近年来，我们目睹了麻疹等在西方世界几乎已被根除的疾病的增加[ 1］．导致这次疫情爆发的因素之一是反疫苗接种运动，由不遵守(为自己或子女)接种疫苗建议的个人领导。对疫苗接种的不情愿导致世界卫生组织将疫苗犹豫列为2019年全球健康的十大威胁之一[ 2］．虽然疫苗犹豫是一个复杂的现象[ 3.]，拒绝接种疫苗的常见原因是低估疫苗的好处或高估疫苗的副作用;这些担忧很大一部分是基于媒体传播的信息或从熟人那里获得的信息[ 4］．此外，之前的研究[ 5研究表明，人们使用互联网作为疫苗的信息来源，而疫苗的副作用和可能的负面结果是搜索最多的话题之一。

事实上，互联网是健康相关信息的一个重要来源[ 6- 11］．新确诊的癌症患者认为互联网是获取信息和做出明智决定的工具[ 12- 14];糖尿病患者使用互联网查找有关疾病或治疗方案的一般信息[ 15］．在这种情况下，互联网的相关作用并不局限于病态。怀孕妇女利用互联网获取有关胎儿发育等问题的信息，或作出与怀孕有关的决定[ 6， 16]，而在怀孕后，父母会使用互联网检索婴儿的健康资料[ 8， 17］．

互联网具有可访问性、匿名性和互动性等优势，但这些优势并非没有风险。 18］．其中一些风险，如信息过载或缺乏可信度，可被视为互联网作为卫生信息来源的内在局限性;然而，还有其他基于人类技能和认知能力的风险。例如，互联网上的海量信息迫使用户积极地进行信息选择，以过滤内容。正如我们稍后将讨论的那样，这种信息采样过程可能在建立和维持错误信念方面起着至关重要的作用。

当人们判断一种治疗方案的风险和收益时，他们会推断两件事之间的因果关系——治疗和效果。不幸的是，这类因果推论非常困难，因为除了其他原因外，因果关系不能直接观察到;相反，它必须从偶然性等线索中推断出来。 19， 20.］．偶然性原则假定，除非有隐藏的因素在起作用，否则所有的原因在统计上都与其结果相关。

考虑一个最简单的例子，在这个例子中，一个人可能试图判断一个因素(原因)对一个给定结果(结果)的影响。为了简单起见，我们可以假设这两种原因， C，和效果， E，是二进制变量——它们要么发生，要么不发生。在这种情况下，人们可以收集符合以下四种可能性之一的信息( 图1，面板A) - 输入一个其中，原因和结果同时发生; b型，其中只有原因发生; c型其中只有结果而没有原因发生;而且 d型其中既没有原因也没有结果，这就定义了因果或因。虽然提出了不同的指数来表示偶然性[ 21， 22]，最受欢迎的可能是Δ p指数( 23]它的计算方法是:以原因的发生为条件的结果的概率， E| C，以及以原因不存在为条件的结果的概率， E| ~ C，如式所示，

Δ p＝ p（ E| C)− p（ E| ~ C) = 一个/（ 一个+ b) - - - c/（ c+ d）

Δ在哪里 p可以取-1到1之间的值。正值表示生成关系，负值表示预防关系。当潜在的原因和结果彼此不相关时，索引等于零，偶然性为空。

以往研究[ 23- 28研究表明，人们对事件之间的偶然性很敏感，而偶然性被用作做出因果推论的线索;然而，在某些情况下，人们会系统性地偏离规范标准。研究人员描述了两种系统偏差:效应发生概率的影响[ 29- 34]，当效应频繁发生时，因果关系往往被高估( 图1，面板B);以及对病因发生概率的影响[ 24， 35， 36]，当原因的概率较高时，所感知到的因果之间的偶然性也较高( 图1，面板C)。即使原因和结果之间的偶然性为零，这些偏差也可以被检测到，从而导致因果错觉[ 37］ 。

