以下是一份对所提供金融研究报告“What’s in a Queue? An Experimental Study of Job Ordering, Autonomy and Queue Visibility”的极为详细、结构化的解读与分析。分析覆盖从元数据到图表深度解读、再到方法论、结论及局限性的各个层面,力求把报告中的关键论点、数据、假设和推断逐条拆解、核对与评估,并针对每个关键结论标注可溯源的页码标识 [page::页码]。
一、元数据与概览(引言要点、研究问题与主旨)
标题、作者与机构
标题:What’s in a Queue? An Experimental Study of Job Ordering, Autonomy and Queue Visibility
作者与机构:Evgeny Kagan,Carey Business School, Johns Hopkins University;作者联系信息随文给出(ekagan@jhu.edu )。该研究聚焦服务运营中队列设计的三个维度:任务排序、任务自主性与队列可见性。2
日期与主题
研究通过多轮在线、前置注册的实验来探究队列设计对个人生产力(速度与质量)的影响。实验在 Prolific 平台进行,且包含多轮、动态到达的真实努力任务、以及对策略性排序的比较。第一组实验在 2026 年 1 月进行,随后是 2A/2B 等扩展实验,显示出对队列设计的一系列因果推断与异质性分析。7 21
核心论点与结论(核心信息)
核心发现1:当工作者自行选择排序时,Easy First(EF)排序与 FIFO(First-In-First-Out)相比,表现出更差的性能,这一结果在早前研究中已观察到,但本文区分了因自我选择(自选工作类型)导致的选择性偏误,而非排序本身的因果效应;当排序被外部强定(Exog-EF、Exog-FIFO)时,EF 排序对错误率的改善作用较明显,但主要来自于对较弱工作者的帮助,而非对强者的提升。8 13 19
核心发现2:Exogenously imposed EF ordering 可改善工作质量(错误率)相对于 FIFO 与自选排序,提升幅度约在 30% 左右,且效应主要集中在较弱工作者身上。这一结果为“强制 EF 有助于质量”的管理含义提供了直接证据。22 24
核心发现3:强制排序可能对最有能力的工作者造成速度上的下降(速度方面的负面异质性),提示在队列设计中需考虑不同能力水平的权衡。也就是说,结构化排序对速度的影响并非单向性,取决于工人的起始能力。24
核心发现4:新工作到达的可视性带来短期生产力上升(新任务到达后速度提升),但长期而言,移除队列到达信息或队列信息并不显著影响总时长或长期绩效。这一发现对“可视性”作为改进绩效的工具提出了挑战性结论。12 26
核心发现5:队列可见性在单独的、单人队列环境下对效率与质量的影响在实验中并不显著,提示多服务器情景中的“可见性–努力信号”效应可能在一人情境中被弱化。This supports the claim that visibility effects may be context-dependent and not universal across settings. 26 28
研究贡献与目标
三方面贡献:1) 提供了一种新的、可同时观测速度与质量的实验框架来研究队列设计的因果影响;2) 识别出导致“易先排序”与低质量之间关系的新机制(包括自我选择的工作者类型;以及外部强制排序时对错误率的改善数据),3) 将队列可见性放在单人队列的情景下进行实验,发现可见性对长期绩效影响有限。 4 5 17
二、逐节深度解读(逐章要点、推理、数据与假设)
第1节: Introduction(引言)
关键论点:队列设计在服务运营中是关键设计选择,涉及排序规则、决策权归属、以及信息可见性等维度。实践差异较大,理论基础来自经典排队理论与行为队列研究的交叉。实验设计旨在揭示因果关系并在个体层面对工作特征(性格、基线能力)进行异质性分析。2
推理与假设:通过三个维度的组合(排序、自主性、可见性)来检验对速度与质量的影响,力求通过可控实验环境分离因果关系,克服字段数据中的混淆(例如工作者类型的自选排序偏好)。2
第1节1.1 小节:Experiment Design and Preview of Results(实验设计与结果预览)
设计要点:
任务:参与者独立完成一组不同复杂度的“订单拣选”工作(Small/Medium/Large),动态到达并进入队列。
关键特征:每位参与者在同一轮中看到相同的到达序列、独立队列、以及在某些条件下由参与者选择下一任务或由实验者强制排序。
