假新闻效应：实验识别动机推理

假新闻传递的信息会强化受试者的错误方向；True News发送减轻受试者错误的消息。误差条对应于95%的置信区间。4.2新闻评估的回归规范主要回归规范在主题范围内。它回归了亲党新闻对主题i、问题主题q和四舍五入r的评估，对i、q和r有固定的影响，仅限于亲党或反党新闻：aiqr=α+β·1（亲党）iqr+γF Ei+δF Eq+ζF Er+不管怎样，在中性话题上，对真实新闻的评价都要高于假新闻。对这个问题的反思可能会导致受试者在缺乏动机信念的情况下适应真理。99.4%的非中立受试者至少收到一条亲党和反党新闻。三名受试者从未收到过亲党新闻，两名受试者从未收到过反党新闻。在线附录显示，如果我们用Logit（aiqr）替换aiqr，结果在质量上是相同的。该规范在表2第2列中使用。第1栏中有一个类似的替代规范，用人口统计学控制代替个体水平的固定效应。表2：有动机的推理和对新闻真实性的感知（1）（2）（3）（4）（5）（6）亲党新闻0.0920.088 0.041 0.037 0.077（0.006）（0.006）（0.012）（0.006）（0.006）（0.006）党派之争x亲党新闻0.099（0.022）反党新闻-0.048（0.007）真实新闻-0.059-0.034（0.006）（0.006）问题FE是是是是是是是是否没有非营养新闻没有没有是没有观察7902 7902 7902 10552 7902 7902 7902R0。05 0.25 0.25 0.21 0.23 0.25平均0.574 0.574 0.574 0.575 0.574 0.574括号内的标准错误注：OLS，错误集中在主题级别。

中立新闻表明，亲党/反党新闻的评估与中立话题的评估相比较。这些分类如表1所示。控制：种族、性别、原木（收入）、受教育年限、宗教信仰，以及2016年该州是否投票给特朗普或克林顿。党派之争是abs（共和党评级-民主党评级）。假设1声称，亲党派/反党派的差距在党派性方面正在扩大，因此第3栏将党派性（党派评级的绝对差异）与亲党派新闻相互作用。它还声称，有动机的推理会导致对亲党新闻的高度评价和对反党新闻的较低评价；因此，第4栏包括亲党（对中立）新闻和反党（对中立）新闻的指标。假设2假设受试者在政治化话题上更信任假新闻而不是真实新闻，因此第5和第6栏回归了对真实新闻、控制和不控制亲党新闻的Dummy评估。假设1和2得到了有力的支持。对亲党新闻的评价高于对反党新闻的评价，这一影响加剧了党派之争。有证据表明，无论是亲党新闻还是远离反党新闻，都有动机地进行推理，虚假新闻评估高于真实新闻评估。接下来，我们通过回归治疗和主题假人之间的相互作用，分别研究每个主题。图4显示了九个假设主题中八个主题的政治动机推理证据（每个主题的p<0.001）。研究还表明，人们有动力相信自己的表现优于他人（p<0.001）。图4：主题注释的动机推理：OLS回归系数，错误聚集在主题层面。FE包括主题、整数和主题。表1中定义了亲党（与反党）新闻。

误差条对应于95%的密度区间。4.3不断变化的猜测和信念两极分化回想一下，有一半的受试者在收到新闻后被随机分配对最初的问题进行二次猜测，我们假设受试者更有可能向亲党方向更新，而不是向反党方向更新。这项测试作为稳健性检查很有用，但也有助于我们更好地理解这些信息如何影响受试者对问题本身的看法。表3第1列显示，受试者更可能在亲党信息的方向上更新中位数，而不是在反党信息的方向上更新中位数。专栏2显示，在政治化的话题上，受试者也更可能改变他们的猜测，朝着极化信息的方向（告诉他们他们的猜测离平均值更远）而不是反极化信息的方向。表3：有动机的推理和遵循发送的信息（1）（2）（3）（4）（5）（6）亲党新闻0.122 0.114 0.018 0.024（0.021）（0.021）（0.018）（0.018）极化新闻0.061 0.032-0.017-0.022（0.019）（0.019）（0.016）P（真）1.126 1.139 1.131（0.061）（0.061）（0.063）问题：是是是是是是是是是是是是是是是是的是的是的是的是的是的4085 4085 4085R0。28 0.28 0.28 0.45 0.45 0.45平均0.659 0.659 0.659 0.659 0.659 0.659 0.659括号内的标准错误注：OLS，错误集中在主题级别。仅限第二猜测组的受试者。只有亲党/反党新闻观察，如表1所示。两极分化新闻是告诉受试者，与他们最初的猜测相比，答案与总体平均值相反的新闻。

