🧒 初中生也能看懂的版本
① 研究背景（为什么要做？）
过去几十年，政治传播研究主要盯着公民怎么发声，也就是谁说了话、说了什么，却很少研究他们有没有认真听别人说。这项研究把注意力转到另一半：民主倾听。倾听这件事有个天然的难处，它发生在人的脑子里，外表上看不见，研究者只能从可观察的行为倒推。作者采用的思路是，如果一条留言能复述别人的观点、能提出实质性的追问、能承认自己学到了东西，或者能表达出自己被听见的感受，那么写这条留言的人在此前一定听过。基于这个前提，他们把倾听拆成若干可以在文本里识别的特征，再用自动化的办法给每条留言打分。研究背景还有一层现实关切：主流社交平台的设计目标是抓住注意力、延长停留时间，而不是促成审议，因此指望它们自己长出倾听文化并不现实。作者由此提出，不如反过来做实验，自己搭一个极简的讨论环境，把可能促进倾听的功能一个一个装进去，看哪些真的管用。
② 研究问题（要回答什么？）
研究要回答的核心问题是：平台功能和讨论主持能不能提高网络讨论中的民主倾听水平。作者把它拆成三个可以检验的假设。第一个假设只装倾听导向的反应按钮，不加任何主持，看留言里的倾听比例会不会高于什么都不加的控制组。第二个假设在按钮之外再加人类主持，主持受过专门训练，只在讨论跑偏、缺少实质交流、缺少换位思考、缺少互相回应或气氛变僵这五种情况下才开口。第三个假设把人类主持换成机器主持，用大语言模型按同一套标准实时判断并介入。三条假设是层层叠加的，也就是后两条都保留了按钮，作者称之为堆叠式设计，好处是贴近真实产品逐步加功能的样子，代价是无法把主持单独拆出来看效果。除假设检验之外，作者还想知道一件事：机器能不能把这种高度依赖情境的主持工作真正做下来，而不只是给人看几张截图。
③ 研究方法（怎么做的？）
研究团队自己开发了一个极简的网页讨论平台，风格接近论坛，但去掉了分支回复和子话题，所有人共用一条时间线。实验在德国的网络调查样本库中招募参与者，共十个时段，每个时段四组同时开聊，四组分别对应四种条件，一共四十组。每组讨论三十分钟，参与者事先不知道要聊什么，开场只看到同一个故事：一位女士要办四十岁生日宴，客人对吃不吃肉意见不一，请大家帮她想办法。四种条件分别是：什么都不加的控制组；只加五个倾听按钮；按钮加人类主持；按钮加机器主持。五个按钮的文案都直接指向倾听，比如“谢谢，这对我有帮助”“我尊重你的意见”“有意思，我想多了解”，不使用普通的点赞。机器主持由大语言模型驱动，平台把最近三条留言送进接口，模型按同一套五条标准判断是否需要介入，不需要时输出一个预设的停止词，平台再把停止词过滤掉，所以不会刷屏。最后，参与者填写后测问卷，研究团队用另一个大模型对全部留言做倾听编码，并用一百条人工编码的留言做校验。
④ 结果（发现了什么？）
四种条件的差别不算大，但方向清楚。控制组里，两成一的留言体现了民主倾听；只加按钮的组是两成四；按钮加人类主持的组是两成六；按钮加机器主持的组最高，达到两成七。放进按讨论组聚类稳健的回归模型后，只有机器主持这一组的效果在统计上站得住，比值比约为一点二四，区间从一点零四到一点四九。只加按钮的组和人类主持的组，效果方向为正但都不显著，因此三条假设里只有第三条得到支持。控制变量里有两个值得说。留言越长，越可能被判为倾听，每多一百个字符，比值比接近一点九一；用苹果手机参与讨论的人，被判为倾听的可能性明显更低，比值比只有零点三六，作者推测是页面跳动等技术问题拖累了他们。年龄越大，倾听比例略微下降。按钮的使用其实相当活跃，一共被点近四千九百次，比写的留言条数还多一成，但点击按钮并没有转化成文字里的倾听。
⑤ 讨论（这些发现说明什么？）
作者把按钮失灵、主持起效这个反差读成一条理论判断：倾听不是被一个静态符号提醒出来的，而是在有人针对当下情境开口时被带出来的。按钮对所有人都一样，在任何场合都一样，带一种冷冰冰的技术感；主持则会看着讨论的具体走向说话，是情境化、个体化、有来有回的。机器主持之所以效果更好，一部分原因是它更勤快也更啰嗦：四十组讨论里，机器主持共介入九十七次，人类主持六十七次，机器平均每组介入九点七次，人类是六点七次，机器每次发言的长度是人类的三倍多。用一套审议质量的自动评分去看，机器主持的发言得分也更高，主要因为它更长，里面的事实、理由、方案建议和对他人的回应都更多。但作者提醒，短的人类发言可能更好消化，打断讨论的程度也更轻。局限也很明确：堆叠设计无法单独估计主持的效应；样本偏老、偏高学历；实验平台是同步的，与真实社交媒体的异步信息流并不一样。
⑥ 结论（最终结论 + 启示）
