🧒 初中生也能看懂的版本
① 研究背景（为什么要做？）
如今不少社交平台会请普通用户一起给可疑帖子“加注释”，说明它哪里可能误导人，这种做法叫社区事实核查。最有名的例子是 X（原推特）的 Community Notes（社区注释）：任何用户都可以给帖子写补充说明，但只有当过去观点不同的一批评分者都认为这条注释有帮助时，它才会真正显示在帖子下方。之后 Meta 在 Facebook、Instagram 和 Threads 上推出了类似系统，YouTube 和 TikTok 也在测试。
你可以把它想成班级里的“同学互评纠错”：有人在公告栏上写了一个不准确的说法，几位平时意见不合的同学都点头之后，旁边就会贴上一张小纸条，说明哪里不对。已有不少研究证明，被贴了纸条的那条帖子转发量明显下降，作者也更可能把它删掉。
可问题在于，纸条管住的是“这一条”帖子，那写帖子的人呢？他会因此变得更小心、少发一点、发得更靠谱，还是心里不服，反而发得更多？这件事很要紧，因为网上的误导信息往往集中在一小撮账号手里。如果纠正能让这些人收敛，一点点改变就能少掉很多误导内容；如果他们反而更起劲，那么只看单条帖子的“好成绩”，就可能高估了这套系统的真实作用。
② 研究问题（要回答什么？）
这篇研究想弄清楚，一个人的帖子被公开加上更正注释之后，他自己之后发帖的多少和内容会不会跟着改变。也就是说，研究的镜头从“那条被纠正的帖子”转向了“写帖子的那个人”。具体如下：
- 问题一：发得多了还是少了？注释出现后的四周里，作者发原创帖的数量怎么变。
- 问题二：发的东西变好了还是变差了？骂人攻击的程度（毒性）、误导程度、引用网站的靠谱程度、政治话题的比例、情绪和语气的笃定程度，有没有变化。
- 问题三：只被纠一次的人和屡次被纠的人，反应一样吗？两类人在被纠正之前又有什么不同。
- 问题四：同一个人第一次被纠正和后来几次被纠正，反应一样吗？
作者心里有两种截然相反的猜想。一种是“吃一堑，长一智”：注释附带了证据，又是当众显示的，面子上的压力会让人收敛。另一种是“越说越不服”：被公开纠正会让人觉得自己的立场和身份受到攻击，于是更加防御、更想站队，反而发得更多。
③ 研究方法（怎么做的？）
研究者用的是一种叫“双重差分”的比较方法，可以理解为“同时看两组人的前后变化，再把两个变化相减”。
第一步，找两组帖子。一组是真的被显示了社区注释的误导帖，共 29,049 条，来自 10,799 个账号，这是“被纠正组”；另一组来自同一团队前作的数据集，是和被注释帖一一配对的相似帖子，共 28,886 条，来自 12,823 个账号，它们没有显示注释，是“对照组”。对照帖也被安排了一个“假想的注释时间”，就用和它配对的那条帖子的真实注释时间。数据覆盖社区注释上线后的二十多个月。
第二步，数作者前后各四周发了多少帖。研究者通过 X 的官方接口，数出每位作者在注释出现前后各 28 天里每天发了几条原创帖（不算回复和转发），一共拿到约一千一百九十万条原创帖。
第三步，相减。如果被纠正组的作者注释后比注释前多发了，而对照组作者同一时段没有多发，那么“多出来的那一截”才算是注释带来的变化。这就像比较两个班：一个班换了新老师，另一个班没换，只看两个班成绩变化的差，才能排除“期末大家都更努力”这种共同原因。研究者还专门检查了注释出现之前两组的走势是否一致，一致才说明这个比较是公平的。
第四步，给内容打分。用现成的机器分类器给每条帖子打毒性、正负情绪、政治话题的分；用一个覆盖 11,520 个新闻网站的信誉数据库给帖子里的链接打分；还让大模型按一套经过验证的方法给帖子的误导程度打 0 到 1 分，它的判断准确度接近专业事实核查员。
④ 结果（发现了什么？）
