可识别受害者效应 (Identifiable Victim Effect)

概览

1. 快速摘要

当我们看到单个人受苦——一张面孔、一个名字、一个故事时——我们会感到有强烈的冲动去帮助他。但当我们听说数百万人面临同样的命运时，我们通常毫无感觉。这种悖论就是可识别受害者效应：我们的内心对“一个”有感，对“一百万”却无感。我们会慷慨解囊去拯救“马里7岁女孩罗基娅(Rokia)”，却无视关于300万饥饿儿童的统计数据，尽管后者代表着呈指数级增长的苦难。

2. 背后的科学

2.1. 发现与历史

可识别受害者效应的思想渊源可以追溯到1968年，而且不是出现在心理学期刊上，而是出现在一篇经济学论文中。后来获得诺贝尔奖的经济学家托马斯·谢林（Thomas Schelling）当时正在处理一个公共政策问题：在为安全法规计算成本效益分析时，政府应该如何评估一条人类生命的价值？

谢林观察到，社会在实际分配资源时存在着令人震惊的不一致性。他提出了“个体生命（individual life）”和“统计生命（statistical life）”之间的关键区别，并指出，一个需要手术的特定儿童会获得压倒性的公众支持，而可以拯救更多生命的预防措施却长期资金不足。

自谢林最初的观察以来，人们对这种效应的理解有了很大推进。在20世纪90年代，研究人员开始在实验室环境中系统地测试这种现象。到了21世纪初，该领域已扩展到包括神经影像学研究、跨文化比较以及对潜在去偏见策略的调查。如今，可识别受害者效应（IVE）被公认为行为经济学和道德心理学中最可靠的发现之一，在公共卫生、慈善筹款和政策设计中有着直接的应用。

该研究领域的重要里程碑包括：

• 1968年：托马斯·谢林在《你拯救的生命可能是你自己的生命（The Life You Save May Be Your Own）》中的基础性观察。
• 1997年：卡伦·珍妮（Karen Jenni）和乔治·洛温斯坦（George Loewenstein）对参照群体和比例效应的研究。
• 2003年：德博拉·斯莫尔（Deborah Small）和洛温斯坦分离出作为关键因素的“确定性（determinacy）”。
• 2005年：特希拉·科古特（Tehila Kogut）和伊拉娜·里托夫（Ilana Ritov）发现“单一性效应（Singularity Effect）”。
• 2007年：斯莫尔、洛温斯坦和保罗·斯洛维奇（Paul Slovic）具有里程碑意义的“罗基娅”研究。
• 2011年：卡梅伦（Cameron）和佩恩（Payne）关于动机性情绪调节的研究。
• 2015年：王等人（Wang et al.）挑战该效应普遍性的跨文化研究。

2.2. 主要研究人员

2.3. 里程碑研究

确定性效应研究 (The Determination Effect Study) (Small & Loewenstein, 2003)

这个设计精巧的实验要弄清楚一件事：可识别受害者效应是由受害者的生动信息（名字、照片、故事）引起的，还是仅仅因为知道一个特定的人已经被识别出来。

研究方法：在使用“独裁者博弈（Dictator Game）”的实验范式中，参与者会获得资金，并可以与“受害者”（其他失去资金的参与者）分享。在一种条件下，接受者是“未确定的”，在做出捐赠决定后才从池中抽取。在另一种条件下，接受者是“已确定的”，即已经选定（例如“4号人物”），尽管捐赠者对他们一无所知。关键在于，这两种条件下都没有照片、名字或故事。

主要发现：与尚未确定的受害者相比，参与者明显更愿意补偿那些已经确定的受害者。这说明仅仅是确定性，也就是知道某个特定的人是受害者，就能产生独立于任何生动细节的心理联系。

启示：研究表明，当受害者被确定时，不伸出援手会让人感觉像是直接违反了社会义务。而当受害者未确定时，不伸出援手则感觉像是政策上的普遍失败或运气不佳，承载的情感分量较轻。

单一性效应研究 (The Singularity Effect Study) (Kogut & Ritov, 2005)

这项研究探讨了可识别性是否随数量的增加而按比例扩大：如果一个被识别出的受害者能引发强烈的情感，那么八个被识别出的受害者能引发八倍的情感吗？

研究方法：参与者表明他们为拯救需要昂贵药物的生病儿童的捐款意愿（WTC）。测试了四种条件：（1）一个被识别的儿童（有照片和名字），（2）一个未识别的儿童，（3）一组八名被识别的儿童（有照片和名字），以及（4）一组八名未识别的儿童。

主要发现：单个被识别的儿童引出了最多的捐款和最高的情感困扰评分。而与未识别的群体相比，识别出八人组并没有显著增加捐款。在许多试验中，单个被识别出的受害者筹集到的资金比八个被识别出的受害者加起来还要多。

启示：可识别受害者效应本质上是一种“单一性效应”。驱动极端利他主义的情感机制只能被单一的焦点目标触发。当目标变成一个群体时，认知处理过程发生了转变：心理意象变得模糊，情绪调节机制介入，该效应便崩塌了。

“罗基娅”研究 (The "Rokia" Study) (Small, Loewenstein & Slovic, 2007)

这可能是该领域最著名的实验，本研究考察了当情感诉求与统计信息结合时会发生什么。

研究方法：参与者收到三种条件下的“拯救儿童（Save the Children）”劝募信：（A）一个完全聚焦于马里7岁女孩罗基娅的叙事，附有她的照片和个人故事；（B）关于非洲粮食危机的统计信息（受影响的数百万人，涉及的国家）；（C）罗基娅的故事与统计背景的结合。

