1. 论文基本信息

1.1. 标题

焦虑会增加政策学习吗？ (Does anxiety increase policy learning?)

1.2. 作者

• Moulay Lablih: 瑞士洛桑大学公共行政研究生院 (IDHEAP) 博士研究生。研究兴趣包括政治行为、信息处理和公共政策。
• Pirmin Bundi: 瑞士洛桑大学公共行政研究生院 (IDHEAP) 公共政策与评估副教授。主要兴趣是政策评估、公共政策、公共行政和政治行为。
• Lea Portmann: Interface Politikstudien 高级项目经理，巴塞尔大学讲师。研究兴趣在于政治行为、政治代表、公共政策和移民政策。

1.3. 发表期刊/会议

Policy Studies Journal (政策研究期刊)。该期刊在公共政策领域享有良好声誉和影响力，专注于政策过程、政策分析和政策评估。

1.4. 发表年份

2024年。

1.5. 摘要

本文探讨了焦虑情绪如何影响公职人员处理政策信息。研究指出，政策失败常归因于决策者缺乏政策学习 (policy learning)。尽管现有研究关注社会经济和党派变量对政策信息感知的影响，但情绪，尤其是焦虑，在政策制定过程中的作用却鲜受关注。本研究将马库斯的情感智能模型 (Marcus' Affective Intelligence Model) 引入政策学习 (policy learning) 文献，该模型探讨情绪如何影响个体的信息处理。为验证模型预期，研究利用在瑞士26个州地方公职人员中收集的实验数据。实验中，研究人员随机展示引起焦虑的图像以及政策信息。结果表明，焦虑对学习有积极的因果效应。在考察这种效应的潜在调节因素时，研究发现该关系不受先前信念 (priors) 强度或政策感知复杂性的调节。然而，这些变量与政策学习 (policy learning) 显著相关。研究结果对更好地理解信息如何影响政策制定具有重要意义。

1.6. 原文链接

/files/papers/694f95da9c764da3f20e36db/paper.pdf (已于UTC时间2024年2月23日正式发布)

2. 整体概括

2.1. 研究背景与动机

• 核心问题: 政策制定者在处理政策信息时，情绪，特别是焦虑，是否会影响他们的政策学习 (policy learning) 过程？
• 重要性: 政策失败常被解释为决策者缺乏政策学习，这凸显了理解政策学习机制的重要性。现有研究主要关注社会经济和党派因素，而情绪作为个体信息处理的关键组成部分，在政策学习中的作用被大大忽视。
• 现有研究挑战/空白:
  • 政策学习 (policy learning) 的概念在文献中有多种定义，但大多包含“信念更新” (belief change) 的核心思想。
  • 缺乏对情绪，特别是焦虑，在政策制定过程中如何影响政策学习的系统性研究。
  • 很少有研究将政治心理学中的情感智能模型 (Affective Intelligence Model) 应用于政策学习文献。
• 切入点/创新思路:
  • 将马库斯的情感智能模型 (Marcus' Affective Intelligence Model) 引入政策学习 (policy learning) 领域。
  • 通过实验方法，在个体层面（地方公职人员）探讨焦虑对政策学习的因果效应。
  • 考察先前信念 (priors) 强度和政策感知复杂性对焦虑与政策学习关系的调节作用。
  • 使用瑞士地方公职人员的实验数据，这是一个新颖且重要的研究群体。

2.2. 核心贡献/主要发现

• 核心贡献:
  1. 引入新理论框架: 首次将政治心理学中的情感智能模型 (Affective Intelligence Model) 引入政策学习 (policy learning) 文献，为理解政策制定过程中的情绪作用提供了理论基础。
  2. 提供因果证据: 通过实验设计，首次提供了焦虑对个体政策学习 (policy learning) 具有积极因果效应的证据。
  3. 揭示调节因素: 尽管发现先前信念 (priors) 强度和政策感知复杂性与政策学习 (policy learning) 显著相关，但并未发现它们对焦虑效应的调节作用。
  4. 拓展实证研究: 使用了新颖的瑞士地方公职人员实验数据，为政策学习 (policy learning) 的微观基础研究提供了实证支持。
• 关键结论/发现:
  1. 焦虑促进学习: 焦虑情绪确实能增加政策学习 (policy learning) 的程度，即促使公职人员根据科学证据调整其观点。
  2. 先前信念强度影响学习: 先前信念 (priors) 的强度与信念更新呈负相关，即公职人员对某个问题越自信，他们越不可能学习。
  3. 感知复杂性阻碍学习: 政策感知复杂性与政策学习 (policy learning) 呈负相关，即政策越被认为复杂，公职人员越不可能学习。这与研究假设相反，呈现出“反弹效应” (backlash effect)。
  4. 无调节作用: 焦虑对政策学习 (policy learning) 的效应不受先前信念 (priors) 强度或政策感知复杂性的调节。
  5. 其他相关因素: 政治意识形态 (right-wing ideology) 倾向与政策学习 (policy learning) 呈负相关，而大学学历 (university degree) 与政策学习 (policy learning) 呈正相关。