整体来看，帖子被加注释之后，作者们反而比对照组多发了约百分之三的帖子，但这个平均数背后藏着两条方向相反的路。先看整体：注释出现后第一周多发 1.7%，第四周多发 3.9%，四周合计多发 2.9%（p < 0.001，意思是几乎不可能是运气）。而在注释出现之前的几周里，两组的发帖走势几乎一模一样，说明这不是本来就存在的差别。
在研究期间只被注释过一次的账号占被纠正账号的 71.4%。他们被注释后发帖量减少 2.4%（p = 0.007），之后发的帖子毒性更低、误导程度更低，高毒性帖子和引用低质量网站的帖子也都变少了。
他们只占被纠正账号的 28.6%，却贡献了 73.4% 的被注释帖。第一次被纠正后，他们的发帖量就增加 4.4%；而且后来被注释次数越多的账号，第一次之后涨得越多，至少被注释五次的账号涨了 9.5%。
对屡次被纠的账号来说，从第二次注释开始，发帖量只变化约 1%，在统计上跟零没有区别。
他们帖子的平均毒性和误导程度都没有下降；引用的网站质量反而更低，政治内容的比例更高，高度误导的帖子数量还多了 1.9%。
研究者还发现，屡次被纠的账号在被纠正之前就和别人不一样：粉丝更多、更可能是认证账号、政治立场更偏右、平时接触的误导信息更多，发帖也更频繁、政治内容更多。在这群人内部，第一次被纠后涨得最猛的，反而是平时发帖不多的账号，涨了 12.3%；以前发帖更毒、更误导、更政治化的账号也涨得更明显。
⑤ 讨论（这些发现说明什么？）
这说明，同样一张“小纸条”，贴在不同人身上效果完全不同。对只被纠一次的人来说，公开注释像一次“当众提醒”：纸条里附着证据，告诉他哪里说得不对；又因为是公开显示的，他的粉丝都看得见，面子上挂不住。于是他少发一点、发得更干净。这符合“吃一堑，长一智”或者“怕丢脸所以收敛”的解释。
而那些屡次被纠的人，更像是“越说越不服”。被当众纠正，可能让他们觉得自己的立场和身份受到了攻击，注意力就从“我说得对不对”转到了“我站在哪一边”。作者特别提醒：这只是和数据吻合的一种解释，研究并没有直接测到这些人心里在想什么。
还有一个关键细节：屡次被纠的账号在第一次被纠正时就已经走上了另一条路，之后的注释几乎起不到额外作用。所以第一次纠正可能是最要紧的时机。另外，在屡次被纠的人里，政治立场偏右的账号第一次被纠后发帖增加得更明显；而社区注释本来就更多落在右倾账号身上，这可能让后续注释更加集中到他们那边。不过作者强调，这不能理解成“政治立场导致不服”，只能说明在这个平台、这批样本里，增量集中在哪里。
研究也有局限：它不是真正的随机实验，不能完全排除随时间变化的其他因素；“被纠几次”是事后才知道的分组，第一次被纠后多发帖，本身也可能让人更容易再被纠；结论也只来自 X 这一个平台。
⑥ 结论（最终结论 + 启示）
这项研究的最终结论是，社区注释能管住一条条误导帖，却管不住最常发误导帖的那一小群人。只被纠一次的人会收敛，屡次被纠的人第一次被纠后反而更活跃，后面的注释也几乎不起作用，还多发了高度误导的帖子。
给平台设计者的启示是：“纠正内容”和“改变作者”是两个不同的目标，要分开来评估。判断一套事实核查系统好不好，不能只看被注释的帖子少转发了多少，还要看背后的作者后来发了什么。作者建议，平台可以在第一次公开纠正时，额外给作者本人一些帮助，比如提醒他注意信息是否准确，或者给他一个回应注释的机会；对总被注释的账号，一遍遍重复同一种纠正方式可能不够。同时，任何针对特定账号的区别对待，都需要透明的申诉渠道，还要防止错误的或有组织的恶意纠正。重点不是简单地惩罚这些账号，而是真正促成行为上的改变。
🎓 专业 IRMaD 结构解读
I. Introduction（引言）
议题源流。社区事实核查（community-based fact-checking）正成为各平台治理误导内容的主力工具：它绕开专业核查员在覆盖面与速度上的瓶颈，由用户协作识别可能误导的帖子、补充语境并互评注释质量。最具代表性的实现是 X 的 Community Notes——注释只有在过往观点相异的贡献者普遍认为有帮助时才会公开显示。Meta 已在 Facebook、Instagram 与 Threads 引入同类系统，YouTube 与 TikTok 亦在测试基于注释的机制，其作为平台治理干预的有效性因而日益重要。
