Knowledge Management Forum >

2024 , Vol. 9 >Issue 3: 330 - 340

DOI: https://doi.org/10.13266/j.issn.2095-5472.2024.024

Research on the Differences in Effectiveness and Cognitive Mechanisms of Crowdsourcing Methods Reply Misinformation Based on Fact-Checking Labels

  • Wang Yuyu ,
  • Xia Zhijie
Expand
  • School of Management, Shanghai University of Engineering Science Shanghai 201620

Received date: 2023-11-17

  Online published: 2025-04-28

Fold

Abstract

[Purpose/Significance] This study aims to help the public play a better role and reduce the harm caused by the inundation of misinformation on social media. [Method/Process] An experimental design was used to add fact-checking tags to information on social media to explore the effect of fact-checking tags on the public's identification and dissemination of misinformation, the difference in effectiveness between professionals and crowdsourced tagging, and the cognitive mechanisms by which tags affect people's judgments about the authenticity of information. [Result/Conclusion] Fact-checking tags can significantly improve the ability of social media users to identify misinformation and reduce the public's willingness to spread it. There is no significant difference in the impact of fact-checking tags from professionals and crowdsourcing tags from the general public on participants. By exploring people's uncertainty about information, it is found that people rely heavily on the results of fact-checking tags to determine the authenticity of information, and the existence of tags does not stimulate their critical thinking.

Key words： social media; misinformation; crowdsourcing; fact-checking tags; public

Cite this article

Wang Yuyu , Xia Zhijie . Research on the Differences in Effectiveness and Cognitive Mechanisms of Crowdsourcing Methods Reply Misinformation Based on Fact-Checking Labels[J]. Knowledge Management Forum, 2024 , 9(3) : 330 -340 . DOI: 10.13266/j.issn.2095-5472.2024.024

随着互联网的发展和移动设备的普及，社交媒体已经成为人们获取信息的重要来源，但社交媒体的低门槛以及便利性也为虚假信息的产生和传播提供了条件[1]。虚假信息以误导或欺骗为目的，社交媒体用户从海量信息中识别出虚假信息较为困难。大量的虚假信息传播会误导公众并造成恐慌，影响社会秩序，降低政府的可信度。Facebook平台尝试引入事实核查这一功能鼓励用户参与治理虚假信息，J. Allen[2]等的研究证明事实核查标签对于人们识别虚假新闻的有用性。但事实核查存在一定的争议，在不同的网络环境下对事实核查标签的效果进行研究具有重要意义。
国外已有部分学者研究了事实核查标签对治理虚假信息的作用，但其也遭到了部分学者的质疑。一方面，起始的事实核查功能主要是由专业的核查人员进行，但随着智能技术的发展，社交机器人也参与到虚假信息的生产之中，社交媒体平台每天会产生大量的虚假信息。专业的事实核查人员数量有限，其核查信息速度跟不上网络上每天产生的虚假信息的数量，而且对部分信息标记后，可能会加强用户对未标记信息的信任，导致隐含的真相效应[3]。如果仅依靠相关权威人士来进行信息真实性的标记是远远不够的，而通过众包利用群体智慧完成特定的任务，是一种经济、高效的解决问题的方法。已有研究证明，使用众包方法作为评估信息真实性的工具是可行的[4]，但是对于来自众包与专业人士的事实核查标签对用户的影响效果有何差异仍有待研究。另一方面，事实核查标签虽然被证实有效，但是它能否促进人们进行批判性思考仍不清楚。批判性思维促进用户形成系统的信息处理方式，有助于降低公众对虚假信息的信任[5]。如果事实核查标签可以触发批判性思维，那么它对用户识别虚假信息很有帮助；但是用户如果为了节省时间精力，直接根据事实核查标签的结果进行判断，那错误的标签可能会产生不良的影响。所以，探究事实核查标签是通过怎样的认知机制来影响用户对信息的判断至关重要。
鉴于此，笔者通过实验设计的方法对社交媒体上的信息添加事实核查标签，探讨事实核查标签的存在是否会提升人们对虚假信息的识别能力，以及来自普通公众的众包标记与来自专业人士的标记之间的差异。此外，事实核查标签的存在会通过怎样的心理认知机制来影响人们对信息真实性的判断，用户态度行为的变化是因为激发了批判性思维，还是因为盲目相信事实核查标签的结果，这些问题值得进一步探究。

