假新闻效应：实验识别动机推理

2022-4-24 19:09:40

假新闻效应：通过对新闻的信任实验性地识别动机推理*Michael Thaler+2021年7月抽象动机推理假设人们会扭曲他们处理新信息的方式，使其倾向于他们认为更有吸引力的信念。本文介绍了一种新的实验范式，该范式能够在各种事实问题上从贝叶斯更新中识别动机推理；该范式分析了受试者如何评估信息源的准确性，这些信息源告诉他们信念分布的中位数过高或过低。贝叶斯模型不会从这条信息中推断出信息来源的真实性，但如果它报告了他们发现更具吸引力的方向，那么有动机的推理者会推断出信息来源更真实。对于移民、收入流动性、犯罪、种族歧视、性别、气候变化、枪支法和其他主题的表现，我发现了具有政治动机的新证据。基于这些主题的信息进行的有动机的推理导致人们的信念变得更加两极分化，尽管这些信息缺乏信息。关键词：动机推理；有偏见的信仰；两极分化；假新闻胶卷分类：C91；D83；D84；D91；L82*我要特别感谢阿尔贝托·阿莱西纳、克里斯蒂娜·埃克斯利、大卫·莱布森和马修·拉宾提供的宝贵建议和支持。同时感谢亨特·奥尔科特、罗兰·贝纳布、凯尔·乔文、斯特凡诺·德拉维尼亚、莉桑格尔、本·恩克、哈里斯·埃普斯泰纳、埃德·格雷泽、迈克尔·希斯考克斯、亚历杭德罗·拉戈马西诺、巴特·利普曼、亚历山德罗利泽里、穆里尔·尼德勒、戴夫·兰德、戈塔姆·拉奥、玛塔·塞拉·加西亚、杰西·夏皮罗、尼克·斯塔格纳罗、理查德·泰勒、马蒂·托马斯、利亚特·亚里夫，以及众多研讨会参与者提供有益的意见。我感谢哈佛商学院研究奖学金和Eric M。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-4-24 19:09:46

明迪奇人类行为基金会研究基金。主要实验在AEA RCT注册中心（AEARCTR-0004339）注册。该副本已在AEA RCT注册中心（AEARCTR-0004401）预先注册。这两项都被哈佛大学的IRB（IRB17-1725）视为豁免。+普林斯顿大学。电子邮件：迈克尔。thaler@princeton.edu.1在许多话题上，人们对事实问题的答案意见不一，而且他们的信念在可预测的方向上往往是不准确的。人们对与收入流动性、犯罪率和劳动力市场种族歧视有关的问题有不同的看法；倾向于偏向更能代表其政党立场的方向；并且经常高估自己的政治知识（如阿莱西娜、斯坦切娃和特索2018；弗林、尼汉和雷弗2017；奥托莱娃和斯诺伯格2015）。如Gerber和Huber（2009）、Meeuwis等人（2019）和Allcott等人（2020）所示，这些党派信仰会影响消费者、金融和公共卫生行为。考虑到这些问题的重要性，为什么这种偏见和信仰极化会持续存在？在收到一条新闻后，人们会立即形成后验信念，这种信念既包括他们先前的信念，也包括他们如何看待新闻的信息性。如果我们只在一个瞬间观察信念，两个人的分歧可以与许多解释相一致：例如，他们可能从不同的信念开始，他们可能从不同的来源收到消息，或者他们可能有不同的扭曲推理过程。前两个渠道通常与政治环境相关。首先，民主党人和共和党人通常有不同的先决条件，导致后决条件的不同；这与贝叶斯法则是一致的。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-4-24 19:09:52

第二，民主党人和共和党人经常使用不同的媒体，他们可能会发现MSNBC和福克斯新闻提供了不同的信息。本文介绍了一种新的检测第三个通道的工具，动机推理，它假设人们在他们发现更具吸引力的状态的方向上扭曲他们的推理过程。在许多情况下，我们可能认为人们有动机持有与其政党立场一致的信仰：共和党人有动机相信移民增加与更高的犯罪率有关；民主党人有动机相信，在劳动力市场上存在严重的种族歧视；两党都有动机相信，他们党内的成员比反对党的成员更了解这些问题。当人们收到新闻时，他们通常会被提醒他们目前持有的信念，以及他们认为更具吸引力的信念（动机）。然后，他们使用这些渠道（如Taber and Lodge 2006；Kahanet al.2012；Nyhan and Rei-fler 2010；Nyhan and Rei-fler 2013；Nyhan，Rei-fler和Ubel 2013）。从新闻来源或关于新闻来源做出推断时的动机。虽然文献中有一种直觉，即动机推理在推理中起着重要作用，尤其是在政治环境中，但设计一个实验来确定这种机制面临两大挑战。第一个挑战是，当受试者的非动机偏见超过动机推理时，很难用有效的统计能力从贝叶斯更新中识别动机推理。正如Benjamin（2019）所总结的，人们接收信息信号的设计往往无法找到具有统计意义的证据来证明激励性原因：Mobius等人。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-4-24 19:09:58

