假新闻效应：实验识别动机推理

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”。

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。

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。

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。

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。

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。

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。

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。

所有关于政治问题的主要假设都是预先登记的，关于两极分化和过分精确的结果也是如此。为了支持假设1的第一部分，我证明了受试者对政党新闻的信任度高于对反党新闻的信任度。受试者对亲党新闻来自真实新闻来源的可能性的平均评估比他们对反党新闻来自真实新闻来源的平均评估高9.1个百分点（s.e.0.6 pp；p<10-40). 图1显示了亲党和反党新闻评估的CDF；亲党分布的一阶随机支配着反党分布。附录图6显示了支持绩效和反绩效新闻评估的相同结果。图1：亲党和反党新闻评估的CDF注释：亲党和反党新闻定义见表1。这张图显示，受试者更信任亲党新闻而不是反党新闻。x轴测量受试者对P的信念（真实新闻|亲/反党派新闻）。y轴衡量的是给予最高评估的受访者比例。对于亲党和反党的新闻，Bayesian同样信任新闻，剩下的是有动机的推理。图2显示了按新闻方向（亲党派、反党派、中立话题新闻）和主题类型（党派和温和，由党派评级的绝对差异定义）划分的主题贬低评估。为了支持假设1的所有三个部分，受试者认为亲党新闻比非中立新闻更可能是真实的，认为反党新闻比非中立新闻更不可能是真实的，而且党派之间的差异更大。

如果中性话题解释了新闻评估中没有动机的错误，那么这张图表明，无论是正面的还是负面的，都有动机的推理。图2：出于政治动机的推理：新闻方向和党派注：y轴是出于动机的推理：陈述P（真），在主题层面被贬低。如表1所示，关于党派话题的新闻如果更多（更少）代表受试者的首选政党，则被归类为亲党（反党）新闻。高于abs（共和党评级-民主党评级）中值的受试者被归类为党派；不属于中等的受试者被归类为中等。误差条对应于95%的置信区间。为了支持假设2，受试者更信任假新闻，而不是真实新闻。受试者对真实新闻来源真实新闻可能性的平均评估比对真实新闻来源虚假新闻的平均评估低6.0个百分点（s.e.0.6 pp；p<10）-20).附录图7显示了关于政治问题的真实新闻和虚假新闻评估的CDF；假新闻传播的一阶随机支配着真实新闻的传播。这种影响不仅仅取决于新闻是亲党还是反党。图3显示了根据新闻方向（政党、反党、中立）和新闻真实性（真实新闻、假新闻）对被试进行的贬损评估。在政治化话题上，人们对假新闻的评价高于对真实新闻的评价，但在中性话题上，他们不会这样做。图3：有动机的推理和对假新闻的评估：y轴是有动机的推理：陈述P（真），在主题层面被贬低。如表1所示，关于党派观点的新闻如果更多（更少）代表受试者的首选政治党派，则被归类为亲党（反党）新闻。