先前研究主要采用具体结论讨论否定证据对类别归纳的影响^{[2, 5-7]}.因此，本实验在前人基础上，进一步探讨具体结论条件下的反应时和判断标准特征.

本研究在西南大学招募35名被试(平均年龄[M]：20.37岁，标准差[SD]：2.01；女生20人，男生15人)参加正式实验.被试均为右利手，无精神病或神经症史，视力或矫正视力正常，并以汉语为母语.实验完成后得到10元报酬.

具体材料见表 2.该实验采用2(前提：基线、增加否定前提)×2(结论：一致、不一致)的被试内实验设计.其中，前提与结论中包含的类别均为下位水平类别.属性采用真实但又不常见的词(如天冬氨酸).前提有2个条件：基线条件和增加否定证据条件.在基线条件下，前提条件是由一个肯定证据组成(例如，“草莓含有天冬氨酸”).在增加否定证据条件下，前提在基线条件的基础上，增加一个否定证据(例如，“草莓含有天冬氨酸，货船不含有天冬氨酸”).其中，否定证据与肯定证据不属于同一类别.结论分2种条件：与肯定证据的类别一致(例如，“香梨”)或不一致(例如，“茶几”).结论是由一个下位水平类别组成，其后加一个问号“？”，表示被试需要基于前提判断这个结论类别是否也具有相同属性(例如，“香梨？”表示香梨是否含有天冬氨酸).实验为4点等级评分，一半被试的指导语为“数字越大可能性越大，1=完全不可能，4=完全可能”，另一半被试则相反.正式实验共24个试次，其中基线前提-结论一致、基线前提-结论不一致、增加否定证据前提-结论一致和增加否定证据前提-结论不一致条件各6个试次.正式实验前每个被试会进行8个试次的练习，每种条件分别有2个试次，以确保他们能够理解实验任务，并且这8个试次不会出现在正式实验中.

实验开始时，主试告诉被试将会进行一项推理任务：“首先你会看到一个或者2个前提，它是经过证明的事实.例如，‘草莓含有天冬氨酸’(基线)或‘货船不含有天冬氨酸，草莓含有天冬氨酸’(增加否定证据). ”接着给被试呈现结论，询问他们认为结论成立的可能性大小，例如，“你认为香梨含有天冬氨酸的可能性是多少，请选择1-4，数字越大/小，可能性越大”.前提与结论分屏呈现，并要求被试在结论出现时又准确又快地进行判断.

实验程序如图 1所示.首先屏幕中央会呈现一个44号宋体的注视点“+”表示实验开始，呈现时间为500 ms，之后随机呈现一个800~1 000 ms的空屏，然后再随机呈现一个或者2个前提，呈现时间均为6 000 ms，中间有一个800~1 000 ms的空屏；接着再次呈现800~1 000 ms的空屏，然后呈现结论，呈现时间为10 000 ms，之后随机呈现一个800~1 000 ms的空屏，最后呈现结论的判断阶段，持续呈现10 000 ms，被试对结论成立的可能性大小作出按键反应后消失.实验试次随机呈现.实验时间约为10 min.

实验使用了E-prime 2.0收集数据，数据采用JASP(https://jasp-stats.org/)^[12-14]进行两因素重复测量方差分析，对归纳力度、反应时和判断标准进行分析.当数据不符合球形假设时，统计结果均采用Green-House校正.

图 2分别展示了具体结论在前提(基线条件、增加否定前提条件)和结论(一致、不一致)条件下的平均归纳力度，平均反应时以及判断标准.统计归纳力度时统一为“完全不可能”记1分，“有些不可能”记2分，“有些可能”记3分，“完全可能”记为4分.为排除题目之间的异质性对实验的干扰，本研究分别在结论一致和结论不一致条件下，对各题目在增加否定证据后产生的归纳力度改变(增加否定证据条件-基线条件)进行单因素方差分析，结果显示各题目间差异无统计学意义(一致：F[5, 29]=1.28，p=0.23，η_p²=0.18；不一致：F[5, 29]=0.34，p=0.84，η_p²=0.01).因此，在后续的统计中，通过平均各题目上的反应参数忽略题目间的差异.

对于归纳力度，分析显示前提与结论交互作用不显著(F[1, 34]=3.75，p=0.061，η_p²=0.10)；归纳论断力度前提的主效应显著(F[1, 34]=5.79，p=0.022，η_p²=0.15)，增加否定证据条件的归纳论断力度显著高于基线条件(t[1, 34]=2.41，p=0.022，Cohen’d=0.41)；结论的主效应显著(F[1, 34]=574.30，p < 0.001，η_p²=0.94)，结论一致条件的归纳力度显著高于不一致条件(t[1, 34]=23.96，p < 0.001，Cohen’d=4.05).

