一些大学生体质健康水平持续下降已成为我国高等教育面临的重大公共卫生问题。中国青年网的相关调查研究表明，每周运动不足3次的大学生占比为48.19%，凸显了增强大学生运动动机的迫切性[1]。已有的研究多数从个体认知角度分析运动动机，却忽视了社会网络对运动动机的系统性影响，这种理论盲点可能导致行为干预策略陷入“见木不见林”的实践困境[2]。
自我决定理论（SDT）虽然揭示了个体的心理满足对其内部动机的促进作用，但其对社会资源分布不均衡引发的动机异质性缺乏解释力[3]。近年的社会网络分析（SNA）相关研究证实，个体在社会网络中的位置可预测其健康行为的传导[4]，然而此类研究多数聚焦行为模仿机制，尚未深入分析网络拓扑结构与动机类型的动态关联[5]。在方法论层面，传统的线性模型难以分析网络节点间的高阶交互效应，而图神经网络（GNN）在表征学习方面的优势为此提供了新的技术可能[6]。
本研究致力于突破个体主义研究范式的局限，试图回答3个核心问题。其一，不同运动动机类型的个体是否呈现显著差异化的社会网络特征?其二，网络结构指标能否超越个体特质变量，成为预测动机水平的关键因子?其三，社会网络影响运动动机的作用路径是否存在非线性临界效应?通过整合自我决定理论与社会网络分析理论框架，并应用图神经网络技术，本研究构建了社会网络位置-运动动机内化整合概念模型（NPMI），旨在实现三大创新：理论上，揭示社会资源的空间分布如何通过资源控制机制影响个体的心理需求；方法上，运用图卷积网络分析传统的统计模型难以探测的交互效应与临界点现象；实践上，提出基于社会网络位置的精准化运动动机干预策略，为健康行为研究提供新的分析范式。
1 理论基础与文献综述
1.1 自我决定理论的动机分化机制
然而，传统的自我决定理论研究存在3个局限：1）将“社会环境”概念化为人际互动，忽视了社会结构的系统性影响；2）过度关注个体与环境的二元互动，忽略了群体网络动力学的复杂性；3）采用线性模型解释需求满足过程，难以阐明资源获取的阈值效应。这些局限导致自我决定理论无法充分解释群体层面的动机异质性现象。
1.2 社会网络分析的结构赋能理论
1.3 图神经网络与复杂系统理论
1.4 社会网络位置-运动动机内化整合概念模型（NPMI模型）
本研究基于三重理论融合构建了社会网络位置-运动动机内化整合概念模型（NPMI模型）（如图1所示），其核心机制是一条“社会网络位置→资源控制→需求满足→运动动机内化”的环环相扣的传导链。该机制具体可以解释为，个体在社会网络中的位置决定了其拥有的社会资源，特别是高中介中心度的个体如社会学家伯特（Burt）提出的结构洞理论所揭示的那样，具有社会网络的桥梁作用，可以获得信息与资源控制优势[13]。这种由社会网络位置赋予的资源控制力，可以直接作用于自我决定理论所强调的三大基本心理需求。其中：信息获得与资源控制优势意味着个体会拥有更多的选择以及自主决定权，可以直接满足个体的自主性需求；通过与同伴的互动所获得的信息反馈则可以提升胜任感需求；而社会网络广泛的连接性也可以满足社会归属感需求。最终，当这三大基本心理需求得到充分满足后，个体的动机便会发生从外到内的转化，正如有研究者发现的，个体参与体育运动不再是为了外部奖励，而是因为体育运动本身能使人产生愉悦感，从而使参与体育运动从外部动机转化为内部动机，以至可以长期坚持[3]。
图1的概念模型突破了传统理论的三重局限：其一，超越了自我决定理论对社会环境的静态简化处理，增加网络拓扑结构作为运动动机内化的关键调节因素；其二，拓展了社会网络分析在健康行为研究中的应用边界，从改变行为的传播因素扩展至运动动机形成机制；其三，通过应用复杂系统理论的临界点概念，揭示了社会网络位置影响运动动机的非线性动力学特性。
1.5 研究缺口与研究假设
综合分析现有文献可以发现3个研究缺口：1)在理论层面，自我决定理论未整合网络结构对心理需求满足的赋能机制，而社会网络分析缺乏对运动动机类型分化规律的深度解析；2)在方法层面，线性模型难以表征中介中心度等指标的阈值效应；3)在实践层面，现有社会网络干预策略缺乏结构与动机关联的循证依据。
