Picture from internet
本文是针对《“你”与我对话：泛化的影响--你在人与观念之间产生共鸣（You speaks to me Effects of generic-you in creating resonance between people and ideas）》的一篇论文解析，该论文于2020年发表于《美国科学院院报（Proceedings of the National Academy of Sciences of the United States of America）》杂志上，该研究作者包括Ariana Orvella，Ethan Krossb和Susan A. Gelman。
研究背景与问题提出
与他人的想法取得共鸣是人类交流的中心目标。将想法进行概括是语言的一个基本特征，这种特征通常使用代词“你”来体现。尽管“你”通常用于指代一个或多个特定的人（例如，“你今天如何工作？”），但是在许多语言中，它也可以用于指代大部分人（例如，“如果可以，请你避免高峰时间。”）。
因此，本研究使用“你”来指代具有附加社会影响的人，以探究由“你”的想法是否引起共鸣。
被泛化使用的“你”（以下简称“泛化-你”）有以下两种特征来支持这一假设。首先，“泛化-你”传达的想法具有概括性。并非表达某种特定的信息（例如，“狮子座伤了你的心”），“泛化-你”表达的信息可以适用于各种情况。其次，在上下文中，“泛化-你”可以用来指代信息接收者在此前接收的同一个词（“你”）。因此，使用“泛化-你”能够与特定含义产生关联，进一步吸引信息接收者以增加共鸣。
通过共鸣产生联系感是人类的一种普遍体验，为了能够增加共鸣，本研究一改以往通过改变信息内容以增加共鸣的方式，通过使用一种将想法泛化的语言手段来改变信息形式，增加共鸣。
研究方法与结果
研究 1
实验材料
本研究以（1）成人小说，（2）1900年后，（3）英语语种，（4）流行集锦为标准，在1996-2018年奥普拉图书俱乐部所有图书中筛选除56本样书。
样书中，研究者通过开启“流行集锦”功能以选取突出显示段落，除收集突出显示段落以外还收集突出显示段落的上下文信息，以便后续确认指示词时提供参考。控制文本选取非突出显示段落，非突出显示段落的选择与突出显示段落相同，控制段落中句子、段落数量、上下文信息与突出显示段落相匹配。同时记录每个段落的（1）段落位置（用于控制段落和突出显示段落）、（2）突出显示段落数量（仅适用于突出显示的段落）、（3）句子数与（4）单词数。
接下来对文本进行分析编码。本研究令两位不知研究目的编码者，将文本划分为以下四个子集，并对其编码范围与信度进行计算。（1）包含“你”的文段。每个给定段落中“泛化-你”的限制范围：M = 0.37，范围：0-11，模式：1，K = 0.89；（2）包含“我们”的文段。每个给定段落中“泛化-我们”的限制范围：M = 0.11，范围：0–7，模式：1，Kwe = 0.75；（3）包含“一个人”的文段。每个给定段落中“泛化-一个人”的限制范围：M = 0.01，范围：0–2，模式：1，Kone= 0.94；（4）包含“人们”的文段。每个给定段落中“泛化-人们”的限制范围：M = 0.05，范围：0–4，模式：1，Kpeople = 0.61。当编码出现差异则通过讨论或由独立的编码者解决。
统计分析
为检验1）条件（突出显示段落vs.非突出显示对照段落）对泛化-你的存在（vs.缺失）的影响，以及2）条件（突出显示段落vs. 非突出显示对照段落）对泛化编码指标（即，“泛化-你”，“泛化-我们”，“泛化-人们”，“泛化-一个人”）的存在（vs.缺失）的影响。本研究采用R’s lme4程序包建立多层次逻辑回归模型，将条件与每个段落中的单词数作为固定效应输入，并探究二者的交互作用，将“书”作为随机截距的随机效应。本研究将突出显示段落作为该段落是否引起共鸣的指标，并与非突出显示段落的控制对照段落相比，以探究突出显示的段落是否包含更高的泛化率，以及突出显示段落是否比非突出显示段落包含更多泛化指标（至少一个“泛化-你”）。输出结果见表1。
表1 各泛化指标和第一人称单数代词指标下条件和单词数的多层次模型
结果
如表1所示，在突出显示段落中出现泛化指标的概率是在非突出显示段落中出现概率的12倍以上，b = 2.55，SE = 0.27，z = 9.54，P <0.001，95％置信区间（CI）[ 2.03，3.08]，OR= 12.86。
