大多数民主理论都是建立在选民阅读、讨论和了解政治的基础之上的。在这种情况下，对政治新闻的接触起到了至关重要的作用。然而，并非所有的公民都有兴趣去积极了解政治领域的信息。因此，传播学者对无意识形式的政治信息消费越来越感兴趣。特别是在社交媒体上，公民很可能在没有刻意去寻找政治信息的背景下，偶然接触到政治信息。这种现象被称为偶然接触(Incidental Exposure)——人们在没有主动搜索的情况下接触到的新闻——在政治传播研究中已经变得越来越重要。尽管在50多年前就已经注意到了IE的潜在积极作用（Downs, 1957; Krugman & Hartley, 1970），但社交媒体的兴起重新激发了人们对IE现象研究的兴趣。
然而，目前的研究并不足以对IE是否以及如何塑造民主公民身份做出明确的结论。虽然一些研究表明IE对政治知识或政治参与有积极的影响，但也有很多研究没有观察到这一点。最近，学者们提出，公民对政治特别感兴趣和积极的政治参与可能受IE影响。因此，依赖于该领域的横断面调查可能会掩盖IE是否能真正有利于民主的结果.此外，还有大量不同的结果和研究设计，因此，文献中缺乏对现有研究的明确总结。
对IE的民主后果进行元分析可以促进我们对政治信息如何促进积极和知情的公民身份的理解。首先，IE可以作为通向有意识新闻使用的通道，例如，当个人偶然接触政治信息，然后转向有意识的新闻使用。在这一点上，IE可以从理论上促进对政治信息的学习，因为公民接触到了他们没有刻意去寻找的信息碎片。同样，IE也可能会影响政治参与，如参与、表达和讨论，因为接触新信息是政治参与的关键驱动力。
元分析是一个更好地理解这些研究结果的里程碑，它有助于系统地检查统计关系的条件，对理论建设和概念发展而言是不可缺少的。同时，它可以指导该领域的未来研究朝着以前研究中几乎没有讨论过的新问题发展。此外，在不依赖潜在的主观叙述性评论或计票程序的情况下，元分析使研究人员能够概述过去几十年来基于正式统计分析而产生的大量研究成果。元分析可以对不同研究方法在观察IE结果中的作用作出总结。在此背景下，本文首次分析了关于IE的全部现有研究，其中包括106个样本的研究，超过了10万名受访者。
一部分人对政治并不是特别感兴趣，或者说并不真正关注政治新闻。如果不主动接触政治话语，这些人可能就没有机会参与或了解政治。因此，传播学学者将他们的注意力转向了IE的潜在受益效应。有学者认为，IE可能通过各种来源发生，从人际讨论到娱乐媒体（Downs, 1957）。特别是在广播电视普及之后，娱乐节目和政治信息的混合，被认为是一种可以让对政治不太感兴趣的公众了解政治的方式。然而，也有学者认为，越来越多的电视频道和选择也会让受众避免IE的机会(Prior, 2007)。如今，网络媒体为IE提供了更多的途径（Wojcieszak & Mutz, 2009)。特别是社交媒体用户在内容选择上没有完全的自主权，算法或网络特征会影响信息的混杂（Thorson & Wells, 2016）。
大多数学者认为，"人们在不主动寻求新闻和信息时，无意中消费了这些信息"（Kim，2013）的情况是IE。在此基础上，也出现了一些更细化的方法。与之前的研究一致，本文对IE的定义由两个方面组成。首先，IE必须是无意的，即与信息的接触必须是在个人没有主动寻找信息的情况下发生。其次，鉴于本文关注的是与民主结果有关的变量，IE指的是对政治信息的接触。即偶然接触到的非政治信息不值得关注。因此，本研究将IE定义为个人无意中接触到的政治信息。
偶然暴露与各种民主相关的结果有关：如新闻使用、政治知识、政治参与、政治表达和政治讨论。在解释偶然暴露的影响时，研究建立在现有的政治信息处理理论之上。如认知调解模型（Eveland，2001）或各种形式的OSROR模型在IE研究中占有突出地位。直到最近，更细致入微的理论描述才出现在文献中（Kuèmpel，2020）。例如，政治偶发新闻接触模型（Matthes，2020），提出了两个不同层次的IE。第一层次IE描述了“对无关紧要信息的被动扫描”，第二层次IE指的是努力地处理偶然遇到的相关信息（Nanz & Matthes，2020）。当没有被评价为相关时（即第一层次的IE），IE仍然可能影响民主的结果，因为个人必须处理片段的信息来检查其相关性。被动学习、可及性或目标刺激的理论可以帮助理解第一层IE的影响。然而，当个人将IE内容评价为相关时，更多的注意力和认知资源被用于处理信息。该模型有助于解释为什么IE会影响新闻使用、政治知识、政治参与、表达性参与和政治讨论。
