Гедонизм как мотив поиска информации: как предвзятый поиск ведет к искаженным убеждениям

Введение

Несмотря на overwhelming availability информации, общественные убеждения по широкому кругу тем остаются highly polarised. Это ярко exemplified убеждениями о вероятном исходе президентских выборов в США в 2020 году за несколько недель до них. Согласно опросам сторонников Республиканской партии, действующий президент Дональд Трамп имел 76% шансов на победу, в то время как сторонники Демократической партии оценивали вероятность победы Джо Байдена в 71%. Подобные conflicting views присутствуют в общественном восприятии ключевых проблем, таких как anthropogenic climate change (антропогенное изменение климата), что может lead to серьезным неудачам в достижении консенсуса относительно того, как решать такие насущные existential concerns. Учитывая epistemic threat, создаваемую highly polarised beliefs, важно понять механизмы, способствующие их развитию.

Предвзятость подтверждения и поляризация

Важно отметить, что было показано, что люди selectively ищут информацию из источников, которые совпадают с их ранее существовавшими beliefs. Это предпочтение consonant (а не dissonant) информации, termed confirmation bias (предвзятость подтверждения; иногда также называется selection bias или congeniality bias — предвзятость благоприятствования), сочетается с растущим diversity доступных источников информации и приводит к формированию polarised belief structures.

Современные объяснения confirmation bias утверждают, что это может быть не продуктом bias, а entirely rational Bayesian inference (Байесовского вывода). Согласно этому объяснению, люди склонны sample more from sources, которые совпадают с их prior beliefs, поскольку информация, которая closely aligns с предыдущими убеждениями, воспринимается как более believable, чем информация, которая более distal. Действительно, rational tendency учитывать свои prior beliefs при оценке достоверности новой информации может объяснить divided beliefs по таким вопросам, как изменение климата, и достаточно для объяснения формирования polarised echo chambers конфликтующих убеждений.

Гедонистическая ценность информации

Другое, though not mutually exclusive, объяснение confirmation bias заключается в том, что оно возникает из-за pursuit (или avoidance) информации для поддержания desired emotional state, social identity или belief state. Теории оценки информации предполагают, что pursuit этих различных целей может быть attributable к overarching principle гедонистической ценности — информация часто ищется или избегается из-за affective state, которое она вызывает. В поддержку этого было показано, что люди предпочитают раннюю информацию об исходе лотерей, когда они имеют potential positive, а не negative consequences, и когда выигрыш более вероятен, чем проигрыш. Поскольку positive reward prediction errors, как было показано, производят positive changes in subjective mood, утверждается, что это поведение отражает pursuit гедонистических целей. Кроме того, поскольку concordant информация воспринимается как более pleasant, чем discordant информация, предпочтение concordant информации может быть partially attributable к positive affect, которое она expected to induce.

Эксперимент 1: Предпочтение в выборе источника информации

Участники завершили задачу random lottery, в которой на каждом trial они могли либо выиграть (получить 20 центов), либо проиграть (получить 0 центов). Каждая лотерея consisted of простого подбрасывания монеты, в которой зеленая сторона указывала на выигрыш, а красная сторона — на проигрыш (вероятность выигрыша 50%). Перед тем как их лотерея была разыграна, им показывали два источника (названных "экстрасенсами" в эксперименте), представленных стандартными эмодзи, каждый из которых делал predictions о серии из пяти независимых "примерных" лотерей (которые не были связаны с текущим trial). Экстрасенсы систематически varied в том, насколько accurate и насколько positive они были в своих predictions для этих пяти лотерей (то есть они varied в relative number правильных predictions, а также в соотношении predictions "выигрыш" и "проигрыш", которые они делали, соответственно). Все экстрасенсы делали правильные predictions как минимум в трех из пяти примерных predictions. После наблюдения за этими примерными predictions участники выбирали одного из экстрасенсов, чтобы сделать prediction о их собственной лотерее. Впоследствии им показывали prediction исхода лотереи их выбранным экстрасенсом, но им не показывали соответствующие outcomes. Экстрасенсы, которые делали более positive predictions в примерных лотереях, с большей вероятностью делали positive predictions для лотереи участника. Участникам сказали, что все earnings от лотереи добавляются к их общему итогу и будут выплачены в конце эксперимента.

