可识别受害者效应

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伸出援手。但当我们听说数百万人面临同样的命运时，我们往往毫无感觉。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”，却无视关于300万饥饿儿童的统计数据，尽管后者代表的苦难要多出无数倍。

用大白话说

可识别受害者效应的意思是，比起许多看不见的人，我们更关心一个看得见的人。一个名字、一张脸或一个故事，会牵动我们的感情。一个很大的数字通常不会，哪怕它意味着需要帮助的人多得多。

想象一下，你们班正在为动物收容所募捐。一张海报上写着：“今年有几百只狗需要一个家。”大多数同学看都不看就走过去了。后来有人贴出一张照片，上面是一只毛乱蓬蓬、耷拉着一只耳朵的小狗，名叫“饼干”。一下子，大家都想帮“饼干”。可“饼干”只是那几百只狗中的一只。其他的狗同样需要帮助，只是墙上没有它们的照片。

一个故事让你想去帮忙，这是一种好的感觉，那就去帮吧。然后再问自己一个问题：“还有多少人处境一样？我能不能也帮帮他们？”

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，而且它并非出自心理学期刊，而是源自一篇经济学论文。后来获得诺贝尔奖的经济学家 Thomas Schelling 当时正在研究一个公共政策问题：在为安全法规进行成本效益分析时，政府应当如何评估一条人类生命的价值？

Schelling 观察到社会在实际分配资源时存在着令人震惊的不一致。他提出了“个体生命”与“统计生命”之间的关键区别，并指出，一个急需手术的特定儿童会获得压倒性的公众支持，而能够拯救更多生命的预防性措施却长期资金不足。

自 Schelling 最初的观察以来，针对该效应的研究取得了长足进展。在1990年代，研究人员开始在实验室环境中系统检验这一现象。到了2000年代，该领域已扩展到神经影像学研究、跨文化比较以及去偏见策略的探索。如今，IVE 已成为行为经济学和道德心理学中被引用最多的研究发现之一，在公共卫生、慈善筹款与政策设计中有着直接应用。不过，它的实际效应也比它的名气要小。

首个定量综合研究于2016年问世。Seyoung Lee 与 Thomas Feeley 在一项随机效应元分析中汇集了41项研究，发现总体效应量为 r = .05，他们将其评价为显著但偏微弱。该集合中并非每项研究都达到了统计显著水平。该效应在满足特定条件时最为可靠：面对单一受害者、附有照片的儿童、困境由贫困而非疾病或伤害所致、受害者对此几乎没有责任，且呼吁形式为捐款。随后两项大规模直接检验研究几乎未发现任何效应。Hart、Lane 与 Chinn（2018）开展了两项大型研究（样本量分别为 N = 924 和 N = 1,085），对比了可识别个人、可识别群体、纯统计数据以及统计数据搭配个人等条件，发现单一受害者呼吁与多受害者呼吁之间没有显著差异。Byrd 与 Białek（2021）测试了识别一名 COVID-19 受害者是否会提高人们对洗手、戴口罩和居家的遵守程度；该效应仅在两项实验（总样本量 N = 998）的其中一项中出现，且在加入控制变量后未能维持，而道德与政治信念对遵守行为的预测力远强于宣传信息。关于同情心衰退这一相关问题，Butts、Lunt、Freling 与 Gabriel（2019）对包含95个样本、13,259名参与者的41项研究进行了元分析，证实受害者群体规模扩大会减少帮助行为，这主要是由于预期积极情绪和感知影响降低所致，而非共情关怀的减少。

该研究领域的重要里程碑包括：

• 1968：Thomas Schelling 在《你拯救的生命可能就是你自己的》中的奠基性观察
• 1997：Jenni 与 Loewenstein 对参照群体和比例效应的研究
• 2003：Small 与 Loewenstein 将“确定性”分离为关键因素
• 2005：Kogut 与 Ritov 发现“单一性效应”
• 2007：Small、Loewenstein 与 Slovic 具有里程碑意义的“罗基娅”研究
• 2011：Cameron 与 Payne 关于动机性情绪调节的研究
• 2015：Wang 等人挑战该效应普遍性的跨文化研究
• 2016：Lee 与 Feeley 对41项研究进行的元分析，估算出平均效应为 r = .05
• 2018：Hart、Lane 与 Chinn 的两项大型研究发现单人与多人呼吁之间没有差异
• 2019：Butts 等人对41项同情心衰退研究进行的元分析
• 2021：Byrd 与 Białek 发现可识别受害者在 COVID-19 健康宣传中效果为零或很弱

