古语有云：打江山易，守江山难。在亲密关系方面，同样适用。一段亲密关系从埋下种子到生根发芽，懵懂暧昧期的每一分每一秒都令人小鹿乱撞；从枝繁叶茂到开花结果，蜜月热恋期的情侣们也都曾立下海誓山盟。然而，当这股激情退去之后，又有多少朵感情之花霎时失去了赖以生存的水分，转眼间就枯萎凋零。

到底怎样才能让亲密关系源远流长？其实，不止是你，心理学家们也想知道问题的答案。列夫·托尔斯泰说过，“幸福的家庭都是相同的，不幸的家庭各有各的不幸”。为了探求一段好的亲密关系到底有没有共性特点，怎样才能有效提升一段亲密关系的质量，快来看看我们的心理学家们为此都做了什么。

研究做了什么？

当我们在生活中遇到一个问题不知道该怎么解决的时候，我们总会想到可以参考一下身边的同学、朋友或者七大姑八大姨是怎么做的——面对着怎样才能提高亲密关系质量这个学术问题，研究者们的思路也是相似的：来自不同国家、不同大学的86名研究者拿出了他们所拥有的总共43个研究的数据库。

这些数据库中总共包含了来自多达11196对情侣或者夫妻的测验数据，合计共有2413种通过测验得到的变量(在这里可以简单理解为变量是指与我们的研究主题有关的影响因素)。

在这两千多种变量中，研究者首先按照同领域内其他研究的惯例，从中提取出两个变量作为衡量亲密关系质量这一概念的指标，它们分别是关系满意度(relationship satisfaction)和承诺(commitment)。

对于其余的所有变量，研究者把它们分成了两种类型：一种是用来描述一个人本身的各种心理特质的变量，我们称之为个体差异变量(individual difference variables)，例如一个人的焦虑水平、抑郁水平、共情能力，等等；而另一种则是用来描述一段关系所具有的特征的变量，我们称之为关系特征变量(relationship-specific variables)，例如两人之间的冲突程度、沟通方式、性满意度，等等。

接下来研究的核心就在于如何建立预测模型，从统计的角度检验上述的个体差异变量以及关系特征变量(我们称之为预测变量),对于被视作亲密关系质量的指标的关系满意度以及承诺两个变量(我们称之为因变量)的预测效果——也就是说：我们现在要做一个模型，这个模型可以让我们知道个体差异变量和关系特征变量对亲密关系质量(以关系满意度和承诺作为衡量指标)的影响是啥样的。

考虑到篇幅有限，我们在此只介绍一下研究者所做的最主要的预测分析。

结合上文提到过的预测变量可以分成个体差异变量和关系特征变量两类，而数据库中的所有变量都是针对情侣或夫妻双方进行测验得到的结果，也就是说，每个变量都有自我报告(actor-report)和伴侣报告(partner-report)两个版本(比方说，小A和小B一对夫妻一起填写了焦虑水平问卷，那么对于小A来说，自己填写的问卷结果就是自我报告版本的焦虑变量，小B填写的问卷结果就是伴侣报告版本的焦虑变量)。

那么，预测变量实际上可以划分为四类：

a)  自我报告的个体差异变量；

b)  伴侣报告的个体差异变量；

c)  自我报告的关系特征变量；

d)  伴侣报告的关系特征变量。

基于这四类，研究者又进一步组合，得到了额外的三种变量的集合：

e)  全部个体差异变量(a与b合并)；

f)  全部关系特征变量(c与d合并)；

g)  全部变量(e与f合并)。

于是，研究者以a~g这七种不同的变量组合分别作为预测变量，以关系满意度和承诺分别作为因变量，进行了预测模型的建构，以检验这七种不同的预测变量组合各自的预测效果。

研究发现了什么？

分析发现，当以关系满意度为因变量时，使用不同组合预测变量的预测模型的解释率非常不同（解释率是指用于衡量一个模型中的预测变量能够多大程度上预测因变量的统计学指标，解释率越高，说明模型的预测效果越好）。