结果维度:速度(完成时间)与质量(错误率),并区分零容错与容错两种轮次以分离速度-质量之间的权衡。
核心假设的边界:工作量的变化应提升速度并提升对易错任务的偏好(与现有文献一致的工作负载—服务速度关系),但质量与排序之间的因果关系需要通过 Exog 与 Endog 的对比来揭示。2
第2节:Related Literature(相关文献)
概括性结论:传统排队模型通常将服务速率视为外生;但行为排队理论指出,服务者在高负载时会加速且倾向于挑选容易的任务;同时,工作自主性与队列可见性在不同情境下对速度和质量的影响各异,实验室与现场研究的发现并不总是一致。本文将这三大设计变量(排序、自主性、可见性)整合进同一实验框架,以检验因果性与异质性。 5 6
第3节:Experiment 1: Discretionary Job Ordering(实验1:自主排序)
3.1 Experiment 1a(自选排序:Endog)
设计要点:参与者在队列中动态选择先完成哪个任务,任务分为 Small/Medium/Large;到达是固定的,且每轮中有多次选择机会。样本在 Prolific 平台,主轮为四轮(0 基线轮 + 4 轮主轮 + 结尾轮),并在两种容错与两种到达率下重复(低/高到达率)。Speed 与 Quality 的度量通过不同轮次设定的容错规则(零容错 vs 容错)来实现。研究还设计了“Cherry-picking”(挑选队列中相对容易的任务)作为核心行为指标,并记录在 Medium/Large 任务中的表现。图像与界面见文中 Figure 1 与相关截图。该实验在 2026 年 1 月进行,样本规模、排程等细节在附录的 EC.2 与 EC.3 中有注册信息与练习轮次等说明。该部分的核心要点在于:工作负载增加时,工作者加速并更倾向于 cherry-pick;易错任务的随队列变动分布与错误率存在联系,但经工作者固定效应后, cherry-picking 与错误之间的直接因果关系被弱化。结论:工作负载提升会提升速度且提高 cherry-picking,但 cherry-picking 与错误之间的关系更多是“选型效果”而非“因果效应”。8 10 11 14
3.1.5–3.1.6 结果要点与表格/图解:
结果1(H1A/H1B):工作负载显著提升时完成速度提升、 cherry-picking 增多;错误率并未显著随工作负载变化而变化。图3与表2(Column 1–2、3–6)均指向该结论。见图3与表2相关文字。出处见 12 与 14 。关于图-表的可视化证据,请参阅下文“图表深度解读”对应部分的图解。溯源:H1A、H1B 的结论来自 3.1.6 的“RESULT 1”段落与 Table 2 的回归结果。12 14
结果2(H2A/H2B): cherry-picking 与错误率有相关性( cherry-picked 的作业错误率较高),但在包含个体固定效应后, within-worker 的效应不显著,提示“选择性人员”而非“行为本身”导致错误率上升。见 Table 3 的回归与 Figure 4 的对比图。溯源:3.1.6 的“RESULT 2”段落、Table 3。见 14 。
3.1.7 追加分析:三个附加测试进一步支持“高 cherry-picking 是 careless 执行的标记”,而非因 cherry-picking 导致错误。这一系列结果在 EC 附件提供了全样本的稳健性检验与不同规格的回归。溯源:3.1.7 的描述,15
3.2 Experiment 1b(Pre-commit:先前承诺排序)
设计要点:与1a 相同,但在轮次开始前强制参与者在 FIFO 或 EF 之间选择一个排序规则并锁定直至轮次结束。这一设计意在区分“偏好”与“即时反应”的差异,以及检测若排序被锁定是否改变效率/质量。研究提出两个预注册假设(H3、H4),并给出一个后验预测:若选择 EF 的误差更高且这一差异在固定效应后消失,则偏好是稳定特征而非情境驱动。结果显示:参与者在四轮中对 EF 的偏好大致对称,且 Endog 与 Pre-commit 的总体完成时间与错误率几乎无显著差异(Figure 5 与 Figure 6 的比较)。但在按选定规则细分的情况下,EF 规则下的错误率略高且速度略快(相较于 FIFO 规则),且随着轮次的推进,差异逐步减弱。结论:Pre-commit 设定对总体绩效没有显著提升,且选择 EF 的人群产生的误差增幅被削弱,提示排序偏好具有一定的稳健性但对长期绩效并非主导因素。17 18