对于反应时，统计显示，前提和结论的交互作用不显著(F[1, 34]=0.36，p=0.551，η_p²=0.01)；前提的主效应显著(F[1, 34]=17.93，p < 0.001，η_p²=0.35)，增加否定证据的反应时显著快于基线条件(t[1, 34]=-4.23，p < 0.001，Cohen’d=-0.72)；结论的主效应显著(F[1, 34]=16.86，p < 0.001，η_p²=0.33)，结论一致条件的反应时显著慢于不一致条件(t[1, 34]=4.11，p < 0.001，Cohen’d=0.69).

对于判断标准，已有文献的计算方法主要有2种：一阶信号检测理论(Signal Detection Theory，SDT)^[15]和二阶信号检测论(Two High Threshold Model，2 HTM)^[16].因此本实验分别报告了一阶信号检测论的判断标准指标c和二阶信号检测论的判断标准指标Br.其中，根据Cui等人^[17]的计算方法，本研究的击中率为结论类别与肯定证据类别一致时，报告为“是”的比例，虚报率为结论类别与肯定证据类别不一致时，报告为“是”的比例.在一阶信号检测论中，通过配对样本t检验，发现增加否定证据条件的判断标准c(M[SD]=0.10[0.28])与基线条件(M[SD]=0.20[0.24])相比，在统计学上呈显著差异(t[1, 34]=-2.21，p=0.034，Cohen’d=-0.373).在二阶信号检测论中，增加否定证据条件的判断标准Br(M[SD]=0.43[0.15])与基线条件(M[SD]=0.37[0.14])相比，在统计学上呈显著差异(t[1, 34]=2.33，p=0.026，Cohen’d=0.40)，该结果说明采用具体结论，增加否定证据条件比基线条件的判断标准更宽松.

实验1证明了具体性结论时，增加一个否定证据能够提高归纳判断的力度、缩短反应时和降低判断标准.先前的研究^{[2, 5-7]}仅讨论了具体结论对类别归纳的影响，缺乏一般结论对类别归纳影响的证据，因此本实验进一步探讨在一般性结论条件下增加否定证据是否也能够稳定地对归纳力度、反应速度和判断标准产生影响.

本研究在西南大学招募35名(平均年龄[M]：19.97岁，标准差[SD]：1.72；女生22人，男生15人)健康被试.被试均为右利手，无精神病或神经症史，视力或矫正视力正常，且以汉语为母语.实验完成后得到10元报酬.

实验材料中与实验1相似，不同之处是采用一般性类别词作为结论(表 2).实验设计同实验1.

实验工具，统计工具与统计方法与实验1相同.

图 3展示了一般性结论在前提(基线条件、增加否定前提条件)和结论(一致、不一致)条件下的平均归纳力度、平均反应时和判断标准.为排除题目之间的异质性对实验的干扰，本研究分别在结论一致和结论不一致条件下，对各题目在增加否定证据后产生的归纳力度改变(增加否定证据条件-基线条件)进行单因素方差分析，结果显示各题目间差异无统计学意义(一致：F[5, 29]=0.93，p=0.48，η_p²=0.13；不一致：F[5, 29]=0.27，p=0.93，η_p²=0.008).

对于归纳力度，根据两因素重复测量方差分析，前提与结论的交互作用不显著(F[1, 34]=0.25，p=0.624，η_p²=0.01)；归纳力度的前提主效应显著(F[1, 34]=8.81，p=0.005，η_p²=0.21)，增加否定证据条件的归纳论断力度显著高于基线条件(t[1, 34]=2.97，p=0.005，Cohen’d=0.50)；结论的主效应显著(F[1, 34]=591.39，p < 0.001，η_p²=0.95)，结论一致条件的归纳力度显著高于不一致条件(t[1, 34]=24.32，p < 0.001，Cohen’d=4.11).

对于反应时，根据两因素重复测量方差分析，前提与结论的交互作用不显著(F[1, 34]=1.73，p=0.198，η_p²=0.05)；归纳反应时前提的主效应显著(F[1, 34]=10.07，p=0.003，η_p²=0.23)，增加否定证据的判断反应时显著快于基线(t[1, 34]=-3.17，p=0.003，Cohen’d=-0.54)；结论的主效应显著(F[1, 34]=30.47，p < 0.001，η_p²=0.47)，结论一致条件的反应时显著慢于不一致条件(t[1, 34]=-5.52，p < 0.001，Cohen’d=-0.93).

对于判断标准，在一阶信号检测论中，根据配对样本t检验统计，发现增加否定证据条件的判断标准c(M[SD]=0.05[0.24])与基线条件(M[SD]=0.19[0.28])相比，在统计学上呈显著差异(t[1, 34]=-3.02，p=0.005，Cohen’d=-0.51).在二阶信号检测论中，增加否定证据条件的判断标准Br(M[SD]=0.48[0.15])与基线条件(M[SD]=0.39[0.14])相比，在统计学上呈显著差异(t[1, 34]=3.20，p=0.003，Cohen’d=0.54)，该结果表明采用一般结论，增加否定证据条件比基线条件的判断标准更宽松.