1 研究综述/Research review

1.1 虚假信息的传播与应对

虚假信息（misinformation）是指故意传播以误导或欺骗为目的的虚假或不准确的信息[6]。虚假信息包括阴谋论、伪科学，甚至捏造的假新闻等多种形式。本研究的虚假信息涵盖有意和无意形式的虚假信息，比较有代表性的是假新闻和谣言。社交媒体的特性促使大量虚假信息肆意传播，使人们很难核实信息的真实性。当信息内容与人们无关时，人们在认知上不愿意进行批判性分析，因懒于推理而落入虚假信息的陷阱；当信息内容与自身有关时，人类大脑倾向于接受与自身既定观点一致的想法，这在心理机制上被称为动机推理[7]。这种意识形态驱动的推理可能会影响人们的判断，导致误解和偏见，被称为“确认偏误”[8]。当个人进行动机推理时，群体极化可以加强公众对虚假信息的错误信念，又因社交媒体的回声室效应，将公众认同的观点与其他观点隔离开来[9]，从而加剧了虚假信息传播带来的不良影响。此外，大多数人使用社交媒体是为了娱乐，享乐主义心态的人不太可能批判性地思考问题，容易受到虚假信息的迷惑[10]。
针对社交媒体中虚假信息肆意传播这一问题，目前研究主要从抑制其传播和尽力传播真相这两个角度展开，而这些方法存在应对成本高、效率慢等问题。随着公众信息素养能力的提高，社交媒体的自身特性可实现对虚假信息的自净化，激励用户参与到虚假信息的质疑中并在此过程中添加自己的意见，促进公众理性思考。社交媒体将公众的各种信息进行汇聚，更利于公众进行判断。然而社交媒体的自净化进程缓慢，达不到纠偏的及时有效性[11]，公众具备的应对虚假信息传播的潜力没有得到很好的利用，而众包方法充分利用群体智慧，实现对虚假信息的快速举证、反驳和质疑。但用户是否接受事实核查标签可能受到他们既定偏好和观点的影响，逆火效应也指出人们在接受纠正后，可能会加强对原有观点的信任。事实核查标签对用户判断虚假信息的影响存在争议，所以笔者通过实验设计来验证事实核查标签是否可以抑制虚假信息的传播。

1.2 众包方法在应对虚假信息传播中的应用

众包将被动的社交媒体用户转变为合作者，是一种新型的在线协同工作模式[12]。有的企业已经开始建立自己的众包平台，采用公开召集的方式处理需要利用群体智慧的任务以节省成本。众包在商业领域的应用包括汇集创意（如Threadless的T-shirt设计）、解决问题（如解决企业问题的专业平台Inno Centive）等[13]。随着近年来的发展，众包方法在数据采集、公共管理等各个领域都得到了创新和广泛应用。在应对虚假信息传播的问题中，众包任务的发包方通常是政府或者权威官方机构，主要负责对众包项目进行分析以及设计任务发布方式，接包方是普通公众或者特定群体。众包通常以社交媒体平台为基础，依赖平台的功能界面设计和运行规则，挖掘更多的潜在参与者来完成任务。
从众效应能够影响个体的观点，利用众包方法可以有效甄别社交媒体中的虚假信息，并且社交媒体中用户内容的生成、筛选及呈现的独特机制为众包方法在虚假信息的应对方面提供了途径[14]。王明等构建基于众包模式的谣言识别与应对机制，总结“抖音辟谣”的众包工作流程及机制，以此帮助平台运营并提升政府应急管理能力[15]。为更好地发挥群体智慧，充分挖掘和优化社交媒体平台已有功能及机制，Facebook尝试利用“众包型”的事实核查流程，鼓励用户标记潜在的虚假信息，然后使用机器学习算法或通过第三方组织对标记的信息进行事实核查[16]。有学者从全球外包实践和众包平台的兴起切入，以亚马逊土耳其机器人（Amazon Mechanical Turk）为研究对象，对众包平台运作机制进行探索性研究[17]。M. Soprano等提出一个多维真实性的概念，说明公众在不同维度上提供的真实性判断是合理可靠的，证明了使用众包方法作为评估信息真实性的工具是可行的[4]。众包模式在应对虚假信息的传播方面，让有能力的公众参与到信息真实性判断等各项任务中，使群体智慧得到了更好的利用。虽然已有部分研究在虚假信息的应对领域引入众包的概念和思路，但利用公众力量抑制虚假信息传播的具体方式仍有待研究。