3.2.3–3.2.4 结果要点:3.2.3 确认了 H3:参与者对 EF 与 FIFO 的偏好并不显著偏向任一边;3.2.4 的 Table 4 与结论指出:Pre-commit 与 Endog 的综合绩效相近,EF 在某些条件下与 FIFO 的误差差异在统计上边际显著但在固定效应下趋于消失,显示“选择偏好”的效应在个体层面受限。溯源:18
第3节小结:Experiment 2(Exogenous Sequencing,外源排序)
4.1 Experiment 2a(Exog-FIFO、Exog-EF 与 Endog 的三臂设计)
设计要点:一方面复制 Experiment 1a 的 Endog 条件,另一方面加入 Exog-FIFO 与 Exog-EF 两种强制排序条件,且在轮次前引入了人格量表(BFI-10、NFCS、风险偏好等),以探索不同性格特质与排序偏好、速度、错误率之间的关联。样本规模扩大到约 300 人(最终分析 309 人),以提高对异质性效应的统计辨识力。文中明确指出将这一设计作为检验“排序是否因果影响绩效”的关键实验,以及探索人格与排序行为之间的关系。21 22
Hypotheses(H5 等):基于前两组实验的发现,研究提出 Exogen-Ordering 是否能改善绩效,尤其是对弱者的质量提升;并探索不同排序(Exog-FIFO vs Exog-EF)的比较,以及是否受基线能力的调节。结论部分给出初步证据:Exog-EF 在质量方面显著降低错误率,相较 Endog 与 Exog-FIFO,错误率下降约 30% 左右;完成时间在三组之间差异不显著。该结论被称为“RESULT 5”与图 7 的观察结果所支持。22 23
4.1.3–4.1.4 结果要点与表格解读:
结果5(Exog-EF 对错误率的显著下降,与 Exog-FIFO 对比及 Endog 的对比均表现出降低;速度方面未显著下降),并指出 EF 序列能够在一定程度上提升质量,尤其对低能力者有帮助,同时对高能力者速度影响较小或几乎没有;该结论来自 Table 5 的回归与 Figure 7 的对比。溯源:23
同时,Exog-FIFO 与 Endog 之间在速度和质量方面的差异并不显著,表明强制排序本身并非全局性收益来源,EF 的优势在于质量提升,并对不同基线能力有不同的效应分布。溯源:23
4.2 Experiment 2b(Invisible Queue:不可视队列)
设计要点:在 Exog-FIFO 的基础上,移除队列的可视性(仅看到当前正在进行的任务),以考察队列可视性对绩效的影响。在该设定中,完成时间和错误率与 Exog-FIFO 相比并无统计显著差异。结论:删除队列显示并未对长期绩效产生系统性影响,H6 未被支持。26 27
第4节:Discussion 与 结论性讨论
实验1的核心发现被重复确认:工作负载的感知强度可以提升速度并增加 cherry-picking;但 cherry-picking 与错误之间的关系更多源于“选手类型”而非直接因果。实证还揭示了排序偏好具有一定的稳定性,且简单的“强制 EF”在某些情形下对质量有帮助,但会对强者的速度造成损失。对管理者而言,策略性地对弱者给予结构化排序(以提升质量)而对强者保留一定程度的自主性,可能是在不同阶段实现性能优化的折中。该结论在 Experiment 2 的结果中得到进一步证实,即“以 EF 的强制排序提升质量,且对速度影响有限,而对强者速度的负面影响较小或可接受”的情形最具操作性。溯源:20 29
实验2b 的结果则为“隐藏队列信息对个人绩效几乎没有长期影响”,提示可视性作为激励工具在单人队列设置中并非有效的通用杠杆。溯源:28
三、图表与数据点深度解读(逐图逐表的解读与溯源)
Figure 3(Experiment 1a:Summary Statistics)12
描述与故事线:该图分四个面板,显示 Round 效应与“Time Since Last Arrival”(自上次到达以来的时间)的两组维度。左列(Round Effects)显示完成时间显著下降(从 28.4s 下降到 14.2s,p<0.001),错误率显著下降(23.1% → 7.1%,p<0.001),而 Cherry-Picking 比例也下降(31.6% → 20.8%,p<0.001)。右列(Time Since Arrival)显示最近到达的工作更易被 cherry-pick,且完成时间随最近到达的时间越短越快(10s 内差异最明显,60s以上趋于平缓)。这些数据形成对 H1A 与 H1B 的直接可观测支持:负载感知提升速度、提高挑选易工作任务的倾向,但对错误率影响不显著。图像中的视角也支持“学习/熟练带来速度与质量的共同提升”这一结论。溯源:12
