戚金城
2018年初,以“未成年媽媽成網(wǎng)紅”“未婚先孕”“侮辱英烈”等為代表的嚴(yán)重侵蝕價(jià)值觀的社會(huì)話題,借助算法推薦在網(wǎng)絡(luò)世界大肆傳播。同年4月,國家廣播電視總局針對(duì)社會(huì)輿論強(qiáng)烈關(guān)注的今日頭條、快手,約談了兩家網(wǎng)站的主要負(fù)責(zé)人。雖然相關(guān)平臺(tái)已第一時(shí)間清理并道歉,但圍繞以今日頭條為首的內(nèi)容管理、算法推薦等方面的爭議并未停止。
自20世紀(jì)90年代以來,互聯(lián)網(wǎng)的逐步發(fā)展,締造了一個(gè)強(qiáng)大的信息帝國。海量的信息在極大地滿足網(wǎng)民搜索需要的同時(shí),也加劇了傳播者之間的競(jìng)爭,即自己的信息能否在龐大的信息庫中脫穎而出,成功進(jìn)入受眾的眼睛。于是,互聯(lián)網(wǎng)從比特形式走向了更為高級(jí)的人工智能階段,而這種技術(shù)的本質(zhì)就是算法。人工智能讓新聞生產(chǎn)更加便捷、高效的同時(shí),卻因其個(gè)性化推薦在海量的信息庫中導(dǎo)致了新的信息匱乏。
算法新聞的理念發(fā)端于美國,率先在發(fā)達(dá)國家得到應(yīng)用。算法,可以解釋為用于解決某一特定問題或達(dá)成特定目標(biāo)所采取的一系列步驟,通過算法進(jìn)行決策依賴于排序、分類、關(guān)聯(lián)、過濾四個(gè)步驟。[1]因此,本文根據(jù)2010年Facebook f8大會(huì)提到的和2018年今日頭條前資深產(chǎn)品經(jīng)理閆澤華在《內(nèi)容算法:把內(nèi)容變成價(jià)值的效率系統(tǒng)》一書中提到的Facebook“邊際排名算法”(Edge Rank Algorithm)核心計(jì)算公式,闡釋算法如何將受眾重新帶回信息匱乏的時(shí)代。
20世紀(jì)30-60年代,是算法新聞的理論孕育期:科學(xué)家在機(jī)器學(xué)習(xí)、腦科學(xué)等領(lǐng)域的探究,為算法新聞準(zhǔn)備了理論基礎(chǔ)。此階段的代表性理論研究有英國數(shù)學(xué)家阿蘭·麥席森·圖靈(Alan Mathison Turing)提出的輔助數(shù)學(xué)研究的機(jī)器(1937)和判定機(jī)器是否具有智能的“圖靈測(cè)試”(1950)、美國學(xué)者麥卡洛克(W.S.McCulloch)和皮茨(W.Pitts)提出的神經(jīng)元交互理論(1943)、美國心理學(xué)家羅森布拉特(Rosenblatt)提出第一個(gè)具有完整算法描述的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法(1958)。[2]但是,此階段的研究并沒有投入技術(shù)研發(fā),只停留在理論層面。
20世紀(jì)70至90年代,是算法新聞的技術(shù)探索期。1976年在耶魯大學(xué)誕生的全球首套故事寫作機(jī)器算法是具有代表性的算法,開啟了機(jī)器模擬人類寫作的先河。21世紀(jì)以來,算法新聞的應(yīng)用越來越成熟,路透社于2006年使用算法為其網(wǎng)站編輯財(cái)經(jīng)新聞,F(xiàn)acebook也在同年推出動(dòng)態(tài)消息。2006年被認(rèn)為是算法新聞應(yīng)用推廣元年;[3]2009年Facebook推出新的首頁、動(dòng)態(tài)消息不再依時(shí)間排序,而是通過相關(guān)程序篩選好友與專頁的大量貼文、照片、故事等動(dòng)態(tài),目的在于向使用者展示有趣且愿意互動(dòng)的內(nèi)容。