结论可以压成一句话：倾听要靠人对着具体情境开口去带，光摆几个提醒用的按钮不够。这个发现对平台设计有直接含义。如果新闻网站、社交应用或者专门的讨论空间想在评论区培养倾听，值得投入的方向是把倾听导向的反应按钮和倾听导向的主持配成一套，而不是单独上线一排按钮。主持的风格也很关键：作者主张的是横向的、建设性的引导，而不是纵向的、只盯着删除违规内容的管制，后者容易引发反感和审查指控。从规模上说，同步讨论每组二十人以内比较合适，人太多节奏太快，参与者和主持都跟不上；这恰恰是机器主持的优势所在，它可以比人快得多地反应，给参与者留出思考的余地。作者还强调了可复制性：他们用的提示词不绑定具体话题，换一个故事、换一批例子就能迁移到别的议题。后续研究应该把按钮和主持拆开，分别估计各自的效应。
🎓 专业 IRMaD 结构解读
I. Introduction（引言）
政治传播研究长期把公民参与等同于“发言权”的行使（Theocharis & Van Deth, 2018），互联网被寄望于让普通人表达政治观点（Dahlberg, 2001），而其互补实践——民主倾听（Scudder, 2020）——在在线情境中研究甚少。既有证据表明，被感知到的倾听（perceived listening）会提升信任、关联感与态度表达意愿（Vogel & Gastil, 2025），倾听不足则使部分用户完全退出政治讨论（Diakopoulos & Naaman, 2011; Springer et al., 2015）。理论上，倾听促使公民认真对待对立视角、了解支持自身立场的新理由，从而走向“有理由的异议”（Wessler, 2008）与对持续分歧的容忍（Dobson, 2014）。
与此同时，学界对主流社交平台能否充当平等的公共讨论场域日益悲观（Benton & Schmidt, 2024; Liu & Weber, 2014; Völker, 2019），因为这些平台的商业模型以参与度而非审议为目标。已有 AI 介入研究多针对文明程度或论证理性：Argyle et al.（2023）证明改写建议能让留言更礼貌；Costello et al.（2024）的 GPT-4 对话持久降低了阴谋论信念；Tessler et al.（2024）的“哈贝马斯机器”在小组审议中生成共识陈述并胜过人类主持。最接近倾听的“互惠”维度则被忽视（Esau & Friess, 2022）。
本文的贡献有三：其一，在从 Stroud et al.（2017）的“尊重”按钮之后，首次系统检验面向倾听的反应按钮；其二，据作者所知，尚无研究专门设计面向倾听的讨论主持并测量其效果；其三，首次把这一复杂主持任务做成可运行的大语言模型自动化，并在真实的互动场景中（而非截图刺激）检验其效力。研究由 New Institute（汉堡）“Depolarizing Public Debates”项目资助，实验经曼海姆大学伦理委员会批准，数据与完整附录公开于 OSF。
I. Theoretical Framework & Hypotheses（理论框架与假设）
作者把民主倾听界定为介于两种状态之间的实践：听见（hearing）是必要但不充分条件，回应（responding）是偶然结果，倾听本身发生在个体头脑中，不一定外显（Scudder, 2022）。其民主内核在于认真对待异议并给予“公平考量”（Scudder, 2020），因而不同于审议研究中的互惠概念（Friess et al., 2021）。测量上采用 Scudder（2022）的倾听质量指数（LQI），六级阶梯依次为：自报听了、未打断、能复述对方贡献、作出回应、作出实质回应、说者感到被听见。
受数据可得性限制，本文只把结果变量落在可观察的留言文本上，对应 LQI 的第 1、3、4、5、6 级：留言可以显式承认在听、复述他人观点、作出简短的接受或反对、提出实质追问或补充事实/反论/换位思考/承认学到东西，也可以表达“被听见”。作者论证，这些陈述若不先经过倾听便不可能出现，故可作为倾听的指示器。
两条机制被串联起来。其一是反应按钮作为“副语言数字可供性”（Hayes et al., 2016）：使用此类低门槛功能可成为更复杂参与的入口（Boulianne, 2015），Stroud et al.（2017）已证明“尊重”按钮提高了他观点接触意愿。其二是主持的规范显著性：互动式主持能提升用户对媒体组织的好感（Masullo et al., 2022），明确指出不同用户之间的相似之处也能改善讨论气氛（Ziegele et al., 2018）。由此形成三条可检验假设，见下表。
| 编号 | 假设 | 对应机制与理论 | 结果 |
