助推实验设计

助推实验会比较两种不同的选择环境，看看哪一种能让人做出更好的决定。你把参与者随机分到不同组，让各组看到不同版本的表单、菜单或界面，再衡量他们的行为有什么差别。关键是随机分组，并通过统计检验确认差异确实存在，而不只是运气使然。例如，一项退休储蓄计划可以测试：与要求员工主动加入相比，按百分之五的缴费比例让员工自动加入，是否能增加储蓄，再观察这种差异在数千名员工中是否持续存在。

请注意：如果没有恰当的随机分组和统计检验，看似有所改善的结果可能只是随机波动。

助推实验如何开展

设计良好的助推实验有一套清晰的流程：先确定你想改变的具体行为，再设计两个版本的选择环境，把参与者随机分配到各个版本，最后衡量结果的差异。随机分组至关重要，它能确保组间差异来自你的助推，而不是参与者本来就存在的差异。例如，企业健康促进项目可以把员工随机分组，一组收到普通的健身房优惠传单，另一组收到个性化信息，告诉他们有多少健康状况相近的同事在使用健身房，然后跟踪三个月内员工实际去健身房的次数。

关键设计原则

好的实验需要足够的样本量，以及一个明确的衡量指标。一所大学的图书馆曾测试，把热门图书放在与视线齐平的位置是否能增加借阅量。他们把不同分馆随机分组，让各组把图书摆在不同高度，并统计了共计 12,000 名访客的借阅率。他们还测试了加入社会比较信息是否能减少逾期还书：告诉学生有多少同学已经按时还书。关键是每次只改变一个因素，这样你才能知道观察到的效果是由什么引起的。

统计显著性与统计功效

开场情境中百分之八的差异可能是真实效果，也可能只是偶然。统计检验会计算：如果你的助推其实没有效果，出现这种差异的概率有多大。如果这个概率低于百分之五，研究人员就称其具有“统计显著性”。不过，你还需要足够多的参与者，才能检测出有实际意义的效果，这关系到实验的统计功效。比如，市政府要测试重新设计的停车缴费界面，就需要数千笔交易，才能有把握地检测出百分之十的改善；只有 50 名用户的试点无法区分真实效果和随机波动。

常见陷阱

如果各组并不真正具有可比性，或者你中途查看结果，因为结果合心意就提前结束，又或者测试了许多版本却只报告表现最好的那些，实验就可能出问题。例如，购物网站可能测试 20 种配色方案，然后自豪地宣布哪种表现最好，却忽略了有些方案纯粹靠运气也会显得更出色。应对方法是提前确定样本量和分析计划，然后无论早期数据呈现什么趋势，都坚持原定安排。

严谨的助推实验采用随机对照试验方法，将其从医学研究调整应用到行为政策领域。

• Mertens、Kauer 和 Hallsworth（2022）：一项涵盖不同行为领域选择架构干预的元分析得出了合并效应量，但不同研究之间存在较大差异。这表明，情境和人群的差异对助推的有效性影响很大 [2]。
• Sunstein（2015）：关于助推的伦理分析强调，选择架构应当透明，在保留选择自由的同时，引导人们做出有益于自身福祉的决定。他认为，设计良好的助推可能比强制规定或税收手段更符合伦理 [3]。

助推实验存在一些局限。发表偏倚意味着，得到正面结果的实验更容易发表，从而让人高估助推的有效性。此外，也有人担心助推涉及操控：即使助推在形式上保留了选择自由，批评者仍认为，它可能利用人的认知偏差，也可能在未经同意的情况下实施。