有观点认为，IE可以作为有意使用新闻的催化剂，即偶然遇到的信息可能会激发兴趣，因此，人们会有意地收听新闻。在一项定性研究中，Boczkowski（2018）等人报告了一个年轻人，他说他经常访问某一网站并在那里发现新闻。“我总是转向在线报纸或网站”。在另一项研究中，参与者报告说，他们偶然遇到了一个有趣的故事，但在某一时刻没有时间阅读它，不过他们后来有意转向新闻媒体寻找相关信息（Antunovic，2018）。换言之，快速扫描偶然遇到的信息可能会吸引个人的注意力，从而促使他们寻找政治信息。与此相呼应，Feezell（2018）的一项纵向实验表明，在Facebook上接触到政治问题的信息可以提高问题的显著性。总而言之，IE可以提高对政治事务的认识，这反过来又促使个人随后有意地寻找政治信息。因此，我们的第一个假设为：
H1：IE与新闻使用存在正相关关系。
除线下媒体，在线新闻媒体和社交媒体也在新闻消费中扮演着相当重要的角色。IE和新闻使用之间的假设关系（H1）在各种媒体中可能有所不同。一方面，技术上的负担可能会形成这种差异。大多数社交媒体平台使用算法，根据个人之前的行为选择推送给他们的内容（Thorson & Wells, 2016）。由于算法的运用，经历过IE的个人点击内容可能会被推送政治内容。个人信息流中越来越多的政治新闻，会使该平台成为越来越适合有意获取政治信息的渠道。因此，特别是社交媒体新闻的使用可能会因IE而增加。另一方面，人们可以认为，在IE之后，个人可能更愿意转向线下媒体和传统媒体的在线版本，因为总体来说这些媒体来源的信任度较高。皮尤研究中心的一项民意调查显示，只有3%的用户对来自社交媒体的信息有 "很多 "的信任，31%的用户有 "一些 "信任（Pew，2017）。因此，即使IE可能会提高对政治问题的认识，个人可能会倾向于转向传统的线下媒体以获取更多信息。此外，线下媒体可能提供更深入的信息，与社交媒体相比，更直接地满足信息需求。鉴于这些相互竞争的理论论点以及先前研究的不足，我们提出了第一个研究问题：
RQ1：IE与新闻使用之间的关系在线下新闻使用、线上新闻使用和社交媒体新闻使用中是否有差异？
个人可以通过IE积累政治知识的观点已经得到了几十年的响应（Downs, 1957）。根据Matthes等人（2020）的观点，第一层次的IE，即对偶然遇到的政治信息进行简要扫描，可能引发学习政治知识，因为IE的部分内容会由个人处理以确定内容是否相关。学者们经常提到被动学习的理论（Krugman & Hartley, 1970）来解释IE为什么可以促进公众政治知识的培养。鉴于缺乏学习的意图和没有学习的阻力，个人可能通过被动学习吸收信息。实验研究表明，即使个人在接触过程中被指示关注另一项任务，他们也能识别IE内容（Lee & Kim, 2017）。因此，IE可以留下记忆的痕迹。
第二层次的IE可能会带来更实质性的学习（Nanz & Matthes, 2020）。有时，人们会接触到他们没有主动寻找的信息，但这些信息对他们来说是相关的。在这种情况下，个人会评价内容为“相关的”并关注它。例如，当用户登录他们的电子邮件账户时，偶然遇到的标题可能会激发兴趣，从而分散他们对初始任务(检查电子邮件)的注意力。第二层次的IE会导致对IE内容进行更密集的处理和阐述。反过来，阐述和彻底的处理会导致知识的增加（Eveland, 2001）。这两种途径在先前的IE实证研究中没有得到充分的区分。虽然一些学者提出存在积极的关系，但其他学者发现没有存在甚至是存在消极的关系（Oeldorf-Hirsch，2018）。因此，基于先前的理论研究，我们的第二个假设为：