(2014); Eil和Rao（2011）；Charness和Dave（2017）发现，人们更多地从“好消息”更新，而不是“坏消息”，而Ertac（2011）；库恩（2014）；Buser、Gerhards和van der Weele（2018年）；库茨（2018）；andBarron（2020）没有发现支持这一假设的证据。这些论文的典型设计包括向受试者提供部分信息性新闻，并测试“好”、“坏”和“中性”信号的对称更新，这种设计一直导致严重的推理不足（Benjamin 2019）。这一挑战导致一些研究人员认为，与保守主义或“懒惰思维”等没有动机的解释相比，激励性薪酬的重要性相形见绌（Pennycook and Rand 2019；Benjamin 2019；Tappin，Pennycook and Rand 2020a；Tappin，Pennycook and Rand 2020b）。虽然这样的论点在同时存在贝叶斯推理和动机推理的情况下是有效的，但我绕过了这个问题，构建了一个实验范式，给受试者提供信息，其中没有贝叶斯推理可以推断，但动机推理仍然预测方向扭曲。我的设计消除了Bayes规则、保守主义和确认偏见在推理中可能扮演的角色，从而更清晰地识别了动机推理。因此，它提供了一个更精确的治疗效果评估，这使我能够在众多案例中找到识别动机推理的新证据。值得注意的是，对于动机决策和记忆，有更一致的证据。这包括信息回避和道德摇摆空间（Oster、Shoulson和Dorsey 2013；Dana、Weber和Kuang 2007；Gino、Norton和Weber 2016）、风险和模糊驱动的历史（Exley 2015；Haisley和Weber 2010），以及对过去信息的回忆（Zimmermann 2020；Chew、Huang和Zhao 2020）。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-4-24 19:10:04

然而，这些论文并没有表明，更新以响应新信息是一个驱动渠道。另一部分文献从经验和实验角度考虑了各种激励因素对信念的影响（例如巴布科克、洛温斯坦等人，1995年；巴布科克和洛温斯坦1997年；施瓦德曼、特里波迪和范德维尔2021年）。埃克斯利和凯斯勒（2018）采用不同的设计表明，当受试者以不同的复杂方式接收到两条等效信息时，他们在道德领域的表现不同。我的论文更侧重于新信息的推理过程。以前假设的领域。第二个挑战是，在许多感兴趣的领域，比如政治领域，人们带着先入为主的信念进行实验。在各种环境中激发动机推理是困难的；研究人员通常要么将测试限制在有二元答案的问题上（如Mobius等人2014年），要么提出大量问题以得出完整的前后信念分布（如Eil和Rao 2011年），要么不完全排除贝叶斯更新（如Sunstein等人2017年）。我的设计能够通过对有数字答案的问题进行贝叶斯更新来识别动机推理，同时只需要获得受试者信念分布的一个时刻：他们的中值。因此，研究人员可以使用我的设计来测试人们如何用数字推理机对任何事实问题进行有动机的推理。设计有两个主要步骤。首先，每个主题都有各种各样的事实问题和数字答案。在每个问题上，每个受试者选择一个他们认为同样可能高于或低于正确答案的答案；也就是说，引出了他们信仰分布的主题。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

点击查看更多内容…

kedemingshi

2022-4-24 19:10:10

第二，给主题一条从真实新闻源或虚假新闻源中随机选择的二进制消息；这条信息告诉她答案是高于还是低于她的中值。如果信息来自真实的新闻，它总是准确的。如果消息来自FakeNews，那么它总是不准确的。没有告诉受试者信息来自哪个来源；相反，她被要求从收到的信息中推断信息来源的真实性。由于信息将真实答案与受试者的主观中位数联系起来，贝叶斯（she）会认为每个来源报告其中一条信息的可能性相同。也就是说，她表示，她认为答案同样可能大于或小于她的中值；因此，她认为，一个真实的新闻来源报告答案大于她的中位数的可能性是1/2，而一个虚假的新闻来源报告答案小于她的中位数的可能性也是1/2。因此，贝叶斯网络会发现一条“大于”的信息，完全没有关于新闻来源真实性的信息。同样，她会发现“少于”的信息缺乏信息。另一方面，如果新闻传递的信息支持他更愿意相信的内容，那么参与动机推理的受试者会更信任新闻。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-4-24 19:10:16

如果他从事有政治动机的推理，他将评估以下信息：主题亲民主党动机亲共和党动机美国犯罪在奥巴马治下变得更好在奥巴马治下变得更糟在减税后美国流动性低在减税后美国高种族歧视在劳动力市场上严重在劳动力市场上不严重性别女孩数学学得更好男孩数学学得更好难民暴力犯罪减少暴力犯罪增加暴力犯罪共识没有科学共识联合国改革减少杀人案没有减少媒体偏见媒体不主要是Dem媒体主要是Dem派对表现Dem高于Reps更高的Reps高于Dem自己的表现更高的自我高于他人更高的自我高于他人稳定1：实验中的主题和假设动机列表。与他的政党（亲党新闻）的信念保持一致，使其更加真实，同时评估与之不一致的信息（反党新闻）使其更加不真实。我在亚马逊Mechanical Turk上做了一个受试者内实验，在美国约有1000人参加，以此来测试动机推理。为了证明设计的可移植性，我在九个不同的经济、政治和社会问题（政治化主题）上进行了测试，并在一个关于自己在实验中表现的问题上进行了测试。主题和假设动机列表见表1。实验的主要结论是，贝叶斯更新被强烈拒绝，而倾向于对政治化主题进行政治动机的推理。aBayesian认为，亲党和反党的新闻在政治化话题上的真实性是相同的，但实验中的受试者认为，从统计上看，亲党的信息比反党的信息更可能来自真实的新闻来源（p≈ 10-40).

