优于双群体模型的交叉分类(1)

12月 21, 2009

Crossed Categorization Beyond the Two-Group Model
优于双群体模型的交叉分类
作者：Darren Urada, Douglas M. Stenstrom, and Norman Miller
译者：黎情 提交日期：2009年12月12日

Abstract

Four studies examined processing of in-group and out-group information with stimuli that are more complex than those used in previous crossed categorization studies. A diverse set of predictions is generated by previous theoretical work to account for how participants will integrate information stemming from multiple group memberships. Heuristic, threshold-based processing of information was supported over algebraic processing. Participants appeared to divide stimuli into “in-grouplike” and “out-grouplike” metacategories. However, the threshold at which this distinction was made, and whether it was based on in-group favoritism or out-group derogation, was influenced by the nature of the situation and the task participants performed. Advantages of crossed categorization research that moves beyond the traditional two-group model are discussed.

Keywords: cross-categorization, intergroup relations, in-group, out-group

【摘要】本研究通过四个实验考察了内群体和外群体信息的加工方式，本研究中所使用的刺激比之前的交叉分类研究中使用的刺激更加复杂。本文中前面的理论部分给出了一系列预测，来解释被试会如何整合来自多个群体关系的信息。相对于代数加工方式，研究结果更多地支持了启发式的和基于界线的非代数信息加工方式。被试似乎把刺激分成了“似内群体”和“似外群体”的元类别。然而，这个区分的界线以及这个界线是基于内群体偏爱还是外群体贬损，受到情境的性质和被试所执行的任务的影响。本文还讨论了交叉分类研究优于传统双群体模型之处。
【关键词】交叉分类，群际关系，内群体，外群体

当我们遇到某个人，他（她）在社会类型的某一个维度上与我们不同（外群体成员），但在社会类型的另一个维度上又跟我们相似（内群体成员），这就出现了交叉分类。交叉分类的实验研究特别地考察了对他人（“靶子”）的偏见问题，用内群体和外群体关系产生4种靶子：双内群体（II），交错群体（IO/OI），双外群体（OO）（如：Arcuri，1982；Brewer，Ho，Lee，&Miller，1987；Brown & Turner，1979；Deschamps & Doise，1978；Ensari & Miller，1998；Hagendoorn & Henke，1991；Hewstone，Islam & Judd，1993；Schofield & Sagar，1977；Urada & Miller，2000；Vanbeselaere，1987；近期的是Crisp & Hewstone，1999；Migdal，Hewstone & Mullen，1998；Urban & Miller，1998）。通过降低类别区分（一种认知成分）或群体认同（一种动机成分）来使交叉类别突出，已经被认为是一种用来减少这种群体之间偏见的有效的工具（Brewer & Miller，1984；Hewstone等人，1993；Messick & Mackie，1989；Vanbesalaere，1991）。然而，Crisp和Hewstone（1999）认为，把单内群体加入到一个只包含单外群体的靶子描述中，并不一定能够减少群体之间的偏见。因为实质上所有的交叉分类研究都被限制在两个类别维度上了，对交叉分类现象的准确把握需要更多的复杂刺激。

从外部效度的角度来看，超越双群体模型发展出交叉分类也是重要的。人类一次能够加工7±2个项目（G.A.Miller，1956）。当两个人相遇的时候，即使之前这两个人并没有说过话，很多的群体属性差异也能立即凸显出来，如年龄、民族背景和性别。宗教饰物、服装和说话的口音都立即可以帮助进行类别识别。然而，在一个重要的群体关系内，有一个人比其他人更加重要，这很平常。因此，在处理涉及到非常重要的外群体的冲突时，包括有着长而强烈的历史的冲突（如：美国黑人和白人；卢旺达Hutus和Tutsis；伊拉克什叶派教徒、逊尼派教徒和库尔德人），人们通常无法发现或创造出一种重要性足以抗衡外群体关系的破坏性作用的单内群体关系。事实上，上面提到的所有处于冲突中的群体都同样地隶属于一个更高级的内群体（即美国、卢旺达、伊拉克），但是很显然这还不足以阻止冲突的发生。所以，本文的研究，我们把重点放在包含优势类别的情境上。就在这些例子中，把外群体与几个不重要的内群体进行交错是否是一种减少偏见的有效策略，知道这个很重要。如果是的，接着就发展出一些干预措施，这些措施在一段足够长的时间里，能够使得内群体关系变得突出，甚至创造出几个内群体关系，以此来促成积极的人际互动。

