2023年11月6日下午六点，中国营销工程与创新研究中心(以下简称“MEI”)2023-2024年第一学期第9次研讨会(以下简称“Seminar”)在MEI如期举行，参与本次研讨会的有黄敏学老师、朱华伟老师及MEI各位成员。

　　本次Seminar由李彦霓研读文章《Misperception of Multiple Risks in Medical Decision-Making》。

　　一、研究概述

　　消费者被期望在他们的健康和医疗保健决策中发挥积极作用(Aydin和Gokcen 2019)。然而，为了让消费者做出明智的决定，他们必须清楚地了解与不同行为相关的风险和利益。了解消费者如何感知和处理数字风险信息不仅具有理论意义，而且对于设计有效的风险沟通和促进知情决策也具有重要意义。

　　在医疗决策领域，大量研究集中在对单一风险的感知上，关于消费者在形成整体风险感知时如何将多个风险项目组合在一起的研究较少(Leonhardt and Keller 2018)。本文通过8项研究表明，在医疗和保健品决策背景下，当不同风险等级的项目被考虑在一起时，它们以减法的方式被一致地评估，从而表现出对客观风险较高的药物的更高采纳可能。

　　二、理论框架

　　1、模糊痕迹理论

　　模糊痕迹理论(Reyna & Brainerd)区分了信息的逐字和主旨心理表征。逐字表征(Verbatim representation )是精确的，捕捉了信息的确切表面形式。相比之下，主旨表征(gist representations)的精确性较低，它封装了信息的基本意义，或者是对信息的主观解释。

　　该理论认为，人们喜欢依赖更不精确的信息表征，但仍可以让他们成功地完成任务。也就是说，他们从最基本的表征开始，然后根据任务的要求进行更精确的表征。例如，在评估一个期权的风险度时，一个基本的依据是"无风险"和"某些风险"，或"低风险"和"高风险"之间的分类区分。然而，当任务需要估计精确概率时，这种表示是不充分的。在这种情况下，使用更精确的字面表示(例如,“30 %服用药物B的人发生头痛”)。

　　因此，模糊痕迹理论为我们的假设提供了有力的理论基础，即消费者倾向于将量化的风险信息分为"低风险"和"高风险"等离散类别，并且在整合多个风险的信息时倾向于对这些分类判断进行操作。

　　2. 形成整体风险判断

　　信息整合理论(Anderson，1981)认为，人们通过参与某种"认知代数"，利用简单的计算规则来整合来自多个线索的信息，从而形成对刺激的整体印象。这些计算规则在功能上等价于通用的加、减、乘和平均过程。例如，在竞争选项之间进行决策时，消费者可能会使用一个加的过程，在这个过程中，他们只是简单地计算未加权的线索，并选择具有更积极特征的选项(Alba and Marmorstein 1987; Dawes 1971).

　　作者提出，当组合具有完全不同风险水平的选择时，消费者倾向于使用平均规则。作者预测，对"高风险"和"低风险"的分类判断进行平均，将导致对组合项目的总体风险评估低于对"高风险"项目的单独评估。

　　另外，消费者实际上并不平均他们遇到的数字概率，而是这些概率所代表的更粗糙的风险类别。这也表明，当判断任务需要使用概率信息的逐字词表征，或者当感知到单侧效应的风险过高时，平均化的可能性较小。

　　打破消费者对风险的分类表征的依赖或其跨类别平均的倾向有两个边界条件：

　　(1)某个风险过高

　　(2)视觉提示

　　三、研究假设

　　1.消费者倾向于将量化的风险信息分为"低风险"和"高风险"等离散类别，并且在整合多个风险的信息时倾向于对这些风险进行分类判断操作。

　　2.对"高风险"和"低风险"的分类判断进行平均，将导致对组合项目的总体风险评估低于对"高风险"项目的单独评估。

　　3.边界条件：某个风险过高或采用图片进行视觉提示

　　四、实证过程

　　1.Study 1A

　　研究目的：检验消费者在多重风险条件下比在单一高风险副作用条件下感知到的总体风险更低

　　研究方法：参与者被随机分配到三种情况中的一种(单一风险、高-低风险和高-高风险)，参与者阅读了一个医疗场景，他们想象被诊断为类风湿性关节炎。在单一情况下，新药有单一的副作用，发生的概率相对较高。在高-低条件下，药物同时有与单一情况相同的副作用和低发生概率的第二副作用(second side effect,SSE)。在高-高的情况下，药物同时有与单一情况相同的副作用和高发生概率的SSE。然后，参与者在100分滑动量表上评估服用药物时出现副作用的总体风险(0 =非常低风险，100=非常高风险)，以及他们开始用药的可能性(0 =根本不可能，100=很可能)。