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

kedemingshi

2022-4-24 19:10:22

这种设计使我有足够的统计能力来单独测试每个主题；在九个政治化主题中，有八个主题的治疗效果在p=0.001的水平上具有统计学意义。据我所知，这个实验为这些问题的动机推理提供了第一个证据，这些问题不会被贝叶斯更新或先前的确认偏见所混淆（如thosein Festinger 1957；Tetlock 1983；以及Rabin and Schrag 1999）。对于更具党派色彩的受试者，治疗效果更大。我还发现了一致的证据，表明受试者有动机对自己的表现进行推理。新的设计可能会导致本实验特有的潜在混淆，例如，如果受试者系统性地曲解他们的中间信念，或曲解实验对真实新闻和虚假新闻的定义，但我发现这些替代假设不太可能解释结果。为了解释没有动机的错误，我还将政治话题上的行为与三个中立话题进行了比较，发现中立话题上的新闻真实性评估低于亲党新闻上的评估，高于反党新闻上的评估。第二个主要发现是，人们对这些话题的系统性偏见信念与其动机信念有关（Eil和Rao 2011也讨论了这一点）。由于人们对一个问题进行有动机的推理会系统地扭曲他们的信仰，我们可以通过观察他们当前的信仰部分推断出人们的动机。也就是说，一个人错误的方向预测了一个人动机的方向。在实验的背景下，这一假设预测，人们会对（错误地）强化错误的新闻给予高度评价，而不是（真实地）使他们更接近正确答案的新闻。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-4-24 19:10:29

事实上，实验中的受试者更相信强化错误的假新闻，而不是纠正错误的真实新闻，并且只在预期动机推理发挥作用的主题上这样做。我还展示了有动机的推理如何导致明显的过度精确，这是过度自信最持久的形式（Moore和Healy 2008；Moore、Tenney和Haran 2015）。动机推理可能会在过分精确和党派偏见之间提供联系，这一关系记录在奥尔托列娃和斯诺伯格（2015）中，因为党派的信仰分布更容易被错误校准。错误校准更严重，动机更强烈，这导致50%的置信区间包含对相关主题信息的不对称响应的论文，包括：Taber and Lodge（2006）[枪支法]；Alesina、Stantcheva和Teso（2018）[向上流动]；Cappelen、Haaland和Tungoden（2018）[对税收的回应]；哈兰和罗斯（2019）[种族劳动力市场歧视]；萨森（2017）和昆达与辛克莱（2000）[性别与绩效]；Alesina、Miano和Stantcheva（2018年）、Haaland和Roth（2018年）、Druckman、Peterson和Slothus（2013年）[移民]；Nyhan和Rei fler（2013年）以及Nyhan、Rei fler和Ubel（2013年）[对选定官员的看法]；和Sunstein等人（2017）[气候变化]。这些论文中的许多发现可能是出于动机推理。如第4.4节和附录所述，如果受试者错误地相信虚假新闻会发送随机信息，而不是总是错误的信息，并且结果不是由扭曲信念分布和误报中值的受试者驱动，则预测是相同的。正确答案不到50%，尤其是对于游击队员。动机推理不仅影响人们对新闻的信任或不信任，还影响人们如何改变自己对主题的信念。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-4-24 19:10:36

尽管这些信息具有信息性，但它们会导致进一步的信念两极分化：受试者更有可能改变他们的信念，远离人群的平均值，而不是倾向于人群的平均值。也就是说，信息内容不是信仰两极分化的必要条件。政治动机推理有助于调和信念的意识形态两极分化可能很高的观念，即使信息获取的意识形态两极分化很严重（Gentzkow和Shapiro，2011年）。一旦对政党的偏好得到控制，政治动机的推理在方向和规模上都不存在相当大的人口异质性。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

mingdashike22

2022-4-24 19:10:42

在统计学上，治疗效果的差异几乎都无法与零进行区分，并且估计值足够精确，可以排除适度的影响大小。这些问题似乎主要是由政治驱动的。最后，为了补充实验，我讨论了一个简单的动机解释模型，在这个模型中，人们在收到新信息时会扭曲自己的推理。该模型通过强调偏见的非战略性质，补充了几十年来关于动机推理的理论文献（如阿克洛夫和狄更斯1982年；卡里洛和马里奥蒂2000年；贝纳布和蒂罗莱2002年）：该模型中的代理人不会出于功能原因或为了提高效用而扭曲他们的信念。他们使用修正的贝叶斯规则进行推断，像贝叶斯规则一样对先验和可能性进行加权，但他们的行为却好像收到了一个额外的信号，将更多的权重放在了更高的动机上。这使他们能够做出推断，即使贝叶斯模型没有这样做。将这一发现与新闻信任的两极分化联系起来的是，越来越多的文献讨论了新闻信任与政治党派之间的关系（Nisbet、Cooper和Garrett 2015；Levendusky 2013；Druckman、Levendusky和McLain 2018）。Gentzkow和Shapiro（2006年）以及Gentzkow，Wong和Zhang（2018年）对具有不同先验的贝叶斯代理提供了替代性的理论解释，但这些模型不能预测来自非信息信号的更新。另一方面，Thaler（2021）表明，绩效动机推理具有实质性的性别异质性；只有男性有系统地有动机地认为自己的表现更出色，而女性平均而言是贝叶斯的。这直接将该模型与最佳信念模型进行了对比，如Brunnermeier和Parker（2005）和Mobius等人（2014）。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-4-24 19:10:48

