吕柠 夏志杰

摘要：[目的/意义]伪健康信息广泛传播会给公众健康带来不可预测的风险，探究在线社会化学习对公众伪健康信息甄别、分享和虚假宣传认知的影响，有助于从社会化学习角度帮助公众进行理性健康决策以及促进伪健康信息治理。[方法/过程]通过设计实验，选取已被证实的伪健康信息作为实验材料，运用配对样本T检验、独立样本T检验、单因素ANOVA检验分析在线社会化学习对公众伪健康信息甄别和自信程度的影响，并利用线性回归探究影响公众分享行为的因素。[结果/结论]结果发现，在线社会化学习可以提高公众伪健康信息甄别能力，增强对自我判断的肯定；用户背景信息越透明，对风险的认知能力越强；同时信息真实程度对用户分享行为没有显著影响。由此提出相关建议，为社交媒体平台应对伪健康信息治理提供理论参考。

关键词：伪健康信息；在线社会化学习；信息甄别；社交媒体平台

分类号：G251

引用格式：吕柠， 夏志杰. 面向健康类虚假广告群体智慧对个体决策影响研究[J/OL]. 知识管理论坛， 2024， 9（1）： 30-42 [引用日期]. http：//www.kmf.ac.cn/p/374/. （Citation： Lü Ning， Xia Zhijie. The Influence of Group Intelligence on Individual Decision-making Under the Condition of False Health Advertising Information[J/OL]. Knowledge Management Forum， 2024， 9（1）： 30-42 [cite date]. http：//www.kmf.ac.cn/p/374/.）

1  引言/Introduction

虚假、夸大或未经科学证实的伪健康信息，会诱使公众形成错误的健康观念，采取非理性的健康决策。尤其网络平台的开放性，导致在线伪健康信息的生成与传播更加广泛、迅速，对公众健康造成了不可忽视的负面影响。伪健康信息的甄别可大致分为利用人工进行事实核查[1-2]或者利用算法技术自动识别[3-4]，但由于用户信息加工活动本身的复杂性，仅从信息内容层面针对伪健康信息的甄别还面临巨大挑战。

用户处于信息传播的中心位置，也对减少伪健康信息传播起到关键作用，尤其是从个体感知角度主动甄别和警惕伪健康信息[5]。一方面，个人健康信息素养会对信息甄别产生影响。公众健康知识素养水平越高越可以促进健康行为，抵制伪健康信息[6]；或通过参加健康知识方面的普及教育活动，提高个体甄别真实信息和谣言的能力[7]。另一方面，群体或他人的态度也会影响个体对信息的信任。公众对信息的判断不仅依赖于个人自身的观点，也会受到来自其社会网络的影响[8]，如微信朋友圈在一定程度上降低了人们对伪健康信息的认知[9]；公众亦可通过社会化学习可以促进个体认知，进而提高信息评估效率[10]。

综上，如何利用个体感知提高公众对于伪健康信息的甄别能力值得关注。但现有个体视角的伪健康信息甄别研究，多是基于内在特质（如受教育背景、政治倾向等）的影响进行研究[11]，或者是利用众包等方法提高个体对信息质量的判断[12]，鲜少基于社会化学习角度，例如，在线社会化学习如何影响公众对于伪健康信息的甄别，尤其是当参考群体背景信息不同的时候。因此，笔者在已有研究的基础上，继续验证健康素养水平以及在线社会化学习是否会对公众甄别伪健康信息产生影响，并进一步深入探究社会化学习的群体背景信息揭示程度是否会影响个体的学习效果，以期为今后伪健康信息治理提供启示。

2  相关研究/Related research

2.1  伪健康信息研究

伪健康信息，也称“虚假健康信息”“失真健康信息”以及“健康谣言”等，通常是指在健康领域中有关知识、技术、观念和行为的虚假信息[13]。对于伪健康信息的研究最早來自1912年有关医疗诊断中的错误信息[14]，而后扩大到药品[15]、食品安全[16]等领域，主要围绕医学和卫生安全中的伪健康信息进行核查澄清。进入21世纪之后，随着互联网的发展，获取和分享健康信息的渠道变得多元化，不少学者开始对在线伪健康信息展开研究[17]。我国也于2005年开始将伪健康信息作为一个学术概念展开研究[18]。近年来，科学技术的日益进步以及全球重大公共卫生事件的频繁发生，特别是2020年突发新冠疫情以来，“信息疫情”（infodemic）问题日益严重，在线伪健康信息的研究引起了更多学者的关注。目前国内外学者针对伪健康信息的研究大致围绕以下6个方面：①伪健康信息的概念定义及外延[19]；②不同情景下的伪健康信息传播[20]；③伪健康信息的构成特征、传播机理及扩散效果等[21]；④伪健康信息与公众心理和行为间的关系[13]；⑤伪健康信息的认知纠偏及其影响效果[11]；⑥伪健康信息的传播干预和质量治理研究[22]。在健康中国战略实施的背景下，探究伪健康信息的议题尤为重要。

