HsGURU$^{1,*,\Delta}$，K老师$^{1,*,\Delta}$，G老师$^{1,*,\Delta}$，S老师$^{1}$，F老师$^{1}$，折耳根$^{2}$，嘻嘻嘻$^{1}$
$^{1}$ Steam University
$^{2}$ SDZ coffee&bar
$^{*}$ Steam University, 拉屎大过天太阳系点名重点组织, xixixi@gmail.com
$^{\Delta}$ 同等贡献

摘要

本文旨在探讨博士生韧性指数（Doctoral Resilience Index, DRI）对高难动作/肉鸽类游戏进展水平的潜在因果效应，并以《空洞骑士：丝之歌》期待-推进表型、《以撒的结合》周目推进能力及《死亡细胞》Boss Cell（BC）层级进展作为代表性结局，采用双样本孟德尔随机化方法进行分析。基于公开可获得的教育年限、延迟满足、失败恢复能力、自我效能弹性及高压任务持续投入倾向等近似表型构建博士韧性的遗传工具变量。以独立、达到全基因组显著性阈值（$P < 5 \times 10^{-8}$）且连锁不平衡剔除后（$r^2 < 0.001$，窗口 10000kb）的单核苷酸多态性（SNP）作为工具变量。游戏进展结局定义为：1）《丝之歌》期待持续性/信息追踪强度；2）《以撒的结合》高周目推进及角色解锁完成率；3）《死亡细胞》BC层级推进速度。采用逆方差加权法（IVW）作为主分析，辅以MR-Egger、加权中位数法、加权众数法、MR-PRESSO及留一法敏感性分析，以评估潜在因果关系及水平多效性。遗传预测的博士韧性指数升高与《死亡细胞》BC层级推进速度增加呈正相关；与《以撒的结合》高周目推进完成率提高亦呈正向关联。对于《丝之歌》相关表型，博士韧性指数与“长期等待但不取关”的持续关注行为呈正相关，但与短期情绪性失望波动无显著关联。MR-Egger截距未见显著定向水平多效性，Cochran’s Q提示部分异质性存在，但总体方向一致。敏感性分析结果基本稳健。本研究提示，较高的遗传预测博士韧性水平可能对高难游戏进展具有正向影响，尤其表现于反复失败后仍持续推进的能力。对于《丝之歌》这类长期延迟兑现对象，其关联更可能体现为“低强度希望维持能力”而非即时操作进展。该结果支持博士阶段心理韧性与高难游戏容忍/推进能力之间存在潜在共享行为结构的假说。

关键词：孟德尔随机化；博士韧性；魂类游戏；丝之歌；以撒的结合；死亡细胞；因果推断

1 引言

高难度游戏，尤其是魂类、类银河恶魔城及肉鸽游戏，因其高失败密度、强延迟回报与重复试错要求，长期吸引着具有高认知投入能力与复杂系统偏好的人群。非正式观察中，博士研究生及科研训练背景者常表现出对此类游戏的较高偏好，尤其以笔者及周围共同作者们为例，因此根据身边统计学和身边流行病学认为，这一现象可能与博士训练过程中的反复受挫、长期不确定性暴露及延迟满足耐受能力、M属性大爆发有关。

然而，既往讨论大多停留在现象层面的心理推测，尚缺乏基于因果推断框架的研究。传统观察性研究难以避免混杂因素影响，例如基础人格特征、教育程度、执行功能、家庭环境及既往游戏经历等。孟德尔随机化（Mendelian randomization，MR）利用与暴露相关的遗传变异作为工具变量，能够在一定假设下减弱混杂和反向因果偏倚，为潜在因果关系提供证据。

因此，本研究拟采用双样本MR设计，探索博士韧性指数对高难游戏进展表型的潜在因果效应，并分别以《空洞骑士：丝之歌》《以撒的结合》《死亡细胞》相关推进指标作为结局变量，尝试回答一个方法学上严肃、内容上略显可疑的问题：更高的博士韧性，是否会让在座的各位更能忍，更耐打（打游戏）？

2 研究方法

2.1 研究设计

本研究为双样本孟德尔随机化分析。暴露为博士韧性指数（DRI），结局为3类高难游戏进展相关表型。研究遵循孟德尔随机化三大核心假设：

• 相关性假设（Relevance）：所选遗传工具变量与博士韧性指数显著相关；
• 独立性假设（Independence）：工具变量与暴露-结局关系中的混杂因素独立；
• 排除限制假设（Exclusion Restriction）：工具变量仅通过博士韧性指数影响游戏进展，而不存在其他路径。

