PNAS：在COVID-19大流行期间，疫情疲劳加剧了政治不满

导语

在 COVID-19 大流行期间，世界经历了重大的社会和政治动荡。这项研究表明，个体层面对政治制度的不满与“疫情疲劳”（pandemic fatigue）有关。这种“疲劳”随着受限制程度和流行病的严重程度而变化，但也随着疫情的延长而增加。它助长了对政府的不信任、阴谋论信念和对抗议活动的支持。在这场大流行之前，一些西方国家已经面临着越来越多的政治不稳定。这项研究结果引起了人们的关注，即这一流行病将进一步破坏西方国家的政治稳定。此外，这项工作强调了将社会科学纳入大流行病管理的重要性，以便缓冲疲劳和抵制政治不满情绪的进一步增加。

关键词：计算社会科学，社会心理学，社会经济复杂系统

Frederik Jørgensen, Alexander Bor, Magnus Storm Rasmussen等 | 作者

刘志航、刘培源 | 翻译

邓一雪 | 编辑

论文题目：

Pandemic fatigue fueled political discontent during the COVID-19 pandemic

论文链接：

https://www.pnas.org/doi/10.1073/pnas.2201266119

摘要

1. 疫情疲劳的概念

2. 方法和材料

3. 结果

4. 讨论与结论

摘要

卫生部门强调“疫情疲劳”是 COVID-19 大流行期间的一个心理后果，并警告说“疲劳”可能会削弱遵守卫生相关政策和任务的积极性。然而，因遵守当局政策而产生的疲劳可能会产生远远超出健康领域的后果。社会科学的理论已经提出，政策的实际和感知成本也会引发对整个政治机构的不满情绪。结合卫生和社会科学的理论，我们分析了疫情疲劳（即认为自己无法“持续保持”各种限制）是如何在大流行中发展起来的，以及它是否助长了政治不满情绪。利用2020年9月至2021年7月在八个西方国家收集的纵向和面板调查（N = 49,116），我们分析了：（1）国家层面上随时间变化的疲劳；（2）疫情疲劳和不满之间的关联；以及（3）使用面板数据推断疫情疲劳对政治不满的影响。疫情疲劳随着时间和干预措施的加强而明显增加，但也随着新冠疫情衰退而减少。当被触发时，疲劳引起了广泛的不满，包括抗议支持和阴谋论思维。这些结果表明，大流行病对社会的影响超出了健康领域，并引起了人们对民主社会稳定性的担忧，因为在大流行病发生之前，民主社会已经被各种矛盾和冲突搞得很紧张。

2020年3月，当西方国家爆发新冠时，它袭击了已经被各种矛盾和冲突所困扰的社会。纵向分析表明，一些西方民主国家的政治不稳定在几十年间一直在增加[1]，2008年的全球金融危机、2015年的欧洲移民危机、2016年的英国脱欧公投和2016年的美国大选结果进一步助长了这种不稳定。这些事件被分析为与西方民主国家日益增长的反体制情绪有关——作为原因或结果——这些情绪激发了公众抗议机构，支持威权领导人和政策，以及传播和相信阴谋论[2]。新冠疫情也引起了公众抗议的急剧上升，甚至是政治暴力[3]，世界卫生组织（WHO）警告说，在大流行病期间会出现虚假信息的“信息流行病”[4]。

在这篇文章中，我们研究了新冠疫情是否以及如何引发了西方国家的政治不满情绪。之前的研究一直认为，政治不满情绪是由社会失去控制的感觉所激发的[5]。新冠疫情引发了这种失控感，政策制定者和研究人员经常在“疫情疲劳”的标签下进行讨论[6, 7]。正如一些研究人员所认为的，长期遵守限制性行为政策的代价是可能会引发“疲劳”，并助长对政治制度的愤怒[3, 8]。

从理论上讲，我们回顾并澄清了疫情疲劳的概念，该概念一直是争论不休的对象。我们认为，疫情疲劳应该被概念化为持续顺从限制措施的代价所带来的疲惫，并且可以表现为人们认为自己无法“持续保持（keep up）”限制性行为。结合社会科学和健康心理学的论点，我们认为这种疫情疲劳感会加剧政治上的不满。在经验上，我们分析了2020年9月至2021年7月期间八个西方国家的个体（丹麦、法国、德国、匈牙利、意大利、英国、美国和瑞典）自觉无力跟上限制措施发展的情况。这项研究表明，这些感觉反映了顺从的社会和精神成本（即社会隔离）；它们在疫情限制措施出台时被触发；而且这些感觉随着时间的推移而加强。与我们的主要理论主张一致，我们随后的分析表明，无法持续保持限制措施的感觉与所观察国家的多个政治不满指标相关。理论上，政治不满有不同的来源，如专制主义侵略或对权威的屈从[9]，结果显示，这种无法持续保限制的感觉特别助长了更积极的不满形式，而不是对强势管理机构的消极屈从。此外，我们能够利用面板数据加强对这些发现的因果解释，表明疫情疲劳对政治不满和民粹主义情绪产生了因果效应。

这些发现至少有三个贡献。首先，它们对关于政治不满的文献中的一个关键的心理学论点进行了检验，表明由于外部需求而产生的疲惫感会导致反体制的情绪的爆发。第二，研究结果为管理机构在大规模健康危机（如大流行病）期间提供了一个重要信息。疫情疲劳的出现和影响表明，大流行病的后果远远超出了卫生领域。因此，大流行病的管理不仅应该利用卫生方面的专业知识，还应该利用社会科学的全部专业知识来缓解疲惫感。疲劳如果被忽视，可能会对限制措施的遵守产生直接影响，但随着时间的推移，也可能破坏对管理机构的信任。最后，虽然一些研究表明，大流行病平均来说增加了公众对科学和精英的信任[10, 11]，但我们的发现为未来提出了更令人担忧的前景。在大流行之前，一些西方国家已经面临着政治不稳定的态势。目前的研究结果表明，大流行病将使那些深受限制性政策影响的个人和群体的动态更加恶化。

1. 疫情疲劳的概念

自从新冠疫情爆发以来，多种不同的概念被用来描述大流行病所引起的潜在疲惫、疲倦和疲劳感。目前，人们趋向于使用疫情疲劳作为“最合适的概念”来表示这种感觉[12]。然而，与此同时，这个概念和相关的概念也成为了重要的争论对象。例如，英国政府在第一波疫情中推迟了他们的封锁，理由是在几周内，遵守限制性政策会产生“行为疲劳”。由于缺乏行为疲劳的证据，这一决定及其理由受到了很大的批评[13]。后来，在第二波感染的早期阶段，世卫组织对疫情疲劳提出了警告，并将其定义为“遵循建议的保护行为的动力不足，随着时间的推移逐渐出现，并受到一些情绪、经验和看法的影响”[6]。这一警告也遭到了批评，因为世卫组织以动机为导向的定义与健康心理学中更传统的疲劳定义不一致，后者针对的则是即使动机很高，也会出现疲惫的情况[8, 14]。