它与Benabou和Tirole（2002）和Benabou和Tirole（2011）的选择性记忆模型以及Mayraz（2019）的贝叶斯模型更为相似，但强调扭曲新信息的处理。这是一个与Kahan（2016）类似的理论，但与Benabou和Tirole（2011）以及Mobius等人（2014）等激励认知的相关经济模型不同，因为它假设了方向扭曲，但没有对信息反应不足。为了进一步确保实验结果不太可能由噪声驱动，我在一年后的一个新闻样本上使用预先注册的复制测试了主要假设。这些发现被成功复制。有关详细信息，请参阅在线附录。论文的其余部分如下：第2节建立了动机推理模型。第3节介绍了与这些预测相对应的实验设计和假设。第4节分析了实验结果，包括动机推理、稳健性检查、治疗效果异质性和过度精确性的证据。第5节总结并提出了未来工作的方向。2模型和预测本节讨论了动机推理的一个模型，在该模型中，代理人在收到信息时，会按照动机信念的方向扭曲他们的更新过程。我正式定义并扩展了Kahan（2016）的框架，在该框架中，代理使用修改后的Bayes规则更新信息。有动机的推理者表现得好像他们对自己的先验知识和信号可能性给予了适当的权重，但收到了一个额外的信号，该信号对他们更有动机持有的信念给予了更大的权重。更具体地说，考虑那些对事件是真（t）或假（t）的概率进行推断的代理，并且具有先验P（t）。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-4-24 19:10:54

当一个贝叶斯代理（she）和一个有动机的推理代理（he）收到相同的信号x时，我们将其推理进行比较∈ X表示事件为T的概率。贝叶斯将herposterior设置为与信号的概率P（T | x）{z}posterior成正比∝ P（T）{z}prior·P（x | T）{z}似然我们取每一方的对数优势比，得到Bayesian的logit更新规则（Grether 1980）：logit P（T | x）=logit P（T）+logP（x | T）P（x | T）！，（1）有动机的推理者同样更新，但他结合了他的先验可能性，这可以直接推广到事件的任何离散状态空间{E，E，…}，代理人推断事件发生的概率。以及当信息唤起动机信念时的动机推理术语：P（T | x）|{z}∝ P（T）|{z}prior·P（x | T）|{z}似然·M（T）~n（x）|{z}mot。推理，其中M（T）：{T，，-T}→ R+。定义m（T）≡ 记录M（T）并取对数赔率比率，以获得动机推理者的逻辑更新规则：逻辑P（T | x）=逻辑P（T）+逻辑P（x | T）P（x | T）！+~n（x）（m（T）- m（T））。（2）有动机的推理者的行为就好像他同时收到了实际信号（x）和一个信号，而这个信号的相对可能性与他有多大的动机相信这个状态是T。在更一般的意义上，m（θ）：Θ→ R表示动力函数。在这个例子中，m（T）：{T，，-T}→ R，但我们也将考虑实值状态Th以下。我们假设动机函数不依赖于信号结构。动机也可能是间接的；例如，一个代理人可能会被激励相信一个新闻来源是真实的，因为它报道了一些支持他的政党的事情。我们将m视为一个预期的动机函数，其方式反映了标准的预期效用函数u。代理通过参数φ（x）对动机信号进行加权≥ 0，称为敏感性。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-4-24 19:11:01

在本文中，我们只考虑一个信息设置，并将其视为常数。当ψ=0时，代理是贝叶斯的；当ψ>0时，代理会主动进行推理。接下来，我们考虑一个环境，其中贝叶斯不推断任何东西，但动机推理可以发挥作用。考虑一组代理，i＝1，…一组问题q=1，每个问题都与世界的状态θQ有关∈ R.计量经济学家知道州，但代理人不知道。对于每个代理和问题，nature会绘制一个先验Fiq（θq）和一个实值激励函数miq（θq）。请注意，Bayes和MotivedReasoning之间的比例常数也有变化，但这不是T的函数。连续状态ω也有类似的定义。Bayesrule集f（ω| z）∝ p（z |ω）·f（ω），以及动机推理集f（ω| z）∝ p（z |ω）·f（ω）·m（ω）~n（z）。有关取决于更新过程噪音的另一种定义，请参见在线附录。在其他设置中，ν可能取决于x的感知信息量。如果不是m的函数，则有必要；否则，很难单独识别这些参数。对于每一个代理人和问题，《自然》杂志都有一个新闻来源Siq∈ {真实新闻（TN），假新闻（FN）}。每个代理都会收到一个事先的pi≡ Pi（TN）对应于源为TN的概率。源的抽取是问题的iid。首先，代理报告了一个中值信念，即uiq，因此他们认为P（θq>uiq）=P（θq<uiq）=1/2。接下来，大自然会向代理发送一条“大于”或“小于”的消息：xiq∈ {Giq，Liq}。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