主要发现：“仅限罗基娅”条件筹集的资金最多。“仅限统计数据”条件筹集的资金最少。最令人惊讶的是，合并条件筹集的资金明显少于仅限罗基娅的条件。

启示：在情感诉求中加入统计数据不但不会增强它，反而会削弱它。处理统计信息会启动审慎思考（系统2），这与产生同情所需的情感模式（系统1）是对立的。当人们开始计算时，他们就不再感受了。

洞察力的冷酷研究 (The Callousness of Insight Study) (Small, Loewenstein & Slovic, 2007)

在罗基娅研究的第二阶段，研究人员试图通过明确地向参与者教育有关IVE及其道德不一致性的知识，来对参与者进行“去偏见（debias）”。

主要发现：教育并没有让参与者对统计学上的受害者更加慷慨。相反，它使他们对可识别的受害者不再那么慷慨。参与者达成一致性的方式，是在所有条件下都变得同样不慈善，而非总体上变得更加慈善。

启示：在这种背景下，理性压制了想要提供帮助的情感冲动，却没有提供足够的理性动机来取而代之。如果没有可识别受害者的“非理性”拉力，给予的冲动可能会完全消失。

同情心崩塌研究 (The Compassion Collapse Study) (Cameron & Payne, 2011)

这项研究调查了对群体的同情心崩塌是一种被动的能力限制，还是一种主动的调节过程。

研究方法：参与者阅读关于一名受害者或八名受害者的信息。一半的人被告知他们会被要求捐款（有代价条件）；另一半则被告知他们只会阅读有关受害者的信息（无代价条件）。

主要发现：同情心崩塌（对群体的感觉减弱）只出现在有代价条件中。当参与者知道他们不必付钱时，他们实际上报告说对群体的同情心超过了对个人的同情心。

启示：崩塌是一种软件防御机制，而非大脑的硬件故障。人们会主动下调对群体的同理心，以保护自己免受过度关怀带来的预期情感和经济成本。

2.4. 神经学基础

功能性磁共振成像（fMRI）研究已经绘制出可识别受害者效应背后的神经架构。处理已识别受害者与处理统计学受害者时，大脑的激活模式截然不同。

涉及的关键大脑区域：

• 伏隔核 (Nucleus Accumbens, NAcc)：这个奖励预期区域的活动可以预测对可识别受害者的捐款。这支持了“温情效应（warm glow）”理论：帮助特定的人会激活大脑的奖励回路，让慷慨之举在内在层面感到愉悦。

• 脑岛和内侧前额叶皮层 (Insula and Medial Prefrontal Cortex, mPFC)：当参与者考虑可识别的受害者时，这些负责情感共情和“心智化”（思考他人的心理状态）的中枢表现出更高的活跃度，社会联系的自发程度也更强。

• 颞顶交界处 (Temporoparietal Junction, TPJ)：矛盾的是，这个区域在涉及匿名或统计受害者的任务中更加活跃。TPJ处理心智理论和心理模拟，可见大脑在构建看不见的受害者的人性时更加努力，而已识别受害者的人性则是自动处理的。

• 背外侧前额叶皮层 (Dorsolateral Prefrontal Cortex, dlPFC)：这个“计算中心”在处理统计信息时激活得更强烈。值得注意的是，dlPFC的激活通常与捐款金额呈负相关：当分析性大脑开启时，慷慨度就会降低。

神经分离：神经科学支持双过程理论。可识别受害者任务招募“情感大脑”（脑岛、杏仁核、NAcc），而统计任务招募“计算大脑”（dlPFC）。这些系统似乎是对立的：激活一个往往会抑制另一个。

3. 进化起源

可识别受害者效应很可能作为人类认知在远古环境中的适应性特征而演化出来，而非一个错误。我们的道德心理学是在由50-150人组成的小群体中发展起来的，在这些群体中，每个人都被认识，每张面孔都能被认出，每一次死亡都被直接经历。

生存优势：

在这种环境中，对已知个体的强烈情感反应带来了实在的好处：

• 激励对亲属和盟友采取立即的保护行动
• 强化了社会纽带和互惠利他网络
• 作为联盟伙伴发出了可靠的信号
• 确保对特定后代的投资，而不是对“一般儿童”的广泛关注

不匹配问题：

我们大脑的演化方式是每次处理一张面孔的苦难。“300万饥饿儿童”的概念对于我们的祖先来说在认知上是不可能的，他们的整个世界里从未有过那么多人。理解大规模苦难所需的统计思维是进化上较新的创新，它被移植到为亲密规模同情心设计的情感硬件上。

是特性，不是漏洞：

从这个角度来看，IVE与其说是认知错误，不如说是设计限制。我们的情感系统无法随着受害者人数线性扩展，因为它所优化的那个世界里，一个人所处的直接社区里潜在受害者的最大数量就是一个人。斯洛维奇描述的“心理物理麻木”遵循韦伯定律，这是所有感官模式中普遍存在的基本感知原理。我们对一百万受害者的按比例感受的无能，就像我们无法感知1,000,000根蜡烛和1,000,001根蜡烛之间的区别一样。

权衡：

我们对被识别个体的强烈反应是以牺牲我们对统计数据做出相应反应的能力为代价的。进化优先考虑深度而不是广度：为一个人的利益采取决定性行动比因对数千人的担忧而瘫痪要好。

