假新闻效应：实验识别动机推理

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

英文标题：
《The Fake News Effect: Experimentally Identifying Motivated Reasoning
  Using Trust in News》
---
作者：
Michael Thaler
---
最新提交年份：
2021
---
分类信息：

一级分类：Economics        经济学
二级分类：General Economics        一般经济学
分类描述：General methodological, applied, and empirical contributions to economics.
对经济学的一般方法、应用和经验贡献。
--
一级分类：Quantitative Finance        数量金融学
二级分类：Economics        经济学
分类描述：q-fin.EC is an alias for econ.GN. Economics, including micro and macro economics, international economics, theory of the firm, labor economics, and other economic topics outside finance
q-fin.ec是econ.gn的别名。经济学，包括微观和宏观经济学、国际经济学、企业理论、劳动经济学和其他金融以外的经济专题
--

---
英文摘要：
  Motivated reasoning posits that people distort how they process new information in the direction of beliefs they find more attractive. This paper introduces a novel experimental paradigm that is able to portably identify motivated reasoning from Bayesian updating across a variety of factual questions; the paradigm analyzes how subjects assess the veracity of information sources that tell them the median of their belief distribution is too high or too low. A Bayesian would infer nothing about the source veracity from this message, but motivated reasoners would infer that the source were more truthful if it reported the direction that they find more attractive. I find novel evidence for politically-motivated reasoning about immigration, income mobility, crime, racial discrimination, gender, climate change, gun laws, and the performance of other subjects. Motivated reasoning from messages on these topics leads people\'s beliefs to become more polarized, even though the messages are uninformative.
---
PDF下载：
--> The_Fake_News_Effect:_Experimentally_Identifying_Motivated_Reasoning_Using_Trust.pdf (4.28 MB)

2022-4-24 19:09:33 上传

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

分享0 收藏0 回帖

关键词：Experimental distribution Contribution Quantitative information

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。

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。

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。

(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）。

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。

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。

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).

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。

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。