kedemingshi

2022-4-24 19:11:06

TN总是发送一条“真”消息，FN总是发送一条“假”消息：θq>uiqθq<uiqTrue News发送GiqLiqFake News发送liqgiq收到消息后，代理报告一个新闻真实性评估aiq，对应于他们接收的新闻源是TN的信念。他们还报告一个修正的中值信念uiq。最后，揭示了θq的真实状态和来源。我们假设fiq在uiq没有原子，P（uiq=θq）=0。也就是说，代理相信答案的概率为0，正好等于u，而真正的概率确实为零。我们考虑贝叶斯和动机推理者如何更新他们对新闻来源的信念。给定消息Giq，贝叶斯根据等式（1）进行更新：logit a*B（Giq）=logit-PB（tn | Giq）=logit-Pi（tn）+logPi（G | tn）Pi（G | fn）！=logit pi+logPi（θq>uiq）pi（θq<uiq）！=罗吉特·皮。因此：a*B（Giq）=pi=a*B（液体）。由于贝叶斯理论认为两条信息在事前的可能性相同，所以她不会在两个方向上都进行更新。这是主要的无效假设：a*（Giq）=a*（液体）。同时，受激励的推理者根据等式（2）进行更新：logit a*（Giq）=logit Pi（tn）+logPi（Giq | tn）Pi（Giq | fn）！+ν（miq（θq |θq>uiq）- miq（θq |θq<uiq））=logit pi+~n（miq（θq |θq>uiq）- miq（θq |θq<uiq））。事实1（使用新闻真实性评估识别动机推理）上述程序从贝叶斯更新中识别动机推理：o对于贝叶斯（即，φ=0）：a*B（Giq）=a*B（液体）对于一个有动机的推理者（即φ>0）：a*（Giq；~n）>a*（Liq；~n）当且仅当ifmiq（θq |θq>uiq）>miq（θq |θq<uiq）。也就是说，该设计确定了代理人是否有更大的预期动机相信真实状态高于他们的信念中值uiq，或相信真实状态低于uiq。在本文中，我们将考虑在Tyq中单调的动机，从而使符号成立。军情局θq不依赖于θq。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-4-24 19:11:13

如果我们进一步假设动机是线性的，miq（θq）=miq·θq，事实1简化为a*（Giq）>a*（Liq）当且仅当miq·~n>0。这种情况意味着联合测试φ>0和动力函数的斜率。例如，在政治背景下，我们将考虑代理人要么是公立的类型，要么是民主的类型，并假定先生，Q（θq）=-mD，q（θq）。然后测试给定这些动机函数时，φ是否大于0。请注意*（Giq）=a*（Liq）也是许多非贝叶斯推理模型的无效假设。考虑下面的广义类更新规则：logit a*（Giq）=ζlogt pi+κlogP（Giq | T Niq）P（Giq | F Niq）！=ζlogit pi=logit a*（液体）。这类更新规则包括先验确认偏差（ζ>1）、保守性（κ<1）和基本率忽略（ζ<1）。在所有这些情况下，药剂在Giqand Liq之后形成相同的反应器（即使κ对好消息和坏消息有所不同）。有动机的推理者也更有可能在动机较高的方向上修正他们的中间信念。对于贝叶斯模型，Piq（uiq>uiq | xiq）=Piq（uiq<uiq | xiq）。对于一个有动机的推理者，如果miq（θq）是严格单调的，那么Piq（uiq>uiq | xiq）>Piq（uiq<uiq | xiq）是严格单调的动机，假设人们更有动机持有极端的信念。另一种“中等”动机函数是二次损失：miq（θq）=-mquadiq·（θ）*智商- θq），其中mquadiq>0，所以θ*是信仰的最高动机。一个例子是θ*iq=uiq，一种先前确认偏差的形式。如果我们扩展模型以考虑表达偏好，并假设表达偏好在uiq+uiq中是加性和线性的，则后一种预测不会改变；表现力强的Bayesian人不会改变他们报告uiq>uiq的可能性。一般来说，这些偏见可能会在动机推理起作用的环境中影响推理。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-4-24 19:11:19

