法国哲学家米歇尔·福柯（Michel Foucault）曾提出，语言并非中立地描述现实，而是主动塑造现实。一项近期发表的政治语言科学研究为这一论点提供了实证支持，研究发现措辞上的细微选择会显著影响在线讨论敏感政治议题时的党派偏见程度。

研究结论的核心是一个心理学概念：实体性（entitativity）——即一群人在多大程度上被视为一个有凝聚力的、统一的、“真实”的实体。这一概念在社会心理学中历史悠久，可追溯至 Donald Campbell 于 1958 年提出该术语，用以解释是什么让一群个体感觉像一个单一、连贯的群体，而非松散的个体集合。

“针对新颖群体的研究表明，被感知的实体性取决于他人如何标注这些群体，”Carsten W. Sander 与 Juliane Degner 近期在期刊 Social Psychological and Personality Science 上写道。“利用微调的 Transformer 模型对 Facebook 帖子（N = 45,780）和评论（N = 769,684）进行自动分类，我们证明这一效应同样适用于现实中的成熟政治群体。具体而言，使用名词标签（如“Senate Republicans”）而非形容词标签（如“Republican senators”）、并以泛指方式（如“Democrats want”）而非非泛指方式（如“some Democrats want”）使用这些标签的帖子，会收到更高比例的表达党派偏见的评论。”

此前的相关研究依赖于参与者从未接触过的虚构政治群体。在这些实验中，微妙地鼓励实体性的措辞会使参与者将这些群体视为单一整体，而不具备这种特征的措辞则使他们将成员视为彼此独立的个体。为检验这一模式是否也存在于现实政治话语中，研究人员分析了约 46,000 条 Facebook 帖子和约 770,000 条评论。结果正是如此。论文中引用的微调 Transformer 模型与现代文本分析工具所用的 AI 语言模型属于同一类，使研究人员能够在人工编码难以企及的海量评论中自动识别偏见。由于数据集完全来自 Facebook，同样的语法模式是否也适用于其他平台，仍是未来有待研究的问题。

“从本质上讲，将一个群体视为实体，会使群体成员显得更具可互换性，”柏林洪堡大学研究员 Sander 接受 PsyPost 采访时表示。“人们随后会把某一成员的行为推广到整个群体，为另一成员的过错对该成员进行报复，并总体上表现出更多的外群体偏见。我们推断，这也可能助长政治极化，即对政治外群体的偏见不断加深。”

对于政治评论的生产者和消费者而言，研究结果揭示了一个虽小但可量化的编辑杠杆：在这份数据集中，使用名词标签和泛指措辞的帖子比使用形容词、非泛指措辞的帖子获得了更高比例的带偏见回复。这项研究与邪教问题专家 Steven Hassan 博士的观察相吻合。他于今年 8 月就总统 Donald Trump 及其政治运动接受了 AlterNet 的采访，解释了此类运动如何微妙地操纵追随者以制造类似邪教的凝聚力和忠诚度。他指出，除了在日常网络帖子中的措辞方式之外，政治运动还会构建媒体生态系统，使追随者在其社交网络的反复正面强化中形成对现实的扭曲认知。

“归根结底，关键在于他们依赖哪些信息来源，以及他们认同的社交网络是谁，”Hassan 告诉 AlterNet。“所以，如果他们非常喜欢 Joe Rogan，就会接受他的很多观点。因此，当他转而反对 Trump 时，Trump 就会失去大量追随者。我想表达的是，我们正生活在一个前所未有的数字操纵时代。”