当同时考虑四个泛化语言指标时，突出显示段落至少包含一个泛化语言指标的概率是非突出显示段落的近14倍，b = 2.63，SE = 0.22，z = 12.14，P <0.001，95％CI [2.22，3.07]，OR = 13.82。此外，“泛化-我们”（b = 1.59，SE = 0.35，z = 4.61，P <0.001，95％CI [1.00，2.32]，OR = 4.91）和“泛化-人们”（b = 2.75，SE = 0.61，z = 4.54，P <0.001，95％CI [1.73，4.19]，OR = 15.68）在突出显示段落中的出现率更高。但是，“泛化-你”是最常见的通用指标，显著高于“我们”，“一个人”或“人们”的泛化率，χ2 = 10.32，P = 0.001。
当对第一人称单数代词的出现率分析表明，与非突出显示段落（44％）相比，第一人称单数代词出现在突出显示段落（29％）中的可能性要小得多，b = -0.89，se = 0.15，z =- 6.12，P <0.001，95％CI [-1.18，-0.60]，OR = 0.41。
这些分析表明，相较于未引起读者共鸣的文章，泛化指标（特别“泛化-你”）在引起共鸣的文章中出现率更高。
研究 2
被试
363名被试，Mage= 38.36岁，SDage = 11.28岁；155女性，70％白人，15％黑人，6％亚洲人，5％西班牙裔，4％与其他种族/民族认同或不愿回应。
刺激
研究2刺激摘自研究1的段落，刺激材料仅限于“泛化-你”段落，长度为一句话（n = 55），以及对应的控制段落（n = 55）。
设计
每个被试阅读11条突出显示段落和11条非突出显示控制段落。将110个段落随机分为五组，每组包含11条突出显示和11条非突出显示段落，被试被随机分配至五组中任意一组。段落可以分布在不同批次中，所有段落均以随机顺序显示。
程序
向被试介绍研究的目的和共鸣的概念：“我们收集了一些有趣的俗语。阅读每个段落时，请评估它在你身上引起共鸣或影响的程度。”然后随机向被试展示11条突出显示和11条非突出显示段落。每个屏幕只显示一个段落，阅读完后被试回答一个问题：“这句话能在你身上引起多少共鸣？”（1，一点都不；2，一点；3，适量；4，很多；5，非常多）。完成主要任务后，被试回答了人口统计问题。
统计分析
本研究为检查条件（突出显示段落vs.非突出显示段落）对共鸣等级的影响。本研究采用R’s lme4程序包建立多层次逻辑回归模型，将条件与每个段落中的单词数作为固定效应输入，并探究二者的交互作用，将段落、被试作为随机截距的随机效应。
结果
结果表明（见表2），突出显示段落中的“泛化-你”比非突出显示段落（b = 0.79，SE = 0.07，t（145）= 10.87，P <0.001，95％CI [0.65，0.93]）引起更强烈的共鸣。
表2 不同条件对共鸣等级评定影响的多层次逻辑回归
研究1与研究2确定了“泛化-你”在日常阅读时是产生共鸣的一种语言指标。但是，目前尚不清楚，泛化是否真的如所假设的那样增强了信息的共鸣。研究3-5中对该问题进行探究。
研究 3
被试
300名被试，Mage= 35.61，SDage = 10.72；118位女性，70％白人，11％黑人，5％亚裔，5％西班牙裔，9％认同其他种族/族裔或者不愿回应。
刺激
研究三刺激由泛化-你突出显示段落（54段）与对应第一人称段落（54段）。突出显示段落采取研究2中包含“泛化-你”的段落材料，对应的，通过将“泛化-你”替换为第一人称单数代词作为对照段落。
设计
从研究2中包含“泛化-你”的突出显示段落中提取54个共鸣等级大致相同的段落分为三组（根据共鸣水平计算三分位数划分，每批18个）。针对突出显示段落，本研究制作了相对应的第一人称单数代词版本，例如，“如果你要等到一切都完美了才庆祝，你可能永远都不会庆祝。”与“如果我要等到一切都完美了才庆祝，我可能永远都不会庆祝。”
所有段落共分为6组，并将被试随机分配到其中之一。被试使用实验2中同样的方式对段落引起的共鸣进行评价。
统计分析
本研究为检查条件（“泛化-你”段落vs.第一人称单数代词段落）对共鸣等级的影响。本研究采用R’s lme4程序包建立多层次逻辑回归模型，将条件与每个段落中的单词数作为固定效应输入，并探究二者的交互作用，将段落、被试作为随机效应。
结果表明（见表3），突出显示段落中的“泛化-你”代词比第一人称单数代词（b = 0.79，SE = 0.07，t（145）= 10.87，P <0.001，95％CI [0.65，0.93]）引起更强烈的共鸣。
表3 不同条件对共鸣等级评定影响的多层次逻辑回归
研究 4
被试