|---|---|---|---|
| H1 | 仅有倾听导向按钮（LOB）组的留言，其展现民主倾听的几率高于无按钮、无主持的控制组 | 副语言数字可供性 → 低门槛参与与规范提醒（Hayes et al., 2016; Boulianne, 2015; Stroud et al., 2017） | 不支持，OR = 1.07，95% CI [0.85, 1.34] |
| H2.1 | 按钮＋人类主持组的留言，其倾听几率高于控制组 | 互动式主持提升规范显著性与互惠感知（Masullo et al., 2022; Ziegele et al., 2018） | 不支持，OR = 1.18，95% CI [0.90, 1.55] |
| H2.2 | 按钮＋AI 主持组的留言，其倾听几率高于控制组 | LLM 可对话式地模拟人类主持，具备实时情境判断能力（Argyle et al., 2023; Tessler et al., 2024） | 支持，OR = 1.24，95% CI [1.04, 1.49]，p = .017 |
作者坦承，三条假设采用“堆叠式”或“累积刺激”设计（参 Gerber et al., 2008; Nyhan & Reifler, 2015; Panagopoulos, 2010），即在保留前一层处理的前提下逐层叠加，故无法单独识别“只有主持、没有按钮”的效应。
M. Materials & Methods（材料与方法）
设计与识别策略：四条件在线实验。控制组无按钮无主持；LOB only 仅五个倾听导向按钮；LOB+HM 为按钮加人类主持；LOB+AIM 为按钮加 GPT-4 主持。共 10 个时段、每时段四组并行，合计 40 组，每条件 10 组。随机化发生在时段内：时段开始时平台按平衡算法把登录者分入四条件，使各组人数可比；因此识别依赖时段内随机分配，而非跨时段比较。
样本：德国 SoSciPanel 在线样本库，激励为八张 25 欧元亚马逊代金券。联系 22,000 人，3,300 人打开首页，2,798 人同意参与，最终分析 n = 740（预分析为 760 人），年龄 M = 53.8，SD = 14.5；61% 具有大学或技术学院学历（德国总体 20–25%）；性别为 404 女、330 男、6 位多元性别（因后一组过小，按“男 vs 女＋多元”编码）。数据收集 2024 年 5–6 月。
程序与刺激：预调查（约 15 分钟）后选择 10 个时段之一，讨论前 2–3 周等待；讨论 30 分钟；后测约 10 分钟。所有组讨论同一议题（肉类消费）与同一则情境短文（Sabine 的四十岁生日宴，客人对吃肉的立场分歧）。该议题在德国属中等极化，对应 Mau et al.（2023）的“今天–明天”不平等场域，比移民或性别议题更不易引燃。
平台与处理：自建极简同步讨论平台（类 Reddit 但无分支回复、无子版块），全部条件共享发帖、回复（完整引用被引留言并可跳转）、举报、删除自己的留言、自动刷新（第 7 波起加入“减速”开关，可关闭自动刷新）。五个倾听按钮分别为“谢谢，这对我有帮助”“好，但我仍然看法不同”“我尊重你的意见”“有意思，我想多了解”“谢谢你回复我的帖子”，技术上均至少对应 LQI 第 4 级，按钮下方固定图例说明含义，点击数与点击者用户名在留言下可见。人类主持由三人团队依 7 页主持指南行事，仅当讨论明显触发五条缺失倾听标准之一时介入：跑题或冷场、缺乏实质讨论、缺乏换位思考、缺乏互惠、气氛紧张；三名主持全部同意才介入。AI 主持基于 OpenAI GPT-4，平台把最近三条留言流式送入 API，system/user/assistant 三类提示词见附录 B、C，user 侧以每类标准至少 5 条由 GPT-4 生成并人工归类的示例作少样本，另加 6 条“无需介入”示例；因模型无法“弃权”，设定一个独特停止词作为无需介入时的输出，平台端过滤该词。两类主持均以普通讨论者身份出现，用户名为“Moderation”，蓝色高亮。
测量：因变量为留言层面是否展现民主倾听（0/1）。人工基准由两位作者独立编码 100 条随机留言，分歧率 29%，由倾听研究专家参与达成共识编码；编码依据八项特征（愿意交谈、发出倾听信号、表达尊重、实质参与、提问、换位思考、自身学习、被听见）。自动化采用 GPT-4o mini 少样本提示，temperature = 0.7，在 5 种 Llama 3 与 6 种 GPT-4o mini 方案中表现最佳：一致率 0.90，Krippendorff's α = 0.72，F1 宏平均 0.86，加权 F1 0.90。控制变量含教育、年龄、性别（个体层），讨论强度（组内留言总数除以至少发过一条留言的人数，M = 6.23，SD = 1.02，Min = 4.79，Max = 8.89，z 标准化），减速选项可得性（第 7 波起），设备（548 台 PC/笔记本、105 部手机、55 台平板、32 人无信息），以及留言字符数（M = 157，SD = 134，Min = 1，Max = 1486，除以 100 进入模型）。
