本研究在受控实验中发现,当将明确的非诊断线索嵌入叙事框架时,参与者的 belief 更新会系统性地回撤至最大不确定性0.5,削弱先前累积的诊断信息影响;在等效的抽象情境下及 Story No Info 条件中,该效应显著减弱甚至消失。通过蒙特卡洛模拟,研究进一步显示此信念回撤会延缓信息收敛、增加决策前需处理的信息量,具有经济和组织层面的重要含义
速读内容
非诊断信号在叙事中的效应
在 Story 条件下,非诊断线索引发的更新往往朝向中点0.5,而贝叶斯基准预测并不应产生更新,显示叙事框架会改变对无证据信息的解释 。
该回撤并非随机噪声,而是系统性地削弱累计的诊断证据,使信念更接近不确定性区间。
不同条件下的更新对比与量化证据
在诊断性信号后,三组的更新幅度相近;但在非诊断性信号后,Story 条件的更新频率与幅度显著高于 Urn 与 Story No Info,表明叙事与非诊断线索的组合才产生强更新偏离 。
Story 中非诊断信号后的更新频率为 76.3%,高于 Urn 的 63.6% 与 Story No Info 的 61.7%(差异显著) 。
设计要点:三种处理(Story、Story No Info、Urn)的对比;在 Story 条件中,诊断线索和无诊断线索以叙事方式呈现,其中无诊断线索为明确的“线索”或“无信息”信息对比;Urn 为纯抽象概率问题作为基准。
主要发现:在叙事环境中,明确呈现的无诊断线索并非“无信息”而被解释为携带信息,导致信念更新朝向最大不确定性(0.5)回撤,削弱先前累积的诊断证据的影响;在 Story No Info 条件下这种效应显著减弱甚至消失,抽象Urn 条件下此效应最弱甚至看不见。这一效应在经济意义上表现为信念收敛速度的延迟,增加了做出决策前需要的信息量。
实验采用三处理之间的设计:Urn(抽象的 urn 问题;诊断信息与白球为非诊断); Story(通过盗窃案件故事呈现,诊断信息指向 Suspect 1 或 Suspect 2,非诊断信息不偏向任一方); Story No Info(与 Story 相同叙事框架,但将非诊断线索改为没有新线索的信息)。核心比较:Story 与 Urn 比较叙事框架对信念更新的影响;Story 与 Story No Info 比较是否明确呈现非诊断线索的效果。
对贝叶斯基准的偏离度量:Story 的平均绝对偏离为0.155;Urn 为0.121;Story No Info 为0.095。Kruskal-Wallis 检验拒绝三组在总体偏离上相等(p<0.001),两两比较:Story 显著高于 Urn 与 Story No Info(p<0.001)。对诊断信号后,三组之间的差异变得不显著(Story 仍高,但与 Urn/Story No Info 的差异更小或不显著),表明差异主要由 nondiagnostic 信号产生的更新偏离所致。这一点直接指向叙事框架中的非诊断线索才是关键差异源。
非诊断信号后的更新频率:Story 条件中在非诊断信号后更新的频率为76.3%,Urn 为63.6%,Story No Info 为61.7%,三组间差异显著,Story vs 其余两组显著;Urn 与 Story No Info 在非诊断信号后的更新频率上无显著差异。这支持“叙事框架”与“非诊断线索”的交互效应是驱动偏离的关键因素。
行为分解的证据(EM 模型)
通过行为模型,将信号解读为“噪声”与“as-if 信号”的两部分。结果显示:总体噪声(σ2)在 Story 高于 Urn 与 Story No Info,且对诊断信号的方向性更新在各处理之间基本正确,但 nondiagnostic 信号的“as-if”更新率在 Story 条件下约 12%(相对于 Bayes 的无信息更新基准),Urn/Story No Info 中几乎为零。这说明在 Story 条件下,非诊断信号确实被系统性地“误 interpret”为携带信息,尽管真实证据应为等同。这为前述偏离提供了机制性证据-。
Figure 2(更新后与前一轮的关系)显示:在 Story 条件中,非诊断信号后更新常不沿着对角线(无更新)分布,而是聚集在信念≈0.5 的水平区域,呈现“回归到中性点”的趋势;Urn 与 Story No Info 条件中,这种聚集和偏离性较弱甚至看不到。这说明叙事框架中的非诊断线索引发了“回归到最大不确定性”的趋势,且 Story 的效应最强[图2,。
关于“中点信念”报道的比例(Figure 3):在 nondiagnostic 信号后,报告信念为0.5的比例在 Story 条件显著高于 Urn 与 Story No Info;且当 prior 与 0.5 的距离越大时,Story 条件中回归到0.5的概率越高,这一现象在 Story No Info 中明显弱化。这表明叙事中的非诊断线索对强烈先验的抑制效应更强[Figure 3,。
回归定量分析
在对非诊断信号进行的线性回归分析中,Story 条件下对“向中性点回撤”的预测强度显著,且对 prior 远离0.5 的情形,效果更明显;Story No Info 的效应显著弱于 Story,Urn 最弱或几乎没有效应。这支持叙事框架与非诊断线索的交互是产生“回撤到中性点”的关键机制-。
结论性表述
非诊断线索在叙事框架中的作用不是简单噪声,而是以“向中性点收敛”为主导方向的系统性偏离,且 Story 条件中这种偏离更强烈。Story No Info 条件显著降低了这种效应,表明“明确呈现非诊断线索”这一信息呈现形式是机制性触发点。