2.2  在线社会化学习研究

随着在线社交媒体和知识共享平台的兴起，用户的社会化学习越来越多地发生在微博、微信以及小红书等在线社交平台上。在线社交平台为公众提供了与具有不同观点和经验的人进行信息交流和学习的机会，外延了社会化学习的概念，有助于实现个体与群体之间的知识建构和创新 [23]。这种知识建构和创新提高了公众对未知知识的正确判断，国外学者用一种结合社会特征的电子学习软件证明，在线社会化学习可以提高学习者的学习成绩和知识获取能力[24]；通过对比实验发现，社会知识网络环境下的学习者，展现了更高水平的信息反思和知识建构能力[25]；通过设计游戏揭示，用户经过与社会网络邻居交流可以显著增强社会学习能力，从而消除在一些话题上的认知偏见，提高解读科学信息的准确性[26]。但国内学者对于在线社会化学习的研究较少，且现有研究多是从教育学领域分析学生的学习效果[23]，或者是从管理学领域考虑商品定价的学习成本[27]，缺乏从情报学领域探究对伪健康信息甄别的影响。因此，笔者探讨公众通过在线观察他人判断的社会化学习过程，是否会对伪健康信息的认知产生影响。

2.3  信息甄别研究

健康信息过载问题日益严重，使得公众提高对伪健康信息真实性、准确性和可靠性的甄别能力更加重要。一方面有研究发现，公众的健康知识素养水平越高，其对伪健康信息的甄别能力越强[28]。知识层面健康素养水平高的公众能更好地理解在线健康信息，而不易被伪健康信息误导。另一方面，从众行为等心理因素也会影响个体对伪健康信息的信任。考虑到在线健康信息的创造和传播需要用户的参与，通过与群体进行信息交流、分享等互动行为，最终形成在线社会化学习。个人层面的心理学理论通常无法解释社交网络对信息传递的影响，因此将用户看作一个静态个体进行研究，难以从根本上解决伪健康信息的甄别问题。近年来学者就倾向于关注并整合群体的力量，对社交媒体中广泛存在的伪健康信息进行甄别[29-30]。针对现有研究较少关注公众学习行为与伪健康信息甄别的关系，笔者通过设计实验，探究在线社会化学习对公众甄别伪健康信息的影响。此外，社会化学习群体的背景信息类型不同，也会对个体行为产生差异影响[31]。故延续前人研究，用对健康知识的判断来衡量用户健康素养水平，并将两种不同健康素养水平的用户作为参照的社会化学习群体，进一步分析不同信息背景下用户的信息甄别能力是否不同，以及是否会影响学习效果与分享行为。

3  研究设计/Research design

本研究采用2（健康素养水平高vs健康素养水平低）×3（控制组vs匿名信息组vs揭示信息组）的两因素混合设计，被试经过健康知识判断后被划分为健康素养水平高或低，为被试间因素，然后被随机分配到3个背景信息揭示程度不同的组别当中，进行两轮社会化学习实验，为被试内因素，以探究在线社会化学习对公众伪健康信息甄别的影响效果。

3.1  健康素养水平实验材料

虽然大众媒体一直致力于宣传食品安全和科普健康信息，但社交媒体的兴起也伴随着一些虚假信息，误导大众对真实信息的判断，从而造成负面认知。伪健康信息分享与健康知识水平有关，且社交媒体中用户关注度较高的是有关科普类生活常识和食品健康的相关问题[32]。基于《2022年度十大科学辟谣榜》《2022年度朋友圈十大谣言》以及《2022年食品安全与健康流言榜》相关内容，笔者分析提取了包括饮食、疾病预防等与健康饮食和日常生活有关的健康知识，并对部分内容进行了真假信息互换修改，以此作为健康素养水平测评的代表性问题。同时对少部分群体进行预调查研究，剔除部分全员判断正确的虚假信息条目，最终形成11个测评题目（见表1），具体包括4条根据谣言信息改编的真实信息和7条虚假信息。

3.2  伪健康信息甄别实验设计

3.2.1  研究对象

健康素养水平高低对能否成功识别伪健康信息起到重要作用，用户可以通过社交媒体进行知识学习，从而减少对伪健康信息的接收与传播[33]。笔者采用随机抽样的研究方法，通过社交媒体平台招募了120名实验参与者，并要求被试对11条健康类测试问题进行回答。将判断正确6条及以上的被试判定为健康素养水平高者，将判断正确5条及以下的被试判定为健康素养水平低者，由此形成两组独立的对照群体。同时，被试还提供了他们的网上购物习惯以及性别、年龄和受教育程度等信息。最后，本实验对作答时间进行控制，将持续时间50秒及以下的用户进行数据剔除，保证作答的有效性。

