② 被试完整流程

按真实被试流程走一遍：阅读 → 操作检验 → 核验机会 → 最终判断。所有作答实时写入「③ 数据」。

③ 数据与导出

右侧为当前记录；下方为累计的多被试记录表（Demo 版存在浏览器内存中，刷新即清空）。

当前被试记录（JSON）

变量说明（实验网页导出字段，exp-v2）

注：正式问卷题项（理解/卷入/可信度/一致性/可核验/错误判断/AI 标识操纵检验/VOI/AI 态度/人口统计）自 exp-v2 起统一由问卷星采集，实验网页不再采集，故本处不再列出。操纵检验答案（问卷星侧）不可反推为实验系统分配的 assigned_condition。

累计记录表

④ 实验纯净度审计

十四项检查。判定基于当前已制作的材料；凡不能靠材料本身解决、需要预测试或正式实验验证的，均明确标注。第 1–10 项为原十项审计，第 11–14 项为本轮（材料可理解性优化）新增。

字数核对（一致性核对用）

⑤ 分析与风险

1. 这个材料为什么理论上有可能产生「AI标识 × 内容证据一致性」的交互？

核心依据是 Chaiken & Maheswaran (1994) 的原始实验：当内容与可信度启发式相矛盾时，仅由系统式加工决定态度；当内容不矛盾时，系统式与启发式加工各自独立地决定态度。

2. 六条件放在一起看，参与者最可能在哪里困惑？

3. 已知的、必须在论文中交代的两个限制

4. 统计检验路径（正式实验）

• 操作检验：以 ai_manipulation_check 为因变量做卡方检验（预期：三组对其标识的识别率均 > 85%）；以 consistency_manipulation_check 为因变量做独立样本 t 检验（预期：一致组显著高于冲突组，效应量 Cohen's d 建议 > 0.8）。
• 主效应与交互：以 credibility 为因变量做 3×2 被试间方差分析（AI_label 三水平、evidence_consistency 二水平）。重点看交互项 AI_label × evidence_consistency。
• 行为因变量：verification（0/1）用二元 logistic 回归；verification_count（0–4）用 Poisson 或负二项回归；verification_type 用多项 logistic 或做各入口的二分类分解。
• 有调节的中介：自变量 AI_label（多分类，用 indicator 或 sequential coding）→ 中介 credibility → 因变量 verification，调节变量 evidence_consistency（PROCESS Model 7）。
• 备择因变量（强烈建议同时测量）：need_verification 与信息回避。依据：Wang et al. (2025, N=3,920) 的随机实验发现冲突降低信息寻求意向——若你的验证行为结果与之相符，需要回避变量来解释机制。
• 不预设交互显著。若交互不显著，主效应模型仍有报告价值，但需要在讨论中说明与 Chaiken & Maheswaran (1994) 的差异（当代媒体情境、单一来源线索而非共识线索等）。