疲劳（fatigue）的概念在健康心理学中由来已久，并经常成为争论的焦点。一项概念审查得出结论是：“‘疲劳’一词一直未能提供一个统一的、被广泛接受的定义”[15] 。然而，总的来说，存在两种评估疲劳的一般方法。一种是评估疲劳的间接方法，即与时间相关的客观表现的下降，另一种是评估主观的疲惫感的直接方法[15]。然而，重要的是，这两种方法都集中在一个论点上，即疲劳是由事先参与一个有代价的行动造成的。这一点在疲劳概念的更多心理学应用中特别明显，比如在关于同情疲劳，即护理人员的疲劳[16]或骚扰疲劳，即受害者在持续拒绝骚扰者后的疲劳[17]。例如，同情疲劳被直接概念化为对“护理成本”的反应[16]。虽然这些成本可能会降低随后的护理动机和参与度，但积极性下降是疲劳的结果，而不是疲劳本身。

从这个更广泛的疲劳文献的角度来看，疫情疲劳最好被概念化为由遵守政策的成本（如社会隔离政策的精神成本）引起的疲惫感或疲倦感[18-20]。这些疲惫的感觉会使人难以跟上限制性政策，即使个体积极性很高。因此，对照 WHO 的定义，动力不足可能是疲劳的一种影响，但它不是疫情疲劳感的组成部分[8, 13]。换句话说，一个缺乏积极性的人不一定是一个疲劳的人。正如多项研究所证明的那样，依从性的下降可能有多种其他原因，包括对病毒缺乏恐惧[21]，对如何行动缺乏明确的认识[22]，以及存在反对依从的实际障碍[23]。

之前关于疫情疲劳的实证研究都是以依从性下降作为其指标，也就是衡量客观表现的间接方法。关于早期流行病，Cowling 及其同事[24]研究了香港的 H1N1 流行病，发现社会距离在 8 个月内明显下降。在新冠期间，Goldstein 和同事[25]估计了限制措施对流动性的影响，发现干预措施对流动性的影响随着时间的推移而减少，他们将此归因于疲劳。同样，Petheric 等人[26]注意到，随着疫情发展的延长，各国对昂贵的政策（如身体距离）的遵守程度下降。重要的是，在戴口罩这种成本较低的保护性行为方面没有观察到这种情况。虽然成本较高和较低的行为的独特动态与疫情疲劳作用相一致，但这些关联有可能被依从性性下降的其他因素所混淆。

然而，重要的是，一些研究使用了主观疲惫感的测量来更直接地确定疫情疲劳的存在。Lilleholt 及其同事[7]开发了一个疫情疲劳感的测量方法，并发现它与人们自我报告的以下四种健康保护行为的倾向呈负相关：保持身体距离、卫生行为、戴口罩和寻求信息。这项研究通过调查实验，通过自我反思任务诱发疫情疲劳，也提供了证据，证明疫情疲劳感对遵守限制措施的动机有负面的因果影响。同样地，参考文献[12]和[27]通过对疫情特有的“倦怠”感觉的量表来衡量疫情疲劳。与疫情疲劳反映了遵从限制措施的成本而不仅仅是缺乏动机的概念相一致，这些研究发现，疫情疲劳程度较高的人也更害怕冠状病毒，并且因为大流行性而感到更大的压力。作为进一步的证据，Ford 及其同事[28]用另一个疫情疲劳量表（以 Ford 和 Ivancic[17]的骚扰疲劳量表为模型）证明，疫情疲劳程度较高的人有动机回避与 COVID-19 有关的信息，但仍会继续寻找相关信息。最后，Taylor 和他的同事[29]使用了另一个疫情疲劳量表，发现它与大流行病特定的压力、焦虑和抑郁的感觉有关，并且如果他们不遵守疫情的政策，对公众羞辱的恐惧也会增加。通过更直接地评估疫情疲劳，这些研究提供了支持疲惫感存在的初步证据，并强调了将疫情疲劳概念化的重要性，因为它反映了遵守限制措施的感知成本，而不是客观行为的变化。同时，这组研究也表明，目前还没有一个既定的、广泛使用的疫情疲劳的衡量标准。

1.1 疫情疲劳如何助长政治不满情绪

除了概念和方法上的挑战，之前的研究主要集中在疫情疲劳和在卫生紧急情况下遵守行为准则之间的关联。在这里，我们调查了疫情疲劳感在新冠疫情期间对干预措施的依从性之外的长期影响的可能性。事实上，对疫情疲劳概念最持批评态度的研究人员认为，最可能的疲劳效应如果存在的话，是对那些在大流行期间被认为有责任的人的愤怒[8]。因为人们很难将愤怒指向一个不露面的病毒，因此，在这方面，愤怒的直接目标是政治精英和造成困扰的 COVID-19 干预措施。

反体制情绪可以在多种不同的、更具体的意见和行为中显示出来，包括拒绝主流政党和政府在具体问题上的政策（如关于 COVID-19 的政策）[30]，分享虚假信息[31]，支持抗议活动，包括为政治目的使用暴力的极端抗议活动[32]，以及支持强势的领导人[33]。

疫情疲劳可以通过两个过程促进反体制的观点。首先，遵守一些公共卫生措施是身体健康、福祉、社会关系和财政方面的压力来源[3, 34]。第二，在新冠疫情的初期，一夜之间出行了新的社会规范和要求[35, 36]。不仅在公共场合突然要求使用口罩，握手被肘部撞击所取代，而且还引入了代价更大的措施和政策，如自我隔离和居家教育。疫情期间，这些快速的社会规范变化可能会引起精神上的控制权的丧失和不确定性的增加，可能会增加疫情疲劳程度[12, 37]。同时，由于健康干预给公民带来的物质损失，并且可能会引发对“低权力或控制感的厌恶”，这在民粹主义研究中被强调为政治不满的一个关键心理原因[5]。

具体来说，与不满情绪研究中经常讨论的其他问题（如移民和全球化）一样，大流行病和相关干预措施可能导致实际的社会经济变化（如经济活动减少导致的失业或感染后的社会区隔）和主观的损失感[5]。感到受威胁的主导群体成员特别受到那些明确强调走向更大控制权的话语的吸引，这可能有助于他们重新获得主导权和幸福感[2, 5, 38]。针对既定政治精英的政治不满可以被看作是重新获得控制权的一种方式。