想象一下，有人担心疫苗和自闭症之间的潜在关系。通常，不可能通过接种和不接种疫苗以及观察结果来评估疫苗的效果，因为人们很少有机会进行随机对照试验。相反，人们会通过咨询专家、咨询朋友或搜索互联网来搜索有关疫苗和副作用之间关系的信息。

也许对网络信息最明显的担忧是缺乏质量控制。互联网用户可能会遇到并信任没有证据支持的信息;但是，寻求信息的行为可能引起额外和具体的关切。例如，担心疫苗接种安全性及其与自闭症关系的人可能会寻找有关疫苗的信息(探索其副作用和经历这些副作用的可能性等)。如果他们关心自闭症，他们可能会把研究重点放在自闭症上(探索哪些因素与自闭症的发展有关，或者在那些被诊断患有自闭症的儿童中接种疫苗的比例是多少)。在前者中，原因(即疫苗)是指导搜索的线索，而在后者中，结果(即自闭症)是指导搜索的线索。

抽样策略(人们如何搜索信息)将影响他们对疫苗接种和自闭症之间关系的最终推断。如果人们搜索关于疫苗的信息(即自闭症的潜在原因)，他们可能会在搜索引擎上介绍疫苗的名称，他们会检索到a型和b型信息的实例。当潜在原因(即疫苗)出现时，这些信息将使他们能够对结果(即自闭症)的概率作出一般估计;然而，在这种情况下，他们的抽样策略偏向于原因，因此，在没有原因的情况下，没有关于结果的信息，无论是类型c还是类型d，都没有被收集到。这最终会影响他们的判断。事实上，即使采样不完全偏向原因，并且收集了一些c型或d型实例，也一再表明，对原因信息采样的倾向越高，高估因果关系的概率就越高[ 37- 39］．

在我们关于接种疫苗效果的例子中，尽管如此，这种策略可能被认为不是特别危险。自闭症谱系障碍的患病率实际上很低(每160名儿童中有1名)[ 40];因此，这种抽样策略将检索到比a型更多的b型信息。在这个例子中，低基准率的效应可能会保护人们不产生因果错觉[ 41]，但在其他情况下，这种保护是不存在的(想象一下，例如，潜在的影响，如恶心、高温、头痛或任何其他常见的影响)。

如前所述，人们也可能利用效应作为抽样的线索来收集信息;他们可能会搜索与结果相关的词语，而不是与原因相关的词语。如果人们使用这种抽样策略来收集信息，他们可能会了解到哪些因素与自闭症有关，并会发现在那些患有自闭症谱系障碍的儿童中，许多儿童都接种过疫苗。因此，信息抽样将是有偏见的，过度代表那些影响(即自闭症)存在的信息。从长远来看，这一策略将增加a型和c型信息的比例(相对于b型和d型)，并将有利于抽样导致的对关系的高估( 图1，小组B)。这种抽样引起的错觉可能解释了关心和受过教育的父母如何最终高估了疫苗接种的潜在风险[ 42］．由于许多国家通常都有系统的免疫规划，当信息抽样偏向效果时，收集到a类信息(即自闭症和接种疫苗同时发生的情况)的概率甚至高于收集到c类信息(即没有接种疫苗的情况下发生自闭症的情况)的概率。这增加了高估疫苗接种和自闭症之间联系的可能性，即，经历因果错觉的可能性。