Результаты: Предпочтение позитивно смещенных предсказателей

Чтобы оценить, проявляли ли участники предпочтение более positive экстрасенсам (то есть тем, у кого была тенденция предсказывать больше outcomes "выигрыш", чем у их counterpart), мы assessed поведение выбора участников по отношению к примерным predictions, сделанным каждым экстрасенсом. В trials, где два экстрасенса были equally accurate, участники показали overall preference к экстрасенсу, который предсказал больше outcomes "выигрыш" в своих примерных predictions. В trials, где два экстрасенса не были equally accurate, участники overwhelmingly preferred более accurate экстрасенса менее accurate экстрасенсу. Однако предпочтение более accurate экстрасенса было выше в trials, где более accurate экстрасенс предсказал большее количество outcomes "выигрыш", чем менее accurate экстрасенс, чем в trials, где более accurate экстрасенс предсказал меньше outcomes "выигрыш", чем менее accurate экстрасенс.

Моделирование предпочтения позитивности

Чтобы получить более detailed perspective предпочтений участников, мы fitted серию computational models к индивидуальному поведению выбора. Первая модель предполагала, что positivity predictions экстрасенсов не будет иметь effect на поведение выбора. В этой Accuracy Only Model (Модель Только Точности) выбор участников dictated only тем, насколько accurate экстрасенсы были в своих примерных predictions. Во второй модели (Positivity Only Model — Модель Только Позитивности) поведение выбора участников dictated only количеством outcomes "выигрыш", которые экстрасенсы предсказали в своих примерных predictions. Третья модель (Accuracy & Positivity Model — Модель Точности и Позитивности) operationalised гипотезу о том, что и accuracy, и positivity примерных predictions экстрасенсов будут drive поведение выбора. Наконец, в Accuracy & Positivity Tiebreak Model выбор участников depended only от того, насколько accurate были экстрасенсы, но когда два экстрасенса были equally accurate, количество сделанных predictions "выигрыш" использовалось в качестве tiebreak criterion.

Сравнение моделей suggested, что Accuracy & Positivity Model produced наиболее accurate predictions и contributed больше всего к optimal weighted model. Анализ recovery модели demonstrated, что true generative model был identifiable с high accuracy. Дополнительно, анализ recovery параметров для best-fitting model указал, что все три параметра модели были accurately recoverable. Posterior predictive checks показывают excellent fit модели Accuracy & Positivity к данным.

Затем мы tested наши predictions модели на уровне individual participants. Несмотря на то, что она обеспечивала лучшие overall predictions данных, модель Accuracy & Positivity Model не обеспечивала лучшие individual predictions для всех участников. Модель Accuracy Only Model обеспечила лучшие predictions для 46.2% участников, а модель Accuracy & Positivity Model — для 31.0% участников. Из остальных поведение 12.0% участников лучше всего characterized моделью Accuracy & Positivity Tiebreak Model, в то время как 10.8% лучше всего predicted моделью Positivity Only Model. В целом, эти данные демонстрируют sizeable individual differences в поведении выбора, как это observed в предыдущих исследованиях в этой области.

Смещенный поиск информации и смещенные убеждения

В рамках нашего experimental design, positively-biased экстрасенсы имели increased likelihood yielding positive predictions на лотереях участников. Как следствие, параметр positivity-preference участников (полученный при fitting модели Accuracy & Positivity Model) был strongly correlated с количеством выигрышей, которые выбранные участниками экстрасенсы predicted на лотереях участников. Чтобы оценить, influenced ли эти biased predictions убеждения, которые формировали участники, о frequency, с которой они выиграли, мы constructed mixed-effects regression model. В рамках этой модели мы predicted количество выигрышей, которое participant estimated, что они achieved в каждом block, из количества outcomes выигрыша, которые их выбранные экстрасенсы predicted на лотереях участника в этом block, combined с participant-level intercept term. Вывод модели revealed significant, positive effect количества predictions выигрыша, которые participant был показан, на количество выигрышей, которые они estimated, что они achieved. Это suggests, что predictions экстрасенсов influenced убеждения участников об их outcomes лотереи, причем участники, exposed к большему количеству positive predictions, believed, что они выиграли more often.

Смещенные убеждения и уверенность

Вполне plausible, однако, что участники, которые искали positively-biased информацию, conscious of bias в информации, которую они received, и поэтому adjusted уверенность, с которой они held убеждения о количестве выигрышей, которые они achieved. Чтобы assess это, мы examined relationships между confidence ratings участников и их поведением выбора. В дополнение к association между параметром positivity-preference и positivity predictions экстрасенсов, была strong correlation между параметром accuracy-preference участников и mean accuracy примерных predictions их выбранных экстрасенсов. Чтобы понять, как как accuracy примерных predictions экстрасенсов, так и valence их predictions на лотереях участников affected силу, с которой participants believed экстрасенсов, мы constructed дополнительную mixed-effects model. В этой модели мы predicted confidence ratings участников из mean accuracy примерных predictions их выбранных экстрасенсов в данном block и количества outcomes выигрыша, которые их выбранные экстрасенсы predicted на лотереях участника в этом block. Мы также included interaction term между этими двумя factors и participant-level intercept term. Вывод модели revealed significant main effect количества predictions выигрыша, которые выбранные участниками экстрасенсы yielded, но не mean accuracy выбранных экстрасенсов, ни interaction между двумя. Эти results suggest, что valence predictions выбранных участниками экстрасенсов на лотереях участников, но не accuracy их примерных predictions predicted более высокую confidence в estimates участников их frequency выигрышей.