　　研究结果：

　　(1)消费者倾向于判断具有高风险和低风险水平的组合项目比单独的高风险项目整体风险更低，并且这种感知风险的差异影响了他们的行为

　　(2)排除了基于严重程度的稀释性的替代性解释

　　2.Study 1B

　　研究目的：使用不同的产品、不同的人群和激励兼容的决策任务来测试研究结果的稳健性

　　研究方法：2(副作用：单一与联合)×2(高风险：胃不适与头痛)组间设计。参与者看到了一个 Ginkgo Biloba的广告——一种在亚马逊上出售的膳食补充剂。那些在单一副作用条件下的人发现，食用Ginkgo Biloba会导致胃不适(头痛)，45%的服用Ginkgo Biloba的人会发生这种情况。那些处于高-低条件的人说，除了45%的几率出现胃不适(头痛)，还有5%的几率出现头痛(胃不适)。参与者评估服用膳食补充剂时体验到副作用的总体风险(0-非常低的风险，10-非常高的风险)，并表明他们是否愿意参与彩票以获得免费的一瓶膳食补充剂(14.95英镑)。

　　研究结果：

　　(1)检验了研究1A研究结果的稳健性

　　(2)通过操纵哪些副作用发生的可能性更高，研究1B提供了额外的证据来反对我们的发现的基于严重性的解释。

　　3.Study 1C

　　研究目的：使用另一种产品重复了之前的研究发现。同时测试当有两个以上的副作用时，是否会发生分类平均

　　研究方法：三种风险条件(高VS.高-低VS.高-低-低)，382名参与者(Mage = 40.6，SDage = 12.2)，与研究1b相同，参与者对总体风险进行评分，是否参加彩票。

　　研究结果：

　　研究1(A，B，C)提供了强有力的证据，表明消费者确实认为具有高和低风险水平的组合项目总体上风险低于高风险项目，这种感知风险的差异反过来影响了他们在后续任务中的行为

　　4.Study 2

　　研究目的：检验分类平均作为减法判断的基础在多重风险感知中的作用

　　研究方法：三种风险条件(单一VS.联合高VS.联合低)，总计313名参与者(Mage = 32.5，SDage = 10.3)，情景和措施与研究1A相同。为了将20%的数值概率分为高风险或低风险，高联合和低联合条件下的参与者被要求在观看关节炎场景之前回顾四种品牌的安眠药。其中一个品牌(药物A)被描述为有20%的概率引起腹部绞痛和疼痛，并与其他三个品牌一起被描述为有显著降低或显著升高的引起相同副作用的概率。在联合高条件下，药物B、C和D的概率分别为4%、2%和1%，因此出现腹部绞痛的概率为20%，表现为高风险。在联合低条件下，药物B、C和D的概率分别为55%、62%和69%，使腹部绞痛的概率为低风险。在回顾了四种品牌的安眠药后，参与者将每种药物引起腹部绞痛和疼痛的风险分为高或低。所有参与者对他们的总体风险进行了评分。

　　研究结果：

　　当消费者面临数字概率时，他们实际上并不试图整合数字本身。相反，他们在数字所代表的更模糊的风险类别之间进行平均。

　　5.Study 3

　　研究目的：检验当某一副作用被认为风险太大时，分类平均的可能性应该较小。

　　研究方法：2 (FSE -第一副作用: 45% vs. 75%) ×7 (SSE -第二副作用: 0%vs. 1% vs. 6% vs. 17% vs. 22% vs. 30% vs. 35%)，总计1551名参与者，在这个场景中，他们想象自己有睡眠困难。那些在单一副作用条件下的人会发现，服用新药中有45%(高)或75%(过高)的人头痛。那些在联合副作用条件下的人知道，除了头痛的几率外，还有1%、6%、17%、22%、30%或35%的几率发生心脏烧伤。所有参与者都对副作用的总体风险、开始用药的可能性、做出药物相关决定的经验和完成柏林计算能力测试进行了评分。

