“黑箱”中的青年：大學生群體的算法意識、算法態(tài)度與算法操縱

□ 趙龍軒 林 聰

一、研究緣起

隨著大數(shù)據(jù)技術(shù)以及智能手機的發(fā)展與推廣，算法逐漸融入我們的日常生活中，例如知識搜索、路線導航、資訊瀏覽等行為，越來越多地被人們委托于算法，通過算法的中介而實現(xiàn)［1］。由于大學生群體是最常使用新媒體平臺的用戶群體之一，充當諸多平臺功能代理的算法機制，對大學生群體產(chǎn)生著深刻影響。栗蕊蕊指出，算法推薦正在不斷地形塑著大學生群體的價值觀，大學生群體在隱形數(shù)字控制之下逐漸喪失主體性，被動接收算法所灌輸?shù)膬?nèi)容與價值導向，成為資本發(fā)展與壯大的營養(yǎng)［2］。類似地，張楊和高德毅提出推薦算法是改變大學生群體價值觀的“軟性權(quán)力”，給高校的思政教育帶來了如信息繭房、過度娛樂化、假新聞泛濫等挑戰(zhàn)［3］。李偉也發(fā)現(xiàn)，平臺通過算法推薦機制，精準投放廣告，為大學生群體制造欲望，刺激他們的消費主義，扭曲了大學生群體的消費觀［4］。

針對平臺算法給大學生群體帶來的負面影響，研究者提出了一系列應對措施。楊元與楊昌斌指出，針對大學生群體的個性化推薦系統(tǒng)需要得到優(yōu)化，以防止價值觀塑造關(guān)鍵期的青年群體被資本與平臺所控制［5］。郎捷與王軍則從信息繭房角度出發(fā)，提出學校教育應當關(guān)注破解學生信息窄化、媒介素養(yǎng)過低等問題，平臺也應當主動傳播正能量內(nèi)容，幫助青年用戶樹立正確價值觀［6］。

然而，正如Christin所指出的，已有研究大多從宏觀的理論視角出發(fā)，探討與算法相關(guān)的“空想實踐”（aspirational practices），缺乏微觀的經(jīng)驗數(shù)據(jù)以及對算法相關(guān)“實際實踐”（actual practices）的關(guān)注［7］。大學生用戶自身的主觀能動性，似乎在已有研究中被忽略了，他們究竟是如何認識正在實踐著的切實影響他們的算法、如何面對算法影響以及如何與算法互動的問題被懸置了。由此，本研究將基于北京地區(qū)高校在讀大學生群體，調(diào)查他們在新媒體實踐中所生成的算法意識、算法態(tài)度以及算法操縱行為，以期基于用戶視角，呈現(xiàn)大學生群體與平臺算法之間博弈的情景。

二、文獻綜述

1.算法意識與算法態(tài)度：用戶對于平臺算法的感知

作為算法的使用者，用戶在使用算法的過程中，會通過自身經(jīng)驗以及對算法的了解，形成學者所謂的“民間理論”（folk theory）［8］。這些民間理論或許并不正確，但卻對指導用戶在算法中介下的互聯(lián)網(wǎng)平臺中進行新媒體實踐至關(guān)重要。DeVito等人明確地定義了民間理論，她們認為:“民間理論是一種直觀的、非正式的理論，包括關(guān)于算法如何工作的因果模型，以及關(guān)于算法運行后可能產(chǎn)生的后果的觀點和態(tài)度”［9］。類似地，Bucher提出了“算法想象”的概念，她認為算法想象不僅僅是用戶對于算法的感知，還應該被理解成“一種具有生產(chǎn)力的強有力的識別”［10］?；谒惴耖g理論以及算法想象的理論基礎(chǔ)，研究者開始調(diào)查用戶對于平臺算法的意識與態(tài)度。

根據(jù)Gran等人在挪威進行的針對用戶算法意識和算法態(tài)度的調(diào)查，算法意識（algorithmic awareness）程度被定義為人們對于算法機制存在于各個互聯(lián)網(wǎng)平臺中的基本了解程度，而之所以調(diào)查用戶的算法意識與算法知識，是因為“算法不僅遠非中立設備，而且往往會以晦澀的方式使得結(jié)構(gòu)性的不平等與歷史偏見永久化”［11］。