2 研究假设/Research hypothesis

懒惰推理（lazy reasoning）和动机推理（motivated reasoning）很好地解释了社交媒体上信息真假难辨、虚假信息肆意传播的现象。当信息内容与用户无关时，根据懒惰推理理论，人们在认知上不愿意进行批判性思考；当信息内容与用户相关时，根据动机推理理论，人类大脑倾向于接受与自身既有观点一致的想法，这种意识形态驱动的推理可能会导致误解和偏见。基于懒惰推理和动机推理的原理，事实核查标签很可能通过促进批判性思维来影响用户对信息准确性的评价，降低公众对虚假信息的信任[18]。
疏忽解释（inattention account）理论认为，人们倾向于分享内容准确的信息，但社交媒体的环境会分散人们的注意力，使人们无法根据对准确性的偏好来做出分享信息的决定。由于人们经常面临着来自网络的大量信息洪流，其中很多都带有情绪化的色彩，同时人们在评估信息真实性方面的时间和资源有限，这会严重干扰他们对信息做出准确判断。一项对新冠新闻标题的研究表明，人们对标题真实性的判断对于其分享新闻的意愿几乎没有影响[19]。因此，人们可能会出于准确性以外的原因选择分享虚假信息，如果人们认为有的虚假信息更有趣，他们也愿意分享。疏忽解释借鉴了人类认知的双重过程理论（dual-process theory），即人们依赖于两个本质不同的推理过程：系统1和系统2。系统1认知是我们的快速思维，在不到1秒的时间内产生感知和行动，当我们有“本能反应”时，那就是系统1的作用；而系统2是经过深思熟虑的认知系统，它是高认知努力的过程[20]。对于主要为了享乐而使用社交媒体的用户，会倾向于避免使用系统2，不太可能批判性地考虑信息的内容[21]。有研究比较了“有争议的”标签和“被评为虚假的”标签之间的说服力，结果显示“评价为虚假”标签可以在更大程度上降低用户的感知准确性[22]。根据P. Mena的实验，警告标签的存在会降低社交媒体用户对有争议信息的感知准确性以及分享意愿[23]。因此，笔者提出以下假设：
H1a：相较于未接触事实核查标签的用户，那些接触到事实核查标签的用户能够更加准确地区分真实信息与虚假信息；
H1b：相较于未接触事实核查标签的用户，那些接触到事实核查标签的用户在虚假信息传播方面表现更为谨慎。
研究表明，批判性思维有助于形成更准确和更系统的信息处理方式，从而有效降低公众对虚假信息的信任[5]。事实核查标签可以作为批判性思维的触发器，促使社交媒体用户产生质疑。此外，事实核查标签还通过线索搜寻（cue seeking）的机制影响个体对信息真实性的识别。人们具有有限的理性，因此在利用信息进行选择时，更倾向于满足需求而非最大化利益。在存在事实检查标签的情况下，当用户能够直接从标签中获得有效提示时，他们可以节省认知精力，并将其用于信息处理以得出结论[24]。调查显示，人们会依赖可用的线索来评估信息的真实性，如事实核查标签。用户是否接受标签评估也会受到既有观点的影响，“逆火效应”表明人们在接受纠正后，可能会加强对原有观点的信任。面对被标记的信息，人们可能进行批判性分析并质疑，另一种可能性则是人们接受事实核查标签的结果而很少进行系统推理。
此外，线索搜寻机制表明，事实核查标签作为启发式方法，可能会降低用户的认知负荷和不确定性[25]。也就是说，如果社交媒体用户将事实核查标签作为信息真实性的主要依据，那么他们应该相信事实核查标签的结果，并做出明确的判断，而不是持怀疑态度。如果事实核查标签促使公众对信息进行批判性思考，那么公众可能会对被标记的信息产生质疑，从而对该信息的真实性更加不确定。因此，笔者提出以下假设：
H2：相对于未接触事实核查标签的用户，那些接触到事实核查标签的用户对信息内容的真实性具有更低的不确定性。
消息来源的可信度在塑造个人信任和行为方面扮演着重要的角色，较高的来源可信度会对人们的态度和行为产生积极的影响[26]。专业人士与普通公众相比，拥有专业的知识和资源，具有较高的权威和可信度。以健康信息为例，当公众从医生那里获得信息时，他们倾向于认为该信息是可信的。众包将被动的社交媒体用户转变为合作者，相信群体智慧的力量，它使公众通过集体背书来赋予信息一定的可信度。信息级联理论表明，当某一个人的信息有限时，会通过观察他人的行为做出判断和决定，促使信息快速传播[27]。以往的研究已经揭示众包中存在的从众效应，众包方法可能会对人们对在线信息可信度的评估产生影响，导致人们更倾向于接受多数人的意见。
当对专业人士和普通公众的相对来源可信度进行比较时，研究发现某些情况下来自大众的线索比来自权威的线索具有更强的说服力[28]。如果公众之间产生共识，群体智慧产生的影响会比专业人士更大。另外，当个体从群体中感受到相似性信息时，来自群体成员的信息比权威信息更能改变人们的想法。鉴于这些关于专业人士和普通公众说服力的研究，笔者引入来自专业人士和众包的事实核查标签，并调查它们对用户识别虚假信息的影响。结合以上分析，研究预计接触到众包事实核查标签的用户在识别信息真实性方面有更好的表现。然而，如果社交媒体用户只是接受事实核查标签的建议，不愿进行批判性推理，那么来自专业人士和众包的标记对用户产生的影响将无明显差异。基于此，笔者提出以下假设：
H3a：相对于接触专业人士核查标签的用户，那些接触众包来源核查标签的用户能够更准确地区分真实信息与虚假信息；
H3b：相对于接触专业人士核查标签的用户，那些接触众包来源核查标签的用户将更少地传播虚假信息。