在这种情况下，可以单独添加动机推理术语。如果miq（θq）严格降低，则增加和Piq（uiq>uiq | xiq）<Piq（uiq<uiq | xiq）。代理人中间信念的变化与他们对新闻的信念变化是一致的。3实验设计本节详细介绍了上述实验。第3.1节概述了实验设计，第3.2节讨论了受试者看到的特定页面，第3.3节提出了主要假设。第3.4节讨论了参与者样本和所收集数据的进一步细节。每个页面类型的特定问题措辞和屏幕截图，包括说明和评分规则，见在线附录。3.1总结，时间线，和X席思想，考虑以下问题，逐字逐句地从实验中得出：一些人认为奥巴马政府对犯罪过于软弱，在他担任总统期间暴力犯罪增加了，而其他人认为奥巴马总统推动刑事司法改革和减少监禁并没有损坏暴力犯罪。这个问题问的是，在奥巴马政府期间，谋杀和误杀率是如何变化的。2008年（奥巴马就任总统之前），更严重和过失杀人率为每百万美国人54人。2016年（奥巴马总统任期结束时），每百万人死亡和误杀率是多少？对于这个问题，我们假设共和党人有动机相信答案更高，而民主党人有动机相信答案更低。动机推理测试包括以下步骤：1。信念：受试者被要求猜测上述一个政治化问题的答案。他们被要求并被激励去猜测他们的中间信念（例如，他们发现答案高于或低于他们的猜测的可能性相同）。他们还被要求提供四分位数范围的激励。关于这些想法的详细信息如下。2.新闻：受试者从两个随机选择的新闻来源之一接收二进制消息：真实新闻和假新闻。来自真实新闻的信息总是正确的，而来自虚假新闻的信息总是错误的。这是主要（受试者内）治疗变化。信息上写着“答案比你之前的猜测更大。”或者“答案比你之前的猜测要少。”请注意，对于进行不同初始猜测的受试者来说，确切的信息是不同的。对于上述问题，“大于”对应亲共和党新闻，“小于”对应亲民主党新闻。对于支持共和党多于民主党的受试者，“大于”被编码为亲党新闻，“小于”被编码为反党新闻，反之亦然，对于支持民主党较多的受试者。3.评估：受试者在收到信息后，使用0/10到10/10的量表评估信息来自真实新闻的概率，并激励他们陈述自己的真实信念。我测试激励

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-4-24 19:11:25

关于这些想法的详细信息如下。2.新闻：受试者从两个随机选择的新闻来源之一接收二进制消息：真实新闻和假新闻。来自真实新闻的信息总是正确的，而来自虚假新闻的信息总是错误的。这是主要（受试者内）治疗变化。信息上写着“答案比你之前的猜测更大。”或者“答案比你之前的猜测要少。”请注意，对于进行不同初始猜测的受试者来说，确切的信息是不同的。对于上述问题，“大于”对应亲共和党新闻，“小于”对应亲民主党新闻。对于支持共和党多于民主党的受试者，“大于”被编码为亲党新闻，“小于”被编码为反党新闻，反之亦然，对于支持民主党较多的受试者。3.评估：受试者在收到信息后，使用0/10到10/10的量表评估信息来自真实新闻的概率，并激励他们陈述自己的真实信念。我通过观察新闻方向变化对新闻真实性评估的处理效果来测试动机推理。回想一下，由于受试者收到的信息是将答案与中位数进行比较的，因此贝叶斯网络不会根据该信息改变她的评估。如果她在看到消息之前有一个P（真新闻）=1/2的后验概率，她会形成一个P（真|“大于”）=P（真|“小于”）=1/2的后验概率。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-4-24 19:11:31

我们将评估信息的系统性处理效果归因于动机推理。例如，在上述问题上，如果共和党倾向于声明P（真|“大于”）>P（真|“小于”），而民主党倾向于声明P（真|“大于”）<P（真|“小于”），这将被编码为有政治动机的推理。受试者在实验中看到14个问题，包括表1中的十个主题、三个中性问题和一个理解检查。时间安排如下：人口统计调查1新闻1。。。问题14新闻14结果中性问题询问美国中心的纬度和经度，以及从0-100抽取的阿兰多姆数。理解检查询问当前年份是什么。人口统计页面包括有关政党评级、政党关系、意识形态、性别、年龄、种族和民族、年收入、最高教育水平、州或居住地区以及宗教的问题。政党评级用于对受试者的政党偏好进行分类；受试者被要求使用0-100的量表对民主党和共和党进行评分，该量表类似于美国全国选举研究中使用的感觉温度计。结果页面告诉受试者他们的总体表现，他们在每个问题和评估上的核心是什么，以及每个问题和评估的正确答案。受试者被告知，他们将在实验开始时看到这一页，他们被迫在退出研究并收到付款之前浏览这一页。强迫受试者看到答案的目的是限制受试者策略性自我欺骗的范围。问题1-12的顺序在受试者之间是随机的，但问题13和14是固定的。问题13询问受试者相对于100名试点受试者在问题1-12上的得分。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

能者818

2022-4-24 19:11:37

问题14要求受试者比较民主党飞行员受试者和共和党飞行员受试者在问题1-12上的表现。3.2页面和评分规则总体评分规则在实验结束时，受试者获得3美元的出场费，或者额外获得10美元的奖金，或者不额外获得奖金。如下所述，在每轮实验中，受试者根据他们的表现获得0-100分。这些分数对应于受试者赢得奖金的概率：x分对应于赢得奖金的x/10%几率。受试者在结果页面上平均花费71秒，表明他们正在阅读。在每一轮中，主要问题同样可能被选中，但理解检查仅限于问题2-11之间。这一限制确保了受试者在第一个问题之后仍然注意，并确保问题12出现的支付意愿与理解检查不重叠。一半的受试者得到了民主党人的分数，并被要求预测共和党人的分数；其中一半被给予了共和党人的分数，并被要求预测民主党人的分数。这种收入体系类似于Azrieli、Chambers和Healy（2018）最广泛的激励相容体系，在该体系中，受试者在一轮中随机获得报酬。我使用我的程序是为了更清楚地衡量实验中作为问题使用的“性能”。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-4-24 19:11:43