一些证据表明，疲劳确实促进了政治不满情绪。使用 two-wave 面板设计，先前的一项研究比较了四个国家在2020年4月和6月存在的极端反体制情绪，并将这种发展与新冠疫情的心理负担的衡量标准相关联[3]。这个心理负担的衡量标准是对大流行病中物质（如财务）和非物质（如福利）损失经历的加法衡量，并预测了激进行为和情绪的出现。

除了这一发现之外，在这里，我们追踪了疫情疲劳，衡量标准是认为自己无持续保持限制性行为，在8个国家的新冠疫情的11个月里收集了13轮数据。这使我们既能了解疫情疲劳的原因，又能利用本研究的面板数据进行因果推断分析。此外，我们利用广泛的结果衡量标准，这些标准反映了几种形式的不满，包括对政府的不信任、对主流政策的反对、对阴谋论的信仰、对公众抗议的支持以及对威权领导人的支持。这使我们能够超越那些表明激进行为的结果，而关注不那么极端的不满形式（关于这一区别的讨论，也见参考文献[2]）。目前，我们不知道疫情疲劳和不满是否仅限于少数激进的阴谋论者群体，或者疫情疲劳是否引起了更多公民的不满。

2. 方法和材料

所有的数据和代码都可以在开放科学框架的在线存储库中找到：https://osf.io/ax6zv/。数据收集完全符合丹麦奥胡斯大学的行为准则，并得到了奥胡斯大学技术转让办公室的批准。该研究没有经过进一步的伦理审查，根据《健康研究项目伦理审查法》第14条[2]，“只有当项目涉及人类生物材料时，才需要向研究伦理委员会系统通知问卷调查……”。所有参与者都提供了知情同意书，并根据他们与数据提供者的长期协议得到了补偿。

2.1 数据

从2020年9月13日到2021年7月20日，我们在八个国家进行了定额抽样调查，包括丹麦、瑞典、英国、美国、意大利、法国、德国和匈牙利（数据收集概况见SI附录，表S1）[39]。这些国家在新冠疫情的严重程度和国家应对措施，以及政治分化程度和民主机构的力量方面代表了一组不同的西方国家。我们每月收集一到两次数据，每个国家大约有500名受访者。在这段时间内，我们在丹麦总共收集了 13 轮数据，在其余国家收集了 12 轮数据（总人数=49,116）。

在这八个国家中的每一个国家，调查公司 Epinion 使用在线面板对成年受访者进行抽样。在被邀请参加我们调查的小组成员中，我们的样本国家的回复率在 15%（匈牙利）到60%（美国）之间。对调查对象进行了定额抽样，以符合八个国家中每个国家在年龄、性别和地理位置上的人口比例。我们通过对样本数据进行后分层来解决不平衡的问题，以匹配人口的边际（关于样本与人口特征的概述，见SI附录，表S4-S11）。除小组分析外，所有的统计分析都采用这些后分层加权。

在每一轮中，一些参与者被重新联系，这为数据提供了一个面板数据集。面板数据的大多数参与者只参加了两次，而有些参与者则参加了多达五次。此外，面板数据的参与者在各国的分布也不尽相同。具体来说，面板数据的参与者中约有一半来自丹麦，而其余的参与者在样本中的其他国家的分布比较平均（SI附录，表S2）。在SI附录的表S3中，我们显示小组部分的参与者在人口统计上与单波参与者相似。

2.2 方法

（1）疫情疲劳

我们用受访者对以下陈述的同意程度来衡量疫情疲劳程度：“我不认为我可以在更长的时间内保持对冠状病毒的限制措施|”。受访者以5分制回答，范围从“完全不同意”到“完全同意”。我们对回答进行了重新划分，使其在0和1之间变化，数值越高表示疫情疲劳程度越高。SI附录，图S1显示了样本中各国受访者回答的分布情况。该项目的措辞旨在用日常的、具有面部有效性的术语来捕捉疲惫感的表达，类似于无法跟上跑步者的步伐或工作中的新任务的感觉。重要的是，如果这一措施确实反映了疫情疲劳，它应该反映出遵守疫情政策的感知成本，而不仅仅是降低遵守这些政策的积极性。例如，一个不担心感染新冠病毒的人可能会失去遵守政策的积极性，但这不会构成疲劳。

为了评估该措施的建构有效性，SI附录图S2显示了疫情疲劳与疫情应对措施遵守的精神成本——孤独感[18-20]，以及与潜在混淆因素——动机（积极性）相关的最重要因素之间的关联。具体来说，除了孤独感，该模型还包括个人和社会恐惧感、自我效能感、自我报告的行为依从性以及社会人口学变量（见下文的进一步讨论）。分析表明，在报告的孤独感和疫情疲劳的衡量标准之间存在着独特的、实质性的强关联。孤独感增加两个标准差与疲劳感增加23.4%点有关（95%CI：19.9，26.8）。这一关联比第二强的关联大3.3倍。最后，为了评估当前方法与其他疫情疲劳测量方法的趋同有效性，2022年3月在德国进行了一项单独的研究[40]。在这项研究中，我们使用当前方法以及经过验证的疫情疲劳量表[7]和经过验证的“新冠疲劳”量表[29]来评估疫情疲劳。为了支持测量的收敛有效性，我们发现我们的项目与疫情疲劳量表（r = 0.48），特别是与它的行为疲劳子部分（r = 0.52）之间有很大的相关性，而与新冠疲劳量表（r = 0.30）的相关性较低，但相关性仍然很可观（SI 附录，S1.5节）。

（2）国家层面的疫情疲劳的预测因素

我们专注于三个潜在的重要国家层面的预测因素，以评估疫情疲劳的发展。首先，我们使用牛津大学COVID-19政府反应追踪器（OxCGRT）[41]衡量国家COVID-19政策的严格程度。该指数追踪特定国家在某一特定时间点针对大流行病采取的公共和社会措施（例如，学校和工作场所关闭、宵禁和对国际旅行的限制）。第二，我们使用登记的人均日死亡人数（由OxCGRT数据集报告）来衡量特定国家的疫情严重程度。第三，我们包括了对大流行病开始以来时间的简单衡量[26]。我们将这些预测因素的平均值为0，单位为2个标准差，使它们的估计系数可以相互比较[42]。两个标准差相当于大约半年的时间，每百万人中有10.4个新的死亡病例，以及100分的严格程度指数的25.5分变化。