基于上述理论基础和研究缺口，本研究提出以下假设。
H1：不同运动动机类型的大学生在社会网络中心性指标上有显著差异，内部动机型个体的中介中心度显著于外部动机型个体和无动机型个体。
H2：标准化中介中心度对大学生运动动机水平有显著正向预测作用，且具有相对更强的预测力。
H3：标准化中介中心度在个体社交主动性与运动动机水平之间起部分中介作用，且这一中介作用在内部动机型个体中体现得更为显著。
H4：社会网络结构特征与运动动机间存在显著非线性关联，且存在明确的临界阈值，超越该阈值后影响效应显著增强。
2 研究方法
2.1 研究对象
为了确保研究的检验效力，使用相关软件进行先验样本量估算。其中：中等效应量Cohen’s f = 0.25、显著性水平α = 0.05、检验效力1-β = 0.90，计算得出最小样本量为252人。运用分层抽样法，从华东地区、华中地区及西南地区各选取一所综合性大学，每所学校选取5个班级，共计384名大学一年级至大学三年级的学生参与本研究。其中：大学一年级学生占比为33.3%（128人）；大学二年级学生占比为35.2%（135人）；大学三年级学生占比为31.5%（121人）。
为了控制专业背景的混淆效应，排除了体育专业的学生。本研究共发放问卷406份，回收有效问卷384份，有效回收率为94.6%。被试男性占比为48.7%（187人）、被试女性占比为51.3%（197人），年龄为17~22周岁。
2.2 研究工具
2.2.1 《社会网络问卷》
本问卷在罗家德开发的问卷框架基础上进行了适应性修订[11]，以了解研究对象在线下和线上的班级社交情况。问卷包含6个调查条目，如询问被试“最常共同运动的同伴”“情感支持对象”等。施测时，要求被试参照班级实名名册进行限定提名（每项提名人数不超过5人）。通过收集到的双向提名数据，构建了班级社交关系的邻接矩阵。后续使用相关软件计算关键的网络结构指标，包括标准化的出度中心度、入度中心度、接近中心度（区分出入）及中介中心度。为了检验问卷统计数据的稳定性，对部分样本进行了为期2周的重测，社会网络各核心指标的重测相关系数为0.78~0.85，表明该问卷具有良好的测量稳定性。
2.2.2 《运动动机量表》（SMS）
本研究使用了由Pelletier等学者研制[23]、彭晶等学者完成汉化修订的《运动动机量表》[24]。该量表基于自我决定理论构建，共包含28个题项，全面涵盖了内部动机、外部动机及无动机3种动机类型及其细分类型。本研究保留了与原英文版量表一致的7级评分法（1~7依次分别表示完全不符合至完全符合），以此获得更有区分度的数据。该量表在本研究中的信效度检验结果良好。信度分析结果显示，总量表的克龙巴赫α系数为0.957，各分量表的克龙巴赫α系数也均在0.801~0.950之间，说明其具有内部一致性。此外，通过确认性因素分析（CFA）对上述量表结构效度进行了检验，结果显示三因素模型拟合指数良好（CFI=0.942，TLI=0.935，RMSEA=0.058，SRMR=0.062），说明上述量表在本研究中适用与有效。
2.2.3 《人口学与行为频率问卷》
此问卷为笔者自编，主要用于收集被试的人口学特征基本信息（如性别、年龄、学历）以及相关的行为频率数据。其中，周运动时长使用7 d回溯法进行测试，要求被试记录过去1周内每天进行中等强度运动及以上身体活动的分钟数。社交互动频率则是通过一个利克特5级评分量表（从1“几乎不互动”到5“非常频繁互动”）评估被试与其同班同学的平均互动水平。
2.3 研究过程
为了确保最终数据的质量与准确性，本研究采取了多项质量控制措施：1）使用匿名ID编码系统对问卷进行匹配，既能满足数据分析的需要，也有效保护了参与者的个人隐私信息；2）在问卷中嵌入了3个注意力评估题项，用以识别并删除未认真作答的无效问卷；3）对有效问卷存在的少量缺失值（缺失比例低于5%），使用多重插补法进行统计插补；4）对可能存在的极端异常值，使用±3倍标准差（SD）的方法进行识别与处理。