Eslami等人發(fā)現(xiàn)，雖然被調(diào)查者日常活躍在臉書（Facebook）平臺中，但是超過一半的人們不了解臉書信息流中策劃算法（curation algorithm）的存在，而在研究者進行提示之后，他們對算法操控信息源的事實表達了強烈的負面態(tài)度。她們也指出，由于用戶對算法存在缺乏意識，使得用戶在使用媒體平臺時可能產(chǎn)生一系列嚴重的現(xiàn)實后果，例如，由于算法操控信息流而造成親友間互動機會的減少，使得用戶誤判各類社會關(guān)系，導致了關(guān)系的疏遠甚至破裂［12］。隨后，Eslami等人進一步的研究調(diào)查了知曉臉書信息流中策劃算法存在的用戶，識別出了如個人密友理論（the personal engagement theory）、格式理論（the format theory）、新鮮血液理論（the fresh blood theory）等十種民間理論，展示了臉書用戶是如何感知首頁推薦信息流的生成模型的［13］。推特（Twitter）也引起了許多研究者的關(guān)注。DeVito等人通過對帶有#RIPTwitter標簽的推文進行內(nèi)容分析，揭示了擁有不同民間理論的用戶對于推特算法策劃的反應與態(tài)度，指出當設計者和用戶意圖不匹配時，用戶民間理論的豐富和準確程度，是他們表達對平臺算法變化的反抗態(tài)度的知識來源［14］。

生成算法意識是用戶感知算法的第一步，在此基礎(chǔ)上，用戶則可能會進一步探索算法系統(tǒng)，通過已有算法知識基礎(chǔ)，產(chǎn)生對于算法機制的評價與反思。他們可能會憤怒于算法的黑箱操作而進行反抗，也可能會欣喜于算法的高效便捷而參與其中。Gran等人將用戶對于算法驅(qū)動函數(shù)的積極或消極的情緒作為用戶的算法態(tài)度來測量，分別詢問了被調(diào)查者對于算法驅(qū)動的娛樂內(nèi)容、資訊內(nèi)容和廣告內(nèi)容的態(tài)度；根據(jù)調(diào)查結(jié)果，他們指出不同年齡、地區(qū)、性別，以及不同學歷的人們對于平臺算法具有不同的算法意識與算法態(tài)度，具有不同算法意識的用戶也會持有不同的算法態(tài)度［15］。黃忻淵的研究與Gran等人類似，呈現(xiàn)出了中國情境下，城鄉(xiāng)差異、教育背景差異、媒體素養(yǎng)差異以及媒體使用時長等都在影響著被調(diào)查者的算法感知［16］。本研究借鑒于此，將以積極與消極來評測的用戶算法態(tài)度稱為“情感型態(tài)度”，并將青年群體樣本的性別、學歷、專業(yè)三個人口統(tǒng)計學變量納入測量，首先提出了以下研究問題與研究假設:

問題1:不同性別、學歷、專業(yè)的在讀大學生在算法意識和算法態(tài)度上是否存在差異？

假設1:具有不同算法意識程度的在讀大學生會持有不同的算法情感型態(tài)度。

除了“情感型態(tài)度”，本研究認為，用戶的算法態(tài)度還應包含他們對于算法機制中內(nèi)嵌價值的感知與評判。Lee的研究發(fā)現(xiàn)，被調(diào)查者會對算法中介下所作出的決策，例如招聘過程中的算法篩選，或者工作考核中的算法評估，產(chǎn)生信任與否、公平與否或者偏見與否的感知，以及憤怒、無奈等情緒反應［17］。由此，本研究提出用戶的算法“價值型態(tài)度”，這一概念旨在關(guān)注用戶對于算法可靠性的判斷，對于算法客觀性和價值無偏的評估，以及對于算法角色及功能性的感知。本研究提出以下研究問題:

問題2:在讀大學生的算法意識程度與他們對于算法的價值型態(tài)度之間存在怎樣的關(guān)系？

2.算法操縱：用戶對于算法控制的反擊

需要指出的是，雖然用戶在算法的運作系統(tǒng)中屬于運算終端的數(shù)據(jù)接收者，但是這并不代表用戶只能全盤接收算法所輸出的結(jié)果。已有研究在調(diào)查用戶對于平臺算法感知的基礎(chǔ)上，已經(jīng)證實了用戶會發(fā)揮主觀能動性，應用自身發(fā)展的民間理論而采取某些具體手段，嘗試操縱算法而進行反擊，從而在與算法的博弈中獲取更多的主動權(quán)。

