助推理论认为，对选择架构进行微小调整（即改变选项的呈现方式或决策环境）可以在不限制自由选择的情况下显著改善行为。助推通过改变环境来引导行为，而无需改变激励机制或限制任何选项（Thaler & Sunstein, 2009）。
助推理论在理论上基于双重过程认知理论：一些助推措施针对自动的、第一类（Type 1）思维过程（快速、习惯性的行为），而另一些则促进更反思性的、第二类（Type 2）思维（Hertwig & Grüne-Yanoff, 2017; Kahneman & Klein, 2009）。因此，助推通过改变选择架构来规避我们思维中的认知缺陷或惯性，以简单、低成本且保留自由的方式引导我们的决策（Sunstein, 2014; Thaler & Sunstein, 2009）。这些干预措施的效果各不相同，元分析结果表明有的效果不明显（Hu et al., 2025; Maier et al., 2022），有的效果中等（Mertens et al., 2022）。然而，关于助推效果异质性的讨论仍然不够充分，尽管这可能对于理解助推干预的不同效果至关重要（Bryan et al., 2021），因为最近的研究表明，有针对性地提供助推可能会增强干预效果（Murakami et al., 2022）。此外，个体间和情境效应在助推研究中尚未得到充分研究（Houdek, 2024; Marchiori et al., 2017; Rouyard et al., 2022），同时目标行为中的初始表现等因素也被证明会影响助推的效果（Franklin et al., 2019）。
助推在教育环境中是重要且易于应用的工具，在教育过程的早期阶段已被证明非常有效（Damgaard & Nielsen, 2018; Weijers et al., 2021）。教育助推根据其预期影响进行分类——它们是主要针对自动行为（Type 1）还是鼓励反思性思维（Type 2），以及它们的透明度。通过区分这些类型，研究人员和教育工作者可以设计更适合特定情境的干预措施，确保助推与他们希望影响的认知过程相匹配（Weijers et al., 2021）。在教育背景下已经研究了几种行为干预措施；例如，心态干预（即第二类）最近被证明可以提高学生的数学成绩；然而，这种效果取决于教师对心态干预的态度（Yeager et al., 2019, 2022）。这些发现最近得到了进一步验证，即使在控制了混杂因素后，类似模式仍然存在，并且结果在具有代表性的青少年样本中是一致的（Hecht et al., 2023）。
助推也被用于学校与家长之间的沟通技术（Bergman, 2020），提高在线教育的完成率（Kizilcec et al., 2020），或者被建议用于改变家长为孩子选择学校时的选择架构（Rauch, 2015）。此外，行为干预和助推已被用于帮助弱势学生利用政府提供的大学支持计划，增加他们上大学的可能性（Bettinger et al., 2012）；然而，这种效果似乎不具有普遍性，主要在局部范围内有效（Bird et al., 2021）。除了提供经济支持外，助推还被用于帮助学生申请贷款，增加贷款与提高GPA、获得学分以及转入公立大学之间的关联（Marx & Turner, 2019）。
从中学教育到大学教育的转变对许多学生来说都是一个挑战（Meer & Chapman, 2014）。尽管已经提出了在研究生教育中使用助推的理论指导（Bailes & Hoy, 2014），但还需要进行更多的实证研究。为此，我们选择了预测领域作为助推应用的案例，因为研究生在这一领域存在显著的偏见和错误（Lawrence et al., 2006）。尽管预测技能非常重要，但在商业课程中却未得到足够重视，尽管研究表明这些技能是可以有效教授的（Giullian et al., 2011）。
预测技能可以通过传统培训方法或使用数学模型来提高（Mellers et al., 2015; Nesvold & Bratvold, 2022）。高等教育中最常见的预测模型包括回归、模拟和数据挖掘（Sinuany-Stern, 2021）。这些核心预测技术一直被广泛使用，教育方法也不断发展，引入了先进的软件工具和游戏化策略来提高学习效果（Hanke & Weigand, 1994; Legaki et al., 2019）。
然而，最近的研究表明，助推的效果可能与统计模型训练相当（Mertens et al., 2022）。研究表明，认知偏见显著影响人们如何估计不确定或风险结果并形成预测。特别是，锚定偏见、过度自信和低估自信会影响预测误差的分布（Theodossiou & Ellina, 2020; Tversky & Kahneman, 1974），以及可用性偏见（Harvey, 2007）和确认偏见（Mokanov, 2023; Nickerson, 1998）。助推理论通过微妙地改变选择或信息的呈现方式来调整决策环境，以抵消或利用这些偏见（Sunstein, 2014）。例如，提供比较基准或基础概率信息可以减少过度自信，并通过提供更广泛的数据来源来提高预测准确性（Boz-Y?lmaz & Boduroglu, 2024）。双重过程理论描述的认知缺陷会导致各种行为和认知偏见。因此，助推可以成为有效工具，要么利用这些偏见，要么中和它们：一种常见的第一类助推是使用默认选项来利用人们的惰性（Jachimowicz et al., 2019），而第二类助推则可能提供显著的提醒或信息，以鼓励深思熟虑（Baker et al., 2016; Kizilcec et al., 2020; Milkman et al., 2021）。
在决策和对未来状态的评估中，一个常见的问题是倾向于关注单点估计，这更容易受到偏见的影响，并忽视不确定性（Buehler et al., 1997; Tversky & Kahneman, 1974）。考虑多种先前的经验、情境线索或相关知识（称为分布数据）会减少人们仅依赖单点估计的倾向（Kahneman & Tversky, 1977），以及与错误预测相关的其他认知偏见；因此，我们假设针对忽视分布数据的问题可能会提高预测能力（见表1）。根据这一假设，我们在一个管理学研究生课程的预测比赛中测试了一种简单的第二类透明助推，该助推通过强调分布数据来影响预测环境。
该干预措施旨在解决上游预测错误倾向，即狭隘的关注范围（单一情景思维），我们将其定义为忽视分布数据，而不是单独纠正某一特定偏见。从概念上讲，狭隘的关注范围通常会导致几种下游偏见，这些偏见会损害概率判断（例如，依赖于某个显著值或初始直觉、由于未充分考虑不确定性而产生的过度自信、受可用性驱动的证据采样，以及与现有信念一致的选择性搜索）。因此，我们的助推没有引入任何锚定值、基准概率或新的信息内容；相反，它鼓励参与者（i）考虑多种可能的未来情景，以及（ii）参考可信的证据来源，从而促进更广泛的参考范围和更敏感于分布的推理。