解释人们如何整合来自多个群体关系的信息将是一个关键的问题。在接下来的部分，我们会讨论一系列的理论模型，这些理论模型可能适用于涉及多个群体类别的情况。一般的假设是：以前的双类别研究中得出的结论，将被推广到多类别靶子，但是，显然，双类别研究的证据本身就有混淆，这样一来做出的预测就会有分歧（Crisp & Hewstone，1999；Mullen，Migdal & Hewstone，2001）。而且，多群体关系中内在的复杂性就能营造出一种信息加工的情境，这种情境可能引发双类别研究中没有的加工方式。作为回应，我们发展出了一个新的模型来解释人们会如何整合多个群体关系，这个模型中使用了特征检测的信息加工法则，类似于一种基于界线的格式塔加工策略。

下一个部分中，我们会讨论关于交叉分类情境中认知信息加工的主要理论观点。虽然我们对相关模型的讨论可能远远不是详尽的，但它列出了目前的理论能预测到的大部分可能结果。然后我们根据特征检测模型作出在特定情境下的预测，在这种特定情境下，某个类别维度在多个类别中处于优势地位。

整合多个类别：代数模型

关于多个社会类别，有一种貌似合理的假设：关于内群体和外群体的信息是根据一种代数模型（平均或相加）来整合的。这种想法很大程度上是基于人们在整合特质信息时使用一种平均化法则的事实（Anderson，1965，1967，1968）。然而，这个支持平均化法则的证据并不能扩展到交叉分类的情况。在Anderson的典型范式中，被试被要求用一系列准备好的特征来评价物体或人。他发现所做出的评价普遍是结合一种中立的基线对个体特质进行平均化处理的，虽然有时材料的权重不同。Anderson也往往会把重点放在效价始终正性或负性的刺激（形容词设置）上，虽然在一些情况下，这些信息是混淆的（例如：Oden & Anderson，1971），因而使得它们相当于交叉分类的刺激。其他使用了特质的异质性设置的研究者都没能成功地找到平均模型的证据（Rechey，Koenigs，Richey & Fortin，1975；Singh，1976）。特别地，Singh（1976）发现了交互作用，这种交互作用说明了在同质性形容词设置中会有平均化，但在异质性形容词设置中没有。因此，是否平均模型适用于交叉分类的刺激还不是很清楚，但可以肯定的是，不适用于异质性的设置。

交叉分类的文献本身就为信息整合的相加法则提供了证据。符合模式II>IO=OI>OO（本文中，在每个模式中所有的操作符，即<、>和＝，都只是指相邻项目之间的关系）的结论支持了所谓的信息类别的代数整合方式（例如：Hagendoorn & Henke，1991；Hewstone等人，1993；Singh，Yeoh，Lim，& Lim，1997；Urada & Miller，2000；Vanbeselaere，1991）。而且，这个模式是交叉分类研究（Crisp & Hewstone，1999）中发现的最频繁、最基础的模式，而且普遍地被认为是相加模型（如：Brewer等人，1987；Brown & Turner，1979；Hewstone等人，1993；Urban & Miller，1998），即基本的累加法则，虽然严格地说平均法则也可以解释相加模型。Singh等人（1997）支持相加模型而反对平均模型的证据也是有一定的混淆的。他们认可相加模型，原因是支持平均模型的交互作用在方差分析检验中有四分之三是不可靠的。虽然他们的研究中整体的元分析没有能够发现可靠的交互作用，但这样一来就充分地支持了相加模型，但是根据消极结果下结论仍然有点问题。因此，（a）到底哪个特定的代数法则最适用于社会类别信息的整合，这还不是很清楚，（b）但是还是有些证据证明发生了代数整合。