2.4 数据分析方法
2.4.1 社会网络分析（SNA）
2.4.2 统计分析
主要通过常用统计软件完成。首先，进行描述性统计分析，计算各变量的均值、标准差，并通过相关分析初步探析变量间的关系。其次，使用单因素方差分析（ANOVA）检验不同运动动机类型组别（内部动机、外部动机、无动机）在各项社会网络指标得分上是否存在显著差异，并计算效应量（η2），据此评估差异的大小。再其次，运用层级回归分析，分步骤纳入人口学特征变量、行为频率变量和社会网络特征指标，以检验社会网络特征指标对运动动机的预测，特别是评估中介中心度的相对重要性。之后，使用自助法（Bootstrap）（设置5 000次重采样）的中介效应分析[27-28]，检验标准化中介中心度在社交主动性（以出度中心度为例）与运动动机之间是否存在中介作用。最后，构建结构方程模型（SEM），旨在验证假设的“社会网络结构→心理需求→运动动机”的路径模型，并评估该模型的整体拟合优度。
2.4.3 图神经网络（GNN）模型分析
本研究构建的图卷积网络模型包含以下3个层次（如图2所示）。
1）输入层。本模型包括节点特征与网络结构两部分。其中，节点特征由一个n×d 的矩阵A(l) 表示， n为学生数量（n=384），d为每名学生的人口学特征维度（d=7），涵盖了性别、年级、专业类型、运动经历、周运动时长、社交互动频率等人口学特征变量与行为变量。网络结构则通过一个n×n 的邻接矩阵B进行定义，用以表示学生间的社交关系；如果学生i与学生j之间存在社交关系，则矩阵中对应元素Bij =1 ，反之为0。
2）隐藏层。模型使用两层图卷积网络结构进行特征分析与聚合。其信息传播机制如下。
A= σ（AB)
式中，表示添加了自环（self-loop）的邻接矩阵（即=B+In =B+In），用于在信息传播中聚合节点自身的特征。是的度矩阵，是一个对角矩阵，其对角线元素ii=∑jij。公式（1）中的表示对度矩阵的归一化处理，这一步骤旨在保持节点特征的稳定，以避免在模型训练时因节点度数差异过大而导致梯度消失的问题。A(l)表示神经网络第l层的节点特征矩阵，其初始输入A(0)等于原始节点特征X；B(l)则是第l层的可训练权重矩阵，是模型学习的核心参数；σ为非线性激活函数，本研究运用的非线性激活函数为修正线性单元（ReLU）。
3）输出层与模型训练。模型的输出层通过一个全连接层将隐藏层输出的节点映射为最终的运动动机预测值。为确保预测值的范围与动机量表得分相匹配，隐藏层使用修正线性单元激活函数，输出层则使用线性激活函数，以确保预测值的范围与动机量表得分相匹配。
模型训练将均方误差作为损失函数，并使用了Adam优化器（学习率设置为0.001），共训练300轮，直至模型收敛[6]。通过5折交叉验证评估模型进行验证，最终模型的均方根误差为0.847，R2为0.594。
3 研究结果
3.1 人际关系与运动动机的描述性统计分析结果
依据运动动机量表得分将384名被试划分为3个组别：内部动机组（92人，占比为24.0%）、外部动机组（185人，占比为48.2%）、无动机组（107人，占比为27.8%）。不同运动动机类型对应的社会网络中心度指标描述性统计结果见表1。
表1 不同运动动机类型大学生的社会网络中心度指标描述性统计结果（M±SD） |
 |
由表1可知，内部动机组在社会网络中心度的各指标上的平均得分均高于外部动机组和无动机组，说明内部动机主导型个体在社会网络中倾向于占据更为中心和活跃的社会网络位置。特别是在出度中心度和中介中心度这2个指标上，内部动机组与无动机组之间的得分差距最为显著（均值差分别为0.26和0.25），说明内部动机可能与个体在社会网络中的社交主动性及具有信息扩散作用相关。