Эксперимент 2: Воспринимаемая достоверность источников

Одно объяснение для результатов в Эксперименте 1 заключается в том, что участники attend to или weight positive predictions differently than negative predictions. Например, при оценке credibility источника, correct predictions positive outcomes могут weighted more heavily, чем correct predictions negative outcomes, leading к восприятию positively-biased predictors как более credible. Альтернативно, участники могли sampling from positively-biased источников информации для достижения гедонистических целей (то есть просто потому, что это заставляет их чувствовать себя лучше, но не потому, что они верят, что это более credible). Хотя это само по себе не объяснило бы increases in confidence для positively-biased искателей информации, эти differences могли быть due to tendency для людей believe positive information more readily, чем negative information. Это можно объяснить asymmetrical belief updating (более крупные belief updates following positive relative to negative information) или optimism bias (в котором positive outcomes expected и поэтому более plausible).

Чтобы определить, attributable ли наши результаты к pursuit гедонистических целей или к differences в perceived credibility due to attentional или weighting factors, мы conducted последующее исследование в separate group участников. В каждом trial участникам показывали набор из пяти примерных predictions, сделанных одним экстрасенсом. Эти predictions снова могли varied в том, насколько accurate и насколько positive они были. Затем экстрасенс predicted outcome лотереи участника. Важно, что в этом эксперименте экстрасенсы, которые provided biased примерные predictions, не были более likely to provide biased predictions для лотереи участника. Это removed confound differences в performance различных экстрасенсов при prediction собственных лотерей участников. После этого участники provided rating того, что они believed outcome их лотереи был, по continuous scale от 0 (определенно проиграл) до 100 (определенно выиграл). Belief updates рассчитывались как разница между belief rating участника и point of indifference (50 на шкале ответов, что является наиболее plausible belief, которую можно hold в этой лотерее до наблюдения любого prediction) relative to direction prediction экстрасенса.

Точность источников, позитивные предсказания и достоверность

Сначала мы исследовали relationship между accuracy источников и тем, что они predicted для собственных лотерей участников. Мы запустили two-way repeated measures ANOVA с within-subjects factors Accuracy (высокая или низкая) и Prediction для лотереи участника (выигрыш или проигрыш). Это показало significant main effects Accuracy и Prediction для лотереи участника, indicating, что участники updated свои убеждения more following predictions, сделанные high-accuracy источниками, чем low-accuracy источниками. Effect взаимодействия также был significant, с larger differences в belief updates между positive и negative predictions, найденными для high accuracy экстрасенсов.

Позитивно смещенные источники и достоверность

Затем мы исследовали, воспринимались ли источники, которые делали более positive predictions across пяти примерным predictions, как более credible. Отметим, что в этом эксперименте эта positivity bias в примерных predictions была dissociated от valence окончательного prediction лотереи участника, что позволило нам separate out эти factors. Анализ suggested, что magnitude belief update не differed в зависимости от количества predictions "выигрыш", сделанных экстрасенсами durante примерных лотерей. Парный t-тест indicated, что belief updates не были larger для более positive половины экстрасенсов relative to более negative половине.

Чтобы понять это further, мы constructed две computational models. В Full Model, и accuracy, и positivity примерных predictions экстрасенсов использовались для prediction magnitude belief updates участников. В No Positivity Model, только accuracy использовался для prediction belief updates. Обе модели также included individual-level free parameters, управляющие asymmetry убеждений following positive и negative predictions и constant mean level belief updating. Используя те же procedures fitting модели, что и в Эксперименте 1, модели были fit иерархически, так что distributions individual-level параметров управлялись набором group-level hyperparameters.

Сравнения моделей suggested, что No Positivity Model provided лучшие predictions данных. Эта модель comprised entirety optimal weighted combination predictions моделей, indicating, что inclusion positivity в Full Model не improved predictions моделей.