3. 预备知识与相关工作

3.1. 基础概念

• 政策学习 (Policy Learning): 本文主要采用贝叶斯决策理论 (Bayesian decision theory) 的视角来定义政策学习。它被定义为“获取新的相关信息，从而更新信念” (the acquisition of new relevant information that allows beliefs to be updated)。具体来说，政策学习 (policy learning) 是一个根据新信息连贯地更新先前信念 (prior beliefs) 和知识 (knowledge) 的过程。在这个过程中，后验信念 (posterior beliefs) 是先前信念 (prior beliefs) 和新信息的加权平均值。
• 情感智能模型 (Affective Intelligence Model, AIM): 马库斯 (Marcus) 及其同事提出的情感智能模型 (AIM) 是一种双通道理论 (two-channel theory)，认为在信息处理过程中存在两个并行运作的“情绪系统”。
  1. 第一个系统: 评估传入信息的新颖性 (novelty) 或威胁性 (threatening) 程度。当信息被感知为新颖或威胁时，它会触发焦虑情绪。
  2. 第二个系统: 评估熟悉行动、常规或实践在成功或失败方面的适当性 (appropriateness)。 AIM 认为，焦虑作为对威胁或新颖性的反应，会促进政治学习 (political learning) 并减少对习惯性线索 (habitual cues) 的依赖。它促使个体更系统地处理信息，深入分析情况，并寻求理解潜在威胁的根源，从而导致积极的学习和理性思考，减少对习惯性行为和倾向的依赖。AIM 提出两种情绪状态的对立：热情 (enthusiasm)（对比抑郁 (depression)）和焦虑 (anxiety)（对比平静 (calm)），它们分别促进或阻碍对先前信念 (prior beliefs) 的依赖。

3.2. 前人工作

• 政策学习文献:
  • 在政治学中是一个被反复讨论的主题，尤其是在面对全球挑战（如疫情）时。
  • 现有研究已在不同分析层面 (Nowlin, 2020) 探讨政策学习 (policy learning)，例如作为政策扩散 (policy diffusion) 的机制 (Gilardi, 2010; Graham et al., 2013)，识别不同类型的学习 (Dunlop & Radaelli, 2017, 2018)，以及政策转移 (policy transfer) 研究 (Dolowitz, 2018)。
  • 尽管定义多样，但核心都涉及信念改变，借鉴了贝叶斯决策理论 (Bayesian decision theory)。
  • 政策学习 (policy learning) 的影响因素包括先前信念 (prior beliefs) 的强度 (Nowlin, 2020)。
• 情绪在政治中的作用:
  • 长期以来在政策学习 (policy learning) 文献中被忽视。
  • 近期研究表明，情绪在政治竞选 (Boussalis et al., 2021; Nai et al., 2017) 和政治决策 (Colombo, 2021; Suiter et al., 2020) 中扮演重要角色。
  • 个体的信念、认知和情绪共同过滤和分析传入信息。
  • 焦虑 (anxiety) 和其他情绪在政策语境中的作用日益受到关注 (Maor & Capelos, 2023; Pierce, 2021)，例如愤怒在政策叙事中的作用 (Pierce et al., 2022) 和情绪在政策审议中的作用 (Durnová, 2015)。
• 影响政策学习的因素:
  • 情境因素: 政策企业家 (policy entrepreneurs) (Mintrom, 1997; Stone, 2001)、政策子系统 (policy subsystem) (Sabatier, 1988) 中的参与者、制度背景 (Moyson et al., 2017)。
  • 政策特征: 政策的不确定性 (uncertainty)、复杂性 (complexity)、政治竞争 (political contestation) 和问题清晰度 (clarity of the problem) (Dunlop & Radaelli, 2013)。
  • 认知保守主义 (Cognitive conservatism): 指先前信念 (prior beliefs) 被过度加权，导致在面对新信息时难以更新信念，这是一种偏离贝叶斯更新 (Bayesian updating) 的情况 (Bullock, 2009)。

3.3. 技术演进

传统的政策学习 (policy learning) 研究主要集中在宏观层面（如政策扩散、政策转移）或中观层面（如政策子系统、制度环境），并更多关注认知、社会经济或党派变量。本研究的创新之处在于，它将研究视角深入到个体层面，并引入了政治心理学中的情绪理论，特别是情感智能模型 (Affective Intelligence Model)，来解释政策学习的微观基础。这代表了政策学习研究从纯粹的认知和结构性解释向整合情感因素的演进，旨在提供更全面的理解。