2.2. 主要研究人员

2.3. 里程碑研究

确定性效应研究（Small 和 Loewenstein，2003）

这项实验旨在查明：IVE 是由受害者的生动信息（名字、照片、故事）引起的，还是仅仅源于获知某个特定的人已被确定。

研究方法：在采用“独裁者博弈”范式的实验中，参与者获得资金并可与“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”（在捐赠决定做出后才从抽签池中抽取）。在另一种条件下，接受者是“已确定的”，即已经预先选定（例如“4号人物”），尽管捐赠者对其余信息一无所知。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。这表明仅仅是确定性（即单纯获知某个特定的人是受害者），便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是对社会义务的直接违背。而当受害者未确定时，不伸出援手更像是一种政策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（Kogut 和 Ritov，2005）

这项研究探讨了可识别性是否随数量增加而按比例扩大：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：参与者表明他们拯救急需昂贵药物的患病儿童的捐款意愿（WTC）。实验共测试四种条件，包括（1）单名可识别儿童（附照片和姓名）、（2）单名未识别儿童、（3）八名可识别儿童群体（附照片和姓名），以及（4）八名未识别儿童群体。

主要发现：单个可识别儿童引出了最多的捐款和最高的情感困扰评分。关键在于，与未识别群体相比，识别出八名儿童并未显著增加捐款。在诸多试验中，单个可识别受害者筹集到的资金比八个可识别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焦点目标触发。当目标变成群体时，认知加工方式发生转变，心理意象变得模糊，情绪调节机制介入，该效应随之瓦解。

“罗基娅”研究（Small、Loewenstein 和 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“救助儿童会”的劝募信，实验分为三种条件。（A）完全聚焦于马里七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（受影响的数以百万计人口及涉及国家）；（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（Small、Loewenstein 和 Slovic，2007）

在罗基娅研究的第二阶段，研究人员试图通过向参与者明确讲授 IVE 及其道德不一致性的知识，来进行“去偏见”。

主要发现：教育并没有让参与者对统计学受害者更加慷慨。相反，它使他们对可识别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慷慨，而非在总体上变得更加慷慨。

启示：在这一情境下，理性压制了助人的情感冲动，却未能提供足够的理性动机取而代之。没有了可识别受害者的“非理性”牵引，给予的冲动可能会完全消失。

同情心崩塌研究（Cameron 和 Payne，2011）

这项研究探讨了对群体的同情心崩塌究竟是一种被动的能力局限，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情况。其中半数被告知随后会被要求捐款（有成本条件）；另一半则被告知仅需阅读受害者的相关情况（无成本条件）。

主要发现：同情心崩塌（对群体感受较少）仅在有成本条件下出现。当参与者知道自己无需付出经济代价时，他们对群体表达的同情实际上超过了对个人。

启示：这种崩塌不是大脑的硬件故障，而是一种软件防御机制。人们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财务成本冲击。

复现记录（2016–2021）

上面这些研究人人都会引用。但把它们合并起来看，效应就显得弱一些。Lee 与 Feeley（2016）对41项研究进行的元分析发现，总体效应仅为 r = .05，且该效应主要在经典研究所恰好采用的特定条件下才较为可靠：单一受害者、儿童、附有照片、因贫困导致困境、受害者无可指摘，以及呼吁形式为捐款。Hart、Lane 与 Chinn（2018）试图通过 924 名以及随后的 1,085 名参与者复现“单人对多人”的差异，通过将文本条件与图片和地图交叉测试，发现可识别个人与可识别群体或统计数据之间不存在显著差异。Byrd 与 Białek（2021）发现，在两项实验中，一名可识别的 COVID-19 受害者仅在其中一项实验中推动了健康行为，且在加入控制变量后效应消失。“罗基娅”与单一性效应的发现，因此描绘的是在有利条件下呈现的现象，而非人类天性中恒定不变的特质。不过，Butts 等人（2019）指出，相关的同情心衰退模式（随着群体规模扩大，帮助行为减少）确实在 95 个样本中得到了验证，这与 Cameron 和 Payne 的解释相吻合。