3.2.2  实验流程

被试首先被要求完成11条健康素养测评问题，然后可以选择一个自己喜欢的数字进行实验。不同的数字对应不同的实验条件，以保证被随机分配到以下3种实验条件中的一种：

控制组：对照条件，参与者没有被置于社交网络中，进行独立作答。

条件1：将参与者嵌入到一个匿名的社交网络（由2名健康素养水平高的用户和2名健康素养水平低的用户组成），在这个网络中被试可以观察网络邻居意见，而不会得到任何身份信息；

条件2：将参与者嵌入到一个社交网络（由2名健康素养水平高的用户和2名健康素养水平低的用户组成），在这个网络中被试者可以观察其网络邻居意见，同时也会知道他们的健康素养水平，即“健康素养高者”或“健康素养低者”。

条件1和条件2的唯一区别是：在条件2中，参与者可以查看其4个网络邻居的用户名以及每个联系人的健康素养状况，且所有联系人的用户名都已被屏蔽和标准化，以防止实验之外的信息影响。实验设计具体如图1所示：

低GI（Glycemic Index，升糖指数）饮食是指低升糖指数的饮食方式，强调选择那些升糖指数较低的食物，有助于稳定血糖水平。近日某公司在其社交媒体上发布了“低GI饮食不仅能减肥，还能防治糖尿病，促进肠道健康，改善便秘，增强运动耐力，改善皮肤健康，预防老年痴呆”的伪健康信息[34]。低GI饮食多用于糖尿病治疗，所以对于普通公众来说该信息可信度是未知的，且有研究证明越是不為人们所熟悉的健康议题，群体纠错效果越好[9]。故隐藏相关公司信息，选此伪健康信息为实验材料。

在所有条件中，受试者均先阅读相关知识背景，并在广告宣传的界面下方被要求回答以下问题：“您认为公司发布以上宣传信息的真实程度”以及“您对以上商品的购买意愿”。通过李克特7级量表来评估伪健康信息的甄别能力和商品的购买意愿，其中1代表“绝对是虚假信息”或“绝对不会购买”，7代表“绝对是真实信息”或“非常愿意购买”。

为了减少社会影响的干扰，各种条件下被试的实验经历和材料界面是相同的（见图2），所以两类用户在评估广告虚假宣传方面的任何差异都可以归因于他们对社会信息的接触。在甄别信息真实程度和购买意愿时，被试有一次机会修改他们的答案。在条件1中，被试会看到其网络邻居的平均答案，然后修改回答。在条件2中，被试不仅可以看到网络邻居的平均答案，还可以看到他们的用户名和健康素养水平。

3.2.3  后测问题

实验结束后，所有条件下的被试都被要求完成一项后测调查，具体包括4个问题，以衡量：①被试对其信息甄别的自我报告信心；②被试对商品的信任程度；③被試分享商品的意愿；④被试对商品虚假宣传的负面风险认知。后测调查补充了行为反应数据（即风险认知数据）。结合行为反应数据与定性自我报告数据，可以确定不同网络社会学习下参与者对虚假宣传的主观认知影响，以及根据联系人的健康素养身份对自我判断自信的变化。

3.3  数据分析

笔者采用配对样本T检验经过在线社会化学习，同一组个体前后两轮中信息甄别的平均值是否存在显著差异。采用独立样本T检验经过在线社会化学习，两种不同实验条件下个体的信息甄别平均值是否存在显著差异以及性别特征对健康素养水平分类是否有影响。采用单因素方差分析（One-Way ANOVA）比较经过在线社会化学习，3种不同实验条件下个体信息甄别、自信判断和虚假宣传认知的平均值是否存在显著差异，年龄、受教育程度和在线购物频次特征对健康素养水平分类是否有影响。此外，还采用线性回归建立了商品分享意愿模型，并通过实验明确个体对于伪健康信息甄别的社会化学习效果。

4  研究结果/Research results

4.1  描述性统计

在考察健康素养水平上，问卷共包括11道题目，用户答对一题计1分，答错不得分，总分11分。在本次调查中，用户的“健康素养水平”均值为5.59（标准差=0.18，取值范围1—9）。虽然也有少部分群体对健康类常识认知程度很低或很高，但所选大部分被试的健康素养水平集中于中等偏上水平，即可以对大部分的健康知识进行正确判断，由此能很好地区分健康素养高者和健康素养低者。健康素养高者和健康素养低者在性别（t=-1.20，p=0.232）、年龄（F=2.02，p=0.115）、受教育程度（F=1.30，p=0.277）和在线购物频次（F=1.76，p=0.159）的人口统计学特征上没有任何显著差异，具体信息如表2所示：

4.2  伪健康信息甄别

当参照群体与消费者的自身认知有差异时，群体建议会改变个体的认知水平，从而影响其行为决策。总体来说，在两轮对信息的真实程度判断上（t=6.17，p<0.001），第二轮的均分（Mean±SD=3.28±1.68）明显低于第一轮（Mean±SD=4.49±1.86），说明被试经过思考后都会对健康信息的真实程度重新判断。