Facebook最初的排序公式,被稱為“邊際排名算法”。該算法的核心公式為:E=u×w×d。[4]u:指用戶與內(nèi)容發(fā)布者之間的親密分?jǐn)?shù),互動(dòng)越高的親密度分?jǐn)?shù)越高;w:不同反饋動(dòng)作有不同的權(quán)重,反饋動(dòng)作包括展示、評(píng)論、點(diǎn)贊等,比如,評(píng)論動(dòng)作的權(quán)重就會(huì)顯著高于點(diǎn)贊動(dòng)作;d:基于時(shí)間的衰減,越新的內(nèi)容權(quán)重越高。如今,社交軟件如新浪微博、推薦引擎產(chǎn)品如今日頭條,都能看到Facebook算法公式的影子。
Facebook算法公式的第一個(gè)變量為“u”,即與用戶互動(dòng)程度越高的內(nèi)容越能呈現(xiàn)在該平臺(tái)上。親密度和用戶動(dòng)作的引入極大地抑制了大號(hào)和營銷號(hào)刷屏的情況,沒有互動(dòng)的粉絲就只是停留在頁面上的一個(gè)數(shù)字而已,這使得企業(yè)賬號(hào)在獲取粉絲之后,必須同時(shí)下力氣維護(hù)自己的粉絲群體。Facebook從個(gè)人專頁逐漸擴(kuò)散至Facebook粉絲專頁,集結(jié)了虛擬社區(qū),達(dá)到了社群營銷的效果。但是,社群集合是為了共同的目標(biāo),而這個(gè)共同的目標(biāo)則可能是對(duì)社會(huì)不利的。
以2016年的英國脫歐和美國大選為例,有人稱之為“謊言的勝利”[5]?!昂笳嫦唷保╬osttruth)經(jīng)過這兩個(gè)政治事件后被《牛津詞典》評(píng)選為年度新詞。主張脫歐的英國政客約翰遜(Boris Johnson)和特朗普被指責(zé)利用民眾的偏激情緒,不斷發(fā)表煽動(dòng)性言論,曲解事實(shí),制造謠言而贏得大量支持者。受眾盲目擁護(hù)某個(gè)政見或政客,民眾對(duì)政治事務(wù)的認(rèn)識(shí)僅憑自我感受。按照粉絲互動(dòng)的算法公式,煽動(dòng)性言論只會(huì)甚囂塵上。
1949年,美國信息學(xué)者C.香農(nóng)和W.韋弗在《傳播的數(shù)學(xué)理論》一文中提出過一個(gè)傳播過程模式,被稱為傳播過程的數(shù)學(xué)模式或香農(nóng)-韋弗模式。如圖所示,由信源發(fā)出訊息,再由發(fā)射器將訊息轉(zhuǎn)化為可以傳送的信號(hào),經(jīng)過傳輸,由接收器把接收到的信號(hào)還原為訊息,將之傳遞給信宿。雖然該模式存在缺陷,但他們提出了一個(gè)重要的概念——噪音。
噪音并不是狹義的概念,而是指對(duì)訊息傳送過程的干擾,使得信息產(chǎn)生某種衰減或失真。人工智能時(shí)代的算法,正是有一種“噪音算法”的干擾,造成信息傳播的失真。這種失真阻礙了普通網(wǎng)民的表達(dá)權(quán),新聞、言論就無法真正實(shí)現(xiàn)自由,呈現(xiàn)出的內(nèi)容也會(huì)不全面。