既往证据与空白。帖子层面的证据已相当充分：准实验研究显示注释显示会显著降低被注帖的转发与互动、改变其在社交网络中的扩散，并提高作者删帖概率；实验研究显示语境注释可提升对核查的信任、改善误导内容识别并抑制转发。另有研究考察核查对受众信念准确度、媒体信任与泛化怀疑的下游影响，但被纠正作者随后的内容生产行为几乎空白——删掉被注帖并不意味着之后少发或发得更可靠。这一空白之所以关键，在于误导信息的传播高度集中于少数账号：若纠正使其收敛，微小改进即可削减大量误导内容；若其照发甚至多发而内容不改善，帖子层面的强效应就会高估干预的总体成效。其他内容审核干预的证据也不一致：删帖说明与删除违规内容可减少后续违规，临时封禁却在提高发帖量的同时降低内容质量。
本研究贡献。作者团队（通讯作者 Mohsen Mosleh，牛津互联网研究所）以更正事件为分析单位，追踪 19,854 个账号、57,935 个事件（被注帖与匹配对照帖）在注释显示前后各四周的 11,909,591 条原创帖，用负二项与线性固定效应 DiD 同时估计发帖数量与内容的变化，并区分被纠一次与屡被纠正账号、首次与后续更正。核心发现是整体 +2.9% 的发帖增量掩盖了两条分化轨迹，据此提出“纠正内容”与“改变生产者”是平台治理中需分开评估的两个目标。
I. Theoretical Framework & Hypotheses（理论框架与假设）
论文未设正式假设，而是就作者层下游效应提出竞争性预期，并以四个研究问题组织实证。
| 编号 | 预期 / 研究问题 | 对应理论与既往证据 |
|---|---|---|
| E1 | 纠错学习与威慑：被纠作者减少后续发帖或提升内容质量；重复反馈可能进一步强化学习 | 纠错学习（注释直接说明为何误导并链接证据）+ 声誉威慑（注释公开显示，被注帖成为众目所见的争议对象，并招致批评与道德愤慨式回复）；专业核查的显著性可抑制州议员的不实陈述（AJPS 2015 田野实验）；公开注释提高并加快作者自愿撤帖 |
| E2 | 抵触与反向回应：作者贬低或质疑注释的正当性，视之为声誉或身份威胁，注意力由准确性转向社会与党派考量，发帖不减反增、质量不升反降 | 防御性反应、身份威胁；X 平台田野实验发现，直接纠正分享虚假政治新闻的用户后，其转发质量下降、党派倾向与毒性上升，但原创帖未受影响（CHI 2021）；临时封禁提高发帖量但降低质量（MISQ 2026） |
| E3 | 屡被纠正者的特殊性与边际递减：屡被纠正账号可能本就是高活跃、政治投入或意识形态坚定、对纠正反馈不敏感的群体；更正累积后注释显著性下降、被视为例行公事、边际声誉成本递减 | 误导信息分享高度集中于少数“超级分享者”（Science 2019、2024；Science Advances 2019）；习惯化 |
| RQ1 | 注释显示后，被纠作者的原创帖数量如何变化 | 发帖量 DiD（负二项） |
| RQ2 | 后续内容的毒性、误导程度、信源质量、政治比例、情绪与自信度如何变化 | 内容 DiD（线性固定效应） |
| RQ3 | 被纠一次与屡被纠正账号的反应是否不同，两类账号事前有何差异 | 按纠正频次分层 + 组间画像回归 |
| RQ4 | 屡被纠正账号对首次与后续更正的反应是否不同 | 首次 / 第 k 次及以后更正分别估计 |
M. Materials & Methods（材料与方法）
- 识别策略：基于观察数据的准实验双重差分（DiD），以“注释显示”为处理，比较被注帖作者与匹配对照帖作者在显示时点前后的发帖变化；同时估计 leads-and-lags（逐期动态，并检验平行趋势）与汇总的 pre-post 设定。