陳龍與孫萍的研究便展示了外賣員在數(shù)字控制情境之下與平臺算法之間的博弈，他們發(fā)現(xiàn)基于日常對平臺算法的了解，外賣員會通過“報備”等方式誤導算法以獲取更多送餐時間，也會尋找系統(tǒng)的漏洞以進行“逆算法”的實踐，維護自身的權(quán)益［18］［19］。而對于平臺的大眾用戶，西方學者也進行了多元的調(diào)查。Eslami等人設計了一個跨平臺的審計技術(shù)，通過對三個酒店評級系統(tǒng)中803家酒店的用戶評論進行分析，指出了繽客（Booking.com）通過算法系統(tǒng)提高酒店評分使酒店受益的算法偏見；她們同時也發(fā)現(xiàn)，用戶能夠感知到這一偏見并開始尋找操縱算法系統(tǒng)的手段，包括直接討論評級系統(tǒng)本身而非入住酒店以提升其他用戶對于算法偏見的認識，或者輸入更低分數(shù)以影響算法輸出結(jié)果等［20］。Bishop也發(fā)現(xiàn)，在YouTube網(wǎng)站中，博主會通過閑聊（gossip）的方式互換自身對于算法系統(tǒng)的理解與認知，并分享自己嘗試操控算法的手段及結(jié)果，以此來提升用戶群體整體對于算法黑箱的感知與認識［21］。Christin將這樣的行為稱為“公開批評”，加之故意拖延（foot-dragging）以及玩弄（gaming）兩個手段，她揭示了網(wǎng)絡記者和法律專業(yè)人士以此操縱算法并減少算法在其日常工作中的影響［22］。

除了算法意識程度，算法態(tài)度也已經(jīng)被研究者證實了會導致用戶的算法操縱。在抖音（TikTok）平臺中，Simpson與Semaan發(fā)現(xiàn)邊緣群體對平臺算法持有一種矛盾態(tài)度，既感激于平臺算法給予了他們社群聯(lián)結(jié)，讓他們能找到彼此，又苦惱于平臺算法的偏見所帶來的算法排斥，導致他們既會不斷利用算法推薦系統(tǒng)中的“喜歡”按鈕，也會不斷發(fā)布同樣內(nèi)容以戲弄算法審查［23］。同樣，基于對抖音的調(diào)查，Karizat等人發(fā)現(xiàn)用戶已經(jīng)意識到了平臺算法中所存在的偏見，正在給予部分用戶以算法特權(quán)，而同時壓抑邊緣群體的身份表達，抹滅了邊緣用戶的敘事，由此引發(fā)了邊緣用戶對于平臺算法的抗爭，包括借用他人賬戶、規(guī)避關(guān)鍵詞等行為，以抵抗平臺算法對他們的清理［24］。而在臉書平臺中，研究者發(fā)現(xiàn)部分用戶由于厭惡平臺算法所嵌入的默認公開性（default publicness），不信任平臺算法能夠保障他們的身份安全，而不斷尋找改變該算法機制的途徑，甚至直接離開臉書［25］。

由此，本研究將用戶試圖改變算法運作結(jié)果的“算法操縱”納入測量，并通過用戶與算法系統(tǒng)之間的互動關(guān)系將其分為兩個維度:一類稱之為“合作型操縱”，強調(diào)用戶主動利用算法推薦、算法決策、算法評級等算法自身的機制，通過有意改變自己在算法機制中輸入的值，而實現(xiàn)對算法的操縱，達到自己滿意的輸出效果；另一類稱之為“反抗型操縱”，強調(diào)用戶拒絕與算法機制合作，而與算法機制進行直接的抗爭，包括故意擾亂算法系統(tǒng)以及嘗試關(guān)閉算法中介機制等。由此，結(jié)合上文所提出的算法意識、算法態(tài)度及有針對性的人口統(tǒng)計學變量，本研究提出以下研究問題:

問題3:在讀大學生的算法意識程度與他們的算法操縱行為之間存在怎樣的關(guān)系？

問題4:在讀大學生積極或者消極的算法情感型態(tài)度是否會影響他們對于算法的合作型操縱以及反抗型操縱？

問題5:在讀大學生的算法價值型態(tài)度是否會影響他們對于算法的合作型操縱以及反抗型操縱？

問題6:不同性別、學歷、專業(yè)的在讀大學生是否具有不同的算法操縱行為？

三、研究方法

1.變量測量與問卷設計

本研究從青年群體用戶的視角出發(fā)，探索他們在日常生活中的算法意識、算法態(tài)度及算法操縱行為。問卷設計分為四個部分，分別對應以上三個維度以及人口統(tǒng)計學變量。

（1）算法意識

本研究借鑒了Gran等人所使用的問題以及量表［26］，在算法意識部分，通過詢問被調(diào)查者“在多大程度上能夠意識到算法正在被互聯(lián)網(wǎng)平臺用于推薦娛樂、資訊和廣告內(nèi)容”來測量，選項基于李克特量表中的五等選項設置（1=幾乎無意識，5=非常有意識）。同時，本研究設置了一個選填的填空題，請求被調(diào)查者簡述自己對算法機制存在于各個互聯(lián)網(wǎng)平臺的意識程度，以探索青年群體是如何意識到平臺算法存在的。