4. 这种偏差如何表现

4.1. 在日常生活中

可识别受害者效应以微妙但普遍的方式影响着我们的日常决策：

• 慈善捐赠：相比于描述广泛需求的呼吁，人们更容易向展示单个儿童照片的募捐者捐款。“助养一名儿童（sponsor a child）”的模式直接利用了这一点。
• 新闻消费：关于个人悲剧（一起绑架案，一个家庭的火灾）的报道比影响数百万人的系统性问题（长期贫困，地方病）能引起更多的关注和互动。
• 个人安全决策：父母可能会过分关注对特定儿童罕见但生动的威胁（陌生人绑架），而对统计学上更危险的隐患（汽车安全座椅、游泳池监管）投入不足。
• 宠物收养：收容所发现，展示有名字和故事的特定动物相比于安乐死率的统计数据，能大幅提高收养率。
• 人际帮助：人们更容易帮助一个正在描述具体问题的特定朋友，而对群体或社区的一般性请求反应迟钝。

4.2. 在职场中

• 资源分配：管理者可能会优先处理可见的、急性问题，而不是总体影响更大的系统性问题。单个员工的危机比影响整个团队的逐渐倦怠更能引起关注。
• 绩效评估：与一致的统计表现相比，引人注目的个人成功或失败（可识别事件）可能会不成比例地影响评估。
• 招聘决策：面试中引人注目的个人叙述可以盖过工作成功的统计预测指标。
• 安全投资：戏剧性的单一事件可能会引发昂贵的应对措施，而具有成本效益的预防措施却依然缺乏资金。
• 客户投诉：一个生动的客户投诉可能会比显示普遍中度不满意的总体满意度指标推动更多的组织变革。

4.3. 在商业和营销中

企业广泛利用IVE：

• 推荐胜于统计：“认识一下减肥50磅的莎拉（Sarah）”比“87%的用户报告体重减轻”效果更好，因为莎拉是可识别的。
• 代言人营销：品牌使用特定的名人代言人，而不是引用总体消费者满意度。
• 路演中的故事讲述：风险投资家对创始人的起源故事的反应比对市场规模统计数据的反应更强烈。
• 产品召回：公司优先回应个别病毒式传播的投诉，而不是解决更大范围的模式问题。
• 慈善伙伴关系：企业捐赠项目以特定受益人为特色，而不是项目影响指标。
• 保险营销：广告展示了生命被拯救的特定个人，而不是精算表。

4.4. 在政治和媒体中

• 政策议程设置：立法通常紧随可识别的悲剧之后，而不是统计分析。一次戏剧性的死亡可以催生出数千次匿名死亡无法催生的法律。
• 媒体报道模式：新闻机构以个人的具有人情味的故事而非系统分析作为头条，因为他们知道受众对前者反应更强烈。
• 政治信息传递：候选人引用选民的个人故事（“我在俄亥俄州遇到一位女士……”），而不是汇总数据。
• 移民辩论：双方都部署了个人故事，令人同情的难民儿童或可识别的犯罪受害者，因为统计数据无法改变公众舆论。
• 战争和冲突：在特定平民伤亡的图像出现后，公众对军事干预的支持率会飙升，但对死亡人数的统计数据却无动于衷。

4.5. 在医疗保健中

IVE在医疗资源分配中造成了严重的扭曲：

• 救援规则（The Rule of Rescue）：医疗保健系统在为确定的患者提供临终干预方面花费不成比例，而在本可以拯救更多统计生命的预防性护理方面投入不足。
• 罕见病资金：影响可识别患者的疾病获得的资金与其疾病负担不成比例，而常见疾病则仍然缺乏资金。
• 器官分配：为需要移植的特定患者开展的公众运动可能会扭曲为统计公平而设计的分配系统。
• 临床决策：医生为眼前患者做出的选择可能与他们向具有相同症状的统计学患者推荐的选择不同。
• 卫生政策：引人注目的个案推动了在人群层面可能不具成本效益的政策变化（如保险覆盖强制令）。
• 药品定价辩论：个别患者关于负担不起药物的故事比总体影响数据推动了更多的政策讨论。

4.6. 在金融和投资中

• 投资叙事：投资者被引人注目的创始人故事所吸引，而不是优越的财务指标。
• 损失规避不对称：一次高调的投资失败（可识别的）可能会比多元化投资组合统计数据所暗示的理性改变导致更多的行为改变。
• 欺诈检测：资源流向调查具体的、引人注目的欺诈案件，而不是建立防止扩散性损失的系统。
• 获客：理财顾问发现，在吸引新业务方面，客户的现身说法胜过业绩统计数据。
• 危机应对：单一戏剧性的市场事件比同等规模的缓慢统计转变驱动更多的行为改变。

5. 现实世界案例研究

案例研究 1：“杰西卡宝宝”·麦克卢尔 (1987)

• 背景： 1987年10月，18个月大的杰西卡·麦克卢尔（Jessica McClure）在德克萨斯州米德兰跌入一口废弃的井中。救援工作耗时58小时。

• 发生了什么： CNN对救援尝试进行了现场直播，这是24小时新闻时代的首次重大事件之一。数以百万计的人实时观看了这场戏剧的展开，在情感上投入到这个蹒跚学步的孩子的命运中。

• 偏差在起作用： 杰西卡是典型的可识别受害者：年轻、无辜、可见，有名字和面孔。她是“确定”的，命运选中了她，而观众的干预（情感和经济上的）是唯一的变量。公众的反应是压倒性的：成千上万的陌生人寄来了贺卡、泰迪熊和钱。这个家庭收到了超过70万美元的主动捐款。

• 后果： 在那同样的58个小时里，全球有成千上万的儿童死于可预防的原因，包括饥饿、脱水、缺乏基本的医疗护理。如果这70万美元用于疫苗接种或饥荒救济，它可以拯救数百人的生命。然而，统计数据上的死亡无法与一个被识别的生命的戏剧性竞争。