H2：IE与政治知识之间存在正相关关系。
政治参与是IE研究中的关键结果变量之一(Nanz，2020; Valeriani & Vaccari, 2016)。在社交媒体上，算法和其他用户可能会向个人提供符合其兴趣的动员性信息。先前研究表明，（有意的）新闻消费促进了政治参与，因为它提供了人际讨论的问题和增加了公民知识的新信息(Cho, 2009;Delli Carpini & Keeter, 1996)。学者们认为IE也会产生类似的影响(Kim , 2013;Valeriani & Vaccari, 2016)。
媒体消费会促进知识的增长，更高水平的政治知识与更高水平的政治参与相联系(Delli Carpini & Keeter, 1996)。其他研究明确地将政治讨论和表述作为导致政治参与的中介(Yamamoto & Morey, 2019)。IE不仅可以通过为个人提供(实际的)知识来增加政治参与，它还可以促进政治讨论和表达，这反过来推动了政治参与。作为一种心理机制，彻底的信息处理、目标启动或议程设置可以解释IE与政治参与之间的关系(Feezell, 2018)。总体而言，我们期待IE和政治参与之间存在积极的关系，因此提出第三个假设：
H3：IE与政治参与之间存在正相关关系。
学者们经常对线下和线上的参与行为进行区分。线下参与包括签署纸质请愿书或参加抗议活动等，线上参与则包括加入支持政治事业的在线团体或签署在线请愿书等行为。我们预计IE与在线参与的关系比线下参与的关系更密切，原因有二。首先，与线下参与的努力程度相比，线上政治参与的努力程度较低。一些参与行为更容易通过互联网进行。例如，发送一封书面信函可能需要更多的资源（如邮票、时间），而不是通过社交媒体直接向政治家发送信息。其次，当个人在在线环境中体验IE时，他们通常会同时得到可以在线政治参与的机会(例如，签署在线请愿书，联系政治家)。与线下参与相比，个人通常不需要离开IE发生的环境就可以在线参与。因此，我们提出第四个假设：
H4：IE与网络政治参与的关系强于IE与线下政治参与的关系。
一个相关但独特的民主结果包括表达性行为，如在社交媒体上分享政治新闻或意见表达。基于完善由Theocharis 和van Deth（2018）提出的“政治参与的概念地图”，我们在本文中区分了表达性参与和政治参与的行为。Theocharis 和vvan Deth（2018）区分了参与的目标定义和环境定义，前者与政治参与的更多传统定义密切相关，后者则考虑了特定行为的背景和动机。在本研究中，我们将针对政治人物、社区问题以及更广泛的政治领域的行为（即目标定义）视为政治参与，而将适用环境定义的行为（即政治背景或动机）称为表达性参与（例如分享政治新闻、政治思想）。即使一些研究者怀疑表达性参与的现实影响（Skoric，2012），表达性行为本身被认为对更有影响力的参与前因（如态度强度、清晰度；Pingree，2007）有实质性影响。总的来说，我们希望上述参与的类似机制能对IE和表达性参与之间的积极关系负责。即，IE可以促进政治表达的先决条件，如对政治话题的认识和了解。
H5：IE和表达性参与之间存在着正相关关系。
从佩戴某个政党的纽扣到在社交媒体上分享个人政治经历，研究人员已经将各种表达性参与行为具体化(Heiss&Matthes，2019；Lee & Xenos，2022)。当考虑到潜在的政治影响时，区分这些形式可能是至关重要的。例如，在社交媒体上写一篇关于自己政治立场的长篇大论——在信息构成上投入大量的精力——可能会比仅仅传递一个链接更强烈地影响后续行为(Pingree，2007)。据作者所知，关于IE和这些类型的表达参与之间的差异关系，目前还没有足够的理论讨论。因此，提出了第二个研究问题：
RQ2：IE和不同形式的表达性参与之间的关系是否不同？