3 实验与结果分析/Experiment and result analysis

3.1 实验设置

笔者采用控制实验的方法，从中国互联网联合辟谣平台中挑选8条“真实”或“虚假”的信息，设置一个对照组和两个实验组。在对照组中，呈现给参与者的是没有事实核查标签的信息；在实验组中，采用两种不同的方式来告知参与者信息的真实性（见图1）：一种是来自专业人士的核查标签（实验组1）；另一种是众包来源的核查标签（实验组2）。其中，实验组2中使用的数字是从对照组参与者对这些信息的实际判断中得出的，并且实验组中所有的信息都附有事实核查标签，以控制隐含的真相效应。
参与者选取具有社交媒体平台使用经验的群体，被随机分配到3个组别中的一个。在实验开始前，向参与者说明该研究旨在调查对信息真实性的判断，事实核查标签仅作为建议，不能保证其绝对真实可信。对于每条信息，参与者需要回答以下问题：“在您看来，这则信息的真实性如何？”可供选择的答案有“真实”“虚假”和“不确定”3个选项；对于分享意愿的测量参考A. Y. K. Chua等[29]设计量表的两个测量项：“我打算与他人分享这则信息”和“我将会与他人分享这则信息”，使用Likert五点量表进行测量，数字越大表示分享意愿越强烈。
图1 实验组1和实验组2的实验材料示例

Figure 1 Example of experimental material for groups 1 and 2

3.2 实验结果分析

3.2.1 描述性分析

采用在线实验的方法，在问卷星平台上获得379份样本。剔除全部勾选同一答案、填答时长过短等无效数据后，最终得到有效样本328份。参与者基本统计信息见表1，其中男性有155人（占47.26%），女性有173人（占52.74%），年龄集中在18—45岁。信息的分享意愿由两个测量题项组成，其克朗巴哈系数（Cronbach's α）大于0.8，适合平均化处理，因此分享意愿指标取两个题项的平均数。
表1 样本人口统计学信息

Table 1 Sample demographic information

名称 选项 频数 百分比/%
性别 男 155 47.26
女 173 52.74
年龄 18岁以下 28 8.54
18—25岁 123 37.5
26—35岁 82 25.00
36—45岁 63 19.21
45岁以上 32 9.75
教育经历 高中及以下 86 26.22
专科 69 21.04
本科 134 40.85
硕士及以上 39 11.89

3.2.2 准确性分析

不同分组（对照组、实验组1、实验组2）识别信息真实性的准确率分布见图2，左边是虚假信息的准确率分布，右边是真实信息的准确率分布。对于真实信息和虚假信息，两个实验组的参与者成功识别真实信息和虚假信息的平均比率高于对照组的参与者，并且实验组2中看到众包标签参与者的准确率略高于实验组1的准确率。
图2 不同分组识别信息真实性的准确率分布

Figure 2 Accuracy distribution of identification information authenticity in different groups

