杨洸   佘佳玲

【关键词】新闻推荐算法    信息茧房    智能鸿沟    新闻偶遇    算法素养

一、引言

智能媒体时代，算法悄然且广泛地渗透至人们的数字生活。路透社对40个国家和地区的新闻市场展开调查，发现其中超七成（72%）的用户更偏好以非直接访问的渠道（side-door access）获取新闻资讯，尤其偏好社交媒体、搜索引擎、新闻聚合器等算法分发（algorithmic selection）形式（58%）。互联网世代（Z世代，指出生于1995-2009年之间）对非直接访问（84%）和算法分发（71%）的偏好则更为突出。[1] 然而，在这看似喜闻乐见的“千人千面”个性化推送模式背后，诸如新闻失实、信息茧房、智能鸿沟、群体分化、舆论极化、基本社会共识削弱等症结重重，引发各界热议和担忧。

算法可谓极具颠覆性和变革性的社会权力，逐步承担更多新闻守门人的功能和角色，既调节着人们的媒介生活模式，更创造着新的社会形态，建构着新的社会秩序。与此前所有的媒介技术更迭相仿，算法主导下的新型传播格局同样面临着诸多困境与质疑。从新闻生产到新闻消费，从个体资讯获取到社会共识凝聚，多个社会行动者于诸多行动环节共同完成了这场全新的传播“接力”。因此，当且仅当对上述节点进行有关症结与成因的综合考量时，方能为智媒时代新闻推荐算法的改进与治理提供积极思路。

二、症结：“千人千面”模式对社会公共性的冲击

新闻推荐算法本质上就是一种特定的计算机程序设定，简言之是基于用户的个人偏好等数据向用户主动推送新闻资讯的行为过程。[2] 由Facebook、Google等公司开始，算法推荐技术在全球数字媒体环境中得到广泛应用，这不仅极大程度上解放了内容生产行业的大量人力，亦有效降低了信息爆炸时代用户资讯获取的负担。目前，常见的新闻推荐算法包括基于内容、基于流行度和基于协同过滤的推荐模式。[3] 其中，流行度推荐关注点击量、阅读量、转发量等新闻热度指标，将最具时效性、新鲜性的资讯推荐给用户；内容推荐旨在连接新闻产品与用户的信息偏好（显性或隐性），即当用户自行标注，或于日常新闻消费中呈现出某种兴趣倾向时，该标签将触发算法分析器筛选出匹配度高的新闻资讯，并生成推荐列表；而协同过滤则基于与用户兴趣相似的群体，或与用户阅读过的信息相似的内容而完成新闻资讯的过滤与排序。

同所有新兴技术一样，算法与新闻甫一交互融合，便引发了社会各界的激烈争论。以自然科学家和业界人士为主的技术派强调个性化推荐对新闻领域的双向意义，即在颠覆用户被动接受信息模式的同时，节省用户的时间成本，提高其新闻阅读效率。[4] 于他们而言，算法分发无疑是一种更面向未来的解决方案，甚至有助于破解传统模式下人们过分依赖自己所订阅的内容而导致的信息窄化问题。[5] 对此，学界的态度却并不乐观，许多学者指出，讨论算法“准不准”的前提是辨析算法“对不对”，即明确“千人千面”的精准匹配之下可能的社会影响。个性化推荐重构了整个新闻生产流程，[6] 以用户为中心的理念极易使个体对信息的过滤和筛选集中于自身所偏爱的观点和主题，进而造成信息茧房、舆论极化、低俗内容霸屏等后果，[7][8][9] 更将导致信息选择权的让渡以及主流价值导向的缺失。[10] 尽管在现实的新闻分发中，多种推荐算法机制往往复合搭配使用，但上述负面症结却未必被抵消而甚至往往加剧积累，对社会公共性带来极大冲击。

