Dickinson (2022) - Political Ideology, Mood Response, and the Confirmation Bias

Citation: Dickinson, D. L. (2022). Political ideology, mood response, and the confirmation bias. Department of Economics Working Paper 22-04, Appalachian State University.
Keywords: confirmation bias; sleep; deliberation; cognitive reflection; motivated reasoning
Platform: Prolific (美国被试)
Pre-registration: OSF (Study 1: 10.17605/OSF.IO/YHVSB; Study 2: 10.17605/OSF.IO/NQRJD)

一句话总结

通过两个预注册研究（n=611 + n=503）在三种任务（Taber-Lodge 论据评估 / 12 议题信息操纵 / 贝叶斯信念更新）中系统证明：政治意识形态不一致的信息触发负面情绪，而负面情绪进一步放大确认偏误，提示情绪是 confirmation bias 的关键调节机制。

研究问题

1. 不一致信息是否系统性地引发负面情绪？（在论据评估、政策评分、贝叶斯信念更新三种任务中）
2. 负面情绪是否调节确认偏误的强度？——是 confirmation bias 的副产品，还是触发/放大它的机制？
3. 认知重评 (cognitive reappraisal) 等情绪调节策略能否减弱情绪→偏误的传导？
4. 在贝叶斯信念更新框架内，意识形态一致 vs. 不一致的信号是否被赋予不同权重？情绪如何调节这种不对称？

核心贡献

1. 首次将情绪自我报告嵌入经典确认偏误任务：在 Taber & Lodge (2006) 的论据评估范式中每条论据后立即采集 9 维情绪量表，使情绪可作为内生中介/调节变量
2. 三任务互补设计：从结构化论据评估 → 12 议题政策评分 → 贝叶斯概率信念更新，跨任务一致地验证"不一致 → 负面情绪 → 偏误"链条
3. 预注册 + 大样本：两研究共 1100+ 被试，全部假设、样本量、模型规格在 OSF 预注册
4. 量化情绪调节效应：负面情绪 (Anti-Gun Mood) 显著降低对对立论据强度的评估 (p<.01)；信号不一致每增 30 单位，信息对偏好评分的影响减弱 9-10%
5. 保守型贝叶斯更新与不对称权重：所有更新系数 δ, β1, β0 显著 < 1（保守型更新），且一致信号被赋予显著更高权重（确认偏误存在于贝叶斯更新中）
6. 女性情绪反应更强：探索性发现情绪调节效应在女性子样本中更显著

维度1：实验设计分析

总体设计概览

本文包含两个预注册研究（Study 1 和 Study 2），共三个不同的实验任务，样本总量超过1100人。核心创新在于：在经典确认偏误任务中引入情绪自我报告，以检验情绪（mood）对确认偏误的调节作用。

被试招募与样本

• 使用Prolific平台内置的自定义筛选功能，招募大致等量的自我认同为保守派和自由派的美国成年被试
• Study 2 首先从Study 1被试中招募回头被试（n=193, 其中111人保守派），再补充招募新被试至目标n=500

关键测量变量

政治意识形态（Liberal Score）： 1-9量表，1="非常保守"，5="中间立场"，9="非常自由"

• 民主党人均值=7.77 (SD=1.08)，共和党人均值=2.68 (SD=1.13)

情绪报告（Mood Reports）： 在多个关键节点采集

• 7点Likert量表（1="完全没有该情绪"，7="该情绪最大程度"）
• 正面情绪4维：happy, excited, surprised, satisfied
• 负面情绪5维：angry, irritated, confused, regret, disgust
• 合成净负面情绪指标（NetNegMood）：负面情绪均值 - 正面情绪均值，范围[-6, +6]
• Study 1 基线NetNegMood = -1.76 (SD=1.71)，Study 2 基线NetNegMood = -1.96 (SD=1.65)

情绪调节问卷（ERQ）： Gross & John (2003)，包括认知重评（Cognitive Reappraisal）和表达抑制（Expressive Suppression）两个分量表

任务1：经典确认偏误任务（Study 1 - 枪支管控）

详细流程：

1. 知情同意 -> 被试同意后继续
2. 基线测量阶段：
   • 采集人口统计学信息和政治偏好
   • 填写情绪调节问卷（ERQ）
   • 报告基线情绪状态（9维情绪Likert量表）
3. 枪支管控确认偏误任务（复制 Taber & Lodge, 2006）：
   • 被试阅读6条枪支管控相关陈述（3条支持持枪pro-gun + 3条反对持枪anti-gun）
   • 对每条陈述评价论据强度（9点量表，居中于0：-4="强烈不同意" 到 +4="强烈同意"）
   • 关键创新： 每条论据后立即报告情绪状态
   • 构建合成变量：
     • Pro-Gun Views [-24, +24]：6条陈述的同意程度合成
     • Perceived Argument Strength [-24, +24]：对论据强弱的感知合成
     • Anti-Gun Mood [-18, +18]：反映对枪支讨论的净情绪反应