2.4. 神经学基础

功能性磁共振成像（fMRI）研究绘制了可识别受害者效应背后的神经架构，并显示出面对已识别受害者与统计学受害者时大脑激活模式的明显差异。

涉及的关键脑区：

• 伏隔核（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”理论，即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（mPFC）：这些情感共情和“心智化”（思考他人的心理状态）的枢纽在参与者考虑可识别受害者时表现出更高的激活，这是更强烈的自动社会联系的标志。

• 颞顶联合区（TPJ）：矛盾的是，在涉及匿名或统计受害者的任务中，该区域更加活跃。TPJ处理心智理论和心理模拟，这表明大脑需要付出更多努力来构建看不见的受害者的人性，而可识别受害者的人性则是被自动处理的。

• 背外侧前额叶皮层（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，慷慨度便会降低。

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，激活其中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发挥了关键作用：

• 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，潜在受害者的最大数量仅限于个体身边的社群。Slovic 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。我们无法按比例感知一百万名受害者的苦难，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”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，而不太会回应来自群体或社区的一般性请求。

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”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：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。

• 损失厌恶的不对称：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，而不是建立防范分散损失的系统。

• 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·麦克卢尔在得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。数以百万计的观众实时关注着事态的发展，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，年幼、无辜、可见，有名字和面孔。她是“确定”的，命运选中了她，而公众的干预（情感和经济上的）是唯一的变量。公众的反应极其热烈，成千上万的陌生人寄来了卡片、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”成了 Schelling 的理论变为现实的典型范例。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1980年代，艾滋病疫情正在重创美国。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，在某些人看来甚至是咎由自取的。

• 发生了什么： 瑞恩·怀特，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（最关键的是）“无辜”（对他的感染不承担责任）。他在国会作证，并登上了全国性电视节目。

• 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）。他让这场单靠统计数据无法触动人心的流行病展现出活生生的人性面孔。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·怀特关怀法案》，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，并提示IVE受感知到的自身过错程度与社会距离的调节。

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： Paul Slovic 及其同事分析了这种影响。在照片公布之前，二十五万死难者的庞大数字几乎没有引发多少关注，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），并且谷歌上对“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。Slovic 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

Thomas Schelling 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“被五分和一角的硬币淹没”，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。

此后，这一思想实验被多次检验，所得结果比那些著名案例所暗示的更弱、也更不一致。“愿望成真基金会”、圣裘德儿童研究医院的广告，以及美国防止虐待动物协会以单个动物为主角的宣传片，都在落实 Schelling 的洞见：社会对已确认生命的重视程度近乎无限，却把统计生命看得几乎不值一张邮票的钱。

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具有具体可识别受害者的募捐项目上，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。

• 道德困扰：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

以下研究结果量化了该效应的大小：

• 在罗基娅的研究中，对可识别受害者的捐款大约是对呈现相同需求的统计学受害者捐款的两倍。

• Kogut 与 Ritov 发现，单个可识别儿童引发的捐款多于八个可识别儿童的总和。

• Slovic 对艾兰·库尔迪效应的分析显示，在照片公布后捐款立即激增了100倍，随后在六周内回落至基线水平。

• 跨越41项研究的汇总可识别受害者效应为 r = .05，虽达统计显著但幅度微弱，且在面对附有照片的单名贫困儿童、无可指摘且诉求为金钱时最为明显（Lee 和 Feeley，2016）。

• 两项包含 924 名和 1,085 名参与者的研究发现，基于单个可识别受害者构建的呼吁与基于群体或统计数据构建的呼吁之间，在捐赠方面不存在显著差异（Hart、Lane 和 Chinn，2018）。

• 在两项涉及 COVID-19 的实验中（N = 998），识别受害者仅在其中一项实验中提高了对健康指导的遵守度，而在控制其他变量后该效应消失；道德信念对行为的预测力要强得多（Byrd 和 Białek，2021）。