为了使实验具有激励性，我不需要假设风险中性，但我确实需要假设概率呈线性。问题页面在问题页面上，受试者被赋予整数、主题、问题文本，并被要求输入三个关于他们最初信念的数字：o我的猜测：这得出受试者先前分布的中值。o我的下限：这引出了受试者先验分布的25%我的上限：这引出了受试者先验分布的第75个百分位。猜测的评分规则是分段线性的。受试者的最高收入为{100-|C-当正确答案为c时，g |，0}点用于猜测g。受试者被告知，他们将通过陈述其信念分布的中位数来最大化预期分数。边界的评分规则是分段线性的，具有不同的斜率。对于上限ub，受试者最多可获得{100-3（c）-ub），如果c为0}点≥ ub和最大值{100- （ub）-c），0}点，如果c≤ 乌布。对于下限磅，受试者最多可获得{100- （c）- lb），0}pointsif c≥ lb和max{100- 3磅- c），0}点，如果c≤ lb.受试者通过将ub设置为其置信分布的第75百分位，将lb设置为其置信分布的第25百分位，来最大化预期分数。受试者只能给出我的下限≤ 我猜≤ 我的上限；如果没有，他们会看到一条错误消息。新闻评估页面提交我的猜测后，受试者会看到关于同一问题的第二页。页面顶部是原始问题的文本。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-4-24 19:11:49

在问题的下方，有一条信息，将正确答案与他们提交给我猜的数字联系起来。这条消息说：“答案比你之前对[我的猜测]的猜测要大。”或者“答案比你之前对[我的猜测]的猜测要少。”受试者被告知，真实新闻总是说真话，假新闻永远不会说真话，消息来源是独立的。在信息下方，受试者被问到：“你认为这些信息来自真实新闻还是虚假新闻？”然后从11个单选按钮中选择一个，每个x=0，1，10.评估的评分规则是二次的。对于评估a，受试者的收入为100（1- (1 - a））如果消息来源是真实新闻，得100分（1分）- a）如果是假新闻就要扣分。受试者通过陈述最接近其信念的0.1倍来最大化预期分数。他们会得到一个表格，其中包含根据每个评估和新闻类型获得的分数。偶尔，受试者会正确猜出答案。如果发生这种情况，她会跳过新闻评估页面，进入下一个问题。一半的受试者也会在新闻评估页面上看到“第二次猜测”部分。对于这些受试者，在每个新闻评估问题下面，他们会被问一个额外的问题：“在看到这条信息并评估其真实性后，你对原始问题的答案有何猜测？”受试者被给予与最初猜测相同的线性嘲讽规则。他们最多挣100英镑- |C- 当正确答案为c时，g |，0}点表示对g的猜测。这些第二次猜测将被用作稳健性，以及测试关于受试者如何改变猜测的信念极化。另一半的受试者在问题12和新闻12之间看到一个额外的页面，在该页面上，他们得到指示，并被要求提交一份支付意愿（WTP）信息。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-4-24 19:11:55

由于篇幅限制，本文不讨论这一组。有关说明和结果，请参阅在线附录。在实验开始时，我随机改变受试者是否获得了P（真实新闻）=0.5的先验知识，或者没有获得任何先验知识。三分之一的受试者是givena Previor。这种随机化可以作为一种稳健性检查，以确保结果不完全是由对TrueNews概率的元先验更新（对于未获得先验知识的组可能是这样）或锚定到50-50基准（对于获得先验知识的组可能是这样）驱动的。我发现两组在任何主要结果上都没有统计学上的显著差异，因此本文的主要文本汇集了所有受试者。如在线附录所示，结果对于将样本限制在单个群体中是可靠的。3.3假设主要假设是，当新闻真实性评估导致更高的动机时，它会更大。这是一个联合测试：（1）人们有动机地进行推理，对动机较高的新闻的评价高于对动机较低的新闻的评价；（2）预测的动机方向如表1所示。新闻这不是理解检查问题的情况，其中的信息是“答案等于/不等于你之前对[我的猜测]”的猜测我发现受试者对这些信息有正面评价，但他们对政治化和中立话题的信息没有不同的价值；结果表明，受试者意识到他们将信号视为信息性的，但并不认为他们希望扭曲自己的更新过程。中性话题被认为不影响动机。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