任务2：信息操纵任务（Study 1 - 12个政策议题）

详细流程：

1. 偏好引出阶段： 对12个政策议题依次进行评估
   • 12个议题：环境保护、药物成瘾、COVID-19、枪支权利、犯罪减少、气候变化、边境安全、联邦预算赤字、非法移民权利、警察暴力、政府伦理
   • 每个议题两个评分（0-100量表）：
     • 问题严重程度（Problem Rating）： "这个问题有多严重？"（0=完全不是问题，100=巨大问题）
     • 资源优先级（Resource Priority Rating）： "联邦政府应投入多少资源？"（0=应大幅减少，100=应大幅增加）
2. 信息处理阶段（随机化）： 每个议题随机呈现一条信息陈述
   • High Info 处理： 强调该议题重要性的信息陈述（例如犯罪问题："犯罪比我们想象的更严重"）
   • Low Info 处理： 淡化该议题重要性的信息陈述（例如犯罪问题："犯罪问题并不像人们想的那么严重"）
3. 后测阶段：
   • 报告信息处理后的情绪状态
   • 重新评估问题严重程度和资源优先级
   • 关键变量 Degree of Dissonance [0,100]：若收到的信息强调议题重要性，则 Dissonance = 100 - 被试原始评分（评分越高，信息越一致；越低，越不一致）
4. 补充阶段：
   • 询问选民登记状态和2020大选投票意向
   • 随机顺序呈现Trump和Biden照片，各收集一组情绪报告
   • 6题认知反思测试（CRT）

任务3：贝叶斯信念更新任务（Study 2）

详细流程：

1. 知情同意 -> 同意后继续
2. 基线情绪报告（同Study 1的9维量表）
3. 政治意识形态测量（同Study 1的Liberal Score）
4. 任务指导说明： 介绍信念引出程序和激励兼容支付机制
5. 练习试次： 使用非政治陈述（"火星平均温度"）进行练习，确保被试理解流程
6. 正式任务： 对4条事实性政治陈述进行信念更新
   • 4条陈述设计：2条事实为真 + 2条事实为假；1条有利于保守派 + 1条有利于自由派（在真假各一条中）
   • 每条陈述的流程：
     a. 呈现政治陈述
     b. 被试报告基线概率信念（0-100，该陈述为真的概率）
     c. 采集情绪报告（看到陈述后的即时情绪反应）
     d. 呈现第1个噪声信号（"TRUE"或"FALSE"，准确率75%，即3/4概率正确）
     e. 被试更新概率信念
     f. 重复步骤d-e共4轮（共4个噪声信号）
     g. 4轮信号后再次采集情绪报告
   • 每条陈述产生4个观测值，4条陈述共16个观测值/被试
   • 激励兼容机制： Becker-DeGroot-Marschak变体的crossover scoring mechanism，被试报告真实信念可最大化期望奖金
   • 提醒被试先前概率估计，20秒计时器促使及时反应
7. 收尾阶段： 随机呈现Trump和Biden照片，各采集最终情绪报告

被试间/被试内设计说明

• 被试间因素： 政治意识形态（保守派 vs. 自由派）为自然分组变量，非随机操纵
• 被试内因素：
  • 任务1：所有被试阅读所有6条枪支论据（3 pro-gun + 3 anti-gun）
  • 任务2：所有被试评估所有12个议题，每个议题随机分配信息处理（High/Low Info）
  • 任务3：所有被试对所有4条陈述进行信念更新，信号随机（TRUE/FALSE，75%准确）
• 不一致性（Dissonance） 通过被试自身的意识形态立场与信息方向的交互来界定

维度2：理论模型

核心理论框架

确认偏误作为动机性推理（Motivated Reasoning）：

• 确认偏误是一种保护个体免受不适的动机性推理形式（Festinger, 1957）
• 听到对立观点产生认知失调（cognitive dissonance），回避或贬低不一致信息是减少失调的理性策略
• 与纯粹的认知懒惰不同，确认偏误在深思熟虑（deliberation）和反思性思考中反而增强（Kahan, 2012; Dickinson, 2020）