• 同情心衰退则更为稳固：跨越41项研究和 13,259 名参与者，更大的受害者群体降低了助人意愿和实际助人行为，这主要是由于预期积极情绪和感知影响降低所致（Butts 等人，2019）。

• 跨文化研究提示该效应的幅度差异很大，部分人群甚至表现出相反的模式，这表明至少部分“代价”具有文化特异性。

7. 隐藏的益处

可识别受害者效应并非纯粹是适应不良的。在许多情况下，它发挥着重要的心理和社会功能：

• 行动的动力：没有可识别受害者的情感牵引，助人的冲动可能会完全消失。“洞察力的冷酷”研究表明，仅凭理性分析会减少捐赠，而不是带来更好的捐赠。IVE是许多现实世界利他主义的引擎。

• 社会联结：对已知个体的强烈反应可以强化社会纽带，并对外传递出自身是值得信赖的社群成员的信号。在祖先环境中，这是直接具有适应性的。

• 适当的优先级划分：在许多个人背景下，优先考虑已知个体而不是抽象统计数据是完全适当的。比起一个统计学上的孩子，更关心自己的孩子并不是一种需要纠正的偏差。

• 叙事意义建构：人类心理是围绕叙事而非统计数据组织的。可识别的受害者提供了一种故事结构，使苦难变得可以理解，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。可识别的受害者打开了人们的心扉；精明的倡导者随后将这种精力重新引导到更广泛的解决方案上。

• 道德锚定：对被识别苦难的强烈反应可以作为一种“道德锚”，防止人类生命的完全工具化。一个对一例死亡和一百万例死亡感受完全相同的社会会冷酷得可怕。

我们的目标可能是利用IVE的动力，而不是消除它，同时辅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

• 与引用统计数据的呼吁相比，我更容易被带有个人照片和故事的筹款呼吁所打动
• 我曾捐款帮助在新闻中看到的特定人员，而忽略了更有效的捐赠机会
• 当我听说大规模悲剧时，与听到个人悲剧相比，我对每个受害者感受到的情绪更少
• 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
• 我曾被病毒式传播的个人故事激发采取行动，同时忽略了系统性问题
• 当我能在脑海中想象出将从中受益的具体人员时，我感到更有责任提供帮助
• 关于苦难的统计数据让人感到抽象，无法激励我采取行动
• 当具体个人提出请求时，我比组织代表许多人提出请求时更有可能提供帮助
• 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切
• 我觉得“完全”帮助一个人比部分帮助很多人更令人满意

评分：

• 0-2 项：敏感度低（非常不寻常；请考虑你是否完全诚实）
• 3-5 项：中度敏感（大多数人的典型范围）
• 6-8 项：高敏感度（你受到可识别性的强烈影响）
• 9-10 项：极高敏感度（这种偏差强烈影响你的助人行为）

注意：大多数人都会在面对单个具名受害者时感到某种触动，尽管测量到的效应比其传闻中要小。“中度”得分是正常的，极低的分数可能表明存在少报倾向，而非完全免疫。

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筹款呼吁。呼吁A的主角是危地马拉的8岁女孩玛丽亚，附有她的照片并说明你捐赠的50美元将如何为她提供一年的洁净水源。呼吁B提供的数据显示，通过另一个项目，同样的50美元可以为5名儿童提供洁净水源，但没有提供任何个人的照片或名字。

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，而且我能真切想象自己在帮助谁。 → 高敏感度
• B) 我可能会向呼吁A捐款，尽管明知呼吁B能帮助更多孩子会让我感到一丝内疚。 → 中等敏感度
• C) 我会向呼吁B捐款，5:1 的比例意味着我的钱能做更多好事，无论我能否在脑海中想象出受益人。 → 低敏感度

9. 在他人身上识别此偏差

9.1. 行为指标

• 与统计报告相比，对个别新闻故事的情绪反应不成比例
• 慈善捐赠集中在有知名个人受益人的事业上
• 一旦眼前的个人故事褪去，很难维持对持续危机的关切
• 偏好“助养一名儿童”项目而不是系统性干预
• 对特定个人的请求反应强烈，对组织的呼吁反应平淡
• 倾向于在社交媒体上分享个别受害者的故事，同时忽略统计背景
• 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