（3）疫情疲劳的个人层面的后果

为了评估疫情疲劳是否会助长政治不满，我们分析了疫情疲劳与六个个人层面的不满指标的相关性。（1）反对COVID-19的限制措施，（2）抗议限制措施，（3）相信COVID-19的阴谋，（4）对民主权利的关注，（5）对政府的不信任，以及（6）对强势领导人的支持。选择这一众多指标是为了反映政治不满的许多潜在面貌，包括政策反对、不信任、抗议行为以及对主导者、民粹主义领导人的推崇[2]。

我们用一个程度表来衡量这些不满指标中的五个，要求受访者报告他们对五个陈述的同意或不同意程度，每个陈述涉及一个不满指标。关于对COVID-19限制措施的反对：“政府对冠状病毒的反应过于极端”。关于对反封控抗议的支持：“我支持在COVID-19大流行期间公众对政府政策的抗议。”关于阴谋论的想法：“我认为政府对公众隐瞒了关于冠状病毒及其治疗的重要信息。” 关于对民主权利的担忧：“在目前的情况下，我对自己的民主权利感到担忧。”关于对强势的领导人的偏好：“我们的国家现在需要一个强有力的领导人。”对于每个陈述，受访者以5分制报告他们的同意程度，范围从完全不同意到完全同意。我们对每项测量进行重新标度，从0到1不等，数值越高表示不满的程度越高。我们通过问受访者以下问题来衡量第六个也是最后一个不满指标，即对政府的不信任。“在0到10的范围内给出你的评估，其中0表示你对政府完全没有信心，10表示你对政府有充分的信心”。同样地，我们将这一衡量标准重新调整为从0到1的范围，数值越高表示对政府的不信任程度越高。在SI附录的图S5中，我们提供了这些指标在不同时间和国家的发展概况。

（4）个人层面的控制变量

我们测量了以下人口控制变量：性别、年龄、教育和收入。性别是一个指标变量（0代表女性；1代表男性）。年龄是一个连续变量，我们用平均值0和2个标准差的单位来重新划分。教育是一个基于国际标准教育分类的指标变量（0代表非高等教育；1代表高等教育）。收入是以国家特定的十分位数来衡量的。我们将收入信息重新编码为三类，包括低于中位数、高于中位数和未报告。

正如在理论讨论中所指出的，方法学上的一个问题是，疫情疲劳的衡量标准是否被与动机或机会有关的因素所混淆。因此，作为额外的个人层面的控制，我们包括先前研究强调的两个动机因素：个人和社会恐惧以及自我效能感（见参考文献[22]和[36]）。遵纪守法的机会将与社会经济因素有关，对收入和教育的统计控制将减少来自这一来源的混杂因素。此外，为了控制其他控制措施所不能解决的混杂因素，我们还包括对自我报告的行为改变程度的直接测量，以避免传播感染（即，行为依从性，参考文献[22]）。最后，如上所述，孤独感和疫情疲劳之间存在着强烈的关联。由于孤独感也可能与政治不满有关，我们还将孤独感作为一个控制变量，以减少疲劳和不满之间关联的虚假性。所有控制变量的编码详见SI附录S1.7节。与年龄一样，我们用均值0和单位2个标准差来重新衡量这些措施。

（5）统计分析

首先，我们要评估国家层面的因素是如何在个人层面形成疫情疲劳的。我们的基线模型将疫情疲劳与政策的严格程度、人均死亡人数和大流行开始后的时间进行回归。它还包括按国家划分的随机截距，以考虑到数据中的聚类情况。为了测试国家层面的大流行趋势和我们的疲劳度量之间的关联是否反映了动机的转变，我们报告了一个额外的模型，其中包括我们的个人层面的态度控制。只要严格程度、死亡人数和时间的系数估计值在两个模型中保持实质性的相似，我们就可以确信严格程度、死亡人数和时间不会通过动机塑造疫情疲劳。

第二，我们想评估疫情疲劳和政治不满形式之间的个人层面的关联。为了做到这一点，我们依靠两个互补的策略。作为第一个策略，我们使用与上述相同的多层次回归模型方法，但现在将疲劳作为预测因素而不是结果。在我们的基线模型中，我们将六种政治不满的结果逐一回归到疫情疲劳和人口统计控制上，同时包括国家和调查波段的随机截距。同样，随机截距考虑了我们数据中的聚类情况，并提高了我们估计的精确度。接下来，我们在模型中加入额外的个人层面的控制，以评估我们的基线模型所显示的关联是否被动机因素所混淆。同样，如果对疫情疲劳的系数估计没有太大的变化，这就增加了我们的信心，即这些关联不是塑造疲劳感和不满感的动机差异的伪产物。

作为第二个策略，我们在双向固定效应模型中使用我们的面板数据部分，以增加我们对疲劳对政治不满的影响的估计的因果效应用。更具体地说，双向固定效应估计模型将每个政治不满的结果回归到疫情疲劳上，同时包括个人和调查批次的固定效应。个人层面的固定效应通过只使用政治不满和疲劳的个人内部变化来控制稳定的个体差异，而调查批次的固定效应则考虑了变量的潜在共同时间趋势。多层次估计模型比较了疲劳程度高与低的个体之间的政治不满，而双向固定效应估计模型则比较了当疲劳程度与早期访谈相比发生变化时，政治不满如何变化。这意味着估计器消除了所有的时间变量混杂因素。然而，时变混杂仍可能使估计值产生偏差。只有在假设在没有疲劳变化的情况下，个人的不满情绪会遵循平行的趋势[43]，双向固定效应估计模型才会对疲劳对政治不满的因果影响产生无偏的估计。重要的是，我们提供了测试，支持本应用中的平行趋势假设（详见SI附录，S2.5节）。

3. 结果

3.1 疫情疲劳是由时间、更高的严格程度和更少的死亡来预测的

首先关注国家层面的疫情疲劳的预测因素，图1说明了每个国家在调查期间（2020年9月-2021年7月）的疲劳、政策严格程度和大流行的严重程度的发展。图1显示，在这11个月中，8个国家中有7个国家的疫情疲劳（实线）在所有国家逐渐增加。然而，也很明显，这些增加在大多数国家在2021年春天（2021年4月左右）趋于平缓。这种模式在德国和意大利最为明显，但也可以在丹麦、瑞典、英国，以及在某种程度上在法国发现。

图1. 疲劳、政策严格程度和COVID-19每日死亡人数的发展情况（2020年9月-2021年7月）。实线是基于我们的调查数据的疲劳度的发展，使用 lowes 平滑器。虚线是政府对COVID-19反应的严格程度的发展（基于牛津严格程度指数）。红色区域是使用内核平滑器的COVID-19每日百万死亡人数的发展。

