🧒 初中生也能看懂的版本
① 研究背景（为什么要做？）
社交媒体到底让多少人接触到了假消息？这是过去十年里被反复讨论的问题，新闻报道和学术研究都倾向于认为平台在其中扮演了关键角色。
要回答这个问题，研究者需要一种测量办法。最常用的一种是看浏览记录里的来源页：如果一个人先打开了某个社交平台，紧接着跳到了一个假消息网站，就把这次访问算到该平台头上。
这个做法听起来很合理，但它有一个隐含的前提：社交媒体的影响必须立刻兑现，中间不能隔任何一步。
可现实中人们的上网路径往往不是这样。设想一下：你在某个平台上刷到一个耸人听闻的说法，当时并没有点进去；过了一会儿你打开搜索引擎去查这个说法，或者直接在地址栏输入了那个网站的名字，甚至第二天才想起来去看。在这些情况下，平台确实是起点，可按照上面那种算法，这些访问一次都不会被算进去。
这篇论文要说的就是：这种测量方式很可能让我们长期低估了社交媒体的影响。
② 研究问题（要回答什么？）
作者提出的核心问题是：换一种更完整的测量方式，社交媒体在把人们引向假消息网站这件事上的作用，会比现在的估计大多少？
为了把问题说清楚，他们先给现有做法起了个名字，叫直接来源范式——只统计紧跟在社交媒体之后发生的访问。然后提出自己的替代方案，叫嵌入来源范式——考虑社交媒体在一个人整段上网旅程中所起的更全面的作用。
由此派生出三个更细的追问。其一，两种范式算出来的差距有多大？其二，这个差距在不同平台之间是否一致？Facebook、Instagram、Reddit、Snapchat、TikTok、Twitter、YouTube 这七个平台会不会表现得很不一样？其三，差距会不会因假消息网站的政治倾向或用户自身的党派立场而改变？
③ 研究方法（怎么做的？）
这项研究用的是真实的上网行为数据，而不是问卷回忆。样本是 1240 名美国人，追踪期为三个月，累计记录了 2100 万次网页访问。
作者把两种范式都在同一批数据上实现了一遍，这样比较才有意义。直接来源范式按传统做法统计；嵌入来源范式则通过反事实模拟来实现——大致的思路是设想“如果这个人没有使用某个平台，他的上网路径会变成什么样”，再看假消息网站的访问量会少掉多少。
分析还做了多重切分：按七个平台分别估计；按假消息网站的倾向分为自由派、保守派、无明显意识形态三类；按用户自身的党派归属分组；以及按设备分为手机和桌面端。
需要说明的是，本报告只能读到该文的摘要。期刊页面需要订阅，作者也没有公开预印本，因此模拟的具体设定、假消息网站名单的来源、以及浏览数据的采集方式，都无法在此核实。下面的数字均取自摘要本身。
④ 结果（发现了什么？）
核心结果只有一句话，但分量很重：按新口径估计出来的效应，最少也有旧口径的一倍半，最多超过十五倍。
用原文的表述是：在嵌入来源范式下估计出来的效应，是直接来源范式下的 1.5 倍到 15 倍以上。
换句话说，如果一项研究按传统做法统计，说某平台带来了一定量的假消息访问，那么它的真实贡献可能是这个数字的好几倍，某些情况下甚至超过十五倍。
第二个结果是关于稳健性的，同样重要：两种范式之间的差距，在不同平台、不同政治倾向的假消息网站、以及不同党派立场的用户之间，总体上是一致的。这意味着这不是某个平台的特例，也不是某种政治立场特有的现象，而是一个普遍存在的测量偏差。
第三，在某些特定组合下差距还会进一步放大——具体是平台、假消息类型与设备（手机还是电脑）三者的某些搭配，此时两种范式的落差比总体水平更大。
⑤ 讨论（这些发现说明什么？）
这项发现最直接的影响，落在如何解读已有的研究结论上。
过去若干年里，有不少研究得出过类似“社交媒体导致的假消息暴露其实很有限”的结论，并被广泛引用。如果这些研究采用的是直接来源的算法，那么它们报告的数字就是被系统性压低过的。这并不意味着那些研究做错了，而是说它们回答的其实是一个更窄的问题：社交媒体立刻带来了多少访问，而不是社交媒体最终促成了多少访问。
这个区分在传播学上有其理论意义。它提醒我们，平台的影响未必表现为一次立刻的点击，也可能表现为在人心里埋下一个念头、一个关键词、一个网站名字，然后在之后的某个时刻才被兑现。只统计立刻发生的行为，就等于假设人的注意力没有记忆。
