假新闻效应：实验识别动机推理

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。

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）。

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）。

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。

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}。

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。

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。

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

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。

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。