图3显示了不同实验条件下被试两轮信息的误差变化。在控制组中，两轮的健康信息真实程度判断没有出现显著差异（t=1.22，p>0.05），评级均值都处于4和5之间，真实程度判断不明显。而在条件1（t=3.14，p<0.05）和条件2（t=6.20，p<0.05）中，两轮信息甄别均出现了明显差异，信息真实程度判断评级显著下降。在有群体作答的提示下，两种条件的用户均修改了自己第一轮的答案，并向群体的平均判断数值（2.75）靠近。这表明通过群体间的信息交流，均加强了用户的社会学习，从而提高其对伪健康信息的甄别。进一步对条件1和条件2中第二轮信息判断评级的对比分析发现（t=1.30，p>0.05），被试对于伪健康信息的判断均没有显著差异，这说明无论其网络邻居的健康素养水平是否被揭示，都可以显著提高用户对于伪健康信息的甄别。

在初次接触伪健康信息时，健康素养不同的用户判断程度可能相同，但健康素养水平越高，判断健康信息的能力相对更加准确。高健康素养者（F=1.05，p>0.05）和低健康素养者（F=1.50，p>0.05）在3种条件下的第一次广告信息判断均没有发现显著差异，说明两种群体在首次接触广告信息时对其的判断程度处于相同状态。健康素养高的用户在第一次信息判断中的均值为3.83，即无法判断此健康信息是否为真实信息；而健康素养低的用户在第一次信息判断中的均值为5.18，即认为该信息有可能是真实信息。虽然无显著差异，但信息判断均值所表示的含义却稍有不同，表明用户无法肯定自己的判断，仅仅是选择了信息的相对属性。

用户自身的健康素养水平不同，可能造成不同的社会学习效果。表3进一步对比不同健康素养水平下，被试两轮信息判断误差。在控制组中，无论是健康素养水平高者还是健康素养水平低者，两轮信息判断数值均没有显著差异。健康素养高的用户依旧维持自己的原有判断，无法判断此条信息情况，但相对偏向认为是虚假广告宣传；健康素养水平低的用户也持续认为此广告信息有可能是真实信息。在条件1下，两种群体表现出了不同的社会学习差异，健康素养水平越低的用户其社会学习能力越强。健康素养高的群体两轮信息判断没有显著差异，虽依旧认为可能是虚假信息，但在学习网络群体的观点之后，也没有明显降低判断数值；健康素养水平低的用户却出现了数值显著降低，从之前认为可能是真实信息，到学习了群体判断之后，改变自己的态度并与群体靠拢，认为此条健康信息可能是虚假信息。而在条件2下，两种群体均显示出了明显的社会学习行为。健康素养水平高的用户从第一次无法判断信息类型，到第二次修改数值认为可能是虚假信息；健康素养水平低的用户从第一次认为应该是真实信息，到第二次向群体认知靠近，改变态度判断其应该为虚假信息。在具体揭示相关网络邻居的健康素养水平下，用户都显著改变了自己的信息判断类型，使之更接近于真实情况。其中，低素养用户可能更易受到群体交流的影响，显著反向改变自己的认知态度。

4.3  个体自信判断水平

通过对所有被试在不同条件下对比发现，在了解其社会网络邻居的信息之后，被试显著提高了对自我信息甄别的肯定（F=17.72，p<0.001）。用户的信息判断状况，在3种条件下呈逐渐增加的特点，控制组群体（Mean±SD=3.82±1.41）的自信程度显著低于匿名网络（Mean±SD=4.65±1.35）和有健康素养信息的网络（Mean±SD=5.52±1.04），得分在3个条件下最低，对自我选择的答案保持一定的怀疑态度。条件1下的群体也显著高于条件2下，进一步分别对比3种条件下不同健康素养群体，结果如总体一样，也呈现逐步提高的特点，且无论是健康素养水平高的群体（F=9.21，P<0.001）还是健康素养水平低的群体（F=10.60，P<0.001），经过信息交流的社会学习之后，均显著提高了自我选择的自信。

4.4  分享意愿影响因素

用户间的信息传播可以打开商品的渠道通路，因此在实验结束后对被试进行了后测调查，并利用回归分析探究了用户分享商品信息的影响因素。因为第二轮的信息判断状况和购买意愿均是经过一定的思考和社会学习之后选择的，所以研究提取了被试第二轮实验中的相关数据以及后测问题中对产品的信任程度构建以下回归模型：

分享商品信息的意愿=0+1商品信任程度+ 2第二次信息判断程度+3第二次购买意愿程度

公式（1）

在对商品的信任程度和分享意愿上采用李克特7级量表来衡量，1代表“非常不信任”或“非常不愿意分享”，7代表“非常信任”或“非常愿意分享”。在验证了数据残差符合正态分布、个案间不存在序列相关性（Durbin-Watson=1.852）以及变量间不存在多重共线性（VIF>5）等前提条件后，通过传统的线性回归分析得到了以下公式，且模型调整后的R2=0.690，证明模型拟合度较好，用户对商品的分享意愿会受到商品信任度以及购买意愿的影响：