3.4. 差异化分析

• 与现有政策学习研究的区别: 现有政策学习文献主要关注社会经济、党派变量或政策本身特征（如复杂性）对信息感知和学习的影响。本文则将重点放在情绪，尤其是焦虑，作为影响个体政策学习 (policy learning) 的一个关键因素。
• 与情绪在政治中研究的区别: 现有情绪研究多集中于政治竞选、政治决策或政策叙事，而本文则具体将情感智能模型 (Affective Intelligence Model) 应用于政策学习 (policy learning) 的情境，并探索其对公职人员信念更新的因果效应。
• 理论创新: 首次将情感智能模型 (Affective Intelligence Model) 应用于政策学习 (policy learning) 文献，填补了该领域的情绪研究空白。
• 方法创新: 采用实验设计，通过随机展示焦虑诱导图像来测量焦虑对学习的因果效应，这比相关性研究更具说服力。
• 研究群体创新: 专注于瑞士地方公职人员，一个在政策学习研究中相对较少被实验研究的群体，提供了独特的见解。

4. 方法论

4.1. 方法原理

本研究旨在探讨焦虑情绪如何影响地方公职人员的政策学习 (policy learning)。其核心原理基于马库斯的情感智能模型 (Marcus' Affective Intelligence Model, AIM)，该模型认为当个体感知到威胁 (threatening) 或新颖 (novelty) 的信息时，会引发焦虑情绪，进而促使个体进行更系统、更深入的信息处理，从而增强学习。研究通过实验设计，随机向参与者展示焦虑诱导图像，并同时呈现科学政策信息，以观察这种情绪刺激是否会导致其政策信念的更新。

4.2. 核心方法详解

本研究通过一项针对瑞士地方公职人员的在线调查实验来检验假设。

4.2.1. 实验设计

• 参与者: 邀请了3600名瑞士地方公职人员参与调查，其中39%（1404人）作出回应。筛选标准是来自人口超过5000的市镇的现任政府成员。
• 设计类型: 采用受试者间设计 (between-subjects design) 和区组随机化 (block randomization) 来平衡数据。
• 区组变量: 语言区域（德语、法语和意大利语），因为语言在瑞士是政治文化的重要指标，可能影响信息处理和态度。
• 分组: 在每个语言区组内，一半受试者被分配到处理组 (treatment groups)，另一半分配到控制组 (control groups)。
• 政策随机分配: 处理组和控制组均被随机分配到两个政策主题之一：环境政策 (environmental policy) 或安全政策 (security policy)。
• 道德审查与预注册: 实验在2022年春季获得了大学研究伦理委员会的批准，并进行了预注册。

4.2.2. 焦虑诱导处理 (Anxiety Induction Treatment)

• 方法: 通过展示校准过的图片来诱导焦虑情绪。
• 图片来源: 使用了社会道德图像数据库 (Socio-Moral Image Database, SMID) (Crone et al., 2018)，该数据库的图片经过校准，能持续引发特定的情绪反应。
• 图片选择: 选择了符合焦虑定义（负面效价 (negative valence) 和高唤醒度 (high arousal)）的图片。
  • “安全”图片: 效价得分为 1.71/5 (低效价，负面情绪)，唤醒度得分为 4.29/5 (高唤醒度)。
  • “环境”图片: 效价得分为 1.588 (负面情绪)，唤醒度得分为 3.088 (合理唤醒度)。
• 处理变量 Anxiety:
  • 值为 0 表示被分配到控制组，不显示诱导焦虑的图片。
  • 值为 1 表示被分配到处理组，显示诱导焦虑的图片。
• 处理验证: 在调查中进行了处理验证检查 (treatment validation checks)，评估了图片在受试者中引发的效价 (valence) 和唤醒度 (arousal) 水平，确认达到了预期效果。

4.2.3. 政策信息 (Policy Information)

• 内容: 所有受试者（无论处理组还是控制组）都接触到与他们所分配政策主题相关的科学证据。这些信息摘自科学期刊 (Nature Communications 和 Policy Practice and Research)。
• 作用: 这些科学信息充当“传入信息” (incoming information)，经过处理后可能导致学习。
• 设计: 信息经过谨慎选择和改写，以确保每个受试者接触到的信息量大致相同，并明确指出科学知识建议的方向。每段信息都关联了一个与其一致的虚构政策提案。
  • 环境政策信息: 强调延迟淘汰碳密集型基础设施会降低实现1.5°C目标的可能性，并建议“应更快地淘汰碳密集型基础设施” (Source: Smith et al., 2019)。
  • 安全政策信息: 指出公共监控摄像头系统能将犯罪率降低13%，并建议“政府应增加公共场所摄像头的数量” (Source: Piza et al., 2019)。