研究选取不同灵敏度的分析方法，通过LSD-t检验法和Scheffe法共同检验，以保证结果的有效性及稳定性。经过方差分析和事后检验发现，两个实验组识别虚假和真实信息的准确率明显高于对照组（表2和表3中对照组与实验组1、2之间的P值都小于0.05），假设H1a成立。这一发现表明，看到事实核查标签的参与者辨别真假信息的能力高于对照组。在两个实验组之间，实验组2的受试者识别信息准确率表现略好于实验组1的受试者，但没有达到统计学显著水平，假设H3a不成立，即看到众包核查标签的参与者与那些看到专业人士核查标签的参与者相比，两组之间的准确率没有明显的差异。
表2 识别虚假信息准确性不同组间多重比较表

Table 2 Multiple comparison table for identifying misinformation accuracy among different groups

方法 (I)组别 (J)组别 平均值差值 (I-J) 显著性 95% 置信区间
下限 上限
Scheffe 对照组 实验组1 -0.265 46* 0.012 -0.469 55 -0.061 36
实验组2 -0.289 26* 0.007 -0.493 35 -0.085 16
实验组1 对照组 0.265 46* 0.012 0.061 36 0.469 55
实验组2 -0.023 80 0.949 -0.227 89 0.180 29
实验组2 对照组 0.289 26* 0.007 0.085 16 0.493 35
实验组1 0.023 80 0.949 -0.180 29 0.227 89
LSD-t 对照组 实验组1 -0.265 46* 0.003 -0.424 98 -0.105 93
实验组2 -0.289 26* 0.002 -0.448 78 -0.129 73
实验组1 对照组 0.265 46* 0.003 0.105 93 0.424 98
实验组2 -0.023 80 0.751 -0.183 32 0.135 72
实验组2 对照组 0.289 26* 0.002 0.129 73 0.448 78
实验组1 0.023 80 0.751 -0.135 72 0.183 32
注：*表示平均值差值的显著性水平为0.05
表3 识别真实信息准确性不同组间两两比较表（P值）

Table 3 Comparison table in pairs for identifying true information accuracy among different groups (P-values)

方法 对照组—实验组1 对照组—实验组2 实验组1—实验组2
LSD-t 0.005＜0.05 0.002＜0.05 0.471＞0.05
Scheffe 0.016＜0.05 0.007＜0.05 0.754＞0.05

3.2.3 不确定性分析

不同分组识别信息真实性的不确定率分布见图3，左边是虚假信息的不确定性分布，右边是真实信息的不确定性分布。两个实验组事实核查标签的存在明显降低了受访者对所呈现信息的不确定性，并且实验组2中看到众包标签参与者的不确定性略高于实验组1。
图3 不同分组识别信息真实性的不确定率分布

Figure 3 Uncertainty rate distribution of identification information authenticity in different groups

经过方差分析和事后检验发现，两个实验组的参与者选择不确定选项的几率明显低于没有事实检查标签的对照组（表4和表5中对照组与实验组1、2之间的P值都小于0.05），达到统计学显著水平，假设H2成立。此外，对于实验组1和实验组2的参与者来说，他们对信息感到不确定的概率是相似的，虽然两者之间有轻微差异，但没有达到统计学显著水平。
表4 识别虚假信息不确定性不同组间多重比较表

Table 4 Multiple comparison table for identifying misinformation uncertainty among different groups

方法 (I) 组别 (J) 组别 平均值差值 (I-J) 显著性 95% 置信区间
下限 上限
Scheffe 对照组 实验组1 0.073 52* 0.001 0.033 48 0.113 55
实验组2 0.058 88* 0.005 0.018 84 0.098 91
实验组1 对照组 -0.073 52* 0.001 -0.113 55 -0.033 48
实验组2 -0.014 64 0.608 -0.054 67 0.025 39
实验组2 对照组 -0.058 88* 0.005 -0.098 91 -0.018 84
实验组1 0.014 64 0.608 -0.025 39 0.054 67
LSD-t 对照组 实验组1 0.073 52* 0.000 0.042 22 0.104 81
实验组2 0.058 88* 0.001 0.027 5 0.090 17
实验组1 对照组 -0.073 52* 0.000 -0.104 81 -0.042 22
实验组2 -0.014 64 0.328 -0.045 93 0.016 65
实验组2 对照组 -0.058 88* 0.001 -0.090 17 -0.027 58
实验组1 0.014 64 0.328 -0.016 65 0.045 93
注：*表示平均值差值的显著性水平为0.05
表5 识别真实信息不确定性不同组间两两比较（P值）

