基于精细加工可能性模型(ELM)和语言查询与词频统计(LIWC)的COVID-19虚假信息说服策略解析

本研究针对虚假信息检测技术忽视心理学理论的现状，通过ELM模型和LIWC分析对比140篇COVID-19真假新闻，发现假新闻更倾向使用情感诉求、重复、名人效应等外周路径线索，而真新闻多采用理性诉求等中心路径策略，为AI检测模型开发提供了理论指导。

　　

在数字时代，虚假信息如同病毒般蔓延，尤其在全球公共卫生危机期间，COVID-19相关谣言对疫苗接种、防疫措施等关键决策产生了深远影响。尽管人工智能(AI)和自然语言处理(NLP)技术已被广泛应用于虚假信息检测，但这些技术往往缺乏心理学理论支撑，难以捕捉信息中隐藏的说服机制。这种技术局限使得虚假信息的"语言武器库"——那些精心设计的情绪触发点和认知捷径——得以绕过传统检测系统，持续影响公众判断。

为破解这一难题，Monica T. Whitty和Christopher Ruddy创新性地将社会心理学经典理论——精细加工可能性模型(Elaboration Likelihood Model, ELM)引入虚假信息研究领域。这项发表在《Computers in Human Behavior Reports》的研究，通过对比分析140篇COVID-19真假新闻（各70篇），首次系统揭示了虚假信息如何利用不同说服路径操纵受众认知。ELM理论认为，信息处理存在两条路径：需要深度思考的中心路径（如逻辑论证）和依赖直觉的外周路径（如情感刺激）。研究者假设虚假信息会更频繁使用外周路径策略，而真实新闻则倾向中心路径。

研究采用理论导向的内容分析和LIWC文本挖掘技术。样本来自CoAID、AFP Fact Check等权威事实核查平台，时间跨度为2020年3月至2023年5月，限定250-2500词长度的英文报道。通过双盲编码和Mann-Whitney U检验等统计方法，系统比较了7类外周路径线索（情感诉求、重复、名人效应等）和2类中心路径线索（理性诉求、统计数据）的分布差异。

内容分析结果显示：真实新闻97%包含理性诉求，显著高于假新闻的40%；76%使用统计数据，也明显多于假新闻的53%。这验证了H1a和H1b假设，表明真实新闻更依赖中心路径说服。假新闻则展现出典型的外周路径特征：87%采用情感诉求（vs真实新闻64%），80%使用重复策略（vs61%），40%引用名人（vs13%），83%存在"音量"特征（如全大写，vs29%），均显著高于真实新闻，支持H2a-H2f中的多数假设。值得注意的是，"个人故事"在两类新闻中出现频率无差异（假新闻16% vs 真实新闻13%），这可能与COVID-19报道的危机性质有关。

LIWC情感分析发现：真实新闻在积极情绪（中位数0.16 vs 0）和积极语调（2.38 vs 1.4）上显著高于假新闻，但两者消极情绪无差异。这与疫情报道的特殊性相关——即使是真实新闻也需要强调危机严重性以促进防护行为。

讨论部分指出三个关键发现：首先，假新闻擅长"混合战术"——当使用理性论据时，93%会同步加入情感元素，这种"糖衣炮弹"策略可能增强说服力。其次，"音量"线索（如全大写）是区分真假新闻的最强指标，这与Janze和Risius(2017)的发现一致。最后，研究颠覆了"假新闻更负面"的直觉判断，显示真假新闻在消极情绪表达上无差异，这对传统检测模型提出了挑战。

这项研究的重要意义在于：为AI检测系统提供了可操作的理论框架——通过识别外周路径特征（如过度使用感叹号、名人引用）可提升模型准确率；指导"预辟谣"(prebunking)干预设计，帮助公众识别说服策略而非仅纠正事实；揭示了健康传播的改进方向——真实信息可借鉴"积极语调"等有效策略。未来研究需扩大主题范围（如政治、气候类虚假信息），并探索不同说服策略组合的实际影响效果。

正如研究者强调的，在对抗"信息疫情"的战场上，理解"语言病毒"的传播机制与了解生物病毒同样重要。这项研究不仅为技术开发者提供了"心理地图"，也为普通公众装备了识别信息操纵的"认知防护服"。