Greenwald等（1998）提出的内隐联想测验（implicit association test，简称IAT），在心理学研究中应用比较广泛，基本原理是为了克服外显自陈式测量的局限性，通过记录人们认知加工的自动化联想过程来推论人们真实的内隐态度^[1]。IAT方法主要考察被试在一对目标概念（如me和others）和一对属性概念（如positive和negative）之间的自动化联系程度。被试要在电脑上完成一系列的分类任务，并且在确保准确的情况下尽快做出反应。当将联系紧密的目标概念与属性概念安排在同一个反应键时，被试的反应会比较快；反之，反应就会比较慢。

以性别刻板印象IAT为例，实验包括7个步骤：（1）练习阶段，当屏幕中间出现男性姓名时按A键，当屏幕中间出现女性姓名时按L键；（2）练习阶段，当屏幕中间出现与家具相关的词时按A键，当屏幕中间出现与衣服相关的词时按L键；（3）练习阶段，当屏幕中间出现与男性姓名或者家具相关的词时按A键，当屏幕中间出现与女性姓名或者衣服相关的词时按L键；（4）正式测试阶段，过程与步骤3相同；（5）练习阶段，当屏幕中间出现女性姓名时按A键，当屏幕中间出现男性姓名时按L键；（6）练习阶段，当屏幕中间出现与女性姓名或者家具相关的词时按A键，当屏幕中间出现男性姓名或者与衣服相关的词时按L键；（7）正式测试阶段，过程与步骤6相同（见表6－1）。

表6－1　性别刻板印象IAT程序示例

(www.daowen.com)

IAT主要考察步骤4和步骤7之间的反应时差别。一般将步骤4界定为相容任务，步骤7界定为不相容任务。如果相容任务的反应时显著小于不相容任务，则表明被试在内隐层面认为“男性”与“坚硬”的联系更加紧密；反之，则表明被试在内隐层面认为“男性”与“柔软”的联系更加紧密（Greenwald、Farnham，2000）。

IAT效应的分数计算有多种方法，包括平均数、对数、中位数、倒数等。Greenwald、Nosek和Banaji（2003）对IAT效应的计算方法进行了改进，提出使用D分数来计算内隐效应。计算方法是用被试不相容任务的平均反应时减去相容任务的平均反应时，再用这个差除以该被试所有正确反应时的标准差。他们通过对IAT在2000年大选、性别刻板印象、种族刻板印象和年龄刻板印象中的应用进行多种算法分析，发现改进的分数算法相比传统算法在5个方面具有优势：（1）内隐与外显之间的相关更高；（2）受个体反应时差异的干扰更小；（3）受先前IAT经验的影响更小；（4）产生更大的IAT效应；（5）内隐对外显的路径系数更高。

一般来说，当0.15≤D＜0.35时，则内隐效应较低；当0.35≤D＜0.65时，则内隐效应适中；当D≥0.65时，则内隐效应较强。