《Frontiers in Psychology》：How corrective messages persuade in AI era: message sidedness, source attribution, and psychological pathways in health misinformation correction
编辑推荐：
在当代人工智能（AI）中介的数字环境中，纠正性健康信息通过不同来源和消息格式呈现，这引发了关于消息设计和来源归因如何塑造信念认可的问题。本研究借鉴说服理论，考察纠正性消息的单双面性（message sidedness）和来源归因（source attribut
在当代人工智能（AI）中介的数字环境中，纠正性健康信息通过不同来源和消息格式呈现，这引发了关于消息设计和来源归因如何塑造信念认可的问题。本研究借鉴说服理论，考察纠正性消息的单双面性（message sidedness）和来源归因（source attribution）对纠正后健康主张认可的影响。方法：开展了一项2×3析因实验，共543名参与者。纠正性消息的单双面性被操作为单面或双面，来源归因则指明纠正信息来自大型语言模型（LLM）聊天机器人、政府卫生机构或未指明来源。纠正内容针对一项关于孕期接种流感疫苗的健康主张。采用析因方差分析检验消息单双面性和来源线索的主效应及交互效应。进行中介分析以考察感知说服力（perceived persuasiveness）和感知来源可信度（perceived source credibility）的作用。结果：消息单双面性和来源线索的主效应均显著。双面纠正消息比单面纠正消息产生更高的信念认可；归因于政府卫生机构的纠正比归因于LLM聊天机器人或未指明来源的纠正产生更高的信念认可。消息单双面性与来源线索的交互效应不显著。中介分析进一步表明，感知说服力中介了消息单双面性对信念认可的影响，而感知来源可信度中介了来源归因的影响。讨论：纠正性健康信息不仅通过其提供的信息内容，还通过与论证评估和可信度推断相关的不同心理过程影响信念认可。这些发现增进了对AI中介环境中健康错误信息纠正的理解，并为在数字健康传播中设计更有效的纠正性消息提供了实践指导。
## AI时代健康错误信息的纠正性说服：消息结构、来源归因与心理路径的实证研究
健康错误信息的纠正并不必然带来信念修正。即使错误主张被明确反驳，个体仍可能保持原有观点或选择性解释证据。随着人工智能（AI）和大型语言模型（LLM）广泛介入健康信息传播，纠正性信息的来源和结构变得更加复杂。传统纠正研究多聚焦于事实反驳和来源专业性，但纠正效果无法仅由内容准确性或来源权威充分解释。消息的单双面性（message sidedness）和来源归因（source attribution）可能激活不同的说服路径。尤其当纠正信息被归因于LLM聊天机器人时，其缺乏传统机构来源的制度问责和意图主体性，可能使基于来源可信度的说服机制面临挑战。因此，有必要在AI中介环境中检验消息结构和来源线索如何共同影响纠正后健康主张的信念认可（belief endorsement），并考察感知说服力和感知来源可信度的中介作用。
研究人员在《Frontiers in Psychology》发表论文，采用2×3析因实验设计，操纵消息单双面性（单面vs反驳式双面）和来源归因（LLM聊天机器人、政府卫生机构、未指明来源）。数据通过中国在线研究平台Credamo收集，共获得543名成年有效参与者。纠正材料针对“孕期不建议接种流感疫苗”的错误信息。结果发现，双面纠正消息比单面消息产生更高的信念认可；归因于政府卫生机构的纠正比归因于LLM聊天机器人或未指明来源产生更高的信念认可；两者交互效应不显著。中介分析支持了“消息结构—感知说服力”与“来源归因—感知来源可信度”两条独立心理路径。该研究增进了对AI中介环境下健康错误信息纠正机制的理解，并为数字健康传播中的纠正性消息设计提供了实证依据。
在研究方法上，研究人员使用的主要关键技术包括：采用2×3析因设计，通过Credamo平台招募并随机分配543名参与者至六个实验条件；操纵消息单双面性为单面或反驳式双面，操纵来源归因为LLM聊天机器人（DeepSeek）、政府卫生机构（中国国家卫生健康委员会）或未指明在线来源；采用7点量表测量信念认可、感知来源可信度和感知说服力；利用析因方差分析检验主效应与交互效应，并采用Hayes PROCESS模型进行中介分析，使用5000次Bootstrap抽样估计间接效应，通过Bonferroni校正控制多重检验错误率。
### 3.1 消息单双面性和来源归因对信念认可的影响
析因方差分析显示，消息单双面性对信念认可的主效应显著，F(1, 537)=8.998，p=0.003，η2=0.016。双面纠正消息产生的认可分数（M=5.65，SD=1.23）显著高于单面纠正消息（M=5.34，SD=1.28），差异为0.314。来源归因的主效应也显著，F(2, 537)=5.636，p=0.004，η2=0.020。事后比较表明，归因于政府卫生机构的纠正显著高于归因于LLM聊天机器人（差异=0.414，p=0.004）和未指明来源（差异=0.312，p=0.042）；LLM聊天机器人与未指明来源之间无显著差异（p=0.706）。消息单双面性与来源归因的交互效应不显著，F(2, 537)=0.764，p=0.466，η2=0.003，说明双面纠正的优势在不同来源条件下保持一致。
### 3.2 心理机制的检验
中介分析结果支持了消息结构路径和来源归因路径。在消息结构路径中，感知说服力显著中介了消息单双面性与信念认可之间的关系，间接效应b=0.278，95%置信区间[0.131, 0.448]，p<0.001。在来源归因路径中，以未指明来源为参照，感知来源可信度显著中介了政府卫生机构归因（间接效应b=0.757，95%置信区间[0.579, 0.937]，p<0.001）和LLM聊天机器人归因（间接效应b=0.208，95%置信区间[0.040, 0.380]，p=0.014）对信念认可的影响。然而，LLM聊天机器人归因的总效应并不显著，表明其虽激活了部分可信度推断，但整体上未形成相对于未指明来源的认可优势。
讨论部分指出，LLM聊天机器人归因是一种算法来源线索，其可信度推断基础不同于政府卫生机构；后者因制度合法性、专业问责和公共责任而更易获得认可。反驳式双面消息通过增强感知说服力促进信念认可，可能有助于减少心理抗拒。由于来源与结构不存在交互效应，消息设计不能替代来源可信度，但可与可靠来源协同作用。实践上，AI系统宜作为可信度桥梁，将纠正信息锚定于官方健康指南，并在纠正错误信息时采用“先承认再反驳”的论证结构。研究存在若干局限：仅涉及单一健康议题，未设置无接触对照条件，且仅测量即时自我报告结果，未来需纳入基线信念、延迟追踪和行为指标。
研究结论可译为：随着AI系统日益成为健康信息的“第一响应者”，理解其接受心理至关重要。研究人员的研究表明，AI的融入并未改写说服的基本法则：可信度仍深深植根于人类问责。然而，这一限制并非死胡同。通过将透明来源与精细的双面论证相结合，可以设计出有效应对人类信任复杂性的AI系统。最终，数字健康传播的未来不在于用算法取代人类专长，而在于将AI的速度与只有人类才能提供的修辞和制度权威结合起来。