疫苗接种和自闭症的例子很好地说明了信息采样如何成为建立和维持错误信念的关键因素;然而，抽样策略中的偏差可以扩展到广泛的健康问题;有兴趣评估任何常见行为和罕见疾病之间因果关系的人，如果他们在互联网搜索中使用影响作为线索，就会发现行为和疾病重合的信息比例很高。相应地，人们使用原因来指导他们的互联网搜索，最终可能会忽视结果的基础率，并在结果频繁时，最终高估因果关系[ 43］．例如，最近的一项研究[ 44]，该研究在受控环境下跟踪了互联网浏览行为，结果显示，当女性在假设出现不熟悉的乳房变化(如乳头皮疹)后被要求上网查询健康信息时，大多数参与者使用与皮疹相关的搜索词(提示引导抽样策略)，大多数人访问包含乳腺癌信息的网站，其中乳头疾病的国家卫生服务网页是访问量最大的网站。在这种情况下，即使信息是准确的，这两件事之间的潜在关系也可能被高估，造成巨大的情感成本。请注意，如果不考虑其他信息，乳头皮疹可能由其他高发病率的皮肤疾病(如湿疹)产生，而不是由Paget病产生，Paget病是一种罕见的乳腺癌[ 45］．

信息抽样偏差也可能影响对治疗效果的推断;有偏见的抽样策略也可能导致一种低估了实际有效的治疗方法的看法，或一种高估了被临床试验证明并不比安慰剂更好的替代方法的有效性的看法。 39， 46］．

如前所述，关于权变学习的研究已经证明了人们如何使用不同的信息来推断因果关系[ 19， 20.， 47］．我们还提到，个人行为可能会对信息抽样产生偏差，从而导致因果推断;然而，这些行为诱导的因果错觉只在潜在原因被用来指导信息抽样的情况下被探索过。据我们所知，等效效应驱动抽样的影响还没有被探索过。此外，这些因果错觉的探索过程通常包括动机成分或其他可能影响信息收集和因果推断的目标。例如，参与者可能被要求评估一种虚构药物的效果，同时试图治愈尽可能多的患者[ 48， 49］．目前尚不清楚，当动机成分或次要目标被移除时，或者当抽样策略由结果而不是由原因指导时，是否可以在信息抽样设置中检测到因果错觉。本文报道的研究探讨了这两种可能性。

一个平均年龄为34.07岁(SD 11.41岁)的成人样本(N=193)，包括女性(83/ 193,43.0%)、男性(109/ 193,56.5%)和一名(1/ 193,0.5%)非二元参与者，通过互联网平台[ 50］．他们的报酬为0.75英镑(0.93美元)，计算下来约为每小时5.01英镑(6.19美元)。我们只向高产学术库中第一语言为英语的个人提供注册(以确保正确理解说明)，以及没有参加过我们研究团队以前开展的研究的个人。我们没有使用任何排除标准(所有参与者都包括在报告中)。参与者被随机分配到实验组-原因组(n=105)和结果组(n=88)。

出于伦理考虑，我们在实验中避免使用真实世界的例子，而是使用了因果学习研究中经常使用的简化虚构场景;我们调整了过敏任务[ 20.， 51]，以基于万维网联盟标准的网页应用程式形式呈现[ 52］．有关程序的示范可从开放科学框架[ 53］．

我们调整了过敏任务[ 20.， 51使其类似于一个信息收集情境，除了评估两个事件之间的因果关系之外没有其他目标。该方法已被广泛应用于因果学习研究，在控制其他相关参数的同时，可以评估因果幻觉，最终确保了高度的内部效度。

该程序被设置为允许原因驱动和结果驱动的抽样，包括减少数量的变化。参与者被要求收集信息，以发现一种虚构的药物(即“Batatrim”)是否会引起虚构的过敏反应(即“Lindsay综合征”)。原因组的参与者可以根据潜在原因进行信息采样，因此可以根据患者的治疗(患者是否使用Batatrim治疗)选择检索患者的医疗记录，而结果组的参与者则可以根据效果进行信息采样，因此，可以根据综合征的发展情况(患者是否在住院期间出现林赛综合征)选择检索记录。关于这项任务的详细说明可以在 多媒体附件1。

在原因组中，原因的概率受参与者控制，而在结果组中，结果的概率受参与者控制。所提供的资料客观地反映出这两个事件之间没有因果关系。结果在原因组的概率和结果在原因组的概率固定为0.75。这种设计允许在零偶然情况下评估依赖于抽样的因果错觉，结果(原因组)的概率很高，原因(结果组)的概率也很高。

