内容模态对在线错误信息感知的影响

研究背景与问题

• 作者发现的问题或挑战：

  1. 社交媒体从文本为主的平台进化到包括图像和视频在内的多模态环境。然而，富媒体（如视频）的丰富性既提高了用户参与度，也显著增加了错误信息的传播及其可信度。
  2. 大多数抵制错误信息的手段基于文本，而无法有效对抗富媒体错误信息的说服力。
  3. 作者探讨了纠正错误信息的效果是否因信息的模态差异而变化，尤其是否需要匹配信息和纠正的模态。

• 为什么这个问题很重要： 错误信息的传播危害公众认知，并导致社会和谐受到威胁。随着社交媒体用户越来越依赖视觉和多感官内容，理解和优化纠正策略以对抗错误信息显得尤为迫切。

• 研究动机与相关工作：

  1. 现有研究表明，视频等富媒体比文本更有说服力，但关于模态如何影响错误信息纠正效果的研究有限。
  2. 研究基于媒体丰富性理论（Media Richness Theory），探讨各类模态（文本、图像、视频）的传播力和说服力。
  3. 作者以社交媒体平台 X（原 Twitter）为案例，分析了纠正模态与错误信息模态之间的匹配关系，这在人机交互（HCI）领域尚属缺乏深入研究的一环。

解决方案

• 作者提出的解决方案： 作者设计并开展了一项基于不同模态的实验，以探索错误信息及其纠正模态之间的关系和效果。研究特别关注纠正模态与错误信息模态匹配时是否更为有效。

• 解决方案的创新之处：

  1. 提出了“模态匹配假说”（correction modality matching hypothesis），即纠正策略与错误信息的模态一致性可能在提高纠正效果方面具有重要意义。
  2. 建立了一个多模态（文本、图像、视频）的3x3实验设计，比以往大多数研究仅考察单一或两种模态更全面。
  3. 系统地考察了用户对纠正信息的可信度变化，结合开放式问题探索影响用户判断的潜在因素。

• 实施步骤及关键技术：

  1. 实验设计：3 (错误信息模态: 文本、图像、视频) x 3 (纠正模态: 文本、图像、视频)的因子实验。
  2. 数据收集：
     • 使用 “Prolific” 进行在线调查，共收集了126名来自美国的参与者数据。
     • 通过问卷测量 “初始可信度” 和 “纠正后可信度”，并计算其 “可信度变化”。
  3. 分析工具：
     • 定量分析采用广义线性混合模型（GLMM）评估纠正模态的效果。
     • 定性分析使用布劳恩与克拉克的主题分析法归纳参与者对可信度判断的潜在影响因素。

研究成果

• 具体成果：

  1. 视频模态的错误信息初始可信度高于文本（显著差异）和图像。
  2. 模态匹配效果显著：
     • 视频类错误信息用视频纠正最为有效。
     • 文本类错误信息用文本纠正效果也优于其他模态。
     • 图像类错误信息的纠正效果在所有模态之间无显著差异。
  3. 熟悉度显著影响纠正效果：对相关错误信息主题更熟悉的受众对纠正的接受度更高。

• 与现有解决方案的比较与优势：

  1. 本研究拓展了仅专注于文本纠正的前人研究，全面涵盖了三种错误信息模态。
  2. 提出了模态匹配的效果验证，填补了对多模态相互交互作用的研究空白。
  3. 考虑了参与者的个人倾向（如开放思维倾向、使用平台频率等），从复杂性上领先于旧研究。

• 实验或评估结果：

  • 结果支持 “模态匹配假说” 的初步准确性。
  • 富媒体（视频）不仅提高错误信息的可信度，其对应的纠正也需使用同等丰富的媒体形式才最具说服力。
  • 定性分析表明，视频被普遍认为更易理解和可靠，而文本更直接且操作简单。

• 局限性与未来方向：

  1. 局限性：
     • 实验限定于 X 平台，未考虑跨平台的行为和偏好差异。
     • 图像模态未细分（如照片 vs. 数据可视化），未来研究可深入探讨不同图像类型对纠正效果的影响。
     • 研究未全面覆盖生成式人工智能（AI）时代的虚假视频是否会减少受众对视频内容的信任。
  2. 未来方向：
     • 跨平台研究，以验证相同模态效用是否普遍适用。
     • 引入更复杂和多元的模态（如音频和互动媒体）。
     • 探讨时间长度、内容细节等其他因素如何与模态互动影响可信度转变。

总结起来，研究为社交媒体平台设计更有效的抗假信息干预措施提供了关键见解，强调了针对不同模态错误信息采取匹配模态的纠正策略。这种匹配方式或可显著提升用户对真相的接受度。