The_2024_Fake_News_Effect_Experimentally
The Fake News Effect: Experimentally Identifying Motivated Reasoning Using Trust in News
Unknown (2024), American Economic Journal: Microeconomics
摘要
Motivated reasoning posits that people distort how they process information in the direction of beliefs they find attractive. This paper creates a novel experimental design to identify motivated reasoning from Bayesian updating when people have preconceived beliefs. It analyzes how subjects assess the veracity of information sources that tell them the median of their belief distribution is too high or too low. Bayesians infer nothing about the source veracity, but motivated beliefs are evoked. Evidence supports politically motivated reasoning about immigration, income mobility, crime, racial discrimination, gender, climate change, and gun laws. Motivated reasoning helps explain belief biases, polarization, and overconfidence. (JEL C91, D12, D72, D83, D91, L82)
一句话总结
提出"True News / Fake News"实验范式：让被试评估关于其自报中位数信念的二元消息来自真实信源的概率——贝叶斯理性者应漠然，但被试系统性地认为符合其党派偏好的消息更真，从而干净识别移民、收入流动、犯罪、种族歧视、性别、气候变化、枪支管制等议题上的政治动机性推理，并解释信念偏差、极化与过度自信。
研究问题
- 如何在存在先验信念的情况下，将"动机性推理"与"贝叶斯更新"干净分离？
- 在政治议题上，人们的信念更新是否系统性偏向其偏好的方向？
- 动机性推理能否解释观察到的信念偏差、政治极化与过度自信？
- 不同议题、不同人群在动机性推理强度上是否存在异质性？
核心贡献
- 方法论创新: 设计"True News/Fake News"范式——利用被试自报中位数信念作为锚，使贝叶斯理性者对"高于/低于"的二元消息漠然，从而任何系统性偏差均归因于动机性推理。
- 干净识别: 解决了"先验异质性混淆动机性推理识别"的长期方法论难题，区别于 Eil_Rao_2011_GoodNewsBadNews_AsymmetricProcessing 等需要假设先验同质的设计。
- 多议题广覆盖: 在移民、收入流动、犯罪、种族歧视、性别、气候变化、枪支管制等 7+ 政治议题上同步检验，证明政治动机性推理的普遍性。
- 与多种行为异象的连接: 将动机性推理与信念偏差、政治极化、过度自信三类经典异象关联，提供统一的微观机制解释。
- 奠基性文献: 该范式被作者后续 Thaler_GoodNews_MotivatedReasoning（检验效价不充分性）和 Thaler_SupplyMotivatedBeliefs（供给侧）扩展，成为动机性推理实验研究的标准工具。
维度1：实验设计分析
实验范式时间线（被试视角，按屏幕顺序还原）
阶段1: 议题信念报告
- 屏幕呈现: 政治议题描述（如"美国非法移民的犯罪率相对于美国本土公民的犯罪率"）
- 任务: 被试报告其对该数量的中位数信念 m（即认为真实值高于 m 与低于 m 的概率相等的点）