我们预期因果估计会因抽样策略的不同而有所不同。对于原因组的参与者，我们预期随着参与者增加原因的概率，估计也会增加——参与者的行为越偏向于原因事件，经历因果错觉的概率就越高。类似地，对于效果组的参与者，我们期望随着参与者增加效果的概率，估计也会增加，这也导致经历因果错觉的可能性增加。本研究中使用的程序得到了德乌斯托大学伦理审查委员会的批准。

研究人员提供了一系列40份患者记录，每一份都在单独的试验中。每次试验都从一个屏幕开始，参与者需要在屏幕上按下两个按钮之一来表明他们想要查看哪种类型的医疗记录( 图2(面板A和面板B)。每个按钮的位置(左边或右边)是随机的。当参与者将光标移到按钮上时，按钮会变色并放大，并且出现一个指针，表示可以做出响应( 图2，面板C和D)。一旦点击按钮，屏幕上显示的所有信息都将被删除(除了说明医疗记录申请号码的句子，该句子出于审美目的而保留，并使用了随机数)。被移除的信息被原因组的人所看到的综合症信息所取代，或者被结果组的人所看到的治疗信息所取代。 图2一秒钟后，出现了一个绿色按钮，上面写着“新应用程序”。点击这个按钮后，所有元素都被删除，一秒钟后，一个新的试验(一个新的患者记录)出现了。完成这项任务没有时间限制。

当参与者完成训练阶段时，他们被要求使用100分制对Batatrim和Lindsay综合征之间的因果关系进行全面估计。这个问题是朝着因果关系的方向制定的“你认为Batatrim在多大程度上导致了Lindsay综合征?”或因果关系"你认为琳赛综合症在多大程度上是由Batatrim引起的? "问题的格式在参与者中是随机的( 图3)．在这两种情况下，反应范围从0(绝对不)到100(绝对)。

学习任务结束时的因果估计被用作因果推断的衡量标准[ 39］．对于每个参与者，我们还计算了抽样策略指数和经验偶然性的度量。

如前所述，原因组的参与者可以根据患者治疗(使用Batatrim治疗或未使用Batatrim治疗的患者)选择记录，而结果组的参与者可以根据综合征的发展(出现或未出现综合征的患者)选择记录。参与者可以展示一种不带偏见的信息收集策略，要求在这两个类别中提供相似比例的记录;然而，参与者也有可能表现出有偏见的抽样策略，即优先要求一种类型的医疗记录比另一种更频繁。为了衡量信息抽样策略的偏倚，我们从训练反应中计算了一个抽样策略指数，作为选择使用Batatrim治疗的患者记录(在原因组)或发展为Lindsay综合征的患者记录(在结果组)的概率;因此，采样策略索引的范围可以在0到1之间。接近1的值表示强烈倾向于检查使用Batatrim治疗的患者或出现综合征的患者(取决于分组)的医疗记录。接近0的值表示相反的策略，即倾向于检查未使用Batatrim治疗或未出现综合征的患者的医疗记录。值为0.5表示无偏见策略，对两种策略中的任何一种都没有偏好。指数越高，就越有可能检索到潜在原因和后果相吻合的医疗记录(a类信息)，从而产生因果错觉的可能性也就越大。

此外，考虑到参与者可以决定他们想要检查哪种类型的医疗记录，经验事故可能会偏离编程值(Δ p=0)，也会影响他们的因果估计[ 35， 54];因此，计算了经验偶然性的度量(Δ p使用每个参与者暴露的a、b、c和d型试验的实际数量)。

除非另有说明， P<。05was deemed as statistically significant. Two-tailed independent t使用测试来确定两组的抽样策略指标是否与0.50(中性策略)有显著差异。