- 处理组与匹配对照的构造：数据集沿用作者团队前作（文献[8]，Nature Communications 17: 4070，2026），包含 Community Notes 上线后逾 20 个月内全部显示了社区注释的误导帖（处理组）及与之配对的对照帖（对照组）。对照帖本身没有显示注释，其“显示时间”取配对处理帖的实际显示时间作为参照点。处理与对照在帖子层面界定，同一账号可因部分帖子被注、部分未被注而同时出现在两组（共 3,768 个账号）；为避免同一段账号活动被同时计入处理与对照事件，剔除处理与对照观察窗重叠的部分。匹配所用协变量与算法本文未复述。
- 样本规模：处理组 29,049 帖 / 10,799 个账号，对照组 28,886 帖 / 12,823 个账号，合计 57,935 个事件 / 19,854 个账号；处理组人均被注 2.700 次（SD 10.485）。被注帖中仅 3.8% 为回复，故主分析聚焦原创帖（不含回复与转发）。
- 结果变量采集：经 X API 全档案计数端点取每个事件显示时点前后各 28 天的原创帖日计数，得 3,244,360 个日观测、463,480 个周观测；同一窗口抓取原创帖全文 11,909,591 条用于内容分析。
- 间隔约束：为确保本事件的前测期内同一账号没有前一条注释正在显示，日分析要求相邻两次更正间隔超过 4 天、周分析超过 4 周，故两套分析样本量不同。估计量为每个更正事件的平均效应，而非对每个账号等权的效应。
- 内容特征测量：正/负情绪用社交媒体文本的 RoBERTa 分类器；毒性用 Detoxify（AUC 92.11）；URL 质量将引用域名匹配到覆盖 11,520 个新闻域名的质量评分库；误导程度按一套经验证的大规模评估框架由 GPT-5.4 mini 给出 0–1 连续分（与专家核查员相当：accuracy 0.801、F1 0.857），受算力所限只对显示前后 Day −4 至 Day 4 的帖子打分，共 3,761,675 条；观点自信度用经验证的确定性词典；政治内容用微调的 TwHIN-BERT-large 主题分类器（F1 0.816）。账号政治倾向与误导信息暴露度由其关注的政治精英的意识形态位置及虚假度得分推算。
- 发帖量模型（负二项混合效应）：
leads-and-lags：log E(Yᵢ,ₜ | xᵢ,ₜ) = β₀ + β₁Dᵢ + b₁ᵀBeforeₜ + b₂ᵀAfterₜ + b₃ᵀ(Dᵢ × Beforeₜ) + b₄ᵀ(Dᵢ × Afterₜ) + αᵢ
pre-post：log E(Yᵢ,ₜ | xᵢ,ₜ) = β₀ + β₁Dᵢ + β₂Afterₜ + β₃(Dᵢ × Afterₜ) + αᵢ + γₜ
Dᵢ = 1 表示被注帖事件；日分析 Before 覆盖 Day −4 至 −2、After 覆盖 Day 1–4，以 Day −1 为参照，周分析同理以 Week −1 为参照。b₃ 为前导项（检验平行趋势），b₄ 为逐期滞后效应，β₃ 为汇总处理效应；αᵢ 为帖子层随机效应（固定效应会丢掉全期零计数的帖子，故主分析沿用前作的混合效应设定，固定效应版作稳健性检验），γₜ 为日或周固定效应。系数换算为比例变化：effect = eβ − 1。 - 内容模型（线性固定效应）：同样的两种设定改用 OLS，αᵢ 为帖子层固定效应：
Yᵢ,ₜ = β₀ + β₁Dᵢ + β₂Afterₜ + β₃(Dᵢ × Afterₜ) + αᵢ + γₜ + εᵢ,ₜ，β₃ 为事后期的汇总 ATT。另以各内容特征的中位数划出高误导、高毒性、低 URL 质量帖子，对其数量再做计数 DiD。 - 异质性划分依据：按研究期内账号被显示注释的总次数分为 =1 与累积阈值 ≥2、≥3、≥4、≥5；为检验分化是否在首次更正时已出现，只取每个账号的首次更正事件，再按其最终被注次数分层；对屡被纠正账号，另比较首次与第 2/3/4/5 次及以后的更正。组内异质性以各连续特征的中位数切成高、低两组（认证状态按类别）。