分享商品信息的意愿=0.008+0.661*商品信任程度+0.3*第二次购买意愿程度               公式（2）

从线性回归结果（见表4）来看，对商品的信任程度以及购买意愿会显著正向影响用户的分享意愿，信任程度越高，购买意愿越强烈，用户越会倾向于将商品分享给他人。此外，与通常的认知不同[]，对商品广告信息的真实度判断上，却没有显著影响，这有可能是因为用户会倾向于传播一些有趣的虚假广告[19]。

4.5  虚假宣传认知能力

判断任务结束后，要求所有条件下的被试使用李克特7级量表（从非常同意到非常不同意）评价其对以下陈述的同意程度：“虚假宣传对用户购买有负面和潜在的后果”。通过分析发现，3种条件下的虚假宣传认知能力存在明显差异（F=3.78，p<0.05），其中条件2（Mean±SD=6.08±0.89）相比于控制组（Mean±SD=5.33±1.51）和条件1（Mean±SD=5.43±1.48），更加认为虚假宣传会对用户造成负面后果。通过比较均值可以发现，经过信息交流，用户都会进一步提高认为虚假广告宣传会对消费者造成不良影响的认知水平。与具体揭示健康素养水平的社交网络邻居进行社会学习后，被试对于虚假广告宣传的认知能力得到了显著提升，这表明有关社交群体的信息越透明，越会增加用户的风险辨别能力。

5  讨论/Discussion

第一，在线的社会化学习可以显著提高用户对伪健康信息的辨别能力，且其健康素养水平越高学习效果越明显。笔者从在线社会化学习的角度验证了个体经过信息交流之后可以增强对伪健康信息的甄别，这与前人研究结果相同[28]。与以往研究发现[35]不同的是，虽然相较于独立思考，有群体提示的用户显著提高了判断能力，但无论网络邻居的身份信息透明化程度如何，人们都会受到网络邻居观点的影响。这表明用户对网络邻居的具体信息关注度并不高，只要有群体智慧帮助参考，就会更靠近群体答案，也符合心理学中社会认知的收敛效应。此外，研究还发现用户自身的健康素养水平不同，会造成不同的社会学习效果，这与已有研究结论相符[36]。对于健康类常识掌握的知识水平越高，个体在面对不确定性或信息缺乏的情况下，对信息的判断能力越强[37]。健康素养水平高的用户只有在接触更多具体群体信息之后才会显著改变自己的态度，而健康素养水平低的用户只要接触到群体信息就会改变态度，接触信息越多，行为改变越明显。

第二，在线化社会学习可以提高个体对信息甄别的自信水平。对3种条件下自信程度进行对比发现，经过与社会网络邻居的信息交流之后，被试均显著提高了对自我判断的信任水平。经过群体间信息交流，個体会进一步肯定自己的回答，但社会学习得越多（如了解到其网络邻居的健康素养水平），用户对自己选择的自信程度越高，也更加符合Sherif实验中的群体规范化结果[38]。人们在参与群体讨论和交流过程中，通过与他人的互动和观点对比，得到了额外的反馈和验证，从而对自己的选择更加有信心。结果证明，通过展示群体智慧可以提高用户对信息判断的自信程度，从而对伪健康信息甄别和是否转发分享进行准确的决策。

第三，健康信息的真实程度与个体的分享意愿间产生了脱节。大众普遍认为人们应该更愿意分享真实新闻，但笔者通过回归分析发现，即使经过了一定的群体间社会学习，商品广告信息的真实程度对于用户分享商品意愿上并没有显著影响，而是仅与对商品的信任程度和购买意愿有关。这与以往研究中发现公众可能会偏向于传播其认为有趣的内容相似[39]。在某些情况下，可能存在一些因素会导致人们传播失真或虚假信息。例如，个体可能出于个人利益或意识形态偏见而有意传播谣言、误导性信息或偏见观点。用户会在对商品足够信任以及愿意购买的基础上分享产品信息，而忽视该商品广告信息的真假。因此，用户不但会将真实广告信息的商品推荐给朋友，也会将自己接触到的即使知道是虚假广告的商品推荐给朋友。

第四，在线社会化学习增强个体虚假宣传认知能力。在虚假宣传认知方面，研究发现经过在线信息交流之后，用户会显著提高对虚假广告宣传所造成不良影响的认知水平。人们往往受群体的判断和行为影响，当多数用户认为某个广告宣传是虚假的时候，其他用户更有可能接受和相信这一观点，进而提高对虚假广告宣传的敏感度。进而，在具体揭示网络邻居信息之后，用户对于虚假广告负面影响的认知态度评级显著提升，这说明有关社交群体的信息越透明，越会增加用户的风险辨别能力[40]。

