1. 摘要
社交媒体让新闻传播变得更快、更广，也让真假信息混在一起流动。面对平台上的新闻主张，用户常常需要在很短时间内判断其真实性。过去常见的治理方式是给内容贴上“虚假”“有争议”等标签，但这类规范性提示并不总是有效：当标签与用户原有立场冲突时，它甚至可能引发抵触，促使用户更加相信自己本来相信的内容。
本文提出另一种思路：与其直接替用户下结论，不如向用户提供可供推理的话语证据（discursive evidence），让用户在证据基础上自行判断新闻主张的真假。作者通过三项实验检验了不同类型证据对新闻真实性判断的影响。研究发现，经过筛选、与判断任务高度相关且有帮助的证据，可以显著提高用户对真假新闻的总体判断准确率；未经筛选的搜索结果式证据效果更不稳定，可能提高用户对真新闻的识别，也可能让假新闻显得更可信。
研究进一步表明，当用户被激发出更强的批判性思维时，他们能更好地利用未经筛选的证据。证据强度越高，干预越稳健；证据强度较低时，效果取决于证据是否真正有助于判断、新闻主张本身是真是假，以及用户是否处在较为审慎的判断状态。总体而言，本文为平台治理虚假信息提供了一个重要启示：减少误信假新闻固然重要，但同样需要避免让用户对真实信息产生过度怀疑。
2. 模型与假设
文章的理论基础主要来自说服研究中的精细加工可能性模型（Elaboration Likelihood Model, ELM）。该模型认为，人们处理信息时可能走两条路径：一条是中央路径，即较为认真地评估论据质量；另一条是外围路径，即更多依赖熟悉感、重复出现、来源线索等启发式判断。真假新闻判断恰好会受到这两种路径共同影响。
作者首先区分了两类话语证据。第一类是精选证据，由事实核查网站提供，通常围绕新闻主张的真实性组织材料，相关性和帮助性较高。第二类是非精选证据，来自对新闻主张本身的简单网络搜索，其信息可能有用，也可能只是重复原始说法，甚至与判断任务无关。
基于这一划分，研究提出：精选证据应当改善用户对新闻真实性的总体判断；非精选证据也可能有所帮助，但由于噪声更大、结构更弱，其效果可能取决于用户是否愿意投入认知努力。随后，作者引入真与假的概念启动任务，希望通过启动批判性思维，让用户更认真地处理证据，减少外围路径中的错觉真相效应。
第三项实验进一步把证据拆解为不同强度。作者用两个维度理解证据强度：一是相关性，即证据是否与新闻主张或主题有关；二是帮助性，即证据是否真正有助于判断该主张是真是假。由此，证据可以分为无关证据、相关但未必有帮助的证据，以及有助于判断真假的证据。文章预期，证据强度越高，越能改善真实性判断；同时，若证据与用户既有政治倾向相冲突，其效果可能更弱。
H1a：精选话语证据能够提升用户对新闻主张的总体真实性判断。
H1b：非精选话语证据能够提升用户对新闻主张的总体真实性判断。
H2a：启动真与假的概念会增强话语证据对总体真实性判断的作用。
H2b：启动真与假的概念对话语证据效果的影响，会因新闻主张为真或为假而不同。
H3a：证据强度越高，话语证据越能提升新闻真实性判断。
H3b：当新闻主张与用户既有政治倾向相反时，话语证据更难改善真实性判断。
3. 方法与结果
研究共包括三项在线实验，参与者均来自美国的Amazon Mechanical Turk。实验材料主要来自事实核查数据集，包含真新闻和假新闻主张。参与者先在没有证据的情况下判断一组新闻主张的真假，随后在看到不同形式的话语证据后再次判断。作者用两次判断之间的变化来衡量证据是否提升了真实性判断。
研究一比较了精选证据与非精选证据的效果。精选证据来自事实核查网站，非精选证据则来自对新闻主张的搜索结果摘要。有效样本为289 人。结果显示，精选证据使总体真实性判断提高约6 个百分点，并且主要由真新闻判断的改善驱动；非精选证据在总体上没有显著提升，但它同时产生了两个方向相反的影响：它提高了用户对真新闻的判断准确率，却降低了用户对假新闻的判断准确率。换言之，未经筛选的搜索结果可能让所有主张都更像是真的。
研究二在研究一的基础上加入启动任务。参与者需要为若干词语写反义词，其中一组任务会激活真实、诚实、正确等词汇的反义概念，从而引发对真与假的思考。有效样本为361 人。结果再次表明，精选证据本身能够稳定改善总体真实性判断；非精选证据单独使用时仍不显著，但当参与者被启动出更强的批判性思维后，非精选证据使总体真实性判断提高约4 个百分点。也就是说，批判性心态不能凭空改善判断，但能帮助用户更好地消化噪声较大的证据。
研究三进一步检验证据强度的作用，并设置了明确的无证据控制组。该研究使用18 条新闻主张，将证据组合设计为“两个无关证据”“无关+相关”“两个相关”“有帮助+无关”“有帮助+相关”“两个有帮助”等类型，有效样本为715 人。结果显示，只要证据组合中包含有帮助的证据，真实性判断就显著提高；如果没有任何有帮助的证据，总体真实性判断反而下降。尤其是两个有帮助证据的组合效果最强，说明证据质量是话语证据能否发挥作用的关键。