对平台治理和政策讨论而言，这一点也有分量。关于平台该承担多少责任的争论，往往建立在具体的量化证据之上；如果这些证据本身来自一个偏窄的测量口径，那么争论的起点就需要重新校准。
⑥ 结论（最终结论 + 启示）
这篇论文的贡献可以概括成一次测量口径的更新。它指出既有研究隐含地采用了一个只承认即时效果的框架，并提出用反事实模拟去捕捉社交媒体在整段上网旅程中的作用。
结论是：按新口径估计，社交媒体在把人引向假消息网站上的作用要大得多，倍数从 1.5 到 15 倍以上不等，而且这个结论在七个平台、三类政治倾向的假消息网站和不同党派立场的用户之间都成立。
对研究者的实际启示是，今后在报告平台的假消息暴露效应时，需要明确说明采用的是哪一种口径，否则不同研究之间的数字将无法相互比较。
本报告基于摘要撰写，未能获取全文。因此模拟设计的稳健性、假消息网站清单的构建方式，以及样本对美国网民的代表性，都留待读者查阅原文核实。该文由三所大学的研究者合作完成，作者声明无利益冲突，补充材料在期刊页面公开。
🎓 专业 IRMaD 结构解读
I. Introduction（引言）
无论是新闻报道还是学术研究，都倾向于把社交媒体平台描绘为使人们暴露于错误信息的关键行为者。然而作者指出，既有的实证研究在测量层面隐含地运行于一个未被言明的框架之下，他们称之为直接来源范式（direct referrer paradigm）：只统计那些紧随社交媒体之后发生的、对错误信息网站的访问。
这一范式等价于假设平台效应必须即时兑现。但在真实的浏览路径中，社交媒体的影响完全可能经由中介步骤实现——先在平台上接触到某个说法或站名，随后通过搜索、直接输入网址或延迟一段时间再访问。这些访问在直接来源口径下完全不被计入。
作者由此提出替代框架——嵌入来源范式（embedded referrer paradigm），它考虑社交媒体在个体整段在线旅程中引导其访问错误信息的更全面作用，并以反事实模拟加以操作化。相关文献此前主要通过其他路径逼近因果问题：实验性限制平台访问（Allcott et al., 2020, 2022, 2024; Aridor, 2023）、利用平台侧宕机或政府封网造成的自然中断（Andersson & Danielsson, 2023; Motta et al., 2023; Rydzak, 2019 等），或直接操纵平台内内容如信息流（Bond et al., 2012; Guess et al., 2023a, 2023b; Nyhan et al., 2023）。本文的取径与之互补：不改变暴露本身，而改变归因的计算口径。
I. Theoretical Framework & Hypotheses（理论框架与假设）
本文的理论工作集中在把一个测量约定显性化并加以问题化。核心对立如下：
| 维度 | 直接来源范式 | 嵌入来源范式 |
|---|---|---|
| 计入条件 | 访问必须直接紧随社交媒体之后 | 社交媒体在整段在线旅程中所起的引导作用 |
| 隐含假设 | 平台效应即时兑现，无中介步骤 | 允许经由搜索、直接输入、延迟访问等路径实现 |
| 操作化 | 浏览日志中的来源页归因 | 反事实模拟（估计个体在未使用某平台情形下的潜在访问轨迹） |
| 回答的问题 | 平台立即带来了多少错误信息访问 | 平台最终促成了多少错误信息访问 |
作者的实质主张是：二者并非同一估计量的两种算法，而是两个不同的估计量；既有文献在报告“社交媒体导致的错误信息暴露有限”这类结论时，实际回答的是前一个更窄的问题。
M. Materials & Methods（材料与方法）
- 数据：美国成年人的实际网页浏览行为（behavioral trace data，非自陈问卷）。样本量
N = 1240，观察窗口 3 个月，累计 2100 万次网站访问。 - 识别策略：在同一批数据上并行实现两种范式，使估计值可直接比较。嵌入来源范式通过反事实模拟操作化，估计社交媒体使用在个体在线旅程中对错误信息网站访问的贡献。
- 平台维度：分别估计七个平台的效应——
Facebook、Instagram、Reddit、Snapchat、TikTok、Twitter、YouTube。 - 错误信息网站分层：按意识形态倾向分为自由派、保守派、无意识形态三类。
- 个体与设备分层：按受访者党派归属分组；另比较移动端与桌面端。