• 经验教训： “杰西卡宝宝”成为了谢林理论成为现实的范例。这个案例展示了可识别性动员资源的力量，也展示了与从未获得同等关注的统计生命之间隐含的权衡。

案例研究 2：瑞恩·怀特与《瑞恩·怀特关怀法案》(1990)

• 背景： 在20世纪80年代，艾滋病疫情正在摧毁美国。然而，由于受害者主要是男同性恋者和静脉注射吸毒者，这些都是受污名化的群体，里根政府的反应迟缓且资金不足。受害者被视为统计数字，在某些人看来是有罪的。

• 发生了什么： 瑞恩·怀特（Ryan White），一名血友病少年，通过输血感染了HIV。他被印第安纳州的学校开除，他争取复学的法律斗争成为了全国性新闻。怀特是白人、年轻、口齿伶俐，并且——关键是——“无辜”（对他的感染不承担责任）。他在国会作证，并出现在国家电视台上。

• 偏差在起作用： 瑞恩·怀特将“艾滋病受害者”（一个统计学上的、受污名化的群体）变成了“瑞恩”（一个可识别的、引起共鸣的男孩）。他使一场单靠统计数据无法做到这一点的流行病变得人性化。对成千上万死去的男同性恋者无动于衷的公众，对这个少年做出了强烈的反应。

• 后果： 1990年4月瑞恩·怀特去世后，国会迅速通过了《瑞恩·怀特全面艾滋病资源紧急援助法案》(Ryan White CARE Act)，该法案成为联邦资助艾滋病毒/艾滋病患者最大的项目，提供了数十亿美元的护理费用。当受害者是统计数字时停滞不前的政策，在受害者变成一个活生生的人时加速了。

• 经验教训： 这个案例说明了“立法的IVE”，也就是可识别的受害者如何催生抽象数据无法催生的政策变化。它还揭示了“无辜受害者”框架令人不安的作用，说明IVE受感知到的罪责和社会距离的调节。

案例研究 3：艾兰·库尔迪 (2015)

• 背景： 到2015年9月，叙利亚内战已造成超过25万人死亡，数百万人流离失所。尽管这些数字惊人，但欧洲和全球的反应相对平淡。

• 发生了什么： 2015年9月2日，三岁的叙利亚难民艾兰·库尔迪（Aylan Kurdi）的遗体被冲上土耳其海滩。他那面朝下趴在沙滩上的小小身体的照片出现在世界各地的报纸头版。

• 偏差在起作用： 保罗·斯洛维奇及其同事分析了这种影响。在照片发布之前，25万的死亡人数几乎没有引起任何参与，这是教科书般的心理麻木。艾兰的单张照片导致向瑞典红十字会的捐款垂直激增（几天内增加了100倍），并且在Google上对“叙利亚”和“难民”的搜索激增。

• 后果： 注意力的激增是强烈的，但却是短暂的。斯洛维奇的数据显示，在六周内，尽管战争仍在继续，搜索量和捐款率恢复到了基线水平。艾兰已经成为了统计数据的一部分。

• 经验教训： 这个案例展示了可识别性打破麻木状态的力量，也展示了这种突破的脆弱性。IVE会产生一种强烈的情感爆发，一旦受害者退回到匿名的群众中，这种爆发就难以维持。

历史案例：“圣诞女孩”思想实验

托马斯·谢林1968年最初的表述本身就是一种历史案例研究。他描述了一个假设的六岁棕发女孩，需要在圣诞节前动手术，并预测邮局将被“大量的五分和一角硬币（捐款）淹没”，而一份关于医院设施恶化导致可预防死亡人数增加的统计报告却不会引起任何回应。

从那时起，这个思想实验被无数次证实。“许愿基金会（Make-A-Wish）”、圣裘德（St. Jude's）儿童研究医院的广告、ASPCA以个体动物为主角的商业广告，这些都把谢林的洞见付诸实践：社会将确认的生命的价值评估为接近无限，同时却认为统计生命的价值几乎不值一张邮票钱。

6. 这种偏差的代价

6.1. 个人代价

• 错误分配的同情心：个人将他们的慈善预算和情感精力耗费在确定的事业上，同时系统地忽视了影响更大的机会。
• 易受情感操纵：对故事胜过统计数据的易感性使得人们成为熟练叙事创作者的操纵目标。
• 决定后悔：回想起来，人们可能会对没有最大化他们本可以做的好事的情感决定感到遗憾。
• 同情疲劳：对已识别受害者的强烈情感反应会导致倦怠，使持续参与的能力降低。
• 道德困境：对IVE的意识会产生内疚感，因为人会明知自己的情感反应与自己宣称的关于人类价值平等的价值观不一致。

6.2. 职业代价

• 次优的资源分配：由情感反应而不是影响分析主导的组织可能无法有效地实现其使命。
• 危机驱动的管理：将可识别的问题置于统计模式之上，会导致被动而非主动的组织文化。
• 错失的预防机会：以无形的预防为代价，在可见的救援行动上进行投资代表了一种系统性的错误分配。
• 声誉波动：对个别投诉做出不成比例反应的组织可能显得前后不一或武断。

6.3. 社会代价

全社会范围内IVE的总体成本难以量化，但几乎肯定是巨大的：

• 医疗保健效率低下：“救援规则”将医疗支出引向对确定患者的戏剧性干预，而不是具有成本效益的预防。数百万人本可以通过疫苗接种、卫生设施或早期筛查得救，却因为资源流向末期救援而死亡。
• 政策扭曲：以个别受害者命名的法律可能并不是解决其所针对问题的最佳对策。“梅根法案”、“亚当法案”和类似立法反映了对悲剧的情感反应，而不是基于证据的政策设计。
• 慈善效率低下：数十亿慈善资金流向了有明确受益人的事业，而不是每美元边际影响最高的干预措施。
• 国际援助模式：富裕国家在拯救少数可识别受害者（引人注目的饥荒救济，高调的难民案件）上花费的钱可能比在防止更多苦难的系统性发展援助上花费的钱还要多。