4.2.4. 结果变量 (Outcome Variable)

• 政策学习 (Policy Learning):
  • 定义: 通过测量先前信念 (prior beliefs) 和后验信念 (posterior beliefs) 之间的变化来构建。
  • 测量原理: 遵循贝叶斯学习 (Bayesian learning) 的定义，旨在测量信念更新 (belief updating) 机制是否起作用。
  • 测量方式:
    • 先前信念 ($t_{-1}$): 在进行处理之前，询问受试者对所分配政策领域某陈述的同意或不同意程度（0-10分量表）。
    • 后验信念 ($t_{1}$): 在处理（$t_0$）之后，询问受试者相同的问题。
  • 公式: $$\text{Policy Learning} = \text{Posterior beliefs} - \text{Prior beliefs}$$
    • $\text{Policy Learning}$: 因变量，表示政策学习的程度。
    • $\text{Posterior beliefs}$: 处理后受试者对政策陈述的信念评分 (0-10)。
    • $\text{Prior beliefs}$: 处理前受试者对政策陈述的信念评分 (0-10)。
  • 解释: 如果后验信念 (posterior beliefs) 和先前信念 (prior beliefs) 之间存在任何差异，则认为学习过程正在进行。

4.2.5. 其他变量 (Other Variables)

• 先前信念的强度 (Strength of Priors):
  • 测量: 询问受试者对所分配政策的知识程度（0分表示不了解，10分表示非常了解）。
  • 假设: 认为对某个问题非常了解与强的先前信念 (strong priors) 相关。自信度高的受试者会赋予先前信念 (prior beliefs) 更大的权重，对传入信息关注较少；反之，自信度低的受试者更容易接受学习。
  • 测量时机: 为限制受试者过度报告，该变量在调查早期测量。
• 政策感知复杂性 (Perceived Complexity):
  • 测量: 询问公职人员对环境和安全政策固有的复杂程度的评价（0分表示不复杂，10分表示非常复杂）。
  • 关注点: 并非评估政策的“客观”复杂性，而是公职人员主观感知的复杂性。
  • 假设: 认为对这些政策的感知复杂性会调节焦虑对贝叶斯学习 (Bayesian learning) 的影响。
• 控制变量:
  • 意识形态 (Ideology): 通过在左右意识形态量表上的自我定位来测量。
  • 社会人口学变量: 年龄 (age)、性别 (gender)、教育水平 (education level)。这些变量用于处理个体差异可能导致的混淆效应。

4.2.6. 方法论 (Methodology)

• 假设检验:
  • H1 (焦虑增加政策学习): 检验焦虑的平均处理效应 (Average Treatment Effect, ATE)。
  • H2 (先前信念强度调节焦虑效应) 和 H3 (政策感知复杂性调节焦虑效应): 检验条件平均处理效应 (Conditional Average Treatment Effect, CATE)，因为假设处理效应依赖于先前信念 (priors) 的权重或感知复杂性水平。
• 估计模型: 使用线性回归 (Linear regression) 进行估计。

  • H1: Learning ~ Anxiety

  • H2: Learning ~ Anxiety + Strength of Priors + Anxiety × Strength of Priors

  • H3: Learning ~ Anxiety + Complexity + Anxiety × Complexity

    以下是原文 Table 1 的结果：

    Hypothesis	Estimator	Estimand	Specification
    H1	Linear regression	ATE	Anxiety
    H2	Linear regression	CATE	Anxiety × Strength of Prior Beliefs
    H3	Linear regression	CATE	Anxiety × Complexity

5. 实验设置

5.1. 数据集

• 来源与参与者: 数据来自对瑞士地方公职人员的在线调查实验。总计邀请了3600名地方公职人员，其中1404人完成问卷，回应率为39%。这些官员必须是来自人口超过5000的市镇的现任政府成员。

• 地理分布: 参与者代表了瑞士的三个主要语言区（德语、法语和意大利语），这在实验设计中作为区组变量。

• 政策主题: 实验围绕两个政策主题进行：环境政策和安全政策。每个参与者被随机分配到其中一个主题。

• 伦理审批: 实验已于2022年春季获得大学研究伦理委员会的批准，符合既定道德标准。

• 预注册: 研究进行了预注册。

  以下是原文 Table A1 (Numeric variables) 的结果：

  Variable	N	Mean	SD	Min	Max
  Learning	1304	0.44	1.51	-9	8
  Priorsenvironment	658	7.12	2.47	0	10
  Priorsecurity	661	3.76	2.74	0	10
  Posteriorsenvironment	648	7.21	2.43	0	10
  Posteriorsecurity	656	4.58	2.614	0	10
  Strength of the priors	1315	6.42	2.03	0	10
  Perceived complexity	1301	5.14	2.79	0	10
  Birth year	1404	1977.48	14.81	1943	2003
  Ideology	1396	5.2	2.1	0	10