人们处于这种偏差影响下常说的话：

• “我需要看到一张脸才会真正去关心”
• “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？”
• “我宁愿确保救一个人，也不愿可能帮助一百个人”
• “那只是个数字。他们是活生生的人”

他们常作出的论辩类型：

• 否定统计证据，转而支持个人轶事
• 辩称“真正的影响”需要与受益人建立个人联系
• 为情绪反应辩护，认为它比经过计算的捐赠更“真实”

他们回避提出的问题：

• “我捐款的边际影响是什么？”
• “这笔钱在其他地方能拯救更多生命吗？”
• “我捐款是为了感觉良好，还是为了做好事？”

9.3. 情境触发因素

• 媒体曝光：对个别悲剧的新闻报道会激活该偏差；而统计报告则不会。

• 照片和名字：视觉识别会大幅增加敏感度。

• 接近性和相似性：内群体受害者比外群体受害者更强烈地触发这种偏差。

• 请求框架：以特定受益人为特色的呼吁会激活该偏差；汇总呼吁则不会。

• 情绪状态：已有的情绪唤醒可能会放大这种效应。

• 时间压力：快速决策可能更多地依赖情感反应，增加IVE的影响。

• 预期成本：预先知道随后会有帮助请求，会增加对群体的防御性麻木。

10. 认知去偏见策略

10.1. 即时技巧

• 数字核对：在回应可识别受害者的呼吁前，不妨自问“如果以统计数据呈现，我还会这样回应吗？”，并把其中的差异当作一条信息。

• 反转测试：不妨自问“如果我对统计数据毫无感觉，我是该对个人少一点感觉，还是该努力对统计数据多一点感觉？”

• 影响计算：明确计算你提供帮助的边际影响。挽救了多少生命？防止了多少年苦难？让数学具体化。

• 深思熟虑的暂停：当被一个个人故事打动时，将决策延迟24-48小时，以使情绪强度缓和下来。

• 统计转化：将个人故事转化为统计学等价表述，即“这一个孩子代表了处于完全相同困境的10,000个孩子”。

10.2. 长期策略

• 培养量化直觉：练习从质量调整生命年（QALY）、每美元挽救的生命或类似指标的角度思考影响，直到它们在情感上变得有意义。

• 制定捐赠规则：无论情感诉求如何，提前确定将捐赠的一定比例用于具有统计学成效的事业。

• 培养“统计共情”：通过可视化练习，练习感受大数字所承载的适当情感分量，理解1,000次死亡是1,000场悲剧，而不是恰好发生的一场大悲剧。

• 研究有效利他主义：参与有效利他主义运动的资源，建立以影响力为导向的助人框架。

• 围绕影响构建认同：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优化保持一致。

10.3. 环境设计

• 信息默认设置：建立在呈现情感诉求的同时呈现影响数据的信息源。

• 捐赠承诺：公开承诺将收入的一定比例捐给有效的事业，从而使这一决定摆脱暂时的情绪影响。

• 慈善评估工具：使用像GiveWell这样的资源，按影响预先筛选捐赠机会，然后无论情绪牵引如何，都捐赠给预先选择的组织。

• 社会问责：加入重视有效捐赠的社群，为以影响力为导向的决策创造社会强化。

• 自动化捐赠：设置对有效慈善机构的自动捐款，减少暴露于操纵性个人呼吁的机会。

10.4. 何时寻求外部意见

• 在面临大额慈善捐赠的决定时
• 当组织资源根据个案进行分配时
• 当政策决策受到可识别受害者的叙事驱动时
• 当你注意到对个人故事有看似不成比例的强烈情绪反应时
• 当其他人指出你的捐赠或资源分配似乎是受情感驱动而非受影响驱动时

