🧒 初中生也能看懂的版本
① 研究背景（为什么要做？）
越来越多的警察机构开始用算法分析犯罪规律、评估嫌疑人风险，可不少警察并不愿意把自己的判断交给算法。
你可能会觉得奇怪：算法算得又快又多，为什么不用？先说说警察这份工作的特点。警察每天要面对大量规则写不死的情况：一桩鸡毛蒜皮的小事要不要抓人，一次轻微的交通违章要不要放一马，好把有限的警力留给更要紧的事。这种「规则没写死、由执法者凭经验拿主意」的空间，就叫裁量权。公众也期待警察像一个有判断力的人那样，结合职业伦理和民众福祉来使用它。
算法的到来改变了这件事。英国警务中用过一种叫 HART 的风险评估工具，它用「随机森林」算法把犯罪嫌疑人分进不同的风险组，直接在屏幕上给出再犯风险、危害分数等指标。可许多警察对这类工具并不买账，常常质疑它准不准、合不合适，更愿意相信自己的专业判断。
类似的现象在别处也有：荷兰的一项大规模实验发现，公务员宁可听最差的人类建议也不愿听算法的；另一项研究发现，荷兰警务人员只有在 AI 的建议和自己想法一致时才信任它。
最常见的解释是：警察看重自己的裁量权，担心算法把决定权转移给写软件的人、定政策的人和技术专家，所以本能地抵触。但这篇论文提出另一种可能：人本来就有一种「维持现状」的偏好——出于方便、习惯、惰性、惯例、恐惧，或者干脆给自己找个理由，宁可什么都不变。这种心理叫做现状偏差。作者想看看，在警察身上，这两种解释哪一种更站得住。
② 研究问题（要回答什么？）
这项研究想弄清楚，警察不愿意把一部分判断交给算法，到底是舍不得自己的裁量权，还是出于人们天生偏爱维持现状的心理。
作者把要解释的对象叫做「算法裁量」：指的是警察在日常工作中借助算法来拿主意时，对这件事的整体看法——既包括算法能不能提高决策质量、减少差错、让判断更一致，也包括它会不会束缚自己的手脚。一个人对算法裁量评价越高，就越愿意把一部分判断交给算法。
围绕这个对象，作者提出了两条线索、六个假设。具体如下：
- H1 · 护裁量：越觉得自己手里有裁量权、越看重它的警察，对算法裁量评价越低。
- H2 · 抵制：越抵制算法带来的变化的警察，对算法裁量评价越低。
- H3 · 转换成本：觉得换用算法代价太大（要培训、要雇分析员、要挤占别的资源）的人，更抵制。
- H4 · 绩效不确定：拿不准算法到底灵不灵的人，更抵制。
- H5 · 损失厌恶：把可能的损失看得比同等收益更重的人，更抵制。
- H6 · 沉没成本：在现有技能和习惯上投入越多、越舍不得的人，更抵制。
后四个假设正好对应现状偏差理论里的三类来源：精打细算的理性权衡（H3、H4）、认知上的误判（H5）和心理上的执念（H6）。如果 H1 很强，说明问题出在「护地盘」；如果 H2 到 H5 更强，说明问题出在「怕改变」。
③ 研究方法（怎么做的？）
作者做的是一次面向英国警察的在线问卷调查，再用统计模型检验上面六条假设之间的关系。
找谁来答？问卷通过 Knowledge Hub 平台发放——这是英国各警队和执法机构分享知识、协同工作的平台，英格兰和威尔士的警察专业机构 College of Policing 帮忙打通了渠道。发放分两步：先征得知情同意、说明自愿和匿名，再把问卷链接发给 547 位愿意参加的警察。问卷在 2021 年 6 月到 9 月间开放了四个月，最终 333 人打开，260 人完整答完（回收率 47.5%），另有 73 人只答了不到十分之一被剔除。参与者没有直接报酬，但每完成一份，研究者就向警察福利机构 Police Care UK 捐 2 英镑。
答题的人懂行吗？问卷第一题先问每个人在工作中用过哪些数据和算法工具：87.7% 用过犯罪规律分析，75.4% 用过车牌识别等传感报警，50.4% 用过预测性警务；用过前两类之一的有 241 人，占 92.7%。样本中男性占 66.6%、女性占 30.8%，平均从警约 19 年，从普通警员到高级警官各个警衔都有，约 57% 读过大学。
怎么问？每个想法都用几道题来测，每题从「非常不同意」到「非常同意」打 1 到 7 分。题目改编自信息系统领域测「抵制新系统」的成熟量表，并先请 40 位警察分两轮试答、按反馈修改。