Table 5 Comparison table in pairs for identifying true information uncertainty among different groups(P-values)

方法 对照组—实验组1 对照组—实验组2 实验组1—实验组2
LSD-t 0.000＜0.05 0.002＜0.05 0.116＞0.05
Scheffe 0.001＜0.05 0.006＜0.05 0.262＞0.05

3.2.4 分享意愿分析

通过方差分析检验，对于虚假信息的分享意愿（M对照组=3.32，M实验组1=3.02，M实验组2=2.926），看到事实核查标签的两个实验组的分享意愿明显降低（表6中对照组与实验组1、2之间的P值都小于0.05），假设H1b成立。在两个实验组之间，实验组2中看到众包标签的参与者对虚假信息的分享意愿略低于实验组1的参与者，但没有达到统计学显著水平，假设H3b不成立，即看到众包标签的参与者与那些看到专业人士评估标签的参与者相比，两组之间的分享意愿没有明显的差异。
表6 虚假信息分享意愿不同组间多重比较表

Table 6 Multiple comparison table of willingness to share misinformation among different groups

方法 (I) 组别 (J) 组别 平均值差值 (I-J) 显著性 95%置信区间
下限 上限
Scheffe 对照组 实验组1 0.300 00* 0.033 0.023 98 0.576 01
实验组2 0.394 00* 0.006 0.117 98 0.670 01
实验组1 对照组 -0.300 00* 0.033 -0.576 01 -0.023 98
实验组2 0.094 00 0.648 -0.182 01 0.370 01
实验组2 对照组 -0.394 00* 0.006 -0.670 01 -0.117 98
实验组1 -0.094 00 0.648 -0.370 01 0.182 01
LSD-t 对照组 实验组1 0.300 00* 0.010 0.084 26 0.515 73
实验组2 0.394 00* 0.002 0.178 26 0.609 73
实验组1 对照组 -0.300 00* 0.010 -0.515 73 -0.084 26
实验组2 0.094 00 0.361 -0.121 73 0.309 73
实验组2 对照组 -0.394 00* 0.002 -0.609 73 -0.178 26
实验组1 -0.094 00 0.361 -0.309 73 0.121 73
注：*表示平均值差值的显著性水平为0.05
表7中的数据表明，对于真实信息的分享意愿（M对照组=3.507，M实验组1=3.683，M实验组2=3.757），对照组与实验组1、实验组1和实验组2之间的分享意愿没有显著变化（P＞0.05），而看到众包标签参与者的分享意愿比对照组明显升高（对照组与实验组2之间P＜0.05），这可能是因为公众群体的观点提升了参与者的感知准确性，动态社会影响理论也表明人们的观点可能会被团体中其他同伴所影响，最终群体意见会随着时间的推移达成一致。
表7 真实信息分享意愿不同组间两两比较（P值）

Table 7 Comparison table in pairs of willingness to share real information among different groups(P-values)

方法 对照组—实验组1 对照组—实验组2 实验组1—实验组2
LSD-t 0.056＞0.05 0.015＜0.05 0.364＞0.05
Scheffe 0.139＞0.05 0.042＜0.05 0.640＞0.05
通过相关性分析发现，参与者更愿意分享他们认为真实正确的信息。参与者对于虚假信息的准确率判断与分享意愿成负相关关系（r=-0.863，p＜0.01），即参与者分辨出此信息为虚假则会降低其分享意愿；参与者对于真实信息的准确率判断与分享意愿成正相关关系（r=0.776，p＜0.05）。