- 组间画像：
Yᵢ,ⱼ = β₀ + β₁Repeatedᵢ + εᵢ，逐一以账号特征或事前发帖偏好为因变量；因两组方差可能不同，采用 OLS + HC3 异方差稳健标准误。
R. Results（结果）
- 平行趋势检验：以 Day −1 / Week −1 为参照，日分析 Day −4 至 −2、周分析 Week −4 至 −2 的前导项均不显著（全部 p > 0.1）；附录 S5 中全部内容结果的前导项亦与零无差异。
- 整体发帖效应（RQ1）：逐日 Day 1–4 分别为 +2.3%（z=2.713，p=0.007）、+2.5%（z=2.871，p=0.004）、+2.2%（z=2.487，p=0.013）、+2.4%（z=2.740，p=0.006），四日汇总 +2.3%（z=5.337，p<0.001，95% CI [0.015, 0.032]）；逐周 Week 1–4 分别为 +1.7%（z=2.227，p=0.026）、+3.6%（z=4.630）、+3.6%（z=4.695）、+3.9%（z=5.006，后三者 p<0.001），四周汇总 +2.9%（z=7.351，p<0.001，95% CI [0.021, 0.036]）。效应在注释显示后立即出现并持续四周。
- 纠正集中度：处理组 10,799 个账号中 7,713 个（71.4%）仅被注一次；3,086 个（28.6%）≥2 次、1,752 个（16.2%）≥3 次、1,199 个（11.1%）≥4 次、934 个（8.6%）≥5 次。≥2 次账号贡献 21,336 条被注帖（73.4%），相邻两次注释平均间隔 30.35 天。
表 1 · 按纠正频次分层的发帖效应（RQ3/RQ4，effect = eβ − 1；首列括号内为图 2b 事件数）
| 观测到的被注次数 | 全部更正事件 | 仅首次更正 | 第 k 次及以后 |
|---|---|---|---|
| =1（9,796） | −2.4%（z=−2.700，p=0.007） | −2.4% | — |
| ≥2（11,675） | +2.3%（z=4.062，p<0.001） | +4.4%（z=6.056，p<0.001） | 第 2 次起 +1.0%（p=0.085） |
| ≥3（8,378） | +2.6%（z=4.091，p<0.001） | +6.9%（z=7.727，p<0.001） | 第 3 次起 +0.9%（p=0.165） |
| ≥4（6,511） | +3.0%（z=4.201，p<0.001） | +8.1%（z=7.757，p<0.001） | 第 4 次起 +1.0%（p=0.172） |
| ≥5（5,463） | +3.4%（z=4.437，p<0.001） | +9.5%（z=8.177，p<0.001） | 第 5 次起 +1.0%（p=0.261） |
表 2 · 内容变化 DiD（RQ2）
| 结果变量 | 被纠一次 | 屡被纠正（≥2） | 结论 |
|---|---|---|---|
| 毒性（均值） | −0.034，t(47330)=−2.263，p=0.024 | 无可检出下降 | 仅一次组改善 |
| 误导程度（均值） | −0.064，t(39364)=−3.753，p<0.001 | 无可检出下降 | 仅一次组改善 |
| URL 质量（均值） | 正文未报告显著变化 | −0.047，t(19911)=−3.034，p=0.002 | 屡纠组信源变差 |
| 政治内容比例 | 正文未报告系数（引言称下降） | +0.014，t(51176)=2.053，p=0.040 | 屡纠组更政治化 |