- 激励: 通过线性评分规则激励真实报告——若被试报告 m 而真实值为 X，损失为 |X - m|
- 重复: 在 7+ 个政治议题上逐一报告
阶段2: 信源介绍
- 屏幕呈现: 介绍两个新闻信源
- "True News"：始终发送真实方向（"X > m" 当且仅当 X > m 实际成立）
- "Fake News"：始终发送虚假方向（与真实相反）
- 关键设定: 被试被告知，对每个议题，其将随机收到来自这两个信源之一的二元消息
阶段3: 消息接收
- 屏幕呈现: 二元消息——"答案高于你的猜测 m" 或 "答案低于你的猜测 m"
- 被试不知道: 该消息来自 True News 还是 Fake News
阶段4: 信源真实性评估
- 任务: 被试评估"该消息来自 True News 信源"的概率，0/10 到 10/10 的离散刻度
- 激励: 二次评分规则（quadratic scoring rule），即报告 a、真相为 \theta \in \{T, F\}，得分为 1 - (a - \mathbb{1}\{\theta=T\})^2
- 关键贝叶斯基准: 由于被试报告的是中位数（\Pr(X>m) = \Pr(X<m) = 0.5），True News 与 Fake News 的先验对称，理性贝叶斯者对消息方向漠然，应报告 a \approx 0.5
阶段5: 人口统计与政治立场
- 屏幕呈现: 被试自报年龄、性别、种族、教育、收入、政党归属、政治意识形态等
平台与样本
- 平台: Amazon MTurk（在线实验）
- 样本量: 总计约 2,000+ 被试，民主党与共和党配比均衡
- 报酬: 基础报酬约 $1.50 / 15分钟 + 评分规则奖金 $0-$2
议题列表
- 移民犯罪率
- 美国收入代际流动性
- 不同种族被警察击毙率
- 性别工资差距
- 气候变化温度上升幅度
- 枪支管制法规对枪击事件的影响
- COVID 相关数据等
实验逻辑的核心巧思
被试自报中位数信念 m 的设计是关键——这强制使贝叶斯基准的"消息真实性后验" = 先验 = 0.5，从而任何系统性偏离 0.5（且依赖于消息方向是否亲党派）必然来自动机性推理，而非贝叶斯更新或先验异质。
维度2：理论模型
贝叶斯基准
- 状态: \theta \in \{H, L\}，分别表示真实值高于/低于 m
- 由中位数定义: \Pr(\theta=H) = \Pr(\theta=L) = 0.5
- 信源: s \in \{T, F\}，True News 与 Fake News 的先验概率均为 0.5
- 消息: x \in \{x_H, x_L\}
- 似然: True News 下 \Pr(x_H|\theta=H, T) = 1；Fake News 下 \Pr(x_H|\theta=L, F) = 1
- 关键贝叶斯结果: \Pr(s=T|x_H) = \Pr(s=T|x_L) = 0.5
动机性推理模型
- 引入参数 \lambda > 0: 被试对"亲党派消息"评估为 True 的额外概率溢价
- 评估函数: a(x) = 0.5 + \lambda \cdot \mathbb{1}\{x \text{ 亲党派}\} - \lambda \cdot \mathbb{1}\{x \text{ 反党派}\}
- 估计 \lambda 即测量动机性推理强度
估计方程
- a_{iq} = \alpha + \beta \cdot \text{ProParty}_{iq} + X_{iq}\gamma + \epsilon_{iq}
- \beta 为动机性推理估计量
- 控制项: 议题固定效应、被试人口特征、议题难度
维度3：核心发现
- 政治动机性推理的全面证据: 被试对"亲党派"消息（与其党派立场一致的方向）的真实性评估系统性高于"反党派"消息，差异约 5-10 pp，统计显著（p<0.001）。
- 议题异质性: 移民、犯罪、种族议题上动机性推理最强；气候变化、枪支管制次之；纯经济议题（如收入流动）相对较弱。
- 党派对称性: 民主党与共和党被试均表现出动机性推理，方向相反、强度相当——并非单一阵营的特征。
- 信念极化的解释: 当持续暴露于混合信号时，动机性推理使两党被试的事后信念向不同方向漂移，提供了"接触相同信息但走向更分化"的微观机制。