以下是原文 Table A2 (Factor variables) 的结果：

5.2. 评估指标

本研究的核心评估指标是政策学习 (Policy Learning)，它被操作化为参与者在接受处理前后，对特定政策问题信念的更新程度。

• 概念定义 (Conceptual Definition): 政策学习 (Policy Learning) 量化了个体根据新信息（此处为科学证据）调整其先前信念 (prior beliefs) 的程度。如果个体在接触新信息后改变了其观点，使其更接近（或偏离）新信息所建议的方向，则认为发生了学习。这是一个衡量信念更新 (belief updating) 机制是否活跃的指标。

• 数学公式 (Mathematical Formula): $$\text{Policy Learning} = \text{Posterior beliefs} - \text{Prior beliefs}$$

• 符号解释 (Symbol Explanation):

  • $\text{Policy Learning}$: 因变量，代表政策学习的程度。其取值范围在 -10 到 10 之间。正值表示信念向科学证据建议的方向更新（学习），负值表示信念朝相反方向更新（反弹效应），零表示没有更新。

  • $\text{Posterior beliefs}$: 受试者在接触焦虑诱导处理和科学政策信息之后，对政策领域相关陈述的同意或不同意程度评分。该评分在 0 到 10 的量表上进行。

  • $\text{Prior beliefs}$: 受试者在接触任何处理之前，对相同政策领域相关陈述的同意或不同意程度评分。该评分也在 0 到 10 的量表上进行。

    此外，在回归分析中，还使用了统计显著性指标，如 p-value 和 R-squared：

• p-value (P值):

  • 概念定义: P值是当虚无假设 (null hypothesis) 为真时，观察到当前或更极端结果的概率。在假设检验中，P值低于预设的显著性水平（通常是0.1、0.05或0.01）时，我们会拒绝虚无假设，认为结果具有统计显著性。
  • 数学公式: P值没有一个统一的数学公式，它依赖于所使用的统计检验（如t检验、F检验等）以及观测到的统计量。通常，P值是根据检验统计量的抽样分布计算得出的。
  • 符号解释: 在本文的回归结果中，*、**、*** 分别表示 $p < 0.1$、$p < 0.05$、$p < 0.01$ 的显著性水平。

• R-squared (R方):

  • 概念定义: R方（决定系数）衡量了模型中因变量（政策学习）的变异性有多少比例可以通过自变量（焦虑、先前信念强度、复杂性等）来解释。它的值介于0和1之间，越高表示模型对因变量的解释能力越强。
  • 数学公式: $$R^2 = 1 - \frac{SS_{res}}{SS_{tot}}$$ 其中，$SS_{res}$ 是残差平方和 (Sum of Squares of Residuals)，$SS_{tot}$ 是总平方和 (Total Sum of Squares)。
    • $SS_{res} = \sum_{i=1}^{n} (y_i - \hat{y}_i)^2$
    • $SS_{tot} = \sum_{i=1}^{n} (y_i - \bar{y})^2$
  • 符号解释:
    • $y_i$: 第 $i$ 个观测值的实际因变量值（即政策学习值）。
    • $\hat{y}_i$: 第 $i$ 个观测值的模型预测因变量值。
    • $\bar{y}$: 因变量的平均值。
    • $SS_{res}$: 模型未能解释的因变量变异。
    • $SS_{tot}$: 因变量的总变异。
  • Adjusted R-squared (调整R方):
    • 概念定义: 调整R方是对R方进行修正的版本，考虑了模型中自变量的数量。它会惩罚模型中包含不必要自变量的情况，因此在比较不同复杂程度的模型时更为有用。
    • 数学公式: $$\text{Adjusted } R^2 = 1 - \frac{(1 - R^2)(n - 1)}{n - k - 1}$$
    • 符号解释:
      • $n$: 样本大小（观测数量）。
      • $k$: 模型中自变量的数量（不包括常数项）。

5.3. 对比基线

本研究主要采用实验设计，通过控制组 (control group) 与处理组 (treatment group) 的比较来评估焦虑的因果效应。

• 控制组: 未暴露于焦虑诱导图片，但同样接触科学政策信息。这作为衡量在没有焦虑干预下政策学习 (policy learning) 的基线。
• 处理组: 暴露于焦虑诱导图片，并同时接触科学政策信息。这用于评估焦虑对政策学习 (policy learning) 的影响。 通过这种方式，控制组实际上充当了评估处理组效应的“基线”或“对照”。