总体模式显示，大多数国家的政策严格程度（虚线）和疫情疲劳方面有一些平行发展。因此，我们观察到在研究期的前半段，所有国家的严格程度都在增加，直到2021年1月，这符合疫情疲劳的普遍增加。同样，我们观察到，在2021年的头几个月，严格程度总体上仍然很高，此后到2021年4月开始下降。至少在意大利和德国，这导致了同一时期疫情疲劳的减少。

最后，图1表明，疫情疲劳与疫情的严重程度（红色区域）呈负相关。在八个国家中，该图显示，当每天的死亡人数（人均）减少时，疲劳感趋于增加。总之，图1提供了一些证据，表明当严格程度上升和疫情的严重程度下降时，疫情疲劳会随着时间而增加。然而，该图也表明，这些宏观层面的预测因素是相互关联的。

在图2中，我们试图拆分每个国家层面的相关因素与疫情疲劳的关系。黑色的点是基线多层次回归模型的估计值，而蓝色的点是带有额外的个人水平控制的模型的估计值。图2表明，即使控制了大流行病的严重程度和政策的严格程度，疲劳感也会随着时间的推移而增加。具体来说，在8个国家中，疫情疲劳度在研究期间每6个月增加约5.8%点（95% CI: 4.1, 7.6）。相应地，与使用时间作为疲劳指标的方法一致，我们发现支持这种现象随着时间的推移而出现，但速度缓慢。

图2. 国家层面的疫情疲劳的相关因素。加权多层回归模型的点估计值和95%置信区间（n = 49,116）。基准多层回归模型（黑色）代表了将疲劳感回归到政策严格程度、新死亡人数和时间上的估计值，同时也包括随机截距。带有额外控制变量的模型（蓝色）代表来自包括社会和个人恐惧、效能、行为变化和孤独感作为额外控制变量的模型的估计。

转向政策的严格性，图2证实了当某个国家的限制措施更加严格时，也就是说，当遵从的成本更高时，人们的疲劳感更少。因此，我们观察到，当政策严格程度收紧2个标准差时，疲劳感增加了约3.3%点（95%CI：1.6，5.1）。最后，当大流行的严重程度增加时，公民似乎经历了较少的疫情疲劳。具体来说，当COVID-19的死亡人数增加2个标准差时，我们观察到疫情疲劳度平均下降了约-2.2%点（95%CI：-3.9，-0.3）。这表明，当大流行病越来越严重时，人们从遵守一套恒定的限制中感受到的疲惫感会减少。在SI附录，图S7中，我们还研究了严格性和COVID-19死亡与疫情疲劳的关联是否相互影响。然而，这种相互作用并不显著，这对反应的严重性和死亡的严重性在与疲劳的关联中主要不是独立运作的说法提供了很少的证据。

令人欣慰的是，在所有三个国家层面的预测因素中，我们发现带有额外控制变量的模型产生了实质性的相似估计。这意味着我们的估计值跟踪了时间、严格程度和死亡与疲惫感的相关性，而不是简单地反映诸如对冠状病毒的恐惧等动机因素的变化。

在上述分析中，我们通过评估疲惫感与时间和政策严格性之间的关联，来研究大流行病政策的成本积累情况。在SI附录，图S6中，我们提供了额外的证据，将后两个因素结合起来，评估当严格程度超过一定水平时，时间是否与疲劳有更强的关联。这些分析表明，严格程度高于严格程度中位数（具体而言，2020年3月至2021年7月期间的国别中位数）的连续天数与疲劳有独立的关联，超出了严格程度和时间的简单关联。因此，有重大干预措施的漫长时期对公众来说是特别累的。

3.2 疫情疲劳预测了个体层面的政治不满情绪

在此基础上，我们转向了解疫情疲劳是否预测了政治不满。图3报告了我们的多层次模型将不满情绪回归到疲劳和控制上的系数估计。着重于基线模型（黑色），我们发现，疫情疲劳感总体上与政治不满有关。更具体地说，当把疲劳程度最高的受访者与疲劳程度最低的受访者进行比较时，基线模型显示反对新冠限制措施的人数增加了39.5%-点（95%CI：34.6，44.4），支持抗议新冠限制措施的人数增加了27. 6%点（95%CI：21.4，31.8），对新冠阴谋论的信念增加了29.1%点（95%CI：23.3，35.0），对民主权利的关注增加了36.2%点（95%CI：30.1，42.2），以及对政府的不信任增加了14.2%点（95%CI：7.2，21.2）。同时，患有较高疲劳症的人对强势领导人的支持度降低了3.7%点（95%CI：-6.7，-0.7）。

图3. 图中显示，疲劳与政治不满相关。点估计值和95%的置信区间来自加权的多层回归（n = 46,222-48,714）。基准模型（黑色圆圈）代表了在疲劳的同时还包括人口统计控制（性别、年龄、教育和收入）的规范的估计值。额外控制变量的模型（蓝色圆圈）代表的是在人口统计学变量的基础上额外控制社会和个人恐惧、效力、行为依从性和孤独感等变量的模型估计。所有模型都包括随机国家和调查波段的截距。

从基线模型中的协变量可以看出，我们总体上观察到政治不满情绪的人口异质性很小。带有额外控制因素的模型（蓝色）证实了上述发现，并表明动机和机会因素并不强烈干扰观察到的疫情疲劳和政治不满之间的关系。

所提出的模型假设疲劳和每个不满指标之间的相关性在所有国家都是一样的。在SI附录，图S8中，我们放宽了这一假设，在我们的多层次回归模型中加入了不同的疲劳斜率，以提取疫情疲劳和六个政治不满结果指标中每个指标之间的国别相关性。分析结果表明，国别结果与本文提出的总体结论高度一致。

上述个体层面的研究结果的一个重要限制是，它们可能受到选择偏差的影响。偏差的一个来源是由于遗漏变量（即替代解释）造成的混杂的可能性。许多相关的遗漏变量是稳定的个体层面的特征，如慢性精神挑战、一般健康问题、一般政治信任或缺乏社会经济机会[7，29]。如果这些因素同时对疫情疲劳和政治不满产生独立的影响，那么它们就会在估计中产生遗漏变量的偏差。另一个同样重要的偏差来源是因果关系的颠倒。例如，可能是对民主权利的关注增加导致了对疫情疲劳感增加。在传统的观察性数据中，很难衡量和控制所有潜在的选择偏差来源。然而，通过利用我们数据的面板部分，我们能够限制这些偏见的来源，从而衡量因果关系。具体来说，我们依靠统计分析部分所述的双向（即个人和调查波次）固定效应估计模型来增加有关疫情疲劳对六个政治不满结果措施影响的因果效应。图4报告了双向固定效应分析的结果。