- 过度自信的解释: 动机性推理使被试更相信支持其立场的证据，导致对自己立场的过度自信，即使面对相反证据。
- 不依赖人口特征: 教育水平、收入、年龄等不能消除动机性推理——高教育者甚至可能因更强的"理由化"能力而表现出更强的动机性推理。
- 稳健性: 控制问题难度、被试理解度、激励金额等不影响主要结论。
维度4：变量概览
观测变量（Outcome Variables）
- a_iq: 被试 i 在议题 q 上对消息来自 True News 的概率评估，0-1 连续。
- m_iq: 被试 i 在议题 q 上自报的中位数信念。
- PostBelief_iq: 收到消息并评估后的后验信念（部分议题）。
核心自变量 / Treatment 变量
- ProParty_iq: 二元，等于 1 当消息方向与被试党派立场一致。
- MessageDirection_iq: 二元，"高于" vs "低于" 中位数。
- TrueSourceProb_iq: True News 信源的先验概率（实验中设为 0.5，可在稳健性检验中变化）。
控制变量
- 议题固定效应
- 被试自报中位数 m
- 议题难度自评
- 人口特征：年龄、性别、种族、教育、收入
- 政治意识形态（连续7点量表）
- 政党归属（民主/共和/独立）
- 媒体消费习惯
- 数学/概率素养（可选）
激励
- 中位数报告: 线性评分规则
- 信源评估: 二次评分规则
- 基础报酬 + 表现奖金
维度5：局限性
- MTurk 样本偏差: 美国年轻、教育程度较高的在线劳工，对低教育、老年、跨文化人群的推广性有限。
- 议题为已选定的政治热点: 选议题本身可能存在选择偏差——可能只选了动机性推理强的议题。
- 二元消息约束: 无法测量连续效价/连续党派强度，无法刻画动机性推理对消息强度的反应函数。
- 单次决策: 未观察被试在多轮反馈下的更新动态，与 Zimmermann_2020_DynamicsOfMotivatedBeliefs 的时间动态分析互补但不重叠。
- 党派识别的内生性: 党派归属本身可能被先前的动机性推理塑造，存在反向因果可能。
- 激励金额较小: 评分规则的边际激励较小，可能存在测量噪声。
- 未直接测量党派身份强度: 仅用党派归属作为代理，未细分"温和共和"vs"强烈共和"等强度差异。
- 缺乏行为后果测量: 仅测量信念评估，未测量后续行动（投票、信息搜索、消费），动机性推理是否影响实际决策未直接验证。
- 议题相关知识的混淆: 党派可能与对议题的实际知识相关（如保守派对枪支管制更熟悉），知识差异可能与动机性推理混淆。
- 实验情境特异性: True News/Fake News 的明确分类可能不同于真实新闻环境的模糊信源信任。
维度6：与其他文献的关系
直接对话的文献
- Kunda_1990_MotivatedReasoning: 动机性推理的心理学经典定义。本文将其在干净的贝叶斯框架下首次完成实验识别。
- Benabou_Tirole_2016_MindfulEconomics_Beliefs: 信念作为资产的经济学理论。本文为政治议题上的动机性推理提供首个干净的实验估计。
- Eil_Rao_2011_GoodNewsBadNews_AsymmetricProcessing: 自我能力领域的好/坏消息不对称。本文将动机性推理推广到政治领域，并改进识别策略（中位数报告替代二元任务）。
- Coutts_2019_GoodNewsBadNews_BeliefUpdating: 多领域好/坏消息更新的混合证据。本文提供更干净的政治领域估计，与之互补。
同作者后续工作
- Thaler_GoodNews_MotivatedReasoning: 应用本文范式证明纯效价不引发动机性推理，需要功能性动机。形成边界条件。
- Thaler_SupplyMotivatedBeliefs: 应用本文范式研究动机性信念的供给侧（Sender-Receiver 博弈），将动机性推理嵌入战略沟通。
与极化文献
- DelVicario_2017_ConfirmationBias_Polarization: 信息生态的极化机制。本文提供个体层面的动机性推理微观基础。