| 正/负情绪、观点自信度 | 不显著 | 不显著 | — |
| 高毒性帖数量 | −3.1%，z=−2.946，p=0.003 | 无相应下降 | 一次组减少 |
| 低 URL 质量帖数量 | −7.7%，z=−3.313，p<0.001 | 无相应下降 | 一次组减少 |
| 高误导帖数量 | 正文未报告显著变化 | +1.9%，z=2.599，p=0.009 | 屡纠组增多 |
- 组间画像（式 6，事前测量，屡被纠正 vs 被纠一次）：粉丝数 0.835（z=44.540，n=10,799）、认证 0.290（z=31.363）、右倾 0.181（z=6.491，n=5,912）、误导信息暴露 0.131（z=4.653）、发帖频率 0.293（z=11.694）、误导程度 0.214（z=8.340，n=7,256）、政治内容 0.271（z=9.879，n=7,572）、观点自信 0.098（z=4.047）均显著更高（p<0.001），负面情绪亦更高（0.071，p=0.006）；正面情绪（−0.193）与毒性（−0.139）更低（均 p<0.001）；关注数（p=0.195）、账号年龄（p=0.583）、URL 质量（p=0.261）无显著差异。
表 3 · 屡被纠正组内首次更正的异质效应（中位数切分）
| 事前特征 | 高组 | 低组 |
|---|---|---|
| 发帖频率 | +1.2%（p=0.128） | +12.3%（z=6.716，p<0.001） |
| 毒性 | +5.4%（z=5.918，p<0.001） | +2.2%（p=0.069） |
| 误导程度 | +5.8%（z=6.700，p<0.001） | +0.8%（p=0.532） |
| 政治内容 | +5.8%（z=6.832，p<0.001） | +0.8%（p=0.561） |
| URL 质量 | +5.1%（z=6.159，p<0.001） | +1.0%（p=0.489） |
| 政治倾向 | 右倾：p<0.001 | 左倾：p=0.048 |
- 粉丝、关注、认证、账号年龄、误导信息暴露定义的各子组均为显著正效应，账号画像本身不能区分反应；正/负情绪与自信度的高低组亦均为正，区分力弱。URL 质量与误导程度的分组模式不同，说明二者测的是不同维度（引用高质量信源仍可能提出误导性论断）。
- 稳健性检验：① 四周逐日 leads-and-lags（1,817,424 个日观测、32,454 个事件、56 天）汇总 +2.7%（z=11.321，p<0.001），与周度估计一致；② 相邻更正间隔收紧至超过 8 周（完整事件窗互不重叠）：+2.7%（z=6.677，p<0.001；244,912 个观测、30,614 个事件）；③ 帖子层固定效应：四日汇总 +2.2%（z=5.302）、四周汇总 +2.6%（z=6.978），与主估计无显著差异，但 Week 1 不显著（+1.1%，p=0.111）；④ HonestDiD（条件最不利混合法 C-LF）：允许事后偏离达事前最大偏离的 M̄=1 倍（日度）与 1.5 倍（周度）时正效应仍成立；⑤ 非二元、随时间递增剂量的 DiD 估计量（文献[13]，因变量取 log(1+帖数)）：二元与非二元设定结果一致，周度 Week 2–4 显著为正（0.027、0.027、0.034），日度仅 Day 1 显著（0.015，p=0.039），作者归因于日计数零值过多；⑥ 回复数：汇总 0.01（z=1.799，p=0.072），HonestDiD 下亦不显著，效应限于原创帖。
a / D. Discussion & Conclusion（讨论与结论）