6  结论和建议/Conclusions and suggestions

伪健康信息会对消费者健康以及社会治理产生不良影响，因此提高用户自身信息甄别能力尤为重要。而群体学习又是个体行为改变的重要因素，故笔者通过实验设计从个体经过在线社会化学习的角度，通过配对样本T检验、独立样本T检验、单因素ANOVA检验以及线性回归分析，定量探究了信息交流与学习对伪健康信息的甄别程度、消费者商品分享行为以及虚假宣传认知的影响。结果发现，在线的社会化学习可以显著提高伪健康信息的辨别程度，且用户的健康素养水平越高其学习效果越明显。此外，在前人研究基础上，笔者进一步发现，无论参考群体的身份信息透明化程度如何，个体都会受到群体信息的影响。同时，在线社会化学习还提高了个体对信息甄别的自信水平和对虚假宣传的认知能力。最后，笔者还发现，与普遍认知不同，用户分享信息行为与信息真实程度没有显著相关性。

首先，针对在线的社会化学习提高了用户对伪健康信息的甄别能力，且其健康素养水平越高学习效果越明显，笔者建议社交媒体平台注重用户间的信息交流，鼓励个体参与群体学习，以便进行社会学习和知识分享。通过在线论坛或专业社群等方式，鼓励用户提出问题、分享观点和经验，及时可视化显示能够正确识别虚假广告的用户，通过展示用户对于信息判断的能力，来指示未知信息的相对真实性，以便产生群体规范化，提高用户的信息甄别能力。

其次，针对健康素养水平越高的用户，其社会化学习效果越明显以及信息越透明，在线社会化学习提高个体信息甄别的自信水平和虚假宣传认知越显著，建议平台对未知来源信息推出附加标识警告的功能。对健康素养水平高的用户判断为虚假的信息，添加警告标识，以提醒其他用户注意信息的可靠性，并激发他们对信息的怀疑和进一步调查。

最后，针对用户愿意分享一些即使自己判断为虚假广告的信息给他人，造成虚假广告信息的广泛传播的现象，建议社交媒体平台加强内容审核流程。对用户分享的商品信息进行审核和筛查，尤其是一些特殊标题和用词不当的信息，通过人工审核或使用自动化工具，识别和删除虚假商品信息，限制信息的传播范围。

本研究仍存在一定的局限性与不足，如在实验的伪健康信息案例选择上存在主观性，且为单案例分析。不同的伪健康信息有不同的传播特征和用户认知，因此未来将进一步对其他伪健康信息类型进行比较分析。

参考文献/References：

[1] 罗坤瑾， 陈丽帆.事实核查：社交媒体虚假新闻治理研究[J]. 中国编辑， 2020（8）： 42-46. （LUO K J， CHEN L F. Fact check： research on social media fake news governance [J]. Chinese editors journal， 2020（8）： 42-46.）

[2] WOLFE C， EYLEM A， DANDIGNAC M， et al. Understanding the landscape of Web-based medical misinformation about vaccination[EB/OL]. [2023-07-31]. https：//link.springer.com/article/10.3758/s13428-022-01840-5.

[3] DU J， PRESTON S， SUN H， et al. Using machine learning–based approaches for the detection and classification of human papillomavirus vaccine misinformation： infodemiology study of reddit discussions[EB/OL]. [2023-08-03]. https：//www.jmir.org/2021/8/e26478.

[4] TASHTOUSH Y， ALRABABAH B， DARWISH O， et al. A deep learning framework for detection of COVID-19 fake news on social media platforms[EB/OL]. [2023-08-04]. https：//www.mdpi.com/2306-5729/7/5/65.

[5] HAOUARI F， ELSAYED T， MANSOUR W. Who can verify this？ finding authorities for rumor verification in Twitter[J]. Information processing & management， 2023， 60（4）： 103366.

[6] TURAN N， ?ZDEMIR N G， ?ULHA Y， et al. The effect of undergraduate nursing students e-Health literacy on healthy lifestyle behaviour[J]. Global health promotion， 2020， 28（3）： 6-13.

[7] HUI H， ZHOU C， L? X， et al. Spread mechanism and control strategy of social network rumors under the influence of COVID-19[J]. Nonlinear dynamics， 2020， 101（3）： 1933-1949.

[8] GLASDAM S， STJERNSW?RD S. Information about the COVID-19 pandemic–a thematic analysis of different ways of perceiving true and untrue information[J]. Social sciences & humanities open， 2020， 2（1）： 1-10.