- Kahan (2013) Ideology, motivated reasoning, and cognitive reflection: 政治动机性推理与认知反思的关系。本文方法上更干净。
与确认偏差/信念扭曲
- Charness_2017_ConfirmationBias_MotivatedBeliefs: 动机性信念的实验识别。本文提供互补的方法。
- DellaVigna_2009_PsychologyEconomics_FieldEvidence: 行为经济学领域综述。本文为信念扭曲提供了核心实证支柱。
与过度自信文献
- Benoit_2011_ApparentOverconfidence: 过度自信的贝叶斯解释。本文显示动机性推理可独立产生过度自信，与贝叶斯解释互补。
与新闻可信度/媒体研究
- Allcott & Gentzkow (2017) Social Media and Fake News: 假新闻的社会传播。本文提供受众侧机制——为何亲党派假新闻更易被相信。
- Gentzkow & Shapiro (2010) Drivers of Media Slant: 媒体偏向的供给侧理论。本文提供需求侧机制。
维度7：可拓展的研究方向
- 跨文化比较: 在多党制国家（欧洲）、威权国家（中国）、新民主国家重复实验，检验动机性推理强度的文化差异。
- 议题强度异质性: 系统操纵议题的"身份相关性"（弱：经济统计；强：堕胎权），刻画动机性推理强度的连续函数。
- 去偏差干预: 测试不同干预（事先警示、问责机制、慢思考诱导）能否减少动机性推理，与 Augenblick_Lazarus_Thaler_2025_Overinference_Underinference 的更新偏差研究对接。
- 行为后果测量: 将范式与后续行动（投票、捐款、信息分享）连接，验证动机性推理是否影响真实决策。
- 金融领域应用: 将范式应用到投资者对自身投资组合的信念（与 Charness_Levin_BayesianUpdating_OptimalChoices 等金融贝叶斯更新对话），检验动机性推理是否解释处置效应、过度交易。
- 媒体环境的内生选择: 让被试选择信息源，观察动机性推理与"回音室效应"的双向放大。
- 信念校准训练: 测试反复给予真实反馈是否能减弱动机性推理，与 Zimmermann_2020_DynamicsOfMotivatedBeliefs 的动态学习对接。
- 动机性推理的社会传染: 通过群体讨论操纵社会环境，检验动机性推理是否被群体放大或抑制。
- AI 时代应用: 在 LLM 提供信息的场景中检验用户的动机性推理——是否对 LLM 的"亲党派"输出更信任？与 Chen_Kirshner_2025_ChatGPT_BiasedDecisions 对话。
- 神经/生理基础: 用 fMRI/EEG 测量动机性推理时的脑区激活，区分情绪驱动与认知驱动两种通道。
- 儿童发展研究: 动机性推理在何时形成？追踪不同年龄段的样本，研究动机性推理的发展轨迹。
- 政策实验: 在公共健康（疫苗）、气候政策、公共财政等高争议政策传播中应用本框架，为政策沟通提供实证依据。
关键结论
- 方法论奠基: True News/Fake News + 中位数报告范式干净识别动机性推理，解决了先验异质性的长期识别难题，成为后续动机性推理实验研究的标准工具。
- 政治动机性推理的普遍证据: 被试在移民、收入流动、犯罪、种族歧视、性别、气候变化、枪支管制等 7+ 议题上系统性地相信亲党派消息，差异 5-10 pp 且党派对称。
- 统一解释三类异象: 动机性推理可同时解释信念偏差、政治极化、过度自信——为这些经典异象提供统一的微观机制。
- 党派身份是核心驱动: 不依赖于教育、收入、年龄等人口特征，党派身份本身（功能性动机的代理）是动机性推理的关键来源——后续 Thaler_GoodNews_MotivatedReasoning 进一步证明纯效价不充分。
- 极化的自我强化: 动机性推理意味着相同信息会使两党信念走向更分化，即使理性贝叶斯框架预测信念应趋同——为理解信息丰裕时代仍然加剧的极化提供机制。
- 政策含义: 单纯提供"事实核查"或"客观信息"难以纠正政治动机性推理；需结合身份认同/动机重塑的干预，与 Thaler_SupplyMotivatedBeliefs 提示的"接收者去偏差化"路径一致。