怎么算？作者用的是偏最小二乘结构方程模型。可以把它想象成同时解一组连在一起的方程：一边算四种顾虑各自在多大程度上推高了「抵制」，另一边算「抵制」和「看重裁量权」各自在多大程度上压低了对算法的好感。为了看结果稳不稳，还把数据反复重抽 5000 次来估计误差。
要注意的地方：所有问题由同一个人一次答完，答案之间可能因为「同一张卷子」而虚高相关。作者采取了分页展示、随机题序、匿名承诺、加入反向题等办法，并做了三种统计检验，其中一项显示单一因子只能解释 33% 的变异，说明这个问题不算严重。但归根到底，这是一张问卷而不是实验：它能告诉我们哪些想法常常一起出现，却不能单凭它断定谁导致了谁。
④ 结果（发现了什么？）
结果显示，决定警察愿不愿意把判断交给算法的，主要不是他们有多看重裁量权，而是他们对改变本身的抵触。
先解释两个指标：路径系数表示一个因素对另一个因素影响的方向和强弱，越接近 0 越没关系；效应量（f²）表示这个因素在解释上占多大分量，论文采用的参照是 0.02 算小、0.15 算中、0.35 算大。
越看重裁量权的警察，对算法裁量的评价确实略低，但系数只有 -0.078，只在最宽松的「p < 0.10」标准下勉强算显著；效应量仅 0.009，小到可以忽略。作者事后测算，这条检验的把握度只有 23%，也就是说这份数据很难可靠地判断这层关系到底有没有。
越抵制算法的警察，越不愿把判断交给算法，系数 -0.545，t 值 11.487，p < 0.01，效应量 0.424，属于「大效应」。模型能解释警察对算法裁量态度差异的约 31%。
损失厌恶最强（系数 0.352，效应量 0.148，接近中等），其次是担心算法不靠谱的绩效不确定（0.264）和转换成本（0.217），三者都在 p < 0.01 水平显著，合起来能解释抵制差异的 46% 以上。
「多年练出来的本事舍不得扔」这一条没有得到支持，系数只有 0.030，远不显著。
此外，年龄、学历、从警年限、所在机构规模都和结果没有显著关系；男女之间、不同警衔之间也没有显著差别。
还有一个有意思的细节：单看两两之间的关系，越看重裁量权的警察，其实也越抵制算法（相关 0.322）；看重裁量权与对算法的好感之间的相关也有 -0.300。可一旦把「抵制」放进模型，看重裁量权本身的作用就只剩 -0.078 了。
需要提醒一句：论文正文里写的几个系数（比如抵制写成 -0.49、损失厌恶写成 0.40）和表格里的数字对不上，但方向和显著性一致。这里统一采用表格数字。
⑤ 讨论（这些发现说明什么？）
这些数字说明，警察对算法的迟疑，并不主要是在「护地盘」。
过去常见的说法是，算法会把决策权从一线警察手里转移到软件开发者、政策制定者或技术专家那里，所以警察会本能地抵触。这项研究发现，这种担心确实存在，但分量很轻。真正起作用的，是警察对算法本身的一些具体判断：这东西到底准不准？比现在的做法强在哪？要花多少钱、多少人力去配套？
作者特别点出「绩效不确定」：它反映了警察对依赖算法的风险顾虑。原因可能是很少见到算法稳定地给出好结果，也可能是在别的领域看到了太多算法出错的后果，或者必须提防不良结局；而警察做的决定往往比其他公职人员更敏感，这种顾虑会被放大。
「损失厌恶」是最强的来源。打个比方：丢了钱的难受，往往比捡到同样多钱的开心更强烈。把决定权部分交给算法，结果如何谁也说不准，于是警察会把可能的损失看得更重，觉得还是凭老经验做决定更踏实。
「沉没成本」不成立同样有意思：多年学来的技能、套路和流程，并不妨碍接纳算法，很多警察可能把这种转变看作职业的自然演进。但「转换成本」成立说明，当有限的资源、专业人才的招聘、组织变动的幅度超出承受范围时，矛盾就来了。
作者还把结论推广到更大的话题：以前的研究发现，一线公务员会抵制绩效管理系统来保护专业判断；这项研究补充说，认知偏差同样在起作用。就像统计工具进入棒球给公共管理的启示：有用的数据摆在那里，并不保证会被用上，还得靠领导、沟通和人的认知信念。