无论是相加模型还是平均模型，当把内群体关系加入到靶子描述中时会提高偏爱评价，而当把外群体关系加入到靶子描述中时就会降低评价。于是这些超越双群体模型发展出来的模型就可以作出如下预测：OIo>Ioo>Iooo>O，其中“I”是重要的内群体关系，“i”是次要的内群体关系，“O”是重要的外群体关系，“o”是次要的内群体关系（这些字母在全文中的指代都是这样的）。平均模型也能够预测出增加信息会引起递减效应。相反地，在它的最简单的形式中，相加模型预测加入内群体信息就能提高评价（通过减小returns得到的校正相加模型做出的预测与平均模型一样）。然而，这些预测是以这样的假设为基础的：所有类别的权重是相等的。但社会类别却往往不是这样的。不管是内群体偏爱还是外群体贬损，里面蕴含的动机分别会给内群体信息或外群体信息更大的权重。虽然普遍认为内群体偏爱是这两种导致民族偏见的力量中更有力的一种（参考Brewer，1979），但是还是有些研究者（如：Ronsebaum & Holtz，1985；Singh等人，1997）发现外群体贬损能够占据支配地位。如果存在这样一种偏爱内群体而不是积极地贬损外群体的趋势，那么被试可能选择去平均化内群体信息，同时大大地忽略外群体信息。在这种情况下，一旦加入内群体关系（OO）的时候。相反地，如果外群体贬损优先，那么会发现相反的模式（O=Oi=Oii=OiiiIo>Ioo>Iooo>O），这时被试贬损靶子是以外群体信息为基础的，同时大大地忽略他们的内群体信息。

整合多个类别：非代数模型

其他比较完善的交叉分类模型主张，信息整合既不遵循相加法则也不遵循平均法则。在代数模型中，靶子的个别特征是根据数学法则被整合起来，以此来形成整体的印象。在心理模型中，自上而下的加工（如：Asch，1946；Brewer，1988；Fiske & Taylor，1984）与自下而上的加工（如上文提到的代数模型）是历史性的竞争对手。交叉分类模型，比如类别优势、类别联结和层级模型，可能就属于自上而下的加工。当一个类别是被作为评价的基础，同时另外一个类别就被忽略，就产生了类别优势模型（Ii=Io>Oi=Oo）（Arcuri，1982；Hagendoorn & Henke，1991；Hewstone等人，1993；Stangor，Lynch，Duan，& Glass，1992；Urban，1997）。当仅仅根据相对于观察者来说呈现的是内群体关系还是外群体关系来对靶子进行归类的时候，类别联结就产生了（Brown & Turner，1970；Eurich-Fulcer & Schofied，1995；Rogers，miller & Hennigan，1981；Schofield & Sagar，1997；Vanbeselaere，1991；Vanman，Kaplan & Miller，1991）。最后，当一个类别的作用取决于靶子与其他类别的关系的时候，层级模型就产生了（Brewer等人，1987；Hewstone等人，1993；Triandis & Triandis，1960，1962；Urada & Miller，2000）。

进一步探究其中的复杂性，可以根据偏见产生的潜在动机是受到内群体偏爱还是外群体贬损的驱使，进一步细化类别联结和层级模型。内群体关系有更大的权重时，能够产生类别联结相似模型（II=IO=OI>OO）和层级接受模型（Ii>Io>Oi=Oo），然而外群体关系有更大的权重的时候，分别产生类别联结相异模型(II>IO=OI=OO)和层级拒绝模型（Ii=Io>Oi>Oo）。另外，根据这两种群体中哪种群体占优势来进行细化，又可以产生新的模型（查看Migdal等人，1998）。

目前支持这些发现的证据与代数法则相矛盾，因为证据表明一个类别关系的作用可以发生变化，而这取决于第二个类别关系。简单的代数法则则没有这一特点。正如Singh等人（1997）所说：“进行相加处理就意味着每个社会类别的作用都是一样的，无论它与哪个社会交叉分类。”（P.134）。但是类别优势、类别联结和层级模型都违反了这个法则。