图4. 疲劳对政治不满情绪的双向固定效应估计。双向固定效应模型（n = 9,815-10,792）的点估计值以及95%的置信区间（标准误差按个体分组）。

总的来说，图4中显示的效果估计值支持图3的相关结果。个人从最低水平到最高水平的疫情疲劳刺激了对新冠限制措施的反对增加了11.6%点（95%CI：8.6，14.6），对抗议新冠限制措施的支持增加了8.7%点（95%CI：6.0，11. 3），对新冠阴谋论的信念为3.1%点（95%CI：0.5，5.6），对民主权利的担忧为9.3%点（95%CI：6.5，12.0），对政府的不信任为3.8%点（95%CI：2.1，5.5），对强大领导人的支持减少为1.4%点（95%CI：-3.8，1.1）。尽管与之前的相关结果高度一致，但需要注意的是，使用双向固定效应估计模型时，疫情疲劳对政治不满的影响大大降低。然而，我们仍然观察到疫情疲劳的实质性影响——除了对强势领导人的偏好——这表明疲劳感助长了各国的政治不满情绪。

SI附录第S2.5节报告了平行趋势假设的稳健性检检验，这些结果的因果解释依赖于此。稳健性检查表明，反向因果关系不太可能使我们的结果出现偏差。政治不满情绪的增加似乎并没有反馈到疫情疲劳的增加上。稳健性检验还显示，如果我们不假设所有受访者都遵循类似的趋势，而是让每个受访者遵循自己的线性趋势，那么疲劳对政治不满的影响仍然是相似的。

为了进一步探究效果估计的稳健性，SI附录，图S10分别显示了每个国家的双向固定效应。SI附录，图S10表明，估计的效果在八个国家的系数符号方面是相对均匀的，特别是在反对新冠限制措施、支持抗议新冠限制措施和对民主权利的关注方面（尽管由于观察数量的变化，精确度在不同国家有差异）。同样，在所有国家，对强势的支持的估计效果是不显著的，接近于零。对政府相关的新冠阴谋论的信念以及对政府的不信任的系数不太一致，这可能是由于各个政府所采取的具体行动的跨国异质性。

综上所述，个人层面的纵向结果总体上比较接近于相关证据。换句话说，这意味着疫情疲劳不仅应该被视为政治不满的一个关键预测因素，而且应该被视为在八个国家中助长不满情绪的一个因果因素。然而，这一结论只适用于对强大领导人的服从之外的政治不满指标。

4. 讨论与结论

在这项研究中，我们调查了：（1）在COVID-19大流行期间，八个西方国家的疫情疲劳感（以认为无法持续限制性行为的程度来衡量）的水平和发展；（2）疫情疲劳感的背景决定因素；以及（3）疫情疲劳感是否与民粹主义情绪和政治不满相关并导致其发生。结果显示，当严格程度提高时，当死亡人数减少时，以及随着时间的推移，疫情疲劳会增加。其他分析表明，长时间的严格干预会产生累积性的影响，对公众来说是特别疲惫的（SI附录，图S6）。横截面和面板数据都提供了证据，证明疫情疲劳引起了广泛的反体制情绪，包括反对COVID-19政策、对政府的不信任、抗议支持和阴谋论思维。除了现有的研究发现新冠疫情使一些群体变得激进外[3]，我们展示了疫情疲劳如何助长了更广泛的政治不满情绪，包括降低对COVID-19政策的支持，增加对反封锁抗议活动的支持，以及产生对政府的不信任。疲劳引起的不满并不限于少数人的激进情绪。

有趣的是，疫情疲劳并没有引起对强势领导人的支持，这表明疫情疲劳引起的是积极的不满，而不是对权威人物的消极服从（关于这一区别的进一步讨论，见参考文献[2]）。从本质上讲，当疲劳是由遵守国家规定的限制措施的成本造成的，人们不会进一步被激励去服从权威，而是去抗议权威。虽然结果因此证明了疲惫对于激活政治不满的重要性，但它强调了主动和被动形式的不满之间的区别[9]。

本研究结果与之前的一些研究形成鲜明对比，后者发现，总体而言，大流行病增加了对建制和当局的信任，减少了民粹主义的吸引力[10, 11]。对于这种研究结果的分歧，有两个互补的解释。首先，本研究结果放大了疫情疲劳感是如何助长政治不满情绪的。这种感觉很可能在一小部分公众中很突出。虽然人们的平均信任度可能有所提高，但一些群体，特别是那些感到疲劳的人的信任水平却有所下降。SI附录中的分析表明，这些群体对长期限制所带来的感知成本，即孤独感做出了反应。因此，受大流行病影响较严重的群体更有可能做出信任度下降的反应。

第二，大流行病的影响在不同的时间段可能有所不同。虽然公众最初的反应可能是团结在当局周围，但在大流行病的后期阶段，随着疲劳的出现，信任可能开始下降。与此相一致的是，SI附录中的图S5追踪了不满情绪指标随时间的发展，可以明显看出，许多指标在研究期结束时有更大的不满情绪趋势。

强调目前关于疫情疲劳的讨论中的局限性也很重要。正如我们所论证的，重要的是要超越世卫组织最初将疫情疲劳等同于积极性不足，而是将疫情疲劳概念化，并通过经验评估，将其作为依从性的感知成本的反映。虽然疫情疲劳可能会导致积极性降低，作为一种应对机制（证据见参考文献[7]），但积极性最好被视为一个独特的概念，它可能是高的或低的，因为遵从的成本导致疲惫的出现。在以前的讨论中，这种概念上的混乱与缺乏一个广泛使用的评估疫情疲劳的主观感受的工具相一致。这种趋同将通过更清晰的概念和更精确的测量使未来的研究受益，在这方面，我们承认有必要超越我们的单项测量（例如，见参考文献[7]）。同样重要的是要承认，虽然本研究表明，疫情疲劳感是在使用公共和社会措施防止感染传播的情况下出现的，但对这些发现需要谨慎解释。例如，最初人们担心疲劳感会迅速出现[13]，而我们的研究结果表明，疫情疲劳感是缓慢出现的。在严格程度和限制措施不变的情况下，大流行的半年时间只增加了大约5%的疲劳度。此外，我们对干预措施的严格程度的衡量是面向代价最高的干预措施的，如居家令。其他证据表明，成本较低的措施，如戴口罩，不太可能诱发疲劳[26]。同样，自愿遵守经过良好沟通的健康建议可能比遵守严格的强制规定更不容易产生疲劳。最后，在从本研究结果中得出政策反应时，必须意识到对疲劳和政策之间的现实世界的关联分析可能比这里的模型更复杂。例如，严格性将对疲劳产生直接和间接的影响，因为存在的严格反应可能会降低流行病的严重性，因此，可能会降低未来政策反应的严格性。这样一来，未来的疲劳有时可能会通过当下的快速反应得到最好的缓解。鉴于此，主要的政策含义是要注意政策的成本，特别是当这些成本随着时间的推移不断积累时。

