越聪明的人越容易被立场带偏，两次预注册重复没做出来
从孙宇晨说「越聪明的人越容易屁股决定脑袋」说起：立场确实会让判断偏向，但「越聪明、偏得越厉害」这一步在两次预注册重复里没有出现——站住的是身份一致时判断更准。
2026 年 10 月 9 日，邵艾伦在自己的频道发布了一期与孙宇晨的对话，全长 4 小时 22 分。1
聊到健身那一段，孙宇晨说了一句：越聪明的人越容易屁股决定脑袋。他举的例子是马斯克、巴菲特和特朗普，都说健身有害的顶尖聪明人。2
这句话能拆成两半来核：立场会不会带偏判断，认知能力更高的人是不是偏得更厉害。
同一份材料，两套砝码
1979 年，三位研究者在斯坦福找了 48 名本科生，支持死刑和反对死刑的各 24 人，读同一批虚构研究：一篇说死刑有威慑效果，一篇说没有。3
支持者认为「有威慑」那篇更可信，反对者认为「没威慑」那篇更可信。读完同一组混合证据，两边都离对方更远了一点：支持者一侧移动 1.5 分，反对者一侧 1.7 分（量表 −8 到 +8）。3
1992 年，另一个团队量的是「要多少证据才肯认」：判断一个讨人厌的人「更不聪明」，平均只用 6.6 张题卡；判同一个人「更聪明」要用 9.1 张（F(1,56)=5.99）；换成两个同样讨喜的人，差距消失（9.9 张对 8.8 张）。4
同一台秤，两套砝码。合意的结论压得动，不合意的压不动。
「越聪明越偏」这句话从哪来
第二半的实证起点，是 Kahan 等人 2017 年发表的一项研究：1111 名美国成年人，在线调查平台招募的全国样本。5
题目是从一张 2×2 表格里读结论。一半人看到「新药膏治皮疹」，一半人看到「公开持枪让犯罪变多还是变少」；两组数字一样，数据支持哪一方随机分配，1111 人里 59% 答错。5
关键比较在同一群人内部。持枪那一版里，数据与立场一致的人答对率更高；这个差在数字能力高的一档是 45 个百分点（±14，作者给出的 95% 估计区间），低的一档是 25 个百分点（±10）。5
两次预注册重复里，这个差距没有出现
2021 年，另一组研究者先把假设和分析方法公开存档，再用 3154 名美国参与者重做这道题。6
那个放大差距的交互项是 0.98（比值比，95% 置信区间 0.92–1.04，P=.49）。换成党派差距看：「犯罪变多」那一版里，保守派与自由派正确率的差，低能力组 17 个百分点、高能力组 14 个百分点，原研究里是 27 和 40。6
这一次用的是网络便利样本，比原样本更年轻、学历更高、自由派更多，作者写明这是最明显的偏离。6
2023 年的第二次把这点也堵上了：2355 人的全国概率样本，是原研究的两倍，作者事先请原研究作者之一确认面板的全国代表性够用。7 交互项 β=0.002，P=0.94——一个被精确估计出来的零。7
开头那两半里的第一半站住了：数据恰好印证政治身份时，正确率比不印证时高 9.3 个百分点。7
2008 年三个实验、1200 多名本科生里，「只朝自己那边想」的这种偏差与 SAT 分数的相关系数只有 −.09。8 瑞典 1207 人里，同一个数字能力在两个议题上方向相反：性别配额上越高越偏，难民接收上越高越不偏。9
边界要交代清楚：这些研究全在美国，加一项瑞典；题目是一张 2×2 表，做一次就结束；那些数字都是各研究样本上的平均，换个议题方向可能翻过来。
差别出在「立场」怎么定义
2024 年一项 1000 人的研究给了线索。同一道题，用政治身份当立场时那个放大的交互没出现，换成「你在这件事上本来就持有的态度」就出现了（比值比 1.57 和 1.61，P 都小于 .001）。10
研究者量了两者的关系：政治取向与「禁枪会推高犯罪」这个具体态度的相关系数只有 .24（496 人）。10
合起来看，决定你往哪边偏的，是你在这一件事上本来就持有的看法，阵营标签只是它的粗代理。有多会算，不会让你偏得更多，只会让你算得更准。7
三句自问
能带走的是一张三句的清单，问的是你手上正要下的判断。
- 你希望它往哪边出结果，先写下来。让偏倚有方向的是具体的先前态度。
- 同一份材料，正反两个方向你各要多少证据。1992 年那项研究量到的就是这个差距。
- 你守的是这件事本身，还是一个身份。把这件事的说法换掉标签重讲一遍，你会不会松口。
今天能做的一步
挑一个今天会碰到的分歧——一条准备转发的内容，或一件和同事争过的事。写结论之前先写两行。
第一行：如果这份材料的结论正好相反，你会怎么评价它的来源和方法。1984 年的实验里，做过这个设想的人比被要求「保持客观」的人更少受立场影响。11
第二行：除了你倾向的解释，再写一个你自己真心觉得说得通的解释。1995 年的三个实验发现，写出第二个解释就足以让判断少偏一点，前提是你真觉得它站得住。12
这两行属于「靠一个动作把判断掰正」的练习。2025 年一份汇总 54 项随机试验、10,941 人的元分析发现，相比什么都不做，这类训练让学生少犯偏见的效果只有 g=0.26（95% 置信区间 0.14–0.39）；全部研究都有「不清楚」或「高」的偏倚风险，能不能迁移到真实决策，综述作者说还没有答案。13
名词与出处
References
- 1对话孙宇晨：年轻人如何抓住AI时代的机会？
youtube.com
- 2
- 3
- 4
- 5Motivated Numeracy and Enlightened Self-Government
engineering.iastate.edu
- 6A preregistered replication of motivated numeracy
diva-portal.org
- 7
- 8
- 9Motivated reasoning, fast and slow
cambridge.org
- 10
- 11
- 12Multiple explanation: A consider-an-alternative strategy for debiasing judgments
communicationcache.com
- 13
- 14
This story was produced automatically by a channel. One sentence is all it takes for Neodrop to keep producing for you.