如果受试者在信息显示“大于”时向上更改猜测，或在信息显示“小于”时向下更改猜测，则因变量为1，如果他们在相反方向更改猜测，则因变量为1，如果他们不更改猜测，则因变量为0。表3第4-6列显示，动机推理和信念两极分化的差异可以通过新闻评估的差异来解释。在控制评估后，猜测变化在统计上不受亲党/反党信息的显著影响，在统计上也不受两极分化信息的显著影响，点估计接近于零。证据表明，受试者改变信仰，更确切地关注亲党新闻，因为他们更信任该新闻来源。更广泛地说，这些结果对人们如何改变信仰给出了一个明确的预测。他们表明，在信号提醒人们有动机的信念的环境中，信息内容并不是信念两极分化的必要条件。4.4替代解释和稳健性检查本设计中的一些特点可能会导致受试者的行为方式与动机推理一致，但也与无动机的假设一致。本小节讨论了一些潜在的混淆，并展示了如何测试这些替代假设。我认为，这些混淆不太可能完全解释上述结果，从而加强了实验中所确定的动机推理的解释。4.4.1误解中间值和扭曲的信念分布有理由认为受试者不完全理解阿米迪亚的概念。例如，他们可能会用他们卑鄙的信念来回答。

这不会在系统方向上直接影响新闻评估结果，除非先验分布明显扭曲。我们可以使用受试者置信区间中的初始猜测值作为偏态的代理，并看到主要结果适用于分布不规则的受试者。在政治化问题上，32%的受试者的猜测正好在上下限之间。表6使用了与主回归相同的规格，但将亲党新闻、反党新闻和真实新闻与具有“不道德”先验的虚拟新闻交互。治疗效果在定性和定量上相似，表明偏斜不会对结果产生方向性影响。4.4.2新闻来源的独立性迄今为止，我们假设受试者将新闻来源视为来自独立发行版。虽然在说明中明确要求受试者这样做，但表明他们没有使用以前的新闻来更新当前的新闻是有用的。在表7中，我修改了主回归表，以说明前几轮支持和反对党的新闻的相对数量。前几轮的支持和反党新闻对本轮评估没有影响，主要的处理效果没有变化，这表明受试者确实独立对待新闻来源。4.4.3使用术语“假新闻”误解“假新闻”可能会导致更多的主题参与，但也可能引发其他常用的定义（如假文章，如奥尔科特和根茨科2017）。这一小节表明，结果不能用对假新闻的两种似是而非的误解来解释。首先，假设受试者相信来自假新闻的消息同样会发送真消息和假消息，而不是总是发送假消息。

在这个实验中，关于评估的预测不会改变。贝叶斯算法仍然有一个事前先验，即支持党和反对党的消息的可能性相同，并且不会在给定任一消息的情况下推断出任何关于P（True）的信息。一个有动力相信答案很大的人仍然会推断P（真的|亲党）>P（真的|反党）。更复杂的情况是，受试者认为虚假新闻的信息实际上来自对其政党有偏见的新闻来源。也就是说，假设受试者相信假新闻更可能报道支持党派的新闻，而不是支持党派的新闻。为了验证这一点，我们可以再次看看受试者如何改变他们的猜测。特别是，假设受试者是贝叶斯的，但对假新闻使用了这种不对称的错误定义。然后，他们会发现亲党的“假新闻”信息比反党的“假新闻”信息更具信息性，因为“假新闻”通常会发送反党信息。（此处的引语表明这些受试者使用了错误的定义。）然后，这些受试者会根据他们对P（真实新闻）的评估，更多地从ProParty而非反党新闻中更新。在表3中，我们发现受试者在控制了他们的评估后，同样可能会从亲党和反党新闻中更新。虽然数据过于不精确，无法排除将假新闻视为有偏见的受试者的存在，但这个故事不足以解释主要影响。4.4.4不正确的初步猜测虽然从理论上讲，为了在新闻评估问题上获得更多分数，战略性地误报自己的观点可能符合受试者的最佳利益，但我没有发现这方面的证据。在实验的第一轮中，受试者还不知道他们会乞求一个新闻评估页面。

如果受试者策略性地错误猜测，从而获得更多的评估分数，那么他们在第一轮的评估中的表现会比接下来的几轮差，在第一轮的评估中的表现会比接下来的几轮更好。第一轮的评估分数在统计学上没有显著差异。受试者在第1轮中得分67.2分（s.e.0.9），在第2-12轮中得分66.4分（s.e.0.3）；差异为0.8分（s.e.1.0；p=0.383）。第1轮的猜测分数也没有统计学上的显著差异。受试者第一轮得分为76.2分（s.e.1.0），第二轮至第十二轮得分为75.9分（s.e.0.2）；差异为0.3分（s.e.1.0；p=0.758）。非战略形式的错误初始猜测更难排除。如果猜测中存在对称噪声，那么受试者陈述其Q分位数和1分位数的概率相等- Q分位数为Q 6=1/2，则主要结果不变。结果也与受试者对总体平均值的初始猜测不一致。虽然这种行为可以解释为什么受试者在政治化新闻中更信任加强错误的新闻而不是减轻错误的新闻，以及为什么他们更信任亲党新闻而不是反党新闻，但它错误地预测了在中立话题上的相同模式。与贝叶斯更新和实验结果一致的一种误报形式是，受试者系统性地误报最初的猜测，而这种误报的方式与他们所在的党派有着相反的倾向。产生这种偏见的一个潜在原因是受试者没有充分思考这个问题；而且，如果有更多的时间，他们会朝着他们实际的（更亲党的）信仰更新。