2.2 暴露变量定义：博士韧性指数（DRI）

由于现实中缺乏标准化的博士韧性GWAS，本研究采用代理构建策略。博士韧性指数由以下近似可遗传行为/心理表型加权合成：延迟满足耐受倾向、失败后恢复能力、长期目标坚持性、自我效能回弹能力、高压任务中的持续投入倾向。构建公式如下：

$$DRI = \alpha_1 Z_{\text{延迟满足}} + \alpha_2 Z_{\text{失败恢复}} + \alpha_3 Z_{\text{长期坚持}}$$

其中 $Z$ 为各分量表的标准化得分，$\alpha_i$ 为经主成分分析或理论赋权确定的权重。

2.3 结局变量定义：高难游戏进展表型

2.3.1 空洞骑士丝之歌结局表型

空洞骑士丝之歌，后续以丝之歌简称。考虑到其属于高难度动作探索类游戏，其游戏进展在很大程度上依赖玩家在反复失败后的持续尝试与策略调整能力。本研究将《丝之歌》的游戏表现视为一种高难度任务坚持行为的行为表型。具体而言，本研究以玩家在高难度环境中的持续推进能力为核心，构建以下观测指标：

• 关键Boss战尝试次数：在高难度Boss战中累计挑战次数
• 失败后再次尝试比例：失败后重新进入战斗的概率
• 平均通关推进深度：在多次尝试后达到的最大游戏进度
• 高难区域停留时间：在高难度区域持续探索的时间比例
• 红温后主动放弃次数：在未完成当前挑战前主动退出或长期停止尝试的行为

在此基础上构建丝之歌的推进/坚持指数（Silksong Persistence Score, SPS）：

$$\begin{aligned} SPS = &\ \beta_1(\text{Boss战尝试次数}) \\ &+ \beta_2(\text{失败后再挑战概率}) \\ &+ \beta_3(\text{推进深度}) \\ &+ \beta_4(\text{高难区域停留时间}) \\ &- \beta_5(\text{红温后主动放弃次数}) \end{aligned}$$

由于该游戏难度较高，游戏策划极不平衡，部分玩家可能在短时间内出现技术性破防的红温现象（包括不限于打砸键盘、捶打鼠标等），因此主动放弃次数被纳入负向指标，以反映在高难度挑战环境下个体持续投入能力的差异。SPS得分越高，表示玩家在高难度游戏环境中表现出更强的持续尝试能力、失败恢复能力以及任务坚持度。

2.3.2 以撒的结合结局表型

以撒的结合是一款具有高度随机性的Roguelike游戏，其游戏进展受到随机道具组合、地图生成以及玩家决策能力的共同影响。与传统线性游戏不同，该游戏要求玩家在高度不确定的环境中不断调整策略（全是看命），并通过多轮尝试逐步解锁新的内容。因此，本研究将《以撒的结合》的游戏表现视为一种随机环境中的适应性坚持行为表型。

本研究选取以下指标刻画玩家在《以撒的结合》中的游戏表现：

• 累计游戏局数：玩家进行的完整游戏局数
• 解锁内容数量：已解锁角色、道具或结局数量
• 平均推进层数：玩家在游戏中达到的平均层级
• 高随机组合适应度评分：在不利道具组合情况下的推进能力
• 连续失败后放弃游戏次数

据此构建以撒坚持指数（Isaac Persistence Score, IPS）：

$$\begin{aligned} IPS = &\ \beta_1(\text{累计游戏局数}) \\ &+ \beta_2(\text{解锁内容数量}) \\ &+ \beta_3(\text{平均推进层数}) \\ &+ \beta_4(\text{随机组合适应度}) \\ &- \beta_5(\text{放弃次数}) \end{aligned}$$

IPS得分越高，表示玩家在高度随机环境中表现出更强的持续投入能力与适应能力。

2.3.3 死亡细胞结局表型

死亡细胞属于典型的Roguelike动作平台游戏，其核心机制包括随机地图生成、高强度战斗以及“死亡-重开”的循环结构。玩家在游戏中的进展不仅取决于操作能力，还依赖于在多次失败后持续尝试并逐步提升策略与装备配置的能力。因此，本研究将《死亡细胞》的游戏表现视为一种高失败频率环境下的持续投入行为表型。