关联理论与贝叶斯方法均能解释否定证据增强归纳力度，但是缺乏对时间动态性的考察.本研究在具体结论(实验1)和一般结论(实验2)条件下考察了类别归纳力度判断中增加否定证据对归纳力度、反应速度和判断标准的影响.研究发现在2个实验中，否定证据均可以增强归纳力度，加快归纳判断反应速度并降低判断标准.

首先，本研究重复了以前的研究结果并拓宽了研究材料的范围.以往的研究^{[2, 5-7]}发现，当结论类别为具体类别时，增加否定证据能增强归纳力度，但他们只讨论了具体结论时的归纳力度，而未涉及一般结论，也未讨论类别归纳的时间动态性和判断标准.因此本研究在具体结论的基础上增加了一般结论，发现当结论为一般结论时，增加否定证据后归纳力度也得到了增强，从而拓展了以往研究的结论类型.同时，以上研究大多采用的迫选任务，有研究^[6]对量表评分和迫选任务进行了比较，发现量表评分是更严格的.因此本研究采用的是更严格的量表评定法，也发现了增加否定证据能够提高归纳力度，进一步说明了效应的可靠性和稳定性.

其次，以前的研究^{[2, 5-7]}忽略了反应时和判断标准的测量，这可能与先前的研究主要采用纸质问卷的测量方式有关.本研究发现增加否定证据后能够出现更快的归纳判断反应速度和更松的判断标准.无论是具体结论还是一般结论，增加否定证据均对反应速度有促进作用，这可能是因为证据的增加导致了更大的说服力，从而有一个更快的判断速度.同时，本研究还发现，无论是具体结论还是一般结论条件下，增加否定证据的论断比基线论断有更小的c和更大的Br.在一阶信号检测论中，更小的c表示更松的判断标准；在二阶信号检测论中，更大的Br表示更松的判断标准.因此，一阶和二阶信号检测理论都一致表明增加否定证据后出现了更松的判断标准.这些结果对信号检测论的研究进行了拓展.此外，我们发现结论类别与肯定证据类别一致时相比，当结论类别与肯定证据类别不一致时会出现一个更快的判断速度，这与以前的研究一致^[18]，表明接受归纳需要更多的认知加工时间，而拒绝归纳可以基于某些凸显的理由快速反应.

本研究发现增加否定证据后能够出现更快的归纳判断反应速度和更松的判断标准，表明证据积累速度和判断标准能同时影响归纳.线性弹道积累模型^[10]对类别归纳有3种可能性假设：①不同程度归纳力度判断的速度不同，人们做出强归纳力度的反应速度快于弱归纳力度的反应速度，因为做出强归纳反应力度时，证据积累的速度更快；②不同归纳力度的判断速度之间的证据积累速度没有显著差异，不同力度判断是由于判断标准的不同引起的；③证据积累速度和判断标准同时影响归纳力度判断.然而，他们仅提出了这3种可能性，并未进一步回答是哪种可能性.在本研究中，与基线相比，增加否定证据条件有更快的归纳判断反应速度与更松的判断标准，提供了证据支持线性弹道积累模型的第三种可能性. Cui等人^[17]对类别归纳的单调性效应(肯定证据越多，归纳力度越强)的研究也发现，肯定证据多的归纳结论比肯定证据少的归纳力度更强，并且同时具有更快的反应速度和更松的判断标准，这也支持了线性弹道积累模型的第三种可能性.

然而，证据积累速度和判断标准对类别归纳力度判断的影响还需要进一步研究.尽管本研究和Cui等人^[17]的研究都显示证据积累速度和判断标准影响类别归纳力度判断，但这一结论还需要在更多的类别归纳的心理效应(例如，典型性效应^[19-20]，多样性效应^{[17, 21]})中进行检验.此外，线性弹道积累模型本身也面临一些挑战.例如，有研究表示^[22]，弥散性模型(Diffusion Decision Model，DDM)对刺激-目标可变性证据提供了比线性弹道积累模型更准确的解释，今后的研究可以进一步比较线性弹道积累模型和弥散性模型，探索哪种模型能更好地解释类别归纳的力度判断.

本研究发现具体结论和一般结论条件中增加否定证据均提高了归纳力度，这重复了以往研究的结果；同时，结果进一步发现无论是具体结论还是一般结论，增加否定证据加快了结论判断的反应速度，支持了线性弹道模型关于证据积累速度的假设.本研究进一步发现，增加否定证据的一般结论论断比仅包含肯定证据的一般结论论断有更松的判断标准，这一结果进一步支持了线性弹道模型关于证据积累速度和判断标准影响类别归纳的假设.