假设乌托邦与反乌托邦情境下投票行为的 Behavioral Science(行为科学):一种预测建模(Predictive Modeling)方法

《Frontiers in Psychology》:Behavioral science of voting in hypothetical utopia and dystopia scenarios: a predictive modeling approach

【字体: 大 中 小 】 时间:2026年01月12日 来源:Frontiers in Psychology 2.9

编辑推荐:

  研究人员调查了近未来乌托邦(utopia)和反乌托邦(dystopia)情境如何影响多党制民主国家选民对芬兰主要政治人物的评价。通过在线问卷调查1,109名受访者,研究人员收集了基线状态下及随机分配至某一情境后,受访者对政治人物六项属性(如可信度trustwo

  
研究人员调查了近未来乌托邦(utopia)和反乌托邦(dystopia)情境如何影响多党制民主国家选民对芬兰主要政治人物的评价。通过在线问卷调查1,109名受访者,研究人员收集了基线状态下及随机分配至某一情境后,受访者对政治人物六项属性(如可信度trustworthiness、适任总理suitability as prime minister等)的评价。评价首先针对当下现状做出,其次针对近未来情境做出。选民评价的最强预测因子为候选人所属政党(party)、性别(gender)和熟悉度(familiarity),以及选民自身的自由派或保守派态度(liberal or conservative attitudes)。相反,情境效应较弱,且两种情境均倾向于降低对政治人物的评价。忠实选民(devoted voters)比非忠实选民(non-devoted voters)更不容易改变对其代表候选人的看法。唯一的例外是在反乌托邦情境下,对右翼政治人物的评价显著升高。此外,研究人员发现自由倾向(liberality)与女性意见改变敏感性增高相关。本研究揭示了选民相关因素、政治人物相关因素及情境相关因素在政治判断中的交互作用,并证明了将预测性机器学习(predictive machine learning)与推断统计建模(inferential statistical modeling)相结合分析复杂行为数据的价值。
《Frontiers in Psychology》刊载论文解读:假设乌托邦与反乌托邦情境下投票行为的预测建模研究
一、研究背景与立项依据
既有选举决策文献指出,选民相关因素(意识形态、人格、人口学背景)与政治人物相关因素(能力、可信度、性别、熟悉度、领导风格)是两大核心支柱,但情境因素——尤其是作为解释性语境(interpretive context)的叙事框架(narrative frames)——对政治评价的影响研究不足。传统情境研究多关注物理或感官线索(如投票场所、死亡提醒、气味),较少探讨连贯的未来叙事如何激活对领导力的预期并重构政治判断。乌托邦叙事强调稳定、繁荣与集体能动性,反乌托邦叙事强调威胁、危机与控制丧失,理论上可差异化激活选民对领袖特质的重视程度。芬兰为多党制议会民主国家,具有高制度信任与长期女性参政传统,是检验上述问题的合适场域。因此研究人员设计实验,考察乌托邦与反乌托邦近未来叙事框架是否及如何改变选民对现任主要政党领袖的多维度评价,并探究该情境效应与选民特征、候选人特征的交互作用。
二、主要关键技术方法
研究人员通过芬兰四所高等院校邮件及社交媒体招募1,109名成年芬兰受试者(655名女性),采用自身前后对照设计:先收集人口学、大五人格简化维度(尽责性Conscientiousness代理"disciplined/carefree"、经验开放性Openness to Experience代理"open/conventional")、自评自由—保守倾向(liberality)、风险容忍度(投资者proxy)及基线评价;随后随机分配阅读乌托邦或反乌托邦五年后芬兰情境文本(各约半),再对同一九位当时芬兰议会席位政党领袖(涵盖左—右光谱)就适合任总理、可信度、合作能力、正直、爱国心、决策能力六项7级Likert量表重新评分。排除情景阅读时间<15秒样本后最终N=1,109,按9:1划分为训练集(n=998)与测试集(n=111)。类别变量独热编码(one-hot encoding),衍生变量含选民—候选人同党(match_party)、同性别(match_gender)。分析采用双模型互补策略:(1)CatBoost梯度提升树(Gradient Boosted Tree Regression),用SHAP(Shapley Additive exPlanations)值量化特征贡献与交互;(2)R包brms拟合贝叶斯线性混合效应有序回归(Bayesian Linear Mixed-Effects Ordinal Regression),将受试者(subject)与候选人(candidate)设为随机截距,计算最高密度区间(Highest Density Interval, HDI)及差分法(Difference-in-Differences, DID)。
三、研究结果
3.1 Gradient Boosted Trees(梯度提升树)
CatBoost模型测试集Pearson R=0.59(R2=0.35),六维度中适合任总理最高(R=0.63)。SHAP重要性排序前三位为match_party(平均|SHAP|=0.31 Likert步长)、politician身份、match_gender;情境(scenario)为倒数第三重要(平均|SHAP|≈0.04)。交互效应最强为politician:liberality与gender:match_gender,情境交互极弱(politician:scenario最高仅0.03)。分政治家看,右翼政客JH在反乌托邦中SHAP正向偏移最大,乌托邦排第8升至反乌托邦第1;左翼LA无此现象。整体情境对评分影响多为负向(除适合任总理维度接近零),两情境间无显著差异。
3.2 Bayesian Linear Regression(贝叶斯线性回归)
模型贝叶斯R2=0.86(95% HDI 0.79–0.89)。区分忠实选民(match_party=Both or Next)与非忠实选民(match_party=None)后发现:基线时忠实选民对所有维度评分大幅升高(latent尺度差>1.45,大效应),熟悉度斜率达2.74 vs. 非忠实0.37。非忠实选民在乌托邦与反乌托邦下,除适合任总理外其余五维度评分显著降低(弱—中等效应),反乌托邦降幅略大;忠实选民乌托邦下四维度微升,反乌托邦无变化。情境削弱熟悉度正面效应(斜率向零靠拢),忠实选民削弱更明显。性别差异仅体现于非忠实选民在反乌托邦时男性降分略强于女性(latent ?0.54 vs. ?0.41)。自由倾向(liberality)在非忠实女选民中与评分变化敏感相关。
四、讨论与结论总结
研究表明,政党忠诚(partisan devotion/match_party)与选民—候选人性别匹配(match_gender)是政治人物评价的最强、最稳定预测因子,远强于情境叙事框架,印证动机推理(motivated reasoning)与"溢出"(spillover)现象。乌托邦/反乌托邦情境总体效应偏弱,但具特定模式:非忠实选民普遍降分(可能反映重复评价疲劳choice fatigue),忠实选民较免疫;反乌托邦情境特异性提升右翼候选人评价——支持"危机感知促强势/决断型领袖偏好"假说;情境还减弱了熟悉度的正向权重。结合梯度提升树与贝叶斯混合模型分别捕获非线性主导因子与量化交互不确定性,是方法学上的有益示范。
最终研究结论为:稳定选民特质主导候选人评价,政党归属与性别匹配是最强预测因子,表明核心政治判断对短期框架具韧性;叙事情境具复杂多面效应——总体轻微拉低评价,通过与党派忠诚交互降低非忠实选民评分,但在感知危机(反乌托邦)下提升右翼政治家评价;利用互补计算模型至关重要,预测机器学习与推断统计结合可同时识别选民判断主驱动因子与塑造选民认知的精细交互。本研究为多党制体系统境依赖投票行为提供新见解,对不确定与极化时代理解政治行为具时效意义。未来需用更沉浸式叙事(视频/VR)及跨文化比较拓展。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号