具体来说：

以自我报告的个体差异变量为预测变量时，解释率为19%；

以伴侣报告的个体差异变量为预测变量时，解释率为5%；

以全部个体差异变量为预测变量时，解释率为21%；

以自我报告的关系特征变量为预测变量时，解释率为45%；

以伴侣报告的关系特征变量为预测变量时，解释率为15%；

以全部关系特征变量为预测变量时，解释率为46%；

以全部变量为预测变量时，解释率为44%。

从整体上观察解释率的变化，我们可以发现以自我报告的变量为预测变量的解释率要远高于以相应的伴侣报告的变量为预测变量的解释率，其差距甚至高达3-4倍。此外，以关系特征变量为预测变量的解释率也明显高于以个体差异变量为预测变量的解释率。

这些发现可能也比较符合我们对亲密关系的普遍认知：自身的特质和心理感受更能影响自己所体验到的亲密关系质量，以及一段关系中涉及到互动双方的特征比仅涉及到一方的个体特质对于亲密关系质量更加重要。

结果中值得注意的一点在于，以自我报告的关系特征变量为预测变量的解释率达到了45%，且如果再在预测模型中加入伴侣报告的关系特征变量(也即构成了全部的关系特征变量)或再进一步加入个体差异变量(也即构成全部变量)，解释率都几乎没有发生变化。

这说明，自我报告的关系特征变量很可能蕴含了远多于其余几种类型的变量的信息，以至于即便将其余几种变量都加入自我报告的关系特征变量的预测模型之中，也不能提供更多的新信息以供预测。换句话说，自我所感受到的关系特征，对于亲密关系质量有十分重要的影响。

而当以承诺为因变量时，使用不同组合预测变量的预测模型的解释率也很有差异。不难发现，使用不同预测变量组合带来的解释率变化的大致情况与以关系满意度为因变量时十分类似，不过整体上各个解释率的数值均略有降低。

具体来说：

以自我报告的个体差异变量为预测变量时，解释率为16%；

以伴侣报告的个体差异变量为预测变量时，解释率为4%；

以全部个体差异变量为预测变量时，解释率为17%；

以自我报告的关系特征变量为预测变量时，解释率为35%；

以伴侣报告的关系特征变量为预测变量时，解释率为11%；

以全部关系特征变量为预测变量时，解释率为36%；

以全部变量为预测变量时，解释率为34%。

进一步地，研究者审视了在关系特征变量和个体差异变量这两类变量中，具体哪些变量在上述预测的过程中表现更好，并进行排序，分别筛选出了预测表现最佳的前五名关系特征变量和前五名个体差异变量。

前五名关系特征变量分别为：

1)  感知到的伴侣承诺(perceived partner commitment)

2）欣赏(appreciation)

3）性满意度(sexual satisfaction)

4) 感知到的伴侣满意度(perceived partner satisfaction)

5)  冲突(conflict)

前五名个体差异变量分别为：

1）对生活的满意度(satisfaction with life)

2）消极情绪(negative affect)

3）抑郁(depression)

4）依恋焦虑(attachment anxiety)

5）依恋回避(attachment avoidance)

研究说明了什么？

什么因素决定了你和你的另一半之间的满意度和忠诚度？怎样才能有效提升你们之间的亲密关系质量？

研究的结果表明，消极情绪和抑郁的情绪体验以及不安全的依恋风格和依恋类型等等确实都有可能是一段亲密关系之中的风险因素——但是，如果你恰巧正在经历这些消极的因素，也不必太过于为此而感到悲观——如果能努力从例如欣赏、性满意度以及减少冲突等角度去努力建设和发展亲密关系，就能够有效地减轻这些风险因素的负面影响。

总而言之，个体自己对于所处亲密关系的特征的感知和认识，对亲密关系质量的高低具有至关重要的影响。

参考文献：

Joel, S., Eastwick, P. W., Allison, C. J., Arriaga, X. B., Baker, Z. G., Bar-Kalifa, E., ... & Wolf, S. (2020). Machine learning uncovers the most robust self-report predictors of relationship quality across 43 longitudinal couples studies. Proceedings of the National Academy of Sciences, 117(32), 19061-19071.

声明：本站内容与配图部分转载于网络，我们不做任何商业用途，由于部分内容无法与原作者取得联系，如有侵权请联系我们删除，联系方式请点击【侵权删稿】。