趨勢,或探究專業(yè)、性別等因素對體質健康的影響時,應充分考慮群體的異質性和個體差異,以便能獲得更為真實的結果,從而有助于制定具有針對性的指導方案。

3.2 安徽省普通高校大學生體質健康的發(fā)展趨勢

通過構建與比較線性條件LGM和線性無條件LGM,發(fā)現安徽省普通高校大學生體質健康發(fā)展趨勢具有顯著的個體差異,符合線性無條件LGM,即不考慮專業(yè)、性別對大學生體質健康的影響。但由于線性無條件LGM只關注個體差異,忽略了群體的異質性,所以,在線性無條件LGM基礎上構建了LGMM。通過LGMM的構建,發(fā)現安徽省普通高校大學生體質健康發(fā)展趨勢具有顯著的群體異質性,包含有4個類別:及格水平-衰退組、及格水平-上升組、不及格水平-衰退組、優(yōu)秀水平-衰退組。

由于不同大學生體質健康水平的發(fā)展具有個體差異和群體異質性,因此在管理、教學以及干預過程中應區(qū)別對待。不同學生在上大學前的體質基礎有所不同,另外,較高中而言,大學的生活豐富多彩,學業(yè)相對輕松,一部分學生可用于體育鍛煉的時間增加,還有一部分學生會忙于社團活動,或培養(yǎng)課余興趣,使得鍛煉時間被占用,導致大學生體質健康水平出現不同的類別。

提高身體活動參與度是改善體質水平最直接的干預措施[10]。對不同類型的大學生,應采取多種手段直接或間接地促進與保障學生的身體活動。一是加強地方、學校的體質相關制度建設。國家為了提高大學生體質健康水平,曾多次發(fā)文提出“體測不合格不予畢業(yè)”的政策[11]。但各地政府、學校在實際執(zhí)行時,常因“法不責眾”,使得政策落實難以得到保障。另外,不同體質類型的大學生所面臨的境況不同,有些學生存在特殊原因,如:肥胖等,因此,使用同樣的標準會打擊部分學生參與體育鍛煉的積極性和信心,建議對不同類型的學生可適當采用分級的標準進行衡量與評價,增加體質健康目標達成的可行性,增強學生參與體育活動的動力。二是學校應重視體育課堂的作用。體育課堂教學在大學生的體育活動中占據著重要地位。通過體育課堂,可以強化學生對體質健康、身體活動等相關知識的學習,促進終身體育意識的形成,端正其對體質健康價值的正確認知[12],從而使學生能夠自發(fā)地參與身體活動,增強體質健康水平。不同類型的學生體能基礎及體育知識儲備存在個體差異,認知水平也有不同,教師與家長應在學校、家庭做好針對性的教育和引導,使學生能夠樹立正確的觀念,掌握科學參與體育運動的知識,保障學生能夠自主地完成身體鍛煉活動。三是增加大學生根據自身情況選擇體育課程的自主權[13],豐富課程內容與形式,采用游戲化的體育教學方式[14]。不同類型的大學生,體育興趣與愛好有所不同,適合的體育項目也因人而異。通過增加選課自主權不僅能使得學生的體質能得到針對性的訓練,還能滿足學生的興趣需求,從而提高大學生對體育活動的參與度。四是對于不同類型的大學生,適度增強體育活動中的合作交流,適時開展競賽,采用適宜的獎懲措施。從而滿足大學生在生活與學習中不同的社交需求,促進體質健康水平較好學生的自我追求的實現以及身體活動成就感的獲得,鼓勵水平較弱的學生克服困難,積極參與身體活動,增強體質。

4 結語

由于僅收集了3年間的體質健康數據,在對安徽省普通高校大學生體質健康發(fā)展趨勢進行縱向追蹤研究時,有所局限。期望后續(xù)的研究能夠建立在更多時間節(jié)點、范圍更廣的樣本數據基礎上。