Story 条件下,Bayes 的占比从 Urn 的 66.2% 下降到 Story 的 47.7%,Bayes-Reset 的占比从 Urn 的 30.9% 提升到 Story 的 45.3%,Story No Info 条件下 Bayes 的占比高达 86.6%,Bayes-Reset 仅 10.7%。这显示 Story 条件会显著提高“重置至中点”的行为类型的占比,强调非诊断线索在叙事中推动 reset 行为的存在性与强度。
结论性解读
叙事环境不仅改变个体对非诊断信息的处理方向,也改变了人群中的“更新规则组成”:在 Story 条件中,更多人呈现出“诊断性信号仍然遵循一定贝叶斯调整,但非诊断信号导致重置至中点”的组合型行为,即 Bayes-Reset 成为相对常态的描述。相比之下 Story No Info 情况下,纯粹 Bayes 分布仍占多数,非诊断线索的强制重置效应显著降低-。
经济后果(Economic Consequences)(-)
目标与方法
通过简单的序贯决策问题的蒙特卡洛仿真,将实验中对 nondiagnostic 信息的更新偏差映射到决策时的停止时间。设定阈值分别为(0.20,0.80)、(0.10,0.90)、(0.05,0.95),比较 Story 与 Story No Info 的停止时间差异,用以衡量信息获取成本。
关键结果
中等阈值下,Story 相较 Story No Info 的中位停止时间从 29 增至 41(+41%);更严格阈值下,停止时间从 45 增至 78(+73%)。在更高分位上,差异更大(如95%分位数从 93 提升至 149,甚至在最高阈值下从 137 提至 291,增幅达到 60%~112% 区间)。
叙事框架中的显式 nondiagnostic clues 会系统性地将信念更新向中点回撤,削弱诊断信息的累积效应;这一效应在 Story No Info 条件下显著减弱,且在抽象 Urn 条件下几乎不存在。这一现象并非噪声,而是可被行为模型捕捉为“12% 的 nondiagnostic 信号在故事情境下被当作携带信息的类比性处理”的结果;并且在个体层面,故事显著提升了“重置至中点”的行为比例--。
图 4:Predicted movement toward uncertainty(页码: page=13)
描述:左图显示在 nondiagnostic 信号后,Story、Urn、Story No Info 的“朝 0.5 移动”预测值;右图给出治疗效果(Treatment effects,即相对比较的效应)及其置信区间。
关键解读:Story 条件的移动 toward 0.5 的幅度要大于 Urn,Story No Info 的移动明显较小;在 Story 与 Story No Info 的对比中,Story-Urn 的差异在前景更明显,Story-No Info 的对比则显示显著弱于 Story 的效应。该图明确显示叙事框架加剧了对 nondiagnostic 信号向中点的偏好。
与文本联系:与 4.2 的定量回归结果相吻合,反映了叙事情境下的系统性偏离。
溯源图片:
图 5:Predicted probability of reporting 0.5(页码: page=14)
关键解读:Urn 条件下,prior 离 0.5 越远,报告 0.5 的概率下降得越快;Story 条件下,这一下降较平缓,显示现象的稳健性;Story No Info 条件下,概率显著更低且随 prior 距离增大而快速下降。三者对比清晰指向故事中的非诊断线索放大了向中点回撤的现象,并在 Story No Info 中被抑制。
关键解读:Story 的 σ2 高于 Urn 与 Story No Info,且 nondiagnostic 信号的“as-if”更新概率在 Story 中约 12%(即 nondiagnostic 信号在 Story 下被视作携带证据的概率),在 Urn/Story No Info 中几乎为零。这一结果直接指向 nondiagnostic 信号在 Story 条件下具有系统性处理特征,而非仅仅是随机噪声。
溯源图片:(Figure C.2 等附图在附录中提供,属于更深层次的行为模型检验图)
表 4:Shares of behavioral types(Behavioral types 的份额)(-)
描述:对四类行为类型在不同处理中的份额进行 Bootstrap 基于 BIC 的分类统计。
关键解读:Story 条件下 Bayes 型从 Urn 的 66.2% 降至 47.7%,Bayes-Reset 上升至 45.3%;Story No Info 条件下 Bayes 高达 86.6%,Bayes-Reset 仅 10.7%。这揭示了叙事环境显著改变了“更新规则的分布结构”,特别是重置至中点的行为在 Story 条件下成为相对更普遍的更新模式。
溯源图片:
表 5:Stopping times under alternative updating rules and decision thresholds(Stopping times)()
描述:在不同更新规则与阈值条件下,信号达到阈值所需的平均轮次与分位点。
关键解读:Story 相较 Story No Info 的 stopping time 在中等阈值下增加了约 40% 左右,在更高阈值下增加约 73%,并且尾部分位的延迟更加显著(95% 分位数大幅上升),显示出 nondiagnostic narrative clues 对决策时效性的显著经济成本。