3.2 不同运动动机组别的社会网络特征指标差异分析结果
为了检验不同运动动机组别的社交网络特征指标是否有显著差异，对3个组别个体的社会网络特征指标得分进行了单因素方差分析（ANOVA）。分析结果见表2。
表2 单因素方差分析结果（ANOVA） |
 |
表2结果显示，3组的社会网络特征指标的差异均达到了统计学上的显著水平（p<0.001），说明不同运动动机类型的被试在社会网络特征方面确实存在差异。其中，运动动机类型对中介中心度的解释度相对较高（η2=0.23），说明个体的运动动机类型与其在社会网络中作为中介扩散信息的程度有关。
邦弗朗尼（Bonferroni）事后多重比较结果与表1一致，从社会网络特征所有指标数值来说，内部动机组除了入度中心度，其他社会网络特征指标值均显著大于外部动机组和无动机组（p<0.001），而外部动机组的社会网络特征所有指标值均显著大于无动机组（p<0.001）。值得注意的是，内部动机组的标准化中介中心度值（M=0.68, SD=0.16）相较无动机组（M=0.43, SD=0.17）大了约58.1%，这一差异在社会网络所有指标中最为显著（η2=0.23）。这表明，内部动机型个体可能更倾向于在社会网络中发挥桥梁作用，联系不同的社交圈，这种社会网络结构位置可能为其提供更多的资源获取渠道和自主决策条件，并且可能与内部动机的形成相关。
为了更直观地揭示不同运动动机个体在网络拓扑结构中的聚集模式，本研究进一步运用二维核密度估计算法，将各类运动动机个体的平面分布密度绘制为图4，该结果说明3种运动动机类型被试的中心度分布区域存在显著差异：一是内部动机型个体的核密度中心明确位于坐标轴右上象限（高出度-高中介），呈现出“积极桥梁型”特征；二是外部动机型个体的核密度中心也位于坐标轴的右上象限，呈现“活跃追随型”特征；三是无动机型个体的核密度中心位于左下象限（低出度-低中介），呈现出“边缘孤立型”特征。这种基于核密度估计方法得出的可视化结果，为社会网络位置与运动动机类型之间存在对应关系的假设（H1）提供了有力的证据。
3.3 中介中心度对运动动机的预测作用分析结果
为了验证H2假设，本研究运用层级回归分析法，分3步构建预测模型：模型1仅纳入人口学特征变量；模型2增加行为频率变量；模型3进一步纳入社会网络特征指标。分析结果见表3。
表3 运动动机的层级回归分析结果 |
 |
注：β表示标准化回归系数；1）表示p< 0.05, 2）表示p< 0.01, 3）表示 p< 0.001；“-”表示未纳入该变量。 |
层级回归分析结果显示：1）模型1的人口学特征变量对运动动机的预测度不显著（R2=0.01，p>0.05）；2）模型2增加行为频率变量后，预测度显著提升（ΔR2=0.13，p<0.001），其中的周运动时长（β=0.21，p<0.001）和社交互动频率（β=0.26，p<0.001）均对运动动机有显著正向预测作用；3）模型3进一步纳入社会网络特征指标后，该模型解释力大幅提升（ΔR2=0.42，p<0.001），模型总解释力从14%提升至56%，独立贡献了42%的变异量。
表4 中介中心度对不同运动动机类型的回归分析结果 |
 |
注：B表示非标准化回归系数；SE表示标准误；β表示标准化回归系数。 |
为了突破传统二维散点图的局限，更立体地揭示社会网络位置指标（出度中心度与中介中心度）与运动动机强度之间的关系，本研究绘制了二维等高线热力图（如图5所示）。该图的X轴与Y轴分别表示出度中心度和中介中心度，而颜色的深浅（从浅到深）则表示在该社会网络的被试的平均运动动机总分。图5呈现出清晰的“动机地貌”特征，即运动动机得分的峰值区域（深色区）在右上角，是高出度中心度与高中介中心度的交汇处，说明同时具有高社交主动性和强桥梁作用的被试的运动动机水平最高。相反，左下角区域（浅色区）则呈现出一个数值平缓的低分区，说明处于社会网络边缘位置的被试的运动动机水平普遍偏低。图5不仅再次印证了社会网络位置的信息中心作用，也反映了处于不同社会网络位置的被试之间可能存在交互效应，并对运动动机产生非线性影响，这为后续使用图神经网络模型深入探究临界点效应（H4）作了铺垫。