与文本的联系:图示直接支撑了 3.1.5 的“Round Effects/Workload Effects”与 3.1.6 的结果摘要(Result 1)。图中也显示了“工作量感知提升速度但不显著影响错误率”的主线。溯源:12
关键数据点:28.4→14.2s 的速度改进、23.1%→7.1% 的误差下降、 cherry-picking 从 31.6% 降至 20.8% 的下降,以及最近到达后的 10s 区间内的显著加速效应。潜在局限性:该图仅以 Round 与到达时间分箱呈现,个体异质性在后续分析(回归与固定效应)中才被充分控制。12
溯源图片嵌入:
Figure 4(Experiment 1a:Cherry-Picked vs Not Cherry-Picked)13
描述:显示在中等任务(Medium)中,当作业在队列中被提前完成(Cherry-Picked)时,完成时间与错误率的对比。左图“Mean Job Completion Time”显示 Cherry-picked 的完成时间略高(24.4s vs 22.2s,p=0.06)趋向较慢;右图“Error Rate”显示 cherry-picking 的错误率显著更高(17.2% vs 9.0%,p=0.004)。结论:Cherry-picking 与更高错误率具有关联性,但这在固定效应分析中会被弱化。溯源:13
与文本联系:对应于 3.1.6 的“RESULT 2”中的描述,以及对“Cherry-Picking 与错误的相关性”在后续回归中的解释。溯源:13
图文嵌入:
Figure 5/6(Experiment 1b 与 Endog vs Pre-commit 的对比)18
Figure 5(Mean Job Completion Time 与 Error Rate 的 Endog vs Pre-commit 对比)显示两组总体水平相近:平均完成时间 19.8s vs 20.6s,错误率 11.3% 相同水平,置信区间重叠度高。结论:Pre-commit 与 Endog 的平均绩效无显著差异。嵌入图像见图 5。溯源:18
Figure 6(Pre-commit 条件下按选定规则分组的绩效):EF 规则下完成时间更短(20.5s vs 22.2s),错误率更高(16.2% vs 11.8%),但在含有工作者固定效应分析后,差异减弱。嵌入图像见图 6。溯源:18
图像嵌入:
Figure 5:
Figure 6:
Figure 7(Experiment 2a:Exog-FIFO/Exog-EF/Endog 三臂)23
描述:Mean 完成时间在三组之间差异不显著(18.6s、19.2s、18.9s),而错误率方面,Exog-EF 显著低于 Endog 与 Exog-FIFO(7.9%),Endog 与 Exog-FIFO 在错误率上基本相近(11.4%、11.1%)。结论:外源排序中,EF 序列对质量有显著改善,而 FIFO 的强制排序并不改变速度或质量,EF 的效应主要体现在质量提升。溯源:23
图像嵌入:
Figure 8(Experiment 2a 的基线能力分组的边际效应)24
描述:展示基线能力不同(低/中/高)的边际效应:Exog-FIFO 下,高能力者的速度优势被削弱甚至逆转,而 Exog-EF 在低能力水平上对错误率的降低最为显著。总体看,EF 的质量收益更集中在能力较低的工人身上。溯源:24
图像嵌入: (注意:该页的 Figure 9 在文中呈现“Traits by Type”的图;与 Figure 8 关联的边际效应解释在文本中给出。)
Figure 9(Experiment 2a 人格特征分型)25
描述:把 cherry-picking 与错误率的高低合并,按中位数将工作者分成四种类型,绘制四类的性格特征强度差异。结果显示,高 cherry-picking 高错误率的组别在风险偏好与外向性等特质上显著偏高,而高 cherry-picking 但错误较少的组别更保守。结论:风险偏好与错误倾向相关,可能解释为何某些工人在容错轮中敢于“赌一把”而非严格自检。嵌入图像见文中 Figure 9。溯源:26
图像嵌入:
Figure 10(Experiment 2b 与 Exog-FIFO 对比的队列可视性效果)27