互联网和社交媒体创造的“新”公共领域的理念（Dahlgren，2005）对IE的研究具有很大的影响，作者认为区分政治讨论和表达性参与的形式是有意义的。“研究在很大程度上认为政治讨论是普通公民之间一种非正式的、自愿的交流互动 ”(Cho，2015)。因此，虽然参与政治讨论必须始终伴随着某种形式的政治表达，但表达可以在没有政治讨论核心特征的情况下发生。作者认为，单纯的表达缺乏“让讨论者以互动的方式接触其他观点和价值观的机会”(Stromer-Galley，2017)。关于表达的理论解释主要集中在对表达者的影响上(Pingree，2007)。然而，政治讨论的审议潜力不仅来自表达效果，也来自个人之间的思想自由流动和对其他讨论者论点的批判性审查（即话语互动）。
尽管大多数研究将政治讨论概念化为IE与政治知识或政治参与之间的中介，但对政治讨论本身的研究是有意义的。与表达性参与的基本原理相似，对IE和政治讨论之间关系的理论解释也植根于新闻消费研究。各种研究表明，有意使用新闻会促进政治讨论(Mondak，1995)。类似地，OSROR模型指出个人的新闻消费是一个政治讨论的预测因素(Ch o，2009)。媒体的使用可以“为政治讨论提供基础”(Shah，2005)。例如，政治信息的消费可以为个人提供其在网络中讨论的内容。因此，对政治信息的IE也可能促使个人讨论政治问题。总的来说，一些强有力的理论论据表明，IE与政治讨论应该是呈正相关的。
H6：IE与政治讨论之间存在正相关关系。
研究人员讨论了在线下媒体、在线媒体和社交媒体上的IE。电视观众可能会在足球比赛中场休息时观看新闻，互联网用户可能会在访问其电子邮件提供商的网站时偶然发现政治头条，而社交媒体用户可能会在看自己爱好更新时看到朋友的政治帖子。然而，据我们所知，几乎没有任何研究认为IE与各种结果的关系可能因媒体的不同而不同。大多数关于IE的研究只关注一种媒体，甚至将多种媒体类型混合成一个量表(Park，2019)。在Oeldorf-Hirsch（2018）的研究中，受访者对多种来源——包括在线、社交和传统媒体——的IE得分同样高。然而，仅仅是IE的普遍性(即个人是否通过一种媒体类型体验到比其他媒体更多的IE )并不一定会影响效果的大小。除此之外，还有可用的政治内容的特征（如长度、情绪化）、消费的情况（例如在沙发上，在公共汽车上）以及与使用某种媒体类型有关的各种态度和行为(例如第二层IE的可能性)都可能会影响这种关系。
显然，对于媒体类型之间的差异，可能有多种解释。电视、报纸和广播可能比网络和社交媒体更能促进学习，提供更多的事实性信息。相比之下，社交媒体和互联网可能会比线下媒体提供更多的机会（如点击链接）来参与和详细阐述IE的内容。据我们所知，目前还没有这方面的理论研究。因为目前的研究不允许我们对媒体类型作出明确的推断，所以我们提出第三个问题：
RQ3：(a)新闻使用、(b)政治知识、(c)政治参与、(d)表达性参与和(e)政治讨论和IE之间的关系在线上媒体、社交媒体和线下媒体之间是否不同？
舆论学者指出，比起研究者在现实世界中发现的效应，典型的（调查）实验可能会导致更大的效应量。当涉及到操纵IE的实验和对IE的调查研究之间的比较时，这种假设也有多种原因。首先，实验可能会使用不切实际的强处理方法。例如，在评估因变量之前，实验可能会让受访者在15分钟的时间范围内接触一组有限的内容。然而，个人每天可能会遇到数以百计的信息。其中一些甚至可能相互矛盾的。第二，实验缺乏实际接触内容的随机性，而这些内容在理论上是可以影响因变量的。例如，调查受访者可能会偶然遇到很多政治信息，但可能不会遇到影响因变量（如了解失业率）的特定信息。因此，我们提出以下假设：
H7：IE和(a)新闻使用、(b)政治知识、(c)政治参与、(d)表达性参与和(e)政治讨论之间的关系，在实验中比在横断面调查中更大。
一般来说，因果关系的问题在元分析中是一个反复出现的问题。对横断面研究的极大依赖可能会导致对影响的评估过高。例如，相当大一部分自变量和因变量之间的相关性可能是由于影响这两个变量的第三个变量（如政治利益）造成的。不幸的是，用面板系数来检验截面系数可能会有问题。此外，证据表明，纵向研究比横断面研究产生的影响量更小，但这并不一定会使影响变得无关紧要、微不足道或毫无意义。因此，在RQ4中，我们特别考虑了前一波中因变量水平的估计值在统计上是否与零有区别。