- 事件层估计的解读：每次显示的注释都是一个处理事件，屡被纠正账号贡献多个事件，故 +2.9% 是每个更正事件的平均变化，而非对唯一账号的平均效应。由于屡被纠正账号仅占 28.6% 却贡献 73.4% 的被注帖，总体估计被这群账号不成比例地塑造——与“少数账号承担大部分误导信息流通”的文献一致。
- 首次与后续更正：屡被纠正账号在首次更正后即增 4.4%，后续更正则无可检出的边际效应，说明正向反应并非更正累积所致。作者认为这既可能源于既有差异，也可能是对首次被公开纠正的异质反应。
- 组间 ≠ 组内：与“成为屡被纠正者”相关的特征（组间差异）未必是“对纠正反应更强”的特征（组内差异）。例如屡被纠正账号整体发帖更频繁，但组内涨幅最大的恰是低基线频率账号（+12.3%），二者并不矛盾。右倾账号的增量比左倾更显著（p<0.001 对 p=0.048）；鉴于美国社区核查本就更多落在共和党人一侧，这种不对称可能加剧后续更正向右倾账号集中。作者明确提醒，这不能解读为政治倾向导致抵触，只说明增量在本样本与平台情境中集中于何处。
- 两条路径的理论意义：一次组的轨迹符合纠错学习或声誉威慑（E1）；屡纠组的轨迹与行为性反向回应（E2）一致——公开纠正可能引发防御、威胁身份或声誉、使注意力由准确性转向社会与党派考量——但研究并未确立心理机制。它把 CHI 2021 田野实验关于纠正“反效果”的证据从转发扩展到有机部署的社区纠错系统中的原创帖，并表明此类反应集中于特定子集。
- 实践启示：① 作者层结果应与帖子层的扩散、互动指标并列评估——系统可以很有效地限制被注帖流通，却对误导内容的后续生产作用弱得多；② 首次更正是关键干预点，平台可测试在首次公开纠正时叠加面向作者的干预（如准确性提示、回应注释的机会）；③ 对高频被注账号重复同一形式的纠正可能不够，但任何差异化干预都需透明的申诉机制，并防范错误或协同操纵的纠正；目标不是简单惩罚这些账号，而是把“纠正内容”与“支持行为改变”作为两个治理目标分别评估。
- 局限（作者自述）：① 虽符合平行趋势并通过多重稳健性检验，仍不能排除不可观测的时变混杂，注释显示前后的田野实验可提供更强因果证据；② 纠正频次组为事后界定，首次被纠后的行为本身可能影响再被纠的概率，账号固有特征与“被注面”扩大何者驱动重复纠正仍待因果检验；③ 仅研究 X，各平台在注释选取、排序、呈现及配套执法上的差异可能导致不同反应；④ Community Notes 规则持续演化，贡献者资格、排序算法与显示方式的变化可能改变谁被纠正及如何反应；⑤ 无法直接观测作者是否注意到、接受或防御性回应注释，需结合纵向行为数据与问卷或田野实验，检验学习、声誉压力、抗拒与习惯化的作用。
- 阅读提示：效应在绝对量上较小（数个百分点），作者也正因此引入 HonestDiD；误导程度由大模型打分且只覆盖显示前后各四天；匹配对照的构造细节需回溯前作。数据、材料与分析脚本承诺在发表时以假名化形式公开；作者声明无利益冲突。
🧠 IRMaD 思维导图
mindmap
root((社区注释的分化效应))
I 引言
逐帖效果已被证实
作者行为效果未知
误导信息高度集中
学习与抵触两种预期
R 问题
发帖量是否变化
内容质量是否变化
一次与屡次被纠之别
首次与后续更正之别
M 方法
19854 个账号
57935 个更正事件
1191 万条原创帖
匹配对照帖 DiD
负二项 前后各四周
七项内容特征打分
R 结果
整体发帖增 2.9%
被纠一次降 2.4%
屡纠组首次增 4.4%
后续更正无显著变化
一次组毒性误导下降
屡纠组高误导帖增多
a 讨论
少数账号占多数注释
既有差异部分解释
首次更正是关键点
右倾账号增量更显著
无法排除时变混杂
D 结论
纠正内容不等于改变作者
作者层指标纳入评估
首次纠正叠加作者干预
差异化干预需申诉保障
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。