11. 实用练习

练习 1：等值练习

• 目标： 培养适当感受统计学苦难的能力
• 所需时间： 15分钟
• 所需材料： 带有伤亡统计数据的大规模悲剧新闻文章
• 难度等级： 中级
• 操作指南：
  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，赋予其名字、年龄、家庭与生平故事
  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场悲剧的真正含义
  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，你的情感体验发生了怎样的变化？
  • 为什么“200”最初让人感觉像是一场悲剧，而不是200场悲剧？
  • 你如何将这种做法融入日常的新闻消费中？
• 频率： 每周一次，在遇到大规模伤亡统计数据时进行

练习 2：影响审计

• 目标： 使捐赠行为与所宣称的影响力价值观保持一致
• 所需时间： 30分钟
• 所需材料： 过去一年的慈善捐赠记录，获取慈善评估资源的途径（GiveWell.org）
• 难度等级： 中级
• 操作指南：
  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何感受？
  • 哪些障碍使得根据成效进行捐赠变得困难？
• 频率： 每年一次

练习 3：统计学共情冥想

• 目标： 建立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
• 难度等级： 初级
• 操作指南：
  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分钟在脑海中想象一个具体的孩子，包括面容、名字以及生命最后的时刻
  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？
  • 推动自己突破这种平缓是什么感觉？
  • 定期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分钟阅读关于大规模问题（全球贫困、气候变化、可预防疾病）的报道，并自觉地将统计数据转化为个人的经历。练习对自己说：“这个数字代表了 N 场个人悲剧，每一场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，在接触个别新闻故事之前
• 如何跟踪进度：记录对统计数据的情绪反应日记，注意随着时间推移发生的任何变化

每周挑战

选择每月中的一周，完全根据影响力指标做出所有助人决策，忽略情感诉求。记录下这种感觉以及你的收获。

• 4周后的预期结果：对情绪触发因素有更高的意识；评估影响力的能力得到提高；更好地将情感与分析结合起来
• 供反思的日记提示：
  • 忽略情感诉求是什么感觉？
  • 我是否注意到了原本会回应的情感诉求？
  • 我对自己的捐赠模式有了什么了解？

12. 针对特定受众

致领导者和管理者

IVE可能明显扭曲组织的资源分配。领导者应该：

• 实施在呈现个案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导致了不成比例的资源分配
• 设计能够引人注目地呈现汇总数据的报告系统，而不仅仅是个案故事
• 在向董事会或利益相关者进行陈述时，自觉地平衡情感叙事与影响数据
• 审查过去的决策，以识别受IVE驱动的资源错配模式

致家长和教育工作者

儿童可以从小学习按比例提供帮助：

• 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并了解的人，但还有很多我们看不到的人也需要帮助。仅仅因为我们不知道某个人的名字，并不意味着他们就不那么重要。”

• 课堂活动： 给学生一个固定的“帮助预算”，并向他们呈现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： 一起看新闻时，指出个人悲剧报道与宏观统计模式之间的差异，并借此发问“你觉得为什么这一个故事比那些更大的数字得到了更多关注？”。

• 榜样示范： 在进行受情感驱动的捐赠的同时展示以影响力为导向的捐赠，并明确讨论两者之间的区别。

致医疗专业人员

“救援规则”在临床环境中表现得尤为强烈：

• 认识到眼前可识别的具体患者何时正在接受本可以使更多统计学患者受益的资源
• 倡导平衡个体救援与人群健康的政策框架
• 在临终讨论中，帮助家庭理解全力干预与预防性护理之间的权衡
• 支持根据QALY优化分配机构资源的系统，即使这与可识别患者的牵引力相冲突
• 在研究资助决策中，自觉地在疾病的统计负担与个别患者的引人注目的故事之间进行权衡

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非统计分析所驱动的
• 在慈善咨询中，在情感联系的同时引入影响力指标
• 培训财富顾问在推介引人入胜的情感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需要进行定量分析的尽职调查流程
• 帮助基金会建立在可识别受益人的吸引力与统计影响之间取得平衡的资助框架

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

当个别受害者吸引了注意力（IVE），随后无法扩大关切（范围忽视）导致认为帮助更大的问题是徒劳的（伪无能感），最终导致主动的情绪调节完全关闭了同情心（崩塌）。

阻断策略： 在伪无能感阶段进行干预，将部分解决方案重构为有意义的而非徒劳的。关注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，即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： 采用西方风格、聚焦于个人的筹款方式，国际非政府组织在东亚语境下可能会发现其呼吁效果欠佳，甚至适得其反。有效的跨文化人道主义传播可能需要将呼吁风格与文化取向相匹配。