Однако Full Model provided best-fitting predictions почти половины данных участников. Это может быть либо потому, что для subset участников positivity affected perceived credibility экстрасенсов, либо потому, что estimated values дополнительного параметра были small enough, так что более complex Full Model mimicked performance более simple No Positivity Model. Чтобы further исследовать, какое из этих объяснений наиболее plausible, мы examined posterior distributions hyperparameters accuracy и positivity. Чтобы assess, были ли posterior estimates meaningfully different от 0, мы constructed region of practical equivalence (ROPE — область практической эквивалентности) для каждого. Границы ROPE были set в точке, в которой maximum change в independent variable produced изменение 0.1 standard deviation в dependent variable. В соответствии с рекомендациями, параметр, весь 95% HDI которого содержится within ROPE, treated как не meaningfully different от нуля.

Результаты показали, что hyperparameter accuracy был meaningfully different от нуля, тогда как hyperparameter positivity не был. Это indicates, что positively-biased экстрасенсы не seen как более credible, причем Full Model providing best fit некоторым участникам, потому что он mimicked performance более simple No Positivity Model. Эти results therefore suggest, что positive prediction mattered для belief updates только тогда, когда они были related к окончательному prediction для собственной лотереи участника. Не было evidence, однако, что overall более positive источники perceived как более credible.

Обсуждение

В этом исследовании мы aimed изучить роль гедонистической ценности информации на поиск информации и формирование убеждений. Эксперимент 1 revealed, что, хотя accuracy был самым сильным motivator предпочтения информации, large proportion наших участников также showed preference для positively-biased информации, несмотря на представление clear, unambiguous measure точности источника. Из этих участников majority showed willingness искать информацию из positively-biased источников даже за счет более accurate alternative. Те, кто искал positively-biased информацию, tended формировать более positive убеждения об outcomes, о которых их информировали. Важно, что biased искатели информации held более высокую confidence в своих убеждениях. В Эксперименте 2 мы showed, что pursuit biased информации не attributable к восприятию biased источников как более credible, несмотря на positive predictions о собственных outcomes producing enhanced belief updates beyond accuracy источников. Вместе эти findings reveal гедонистическую ценность информации как key contributor к выбору источника информации и последующему формированию убеждений.

Последствия для понимания поляризации убеждений

Участники не только sampling positively-biased информацию more readily, но и held убеждения, которые они formed на основе predictions, полученных от positively-biased источников, с более высокой confidence. Предыдущая работа showed, что люди с extreme убеждениями tend иметь более высокую confidence в своих убеждениях. Здесь мы showed, что те, у кого была самая высокая confidence в своих убеждениях о состоянии мира, были те, кто был biased towards источники информации, которые были positively-biased, rather than те, кто sampling from более objectively accurate источников. В дополнение, данные из Эксперимента 2 revealed, что эта association между гедонистической предвзятостью и уверенностью не была потому, что biased predictors necessarily perceived как более credible. Вместо этого, этот effect biased информации на confidence может быть explained tendency для positive информации быть more readily accepted due to asymmetry в обновлении убеждений и optimism bias. Поскольку текущий experimental design не может distinguish между этими процессами, further research требуется для identify, какой вклад вносит это поведение. Вместе наши результаты build на предыдущей работе, показывая, что гедонистическая предвзятость в поведении поиска информации является key contributor к extreme, high-confidence убеждениям.

Ограничения и будущие исследования

Настоящие findings highlight важные avenues для future research. Эти результаты демонстрируют, что как accuracy, так и expected valence являются важными determinants субъективной ценности источника информации. Однако из-за использованного experimental design, в котором каждая комбинация accuracy и positivity не сравнивалась со всеми другими комбинациями, interaction между двумя не может быть examined. Будущие исследования могут aim исследовать, interact ли эти два factors для определения субъективной ценности информации. Кроме того, хотя это исследование демонстрирует один механизм, through which pursuit гедонистических целей может формировать поведение поиска информации и убеждения, impact этого вклада relative to другим factors остается unknown. Другой factor для рассмотрения — Bayesian rationalism; extent, до которого prior beliefs influence наше perception достоверности источников информации. Characterising relative вклады каждого в поведение поиска информации позволит design более optimal interventions для борьбы с предвзятостью подтверждения, targeted либо на reducing роль гедонизма (например, путем focusing на reducing association между congenial информацией и гедонистической ценностью), либо Bayesian rationalism (например, путем focusing на broadening prior beliefs).

Настоящее исследование provides clear evidence для роли гедонистического pursuit желательных аффективных состояний в выборе информации. Мы further expanded это, elucidating когнитивные механизмы, лежащие в основе этого поведения, и его последующие consequences на убеждения. Поиск positively-biased информации led к формированию более positive убеждений, которые held с greater confidence, чем те, которые основаны на менее biased, более accurate информации. Чтобы combat предвзятость подтверждения и reduce поляризацию убеждений, мы должны gain better understanding других factors, способствующих этому поведению. By doing so, мы будем better able design interventions чтобы reduce extent, до которого мы pursue информацию, которая consistent с нашими убеждениями.