3.2.5 结论与建议

笔者采用实验设计方法，通过观察参与者对事实核查标签的反应，揭示用户在识别虚假信息过程中的认知和推理机制。研究发现：①事实核查标签的存在显著提升了社交媒体用户对虚假信息的识别能力。人们对准确的信息分享意愿更强烈，事实核查标签的存在使人们对虚假信息的传播明显减少。②对于来自专业人士和众包的事实核查标签，两个实验组之间的差异微小，表明来自专业人士和众包的事实核查标签对人们判断虚假信息有着同样的效果。③事实核查标签的存在影响了人们对信息真实性的判断，看到事实核查标签后用户对信息的怀疑以及不确定性降低。这表明事实核查标签没有促进人们进行批判性思考，用户在阅读带有事实核查标签的信息时仍然懒于推理，严重依赖标签的结果进行判断。
根据研究结果，笔者提出以下治理虚假信息的建议：
（1）在虚假信息的应对方面，众包任务的发布方通常是政府部门和权威机构，社交媒体平台是公众参与众包任务的主要途径。政府应发挥自身主导作用，鼓励平台进行虚假信息的治理，针对不同形式的平台采取差异化的监管措施。通过政府与平台的共同努力，营造良好的社会网络环境，这样也有助于平台自身的发展。
（2）虽然来自专业人士和众包的事实核查标签都可以改变人们对信息真实性的看法，但在面对社交媒体上的大量信息时，专业人员资源有限，无法及时进行判断，众包是一种更经济可行的方法。众包方式还可以促进公众参与，唤起公众对信息真实性的关注。因此，平台应该采取激励措施来鼓励公众参与到虚假信息的应对中，引导公众积极、高质量地完成任务。
（3）针对人们在阅读信息时严重依赖事实核查标签的情况，结合疏忽解释理论，可以采取一定的措施来集中人们阅读信息时的注意力，如邀请用户从来源可信度、写作风格以及动机等不同的角度对信息进行评价，通过多维度的综合结果增加评估的准确性。另外，平台还可以引入账号可信度评分系统，用户在查看或分享来自低信用账户的信息时会收到相关的警告。

4 结语/Conclusions

大数据时代为人们获取信息提供了便利，但是由于数据量巨大等特征，造成信息疫情，使人们感到信息超载。面对这种情况，人们获取信息需付出的时间精力也更多，并且平台上虚假信息泛滥，对公众获取正确的信息产生一系列困扰。专业权威人士和众包机制都可以影响人们对信息真实性的看法，但仅依靠相关专业人士来进行辟谣是远远不够的，利用大众的智慧可以快速高效地解决问题，是一种经济有效的方法。数字时代可以借助技术手段瞄准目标群体精准发包、智能审核等，为人们提供更多的技术帮助，辅助公众检测和识别虚假信息。平台可以通过与第三方新闻网站合作，丰富数据库内容，优化信息搜索以及推荐技术，帮助用户在搜索信息时捕获更多高质量信息，节省用户的时间。
本研究还存在一定的局限性：目前的研究是在实验背景下进行的，而不是在自然发生的环境下浏览信息，参与者可能会受到一定的影响；其次，实验前的调查说明可能提高了参与者的怀疑程度。本次实验将所有信息进行标记，以避免隐含的真相效应，未来的研究可以调查隐含的真相效应产生的影响。

王钰昱：撰写初稿，修改论文；

夏志杰：进行选题指导，提出论文修改意见及定稿。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
ZHANG X, CHENG Y, CHEN A, et al. How rumors diffuse in the infodemic: evidence from the healthy online social change in China[J]. Technological forecasting and social change, 2022, 185(1): 122089.

[2]
ALLEN J, ARECHAR A A, PENNYCOOK G, et al. Scaling up fact-checking using the wisdom of crowds[J]. Science advances, 2021, 7(36): 43-63.

[3]
PENNYCOOK G, BEAR A, COLLINS E T, et al. The implied truth effect: attaching warnings to a subset of fake news headlines increases perceived accuracy of headlines without warnings[J]. Management science, 2020, 66(11): 4944-4957.

[4]
SOPRANO M, ROITERO K, LA B D, et al. The many dimensions of truthfulness: crowdsourcing misinformation assessments on a multidimensional scale[J]. Information processing & management, 2021, 58(6): 102710.

[5]
LUTZKE L, DRUMMOND C, SLOVIC P, et al. Priming critical thinking: simple interventions limit the influence of fake news about climate change on Facebook[J]. Global environmental change, 2019, 58(1): 101964.

[6]
FALLIS D. Whatisdisinformation?[J]. Librarytrends, 2015, 63(3):401-426.

[7]
PENNYCOOK G, CANNON T D, RAND D G. Prior exposure increases perceived accuracy of fake news[J]. Journal of experimental psychology: general, 2018, 147(12): 1865–1880.

[8]
GAO Z D. Flagging fake news on social media: an experimental study of media consumers' identification of fake news[J]. Government information quarterly, 2021, 38(3): 101591.

[9]
MORAVEC P L, KIM A, DENNIS A R. Appealing to sense and sensibility: system 1 and system 2 interventions for fake news on social media[J]. Information systems research, 2020, 31(3): 987-1006.

[10]
JOHNSON T J, KAYE B K. Reasons to believe: influence of credibility on motivations for using social networks[J]. Computers in human behavior, 2015, 50(1): 544-555.