尽管有这些注意事项，结果表明，疫情疲劳甚至超出了破坏对限制措施的遵守，而这正是卫生当局迄今为止的主要关注点。由于疫情疲劳刺激了反体制的观点，疲劳也可能侵蚀有效危机管理的长期可能性。例如，先前的研究发现，对当局和政治制度的信任是接受新冠疫苗的最重要因素[44, 45]。疫情疲劳可能会使动员支持接种疫苗变得更加困难，从而引发恶性循环，即接种疫苗的缓慢吸收会延长限制，而限制又会增加疲劳，从而进一步减缓接种疫苗的吸收。然而，重要的是，研究结果还显示，当全国流行病的严重程度增加时，疲劳感会降低。当干预措施的需求最明显时，干预措施的负担感最小。这表明，出于可感知的合法原因而施加的限制对幸福感的负面影响会更小。此外，它表明，如果公众理解并接受严格的流行病控制的意义，例如，通过强调这种控制对弱势群体的重要性，就可以缓冲疫情疲劳[46]。推而广之，疫情疲劳也可以被看作是当局和政治家方面的风险沟通和管理不充分和不有效的一个指标。

最后，这些发现增加了对许多西方民主国家未来稳定性的担忧[1]。当新冠疫情在2020年3月袭击西方世界时，稳定已经被日益严重的不平等、文化战争和金融危机弄得很紧张。疫情疲劳对反体制观点的影响表明，大流行病可能会加深这种裂痕，进一步侵蚀稳定，增加未来几年的挑战。这些挑战可能特别相关，因为其他危机，如气候危机也需要采取干预措施，对人们的私人生活产生重大影响，因此，有可能引起类似于COVID-19大流行期间观察到的不良反应。由于这些原因，就如何利用沟通和支持计划来最有效地缓冲公共干预造成的疲劳感，建立进一步的循证见解是至关重要的。

参考文献

[1] P. Turchin, Ages of discord: A Structural-Demographic Analysis of American History (Beresta Books, Chaplin Connecticut, 2016).

[2] M. B. Petersen, M. Osmundsen, A. Bor “Beyond populism: the psychology of status-seeking and extreme political discontent” in The Psychology of Populism: The Tribal Challenge to Liberal Democracy, J. P. Forgas, W. D. Crano, K. Fiedler, Eds. (Routledge, 2021), pp. 62–80.

[3] H. Bartusevičius, A. Bor, F. Jørgensen, M. B. Petersen, The Psychological burden of the COVID-19 pandemic is associated with antisystemic attitudes and political violence. Psycholog. Sci. 32, 1391–1403 (2021).

[4] J. Zarocostas, How to fight an infodemic. Lancet 395, 676 (2020).

[5] S. Obradović, S. A. Power, J. Sheehy-Skeffington, Understanding the psychological appeal of populism. Curr. Opin. Psychol. 35, 125–131 (2020).

[6] World Health Organization, Pandemic fatigue: reinvigorating the public to prevent COVID-19: Policy framework for supporting pandemic prevention and management: Revised version November 2020 (Technical report, World Health Organization, Regional Office for Europe, 2020).

[7] L. Lilleholt, I. Zettler, C. Betsch, R. Böhm, Pandemic fatigue: measurement, correlates, and consequences. PsyArxiv [Preprint] (2020). https://psyarxiv.com/10.31234/osf.io/2xvbr (Accessed 2 November 2022).

[8] S. Michie, R. West, N. Harvey, The concept of “fatigue” in tackling covid-19. BMJ 371, m4171 (2020).

[9] S. Passini, Different ways of being authoritarian: The distinct effects of authoritarian dimensions on values and prejudice. Political Psychol. 38, 73–86 (2017).

[10] R. Bromme, N. G. Mede, E. Thomm, B. Kremer, R. Ziegler, An anchor in troubled times: Trust in science before and within the COVID-19 pandemic. PloS One 17, e0262823 (2022).

[11] R. S. Foa et al., The Great Reset: Public Opinion, Populism, and the Pandemic (Centre for the Future of Democracy, Cambridge, United Kingdom, 2022).

[12] A. Haktanir, N. Can, T. Seki, M. F. Kurnaz, B. Dilmaç, Do we experience pandemic fatigue? Current state, predictors, and prevention. Curr. Psychol. 41, 7314–7325 (2021).

[13] N. Harvey, Behavioral fatigue: Real phenomenon, naïve construct, or policy contrivance? Frontiers in Psychol. 11, 2960 (2020).

[14] S. Reicher, J. Drury, Pandemic fatigue? How adherence to covid-19 regulations has been misrepresented and why it matters. BMJ 372, n137 (2021).

[15] C. Christodoulou, “The assessment and measurement of fatigue” in Fatigue as a Window to the Brain, J. DeLuca, Ed. (MIT Press, 2005), pp. 19–35.

[16] C. R. Figley, “Compassion fatigue: Toward a new understanding of the costs of caring” in Secondary Traumatic Stress: Self-Care Issues for Clinicians, Researchers, and Educators, B. H. Stamm, Ed. (The Sidran Press, 1995), pp. 3–28.

[17] J. L. Ford, S. R. Ivancic, Surviving organizational tolerance of sexual harassment: An exploration of resilience, vulnerability, and harassment fatigue. J. Appl. Commun. Res. 48, 186–206 (2020).

[18] T. J. Hwang, K. Rabheru, C. Peisah, W. Reichman, M. Ikeda, Loneliness and social isolation during the COVID-19 pandemic. Int. Psychogeriatrics 32, 1217–1220 (2020).

[19] Y. Palgi et al., The loneliness pandemic: Loneliness and other concomitants of depression, anxiety and their comorbidity during the COVID-19 outbreak. J. Affective Disord. 275, 109–111 (2020).

[20] J. M. Groarke et al., Loneliness in the uk during the COVID-19 pandemic: Cross-sectional results from the COVID-19 Psychological Wellbeing Study. PloS One 15, e0239698 (2020).

[21] C. A. Harper, L. P. Satchell, D. Fido, R. D. Latzman, Functional fear predicts public health compliance in the COVID-19 pandemic. Int. J. Mental Health Addict. 19, 1875–1888 (2021).