199名被试，Mage= 35.77，SDage = 11.30；90女性，76％白人，9％黑人，6％亚裔，5％西班牙裔，4％与其他种族/民族认同或不愿回应。
刺激
刺激为研究者创建的20个陈述句（并非从文学作品中摘录）。每个陈述句包含一个“泛化-你”版本和一个第一人称单数代词版本（例如，“有时候，你必须先退后一步，然后才能前进” vs. “有时候，我必须先退后一步，然后才能前进”）。
设计
向被试随机呈现10个“泛化-你”段落与10个“第一人称”段落。段落展示后，要求被试对每一个陈述的共鸣程度进行评分，问题与实验2相同。
统计分析
本研究为检查条件（泛化-你版本陈述句vs. 第一人称版本陈述句）对共鸣等级的影响。本研究采用R’s lme4程序包建立多层次逻辑回归模型，将条件作为固定效应输入，将陈述句、被试作为随机效应。
结果表明（见表3），“泛化-你”陈述比第一人称单数代词陈述（b = 0.08，SE = 0.03， t（3,761）= 2.29，P = 0.022，95％CI [0.01，0.14]）引起更多共鸣。
研究3和4表明，相对于第一人称单数代词引起的共鸣，泛化-你引起的共鸣更强。但是，“泛化-你”在两个方面与“第一人称”有所不同：它不仅更泛化，而且还可以通过使用指向信息接收者（即“你”）的单词来吸引读者。研究5旨在确定“泛化-你”所引起的共鸣是纯粹由其泛化性引起的，还是由其泛化性及其与读者的直接相关性引起的。
研究5
被试
1,038名被试，Mage= 38.99，SDage= 12.67；519女性，74％白人，9％黑人，7％亚裔，5％西班牙裔，5％与其他种族/民族或不愿回应。
刺激
刺激包括实验4中使用的20个陈述句。每个陈述句包含一个“泛化-你”版本，一个泛化-人们版本和一个第一人称单数代词版本，例如，“有时候，你必须先退后一步，然后才能前进”vs.“有时候，我必须先退后一步，然后才能前进” vs. “有时候，人们必须先退后一步，然后才能前进”。
设计
将3种版本的陈述句分为“泛化-你”与“泛化-人们”（n = 345），“泛化-你”与“I”（ n = 346），或“泛化-人们”与“I”（n = 347）三个对比组。其余程序与实验4相同。
统计分析
本研究为检查条件（“泛化-你”vs. “泛化-人们”，“泛化-你”vs.“I”，“泛化-人们”vs.“I”）对共鸣等级的影响。本研究采用R’s lme4程序包建立多层次逻辑回归模型，将条件作为固定效应输入，将陈述段落、被试的随机截距作为随机效应。结果见表3。
结果
对两种“泛化-你”增强共鸣原因进行进一步解读：第一，如果“泛化-你”仅因为它表达的是可泛化信息而增强共鸣，那么用“泛化-你”和“泛化-人们”表达的思想就会有同等的共鸣，但比用“第一人称”产生的共鸣大。第二，如果“泛化-你”的共鸣增强不仅是因为它表达的可泛化信息，还因为它通过“你”一词吸引了阅读者，那么用“泛化-你”表达的想法将是最能引起共鸣的，其次是“泛化-人们”，最后是那些用“第一人称”表示的想法。
首先测试第一种可能性：泛化-你仅由于泛化性信息而使共鸣增强。通过对比泛化-你与泛化-人们的被试共鸣等级来进行验证，结果表明（见表3），泛化-你相对于泛化-人们而言共鸣增强（b = 0.09，SE = 0.03，t（343）= 3.20，P = 0.002，95％CI [0.034，0.142]），表明仅凭泛化性信息并不能解释泛化-你的共鸣。
接下来测试第二种可能性：“泛化-你”因为其表达泛化性信息并被信息接收者接收而增强共鸣。通过分别将“泛化-你”和“泛化-人们”，与“第一人称”对比进行验证，结果表明（见表3），相对于“第一人称”，“泛化-你”加了共鸣（b = 0.08，SE = 0.03，t（344）= 2.57，P = 0.011，95％CI [0.018，0.133]）。与“第一人称”相比，“泛化-人们”陈述句也倾向于具有更高的共鸣，尽管这没有达到统计学显著性（b = 0.05，SE =0.03，t（6573）= 1.80，P = 0.072，95％CI [-0.004，0.095]）。
总的来说，这些发现支持以下观点：由于“你”具有泛化能力和吸引读者的能力，“泛化-你”会增强共鸣。
结论
研究1发现，与那些没有标注的段落相比，人们在日常阅读时标注的突显段落更容易出现泛化语言，尤其是“泛化-你”的使用。这表明这种语言手段可能会吸引读者，引起共鸣。
研究2–5的结果表明，“泛化-你”提供了一个额外的、小的、但可靠的“轻推”功能，使语言产生微妙变化，在人与想法之间建立起强大的联系感，以增强信息在所表达内容之上和之外的共鸣。
综上，“你”的泛化用法是促进人与思想之间共鸣的有效杠杆。