也要看到这项研究的边界。它是一次问卷，只能说明哪些想法常常一起出现，不能证明「因为怕损失，所以才抵制」；也可能是先不喜欢算法，再给自己找了「不靠谱」「怕损失」的理由。样本里普通警员只占 21.2%，警长及以上占近八成，而且都来自同一个平台，未必能代表全英警察。
⑥ 结论（最终结论 + 启示）
这项研究的结论是，想让警察更好地用上算法，关键不在于反复保证他们不会失去裁量权，而在于化解他们对改变的种种顾虑。
作者给管理者的建议很具体：
- 去偏差培训：帮警察认识到，自己凭经验做出的「秒判断」背后也藏着偏见，学会把经验和数据、算法结合起来用。
- 把算法当同事：有研究发现，在一些预测性警务的实践里，警察能看得见地把自己的知识和系统输出放在一起用，算法就像一位「同事」。
- 学会审查算法：培养算法影响评估这类进阶本领，能看懂、查得清、说得明白算法给出的结果。
- 人在回路：让人类在算法运行中承担监督角色，用自己的专业经验发现算法的错误、改进对结果的解读。
作者也坦承了局限：不同任务、不同职业的情况可能不一样——福利、教育、护理、社工人员面对算法时，自主程度和公众期待都与警察不同；直接用问卷测量认知偏差，不如实验设计精准；英国警务强调基层自主，换到美国等情境结论可能会变。未来还可以研究组织激励会不会反而强化偏差，以及「先入为主」的锚定效应在其中起什么作用。
一句话总结：让人放心交出一部分判断，靠的不是「你的权力不会少」的承诺，而是让人看得懂、算得清、敢去试。
🎓 专业 IRMaD 结构解读
I. Introduction（引言）
议题源流：算法与数据密集型技术正被广泛用于福利、医疗、应急管理、执法与教育等公共服务。裁量是公共部门决策的基本面，是街头官僚应对日常不确定性的必要条件（Lipsky 2010）。Bovens 与 Zouridis（2002）将数字技术对决策的冲击概括为由街头官僚向屏幕官僚与系统官僚的迁移；Buffat（2015）提出赋能论与限缩论两个对称命题。围绕技术对裁量的重塑，学界已提出数字裁量（Busch & Henriksen 2018）、自动化裁量（Zouridis et al. 2020）与人工裁量（Young et al. 2019）等概念。
本文概念：算法裁量（algorithmic discretion）被界定为公职人员在其日常惯例、实践与决策中借助算法行使裁量时的感知。出发点在于：算法的内在属性与不透明性（可解释性低、可诠释性差、输出难以审视）使公职人员对自身裁量变化的解读远超「任务自动化」本身。
文献空白：行为公共管理已开始揭示认知偏差如何塑造公职人员对算法的评估——Alon-Barkat 与 Busuioc（2023）的大规模实验发现荷兰公务员宁取最差的人类建议也不取算法建议；Selten 等（2023）发现荷兰警务人员仅在 AI 建议与其专业知识一致时才信任它，呈现确认偏差。但当算法挑战其裁量时，公职人员所表现出的怀疑之来源仍缺乏理解；损失厌恶等偏差在自动化决策中屡被观察却大体未获解释（Battaglio et al. 2019）。
研究问题：现状偏差在多大程度上影响公职人员对算法裁量的感知？
贡献：
- 构建整合官僚裁量（感知裁量）与现状偏差理论的双重解释框架，把算法属性以现状偏差的不同来源纳入模型，超越「正面或负面影响」的二分；
- 以英国警察（
n = 260）问卷检验框架——警务被视为高裁量职业，预测性警务等算法实践已引发大量关于警察裁量的争论，适合作为推及其他公共管理领域的情境； - 把结论落到公职人员职业发展实践，提出将算法裁量嵌入培训以缓解现状偏差来源。
I. Theoretical Framework & Hypotheses（理论框架与假设）
理论一 · 感知裁量：裁量是伞状概念，含三个维度——被授予的裁量（正式授予的自由）、被使用的裁量（实际如何使用）、被感知的裁量（自认拥有的行使能力）（Hupe 2019；Thomann et al. 2018）。作者聚焦第三维度：它是被使用的裁量之前提，也是把被授予的裁量转化为实践的关键。依 Buffat 限缩论，算法提高流程与产出的标准化，把决策转移到软件开发者、政策制定者或 IT 专家，从而限缩警察的感知裁量并滋生怀疑；Adams 等（2021）关于执法记录仪启用行为的发现亦被引为旁证。