RQ4：IE对源于小组调查的半偏相关的(a)新闻使用、(b)政治知识、(c)政治参与、(d)表达性参与和(e)政治讨论是否有积极的影响？
2021年6月，我们在以下数据库中进行了系统的搜索： Web of Science, Communication and Mass Media Complete, ScienceDirect, PsycInfo, and Scopus。此外，我们还检查了文稿的参考文献，学者的网页，在谷歌学术上查阅了所有引用学者的有影响力的论文，并筛选了最近两届ICA、APSA和AEJMC的会议论文。一共发现了866个结果。在删除了重复的记录之后，保留了572个结果。经过筛选，最终这项元分析建立在106个不同的独立样本的统计信息之上。我们还区分了调查样本(41个横截面样本；46个有面板系数)和19个（准）实验样本。
我们使用皮尔逊r和半偏相关sr作为效应量。r为正，sr为正，说明IE越多，因变量得分越高。我们确定了每个样本的所有相关变量。对于一些研究，我们自己计算了统计信息，计算了所有关系的r。对于面板数据，我们另外计算了sr。
我们对五种不同类型的新闻使用进行了编码：线下新闻使用（如电视新闻、印刷报纸、广播）、在线新闻使用(如在线报纸、在互联网上获取的新闻”、社交媒体新闻使用（如从Facebook获取的新闻）、混合新闻使用(即衡量在线和线下新闻使用的项目；如，“你看过报纸吗？在线还是离线？)，以及其他形式的新闻使用（如用来获取新闻的时间）。由于异质性显著，最后一类没有被纳入调节分析中。对于评估政治参与的样本，我们区分了两种参与衡量标准：在线和线下参与。对于表达性参与，我们区分了线下行为（例如佩戴某一政党的纽扣）、消费主义、涉及信息组成的政治表达和政治信息的分享。
我们对偶然接触媒体的四种类别进行了编码，以区分IE测量中提到的不同媒体类型：线下IE（如电视、印刷报纸和广播），在线IE(如网站或“互联网”)、社交媒体(如Facebook、Twitter)和其他形式(如未提及媒体)。最后一类被排除在调节分析之外。
由于这五个结果变量是不同的，我们进行了5个独立的元分析。我们把r和sr转换为 Fisher’s z，将 Fisher’s z呈现在r和sr旁边，在分析后用y Lipsey and Wilson (2001)的公式从Fisher’s z转换回来。鉴于我们的数据是嵌套的，我们运行了多层次元分析。在平均效应大小的同时，我们还提出了I² 和Q统计。
对于调节因子分析，我们在用于总体效应分析的随机效应模型中添加了固定效应。运用多层次元分析是计算元分析中依赖效应大小的一种计算方法，但不是唯一推荐的计算方法。因此，我们通过重新计算具有稳健方差估计的模型，检验了所有假设和问题检验的稳健性。
在对新闻使用的总体效应分析中，我们发现了一个正相关关系，H1得到验证。我们发现了显著的异质性(Q（669）＝19172.47, p < .001)。在RQ1中，我们询问了IE对线下新闻使用、在线新闻使用和社交媒体新闻使用的影响是否不同。调节因子分析产生了显著性差异(x²（3）＝87.16，p<.001)。我们发现了社交媒体新闻使用的影响最大(r＝0.36，Zr＝0.37 , 95% CI [0.30, 0.45])。这一关系显著大于在线新闻使用(r＝0.29，Zr＝0.30,95%CI[0.23,0.37]；z＝－3.94，p<.001)、线下新闻使用(r＝0.19，Zr＝0.20，95%CI[0.13,0.26]；z＝－8.69，p<.001)，以及混合类别(r＝0.25，Zr＝0.25,95%CI[0.17,0.33]；z＝－4.61，p<.001)。IE和在线新闻的使用比IE和线下新闻的使用具有更强的关系(z＝－5.41，p<.001)。其他的比较没有产生显著差异。
在政治知识方面，我们发现了一种积极和显著的关系，r＝0.11，Zr＝0.11，p<.001(95%CI＝[0.05,0.17])。H2得到验证。我们发现了显著的异质性(Q（112）＝1736.31，p<.001；I² level 2＝41.1%，I² level 4＝254.96%)。