描述:Invisible-FIFO 与 Exog-FIFO 的对比数据显示,完成时间与错误率在无显著差异(完成时间 20.8s vs 19.2s,p=0.25;错误率 10.4% vs 11.1%,p=0.40)。结论:移除队列可视性对单人任务的长期绩效影响不显著。嵌入图像见文中 Figure 10。溯源:27
图像嵌入:
EC(电子附录)中的图表/表格
EC.4.1–EC.4.9 等提供了对主文结果的稳健性检验与替代规格(如全样本回归、带或不带 subject 固定效应、不同作业内容控制等)。这些补充结果普遍支持主文的核心结论:工作负载提升带来速度提升但不显著改变错误率; cherry-picking 与错误率的相关性在多数规格下被工作者层面的固定效应所削弱,表明“选择偏好”在解释差异方面具有重要作用。这些结论的溯源点分布在 EC.4.1–EC.4.9 的多处段落与表格中。40 –47
四、估值分析(本研究未涉及财务估值的直接计算方法,聚焦于行为与绩效的因果关系)
本研究并非传统的上市公司估值报告或企业估值分析,而是在行为队列设计与生产力测度框架内,采用实证实验法来评估队列设计对速度与质量的因果影响。因此,标准的现金流折现法、EV/EBITDA、P/E 等估值工具并未在本文中应用;相应的“估值分析”板块为空缺。若将研究结果用于公司决策情境,企业可将“估值”理解为对不同队列设计组合(如 EF 强制 vs FIFO、是否提供队列全览/是否隐藏信息、是否给予自主管理权限等)对收益的边际影响进行定性评估,辅以成本-收益分析与人力资源的异质性考虑。核心结论性数据来自 Experiment 2a 的质量改进与 Experiment 1a/1b 的速度-质量权衡。参见相关章节的结论段落与图表(如 Fig. 7 的错误率降低约 30% 的效应),以便在实际运营中转化为绩效目标与人力资源策略。23 29
五、风险因素评估
研究设计与外部效度的潜在风险
样本与人群:参加者为 Prolific 平台的在线被试,年龄限制、地域与工作背景与现实服务行业存在一定差异。研究也明确指出结果在某些情境下的外部性(如团队协作、共享队列、客户互动等)尚未覆盖,因此适用性需结合具体行业场景进行判断。21 30
时间长度与疲劳:实验轮次较短(平均约 30 分钟),且任务相对简单、独立且无外部客户干扰。长期动态、疲劳累积及学习曲线在实际企业中可能更加显著,可能改变“排序偏好”与“可视性”的影响强度。30
容错机制的设定与假设:容错轮次对错误率的影响与对速度的影响存在不完全对称性,且多项分析强调“自我选择的工人类型”是错误倾向的主要解释。这种“类型偏好”的存在在现实中也可能受到招聘与筛选过程的影响,企业在将研究成果转化为人力资源政策时需结合自身招聘与培训流程加以验证。10 19
信息可见性与多任务情境的外推性:Experiment 2b 的结果显示隐藏队列信息对绩效影响不显著,但在多工作者/多服务器或跨团队协作的真实环境中,队列可见性可能通过竞争、合作与社会懈怠等机制产生不同效应,需谨慎外推。26 28
缓解策略与缓解建议(文中含 managerial implications 的部分)
对较弱工作者采用“固定 EF 序列”的策略可能提升质量;对强者保留一定自主性以维持速度优势。这一策略强调成本-收益权衡:以质量为目标时可采用 EF 强制排序以降低错误率,且对弱者收益最大化;以速度或综合绩效为目标时,保留一定的自主性可能更有利于强者的速度与灵活性。相关结论见 Experiment 2a 的“RESULT 5”与 4.3 的讨论部分。22 29
对人格等特征的应用:风险偏好、成就动机等人格特征与错误率的联系在 4.1 的分析中得到一定程度的证据支持,但总体而言人格与 Cherry-Picking 的预测力并非极强,提示在实际招聘或培训中应将其作为辅助工具,而非唯一指标。相关发现见 Figure 9 与文本讨论,参见 4.1 的段落与 EC 附件的相关表格。溯源:25
队列可视性对策略的影响:结果显示单人队列中的可见性对长期绩效几乎无影响,这对企业在推行可视化看板、实时到达信息等策略时提出了警示:要区分“短期激励效应”与“长期生产力提升”之间的差距。相关结论见 4.2/4.3 与 4.3 的讨论部分。26 29
六、批判性视角与细微差别(潜在偏见、局限与需要进一步检验的点)
潜在偏见与局限
实验设置的简化性:任务设计为独立、无客户、无真实后果的工作场景,现实中的服务工作往往包含客户情感、等待感知以及情境干扰,可能改变工人对排序与可见性的反应。