6.4. 统计影响

研究结果量化了该效应的程度：

• 在罗基娅的研究中，对被识别出的受害者的捐款大约是对表现出相同需求的统计学受害者的捐款的两倍。
• 科古特和里托夫发现，一个被识别出的孩子所产生的捐款比八个被识别出的孩子加起来还要多。
• 斯洛维奇对艾兰·库尔迪效应的分析显示，在照片发布后，捐款立即激增了100倍，然后在六周内回落到基准水平。
• 跨文化研究表明，该效应的程度差异很大，有些人群甚至显示出相反的模式，可见至少部分“代价”可能是文化特有的。

7. 隐藏的益处

可识别受害者效应并不完全是适应不良的。在许多情况下，它有重要的心理和社会功能：

• 行动的动力：如果没有可识别受害者的情感拉力，助人的冲动可能完全消失。“洞察力的冷酷”研究表明，仅靠理性分析会产生更少的给予，而不是更好的给予。IVE是许多现实世界利他主义的引擎。
• 社会联系：对已知个体强烈的反应强化了社会纽带，并标志着作为社区成员的可靠性。在祖先的环境中，这具有直接的适应性。
• 适当的优先级：在许多个人背景下，将熟人置于抽象统计数据之上是完全合适的。比关心统计学上的孩子更关心自己的孩子，并不是需要纠正的偏差。
• 叙事的意义构建：人类心理学是围绕叙事而不是统计数据组织的。被识别的受害者提供了一种故事结构，使苦难易于理解，并使行动变得有意义。
• 更广泛行动的催化剂：像瑞恩·怀特这样的个案可以作为系统性变革的切入点。确定的受害者打开了人们的心扉；精明的倡导者然后将这种能量重新引导至更广泛的解决方案。
• 道德锚点：对确认的痛苦的强烈反应可能作为“道德锚点”，防止人类生命完全被工具化。一个对一个人的死亡和一百万人的死亡有着相同感觉的社会将会是令人不寒而栗的。

目标可能不是消除IVE，而是利用它的动机力量，同时辅之以旨在解决统计学苦难的系统和制度。

8. 自我评估：你有这种偏差吗？

8.1. 警告信号清单

• 相比于引用统计数据的呼吁，我更容易被带有个人照片和故事的募捐呼吁所打动。
• 我曾捐款帮助在新闻中看到的某个特定的人，却忽略了更有效的捐赠机会。
• 当我听到大规模悲剧时，我对每个受害者的感受比听到个人悲剧时要少。
• 我优先帮助我认识的人而不是陌生人，即使陌生人可能有更大的需求。
• 我曾被病毒式的个人故事感动而采取行动，同时却无视系统性问题。
• 当我能想象出将要受益的特定人物时，我感到有更大的责任去帮助。
• 关于苦难的统计数据感觉很抽象，无法促使我采取行动。
• 当特定个人要求时，我比组织代表多数人要求时更可能提供帮助。
• 一旦受害者成为更大统计模式的一部分，我发现很难维持对他们的关怀。
• 我觉得“完全”帮助一个人比部分帮助很多人更令人满足。

评分：

• 勾选 0-2 项：敏感度低（非常不寻常——请考虑你是否完全诚实）
• 勾选 3-5 项：中等敏感度（大多数人的典型范围）
• 勾选 6-8 项：高敏感度（你受到可识别性的强烈影响）
• 勾选 9-10 项：极高敏感度（该偏差强烈塑造了你的助人行为）

注：这种偏差几乎是普遍存在的。“中等”分数是正常的，极低的分数可能表明少报而不是免疫。

8.2. 自我反思问题

1. 回想一下你最近的三次慈善捐款。它们是由个人故事还是统计需求促发的？如果你看到了整体影响数据，你的捐赠方式会有所不同吗？
2. 上一次统计数据本身（没有附加任何个人故事）促使你采取行动是什么时候？是什么让那种情况有所不同？
3. 如果你得知你的助人行为系统性地偏向于可识别的受害者，你会想改变它吗？为什么或为什么不？
4. 当你读到有关持续的大规模苦难（全球贫困，可预防的疾病死亡）的统计数据时，你有什么感觉？缺乏强烈的情感会让你担心吗？
5. 其他人有没有指出过，你似乎更容易被个案而不是更大的模式所打动？你是如何回应的？

8.3. 快速诊断场景

场景： 一家慈善机构向你发送了两份募捐呼吁。呼吁A介绍了危地马拉的一名8岁女孩玛丽亚，附有一张照片，并说明你的50美元捐款将如何为她提供一年的清洁水。呼吁B呈现的数据显示，同样的50美元可以通过另一个项目为5名儿童提供清洁水，但没有提供个人照片或姓名。

你会如何回应？

• A) 我绝对会向呼吁A捐款——玛丽亚的故事很吸引人，而且我可以准确地想象我在帮助谁。 → 高敏感度
• B) 我可能会向呼吁A捐款，尽管知道呼吁B帮助了更多孩子我可能会感到有些内疚。 → 中等敏感度
• C) 我会向呼吁B捐款——1:5的比例意味着我的钱能做更多的好事，不管我是否能想象出受益人。 → 低敏感度