Facebook算法公式的第二個(gè)影響因素“w”,即反饋動(dòng)作影響內(nèi)容的排名:評(píng)論動(dòng)作的權(quán)重高于點(diǎn)贊動(dòng)作。我國周懿瑾等學(xué)者針對(duì)微信朋友圈使用行為的研究也表明:評(píng)論作為組合式的信息,能夠承載個(gè)性化的內(nèi)容,發(fā)送者能得到接受者進(jìn)一步的互動(dòng)及互惠行為,相較于點(diǎn)贊,更能為用戶帶來社會(huì)資本。[6]評(píng)論動(dòng)作對(duì)于Facebook核心算法的重要作用便是增加內(nèi)容的“能見度”(即新聞內(nèi)容的呈現(xiàn)或遮蔽),讓新聞業(yè)面臨凝聚讀者注意力的挑戰(zhàn)——媒體不得不讓渡過去在“能見度”上的影響力,向算法權(quán)力靠攏。[7]
Facebook 2009年推出的新的首頁,透過預(yù)設(shè)篩選好友與專頁的大量貼文、照片、故事等動(dòng)態(tài),目的在于向使用者展示有趣且愿意互動(dòng)的內(nèi)容。每當(dāng)使用者登錄時(shí),算法便掃描并搜集使用者過去一周的每位朋友、追蹤過的每個(gè)人、所屬社團(tuán)中發(fā)布的貼文,還有點(diǎn)贊過的每個(gè)專頁。之后,動(dòng)態(tài)消息便依照貼文的價(jià)值程度進(jìn)行排序。因此,基于Facebook的算法,各大媒體的Facebook賬號(hào)為了吸引受眾評(píng)論和點(diǎn)贊,從而增加被受眾注意的概率,就必然會(huì)投其所好,發(fā)布的內(nèi)容向受眾靠攏。這樣的“窄播”無可厚非,但長此以往,難免會(huì)使受眾局限于狹窄的“視界”中,造成互聯(lián)網(wǎng)時(shí)代的信息匱乏。
Facebook核心算法公式的第三個(gè)因素是“d”——越新的內(nèi)容呈現(xiàn)頻率越高。從傳統(tǒng)的報(bào)刊時(shí)代到如今的互聯(lián)網(wǎng)時(shí)代,內(nèi)容的生產(chǎn)和傳播速度有了巨大的提高,人人擁有“麥克風(fēng)”也讓互聯(lián)網(wǎng)上的信息越來越泛濫。但Facebook算法公式中的“d”(時(shí)間因素)讓不斷新產(chǎn)生的內(nèi)容覆蓋在老舊的內(nèi)容之上,就可能會(huì)導(dǎo)致舊有的優(yōu)質(zhì)內(nèi)容被湮沒,以至于減少了被受眾注意的概率。以特朗普的Facebook賬號(hào)為例,其頻繁更新的貼文覆蓋了之前發(fā)布的動(dòng)態(tài),引導(dǎo)Facebook使用者追尋一個(gè)又一個(gè)新的熱點(diǎn),利用網(wǎng)民的“易忘性”來“冷卻”曾經(jīng)的對(duì)自身具有負(fù)面影響的熱點(diǎn)。
此外,從新聞學(xué)原理來看,衡量新聞價(jià)值的一個(gè)重要標(biāo)準(zhǔn)便是新鮮性,但一味追求速度而忽視新聞的真實(shí)性,就會(huì)導(dǎo)致越來越多未經(jīng)求證或蓄意制造的假新聞、反轉(zhuǎn)新聞出現(xiàn)。新聞的生產(chǎn)需要專業(yè)記者在采訪后編寫而成,但假新聞、謠言的產(chǎn)生速度卻快得多,并且是普通網(wǎng)民便能制造的。在月活躍用戶達(dá)10億的Facebook,造謠者利用謠言的煽動(dòng)作用,裹挾著網(wǎng)民的強(qiáng)大互動(dòng),便能“滾雪球式”地吸引更多網(wǎng)民的關(guān)注。
Facebook在陷入“半人工”政治偏見風(fēng)波后也更新了最新的算法,即在最初的三個(gè)Edge Rank之外增加新的特征和排序方法,如Story Bumping(對(duì)信息進(jìn)行二次判斷,如果判斷為重要,則會(huì)跳過時(shí)間順序進(jìn)行展示)。但這種算法公式終究還是在機(jī)器的“機(jī)械”操作之下進(jìn)行的。關(guān)于對(duì)算法(人工智能)的治理,已有諸多研究者從新聞傳播倫理、加強(qiáng)人為把關(guān)等方面進(jìn)行過論述,筆者擬從新聞公評(píng)人制度對(duì)算法新聞的治理提出些許建議。