理论二 · 现状偏差：Samuelson 与 Zeckhauser（1988）指出，每个决策都有一个充当锚点的现状选项，个体倾向于「出于方便、习惯或惰性、政策或惯例、恐惧、天生保守或简单的合理化」维持现状。信息系统研究以此解释理性行为与实际用户行为之差（Kim & Kankanhalli 2009；Polites & Karahanna 2012），核心是对变革的抵制——聚焦新技术所致偏离现状之变化的认知力量（Bhattacherjee & Hikmet 2007）。偏差来源分三类：理性决策（转换成本、绩效不确定）、认知误判（损失厌恶）、心理承诺（沉没成本）。
| 编号 | 假设 | 对应理论 |
|---|---|---|
| H1 | 感知裁量 → 算法裁量（负） | 官僚裁量 · 感知裁量 + 限缩论 |
| H2 | 抵制 → 算法裁量（负） | 现状偏差 · 对变革的抵制 |
| H3 | 转换成本 → 抵制（正） | 理性决策：雇用文职分析员、培训数据分析、挤占其他资源 |
| H4 | 绩效不确定 → 抵制（正） | 理性决策：算法忽视个案情境、数据偏差致误判、可诠释性模糊 |
| H5 | 损失厌恶 → 抵制（正） | 认知误判：授权算法引入结果不确定与自主威胁 |
| H6 | 沉没成本 → 抵制（正） | 心理承诺：警务高度专业化、长期训练与规范 |
模型结构：感知裁量与抵制并列指向算法裁量；四类现状偏差来源指向抵制。表 4 仅报告这六条假设路径（另加控制变量），未见感知裁量 → 抵制的路径——这一点对解读 H1 的弱效应很关键（见讨论评注）。
M. Materials & Methods（材料与方法）
- 识别策略：横截面在线问卷 + 偏最小二乘结构方程模型（PLS-SEM，SmartPLS 4.0）。属观察性相关设计，无外生变异或随机分配，路径方向由理论设定而非识别得出。作者理由：问卷虽不能观察实际行为，但能基于真实工作经验覆盖更广视角、便于跨情境比较（沿用 Moynihan & Lavertu 2012、Liu et al. 2017）；选 PLS-SEM 因其能处理复杂模型、对分布假设稳健、适合较小样本（Hair et al. 2022）。
- 抽样与回收：总体为英国各警队各警衔警察。经 Knowledge Hub 平台两阶段个人邀请（先知情同意，后向
547名自愿者邮件发送链接），2021 年 6–9 月开放 4 个月；College of Policing 协助数据获取；每完成一份向 Police Care UK 捐 2 英镑。333人打开，N = 260完成（回收率 47.5%），73人作答不足 10% 被剔除。 - 筛选题（表 1）：犯罪规律分析 228（87.7%）、传感报警如 ANPR 196（75.4%）、预测性警务 131（50.4%）、交通事故与交通管理 102（39.2%）、人脸识别与监控 98（37.7%）、骚乱自动识别 60（23.1%）、枪支许可审批 55（21.2%）、其他 29（11.2%）；有前两类经验者 241（92.7%）。作者认为这些应用多对应 Young 等（2019）分类中的中等裁量任务。
- 样本构成（表 2）：男 173（66.6%）、女 80（30.8%）；年龄以 36–45 岁（36.5%）与 46–55 岁（39.2%）为主；本科及以上约 57%；从警年限均值 19.2（SD 9.2，正文作 19.3）。作者称性别构成与最常见服务年限（15–20 年）同内政部 2020 年统计（男 70%、女 30%）相符。组织规模不足 100 人者占 51.9%，超过 1000 人者占 31.5%。
| 警衔 | 人数 | 占比 |
|---|---|---|
| Constable 警员 | 55 | 21.2% |
| Sergeant 警长 | 61 | 23.4% |
| Inspector 督察 | 40 | 15.4% |