通过把这些模型背后的基本原理应用到一种多个类别的情境中，我们能够预测出这些模型可能会如何超越双群体范式。因为类别优势是观察者把优势类别作为分类的基础，同时忽略非优势类别，因而产生的预测就是O=Oi=Oii=OiiiO。相反地，多群体的类别联结相异模型是O=Oi=Oii=OiiiIo=Ioo=Iooo=O，因为相对于只包含内群体关系的靶子，所有的包含外群体关系的靶子得到同样消极的评价。层级模型被描述为类别优势和类别联结的联合体（Crisp & Hewstone，1999；Migdal等人，1998）。换句话说，当优势类别能够更有力地影响到靶子评价，并且优势类别是内群体关系（层级接受）或者是外群体关系（层级拒绝）时，相应的非优势内群体或外群体关系就会被忽略，这时就发生层级模型。因而，多群体关系相应的模式将会是：层级接受O=Oi=Oii=OiiiIo>Ioo>Iooo>O，层级拒绝OO。

从这些以前的双群体范式中就得出了的模式预测中分离出来，本文的多群体关系研究可能得到超出传统双群体范式的理论范畴的结果。一种不同的可能结果是刺激的复杂程度可以影响加工方式。Prinz和Sheerer-Neumann（1974）用刺激归类任务发现：当靶子特征数超过了两或三个时，被试会改变加工策略。当靶子比较简单时，被试似乎会尝试根据所有的特征来识别刺激。然而，当刺激比较复杂时，被试倾向于采用特征检测策略。就是说，他们把注意力放在特征结合上，而不是集中在个别特征本身。例如，一个被试“可能会寻找large-round-green-ness，而不是独立地分别检测largeness，roundness和greenness……”（Prinz & Sheerer-Neumann，1974，p.41）。因此，被试趋向于把刺激当作一个整体进行编码。在这个例子中，标准是large，round，和green，然而在交叉分类范式中，标准可能会是一个像我的人。在后面这种情况下，当被试要对复杂的靶子进行描述的时候，他们可能会发现以共同的群体关系的结合为基础对它们进行归类会更有效，而不是对每一个类别关系进行相加处理。即，涉及包含很多的内群体关系的靶子的时候，观察者可能不会把每个靶子的个别群体关系进行相加，而是把靶子知觉为一个格式塔似内群体特质(a Gestalt in-grouplike quality)，于是有O=OiO。另外一种情况是，特征检测策略可能被一种对单个优势内群体关系的搜索所引导，结果符合模式O=Oi=Oii=OiiiO。关于当给被试呈现复杂刺激时，加工会如何发生变化，这只是其中的两个例子。同时，有这样一种假设：从双群体交叉分类范式中得出的结论能自动推广到多类别的情境，我们会说明这样的假设的内在风险。当刺激的复杂程度超出双类别情境时，加工可能会发生质的变化。

正如表1所显示的，可能的模型非常多。而且，表1中没有的其它模型也是可能出现的。因而，很显然，多群体情境的独特的特点能够产生很多可能的解释模型。然而，接下来的部分，我们会细说特征检测策略为什么就是理想的模型，以影响把交叉分类范式移出双群体模型的范畴的内在因素为基础进行分析。

全文的研究和预测概述

在Urada和Miller（2000）的研究范式中，被试被要求对包含一个优势类别关系和几个次要类别关系的靶子进行评价，基于这个范式，我们设计了四个多类别研究。但不是像Urada和Miller（2000）那样仅仅对传统的双群体模型中的靶子（即Ii，Io，Oi，Oo）进行评价，而是要求被试对一系列类别数量渐增的靶子进行评价。特别地，前两个研究是为了探究对包含多于两条类别信息的交错靶子的评价。因而，第一个预备性研究（pilot study）把几个次要类别关系增加到一个包含优势外群体关系（Oi，Oii，Oiii）的靶子人物身上，第二个预备性研究把它们增加到一个包含优势内群体关系（Io，Ioo，Iooo）的靶子人物身上。然后，剩下的两个研究的靶子中囊括了单类别靶子，不管是内群体优势的条件下（I，Io，Ioo，Iooo，O），还是外群体优势的条件下（O，Oi，Oii，Oiii，I）。这样的设置（a）可以对代数加工预测与非代数加工预测进行比较，（b）也可以对多群体关系的偏见减少效应与简单的单类别基线情况进行比较。后两个研究还有一个额外目的，就是探究这几个研究中所得出的结论被推广到其他不同的实验任务和情境中的效果如何。