公評(píng)人(Ombudsman)一詞最初源于古斯堪的納維亞語,本來專指調(diào)查公務(wù)人員舞弊情況的政府官員。公評(píng)人制度早先主要運(yùn)用在歐美國家,新聞公評(píng)人則在日本較早嘗試:1922年《朝日新聞》任命一個(gè)委員會(huì),接受和調(diào)查讀者對(duì)于報(bào)紙錯(cuò)誤的投訴。[8]新聞公評(píng)人的角色定位相當(dāng)于受眾在媒體中的代表,旨在接受和調(diào)查公眾關(guān)于新聞報(bào)道準(zhǔn)確、公平、平衡以及品位方面的投訴,并向有關(guān)部門或人員提供改進(jìn)建議。這種制度有利于媒體自我監(jiān)督,加強(qiáng)與受眾的聯(lián)系及與之增進(jìn)信任,減少政府干預(yù)。
學(xué)者喻國明等人認(rèn)為,算法的本質(zhì)是一種社會(huì)權(quán)力:信息的傳播與控制方式在新媒體時(shí)代受到來自技術(shù)賦權(quán)的挑戰(zhàn)。[9]即算法背后的掌控者在操控內(nèi)容的分發(fā),一旦技術(shù)被這種權(quán)力操控,就必然為技術(shù)背后權(quán)力主體的利益服務(wù),信息的封鎖、過濾與審查就將通過技術(shù)手段來實(shí)現(xiàn)。
所以,以Facebook為首的內(nèi)容分發(fā)平臺(tái)要想不被受眾質(zhì)疑對(duì)內(nèi)容的操控,就有必要在人為把關(guān)措施之外實(shí)行新聞公評(píng)人制度:以受眾為主體增加對(duì)平臺(tái)的監(jiān)督,減少權(quán)力的干預(yù),讓新聞、言論在社交媒體時(shí)代變得更加自由,這也有利于受眾破除“信息繭房”。
注釋:
[1]方師師.算法機(jī)制背后的新聞價(jià)值觀:圍繞“Facebook偏見門”事件的研究[J].新聞?dòng)浾撸?016(9).
[2]吳鋒.發(fā)達(dá)國家“算法新聞”的理論緣起、最新進(jìn)展及行業(yè)影響[J].編輯之友,2018(5).
[3]Tomasula, S. Introduction to focus: machine writing[J]. American Book Review, 2014, 35(2): 3-7.
[4]閆澤華.內(nèi)容算法:把內(nèi)容變成價(jià)值的效率系統(tǒng)[M].北京:中信出版集團(tuán),2018.
[5]劉建明.“后真相”論的執(zhí)迷與幻覺[J].新聞愛好者,2017(12).
[6]周懿瑾,魏佳純.“點(diǎn)贊”還是“評(píng)論”?社交媒體使用行為對(duì)個(gè)人社會(huì)資本的影響[J].新聞大學(xué),2016(1).
[7]蕭維杰.能見度的支配與拼搏:Facebook動(dòng)態(tài)消息演算法權(quán)力下的臺(tái)灣新聞媒體[D].臺(tái)北:臺(tái)灣師范大學(xué),2017.
[8]劉學(xué)義.大眾媒體的自我檢視:美、加等國新聞公平人制度探微[J].西南民族大學(xué)學(xué)報(bào)(人文社科版),2010(3).
[9]喻國明,楊瑩瑩,閆巧妹.算法即權(quán)力:算法范式在新聞傳播中的權(quán)力革命[J].編輯之友,2018(5).