| Chief Inspector 总督察 | 35 | 13.5% |
| Superintendent 警司 | 27 | 10.4% |
| Chief Superintendent 总警司 | 24 | 9.2% |
| Chief Officer 高级警官 | 18 | 6.9% |
- 测量：7 点 Likert（1 = 非常不同意，7 = 非常同意），题项见补充材料附录 A。抵制、损失厌恶、沉没成本、转换成本、绩效不确定改编自 Kim & Kankanhalli（2009）、Polites & Karahanna（2012）、Bhattacherjee & Hikmet（2007）；感知裁量改编自 Wortley（2003）；算法裁量依 Young 等（2019）操作化，兼含收益（决策质量、减少差错、一致性）与弊端（束缚专业裁量与决策自由，反向计分）。预测试 40 名警察、两轮迭代。
- 结构模型（据假设示意）：
Resistance = β₃·TC + β₄·PU + β₅·LA + β₆·SC + ζ₁ALGD = β₁·PD + β₂·Resistance + ζ₂
另纳入年龄、教育、组织规模、从警年限为控制变量；警衔与性别以多群组分析处理。显著性经 bootstrap5000次（原文称「5000 iterations and 107 repetitions」）。 - 测量模型（表 3）：保留载荷 > 0.6 的题项（实际 0.609–0.959）；Cronbach α 0.712–0.921；CR 0.811–0.941；AVE 0.552–0.761（均 > 0.5）；Fornell–Larcker 准则满足，HTMT 均 < 0.85。本研究无内容编码环节，不涉及编码者一致性 κ，信度以量表内部一致性报告。
- 共同方法偏差：程序补救六项——两阶段四个月采集、自变量与因变量分页呈现、禁止前后翻页、加入对立措辞题、匿名保密承诺、随机题序；统计检验三项——Harman 单因子仅解释 33% 变异、全共线性检验所有潜变量 VIF < 3.3、验证性因子分析（附录 C）。
- 统计功效：先验——按 Kock & Hadaya（2018）逆平方根法，可在 80% 功效、α = 0.05 下检出 ≥ 0.16 的相关；G*Power 可检出效应量 ≥ 0.06（小 ≥ 0.02、中 ≥ 0.15、大 ≥ 0.35）。事后——Wang & Rhemtulla（2021）蒙特卡洛模拟（1100 次）与 G*Power。
- 稳健性：非线性、内生性、异质性检验（附录 E）；按性别与警衔的多群组分析（附录 D）。
R. Results（结果）
结构模型（表 4，N = 260）
| 假设 · 路径 | 系数（表 4） | 正文报告 b | t | f² | 结论 |
|---|---|---|---|---|---|
| H1 感知裁量 → 算法裁量 | -0.078* | -0.08，p < 0.10 | 1.606 | 0.009 | 仅边缘支持，效应可忽略 |
| H2 抵制 → 算法裁量 | -0.545*** | -0.49，p < 0.01 | 11.487 | 0.424*** | 支持 · 大效应 |
| H3 转换成本 → 抵制 | 0.217*** | 0.13，p < 0.01 | 4.098 | 0.077** | 支持 |
| H4 绩效不确定 → 抵制 | 0.264*** | 0.31，p < 0.01 | 4.490 | 0.086** | 支持 |
| H5 损失厌恶 → 抵制 | 0.352*** | 0.40，p < 0.01 | 5.603 | 0.148*** | 支持 · 最强来源 |
| H6 沉没成本 → 抵制 | 0.030 | 0.04，p = 0.64 | 0.374 | 0.002 | 不支持 |
注：*** p < 0.01，** p < 0.05，* p < 0.1（表 4 原注）。
| 内生变量 | R² | 调整 R² | Q² |