模型：logit P(listeningij = 1) = β0 + β1LOBj + β2(LOB+HM)j + β3(LOB+AIM)j + γXij + δZj + uj，标准误按讨论组聚类（40 个簇）。因人口学变量缺失，样本由 4,466 条留言、760 人缩减为 4,355 条留言、740 人。
R. Results（结果）
描述统计：以留言计，控制组 21% 展现倾听，LOB only 24%，LOB+HM 26%，LOB+AIM 27%。各组留言数分别为 1,201、1,173、1,105、987；按钮点击共 4,849 次，比留言总数（4,466）多约 10%。主持介入共 164 次（人类 67 次、AI 97 次）；AI 平均每组 9.7 次、人类 6.7 次（AI 多 45%），AI 介入平均 382 字符、人类 91 字符（长 4 倍以上）。AQuA 审议质量合成分（0–4）AI 为 2.1、人类为 1.2，Wilcoxon 秩和检验（含连续性校正）显示 AI 介入的审议质量显著更高；作者指出该差异主要来自长度与 AQuA 得分的高度相关。
| 变量 | β | SE | OR | 95% CI (OR) | 结论 |
|---|---|---|---|---|---|
| LOB only（参照：无按钮无主持） | 0.06 | 0.12 | 1.07 | [0.85, 1.34] | 不显著，H1 不支持 |
| LOB + 人类主持 | 0.17 | 0.14 | 1.18 | [0.90, 1.55] | 不显著，H2.1 不支持 |
| LOB + AI 主持 | 0.22 | 0.09 | 1.24 | [1.04, 1.49] | p = .017，H2.2 支持 |
| 讨论强度（z） | −0.04 | 0.03 | 0.96 | [0.90, 1.03] | 不显著 |
| 减速选项可用 | 0.03 | 0.09 | 1.03 | [0.86, 1.24] | 不显著 |
| 留言长度（每 100 字符） | 0.65 | 0.05 | 1.91 | [1.74, 2.10] | p < .001 |
| Windows 笔记本/PC | −0.11 | 0.14 | 0.90 | [0.68, 1.17] | 不显著 |
| Linux 笔记本/PC | 0.03 | 0.28 | 1.03 | [0.60, 1.77] | 不显著 |
| iPhone | −1.01 | 0.38 | 0.36 | [0.17, 0.77] | p < .01 |
| Android 手机 | 0.12 | 0.20 | 1.13 | [0.77, 1.67] | 不显著 |
| iPad | −0.32 | 0.31 | 0.72 | [0.39, 1.32] | 不显著 |
| Android 平板 | −0.44 | 0.34 | 0.64 | [0.33, 1.26] | 不显著 |
| 无设备信息/退出 | −0.62 | 0.35 | 0.54 | [0.27, 1.06] | p < .1 |
| 教育 | 0.05 | 0.04 | 1.05 | [0.98, 1.13] | 不显著 |
| 年龄 | −0.007 | 0.003 | 0.993 | [0.987, 0.999] | p < .05 |
| 男性（参照：女/多元） | −0.11 | 0.10 | 0.89 | [0.74, 1.08] | 不显著 |