3.4 中介中心度的中介效应分析结果
为了分析假设H3，本研究使用自助法（Bootstrap）中介效应检验方法（5 000次重复采样）构建了中介模型。在控制性别、年级等人口学特征变量后，分析结果如表5所示。
表5 出度中心度通过中介中心度影响运动动机的中介效应分析结果 |
 |
为了避免多重共线性问题，在分析中介中心度时，对社会网络其他中心性指标进行了方差膨胀因子（VIF）检验，所有VIF值均小于5，说明不存在多重共线性问题。表5的结果显示：1）出度中心度对运动动机具有显著的直接效应（c'=0.28，p<0.001）和间接效应（ab=0.25，p<0.001）；2）中介中心度的间接效应占总效应的47.2%（0.25 / 0.53），且自助法检验得出的95%置信区间[0.15,0.35]不包含0，说明中介效应显著。以上结果为假设H3提供了支撑，即标准化中介中心度在个体社交主动性与运动动机水平之间可能起部分中介作用。
3.5 图神经网络模型的非线性关联分析结果
为了分析假设H4，本研究构建了图卷积网络（GCN）模型，并与传统线性模型进行了比较（结果见表6）。
表6 不同模型预测运动动机的性能比较结果 |
 |
表7 图卷积网络模型的消融实验结果 |
 |
为了深入分析社会网络结构特征与运动动机之间的非线性关系，本研究对图卷积网络模型的预测结果进行了可视化分析。图7呈现了中介中心度与运动动机之间的非线性关系曲线。
由图7可知，中介中心度与运动动机之间存在显著的非线性关系。通过分段回归分析，识别出临界点为0.60（95% CI为 [0.57,0.63]）。在临界点之前，中介中心度每增加0.1，运动动机总分平均增加5.8分。越过临界点后，每增加0.1，运动动机总分则平均增加9.2分，增速提升了59%。如图7所示，内部动机型被试主要聚集在临界点右侧的高分区域，而无动机型被试则大多分布在临界点左侧的低分区域，这为假设H4提供了可视化证据。从图7还可知，内部动机型被试相对更多地分布在中介中心度分值较高的区域，而无动机型被试则相对更多地分布在中介中心度分值较低的区域。这些发现为假设H4提供了初步支撑，即社会网络结构特征与运动动机之间可能存在非线性关联，且可能存在一定的阈值效应。
为了确保该非线性关系临界点（0.60）的稳健性，本研究使用多种方法进行了交叉验证。首先，通过自助法（5 000次重复采样）计算出变化点的95%置信区间为[0.57,0.63][28]。其次，笔者进行了交叉验证，结果表明临界点在不同样本子集中的估计值具有较好的一致性，变异系数为0.08。最后，笔者还实施了敏感性分析：在原始中介中心度增加微小随机扰动项（μ=0，σ=0.01）后重复进行分段回归分析，阈值估计值的变异系数仅为0.04。总之，多种验证方法均表明该临界点并非是由特定样本数据造成的偶然现象，具有较高的稳健性与可靠性。
3.6 社会网络结构影响运动动机的路径分析
为了更全面地理解社会网络结构对运动动机的影响机制，本研究构建了社会网络结构影响运动动机的路径分析概念模型（如图8所示）。该模型整合了本研究的主要结果，呈现了社会网络结构特征（出度中心度、入度中心度、中介中心度）通过满足基本心理需求（自主性、胜任感、归属感）影响运动动机的路径。
图8的路径系数表明，中介中心度是使社会网络结构与心理需求相联结的关键因素，其对胜任感（β=0.49，p<0.001）的影响尤为显著。相比之下，入度中心度主要通过满足归属感和胜任感显著影响运动动机，出度中心度对自主性和胜任感需求均有一定影响，但影响不是非常显著。而3种基本心理需求中的自主性对内部动机的影响最大（β=0.61，p<0.001），其次是胜任感（β=0.47，p<0.001）。