其一指向新闻失实。在传统的传播格局中，记者、编辑等新闻守门人基于重要性、时效性、显著性等新闻价值标准，对最终抵达受众的资讯信息加以严格把控。尽管偶有个人价值观偏差或商业逐利行为导致的把关失误，新闻的生产与分发仍然维持着基本的良性态势，并为人们呈现相对完整的、真实的、无偏差的社会景象。然而，随着把关权向智能算法的让渡，新闻筛选原则逐渐由“公众需要什么”向“用户喜欢什么”转变。所谓“技术中立”的算法或基于单位时间内的新闻流行度，或基于用户的个性化（往往是娱乐性而非公共性）需求加以推荐，其结果是诸多博人眼球、捏造事实、观点偏激的假新闻因契合用户的猎奇心理而被大量传播，耸动新闻与严肃新闻之间的马太效应不断扩大，注意力导向下的“黄色新闻潮”存在复活风险。[11]

其二指向个体的信息获取失衡。智能算法作为具有主动认知潜力的交互技术，其不断响应并迁就着用户的个性化需求，且根据用户对推荐资讯的采纳和回应而不断调整。故而，各界存在关于算法是否导致个体信息接触失衡的担忧，其指向回音室、过滤气泡和信息茧房等种种生动比喻。[12][13] 对Facebook算法推荐信息的相似度分析发现，10%的信息源和27.8%的语义受到“过滤气泡”的影响。[14] 对中国算法新闻用户的调查表明，人们的选择性接触行为明显，使用时长越长的个体，其越容易接收到同一主题的内容推荐，且被推荐的新闻观点越与自身观点一致。[15] 基于建模的十二种不同信息过滤方案的分析则显示，回音室是个体认知过程与中央信息源交互的结果，社交媒体或推荐算法的介入加剧了回音室的异质和极化。[16] 在信息茧房和回音室之中，用户的信息接触往往日渐窄化、封闭且与真实情境的偏差加剧，个体沉溺于算法所策展的个性化“乐园”，囿于己见而不自知。

其三指向社会鸿沟的产生和扩大。早在大众媒体和互联网时代，由于所处社会经济地位的不同，人们在获取媒体知识的速度和效果上便存在一定差异，即知识沟和数字鸿沟假说。[17][18] 随着智能时代的开启，在众多移动数字新闻应用中，算法连接着人与信息，决定着个体的新闻可见性和新闻使用习惯。由于新闻推荐算法对个体新闻喜好的不断迁就及“量身定制”，不同用户、不同群体在新闻推送的可见内容上愈加千差万别，其社会事务关注度和基本社会共识也于无形间逐渐被切割与分层。随后，同质化群体的内部一致性和异质化群体间的区隔无限加剧，加速形成或上升、或下降的社会螺旋，将不同群体隔离为一个个公共对话的孤岛，甚至在算法洪流的推动下彼此渐行渐远。[19] 于是，群体分化、舆论极化加剧，社会基本共识削弱。相关研究结果表明，传统意义上的信息弱势群体——女性、农村人、年长者、教育程度低者，与信息优势群体——男性、城市人、年轻人、教育程度高者相比，两者之间存在算法新闻的使用差异（即“使用沟”）和可见内容差异（即“内容沟”），[20] 当智能算法基于某些既定标准而决定内容的差异化生产时，则在传播上游便将开辟出新的、复杂的、隐蔽的社会鸿沟。[21]

三、成因：干扰信息平衡态的多重因素

新闻算法推荐情境中，用户、平台、算法、新闻媒体、广告商甚至于整个社会环境正共同重塑着信息传播格局。人们获取新闻资讯存在多种路径，信息平衡态的被干扰与破坏也同上述诸多行动者因素密不可分。

平台和媒体层面，商业利益动机使之过分追逐热度导向与用户导向，而忽视了真实性、公共性等最为基础的新闻价值标准。打着所谓“技术中立”的旗号，大量追求感官刺激、一味迎合个体偏好的资讯被生产并优先呈现于用户的推荐列表，形成“内容下降的螺旋”。长此以往，人们的信息获取质量直线下滑，信息获取范围和路径不断固化，公众甚至产生了“精神麻痹”，对多元化、异质化内容的接受能力日趋减弱，更极易对相悖于原有认知的观点产生极端情绪，群体分化、舆论极化、基本社会共识削弱等后果也在所难免。