虽然表1呈现了对观察者会如何整合多类别信息的不同预测，但是之前Urada和Miller（2000）提出的理论认为对多类别靶子的评价很可能是以特征检测策略为基础的。通过将一个类别纬度控制为最重要的，Urada和Miller（2000）发现被试把混合靶子归类到他们所认为的“似内群体”类别或“似外群体”类别。一个包含优势内群体关系和次要外群体关系的靶子(Io)被知觉为一个完全的内群体成员，得到的评价与双内群体靶子一样。相反地，一个同样的包含交换了群体重要性的靶子（Oi）被知觉为一个完全的外群体成员，得到的评价与双外群体靶子相似。换句话说，如果在重要内群体关系的优点上，这个靶子与被试足够相似，那么这个靶子就被元归类为似内群体。如果这个靶子被认为与被试不够相似，那么这个靶子就被元归类为基本的似外群体。

当观察者对包含多于两个类别关系的靶子进行评价时，我们可以预期同样的推理仍然会成立。因此，在本文的实验中，我们预期包含一个优势内群体关系或者大部分非优势内群体关系的靶子会被认为是与被试足够相似的，足够似内群体，因而得到的评价与单内群体类别的靶子一样（即I=Io=Ioo=Iooo>O和O=Oi < Oii=Oiii=I）。这个预期与特征检测策略相符，特征检测策略是以一种格式塔决策法则为基础的。人们要么被元归类到似内群体的类别，要么被元归类到似外群体的类别。

另外一个推理思路，引导我们预测被试会遵循一种非代数的基于界线的加工策略，这个推理思路依赖于人们试图整合多条信息的独特特性。在传统的双群体模型中，混合靶子（既有内群体关系又有外群体关系）提供了关于靶子的相互冲突的线索，这种冲突性可以简单地用对每条信息进行平均或相加的代数方法得到解决。然而，与Prinz和Sheerer-Neumann（1974）的研究相似，我们认为在有多于两三个类别关系的时候，被试会转而使用自上而下的加工策略，因为信息的复杂性使得进行肢解的整合更加困难。对于复杂刺激，有一种更加有效的加工策略，它是通过检测靶子的基本特征或者靶子特征的结合，来决定这些靶子是似内群体还是似外群体的。

对靶子的知觉从外群体转为内群体的界线，能给我们探索加入更多的类别关系是否可以减少群际偏见这一额外目标（ancillary goal）提供有价值的信息。根据我们的非代数加工策略，被试会只对这些被认为基本上是似内群体的靶子（即I=Io=Ioo=Iooo>O和O=Oi < Oii=Oiii=I）给予更加偏爱的评价。更加特别地，我们预测只有在加入了一个优势内群体关系或者大部分的非优势内群体关系之后才可能减少对外群体靶子的偏见，因为这就是对靶子的知觉从似外群体（O=Oi）转为似内群体（I=Io=Ioo=Iooo和Oii=Oiii=I）的界线。（当然，很可能我们这个特定的界线会受到相关的优势维度的影响。然而，去系统地揭示这种影响不在我们这篇文章讨论的范围之内。）

优于双群体模型的交叉分类(2)
优于双群体模型的交叉分类(3)

原文来源：
Crossed Categorization Beyond the Two-Group Model
Journal of Personality and Social Psychology 2007, Vol. 92, No. 4, 649–664
原文下载：http://bbs.sciopsy.com/viewthread.php?tid=11803

This content in Chinese is Copyright SOP Group 2009 . This content is intended for personal use and may not be distributed or reproduced without the consent of SOP Group. Please contact www.sciopsy.com for more information.

Written by admin · Filed Under 心理论文