- 无法核实的方法细节：本条目基于期刊摘要撰写（全文位于 Taylor & Francis 付费墙后，Unpaywall 查询显示
is_oa = false，作者亦未公开预印本，OSF 项目osf.io/fegy3仅含复现材料压缩包）。因此以下要素未经核实：反事实模拟的具体设定与识别假设、错误信息网站清单的构建来源与更新时点、浏览数据的采集方式与样本招募流程、加权与代表性处理、以及不确定性的量化方式。
R. Results（结果）
- 主结果：直接来源范式下的分析系统性低估了社交媒体在使人们暴露于错误信息中的作用。嵌入来源范式下的估计效应为直接来源范式的 1.5 倍至 15 倍以上。
- 跨平台稳健性：两种范式估计值之间的差异在七个平台之间总体一致，说明这不是某个特定平台的产物。
- 跨错误信息类型稳健性：差异在自由派、保守派与无意识形态三类错误信息网站之间总体一致。
- 跨个体党派稳健性：差异在不同党派归属的受访者之间总体一致。
- 异质性：在平台 × 错误信息类型 × 设备（移动端 vs 桌面端）的某些组合上，两种范式之间的落差更大。
| 比较项 | 结论 |
|---|---|
| 嵌入 / 直接 效应比 | 1.5× 至 15×+ |
| 跨七个平台 | 差异方向与量级总体一致 |
| 跨三类意识形态倾向 | 总体一致 |
| 跨受访者党派 | 总体一致 |
| 特定平台 × 类型 × 设备组合 | 落差进一步放大 |
注：摘要未给出各平台的分项点估计、置信区间或显著性检验结果，本条目因此不报告具体分平台数值。
a / D. Discussion & Conclusion（讨论与结论）
- 对既有文献的再解读：若干被广泛引用的结论主张社交媒体导致的错误信息暴露规模有限。本文的含义并非这些研究存在执行错误，而是它们所报告的估计量对应的是更窄的问题——平台的即时导流，而非平台在整段浏览旅程中的最终促成作用。以直接来源口径得出的数值因而不应被当作平台总体作用的上界。
- 理论含义：平台影响未必以一次即时点击的形式兑现，也可能以被记住的说法、关键词或站名的形式潜伏，在后续经由搜索或直接访问兑现。仅统计即时行为，等价于假设注意力不具有记忆与延迟。
- 方法学含义：今后报告平台错误信息暴露效应的研究，需要明确声明所采用的归因口径，否则跨研究的数值不可比较。稳健性结果（跨平台、跨意识形态、跨党派一致）表明这是一个系统性的测量偏差，而非个别情境下的伪影。
- 治理与政策含义：关于平台责任的公共辩论通常建立在具体的量化证据之上；若这些证据源自偏窄的口径，则辩论的事实起点需要重新校准。设备维度的异质性（移动端与桌面端）另提示了针对性治理的可能切入点。
- 本条目的局限：全文不可获取，本报告仅依据期刊摘要、注释与作者信息撰写。反事实模拟的识别假设与稳健性检验、错误信息站点清单的构建、样本代表性与不确定性量化均未经核实，读者应查阅原文。
- 出版信息：作者分属威斯康星大学麦迪逊分校新闻与大众传播学院、德克萨斯大学奥斯汀分校信息学院与斯坦福大学传播系；作者声明无潜在利益冲突；补充材料随文在期刊页面提供。
🧠 IRMaD 思维导图
mindmap
root((社交媒体与假消息访问))
I 引言
平台常被视为暴露的关键角色
既有测量只认紧随其后的访问
这等于假设影响必须立刻兑现
现实中路径常经过搜索或延迟
R 问题
换个口径作用会大多少
七个平台表现是否一致
政治倾向会不会改变结论
设备差异有无影响
M 方法
1240名美国人的真实浏览记录
三个月2100万次网页访问
同一批数据实现两种范式
嵌入口径用反事实模拟
按平台意识形态党派分层
另比较移动端与桌面端
全文付费墙仅据摘要撰写
R 结果
新口径效应是旧口径1.5到15倍
七个平台之间总体一致
三类倾向之间总体一致
不同党派用户之间总体一致
某些平台类型设备组合落差更大
a 讨论
过往有限论其实答的是窄问题
注意力可以延迟兑现
今后必须声明归因口径
平台责任辩论需重新校准起点
D 结论
这是系统性测量偏差
不是某个平台的特例
分平台点估计未在摘要给出
结论细节留待查阅原文
图：本研究的 IRMaD 思维导图。蓝色 I 引言；橙色 R 研究问题；绿色 M 方法； 橙色 R 结果；紫色 a 讨论；红色 D 结论。