9. 在他人身上识别此偏差

9.1. 行为指标

• 对个别新闻报道的情感反应与统计报告相比不成比例
• 慈善捐赠集中在拥有引人注目的个别受益人的事业上
• 一旦眼前的个人故事消退，就难以维持对持续危机的关注
• 偏好“助养一名儿童”项目而非系统性干预措施
• 对特定个人的请求反应强烈，对组织呼吁反应冷淡
• 倾向于在社交媒体上分享个别受害者的故事，而忽略统计背景
• 资源分配优先考虑可见的、急性问题，而不是更大的系统性问题

9.2. 对话中的危险信号

当人们受到这种偏见影响时会说的短语：

• “我需要看到一张脸才能真正关心”
• “统计数据打动不了我——我需要知道我正在帮助谁”
• “这感觉像是杯水车薪——我能带来什么改变？”
• “我宁愿肯定地救一个人，也不愿也许能救一百个人”
• “这不仅仅是个数字——他们是活生生的人”

他们提出的论点类型：

• 为了支持个人的轶事而驳回统计证据
• 认为“真正的影响”需要与受益人建立个人联系
• 将情感反应视为比算计的给予更“真实”

他们避免问的问题：

• “我的捐款带来的边际影响是什么？”
• “这笔钱在其他地方能救更多的人吗？”
• “我捐款是为了自我感觉良好还是为了做善事？”

9.3. 情境触发因素

• 媒体曝光：媒体对个人悲剧的报道会激活偏见；而统计报道则不会。
• 照片和姓名：视觉识别会极大地增加易感性。
• 距离和相似性：内群体受害者比外群体受害者更强烈地触发偏见。
• 请求构架：以特定受益人为特征的呼吁会激活偏见；集合型的呼吁则不会。
• 情绪状态：现有的情绪唤起可能会放大这种效应。
• 时间压力：快速决策可能更多地依赖于情感反应，从而增加了IVE的影响。
• 预期成本：知道接下来会被要求提供帮助，会增加对群体防御性的麻木感。

10. 认知去偏见策略

10.1. 即时技巧

• 数字核对：在回应一个可识别的受害者呼吁之前，问问自己：“如果这以统计数据的形式呈现，我还会这样回应吗？” 将差异作为参考信息。
• 反转测试：问问自己：“如果我对统计数据毫无感觉，我是否应该对个人少一点感觉——或者我应该尝试对统计数据多一点感觉？”
• 影响计算：明确计算你的帮助带来的边际影响。拯救了多少条生命？避免了多少年苦难？让数学具体化。
• 刻意停顿：当被个人故事打动时，将决策推迟24-48小时，让情感强度缓和。
• 统计转化：将个人故事转化为其统计学上的等价物：“这一个孩子代表了处于相同困境的10,000个孩子。”

10.2. 长期策略

• 培养量化直觉：练习用质量调整生命年（QALYs）、每美元拯救的生命或类似指标来思考影响，直到它们在情感上变得有意义。
• 制定捐赠规则：预先确立将有多少比例的捐款流向统计上有效的事业，无论其情感吸引力如何。
• 培养“统计学共情”：通过想象练习，练习对大数字产生适当的情感分量，要理解1,000人的死亡是1,000个悲剧，而不是一个碰巧很大的悲剧。
• 研究有效利他主义：借鉴有效利他主义运动的资源，建立以影响为导向的帮助框架。
• 围绕影响建立认同感：将自我概念从“慷慨的人”转变为“有效的帮助者”，使情感满足感与统计最优化相一致。

10.3. 环境设计

• 信息默认设置：建立将影响数据与情感呼吁并列呈现的信息来源。
• 捐赠誓言：公开承诺将一定比例的收入捐给有效的事业，使决策免受瞬间情感的影响。
• 慈善机构评估工具：利用像GiveWell这样的资源，按影响筛选捐赠机会，然后向预先选定的组织捐款，不受情感拉扯的影响。
• 社会问责：加入重视有效捐赠的社区，为以影响为导向的决策创造社会强化。
• 自动捐赠：设置对有效慈善机构的自动捐款，减少接触具有操纵性的个人呼吁。

10.4. 何时寻求外部意见

• 当面临重大慈善捐款决定时
• 当根据个案分配组织资源时
• 当政策决策由可识别的受害者叙事驱动时
• 当你注意到对个人故事的情感反应似乎不成比例地强烈时
• 当其他人指出你的捐赠或资源分配似乎是由情感驱动而非影响驱动时

11. 实用练习

练习 1：等值练习

• 目标： 培养适当地感受统计苦难的能力
• 所需时间： 15 分钟
• 所需材料： 一篇关于带有伤亡统计数据的大规模悲剧的新闻报道
• 难度级别： 中级
• 步骤：
  1. 阅读文章并记下伤亡人数（例如，“200人死亡”）
  2. 在脑海中选择一名受害者——赋予他们名字、年龄、家庭、生活故事
  3. 花2分钟充分想象这个人的经历和他们家人的悲伤
  4. 注意你的情绪反应
  5. 现在有意识地将这种反应乘以受害者的数量——这就是200个悲剧的真正含义
  6. 伴随这种乘法带来的重量感坐上2分钟
  7. 注意你最初对“200”的反应与练习后反应之间的差异
• 反思问题：
  • 在练习过程中，你的情绪体验发生了怎样的变化？
  • 为什么“200”最初感觉像是一个悲剧，而不是200个悲剧？
  • 你将如何把这种练习融入日常的新闻消费中？
• 频率： 每周一次，遇到大规模伤亡统计数据时进行