能者818

2022-4-24 19:12:01

对于政治化的话题，政党的等级会影响动机函数的陡度。假设1（带有政治动机的动机推理）o对亲党新闻的评估大于对反党新闻的评估对中性话题新闻的评价介于反党新闻和亲党新闻之间对亲党新闻和反党新闻的评估差距加大了党内的分歧。支持绩效新闻和反绩效新闻的假设是相似的。下一个假设是基于一项观察，即受试者可能有不同的信念，因为这些信念反映了过去动机推理的实例。当动机不可观察时，实验者可以通过观察受试者最初的信念来了解他们的动机。两个以不同方向进行激励性推理的受试者将持有不同的中间信念：激励功能增强的激励性推理者更有可能持有过高的中间信念，而激励功能减弱的激励性推理者更有可能持有过低的中间信念。因此，与中位数太低的受试者相比，中位数太高的受试者更有可能拥有越来越多的动机功能。如果两名受试者使用上述程序进行新闻评估，他们会更信任强化他们最初信念中错误的新闻，而不是减轻错误的新闻。即使信号的设计使他们的理解不同于他们的信仰，这种行为也会发生。在实验中，这种行为意味着受试者会对强化错误的新闻给予比缓解错误的新闻更高的评价。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-4-24 19:12:07

回顾错误强化新闻是虚假新闻，错误缓解新闻是真实新闻，我们有以下假设：假设2（动机推理和对虚假新闻的信任）o在政治化话题上，对虚假新闻的评估大于对真实新闻的评估，但在中性话题上则不然对假新闻的评估要大于对真实新闻的评估，这取决于新闻是亲党的还是反党的。我们可以使用第二猜测组来构建另一种激励性归因测试。通过比较受试者的第一猜测和第二猜测，我们可以重新测试主要的政治动机推理预测，并研究一种形式的信念极化。首先，与假设1一样，受试者被期望更频繁地调整自己的推理，使其朝着有利于自己喜欢的一方的方向调整。其次，根据与假设2类似的逻辑，动机推理会导致受试者更可能调整自己的猜测，使其偏离总体平均值，而不是倾向于总体平均值。我们将FollowMessage定义为取值的三元变量：o1如果消息表示G，二次猜测大于u，或者如果消息表示L，二次猜测小于u如果第二次猜测等于u，则为0；和o-1，如果消息显示G且二次猜测小于u，或者如果消息显示L且二次猜测大于u。极化表示G如果u大于总体平均猜测，或L如果u小于总体平均猜测。反两极分化的新闻正好相反。假设3（动机推理和事后猜测）o亲党新闻的关注信息大于反党新闻两极分化新闻的Follow Message比反两极分化新闻的Follow Message更大。3.4数据和实验细节该实验于2018年6月在亚马逊的Mechanical Turk（MTurk）平台上进行。MTurk是一个在线劳动力市场，参与者在其中选择“人文智能任务”来完成。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-4-24 19:12:13

MTurk已经成为进行经济实验的一种流行方式（如霍顿、兰德和齐克豪泽2011；库齐埃姆科等人2015），安德列维、弗里斯和德鲁克曼（2016）发现，在政治方面，参与者往往比大学实验室的学生有更多不同的情绪。该实验使用oTree进行编码，oTree是一种开源软件，基于Chen、Schonger和Wickens（2016）开发的Django webapplication框架。这项研究的对象是目前居住在美国的MTurk员工。1387名受试者被招募并回答了至少一个问题，1300名受试者完成了研究。在这些受试者中，987人（76%）通过了简单的注意力和理解测试，其余的人则从分析中剔除。在线附录显示，主要结果对纳入这些受试者是可靠的。为了通过这些检查，受试者需要完美地回答附录BB中的注意力检查问题，给出正确的答案、正确的界限，并肯定地回答新闻评估。此外，有些问题的答案可能是最大值和最小值（例如百分比，介于0和100之间）。如果受试者的答案不在这些范围内，他们就会被放弃。当被问及政党的支持率时，627名受访者（64%）对民主党的支持率较高；270（27%）给予共和党更高的评价；90%的人（9%）对每一方给予相同的评价。这些受试者分别被标记为“支持Dem”、“支持Rep”和“中立”，对于大多数分析人员来说，我放弃了中立的受试者。2/3的受试者被随机分配不接受关于新闻来源真实性的事先通知，1/3的受试者被告知真实新闻和虚假新闻的可能性相同。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-4-24 19:12:19

独立地，1/2的受试者被随机分配接受WTP问题，1/2的受试者被要求进行第二次猜测。每个受试者回答了13个问题；897名非中立受试者共有11661个问题猜测。有11443份新闻评估。这些数字之间的差异是由于WTP组的143名受试者在一轮中没有收到信息，以及75（0.7%）的正确猜测。我将这些观察结果用于新闻评估，留下7902条关于政治化话题的观察结果，891条关于绩效话题的观察结果，2650条关于中性话题的观察结果。亲党/反党待遇的平衡表见表5。治疗是平衡的，亲党和反党新闻的总体份额是相同的，这表明治疗没有不同的损耗。为了验证主要结果，我在一年后进行了一次复制实验。如在线附录所述，复制证实了结果。4主要结果4。1原始数据本小节显示原始数据支持主要假设，下一小节显示相关回归。为了验证这些问题是否被政治化，附录表4比较了最初的猜测，并根据表1中预测的方向，找出了不同党派在中值信念方面的系统差异。Levay、Freese和Druckman（2016）也发现，MTurk上的主题大多是民主的。正确猜测的频率较低，表明受试者通常没有寻找答案。这也表明该模型对无原子信念分布的假设是合理的。这种复制在结构上是相同的，但增加了几个新的政治问题，并且没有包括中立的问题，因此不容易汇集结果。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