本研究选取以下指标刻画玩家在《死亡细胞》中的推进表现：

• 累计游戏轮次：玩家进行完整游戏循环的次数
• 最高推进关卡数：玩家达到的最大关卡阶段
• 平均生存时长：单轮游戏的平均存活时间
• 死亡后重新开始比例：死亡后继续进行下一轮游戏的概率
• 连续失败后中止游戏次数：在连续失败后选择停止游戏的行为

据此构建死亡细胞坚持指数（Dead Cells Persistence Score, DCPS）：

$$\begin{aligned} DCPS = &\ \beta_1(\text{累计游戏轮次}) \\ &+ \beta_2(\text{最高推进关卡}) \\ &+ \beta_3(\text{平均生存时长}) \\ &+ \beta_4(\text{死亡后重开概率}) \\ &- \beta_5(\text{连续失败后中止次数}) \end{aligned}$$

DCPS得分越高，表示玩家在高失败率游戏环境中具有更强的持续尝试能力与失败恢复能力。

2.3.4 高难度游戏坚持综合指数（HDGPI）

为了综合评估个体在不同类型高难度游戏中的持续投入能力，本研究将《丝之歌》《死亡细胞》和《以撒的结合》三个游戏的坚持指数进行整合，构建高难度游戏坚持综合指数（High-Difficulty Game Persistence Index, HDGPI）。该指数通过标准化各游戏指标后加权计算：

$$HDGPI = \gamma_1 (SPS) + \gamma_2 (DCPS) + \gamma_3 (IPS)$$

权重参数 $\gamma_1, \gamma_2, \gamma_3$ 根据各表型数据的方差贡献进行确定（本文使用steam商店的购买金额替代），以保证不同游戏类型在综合指标中的代表性。

2.4 工具变量选择

从暴露相关GWAS中筛选与DRI代理表型显著相关的SNP，纳入标准如下：

• $P < 5 \times 10^{-8}$
• 连锁不平衡剔除：$r^2 < 0.001$，窗口大小 10000kb
• F统计量 $> 10$，以减少弱工具变量偏倚

F统计量计算公式：$F = \frac{\beta_X^2}{SE_X^2}$，其中 $\beta_X$ 为SNP与暴露的效应值，$SE_X$ 为标准误。

2.5 MR分析方法

采用逆方差加权法（inverse variance weighted, IVW）作为主分析：

$$\beta_{IVW} = \frac{\sum_{i=1}^{K} w_i \cdot \frac{\beta_{Yi}}{\beta_{Xi}}}{\sum_{i=1}^{K} w_i}$$

2.5.1 敏感性分析

为检验结果稳健性，进一步采用：

• MR-Egger：用于评估定向水平多效性，其中截距 $\alpha$ 若显著偏离0，则提示存在水平多效性
• MR-PRESSO：用于识别和校正异常值SNP，评估离群工具变量带来的多效性偏倚
• 留一法分析：逐一去除单个SNP后重复分析，以观察总体效应是否受某个工具变量驱动

2.5.2 异质性分析

采用Cochran’s Q统计量评估异质性：

$$Q = \sum_{i=1}^{K} w_i (\hat{\beta}_i - \hat{\beta}_{IVW})^2$$

Q值越大，提示各SNP工具估计之间差异越大，可能存在多效性或模型不一致。

3 结果与讨论

3.1 工具变量筛选结果

基于博士韧性代理表型的GWAS汇总统计数据，初始共筛选出达到全基因组显著性阈值的候选SNP 1,284个。经与游戏进展表型数据集进行harmonization后，保留243个可匹配位点。进一步进行LD clumping（$r^2 < 0.001$，10000kb）后，剩余19个独立SNP。剔除回文位点、等位基因方向不明确位点及F统计量 ≤10的弱工具变量后，最终纳入12个SNP进入后续MR分析（Figure 1）。

所纳入工具变量的平均F统计量较高，提示弱工具变量偏倚风险较低。LD热图显示，最终入选位点间总体连锁不平衡程度较低，支持工具变量相互独立的分析前提（Figure 2）。

3.2 博士韧性指数与高难游戏总进展指数的MR分析结果

以高难游戏总进展指数（HDGPI）为结局变量时，逆方差加权法（IVW）提示博士韧性指数升高与游戏进展改善存在正向关联。MR散点图显示，各工具变量对暴露和结局的效应总体方向一致，IVW与MR-Egger回归斜率均为正值，提示较高博士韧性可能促进高难游戏的持续推进能力（Figure 3），nSNP = 12。