练习 2：影响审计

• 目标： 使捐赠行为与关于影响力的公开价值观保持一致
• 所需时间： 30 分钟
• 所需材料： 过去一年的慈善捐款记录，慈善评估资源的使用权限（如GiveWell.org）
• 难度级别： 中级
• 步骤：
  1. 列出过去一年的所有慈善捐款及其金额
  2. 记下哪些是由个人故事引发的，哪些是由统计分析引发的
  3. 研究每个组织的成本效益（使用GiveWell或类似工具）
  4. 计算每笔捐款估计挽救的生命或避免的苦难
  5. 将你的实际影响与如果你将相同总额的资金投入到最有效的机会中所能达到的影响进行比较
  6. 设定一个目标，将一定比例的资金重新分配给影响更大的捐赠
• 反思问题：
  • 你在你的捐赠触发因素中注意到了什么模式？
  • 你对实际影响和潜在影响之间的差距有什么感觉？
  • 哪些障碍让你难以基于有效性进行捐赠？
• 频率： 每年一次

练习 3：统计学共情冥想

• 目标： 培养对大数字的情感承载力
• 所需时间： 10 分钟
• 所需材料： 安静的空间，计时器
• 难度级别： 初级
• 步骤：
  1. 选择一个统计悲剧（例如，“每天有15,000名儿童死于可预防的疾病”）
  2. 将计时器设置为10分钟
  3. 前3分钟想象一个单独的孩子——他们的脸庞，他们的名字，他们最后的时刻
  4. 接下来的5分钟缓慢扩展：一间满是孩子的教室，然后是一所学校，接着是一个遍布学校的城镇，然后是城市，最后是每天的全球总数
  5. 努力在数字增长的过程中维持情感联系
  6. 在最后的2分钟里，注意你的情绪反应在哪里趋于平缓，并轻轻地推动自己突破它
• 反思问题：
  • 你的情绪反应在哪个数字开始趋于平缓？
  • 突破那种平缓感是什么感觉？
  • 定期的练习可能会如何改变你对统计数据的反应？
• 频率： 每周一次

日常实践

每天花5分钟阅读一个大规模问题（全球贫困、气候变化、可预防疾病），并有意识地将统计数字转化为个人的经历。练习说：“这个数字代表了N个个人的悲剧，每一个都和我听过的任何故事一样真实。”

• 建议时长：5分钟
• 最佳时间：早晨，在接触个人新闻报道之前
• 如何追踪进度：在日记中记录对统计数据的情绪反应，注意随时间推移的任何变化

每周挑战

每月选择一个星期，纯粹基于影响力指标做出所有的助人决策，忽略情感诉求。记录下这种感觉以及你学到了什么。

• 4周后的预期结果：对情感触发因素有更强的意识；评估影响力的能力提高；更好地整合情感与分析
• 日记反思提示：
  • 忽略情感诉求是什么感觉？
  • 我是否注意到了任何我原本会回应的情感诉求？
  • 我从我的捐赠模式中学到了什么？

12. 针对特定受众

致领导者和管理者

IVE会严重扭曲组织资源的分配。领导者应该：

• 实施在个人案例展示的同时要求提供影响力指标的系统
• 建立平衡情感显著性与统计显著性的决策框架
• 培训团队识别个案何时正在驱动不成比例的资源分配
• 设计令人信服地展示汇总数据的报告系统，而不仅仅是个人故事
• 在向董事会或利益相关者做展示时，有意识地平衡情感叙事与影响力数据
• 审计过去的决策，以确定由IVE驱动的资源错配模式

致父母和教育工作者

孩子们从小就可以学习成比例的助人：

• 适合年龄的解释 (8-12岁)： “我们的心想要帮助那些我们能看到和了解的人，但也有许多我们看不见的人也需要帮助。仅仅因为我们不知道某人的名字，并不意味着他们就不那么重要。”
• 课堂活动： 给学生一笔固定的“帮助预算”，并向他们展示个人故事和统计需求。讨论情感反应与实际影响之间的差异。
• 家庭实践： 在一起看新闻时，指出关于个人悲剧的报道与统计模式之间的区别。问：“你觉得为什么这一个故事比那些更大的数字得到了更多的关注？”
• 榜样示范： 展示以影响为导向的捐赠以及由情感驱动的捐赠，并明确讨论它们之间的区别。

致医疗保健专业人员

“救援规则”在临床环境中表现得非常强烈：

• 认识到当你面前确定的患者正在接受可能惠及更多统计学患者的资源时
• 倡导在个体救援与人口健康之间取得平衡的政策框架
• 在临终讨论中，帮助家庭理解英雄式干预与预防性护理之间的权衡
• 支持基于QALY(质量调整生命年)最优化分配资源的体制系统，即使这与识别出患者的拉力相冲突
• 在研究资金分配决策中，有意识地权衡疾病的统计负担与个别患者引人注目的故事

致金融专业人士

• 帮助客户认识到投资决策何时是由引人注目的个人故事而不是统计分析驱动的
• 在慈善咨询中，在情感联系之外引入影响力指标
• 培训财富顾问在提供具有情感吸引力的呼吁的同时，展示有效的捐赠机会
• 在机构投资中，实施在考虑叙事之前要求进行定量分析的尽职调查流程
• 帮助基金会制定权衡特定受益人吸引力与统计影响力的赠款制定框架