稳健性与功效：LOB+AIM 效应通过三次比较的 Bonferroni 校正（调整后 α < .017）。事后敏感度功效分析以该系数的聚类稳健标准误为插值，α = .05（双侧）、80% 功效下的最小可检测效应约为 OR ≥ 1.29，观测效应量虽小于该阈值但仍显著区别于零，精度中等。按减速选项引入前后分样本回归：引入前（24 组 / 2,695 条）三条件均不显著，最强为 LOB+AIM（OR = 1.21，95% CI [0.93, 1.56]，p = .149）；引入后（16 组 / 1,660 条）LOB+AIM 显著（OR = 1.36，95% CI [1.09, 1.69]，p = .007），但作者提醒样本更小、簇更少，解释力有限。以 AQuA 审议质量分为因变量重跑同一模型，LOB+AIM 仍显著为正（附录 J.1）；AQuA 分数本身强烈预测倾听（OR = 3.22，95% CI [2.74, 3.78]，p < .001，无控制变量），构成对因变量效度的旁证。
a / D. Discussion & Conclusion（讨论与结论）
理论含义：按钮失灵而主持起效，指向一个关于倾听发生条件的判断——倾听不是被静态符号提醒出来的，而是在情境化、个体化、有来有回的交流中被带出来的。反应按钮对所有人一致、在一切场合一致，是“通用且静态”的，带虚拟、技术化的距离感；主持则会针对具体的讨论走向说话。作者把这一对照视为 normative theory 与经验研究互相校正的实例（Scudder & Neblo, 2025），说明倾听由组层面与格式层面的传播条件塑造，而不只是个体倾向或制度安排的结果。
主持风格：作者主张的是横向的、建设性的引导，而非以清除不文明为目标的纵向管制式主持（Ziegele et al., 2018）。温和的不文明被容忍以维持讨论活力，只在紧张升级时恢复相互尊重。这也解释了为何人类主持未显著：人类介入更短、更少，也可能更容易被消化、更少打断讨论。
设计含义：新闻网站、社交应用或专门的讨论空间若想培育倾听，应把倾听导向按钮与倾听导向主持配套上线。同步讨论的组规模以 20 人以内为宜；异步情境下总参与量可以更大，但任一时点的处理负荷仍有上限——这正是 LLM 主持的相对优势：反应远快于人类，可在高密度讨论中为主体创造反思空间。作者特别强调提示词的可复制性：其设计与倾听主持指南不含任何话题专属内容，迁移到新议题只需（a）换一则讨论引子、（b）补一小批该议题下好/坏倾听的文本示例与最优介入示例用于少样本学习。
局限与未来研究：其一，堆叠式设计使“仅有主持”的效应无法识别；为把时间承诺控制在可接受范围（预调查＋另日讨论＋后测），作者选择每条件 10 组而非扩充条件数，代价是 22,000 人接触才换来 740 人完整参与。其二，预调查阶段即告知 25% 概率由 AI 主持，且要求参与者“把 AI 主持当作人类主持对待”，可能缩小了 AI 组与人类组之间的差距。其三，讨论议题为中等极化的肉类消费，若换成移民或性别等高极化议题结论可能不同；不过提示词与主持指南不含话题专属内容，作者视其可迁移性为 LLM 方法的优势。其四，实时性受限：实验时 GPT-4 尚无推理功能，无法即时给出分类理由，倾听只能事后编码，可能与实时判断存在错位。其五，只测量了发言者的留言，未发言者的倾听未被观察到，未来可引入对倾听与“被听见”的主观自评。其六，实验平台刻意不模仿商业社交媒体的信息流，属同步直播聊天一类场景（YouTube 直播聊天、Facebook 直播评论区、Discord 文字频道），外部效度需谨慎外推。
结论：由 GPT-4 实现的倾听导向主持与倾听导向按钮组合，相比无按钮无主持的控制组显著提升了留言中可观察的民主倾听；单独提供倾听按钮则不产生效果。倾听在情境化、互动、个体化的传播模式中生长，而在通用、静态的界面提示面前停滞。作者据此认为，理论上受支撑的“按钮＋AI 主持”组合有望推动一个更具倾听取向的在线公共领域，但具体方案仍需依情境与受众调整，后续研究应把按钮与主持的效应拆开分别估计。
🧠 IRMaD 思维导图
mindmap
root((倾听按钮与机器主持))
I 引言
只研究发声不研究倾听
社交平台不利于审议
倾听沉默难以观察
智能工具只管文明论证
首次实测机器主持
R 问题
按钮能否提高倾听
加人类主持是否更好
加机器主持是否更好
机器可否自动化主持
堆叠设计付出代价
M 方法
四十组七百四十人
五按钮对应倾听面向
五条标准触发主持
最近三条留言送模型
自动编码人工校验
按组聚类逻辑回归
R 结果
控制组两成一
仅按钮两成四不显著
人类主持两成六不显著
机器主持两成七显著
长留言更易判倾听
苹果手机显著更低
a 讨论
按钮静态而主持情境化
机器更勤更长质量更高
点击未转为文字倾听
堆叠设计无法拆分
样本偏老偏高学历
D 结论
倾听靠人对着情境带
按钮必须配主持
组规模二十人以内
提示词可跨话题复用
后续需拆开估计
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。