3.7 研究结果综合分析
笔者通过多种统计方法和可视化技术系统验证了社会网络结构特征与运动动机之间的内在关联机制，特别是揭示了中介中心度的预测作用、中介效应和非线性临界点效应。研究结果如下。
1）不同运动动机类型的被试在社会网络中呈现显著差异化的位置特征，内部动机主导型被试的社会网络中心性指标（特别是中介中心度）显著于外部动机型被试和无动机型被试，这支撑了假设H1。
2）中介中心度作为关键的社会网络指标，对运动动机具有显著预测作用（β=0.39，p<0.001），解释了运动动机总变异的23%，且其预测力超过了人口学特征变量和行为频率指标，这支撑了假设H2。
3）中介中心度在社交主动性（出度中心度）与运动动机之间起部分中介作用，占总效应的47.2%，且这一中介效应在内部动机组中最为显著（占比56.4%），这支撑了假设H3。
4）通过图神经网络模型，本研究发现中介中心度与运动动机之间存在非线性关联，当中介中心度超过约0.6的临界点时，其与运动动机的关联强度可能发生变化，这支撑了假设H4。
4 讨论
4.1 社会网络位置对运动动机内化的影响路径与机制
本研究的重要发现之一是，社会网络的中介中心度对个体的运动动机内化水平有显著影响[12]，且这种影响并非是直接作用，而是通过复杂的中介机制形成[30]。笔者构建的社会网络位置-运动动机内化整合概念模型揭示了这一路径：社交行为使个体在社会网络中处于特定的位置，即中介位置；这种中介位置使得个体能获取更多的运动资源[31]，包括信息、支持等；运动资源的可获取进而会影响个体对运动的态度和认知，最终导致运动动机类型的改变，从外部驱动转向内部驱动[3]。本研究的定量分析结果显示，中介中心度在社交主动性与运动动机内化之间产生了显著的部分中介作用，其间接效应占总效应的47.2%。这一结果有力地支撑了社会资源理论的观点，即社会网络结构能转化为个体获取稀缺资源的能力[32]。同时，也对自我决定理论形成了补充，强调了个体所建立的社会网络，特别是其在社会网络中的位置，不仅能满足其自主性、胜任感和归属感的心理需求，而且在促进运动动机内化过程中起到关键作用[7]。例如，处于社会网络中心或联络不同群体的人，更容易获得与运动相关的知识、经验分享以及来自朋友的鼓励和监督，这些都是内化运动动机的重要社会资源[33]。
4.2 中介中心度的临界点效应及其非线性特征
本研究还发现：中介中心度对运动动机内化的影响存在显著的临界点效应（阈值为0.6），该结果是通过图神经网络模型分析得出的[6,18]。传统的社会网络分析往往侧重于线性关系[16]，但本研究的结果表明，当个体的中介中心度达到或超过0.60时，其运动动机内化水平的增长幅度会发生显著的变化，增速提高了将近59%，且图神经网络模型整体体现出很强的预测力（R2=0.59）。这种非线性的相变现象为理解运动动机的形成和变化提供了全新的动力学视角，与复杂系统理论中的阈值效应和突变理论相契合[34]，说明运动动机内化并非是一个平缓线性的积累过程，而是可能存在转折点。这一发现具有重要的理论意义：一是揭示了社会网络结构影响运动动机的深层机制；二是在实践层面，临界点效应的识别为精准干预运动动机提供了科学依据，意味着有针对性地改变那些中介中心度值趋近阈值个体的社会网络位置，可能会以相对较小的投入获得事半功倍的运动动机增强效果。这为制定更高效的健康促进干预策略指明了方向。
4.3 本研究的理论贡献、实践意义与主要局限性
本研究的理论贡献包括以下几个方面。1）将社会网络分析与自我决定理论相结合，首次构建了一个整合性的理论框架，超越了以往研究的局限，与相关研究者侧重行为影响机制的研究不同，本研究深入分析了运动动机的形成机制，揭示了社会网络位置如何塑造运动动机类型[4]。同时，本研究也为伯特（Burt）的结构洞理论提供了新的实证场域，量化了桥梁位置（高中介中心度）如何转化为心理层面的优势（如自主性和胜任感的满足），从而为自我决定理论提供了社会结构的解释变量[13]。2）通过运用图神经网络，本研究首次揭示了社会网络位置影响运动动机的非线性特征和临界点效应 ，从实证层面呼应了复杂系统理论中关于行为扩散的“临界质量”。3）本研究提出的基于社会网络位置的分级干预策略，为改变运动动机的实践提供了新的理论依据。