13. 与其他偏差的相互作用

放大此偏差的偏差

抵消此偏差的偏差

常见的偏差链

同情心崩塌链： 可识别受害者效应 → 范围忽视 → 伪无能感 → 同情心崩塌

当个体受害者吸引注意力（IVE）时，随后无法放大关切（范围忽视）导致觉得对更大问题提供帮助是徒劳的（伪无能感），最终导致主动的情绪调节并完全关闭同情心（崩塌）。

阻断策略： 在“伪无能感”阶段进行干预，将部分解决方案重新界定为有意义的而不是徒劳的。专注于实际得到帮助的人数，而不是解决问题的比例。

14. 文化视角

跨文化研究表明，IVE并非一个普遍的常数。可识别性总是能放大助人行为的假设似乎是以西方为中心的发现。

关键研究： Wang, Tang 和 Wang (2015) 使用标准的IVE范式比较了美国和中国参与者。美国参与者表现出典型的模式（更多地捐给被识别出的个人），而中国参与者表现出相反的模式（更多地捐给群体）。这归因于自我建构的差异：独立自我优先考虑焦点个人，而相互依存自我优先考虑集体影响。

启示： 国际非政府组织(NGO)在东亚的背景下，如果采用西方风格、以个人为中心的筹款方式，可能会发现其呼吁效果较差，甚至会适得其反。有效的跨文化人道主义沟通可能需要使呼吁风格与文化取向相匹配。

15. 神话与误解

16. 专家洞见

“如果一个六岁、有着棕色头发的女孩需要数千美元进行手术，这能将她的生命延续到圣诞节，邮局将被用来救她的五分和一角硬币淹没。但如果据报道说，如果没有营业税，马萨诸塞州的医院设施将会恶化，并导致可预防死亡人数微乎其微地增加——没有多少人会掉下一滴眼泪，也没有多少人会去拿他们的支票簿。” — 托马斯·谢林 (Thomas Schelling), 《你拯救的生命可能是你自己的生命》 (1968)

“如果我看着群众，我将永远不会行动。如果我看着那一个人，我就会行动。” — 特蕾莎修女 (Mother Teresa) (IVE文献中经常引用)

“统计数字是擦干了眼泪的人类。” — 保罗·布罗德 (Paul Brodeur), 保罗·斯洛维奇经常引用

“人类的内心只能数到一，不能数到一百万。” — IVE研究的总结原则

17. 核心要点

1. 该效应在西方人群中是强大且几乎普遍存在的：数十年的研究一致表明，被识别的个人引发的助人行为多于统计受害者。
2. 确定性独立于生动性发挥作用：仅仅知道受害者是被确定的（相对于概率），即使没有名字、照片或故事，也能增加帮助。
3. 单一性效应意味着一人胜过多个人：一个被识别的受害者通常比一群被识别的受害者产生更多的帮助，即使该群体的客观需求更大。
4. 统计数据可能会污染情感诉求：在个人故事中添加统计背景会减少而不是增加捐款。
5. 审慎处理是一把双刃剑：启动理性分析会降低IVE，但也可能会减少整体帮助，而不是将其重新定向。
6. 该偏差具有文化差异性：东方集体主义文化可能会表现出相反的模式，群体引发的反应多于个人。
7. 目标可能是整合，而不是消除：最有效的方法可能是利用被识别出受害者的动机力量，同时建立将资源重定向到具有统计学成效的系统。

18. 进一步资源

学术论文

• Schelling, T. C. (1968). The life you save may be your own. In S. B. Chase, Jr. (Ed.), Problems in public expenditure analysis (pp. 127-162). Brookings Institution.
• Small, D. A., & Loewenstein, G. (2003). Helping a victim or helping the victim: Altruism and identifiability. Journal of Risk and Uncertainty, 26(1), 5-16.
• Kogut, T., & Ritov, I. (2005). The "identified victim" effect: An identified group, or just a single individual? Journal of Behavioral Decision Making, 18(3), 157-167.
• Small, D. A., Loewenstein, G., & Slovic, P. (2007). Sympathy and callousness: The impact of deliberative thought on donations to identifiable and statistical victims. Organizational Behavior and Human Decision Processes, 102(2), 143-153.
• Cameron, C. D., & Payne, B. K. (2011). Escaping affect: How motivated emotion regulation creates insensitivity to mass suffering. Journal of Personality and Social Psychology, 100(1), 1-15.
• Wang, Y., Tang, J., & Wang, X. (2015). Cultural differences in donation decision-making. PLoS ONE, 10(9), e0138219.

书籍

• Slovic, P. (2010). The Feeling of Risk: New Perspectives on Risk Perception. Routledge.
• MacAskill, W. (2015). Doing Good Better: How Effective Altruism Can Help You Help Others, Do Work that Matters, and Make Smarter Choices about Giving Back. Avery.
• Bloom, P. (2016). Against Empathy: The Case for Rational Compassion. Ecco.
• Singer, P. (2015). The Most Good You Can Do: How Effective Altruism Is Changing Ideas About Living Ethically. Yale University Press.

著作章节

• Jenni, K. E., & Loewenstein, G. (1997). Explaining the "identifiable victim effect." In Journal of Risk and Uncertainty, 14(3), 235-257.

19. 总结卡片

20. 使用术语表

21. 讨论问题

供读书俱乐部、课堂或自我反思使用：

1. 如果你知道自己的情感反应正在系统性地偏离影响最大化，你会想推翻它们吗？这样做可能会失去什么？
2. 可识别受害者效应是一个需要修复的“漏洞（bug）”，还是一个首先使同情心成为可能的“特性（feature）”？
3. 慈善组织应如何平衡其实现影响最大化的责任，与明确针对受害者的呼吁能筹集到更多资金的现实？
4. 利用确定的受害者呼吁为统计干预筹集资金的伦理意涵是什么？
5. IVE中的文化差异（西方与东亚模式）是否表明我们的道德直觉是文化建构的，而不是反映普遍的人类价值观？
6. 如果医疗保健系统采用纯粹的功利主义资源分配（放弃救援规则），那将会得到什么，又会失去什么？
7. 如果记者意识到并在报道中试图抵消IVE，媒体报道将会发生怎样的改变？