[9] 楊洸， 闻佳媛.微信朋友圈的虚假健康信息纠错：平台、策略与议题之影响研究[J]. 新闻与传播研究， 2020， 27（8）： 26-43， 126. （YANG G， WEN J Y. Health misinformation correction on Wechat moments： the impacts platform strategies and issues [J]. Journalism & communication， 2020， 27（8）： 26-43， 126.）

[10] 张亦文.消费者社会化学习、个体认知与在线消费决策各阶段效率的互动关系[J]. 商业经济研究， 2022（4）： 81-84. （ZHANG Y W. The interactive relationship between consumer social learning， individual cognition and efficiency at each stage of online consumption decision-making [J]. Journal of commercial economics， 2022（4）： 81-84.）

[11] ROITERO K， SOPRANO M， PORTELLI B， et al. The COVID-19 infodemic： can the crowd judge recent misinformation objectively？[C]// DAQUIN M， DIETZE S， HAUFF C， et.al. Proceedings of the 29th ACM international conference on information & knowledge management. New York： ACM， 2020： 1305-1314.

[12] ROITERO K， SOPRANO M， PORTELLI B， et al. Can the crowd judge truthfulness？ A longitudinal study on recent misinformation about COVID-19[J]. Personal and Ubiquitous Computing， 2023， 27（1）： 59–89.

[13] 熊回香， 孟璇， 叶佳鑫.新冠疫情虚假健康信息研究主题与核心要素研究综述[J]. 图书情报工作， 2023， 67（7）： 135-149. （XIONG H X， MENG X， YE J X. A review of research themes and core elements of false health information research on COVID-19 [J]. Library and information service， 2023， 67（7）： 135-149.）

[14] PATEK A. Diagnostic misinformation at a health resort[J]. Journal of the American Medical Association， 1912， 59（22）： 1990-1991.

[15] BINGER C. Medical information and misinformation[J]. Mental hygiene， 1947， 31（1）： 1-13.

[16] HUENEMANN R. Combating food misinformation and quackery[J]. Journal of the American Dietetic Association， 1956， 32（7）： 623-626.

[17] EBBINGHOUSE C. Medical and legal misinformation on the internet[J]. Searcher， 2000， 8（9）： 18-27.

[18] 楊再华.伪健康传播与公民媒介素养[J]. 新闻记者， 2005（4）： 56-58. （YANG Z H. Pseudo health communication and citizen media literacy [J]. Shanghai journalism review， 2005（4）： 56-58.）

[19] WARDLE C. Fake news. its complicated[EB/OL]. [2023-02-12]. https：//medium.com /1st-draft/fake-news-its-complicated-d0f773766c79.

[20] 朱宏淼， 齐佳音， 靳祯， 等.医联网环境下失真健康信息传播动力学模型与干预策略研究[J]. 系统工程理论与实践， 2022， 42（7）： 1927-1940. （ZHU H M， QI J Y， JIN Z， et al. Research on distorted health information transmission dynamics model and intervention strategy in internet of healthcare system[J]. Systems engineering-theory & practice， 2022， 42（7）： 1927-1940.）

[21] 宋士杰， 赵宇翔， 朱庆华.社交媒体中失真健康信息的传播、识别与纠偏研究[J]. 情报杂志， 2023， 42（6）： 162-169. （SONG S J， ZHAO Y X， ZHU Q H. A Comprehensive Review on health misinformation dissemination， identification and correction in social media [J]. Journal of intelligence， 2023， 42（6）： 162-169.）

[22] 金燕， 徐何贤， 毕崇武.多维特征融合的虚假健康信息识别方法研究：基于LightGBM算法[J]. 情报理论与实践， 2023， 46（8）： 156-164. （JIN Y， XU H X， BI C W. Research on health misinformation identification method based on multi-dimensional feature fusion： based on lightgbm algorithm [J]. Information studies： theory & application， 2023， 46（8）： 156-164.）

[23] 乔沛昕， 董玉琦.社会化学习对学生学习成效的影响研究——基于47项实验和准实验研究的元分析[J]. 湖南师范大学教育科学学报， 2023， 22（1）： 51-65. （QIAO P X， DONG Y Q. A research of the influence of social learning on students learning effectiveness——a meta-analysis based on 47 experimental and quasi-experimental studies[J]. Journal of Educational Science of Hunan Normal University， 2023， 22（1）： 51-65.）

[24] TROUSSAS C， KROUSKA A， SGOUROPOULOU C. Impact of social networking for advancing learners knowledge in E-learning environments[J]. Education and Information Technologies， 2021， 26：4285-4305.

[25] DUAN J J， LU L， XIE K. Examining knowledge construction in three social interactive learning environments： a comparison of knowledge networks， social networks， and social knowledge networks[J]. Interactive learning environments， 2021， 31（6）： 3914-3938.

[26] GUILBEAULT D， CENTOLA D. Networked collective intelligence improves dissemination of scientific information regarding smoking risks[J]. PLoS ONE， 2020， 15（2）： e0227813.