3.3 不同MR方法的敏感性分析

不同MR方法得到的因果效应方向基本一致。IVW、MR-Egger、加权中位数法、加权众数法及MR-PRESSO校正后估计均提示正向关联，且大多数方法达到统计学显著性。不同方法结果汇总见Figure 4。

整体而言，5种方法结论一致，OR均大于1，支持实验假设，且p值均有统计学意义，支持结果具有一定稳健性。

3.4 Leave-one-out分析

逐一剔除单个SNP后的leave-one-out分析显示，总体IVW效应估计波动较小，未发现某一单独工具变量对整体结果产生决定性驱动作用（Figure 5）。这提示主结果并非由单一强效应点造成。

3.5 Funnel plot与潜在多效性评估

Funnel plot显示各SNP特异性Wald ratio估计值围绕总体IVW效应分布，未见明显严重不对称性（Figure 6）。结合MR-Egger截距检验结果，未提示显著定向水平多效性，但仍不能完全排除复杂心理-行为表型研究中潜在残余多效性的存在。

4 讨论

本研究利用孟德尔随机化方法，从遗传学角度探讨了博士韧性相关遗传倾向与高难度游戏坚持行为之间的潜在因果关系。研究结果显示，遗传预测的博士韧性水平与高难度游戏坚持指数（HDGPI）呈正向关联。主要分析方法IVW结果提示，博士韧性遗传倾向每增加一个单位，高难度游戏坚持行为发生的可能性相应增加。多种敏感性分析方法（MR-Egger、加权中位数、加权众数及MR-PRESSO）所得效应方向基本一致，且未观察到显著水平多效性或工具变量异质性，提示结果具有一定稳健性。

从行为机制角度来看，本研究结果在理论上具有一定合理性。博士研究通常需要在高度不确定和高失败率的环境中长期推进科研任务，研究者需要反复经历实验失败、论文修改及研究方向调整等过程，因此这一训练过程往往与持续尝试能力、延迟满足能力以及失败恢复能力密切相关。类似地，高难度动作类或Roguelike游戏同样具有高失败率与高重复尝试特征，玩家需要在多次失败后不断调整策略并重新挑战。因此，两种情境在行为特征层面可能共享部分心理机制，例如坚持行为、目标导向策略以及在不确定环境中的适应能力。

从研究设计角度来看，本研究具有一定方法学优势。首先，通过整合教育年限、延迟满足能力、心理韧性、自我效能以及高压任务持续投入倾向等公开GWAS表型，构建了博士韧性的遗传工具变量，从而在一定程度上减少了传统观察性研究中混杂因素带来的偏倚。其次，研究采用多种MR方法进行稳健性检验，并通过MR-PRESSO、异质性检验以及留一法分析评估潜在多效性与工具变量驱动效应，从而提高了因果推断的可靠性。此外，本研究通过整合多种高难度游戏情境（《丝之歌》《死亡细胞》《以撒的结合》）构建综合行为表型（HDGPI），有助于降低单一游戏机制带来的测量偏差。

当然，本研究仍存在若干局限。首先，博士韧性作为一种复杂心理特质，目前尚无直接对应的GWAS表型，本研究采用多个近似行为表型进行代理测量，因此仍可能存在一定表型替代误差。其次，高难度游戏坚持行为属于一种虚拟环境中的行为表现，其与现实任务坚持行为之间的对应关系仍有待进一步验证。此外，尽管敏感性分析未发现显著水平多效性，但遗传工具变量可能仍通过其他行为特征间接影响游戏行为，因此因果解释仍需谨慎。

5 结论

本研究基于孟德尔随机化框架，探索了遗传预测的博士韧性与高难度任务环境中持续行为之间的潜在关联。结果提示，与博士韧性相关的遗传倾向可能与个体在复杂挑战情境中的持续投入行为存在一定联系。尽管高难度游戏环境属于虚拟情境，但其反复尝试、延迟反馈及不确定性特征在结构上与多种现实复杂任务具有一定相似性，因此相关行为模式可能在不同情境之间表现出一定程度的共性。未来仍需更标准化的心理表型GWAS及游戏数据库（等steam打折）来进一步验证这一关系。

声明

本研究进行期间没有任何一个键盘遭到迫害。

致谢

感谢大通讯嘻嘻嘻老师和小通讯折耳根老师以及SDZ干饭组给的情绪价值支持。

参考文献

无需任何参考文献，玩到就是赚到，没有被孟德尔冲过的底刊怎么能叫真正的底刊。