看到第二个屏幕可能会让受试者更认真地思考最初的问题，而更认真地思考会导致更多的亲党信念。然而，更努力地思考似乎并不是不对称的，因为我没有发现证据表明受试者排除了第13-14轮的得分，因为这些问题不是随机分配到这些问题中的；如果将它们包括在内，结果是相似的。我还排除了对理解检查问题的评分。这一解释背后的心理学与动机推理理论重叠，因为第二页唤起了动机，进一步的研究可以更好地阐明什么是信号。更愿意花更多时间思考好消息。4.4.5表达偏好Bursztyn等人（2020年）提供的最新证据表明，实验中的人可能会为了发表政治声明而放弃支付。在这个实验中，如果受试者倾向于陈述亲党的信号，那么他们最初的猜测和新闻评估都会偏向亲党的方向，这与数据一致。然而，如果他们是贝叶斯的，他们如何改变自己的猜测将不会有方向性，因为他们已经陈述了自己的首选信念。在表3中，受试者更有可能在亲党方向上更新自己的猜测，而不是在反党方向上更新自己的猜测，尽管他们同样有可能收到亲党和反党的新闻。这与受试者更真诚地相信亲党新闻是一致的；这与表达性贝叶斯更新不一致。4.4.6第3.4节讨论的其他稳健性测试，受试者要么被告知指令中的P（真实新闻）=1/2，要么没有被告知这一点。在在线附录中，我将表2的回归分析局限于每个随机化组的受试者，并在两个组中发现类似的结果。

同样，看到WTP页面或进行第二次猜测也没有什么影响。在实验过程中，受试者可能会学习到，他们会主动地进行推理和自我否定。我与每个轮数的假人互动主要影响，但没有找到证据。在每一轮选举中，对亲党新闻的评价都要大于对反党新闻的评价。4.5动机推理中的异质性需要考虑两种类型的异质性：动机推理方向上的异质性，以及其程度上的异质性。首先，我们考虑异质性的方向。为了做到这一点，图5显示了新闻评估对新闻政治方向（亲共和党与亲民主党）与政党偏好互动的回归，以及在亲党派新闻评估页面上花费的平均时间为14.6秒（s.e.0.3秒），而在反党派新闻评估页面上花费的平均时间为14.8秒（s.e.0.3秒）。二值化的可观察人口统计学。非政治人口统计包括种族、性别、收入、年龄、教育程度、2016年被调查者所在州是否投票给特朗普或克林顿，以及宗教信仰。图5：动机推理的党派方向的异质性注：该图通过二元人口统计学绘制了在受试者的新闻评估中看到亲Rep新闻与亲Dem新闻的相对治疗效果。这些是OLS回归系数，错误聚集在学科层面。包括主题、整数和主题。只有亲党/反党新闻观察，如表1所示。亲共和党：共和党的支持率高于民主党。年龄较大：高于实验中的平均年龄。高收入：高于实验中的收入中值。

红州：该州在2016年投票支持特朗普。宗教的：主体与任何宗教都有联系。在控制政党偏好后，其他人口统计数据对动机推理的方向没有统计上的显著影响。所有系数都在正负0.03之间，这一数量级不到政治的三分之一。在在线附录中，我们考虑动机推理的大小，承认这种设计不能区分偏见的大小和动机的强度。党派比温和派有更大的治疗效果，但人口统计学上的党派偏见对偏见的程度没有显著影响；所有影响均在+/-0.03之间。有提示性证据表明，支持民主派的受试者比支持民主派的受试者更有动机地进行推理，这些结果表明，动机推理的偏差程度在人口统计学中是广泛相似的，虽然动机信念的方向因政党而异，但在非政治性人口统计学中差异不大。4.6动机推理、初始信念和过度精确现在我们考虑初始信念和动机推理之间的另外两种关系：多少动机推理可以解释人们在信念中的二度性，以及偏见如何与过度精确的时间间隔有关。首先，数据显示，本实验中动机信念测量的差异可以解释这些问题的实际信念差异的很大一部分。我通过将政治化问题的答案与亲共和党和亲民主党的新闻在评估上的差异联系起来，来研究动机和信仰之间的关系。对于每一个政治化的问题，受试者的初始猜测都是胜利的（在5%的水平上）、标准化和签名的；正数对应着更多的专业代表。