15. 神话与误解

16. 专家洞见

Thomas Schelling 做了一个对比：一个需要昂贵手术的有名有姓的孩子会引来公众的回应，而一项会悄悄增加无名者可预防死亡人数的政策变动，却几乎无人理会。 — 概述自 Thomas C. Schelling，“The Life You Save May Be Your Own”，载于 Samuel B. Chase（编），Problems in Public Expenditure Analysis（1968），pp. 127-162

“如果我看着人群，我将永远不会行动。如果我看着那一个人，我就会行动。” — 通常认为出自特蕾莎修女，但特蕾莎修女中心（Mother Teresa Center）将其列为转述，而非她的原话。这句话常被用来说明可识别受害者效应。

Paul Slovic 指出，大规模死亡的统计数字无法像一个受苦的个人那样打动我们，因此随着数字增大，人们感到的同情反而很少。 — 概述自 Paul Slovic，“‘If I look at the mass I will never act’: Psychic numbing and genocide”，Judgment and Decision Making 2(2)（2007），pp. 79-95 https://doi.org/10.1017/S1930297500000061

Deborah Small、George Loewenstein 和 Paul Slovic 发现，如果先告知人们更大范围需求的统计数字，他们对已被确认身份的受害者捐得更少，因为数字削弱了单个人本来会引发的同情。 — 概述自 Small、Loewenstein & Slovic，“Sympathy and callousness: The impact of deliberative thought on donations to identifiable and statistical victims”，Organizational Behavior and Human Decision Processes（2007）https://doi.org/10.1016/j.obhdp.2006.01.005

17. 核心要点

1. 该效应真实存在，但平均而言很小：跨越41项研究的汇总效应仅为 r = .05（Lee 和 Feeley，2016），且两项各自拥有超过900名参与者的研究均未发现单人与多人呼吁之间存在差异（Hart、Lane 和 Chinn，2018）。可识别个体仅在有利条件下才能稳定胜过统计数据，即附有照片的单名贫困儿童、无可指摘，且诉求形式为捐款。

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. https://doi.org/10.1023/a:1022299422219

• 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. https://doi.org/10.1002/bdm.492

• 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. https://doi.org/10.1016/j.obhdp.2006.01.005

• 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. https://doi.org/10.1037/a0021643

• Wang, Y., Tang, J., & Wang, X. (2015). Cultural differences in donation decision-making. PLoS ONE, 10(9), e0138219. https://doi.org/10.1371/journal.pone.0138219

• Lee, S., & Feeley, T. H. (2016). The identifiable victim effect: A meta-analytic review. Social Influence, 11(3), 199-215. https://doi.org/10.1080/15534510.2016.1216891

• Hart, P. S., Lane, D., & Chinn, S. (2018). The elusive power of the individual victim: Failure to find a difference in the effectiveness of charitable appeals focused on one compared to many victims. PLoS ONE, 13(7), e0199535. https://doi.org/10.1371/journal.pone.0199535

• Butts, M. M., Lunt, D. C., Freling, T. L., & Gabriel, A. S. (2019). Helping one or helping many? A theoretical integration and meta-analytic review of the compassion fade literature. Organizational Behavior and Human Decision Processes, 151, 16-33. https://doi.org/10.1016/j.obhdp.2018.12.006

• Byrd, N., & Białek, M. (2021). Your health vs. my liberty: Philosophical beliefs dominated reflection and identifiable victim effects when predicting public health recommendation compliance during the COVID-19 pandemic. Cognition, 212, 104649. https://doi.org/10.1016/j.cognition.2021.104649

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. https://doi.org/10.1023/a:1007740225484

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，你会想要压过它们吗？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”，还是一个让同情心得以存在的“特性”？

3. 慈善组织应如何平衡其实现影响最大化的责任，与针对可识别受害者的呼吁能筹集到更多资金的现实？

4. 利用针对可识别受害者的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？

最后更新：7 十一月 2026