6. 实验结果与分析

6.1. 核心结果分析

6.1.1. H1：焦虑对政策学习的因果效应

• 发现: 焦虑对政策学习 (policy learning) 具有显著且积极的因果效应。

• 解释: 当公职人员暴露于诱发焦虑的图像时，他们更有可能根据所面对的科学证据调整自己的观点。这与马库斯的情感智能模型 (AIM) 的理论贡献一致，即焦虑处理增加了所提供信息的威胁性维度，促使决策者更新其先前信念 (prior beliefs)。这种机制的根源在于，当传入信息被感知为威胁时，系统性信息处理会得到增强。

• 具体数据:

  • 在控制组（未接受焦虑处理）中，学习的系数为负值（图1中的负系数），表明受试者甚至可能与科学证据背道而驰地更新其信念。
  • 在处理组中，效应变为正值，表明焦虑水平的提高促使受试者按照证据的方向更新其信念。

• 结论: 这一结果为H1提供了强有力的证据。

  以下是原文 Figure 1 的结果：

  该图像是一个图表，展示了焦虑治疗对政策学习的影响。X轴表示焦虑治疗（0表示未治疗，1表示治疗），Y轴表示学习效果。数据点显示出治疗组的学习效果显著高于对照组，表明焦虑对政策学习有正向影响。

图 1 展示了焦虑处理对政策学习的效应估计。X轴表示焦虑处理（0为控制组，1为处理组），Y轴表示学习效果。控制组的学习效果略低于0，而处理组的学习效果显著高于0，表明焦虑对政策学习有积极的因果效应。

6.1.2. H2：先前信念强度对焦虑效应的调节作用

• 发现:

  1. 先前信念 (prior beliefs) 的强度与学习呈负相关。一个人越自认为知识渊博，其学习的可能性就越小。
  2. 尽管假设焦虑效应在先前信念 (prior beliefs) 较弱时会更强，但模型并未发现焦虑与先前信念 (prior beliefs) 强度之间存在显著的交互作用。
  3. 有趣的是，图2显示，虽然焦虑暴露对先前信念 (prior beliefs) 较弱的个体没有显著差异，但对于先前信念 (prior beliefs) 较强的个体，焦虑似乎有促使他们更多学习的趋势。

• 解释: 尽管H2被拒绝，但“先前知识的强度与贝叶斯更新 (Bayesian updating) 负相关”这一发现非常重要。这与 Bullock (2009) 的观点一致，即弱的先前信念 (weak priors) 更容易被新信息推翻，而强的先前信念 (strong priors) 很难被新信息所动摇。

• 结论: H2被拒绝，但强调了先前信念 (prior beliefs) 强度本身对政策学习 (policy learning) 的负面影响。

  以下是原文 Figure 2 的结果：

  该图像是图表，展示了在不同的先前信念强度下，焦虑对学习的影响。红色和蓝色曲线分别代表不同的焦虑处理组，随着先前信念强度的变化，学习表现出现不同趋势。

图 2 展示了先前信念强度对焦虑效应的调节作用估计。X轴表示先前信念的强度，Y轴表示政策学习。图中有两条曲线，分别代表控制组和处理组。控制组的学习程度随着先前信念强度的增加而下降，而处理组的学习程度在先前信念强度较高时略有上升趋势，但交互作用不显著。

6.1.3. H3：政策感知复杂性对焦虑效应的调节作用

• 发现:
  1. 模型未证实焦虑对政策学习 (policy learning) 的效应受政策感知复杂性调节。
  2. 政策感知复杂性与政策学习 (policy learning) 呈负相关。政策被感知越复杂，决策者越不可能学习。
• 解释: 这个结果与研究的预期相反。研究原先认为，被感知为复杂的政策会增加信息的威胁性维度，从而促进系统性处理和学习。但实际上，复杂性似乎会阻碍学习，这被称为“反弹效应” (backlash effect)。这与Tversky和Kahneman (1974) 提出的观点一致，即在复杂情况下，人们可能依赖启发式 (heuristics) 来应对不确定性。
• 结论: H3被拒绝，但揭示了政策感知复杂性本身对政策学习 (policy learning) 的负面影响。

6.1.4. 实验分析总结 (Table 2)

以下是原文 Table 2 (Experimental analysis) 的结果：

$^ { * } { \hat { p } } ^ { < 0 . 1 ; ^ { * * } { \hat { p } } < 0 . 0 5 ; ^ { * * * } { \hat { p } } < 0 . 0 1 }$