在政治参与方面，我们发现它与IE呈正相关关系，r＝0.13，Zr＝0.13，p<.001(95%CI＝[0.08,0.18])。H3得到验证。同样发现了显著的异质性，(Q（493）＝9881.96，p <.001；I² level 2 ＝238.8%，I² level 3＝12.87%，I² level 4＝45.02%)。IE影响在线参与显著强于线下参与。H4得到验证。然而，这一发现并不完全可靠，因为在使用RVE时，调节作用并不显著。
与H5相一致，我们发现两者与表达性参与呈正相关，r ＝0.23, Zr ＝0.23, p < .001 (95% CI ＝[0.16, 0.30])。我们发现了显著的异质性，(Q（310）＝12654.21，p<.001；I² level 2＝257.7%，I² level 3＝15.98%，I² level 4＝24.41%)。我们对RQ2进行了调节分析，得到了显著的结果。
IE与线下表达的关系(r＝0.10，Zr＝0.10,95%CI[0.02,0.21])明显小于在线表达的关系(r＝0.24，Zr＝0.24,95%CI[0.17,0.32]；z＝2. 88，p＝.004)和共享的关系(r＝0.24，Zr＝0.25,95%CI[0.17,0.33]；z＝2.85，p＝.004)。其他的比较没有产生显著的差异。
在政治讨论(H6)方面，我们同样发现与IE呈正相关关系。再次，发现了显著的异质性(Q（108）＝6186.95，p<.001；I² level 2＝75.69%，I² level 4＝22.46%)。
我们对发生IE的媒体类型(RQ3)进行了5个调节器分析。发现对新闻的使用有显著的调节作用(RQ3a，x²（3）＝12.83，p＝.002)。一项事后比较显示，线下IE对新闻使用的影响小于社交媒体IE和在线IE。对于表达性参与(RQ3d)，我们发现了一个显著的调节效应(x²（1）＝16.30，p<.001)，且社交媒体IE和在线IE有显著差异。对于其他的结果，没有发现IE关于媒体类型的差异。
H7假设在实验IE与五个变量之间的关系大于调查。由于缺乏测量表达性参与新闻使用的实验，我们只对其他三个变量检验了这个一假设。分析显示，在政治知识方面，实验的效果比调查的效果大(x²（1）＝10.44, p ＝ .001)。H7b得到验证。我们还发现，实验比调查对政治讨论和政治参与的关系小。H7c和H7e没有得到验证。
在对RQ4的分析中，我们只使用了小组调查中面板数据的半偏相关性。即使在小组调查中，IE对所有五个因变量都有积极的影响(新闻使用：r＝ .05，Zr＝0.05，p<.001(95%CI＝[0.03,0.07])；政治知识：r＝.02，Zr＝0.02，p＝.012(95%CI¼[0.004,0.03])；政治参与：r＝.05，Zr＝0.05，p<.001(95%CI＝[0.03,0.08])；表达性参与：r＝.07，Zr＝0.07，p<.001(95%CI＝[0.04,0.10])；政治讨论：r＝.10，Zr＝0.10，p<.001(95%CI＝[0.05,0.15]))。我们可以观察到，面板的效应大小远远小于横断面研究。
最后，我们转向偏倚分析，我们对每项研究的每个因变量的双变量效应大小进行了平均。五个Egger的回归系数都不显著。
在这项元分析中，我们回顾了当前关于IE对现代民主的五个关键结果的影响的研究。有四个主要的发现。首先，我们的研究结果放大了人们对横断面研究。重申一下，横断面研究应该被谨慎对待，因为研究结果可能是虚假的，而且因果顺序也不清楚。鉴于已经有政治兴趣和政治参与的个人可能会经历更多的IE，这一问题得到了缓解。具体来说，在社交媒体上，高度感兴趣的人可能会困在一个正反馈循环中，与算法统一，将越来越多相关的IE内容纳入他们的新闻推送中，这反过来更有可能导致第二层次的IE。 同时，由于缺乏对算法的积极反馈，主要停留在第一层次IE的个体可能随着时间的推移，IE的机会更少。