算法层面，尽管算法被视为具有主动认知潜力的交互技术，但究其根本，算法仍然是受设计者操纵的、缺乏自主意识的行动者，这决定了其在信息分发过程中的局限性。尽管技术日趋成熟，但算法分发所参照的数据仍然是不完整的、片面的、甚至虚假的，是与真实情境存在严重偏差的，而算法又欠缺进一步修正和调整的能力。此时，新闻推荐算法所复制出的个性化拟态环境自然也与真实的信息环境存在严重不对等。公众无法获知全面的社会现实，便无从谈论社会公共空间的正常运转。

用户层面，由于个体认知结构及所处社会环境的不同，人们的新闻消费本就带有强烈的个体偏好和主观色彩，倾向于阅读与原有认知和态度相符的信息，而尽量回避不感兴趣的内容或对立的观点，即选择性接触假说。[22] 这一心理倾向在信息爆炸的当下尤为明显，为减轻认知过载的负担，人们更青睐于算法为其所建构的喜闻乐见的信息舒适圈。此外，由于媒介素养和算法理解能力的不足，用户对新闻如何经由权力者操控而最终分发知之甚少，甚至将该个性化精准匹配误认为是来自权威媒体和专业编辑的推荐，从而更深陷其中，而不再通过其他途径丰富自身的资讯获取和观点交换。

四、治理：内容优化、新闻偶遇与算法素养的积极探索

为缓解新闻推荐算法所引致的种种症结，学界与业界积极展开反思与探索。目前，针对新闻的生产、分发和接收环节，相关治理路径可涉及内容生产的优化、新闻偶遇的创建和算法素养的提升等。

首先，在新闻生产阶段，媒体与平台方需摒弃过度追逐商业价值的导向，重新回归新闻把关人所应肩负的专业性、公共性职责。作为社会公共事务的聚合器，新闻向来被赋予教育公众、引导舆论、凝聚共识等重要期冀，故而，新闻平台应超越单一的用户参与指标，追求更多样化、多维度的价值标准，确保高公共性、高水准、高价值新闻供给和呈现，包括多姿多彩的内容与百家争鸣的观点。这将在某种程度上为新闻用户构建桑斯坦所提及的“人行道”模式，[23] 即在新闻消费过程中为用户提供看似其毫无兴趣的信息，以期营造健康、平衡、良性的信息获取环境。[24] 毕竟，若是在信息供给侧便出现了内容短缺，那么，无论后续分发和接收环节如何优化，用户也只能得到不完整的、碎片化的、有偏差的社会景象。当然，在坚守新闻专业主义的同时，媒体与平台也应基于新传播背景下用户的新闻消费心理变化，鼓励更精准、更高效的生产和传播策略。

其次，在新闻分发阶段，尽管基于新闻算法推荐的排序和过滤可能是加剧信息偏食和群体极化的分离器，却也可能是缓解信息茧房、弥合知识鸿沟与社会鸿沟的突破口。近来，许多学者纷纷提出，算法分发应在技术理性上融合人文理性，通过提供惯性之外的“偶遇”，推动具有公共价值的内容到达更广的人群。[25] 所谓新闻偶遇，是指在未预期的情境中，人们意外获得时事、公共事件和政治内容的经历。[26] 研究发现，社交媒体中的新闻偶遇将减少人们因选择性接触而导致的知识鸿沟（尤其是对年轻群体和低新闻兴趣的用户而言），偶遇政治内容有助于鼓励那些原本不感兴趣的人积极参与政治。[27][28] 和其他媒介技术（编辑分发、社交分发）相比，算法的优势在信息规模丰富、判断可靠一致、处理快速高效等方面都更显而易见，更体现其在增加新闻多样性、创建平衡健康的信息环境方面的特殊潜力。相关研究正基于人们的选择性心理，尝试考察各类新闻算法推荐线索（如热度标签、媒体来源、新闻标题、附带配图等）如何促成用户对所偶遇的公共新闻的点击和获取，例如，对重要但可能略显枯燥的公共新闻附带“大家都在看”或“好友热搜”等标签，以激发用户的阅读兴趣——这并不意味着欺骗型营销，而是借由一定的提示线索或奖励线索，帮助用户初步启动对公共性新闻的兴趣和关注，并引导其培养积极的在线新闻消费习惯。这对促进有益的知识发现和知识分享、弥合社会公共事务领域的认知以及参与鸿沟具有极大意义，亦是践行科技向善、算法向善的重要尝试。