采用2×2方差分析(ANOVA)评估分组(原因与结果)和按钮位置(左与右)对信息抽样策略(抽样策略指数)的影响。

以群体(因果)和需要进行因果估计的方向性(因果关系或因果关系)为固定因素，以信息抽样策略(抽样策略指标)为协变量，确定对因果估计的影响，进行协方差分析(ANCOVA)。我们预期两组的因果估计会随着抽样策略指数的变化而变化——指数越高，对因果关系的因果高估就越强。此外，由于原因组中结果的概率和结果组中原因的概率固定在相同的高比率， p（ C）= p（ E)=0.75时，我们探讨了两组中抽样策略对因果估计的影响是否相等。我们还探讨了因果估计是否受到方向性的影响。

一个 t测试用于比较经验偶发与编程值(Δ p= 0)。在那些通过只检查Batatrim治疗患者的记录(即抽样策略指数等于1)而表现出极端偏向策略的参与者中，没有没有原因的试验被抽样，以及在没有原因的情况下效果的概率 p（ E| ~ C)=0，因此经历的偶然性无法计算 c/（ c+ d) = 0/0。

为探索抽样策略，将学习阶段数据分为8个区块，每组5次试验，并为每个区块计算抽样策略指数。采用重复测量方差分析(repeated measures ANOVA)探讨分组(block，从1到8)和分组(group，因果关系)对抽样策略指标的影响。使用Bonferroni校正进行后置分析(28个比较)。

本实验的主要目的是利用实验程序评估信息收集偏差和因果推论之间的潜在关系。因此，我们采用了一个标准的实验室任务，该任务以前曾用于因果错觉的研究，以模拟信息搜索情况。结果表明，因果错觉与信息抽样策略之间存在显著的关系。当使用潜在原因来收集信息时，当缺乏原因的信息抽样不足时，可能会高估因果关系。类似地，当效应是驱动信息收集的线索时，当缺乏效应的信息采样不足时，因果估计可能会被高估。

虽然我们没有明确地包括任何旨在偏向抽样策略的操作，但我们发现，检查使用Batatrim治疗的患者或出现综合征的患者(取决于组)的医疗记录是一种普遍偏好。我们可以将这种偏好解释为由确认偏误驱动的积极测试策略的结果[ 55］．说明将Batatrim的治疗作为过敏反应的潜在原因:“您怀疑Lindsay综合征可能是由一种名为Batatrim的药物引起的……”因此，我们为参与者提供了Batatrim引起Lindsay综合征的初始假设。使用积极测试策略的人会搜索能够证实他们假设的信息。在Batatrim导致Lindsay综合征的最初假设下，一个积极的测试策略包括搜索信息以获得巧合事件。当搜索基于原因时，允许检索因果巧合的策略是选择存在原因的病例(即使用Batatrim治疗的患者的医疗记录)，而在搜索由结果驱动时，获取这些巧合的方法是选择发生了结果的病例(即发展为综合征的患者的医疗记录)。这两种偏差类似于我们实验中检测到的抽样策略偏差。我们关于信息搜索策略和因果估计之间关系的结果(抽样策略指标对因果估计的显著影响)也显示了与这种测试策略相关的危险——使用积极测试策略收集的信息将导致线索呈现试验的过度代表，并将增加因果错觉的可能性。

由于积极测试策略被认为是一种通用的默认启发式方法，通常在缺乏特定信息的情况下使用，以确定某些测试比其他测试更相关[ 55]，没有必要假设确认偏误支持我们的结果;然而，当在真实环境中测试信息抽样策略时，应该考虑到先前的信念，因为个人兴趣和动机可能会对默认偏向策略的效果产生重大影响。确认偏误的作用已经在健康信息抽样研究中进行了探索，这表明它可能显著影响信息的收集方式。在最近的研究中，Meppelink等[ 56]调查了确认偏误在儿童早期疫苗接种信息寻求中的作用，发现先验疫苗接种信念对在线健康信息的选择有偏见——人们主要选择与他们现有信念一致的信息(即选择性暴露)[ 57］．抽样策略指数对因果估计的显著影响表明，此外，支持信念的证据被过度代表的部分信息选择可能与受损的因果估计有关(注意，我们设计的相关性性质不允许我们区分是偏倚搜索导致估计偏倚，还是对因果关系的更强的初始信念可能导致抽样策略偏倚。加强最初的信念)。