• 模型 H1: Anxiety 系数显著为正 (0.132, $p < 0.05$)，支持H1。
• 模型 H2: Strength of Priors 系数显著为负 (−0.222, $p < 0.01$)，表明先前信念 (prior beliefs) 越强，学习越少。Anxiety × Strength of Priors 交互项不显著 (0.063)，不支持H2。
• 模型 H3: Complexity 系数显著为负 (−0.179, $p < 0.01$)，表明感知复杂性越高，学习越少。Anxiety × Complexity 交互项不显著 (0.003)，不支持H3。
• R方: 模型解释力相对较低，但这是社会科学实验的常见情况，尤其是在个体层面。

6.1.5. 鲁棒性检查 (Robustness Checks)

• 方法: 使用多项逻辑回归 (multinomial logistic regressions) 作为替代模型，将因变量 Learning 替换为捕获三种机制的替代版本：反弹效应 (backlash effects)、不更新 (no updating process) 和学习 (learning)。

  • 反弹效应 (backlash effects): 指传入信息导致更新方向与信息建议方向不一致的情况。

• 发现: 鲁棒性检查的结果证实了主要发现，即焦虑的正向效应以及先前信念 (prior beliefs) 强度和感知复杂性的负向相关性。

  以下是原文 Table A3 (Multinomial models) 的结果：

  	Dependent variable
  		Backlash effect Learning H1	Backlash effect Learning H2		Backlash effect Learning H3
  Anxiety	−0.157 (0.158)	0.209* (0.122)	0.085 (0.586)	−0.165 (0.431)	0.009 (0.373)	−0.019 (0.256)
  Strength of the priors			−0.011 (0.057)	−0.278*** (0.047)
  Anxiety × Strength of the priors			−0.034 (0.083)	0.060 (0.065)
  Complexity					0.069* (0.040)	−0.132*** (0.032)
  Anxiety × Complexity					−0.034 (0.059)	0.041 (0.045)
  Constant	−0.828*** (0.107)	−0.184** (0.088)	−0.763* (0.409)	1.582***(0.312)	−1.204*** (0.261)	0.494*** (0.184)
  Akaike Inf. Crit.	2699.129	2699.129	2627.660	2627.660	2630.099	2630.099

$^ { * } { \hat { p } } < 0 . 1 ; ^ { * * } { \hat { p } } < 0 . 0 5 ; ^ { * * * } { \hat { p } } < 0 . 0 1 .$ 注：此表格的结构复杂，显示了多项回归模型。它分为三组，每组包含两个子模型（例如，“Backlash effect Learning H1” 和 “Backlash effect Learning H1”），这可能意味着在多项逻辑回归中，将“不更新”作为参考类别，然后估计“反弹效应”和“学习”相对于“不更新”的对数发生比。

6.1.6. 观测发现 (Observational Findings)

• 目的: 补充实验分析，以更好地理解与学习相关的因素。

• 发现:

  • 感知复杂性 (Perceived Complexity) 和 先前信念强度 (Strength of Priors): 负向且显著相关于学习，与实验结果一致。
  • 意识形态 (Ideology): 自我定位越偏右翼，学习的可能性越低。
  • 大学学历 (University Degree): 与更多的学习相关。
  • 其他: 出生年份 (cohort) 或性别 (gender) 对先前信念 (prior beliefs) 的更新没有显著影响。

• 结论: 这表明学习的心理机制在一定程度上超越了社会人口学差异。

  以下是原文 Table 3 (Observational analysis) 的结果：

  	Dependent variable: Learning
  Complexity	−0.158*** (0.029)
  Strength of Priors	-0.151*** (0.029)
  Cohort	−0.041 (0.029)
  Ideology	−0.048* (0.029)
  Woman	0.059 (0.063)
  University Degree	0.101* (0.058)
  Specialist	−0.100 (0.114)
  Constant	−0.069 (0.050)
  Observations	1140
  R{2	0.074
  Adjusted R2	0.069

$^ { * } { \hat { p } } ^ { < 0 . 1 ; ^ { * * } { \hat { p } } < 0 . 0 5 ; ^ { * * * } { \hat { p } } < 0 . 0 1 }$

• Complexity 和 Strength of Priors 均显著负相关 ($p < 0.01$)。
• Ideology (右翼) 显著负相关 ($p < 0.1$)。
• University Degree 显著正相关 ($p < 0.1$)。

6.2. 数据呈现 (表格)

本部分已在上述各小节中包含相关表格。

6.3. 消融实验/参数分析

• 消融实验: 本文没有进行传统意义上的消融实验来验证模型各组件的有效性。其主要设计是围绕焦虑处理作为核心干预变量。
• 参数分析: 没有对模型中的关键超参数进行分析。
• 鲁棒性检查: 进行了多项逻辑回归 (multinomial logistic regressions) 作为鲁棒性检查，这验证了主要发现的稳健性，即焦虑对学习有积极影响，而强的先前信念 (prior beliefs) 和感知的复杂性会阻碍学习。