最后，在新闻接收阶段，鼓励新闻用户提升算法素养、修正固有的选择性接触模式同样十分必要。传统媒体时代，媒介素养是指受众对媒介信息持有的开放、质疑、反思和批判的态度或技巧，是受众主动解读、批评和选择性吸收信息的能力，[29] 包括对媒介消息中所表达的内在价值和观点的理解、对信息中所运用的媒体技术的感知、对媒体信息生产和消费的背景知识的掌握等。[30] 媒介素养越高的个体，其越能从真真假假、虚实混杂的信息流中识别出正确且有益的资讯，越能有意识地主动关注不同主题、不同领域的内容，同时也更能理性接纳异质的意见和观点。此外，智媒情境下，媒介素养还应拓展对算法推荐机制的理解与防范能力。研究发现，和其他用户相比，积极策展型用户往往有意识地训练和调整算法，主动对个体信息环境进行规划，[31] 以摆脱算法桎梏下的“技术牢笼”；同时，他们还主动利用平台所具备的搜索和社交功能，走出个体窄化的信息空间，拓宽见识、碰撞观点，获得更丰富的资讯体验。

五、结语

综上所述，本文从新闻算法推荐的本质进行探析，揭示这一所谓机器“自动”推送新闻机制对新闻业、用户以及新闻生态可能造成的诸多影响。越来越多的呼声集中在加强新闻推荐算法价值观的引导，尤其对于新闻业界如何应对新闻推送带来的负面效应，本文提供了一些可行的治理路径，譬如赋能新闻推荐提示功能，调整或增加推荐提示（如好友热度推荐或社会热度推荐）、媒体来源（如主流权威媒体或自媒体）、新闻标题（如诱饵式标题或摘要式标题）等新闻算法推荐线索的设置，借助算法推荐制造用户“偶遇”具有公共价值的新闻内容接触，是解决新闻推荐算法信息茧房，提高社会凝聚的有益探索。

[1]Reuters Institute.(2020)Digital News Report 2020[R/OL]. https://www.digitalnewsreport.org/

[2]贾军.算法推荐新闻:技术困境与范式变革[J].西南民族大学学报(人文社科版),2019,40(05):152-156.

[3]陈昌凤,师文.个性化新闻推荐算法的技术解读与价值探讨[J].中国编辑,2018(10):9-14.

[4]周建明,马璇.个性化服务与圆形监狱:算法推荐的价值理念及伦理抗争[J].社会科学战线, 2018(10):168-173.

[5]建文.智能推荐:认知和改进完善都需要时间——访今日头条总编辑张辅评[J].新闻战线, 2017(23):70-71.

[6]田维钢,朱毓春,陈小敏.新媒体时代基于算法机制的个性化推荐对当今新闻传播的影响[J].湖南大众传媒职业技术学院学报,2018,18(03):5-9.

[7]E.Pariser.The Filter Bubble:How the New Personalized Web Is Changing What We Read and How We Think[M].New York, NY, USA:Penguin Books,2011.

[8]C.Sunstein.Republic:Divided Democracy in the Age of Social Media[M]. Princeton University Press, Princeton,NJ, USA,2017.

