Ballot Design and Electoral Outcomes: The Role of Candidate Order and Party Affiliation
本文利用因果推断模型和双重机器学习对北卡罗来纳州司法选举进行研究，旨在证明省略选票上的政党标识会导致约12–15%的党派选民因依赖具有误导性的候选人排序线索而投下错误选票，而这一误差在明确显示政党隶属关系时会消失。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正身处一场规模宏大、混乱不堪的派对，每个人都在努力挑选一名队长。在政治学领域，研究人员专门研究人们是如何做出这些选择的。有时，选民非常了解情况；他们清楚地知道自己喜欢谁以及为什么。而其他时候，他们可能只是在寻找一个快速的提示，比如球衣上的队色。其中一个最著名的提示就是“政党隶属关系”——即知道一名候选人是民主党人还是共和党人。但如果球衣不见了怎么办？这就是因果推断（causal inference）发挥作用的地方。把这想象成一个侦探工具箱，用于查明因果关系。科学家们不仅仅是猜测“A导致了B”，而是试图隔离出A，以观察B是否真的由其引起，从而排除其他狡猾的嫌疑对象。他们还会研究选票设计（ballot design），这简单来说就是候选人名单的布局方式。就像菜单可能会让你仅仅因为某项排在首位就点它一样，投票单上名字的顺序可能会误导你的大脑，让你选错人。这至关重要，因为如果选民不小心选错了候选人，选举结果就无法真实反映人们的意愿，这可能会改变法律和领导层。
现在，让我们把目光转向一个由杜克大学和耶鲁大学研究团队解决的具体谜题。他们想知道：选票上名字的顺序会误导选民投给错误的政党吗？
在北卡罗来纳州，关于如何列出法官名单的规则有点像一场概率游戏。多年来，法律规定，在那些印有政党标签（如名字旁的“民主党”或“共和党”）的竞选中，顺序是由负责州长办公室的政党决定的。但在其他竞选中——特别是没有政党标签的司法竞选中——顺序是由随机抽签决定的，就像从帽子里抽字母来决定谁排在前面一样。这创造了一个完美的、偶然的实验。有时，“民主党”在总统竞选中排在第一位（带有标签），但在司法竞选中（没有标签），“民主党”法官却排在第二位。研究人员称之为**“翻转”（flip）**。
研究团队想知道，党派选民（那些通常会为自己所属政党投票的人）是否会感到困惑。如果选民看到总统竞选中是“民主党第一”，他们可能会假设司法竞选中也是“民主党第一”。如果法官的选票发生了“翻转”，那位选民可能会误选共和党法官，以为自己是在投给民主党。
为了解决这个问题，研究人员并没有仅仅靠猜测；他们使用了一种超级智能的计算机方法，叫做双重机器学习（Double Machine Learning）。想象一下，你正在试图在一堆同时还在移动的干草堆中寻找一根针。这种方法可以帮助他们将“针”（翻转的影响）从“干草堆”（所有其他影响投票的因素，如人口年龄、投票率或选票上的其他竞选项目）中分离出来。他们研究了四个不同选举年度中超过37,000个投票选区的统计数据。
以下是他们的发现：翻转确实发生了，并且它会导致错误。
当法官的顺序与总统竞选中的顺序发生翻转时，一个城镇对总统的投票方式与对法官的投票方式之间的联系变得大大减弱。这就像如果你平时习惯跟随朋友的引导，但突然有一天你的朋友站在了房间的另一侧，结果你跟错了人。
研究人员精确计算了有多少人犯了错。他们估计，**12.0%的民主党选民和15.4%**的共和党选民因为这种顺序交换而投错了票。这可不是个小数目！换句话说，如果你在一个拥有100名共和党选民的房间里，他们本打算投给所属政党的法官，大约有15人仅仅因为名字排序与预期不同，就误投给了另一方。
该团队非常谨慎，确保这不是一次偶然。他们进行了一项“安慰剂测试”（placebo test），这类似于科学实验中的对照组。他们研究了那些选票上仍然显示政党标签的竞选项目。在这些案例中，“翻转”效应消失了。这证实了他们的理论：只有当标签缺失、人们必须依靠名字顺序作为线索时，人们才会感到困惑。当线索（标签）存在时，这个诡计就不起作用了。
因此，论文得出结论：选票设计不仅仅关乎美学；它是一种能够意外改变选举结果的强大力量。当选民依赖名字顺序来猜测候选人的政党，且该顺序发生翻转时，很大一部分选票会被误导。作者们建议，如果我们希望选举能真正反映民众的意愿，我们就需要谨慎对待如何在页面上排列名字，尤其是在拿走那些有帮助的政党标签时。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。