情绪的关键角色：

• 认知失调与负面情绪状态相关联（Van Veen et al., 2009）
• 确认偏误是一种隐性情绪调节策略，产生与无情感利益时不同的神经激活模式（Westen et al., 2006）
• 核心论点： 负面情绪不仅是确认偏误的副产品，更可能是触发和调节确认偏误的关键机制

贝叶斯更新模型（Study 2）

贝叶斯法则（Odds Ratio形式）：

Log-odds实证模型：

• 完美贝叶斯更新要求 \delta = \beta_1 = \beta_0 = 1
• 信号准确率为75%，因此 LR_1 = 3（TRUE信号），LR_0 = 1/3（FALSE信号）

扩展模型（加入信号一致性/不一致性）：

信息操纵任务的回归模型

预注册假设体系

Study 1 假设：

• H1: 在经典确认偏误任务中，被迫阅读对立论据会引起更多负面情绪
• H2a: 负面情绪预测更强的确认偏误效应（论据强度评价偏差更大）
• H2b: 认知重评能力调节情绪对确认偏误的影响
• H3: 阅读与自身政策立场不一致的信息会引发更多负面情绪
• H4a: 不一致信息对偏好更新的影响更小（确认偏误）
• H4b: 负面情绪调节信息对偏好的影响
• H4c: 认知重评风格调节负面情绪对偏好更新的影响

Study 2 假设：

• H1: 信念按贝叶斯法则方向更新
• H2: 基线信念和更新过程均体现确认偏误
• H3: 意识形态不一致的政治陈述引发更多负面情绪
• H4: 不一致的噪声信号序列导致情绪进一步恶化
• H5: 情绪调节确认偏误在贝叶斯更新中的强度

维度3：核心发现

Study 1 - 经典确认偏误任务（枪支管控）

H1（不一致信息引发负面情绪）-- 支持：

• Pro-Gun Views 对 Anti-Gun Mood 的影响：负显著（p < .01），即越支持持枪的人，看到反枪论据后情绪越负面
• Liberal Score 对 Anti-Gun Mood 的影响：正显著（p < .01），即越自由派的人，Anti-Gun Mood越高（对持枪论据更负面）
• 在所有模型规格（简单回归、加入人口统计控制变量、加入额外控制变量）中均稳健

H2a（负面情绪调节确认偏误强度）-- 支持：

• Anti-Gun Mood 对 Perceived Argument Strength 的影响：负显著（p < .01），即情绪越负面，越倾向于低估对立论据的强度
• Anti-Gun Mood * Liberal Score 交互项：负显著（p < .01），支持情绪调节假设
• 在全样本和高/低认知重评子样本中均显著

H2b（认知重评调节情绪的调节作用）-- 不支持：

• 高认知重评与低认知重评子样本中，系数估计无显著差异
• 但情绪调节效应仅在低认知重评子样本中显著（p < .05），高认知重评子样本中不显著（p > .05）

Study 1 - 信息操纵任务（12个政策议题）

H3（不一致信息引发负面情绪）-- 支持：

• Degree of Dissonance 对净负面情绪的影响：正显著（p < .01），在两个偏好维度（问题严重程度和资源优先级）上均成立
• 随机效应GLS模型，12个观测/被试，标准误聚类至被试层级

H4a（不一致信息对偏好更新的影响更小）-- 支持：

• \beta_3 (Dissonance Degree)：正显著 > 0（p < .01）
• \beta_4 (Dissonance Degree * Big Problem)：负显著
• \beta_3 + \beta_4 的联合效应（当Big Problem=1时的总效应）：显著 < 0（卡方检验 p < .01）
• Effect size： 不一致程度每增加30个单位，信息对偏好评分的影响减少约9%-10%（基于对数回归系数指数化）

H4b（情绪调节信息对偏好的影响）-- 有限支持：

• 使用基线情绪中位数分割：基线情绪更负面的被试在 Perceived Problem 维度上对不一致信息的折扣更大 -- 支持
• 但在 Resource Priority 维度上无显著差异 -- 不支持
• 使用信息处理后情绪指标时，结果不一致 -- 不支持

H4c（认知重评调节）-- 不支持：

• 认知重评风格未显著调节确认偏误在偏好更新上的效应

Study 2 - 贝叶斯信念更新任务

H1（贝叶斯方向更新）-- 支持，但保守性更新：

• 所有系数 \delta, \beta_1, \beta_0 均 显著 > 0（p < .01）
• 但均 显著 < 1（p < .01），表明"保守型"贝叶斯更新：新信息的权重低于理性贝叶斯预测