然而，本研究也存在一些需要正视的局限性。1）本研究分析的是横断面数据，难以完全排除反向因果的可能性，即那些具有较高内部运动动机的个体可能更倾向于积极参与社交活动，从而在社会网络中处于更有利的位置。未来的研究需要采用纵向追踪实验更严谨地检验因果关系。2）研究样本主要来源于几个特定地区的综合性大学，不同类型高校的大学生可能存在不同的社会网络结构特征和运动动机形成机制，所以本研究的结果适用性有限。3）本研究主要关注班级内部的社会网络，而忽视了大学生更广泛的社交圈，如同乡、社团、线上社交平台等，这些多层次、跨领域的社会网络也可能对大学生运动动机产生重要影响[36]。4）本研究未能深入探究不同社会网络关系（如强关系、弱关系）在促进运动动机内化时的差异性作用。
5 研究方向展望
基于本研究的发现和局限性，未来的研究可以在以下几个方向深入拓展。1）建议采用纵向追踪研究，追踪大学生在不同阶段的社会网络结构与运动动机的变化，以期建立更明确的因果关系模型。同时，可以考虑进行随机对照干预实验，通过外部干预改变部分大学生的社会网络位置（例如：担任活动组织者等），观察其运动动机的变化，从而直接验证干预社会网络位置的效果。2）未来的研究应扩大样本范围，纳入不同地域、不同类型高校的大学生，并进行跨文化比较研究，增强研究结果的普适性。3）可以运用多层网络分析或超网络分析方法，将线上社会网络和线下社会网络、不同社会群体的社会网络相联结，探究更复杂的社会网络结构对运动动机的综合影响。4）深入挖掘中介中心度临界点效应的微观机制，例如，分析趋近阈值的个体的社交模式和运动资源获取特征，将有助于更深入地理解这一非线性现象的本质。5）基于本研究提出的分级干预策略，未来的研究可以通过随机对照实验评估其在体育教学和健康促进中的有效性，并探索形成最优的干预形式和内容。
6 结论
本研究整合社会网络分析、自我决定理论与图神经网络技术，系统地探究了大学生的社会网络位置特征对其运动动机内化的分段线性关联的非线性影响机制，并构建和验证了社会网络位置-运动动机内化整合概念模型（NPMI）。研究结果显示：被试在社会网络的中介中心度是驱动其运动动机内化的关键因素，但其影响并非是简单的线性递增，而是存在一个关键的临界点（0.60）；当被试的中介中心度值超过此阈值后，其运动动机内化水平将呈现加速提高的相变趋势。这一发现说明，被试在其社会网络中起的桥梁作用，通过增强其自身信息与运动资源控制力，有效满足了其自主性、胜任感等心理需求，从而实现了运动动机从外部调节向内部驱动的转变。
在理论层面，本研究有三方面贡献。1）超越了传统的个体认知或行为影响范式，首次从社会网络结构（社会网络位置）的视角系统解释了运动动机形成的深层机制，为自我决定理论（SDT）补充了宏观的社会结构视角。2）质疑了社会网络分析（SNA）中普遍存在的线性假设，通过实证分析识别出临界点效应，证实了复杂系统理论在动机发展动力学中的适用性。3）为社会资源理论提供了新的实证，将结构洞理论转化为可量化评估的心理需求和动机类型。
在实践层面，本研究的发现为高校体育教学与健康促进提供了全新的干预思路，即从个体心理干预向社会网络结构优化的范式转换。基于中介中心度的临界点效应，教育者与健康管理者可以设计更具有针对性的分级干预策略：对于处于社会网络边缘的大学生，重点在于提高其社交技能与提供社交机会；对于趋近临界点的“准桥梁”个体，则应提供精准支持，助其迈出关键一步。这标志着健康促进工作可以从“大海捞针”式的普遍干预，转向基于个体社会网络结构特征的“精准滴灌”模式，将为培养大学生运动习惯、提升其体质健康水平提供更高效的实践路径。