[22] F. Jørgensen, A. Bor, M. B. Petersen, Compliance without fear: Individual-level protective behaviour during the first wave of the COVID-19 pandemic. British J. Health Psychol. 26, 679–696 (2021).

[23] C. Betsch, R. Böhm, G. B. Chapman, Using behavioral insights to increase vaccination policy effectiveness. Policy Insights Behav. Brain Sci. 2, 61–73 (2015).

[24] B. J. Cowling et al., Community psychological and behavioral responses through the first wave of the 2009 influenza A (H1N1) pandemic in Hong Kong. J. Infect. Dis. 202, 867–876 (2010).

[25] P. Goldstein, E. L. Yeyati, L. Sartorio, Lockdown fatigue: The diminishing effects of quarantines on the spread of COVID-19. (CID Working Paper Series, Harvard University Cambridge, MA, 2021).

[26] A. Petherick et al., A worldwide assessment of changes in adherence to COVID-19 protective behaviours and hypothesized pandemic fatigue. Nat. Human Behav. 5, 1145–1160 (2021).

[27] M. Yıldırım, F. Solmaz, COVID-19 burnout, COVID-19 stress and resilience: Initial psychometric properties of COVID-19 burnout scale. Death Stud. 46, 524–532 (2022).

[28] J. L. Ford, M. Douglas, A. K. Barrett, The role of pandemic fatigue in seeking and avoiding information on COVID-19 among young adults. Health Commun., https://doi.org/10.1080/10410236.2022.2069211 (2022).

[29] S. Taylor, G. S. Rachor, G. J. Asmundson, Who develops pandemic fatigue? medRxiv [Preprint] (2022). https://www.medrxiv.org/https://doi.org/10.1101/2022.01.24.22269786 (Accessed 2 November 2022).

[30] T. Capelos, A. Katsanidou, Reactionary politics: Explaining the psychological roots of anti preferences in european integration and immigration debates. Polit. Psychol. 39, 1271–1288 (2018).

[31] M. Osmundsen, A. Bor, P. B. Vahlstrup, A. Bechmann, M. B. Petersen, Partisan polarization is the primary psychological motivation behind political fake news sharing on Twitter. Am. Polit. Sci. Rev. 115, 999–1015 (2021).

[32] E. Berggren, A. Neergaard, “Populism: Protest, democratic challenge and right-wing extremism” in International Migration and Ethnic Relations, (Routledge, 2015), pp. 187–217.

[33] O. Selçuk, Strong presidents and weak institutions: populism in Turkey, Venezuela and Ecuador. Southeast Eur. Black Sea Stud. 16, 571–589 (2016).

[34] C. Clemmensen, M. B. Petersen, T. I. Sørensen, Will the COVID-19 pandemic worsen the Obesity epidemic? Nat. Rev. Endocrinol. 16, 469–470 (2020).

[35] L. Laskowski-Jones, COVID-19 and changing social norms. Nursing 50, 6 (2020).

[36] A. Bor, F. Jørgensen, M. F. Lindholt, M. B. Petersen, Moralizing the COVID-19 Pandemic: Self-interest Predicts Moral Condemnation of Other’s Compliance, Distancing, and Vaccination (Political Psychology Early View, 2022).

[37] J. P. Nitschke et al., Resilience during uncertainty? Greater social connectedness during COVID-19 lockdown is associated with reduced distress and fatigue. British J. Health Psychol. 26, 553–569 (2021).

[38] D. C. Mutz, Status threat, not economic hardship, explains the 2016 presidential vote. Proc. Nat. Acad. Sci. U.S.A. 115, E4330–E4339 (2018).

[39] F. Jørgensen, A. Bor, M. F. Lindholt, and M. B. Petersen, Study 1. Open Science Framework. https://osf.io/ax6zv/. Deposited 24 June 2022.

[40] A. Bor, F. Jørgensen, and M. B. Petersen, Study 2. Open Science Framework. https://osf.io/ax6zv/. Deposited 13 June 2022.

[41] T. Hale et al., A global panel database of pandemic policies (Oxford COVID-19 government response tracker). Nat. Human Behav. 5, 529–538 (2021).

[42] A. Gelman, Scaling regression inputs by dividing by two standard deviations. Stat. Med. 27, 2865–2873 (2008).

[43] J. D. Angrist, J. S. Pischke, Mostly Harmless Econometrics (Princeton University Press, 2008).

[44] M. F. Lindholt, F. Jørgensen, A. Bor, M. B. Petersen, Public acceptance of COVID-19 vaccines: Cross-national evidence on levels and individual-level predictors using observational data. BMJ Open 11, e048172 (2021).

[45] M. B. Petersen, A. Bor, F. Jørgensen, M. F. Lindholt, Transparent communication about negative features of COVID-19 vaccines decreases acceptance but increases trust. Proc. Nat. Acad. Sci. U.S.A. 118, e2024597118 (2021).

[46] S. Pfattheicher, L. Nockur, R. Böhm, C. Sassenrath, M. B. Petersen, The emotional path to action: Empathy promotes physical distancing and wearing of face masks during the COVID-19 pandemic. Psychol. Sci. 31, 1363–1373 (2020).

[47] J. G- Bullock, D. P. Green, S. E. Ha, Yes, But what’s the mechanism? (Don’t expect an easy answer). J. Pers. Soc. Psychol. 98, 550–558 (2010).

(参考文献可上下滑动查看)

计算社会科学读书会第二季

计算社会科学作为一个新兴交叉领域，越来越多地在应对新冠疫情、舆论传播、社会治理、城市发展、组织管理等社会问题和社科议题中发挥作用，大大丰富了我们对社会经济复杂系统的理解。相比于传统社会科学研究，计算社会科学广泛采用了计算范式和复杂系统视角，因而与计算机仿真、大数据、人工智能、统计物理等领域的前沿方法密切结合。为了进一步梳理计算社会科学中的各类模型方法，推动研究创新，集智俱乐部发起了计算社会科学系列读书会。

【计算社会科学读书会】第二季由清华大学罗家德教授领衔，卡内基梅隆大学、密歇根大学、清华大学、匹兹堡大学的多位博士生联合发起，进行了12周的分享和讨论，一次闭门茶话会，两次圆桌讨论。本季读书聚焦讨论Graph、Embedding、NLP、Modeling、Data collection等方法及其与社会科学问题的结合，并针对性讨论预测性与解释性、人类移动、新冠疫情、科学学研究等课题。读书会详情见文末，欢迎从事相关研究或对计算社会科学感兴趣的朋友参与学习。