异质性分析的边界:尽管文章对基线能力、性格等做了较全面的分析,但在实际应用中,工人的培训、经验积累、团队协作等因素如何与队列设计交互,仍需进一步在团队/共享队列场景中验证。
性格衡量的外部有效性:BFI-10、NFCS-15、单点风险偏好等工具提供了对行为差异的线索,但样本量下的相关性仍是探索性、相关性的,因果性需通过进一步设计的实验或企业实际数据来证实。
潜在的矛盾或需要注意的细微之处
Endog 与 Exog 的效应有时在不同分析规格下呈现出不同的显著性,尤其在“ cherry-picking 与错误”之间的因果性检验(H2B 的否定)在固定效应模型下的稳定性尤为关键。作者在 EC 附件中对不同模型(OLS、Logit、Fixed Effects Logit)的结果做了对比,显示出结论的稳健性,但也提醒读者:在不同方法中,样本截取与模型设定可能对显著性产生敏感影响。见 EC.4.2、EC.4.3 的讨论。溯源:41 –43
流程外推性(Out-of-sample)与长期效果:研究强调短期到达信息引发的“瞬时产出提升”在长期并不持续,需要在更长时间尺度的研究中检验是否会出现疲劳、适应或技能提升带来的新的平衡点。29 、30
七、结论性综合(综合整合、最关键发现与对实践的启示)
最关键发现(综合三大队列设计维度)
排序自主性与速度/质量的关系:工作负载感知提升速度并增加 cherry-picking,但 cherry-picking 与错误的正相关性主要来自“工人类型的自我选择”而非直接因果效应;将 EF 强制化能在一定程度上降低错误率,且对弱者的帮助最大化,但可能牺牲强者的速度优势。该结论在 Experiment 1a/1b 的对比中得到充分证实,且在 Experiment 2 的 Exog 条件下被进一步证实为“外源排序中的 EF 能显著提升质量”的现象。溯源:14 19 23
Exogenous Ordering 的实践意义:Exog-EF 相对于 Endog 与 Exog-FIFO,在错误率方面具有显著优势(约 30% 的相对降幅,具体数值见 4.1.3 的结果与图 7),而 Exog-FIFO 对速度或质量没有显著影响。这提示企业在特定阶段可考虑通过外部规则设定来提升质量,尤其是对低能力工人更有帮助。溯源:23
队列可视性的边际作用:在单人、固定序列的情境中,隐藏队列信息对速度与质量的长期影响并不显著,意味着队列信息的透明度并非提升个人生产力的通用法宝,尤其在缺乏社交激励的单人情境中更是如此。长期来看,队列可视性并不能保证产生持续的生产力提升。溯源:27
对管理实践的具体建议
针对弱者:采用 EF 的强制序列以提升质量;同时对强者保留一定的自主权以维持速度与灵活性。
针对整体流程:结构化排序对质量的提升在成本可控的前提下具有较高的管理价值,但须避免对高能力员工的速度产生不可接受的抑制。
队列可视性:不要把队列可视性视作普遍有效的生产力工具,需结合具体情境(单人 vs 多人、是否共享队列、是否存在合作/竞争激励)。
研究局限与未来方向(Outlook)在文中也提出:
自适应排序算法的潜力(结合机器学习/算法性提示,依据工人的策略与能力动态调整排序规则)。
对团队/多服务器设置中的队列可视性与协作机制进行扩展研究,以及在真实客户互动中的影响评估。见结论与展望段落。29 30
八、附注:溯源索引(来自原文各段落的页码标记)
研究标题与核心结论摘要:page 1
实验设计与方法概览、实验分组(Endog/Pre-commit/Exog)的框架:page 6–8
Experiment 1a 的任务描述、到达、界面与实验流程(包含 Figure 1、Table 1 提示):page 7
实验结果概览与假设(H1/H2)及主要统计结果:page 9–14
Experiment 1b 的设计与初步结果、Figure 5/6:page 15–17
Experiment 2a 的三臂设计、人格量表、Hypotheses、结果(Figure 7、8、9等):page 20–25
Experiment 2b 的 Invisible-FIFO 设计与结果:page 25–26
讨论、管理含义、Limitations 与 Outlook:page 27–29
主要表格/图示的溯源页码(Figure 3/4/5/6/7/8/9/10 的页码)见各段落标注及图注:page 11–26
EC 附录(稳健性、替代规格、样本特征、人格相关性等):page 39–46
如需将本文的分析整理成可直接用于内部报告的决策摘要,我可以进一步把每条结论转写成“适用情境—管理含义—可操作步骤”的三栏式要点表,并附上落地执行的风险提示与监测指标。