为了确保对所涉及变量的强有力的实验控制和较高的内部效度，我们决定使用一种通常用于研究人们如何在实验室环境中进行因果推理的标准和非常简单的程序。然而，我们在目前情况下使用这一程序导致了与其生态有效性相关的局限性。我们的程序并不完全反映互联网用户搜索信息的方式。大多数互联网用户不会像在实验任务中那样按顺序选择个人信息;然而，收集信息的过程和随后对信息进行整合、组合和解释的过程在根本上是相同的。

参与者寻找并收集证据，这些证据最终被用来形成他们对事件之间关系的估计。同样，互联网用户可以使用网络搜索引擎，搜索引擎为他们提供离散的信息，这些信息被用作支持或拒绝所评估事件之间因果关系的证据。在我们的实验中，这些信息不如在现实环境中收集到的信息丰富，但它们确实包含了因果推断所需的核心信息。降低我们的程序的生态有效性确保了高水平的内部有效性——这一优势使我们的程序成为比其他自然主义范式更好的选择。最相关的优势是，它允许我们在控制额外信息特征的影响的同时探索信息抽样偏差。

真实情况包含高度的模糊性和微妙的信息细微差别，可能会通过削弱内部有效性来限制研究推论。例如，网站设计或作者的感知权威已被证明会影响基于网络的健康信息的信任和可信度[ 58]，这可能会影响特定信息的加权和整合，以做出因果推断。相反，实验方法允许搜索策略与其他因素隔离。实验方法的另一个优点是，我们能够控制呈现的信息，因此，这些信息是否客观上支持因果之间的任何关系，以检测因果错觉。最后，通过使用虚构的场景而不是现实世界的例子，我们避免了实验诱导的因果信念对现实生活决策的潜在后果，并控制了先验信念的任何贡献。

既然抽样策略对因果推论的贡献已经在实验室环境中被记录下来，未来的研究可能会将我们的结果扩展到现实世界的情况下，以评估我们的发现在信息收集更复杂时的泛化性。这项研究可以被认为是建立干预措施的第一步，旨在保护人们在使用互联网搜索健康信息时的安全。

互联网已成为与健康有关的信息的一个相关来源[ 6- 8］．尽管互联网有其优势，但使用互联网收集信息需要考虑几个问题，例如缺乏对信息的质量控制，以及随后错误信息传播的可能性。一个相关的例子是关于旨在保护和促进公共卫生的科学战略(如接种疫苗)的错误信息。尽管接种疫苗的决定因素很复杂，但网上的错误信息被认为是导致个人放弃接种疫苗的原因之一[ 59， 60]以及主要搜索引擎和社交媒体组织最近被呼吁积极支持基于事实的传播项目，这些项目有助于恢复人们对疫苗接种的信心[ 61］．使用互联网收集健康信息可能会引起除信息质量以外的其他关切。人们搜索信息的方式决定了哪些信息会被检索到。 62， 63]，塑造了他们对健康的信念，并最终影响了他们的健康相关行为，如拒绝接种疫苗[ 64， 65］．我们的研究结果表明，抽样偏差与因果感知有关。因此，信息的部分选择可能会导致信息的不均衡表现，从而产生并延续因果错觉。

基于实验室的偶然学习研究已被证明是解决现实生活问题的成功方法，因为它能够发现可能有助于因果推断的相关因素，但也因为它一直是设计和测试基于证据的干预措施的基础，这些干预措施已被证明在提高批判性思维技能方面有效，因此，在现实环境中减少潜在有害的因果误解[ 48， 49］．未来的研究可能会将我们的结果扩展到现实环境中，以设计旨在保护用户使用互联网时的干预措施。