H2a（基线信念体现确认偏误）-- 支持：

• 对于有利于保守派的陈述（陈述1和4），Liberal Score越高，基线真实概率估计越低
• 对于有利于自由派的陈述（陈述2和3），Liberal Score越高，基线真实概率估计越高
• 四条陈述方向均一致且显著

H2b（更新过程中的确认偏误）-- 部分支持：

• 与意识形态一致的信号（Consonant Signal）在贝叶斯更新中被赋予显著更高的权重（p值显著）
• 不一致的信号（Dissonant Signal）并未被赋予显著更低的权重
• 但相对而言，不一致信号权重低于一致信号，总体支持确认偏误

H3（不一致陈述引发负面情绪）-- 支持：

• Statement Dissonance Degree 对 Relative Negative Mood 的影响：正显著
• 在控制年龄、性别、基线情绪后稳健
• 女性的情绪反应可能更强（Female * Statement Dissonance Degree交互项探索性分析）

H4（不一致信号进一步恶化情绪）-- 不支持：

• 不一致噪声信号（# Dissonant Signals）对情绪变化的影响在大多数陈述上不显著
• 仅在陈述4上显示微弱支持

H5（情绪调节贝叶斯更新中的确认偏误）-- 有限支持：

• 正面情绪（Neg Mood < 0）的被试更倾向于给一致信号赋予额外权重
• 负面情绪（Neg Mood > 0）的被试倾向于给不一致信号赋予更少权重（但 p = .06，边际显著）
• 性别差异： 情绪调节效应在女性被试中更为明显和稳健

假设检验汇总表

维度6：与其他文献的关系

研究领域

本文处于行为经济学/政治心理学交叉领域，聚焦于政治场景下的确认偏误及其情绪机制。

核心贡献

1. 复制与扩展 Taber & Lodge (2006)： 在枪支管控议题上复制经典确认偏误发现，并创新性地加入情绪测量
2. 提出情绪作为确认偏误调节变量的假设： 填补文献中对负面情绪在触发确认偏误中作用的忽视
3. 多任务互补设计： 三种不同任务（经典论据评估、偏好更新、贝叶斯概率更新）提供了跨任务一致性证据
4. 将确认偏误研究与贝叶斯更新框架整合： 扩展 Hill (2017) 的贝叶斯学习政治事实范式

关键对话文献

方法论特色与局限

特色：

• 全部假设、样本量、分析计划均在OSF上预注册
• 使用激励兼容的信念引出机制（BDM变体）
• 纵向追踪部分被试（跨Study 1和Study 2，间隔约15个月）
• 系统的稳健性检验（系数图展示多种模型规格）

局限：

• 偏好评分（0-100）不等同于概率估计，不适用标准贝叶斯分析（任务2的局限，任务3弥补）
• Study 2因计划从Study 1招募被试，未重新采集完整控制变量
• 情绪调节效应在不同任务间的一致性不够强（任务1中强，任务2中弱，任务3中有限）
• 认知重评调节假设在多个任务中均未获支持

与本项目的关联

• 本文是将情绪作为确认偏误调节变量的系统性实证研究，对理解信念更新中的情感因素有重要启发
• 贝叶斯更新任务（Task 3）的设计——在每个信号后引出信念概率——可为信念更新实验提供方法论参考
• 信息操纵任务（Task 2）中对"不一致程度"的连续化定义（Degree of Dissonance）是一种值得借鉴的操纵方式
• 保守型贝叶斯更新的发现（所有系数 < 1）与Coutts (2019)、Hill (2017) 一致，是该领域的稳健发现

维度4：变量概览

自变量 / 操纵变量

因变量 / 测量变量

中介 / 调节变量

• 认知重评 / 表达抑制（ERQ Gross-John 2003）
• CRT (6 题认知反思测试)
• 基线情绪（中位数分割）
• Trump/Biden 照片情绪反应（探索性）

关键模型参数

• δ (lagged log-odds 持久性)、β1 (TRUE 信号权重)、β0 (FALSE 信号权重)：理性贝叶斯下应均=1
• γ (DissSignal 系数)、φ (ConsSignal 系数)：测量信号一致性带来的不对称权重