研究三还发现，证据对真新闻和假新闻的影响并不对称。高强度证据能够同时改善对真新闻和假新闻的判断，即提升双向真实性判断；低强度或无帮助证据则可能提高怀疑程度，使用户更容易否定真实主张，虽然有时也会帮助他们识别虚假主张。由于对真新闻的伤害可能大于对假新闻的帮助，低强度证据在总体上可能得不偿失。
关于既有政治倾向，研究三没有支持人们只相信自己愿意相信的内容这一强假设。无论新闻主张与参与者政治倾向一致还是相反，只要提供有帮助的话语证据，参与者都愿意调整判断。这一点与以往部分研究形成对话：相较于直接贴标签，提供证据可能更不容易激发抵触心理，也更有机会让用户跨越原有立场重新评估信息。
综合三项研究，本文的主要结论可以概括为三点。第一，话语证据可以提升新闻真实性判断，但前提是证据足够相关且有帮助。第二，真假新闻并不是镜像关系，提升对假新闻的警惕不能以牺牲真实新闻的可信度为代价。第三，当证据未经筛选、质量参差不齐时，平台若能通过界面设计、任务提示或其他机制激活用户的批判性思维，可能帮助用户更有效地利用证据。
对平台治理而言，这项研究提示我们，简单的真假标签并不是唯一道路。更可取的做法可能是将事实核查结果、来源解释、背景资料和证据强度以更可理解的方式呈现给用户，让用户在判断过程中看到理由，而不是只看到结论。不过，文章也提醒，低质量证据可能被滥用为操纵工具：如果平台或传播者故意提供看似相关但无帮助的信息，用户可能因此错误怀疑真实内容。因此，话语证据的设计不仅是技术问题，也是平台责任和信息伦理问题。
参考文献：S Baiyere, A., Bauer, J. M., Constantiou, I., & Hardt, D. (2025). Fake News and True News Assessment: The Persuasive Effect of Discursive Evidence in Judging Veracity. MIS Quarterly, 49(3), 823-860. DOI: 10.25300/MISQ/2024/17542
文章链接：https://misq.umn.edu/misq/article-abstract/49/3/823/3198/Fake-News-and-True-News-Assessment-The-Persuasive
作者信息：
Abayomi Baiyere
Position:Associate Professor of Digital Technology at Smith Business School.
Area:Intersection of digital transformation, Digital disruption, and Societal impact of digitalization.
Site:https://smith.queensu.ca/faculty_and_research/faculty_list/abayomi-baiyere.php
Email:a.baiyere@queensu.ca
Jan M. Bauer
Position:Associate Professor in Sustainable Consumption Copenhagen Business School.
Area:Microeconomics, Consumer behavior, Food, Quantitative methods, Sustainability, Well-being.
Site:https://www.cbs.dk/en/research/departments/department-management-society-and-communication/jan-michael-bauer
Email:jmb.msc@cbs.dk
Ioanna Constantiou
Position:Professor in Copenhagen Business School.
Area:Decision-making, Strategy, Big data, Digitalisation, Artificial intelligence.
Site:https://www.cbs.dk/en/research/departments/department-digitalisation/ioanna-constantiou
Email:ic.digi@cbs.dk
Daniel Hardt
Position:Associate Professor in Copenhagen Business School.
Area:IT, Artificial intelligence, Machine learning, Technology Language, Quantitative methods.
Site:https://www.cbs.dk/en/research/departments/department-management-society-and-communication/daniel-hardt
Email:dha.msc@cbs.dk