|---|---|---|---|
| 抵制 | 0.467 | 0.459 | 0.442 |
| 算法裁量 | 0.314 | 0.309 | 0.233 |
| 全局拟合 | 估计值 | HI95 | HI99 |
|---|---|---|---|
| SRMR | 0.070 | 0.068 | 0.085 |
| dULS | 1.588 | 1.501 | 2.354 |
| dG | 0.547 | 0.554 | 0.711 |
- 拟合与解释力：作者称 dULS 与 dG 分别低于 HI99 与 HI95，模型在 5% 水平未被拒绝；SRMR 0.070 低于 0.08 阈值。转换成本、绩效不确定、损失厌恶共同解释抵制 46% 以上的变异；算法裁量约 31% 的变异得到解释。按 Hair et al.（2022）标准，作者视之为探索性研究中较高的预测力，Q² 显示中等的样本外预测相关性。
- 效应大小排序：H2（f² 0.424，大）≫ H5（0.148，近中等）> H4（0.086）≈ H3（0.077）≫ H1（0.009）≈ H6（0.002）。作者据此把损失厌恶定为抵制的主导解释因素。
| 事后功效（α = 0.05） | 蒙特卡洛（1100 次） | G*Power |
|---|---|---|
| H1 | 0.23 | 0.24 |
| H2 | 1.00 | 1.00 |
| H3 | 0.90 | 0.82 |
| H4 | 0.99 | 0.95 |
| H5 | 1.00 | 1.00 |
| H6 | 0.09 | 0.06 |
- 功效含义：作者承认，H1 拒绝虚无假设的把握低，H6 的「未拒绝」同样难以作为无效应的证据。
- 双变量相关（表 3 Fornell–Larcker 非对角元）：算法裁量与抵制 -0.540、损失厌恶 -0.432、绩效不确定 -0.421、转换成本 -0.310、感知裁量 -0.300、沉没成本 -0.017；抵制与损失厌恶 0.613、绩效不确定 0.599、转换成本 0.469、感知裁量 0.322、沉没成本 0.099。
- 控制与分组：年龄（-0.097）、教育（0.028）、组织规模（-0.033）、从警年限（0.012）均不显著；多群组分析显示性别间、警衔组间无显著差异；稳健性检验未见非线性、内生性与异质性问题。
- 数据一致性提示：① 正文 H2–H6 的 b 值与表 4 系数不一致，f² 两处基本一致，本文以表 4 为准；② 正文称 R² 为抵制 0.50、算法裁量 0.30，表 4 为 0.467 与 0.314；正文 Q² 写作抵制 0.23、算法裁量 0.44，恰与表 4 对调；③ 表 4 控制变量「t 统计量」列为 0.062、0.512、0.635、0.185，量级不似 t 值——若实为 p 值，则年龄（p = 0.062）已接近 10% 边缘，与「控制变量均不显著」的表述存在张力。
a / D. Discussion & Conclusion（讨论与结论）
- 核心论断：英国警察对算法直接冲击其感知裁量的担忧较为温和；比起担心在转向算法决策时丢掉裁量，他们更持有关于算法属性与后果的具体负面信念。抵制主要由绩效不确定、损失厌恶与转换成本解释——警察对算法的未知命题、相对现有做法的有效性与实施成本持审慎态度。作者据此主张现状偏差诸面向比「感知裁量受损」更能解释算法裁量；警察虽珍视裁量，但会视决策复杂度、实施成本与对算法输出的信心而更积极地接触算法。
- 绩效不确定的来源（作者推测）：接触稳定算法产出的机会有限、在其他情境中过度暴露于算法负面后果、或须规避不利结果；警务决策的敏感性可能放大这些顾虑。
- 沉没成本不成立的解读：习得警务技能、惯例、启发式与流程的时间精力并不排斥纳入算法，许多警察或视之为职业实践的自然演进；但转换成本显著说明，当有限资源的使用、专业人才雇用与组织变革程度超出容忍度时，张力依然存在。