维度5：局限性

1. 意识形态非随机分配：Liberal Score 是自然分组变量，与人格、教育、年龄等内生相关；交互效应解读需谨慎
2. Task 2 偏好评分非概率：0-100 评分不能直接套用贝叶斯框架，仅 Task 3 严格做贝叶斯
3. 情绪自我报告的反应性：每条论据后采集情绪可能本身改变被试对论据的处理方式（measurement reactivity）
4. 认知重评调节假设普遍未支持：可能 ERQ 自我报告的特质性测量与具体任务情境下的情绪调节存在错配
5. 信号不一致对情绪的恶化效应不显著 (S2-H4)：与 H3 形成张力，提示情绪反应可能被前期陈述本身锁定
6. 样本仅美国被试：政治意识形态的语义和情感载荷在跨文化语境下不可外推
7. Task 3 仅 4 条陈述、4 轮信号：观测维度有限，δ、β1、β0 的精确估计依赖跨被试合并
8. Study 2 因招募 Study 1 回头被试，未重复采集完整控制变量
9. 未操纵情绪：情绪是测量变量而非随机化操纵，因果推断仍部分依赖统计假设
10. 预测重要的 mood 变量是被试内单试次反应，可能与稳定情绪倾向 (trait affect) 混淆

维度7：可拓展的研究方向

1. 外生情绪操纵：用音乐 / 视频 / 失败任务诱导情绪后再做 Taber-Lodge 任务，验证情绪→偏误的因果方向（与 Coutts_Gerhards_2024_SelfServingAttributionBias 中的情绪反馈实验思路对话）
2. 情绪调节训练：测试 cognitive reappraisal 的实时训练（vs. 自我报告倾向）能否减弱信念更新中的偏误
3. 金融情境扩展：将贝叶斯信念更新任务移植到资产价值估计（loss / gain frame），测试投资者中的"动机性确认偏误"——可与 Bauer_2025_Sustainability_Preferences_Index_Fund、Bosch-Rosa_Gietl_Heinemann_2024_RiskTaking_MotivatedBeliefs 对话
4. 结构估计 motivated Bayesian：估计 motivated belief 模型 (e.g., Benabou_2015_EconomicsMotivatedBeliefs) 中"信念效用权重"的个体异质性，并检验是否与情绪反应强度相关
5. 群体动力学：将个体级 confirmation bias 估计输入意见动力学模型 (e.g., DelVicario_2017_ConfirmationBias_Polarization 的 UCM/RUCM)，检验微观参数能否预测宏观极化
6. 神经经济学：fMRI 重复 Westen (2006) + 加入贝叶斯信念更新任务，测量负面情绪回路 (insula, ACC) 与信号权重不对称的耦合
7. 性别异质性深入：女性情绪反应更强的发现需要后续验证，并与 Thaler_SupplyMotivatedBeliefs 中的性别差异对话
8. 跨议题溢出：测试在某个议题上引发的情绪是否会跨议题影响其他议题的信息加工（mood spillover）
9. 激励强度比较：变化 BDM 奖金水平，检验高 stakes 是否能克服 confirmation bias
10. 与 misinformation 干预对接：测试 inoculation、prebunking 等干预能否减弱情绪→偏误传导，连接 Wittrock_Strobel_2023_BeliefUpdating_Misinformation
11. 追踪 Study 1→Study 2 同人样本：利用 193 名跨研究被试做被试内动态分析，估计 confirmation bias 的稳定性 vs. 情境性
12. 与社交网络数据匹配：被试同意后链接其 Twitter/Facebook 信息暴露记录，检验实验测得的 bias 与现实信息消费模式的一致性

关键结论

1. 不一致信息系统性引发负面情绪：在三种任务中均稳健（p<.01），是 confirmation bias 链条的第一步
2. 负面情绪显著调节确认偏误强度：情绪越负，越倾向于贬低对立论据的强度（Task 1）、对不一致信息的偏好折扣更大（Task 2 部分维度）
3. 保守型贝叶斯更新：所有更新系数 (δ, β1, β0) 显著小于 1，意味着新信息权重低于理性贝叶斯——与 Coutts (2019)、Hill (2017) 一致
4. 不对称信号权重：与意识形态一致的信号在贝叶斯更新中被赋予显著更高权重，是 confirmation bias 在贝叶斯框架内的清晰表现
5. 认知重评未能稳定调节情绪→偏误传导：ERQ 特质性测量在所有任务中调节作用均弱或不显著，提示需要情境化的情绪调节干预
6. 女性情绪反应与情绪调节效应更强：探索性发现，与 Thaler (2021) 关于动机性推理性别差异呼应
7. 情绪机制的统合解释：confirmation bias 既是认知策略，更是情感驱动的"隐性情绪调节"，将其重新概念化为情绪管理工具有助于解释它为何在深思熟虑下反而增强