7. 总结与思考

7.1. 结论总结

本研究通过对瑞士地方公职人员进行的实验，深入探讨了情绪对政策学习 (policy learning) 的影响。主要发现如下：

1. 焦虑促进政策学习: 焦虑情绪对政策学习 (policy learning) 具有积极且显著的因果效应。当公职人员感到焦虑时，他们更有可能根据新的科学证据更新其政策信念。
2. 先前信念强度阻碍学习: 先前信念 (prior beliefs) 的强度与信念更新呈负相关。公职人员对某一政策问题越自信，他们更新信念的可能性就越小。然而，焦虑对这种关系没有显著的调节作用。
3. 政策感知复杂性阻碍学习: 与预期相反，政策感知复杂性与政策学习 (policy learning) 呈负相关。政策被感知越复杂，公职人员越不可能学习，表现出一种“反弹效应” (backlash effect)。焦虑对复杂性与学习的关系也没有显著的调节作用。 这些发现强调了情绪、认知和政策特征在个体政策学习 (policy learning) 过程中的复杂相互作用。

7.2. 局限性与未来工作

• 样本规模限制: 尽管收集了约1400个观测值，但要精确测量交互效应，需要更大规模的数据。
• 泛化性限制: 实验结果仅部分可泛化。瑞士的民兵政治家 (militia politicians) （兼职工作）可能缺乏专业政治家获取政策信息的关键资源。然而，如果在这种“最不可能”的情况下都能发现焦虑的积极效应，那么在其他制度背景下也应能发现类似结果。未来的研究应在其他背景下进行复制实验。
• 研究范围限制: 现有研究主要关注焦虑。未来研究应探索其他个体层面的变量，如人格特质 (personality traits) 与政策过程中证据使用之间的关系，以及信息量 (information quantity) 或熵 (entropy) 对知识更新和信念修改的因果效应。
• 理论模型不足: 尽管引入了情感智能模型 (Affective Intelligence Model)，但未能找到焦虑对先前信念 (priors) 强度和感知复杂性的调节作用，这表明理论模型可能需要进一步细化或需要更强的统计能力来检测这些效应。

7.3. 个人启发与批判

• 对政策制定过程的启发:
  • 情绪的重要性: 政策制定不仅是理性的认知过程，情绪也扮演着关键角色。焦虑作为一种情绪触发器，能够促使决策者更深入地处理信息并学习，这对于解决气候变化等复杂问题可能是有益的。
  • 挑战与机遇: 尽管焦虑能促进学习，但也存在被操纵的风险。外部行为者（如利益团体）可能利用情绪策略来推动符合其自身利益而非公共利益的政策。这要求政策制定者和公众对信息质量和情绪诉求保持警惕。
  • 克服认知偏差: 先前信念 (strong prior beliefs) 的固着以及对复杂性的规避是政策学习 (policy learning) 的重要障碍。政策设计和沟通应考虑如何帮助决策者克服这些认知保守主义 (cognitive conservatism) 倾向，鼓励开放心态，并提供必要的支持以理解复杂政策。
• 方法论上的批判:
  • 调节效应的缺失: H2和H3的调节效应未被证实是一个值得关注的结果。尽管作者将其归因于统计能力不足或“反弹效应”，但也可能意味着情感智能模型 (AIM) 在这些特定情境下，其预测的调节机制可能不如预期那样直接或强大。这促使我们思考，除了焦虑，是否还有其他情绪或认知机制在更强的先前信念 (prior beliefs) 或更高感知复杂性下发挥作用。
  • “反弹效应”的解释: 对于感知复杂性导致学习减少的“反弹效应” (backlash effect)，本文将其与启发式 (heuristics) 的使用联系起来。但具体是何种启发式，以及焦虑如何在这种情况下与启发式互动，仍有待更深入的探究。
  • 实验的生态有效性: 尽管实验设计严谨，但通过图片诱导的实验室式焦虑与现实世界中政策制定者所经历的“结构性焦虑”或“政策挑战性焦虑”可能存在差异。未来的研究可以探索更自然的焦虑诱导方式，或在更真实的决策环境中进行研究。
• 未来研究方向的思考:
  • 可以进一步探索不同情绪（如希望、愤怒、恐惧）对政策学习 (policy learning) 的差异化影响。
  • 研究政策领域（如健康、经济、环境）的内在特征如何与情绪互动，以影响学习。
  • 更细致地考察决策者的个体差异（如认知风格、风险偏好、人格特质）在情绪与政策学习 (policy learning) 关系中的作用。
  • 探索如何通过干预措施（例如，提供结构化信息、风险沟通策略、决策支持工具）来减轻强先前信念 (prior beliefs) 和感知复杂性对政策学习 (policy learning) 的负面影响。