- 对绩效管理文献的延伸：既有研究显示街头官僚会抵制绩效管理系统以捍卫专业判断（Gassner et al. 2022；Knox & Arshed 2024）；本研究表明认知偏差在专业判断之外同样实质影响对系统遵从的抵制。借 Moynihan（2006）的棒球统计类比：有用的绩效信息本身不保证被使用，须与领导、沟通与认知信念结合。
- 实践启示：打消「你仍保有裁量」的顾虑本身并非关键；更重要的是通过去偏差培训与负责任数据实践的理解、信心与能力来接纳算法裁量；训练警察把经验知识与数据、算法融合，以觉察触发快速判断的启发式背后的隐性偏差（Sellier et al. 2019）；借鉴 Meijer 等（2021）所见的「算法同事」；发展算法影响评估等进阶能力（可解释性、准确性、可审计性、对输出的知情解读）；采用人在回路配置，让人类监督承担主动角色，以领域专长形成发现错误、改进解读的正反馈（Vogl et al. 2020；Fest et al. 2023）。
- 作者自陈局限：未区分具体任务性质；直接自评测量认知偏差不及实验设计；Knowledge Hub 地区代表性不均，感知裁量与算法裁量的弱关系可能源于样本局限；英国地方主义与社区传统强调街头警察自主，美国情报主导警务等情境结论或不同；须考察组织激励如何强化既有偏差——2003–2012 年纽约警察局以 CompStat 驱动的拦截搜身把警务成效与拦截量挂钩、限制警员裁量，其后拦截量激增与种族定性投诉显示几乎无抵制，究竟是感知裁量还是算法对既有偏差的强化所致尚不清楚；算法裁量构念需在福利、教育、护理、社工等领域进一步效度检验，并可纳入锚定效应。
- 评注（审读者视角）：
① 因果方向：横截面自评设计下，「顾虑 → 抵制 → 算法裁量」的方向由理论设定；已对算法持负面态度者也可能以「不确定」「怕损失」事后合理化，反向路径无法排除；Harman 33% 只能排除极端的共同方法偏差。
② 构念邻近：抵制与算法裁量（含反向计分的「束缚裁量」题项）概念相邻，尽管 HTMT 通过，H2 的大效应仍可能部分来自测量重叠。
③ 感知裁量或被低估：其与算法裁量的双变量相关为 -0.300、与抵制相关 0.322，但表 4 未报告「感知裁量 → 抵制」路径，入模后直接路径仅 -0.078；「护裁量」是否经由抵制间接起作用未被检验，「现状偏差胜过护裁量」的结论因此偏强。
④ H1 的显著性：表 4 中 t = 1.606，未达常规双尾 10% 临界值，p < 0.10 应基于单尾检验；叠加 23% 的事后功效，H1 更宜读作「未能可靠检出」。
⑤ 样本结构：据表 2 加总，警员仅占 21.2%，警长及以上占 78.8%，其中警司至高级警官达 26.5%——对「街头层级」裁量的推论需谨慎。
⑥ 正文与表格数字多处不一致（见结果部分），不影响方向与显著性判断，但影响效应大小的精确引用。 - 资助与致谢：第一作者获伦敦玛丽女王大学人文社科学院研究奖学金支持；College of Policing 协助数据获取；早期版本在 2023 年 ASPA 年会报告；作者声明无利益冲突。
🧠 IRMaD 思维导图
mindmap
root((警察为何抗拒算法))
I 引言
算法进入警务决策
裁量是警察职业核心
限缩论认为算法夺权
既有研究见确认偏差
抵制来源尚未解释
R 问题
现状偏差影响多大
护裁量还是怕改变
H1 看重裁量更排斥
H2 抵制者更排斥
H3到H6 四种偏差来源
M 方法
英国警察在线问卷
有效样本260人
回收率47.5%
七点量表 预测试40人
PLS-SEM 自助5000次
同源偏差三重检验
R 结果
感知裁量 -0.078 仅边缘
抵制 -0.545 大效应
损失厌恶 0.352 最强
绩效不确定 0.264
转换成本 0.217
沉没成本不显著
抵制解释度46.7%
a 讨论
怕的不是失去裁量
担心算法准不准
练就的本事非包袱
横截面难定因果
高警衔样本占比高
D 结论
去偏差培训
算法同事式协作
人在回路监督
按任务与职业再检验
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。