[11]
王诣铭,夏志杰,戴志宏.公众参与应对社交媒体虚假信息的众包模式及激励策略研究[J].信息资源管理学报,2021,11(5):84-95.（WANG Y M, XIA Z J, DAI Z H. Research on crowdsourcing model and incentive strategy of public participation to response social media misinformation[J]. Journal of information resources management, 2021,11(5):84-95.）

[12]
HOWE J. The rise of crowdsourcing[J]. Wired magazine, 2006, 14(6): 1-4.

[13]
严杰,刘人境,刘晗.国内外众包研究综述[J].中国科技论坛, 2017(8):59-68,151.（YAN J, LIU R J, LIU H. A literature review of domestic and foreign crowdsourcing research[J]. Forum on science and technology in China, 2017(8):59-68,151.）

[14]
PENNYCOOK G, RAND D G. Crowdsourcing judgments of news source quality [J/OL]. SSRN Electronic Journal, 2018[2023-08-25]. https://www.bothonce.com/10.2139/ssrn.3118471.

[15]
王明,郑念,宋雨琦.短视频时代政府辟谣机制创新研究——基于“抖音辟谣”的众包实践分析[J].自然辩证法通讯, 2022, 44(2):75-82.（WANG M, ZHENG N, SONG Y Q. lnnovation in the government's rumor refutation mechanism in the era of short videos: an analysis of the crowd-souring practice of Tiktok[J]. Journal of dialectics of nature, 2022, 44(2):75-82.）

[16]
KIM J, TABIBIAN B, OH A, et al. Leveraging the crowd to detect and reduce the spread of fake news and misinformation[C]//Proceedings of the eleventh ACM international conference on web search and data mining. New York: ACM Press, 2018: 324-332.

[17]
姚建华.在线众包平台的运作机制和劳动控制研究——以亚马逊土耳其机器人为例[J].新闻大学, 2020(7):17-32,121-122.（YAO J H. The mechanism and labor-control of online crowdsourcing: a study of the Amazon Mechanical Turk[J]. Journalism research, 2020(7): 17-32,121-122.）

[18]
PENNYCOOK G, RAND D G. Lazy, not biased: susceptibility to partisan fake news is better explained by lack of reasoning than by motivated reasoning[J]. Cognition, 2019, 188(2): 39-50.

[19]
LINDEN S. Misinformation: susceptibility, spread, and interventions to immunize the public[J]. Nature medicine, 2022, 28(3):460-467.

[20]
KHATRI V, SAMUEL B, DENNIS A R. System 1 and System 2 cognition in the decision to adopt and use a new technology[J]. Information & management, 2018, 55(6): 709-724.

[21]
DENNIS A R, MINAS R K. Security on autopilot: why current security theories Hijack our thinking and lead us astray[J]. Database for advances in information systems, 2018, 49(1): 15-38.

[22]
CLAYTON K, BLAIR S, BUSAM J A, et al. Real solutions for fake news? measuring the effectiveness of general warnings and fact-check tags in reducing belief in false stories on social media[J]. Political behavior, 2020, 42(1): 1073-1095.

[23]
MENA P. Cleaning up social media: the effect of warning labels on likelihood of sharing false news on Facebook[J]. Policy & internet, 2020, 12(2): 165-183.

[24]
SOTIROVIC M. Heuristic information‐processing[J]. The international encyclopedia of political communication, 2015(3): 1-5.

[25]
MESSNER C, WANKE M. Unconscious information processing reduces information overload and increases product satisfaction[J]. Journal of consumer psychology, 2011, 21(1): 9-13.

[26]
JUCKS R, THON F M. Better to have many opinions than one from an expert? social validation by one trustworthy source versus the masses in online health forums[J]. Computers in human behavior, 2017, 70(5): 375-381.

[27]
WANG Q, YANG X, XI W. Effects of group arguments on rumor belief and transmission in online communities: an information cascade and group polarization perspective[J]. Information & management, 2018, 55(4): 441-449.

[28]
PAEK H J, HOVE T, JU J H, et al. Peer or expert? the persuasive impact of YouTube public service announcement producers[J]. International journal of advertising, 2011, 30(1): 161-188.

[29]
CHUA A Y K, BANERJEE S. Intentions to trust and share online health rumors: an experiment with medical professionals[J]. Computers in human behavior, 2018, 87(1): 1-9.

Options
Outlines

/

〈 〉