　　研究结果：

　　当某一副作用的概率非常高时，无论第二个副作用(SSE)的概率如何，增加第二个副作用(SSE)既不会增加也不会降低消费者的总体风险感知。

　　6.Study 4

　　研究目的：研究检验诱惑消费者依赖逐字逐句数字概率的影响

　　研究方法：2 (副作用: 单一 vs. 联合) ×3 (判断任务: 风险 vs. 风险锚 vs. 概率)，783名参与者阅读了研究3中的睡眠药物治疗场景。单一副作用条件下的被试会发现，一种可能帮助他们的新药物会导致45%的人头痛。那些在联合副作用的情况下的被试得知，除了45%的几率发生头痛外，还有6%的几率经历胃灼热。

　　在风险判断任务条件下，参与者用100分的滑动量表来评估他们的风险感知，即风险非常低和非常高的风险。那些处于风险锚条件下的人使用100分的风险感知，其中包括5个风险标签(非常低、低、中、高和非常高)，以增强对反应的分类感知。在概率条件下的参与者被要求在以0%和100%固定的100分滑动量表上估计经历任何副作用的概率。

　　研究结果：

　　当明确询问与总体风险相对的概率时，消费者正确报告具有两个副作用的选项的概率高于具有单个副作用的选项。

　　7.Study 5A

　　研究目的：测试了以图形格式呈现风险信息的有效性

　　研究方法：设计了5种副作用/陈述格式条件(单副作用/数值VS.单副作用/图表VS.联合副作用/数值VS.联合副作用/强调附加风险的图表VS.联合副作用/不强调附加风险的图表)，664名参与者，采用了研究1A中的关节炎药物治疗方案，其风险值略有改变(35%为腹部绞痛，3%为视力模糊)。堆叠的条形图在强调附加风险的图表格式中使用，并排的条形图在不强调附加风险的图形格式中使用，并预计会产生与数字格式相同的减法判断。

　　研究结果：

　　以图形格式提供风险信息，强调多重风险的风险相加性，可能是一种简单而有效的干预措施，旨在减少消费者在高风险和低风险中实现平均的倾向

　　8.Study 5B

　　研究目的：测试了以象形文字格式呈现风险信息的有效性

　　研究方法：2(副作用：单一vs.联合)×2(格式：数字vs.图表) 的组间设计，652名参与者，使用研究3A的流程，风险值有修改。那些有单一副作用的人认为，这种新药会导致35%的人头痛。那些在联合副作用的情况下的人知道，除了35%的几率发生头痛外，还有4%的几率经历胃灼热。

　　研究结果：

　　象形文字已被证明可以提高人们对医疗风险的理解，并可用于提供有关多种风险的信息，以突出它们的附加属性。象形文字能够减少分类平均，并降低消费者对多重风险的偏见认知

　　五、研究结论

　　1. 在风险感知和分类思维研究领域作出贡献。通常，涉及多种风险的选项应被认为比只涉及其中一种风险的选项风险更大。然而，作者指出，消费者通常认为只有一种副作用的药物比有两种副作用的药物风险更大。

　　2. 以非加性格式呈现多种风险会导致对这些风险的错误感知。然而，将表示模式更改为可视化多种风险的附加属性的格式有助于纠正误解，另一种减少对多重风险的误解的方法是教育消费者关于分类平均的风险。

　　3. 通过将分类平均作为消费者形成多重风险感知的关键机制，在风险感知领域作出贡献。

　　4. 通过提供对平均过程及其边界条件的新见解，扩展了关于信息整合的文献。

　　至此，本次Seminar文章研读完毕。

　　之后，由王汐文、刘冰怡、王玥分享了最近的研究进展。针对研究中的问题，老师与同学们提出了一些建议，并且明确了进一步的研究计划。

　　至此，本学期第9次Seminar圆满结束。

　　文字/王玥

　　排版 /王玥

　　审核 / 陈嘉达