[27]王淑颖， 张建雄， 唐万生.考虑社会学习及成本学习的新体验品定价[J]. 管理科学学报， 2023， 26（2）： 36-48. （WANG S Y， ZHANG J X， TANG W S. Pricing of new experience goods considering social learning and cost learning [J]. Journal of management sciences in China， 2023， 26 （2）： 36-48）

[28] 何艺璇， 闫文捷.谁在社交媒体扩散虚假健康信息？——健康素养与分析性思维的作用[J]. 新闻记者， 2021（7）： 72-85. （HE Y X， YAN W J. Who spreads false health information on social media—— The role of health literacy and analytical thinking [J]. Shanghai journalism review， 2021（7）： 72-85）

[29] BALL P， MAXMEN A. The epic battle against coronavirus misinformation and conspiracy theories[J]. Nature， 2020， 581（7809）： 371-375.

[30] WILLIAMSON P. Take the time and effort to correct misinformation[J]. Nature， 2016， 540（7632）： 171.

[31] PANGARKAR A， RATHEE S. The role of conspicuity： impact of social influencers on purchase decisions of luxury consumers[J]. International journal of advertising， 2022， 42（7）： 1150-1177.

[32] ZHENG C， SONG Y， MA Y. Public opinion prediction model of food safety events network based on BP neural network[J]. IOP conference series： materials science and engineering， 2020， 719：012078.

[33] TONI G L A， JIN Y. Seeking formula for misinformation treatmentin public health crises： the effects of corrective information type and source[J]. Health communication， 2020， 35（5） ：560-575.

[34] 上海市場监管. 曝光！2023年第一批虚假违法广告典型案例[EB/OL]. [2023-08-22]. https：//mp.weixin.qq.com/s/e9ux7pXdgjKjM4Dg4HUp5Q . （Shanghai Market Regulation. Exposure！ The first batch of typical cases of false and illegal advertising in 2023 [EB/OL]. [2023-08-22]. https：//mp.weixin.qq.com/s/e9ux7pXdgjKjM4Dg4HUp5Q.）

[35] 阮文翠， 夏志杰.社交媒体用户分享辟谣信息意愿的影响因素分析[J]. 科学与管理， 2020， 40（2）： 39-44. （RUAN W C， XIA Z J. Analysis of influencing factors of social media users willingness to share counter-rumors [J]. Science and management， 2020， 40 （2）： 39-44）

[36] TUREL O， OSATUYI B. Biased credibility and sharing of fake news on social media： considering peer context and self-objectivity state[J]. Journal of management information systems， 2021， 38（4）： 931-958

[37] SCHERER L D， MCPHETRES J， PENNYCOOK G， et al. Who is susceptible to online health misinformation？ a test of four psychosocial hypotheses[J]. Health psychology， 2021， 40（4）： 274-284.

[38] GUR F A， MCLARTY B D， MULDOON J. The Sherifs contributions to management research[J]. Journal of management history， 2017， 23（2）： 191-216.

[39] PENNYCOOK G， RAND D G. The psychology of fake news[J]. Trends in cognitive sciences， 2021， 25（5）： 388-402.

[40] CHON M G. Coping with mental health issues via communicative action in the digital age： testing cybercoping models[J]. Journal of communication in healthcare， 2022， 15（4）： 289-299.

作者貢献说明/ Author contributions：

吕  柠：确定论文主题，撰写论文；

夏志杰：指导研究思路，修改论文。

The Influence of Group Intelligence on Individual Decision-making Under the Condition of False Health Advertising Information

Lü Ning  Xia Zhijie

School of Management， Shanghai University of Engineering Science， Shanghai 201620

Abstract： [Purpose/Significance] The widespread dissemination of false health information will bring unpredictable risks to public health. Exploring the impact of online social learning on public perceptions of false health information identification， sharing and false propaganda can help the public make rational health decisions and promote the governance of false health information from the perspective of social learning. [Method/Process] Through designing the experiment， the verified false health information was selected as the experimental material， and the influence of online social learning on the publics identification and confidence level of false health information was analyzed by using paired sample T test， independent sample T test and single factor ANOVA test. Moreover， the factors affecting the public sharing behavior were explored by using linear regression. [Result/Conclusion] The results showed that online social learning can improve the publics ability to distinguish false health information and enhanced the affirmation of self-judgment. The more transparent the users background information， the better the risk cognition ability. At the same time， the degree of information authenticity has no significant effect on users sharing behavior. Therefore， relevant suggestions are provided to provide theoretical reference for social media platforms to deal with false health information governance.

Keywords： false health information    online social learning    information judgment    social media platform

Fund project（s）： This work is supported by the National Social Science Fund of China titled “Research on Intelligent Governance Mechanism and Operation Strategy of Internet Rumors Supported by Big Data” （Grant No. 21BGL243） and the Shanghai Philosophy and Social Science Planning titled “Research on Dissemination Characteristics of Pseudo-health Information and Multi-agent Collaborative Intervention in the Era of Big Data” （Grant No. 2020BGL005）.

Author（s）： Lü Ning， master candidate; Xia Zhijie， PhD， corresponding author， E-mail： xia_zhijie@163.com.

Received： 2023-07-18    Published： 2024-02-23