虽然我们发现IE和新闻使用(r＝.26)、表达性参与(r＝.23)和政治讨论(r＝.22)之间存在相当强的关系。但在横断面数据中，政治参与(r＝.13)和政治知识(r＝.11)之间的关系略小。对面板数据的元分析显示，这些关系只有部分仍然存在。在纵向研究中，较小的效应量并不特别令人惊讶。然而，由于影响规模很小，一个过于乐观的观点认为，IE可以为无兴趣和无参与感的选民的民主国家带来新的活力。不过，这一点并没有得到我们数据的完全支持。
第二，不管这些关系的因果性质如何，我们发现IE发生的媒体类型对某些结果有影响。与通过线下媒体发生的IE相比 ，社交媒体和在线的IE上显示出于有意使用新闻的最大关系。原因可能是在线平台根据用户以前的行为来管理内容。此外，用户可以个性化他们喜欢的网站，并在社交媒体自我选择他们的网络。这种个性化的内容选择过程可能会优先考虑被认为是特别相关的内容，使后续的彻底处理变得更有可能。在PINE模型的语言中(Matthesetal.，2020)，与线下媒体IE相比，在线领域的IE使IE内容更有可能被评估为相关的(即第二层次IE)。此外，在许多情况下，互联网内容可能会引发更多的情绪(Knoll，2020)。有趣的是，当涉及到表达性参与时，我们甚至发现社交媒体上的IE比在线IE的关系更紧密。换言之，尤其是在社交媒体上的IE会导致政治表达的发展。人们可以用这样一个事实来解释：在社交媒体上经历IE的人不必离开接收场合（例如离开社交媒体应用程序）来表达他们的想法或分享他们的立场。同时，我们还发现IE对线上参与的影响要大于线下参与，尽管这一发现并不完全可靠。可能的是，不同的信息处理策略路径可能导致不同形式的参与。根据PINE模型，第一层次的IE可能会激发个体的在线参与行为（如在线请愿的链接）。随后，这种在线参与可能会转化为线下的参与形式。第二层次的IE甚至可能影响到更遥远或更直接的参与行为(Matthes，2020)。
第三，在比较调查与实验设计时，我们发现了一些与文献主要信息不一致的地方。我们将首先讨论政治知识这一个看似特殊的情况。元分析显示，在调查中，IE和政治知识之间的关系非常弱(r＝.05，sr＝.02)，但我们发现实验研究的估计值相对较大(r＝.21)。一个可行的解释是，经历过IE的个体不会遇到学者要求的政治信息。依靠屏幕捕捉和内容分析的跟踪数据可能会解决这一差异。有趣的是，在实验研究中，我们并没有发现IE与政治讨论和政治参与之间的正相关关系。鉴于我们在实验中发现的政治知识的实质性效应大小，缺乏正相关关系是令人惊讶的，也由此打开了一个新的研究空白。
第四，我们注意到在该领域的一些核心成果的标记和测量方面存在几乎令人震惊的差异。特别是表达、讨论和参与的形式有时会被混为一谈。此外，提到属于不同因变量行为的双关问题也是文献中重复出现的主题。我们非常谨慎地采用一个突出的理论框架来指导本研究走出这种杂乱的元分析，然而，未来的研究必须对测量和标记这些传播研究的关键概念进行更多的审查。
首先，本元分析中的大量研究使用了调查方法。鉴于对IE的回忆可能有偏差，对暴露的自我报告测量应始终谨慎分析。原研究的这一局限性也部分延伸到这项元分析。第二，在我们的元分析中，通过线下媒体进行的IE是非常罕见的，这使得我们只作为调节器类别来测试RQ3a。第三，我们只研究了两种语言的研究。第四，未发表的研究可能无法通过我们使用的数据库找到。尽管存在这些局限性，我们的样本与该领域突出的元分析相比仍然比较好。
本研究采用元分析的方法，旨在量化IE对五个关键政治结果的影响。我们的研究结果表明，IE对政治信息的影响实际上是与民主有关。然而，当涉及到实验和小组研究时，这些关系是小而细微的，限制了人们对IE可以重新吸引脱离政治的公民的希望。研究还表明，当接触环境和结果环境一致时，IE的效果是最强的。通过这些发现，这一元分析为IE研究开辟了全新的理论和方法途径。未来的研究应该特别关注接触环境和结果环境之间的一致性。此外，还需要改进调查措施和详细的实验设计。