[9]许幼飞.算法推荐的信息茧房效应及反思——以今日头条个性化新闻推荐为例[J].新闻研究导刊,2018,9(14):42-43,49.

[10]王亚妮.算法推荐新闻的伦理风险以及未来发展[J].新媒体研究,2019,5(01):29-30.

[11]陈昌凤,师文.个性化新闻推荐算法的技术解读与价值探讨[J].中国编辑,2018(10):9-14.

[12]Sunstein,C.R..Republic.com[D]. Princeton, NJ: Princeton University Press.2002.

[13]Pariser,E..The filter bubble: What the Internet is hiding from you[M]. New York: Penguin Press，2011.

[14]Bechmann,A.,& Nielbo,K.L.. Are We Exposed to the Same“News”in the News Feed? An empirical analysis of filter bubbles as information similarity for Danish Facebook users[J].Digital Journalism,6(8), 990-1002.

[15]杨洸,佘佳玲.新闻算法推荐的信息可见性、用户主动性与信息茧房效应：算法与用户互动的视角[J].新闻大学,2020(02):102-118,123.

[16]Geschke,D.,Lorenz,J.,Holtz,P.The triple‐filter bubble: Using agent‐based modelling to test a meta‐theoretical framework for the emergence of filter bubbles and echo chambers[J]. British Journal of Social Psychology,2019,58(1):129-149.

[17]Tichenor,P.J.,Donohue,G.A.& Olien,C.N.. Mass media flow and differential growth in knowledge[J]. The Public Opinion Quarterly, 1970,34(2),159-170.

[18]Hargittai,E,& A.Hinnant..Differences in young adults’ use of the Internet[J]. Communication Research, 2008,35(5):602-621.

[19]杨洸,佘佳玲.算法新闻用户的数字鸿沟:表现及影响[J].现代传播(中国传媒大学学报), 2020,42(04):145-154.

[20]杨洸,佘佳玲.算法新闻用户的数字鸿沟:表现及影响[J].现代传播(中国传媒大学学报), 2020,42(04):145-154.

[21]方师师.智媒系统如何形塑“上游”知沟：个性化、新闻增值与普遍差异化[J].新闻与写作,2020(10):12-20.

[22]保罗·F·拉扎斯菲尔德,等.人民的选择：选民如何在总统选战中做决定（第3版）[M].唐茜，译.北京：中国人民大学出版社，2012：65–71.

[23]Sunstein,C.R.Republic.com[D].Princeton,NJ:Princeton University Press,2002.

[23]赵云泽,薛婷予.社交媒体中的“信息偶遇”行为研究——解决信息茧房问题的一种视角[J].编辑之友, 2020(05):38–43.

[25]彭兰.导致信息茧房的多重因素及“破茧”路径[J].新闻界,2020(01):30–38,73.

[26]Tewksbury,D.,Weaver,A.J.,Maddex,B.D.Accidentally informed: Incidental news exposure on the world wide web[J]. Journalism & Mass Communication Quarterly, 2001,78:533–554.

[27]Fletcher,R., & Nielsen, R. K..Are people incidentally exposed to news on social media? A comparative analysis[J]. New Media & Society, 2018,20(7):2450–2468.

[28]Valeriani, A., & Vaccari,C..Accidental exposure to politics on social media as online participation equalizer in Germany, Italy, and the United Kingdom[J]. New Media & Society,2016,18(9):1857–1874.

[29]Hobbs, R..Media Literacy, Media Activism, Telemedium[J].The Journal of Media Literacy, 1996,42(3):2-4.

[30]Meyrowitz J..Multiple media literacies[J]. Journal of Communication, 1998,48(1):96–108.

作者杨洸系深圳大学传播学院副教授、副院长、博士生导师，深圳大学媒体融合与国际传播研究中心研究员

作者佘佳玲系深圳大学传播学院硕士研究生

编辑 刁瑜文  审读 李 诚   审核  詹婉容