（2）算法態(tài)度

本研究將用戶感知的算法態(tài)度分為“情感型態(tài)度”與“價值型態(tài)度”。在“情感型態(tài)度”上，借鑒Gran等人的量表，使用被調(diào)查者對于算法驅(qū)動所輸出的娛樂內(nèi)容、資訊內(nèi)容以及廣告內(nèi)容的情感態(tài)度來測度［27］；將以上三種類別分別設置為3個問題，以五級態(tài)度與“不知道”（賦值為0）選項來測度；經(jīng)檢驗該量表整體克朗巴哈系數(shù)為0.713，符合信度要求。同樣在此設置選填填空題，詢問被調(diào)查者對算法驅(qū)動內(nèi)容持此態(tài)度的原因，以期解讀影響青年群體算法情感型態(tài)度的因素。

“價值型態(tài)度”的測量借鑒了Lee研究中所使用的“公平性”以及“信任度”的理論維度［28］，設置5個題項，包括“我信任算法運作所輸出的結(jié)果”“我認為算法運作的結(jié)果是價值中立且客觀的”“我會抗拒算法運作所輸出的結(jié)果”“我認為算法運作對我的生活是有用的”“我認為算法運作的結(jié)果給我?guī)砹素撁嬗绊憽?，?jīng)檢驗該量表的克朗巴哈系數(shù)為0.734。

（3）算法操縱

通過詢問被調(diào)查者進行各類行為的頻率，本研究測量了青年用戶的算法操縱行為。

基于Simpson與Semaan以及Karizat等人的研究［29］［30］，并結(jié)合中國的互聯(lián)網(wǎng)語境，本研究在測度用戶的“合作型操縱”時，設置了被調(diào)查者主動利用算法獲取個人期望信息的相關(guān)陳述，包括“新注冊平臺時主動勾選算法所推薦的興趣類別”“故意實施點贊、關(guān)注等行為以增加類似推薦”，以及“主動勾選‘不感興趣’等按鈕以減少推薦”，3個題項的克朗巴哈系數(shù)為0.762；而“反抗型操縱”的測量則基于設置被調(diào)查者反抗算法機制行為的相關(guān)陳述，包括“主動探索屏蔽推薦算法”和“有故意擾亂算法系統(tǒng)的事實行為”，2個題項的克朗巴哈系數(shù)為0.702。

（4）人口統(tǒng)計學變量

由于研究對象為在讀大學生，借鑒已有研究［31］［32］，本研究依據(jù)其特點提出需專門檢驗的人口統(tǒng)計學變量，包括:“性別”（男=1，女=2），“學歷”（專科=1，本科=2，碩士=3，博士=4），以及“所學專業(yè)”（共計12個學科門類選項，1個其他選項）。

2.數(shù)據(jù)收集與分析方法

受到新冠肺炎疫情的影響，本研究采取在線網(wǎng)絡調(diào)查問卷收集數(shù)據(jù)。作為一項探索性研究，本研究主要通過滾雪球抽樣技術(shù)招募被調(diào)查者。具體來說，本研究使用問卷網(wǎng)平臺設計在線問卷，通過社交媒體（如微博、微信等）尋找被調(diào)查者，并請求他們分享給通訊錄好友中符合條件的潛在被調(diào)查者以擴大樣本量。另外，問卷中設置了兩道反向問題以輔助剔除無效應答樣本。

本研究共發(fā)放問卷615份，回收問卷577份，問卷回收率為93.8%。經(jīng)過清洗掉部分答題時長過短、選項重復率過高以及異常樣本問卷后，最終獲得有效問卷515份。其中，女性樣本63.6%，男性樣本35.7%；學歷層次分別為?？?.8%，本科57.7%，碩士29.5%，博士6%；專業(yè)主要集中在文學類（18.8%），法學類（16.8%），經(jīng)濟學類（15.1%）以及工學類（11.2%）。

在數(shù)據(jù)分析方法上，本研究主要使用方差分析（ANOVA analysis）、相關(guān)性分析（analysis of correlation）以及分層回歸（hierarchical multiple regression）進行相關(guān)假設的檢驗和研究問題的探索。

對于收集的文本數(shù)據(jù)，本研究期望了解青年群體算法意識所聚焦的主題面向，使用計算機輔助主題建模的方法進行聚類分析。本研究使用CorEx半監(jiān)督主題模型，該模型允許添加預先設定的錨定詞匯（anchor words），通過關(guān)聯(lián)解釋（correlation explanation）尋找到高貢獻度主題詞匯，較好地解決了文本稀疏和發(fā)散的問題［33］。針對青年群體算法態(tài)度的原因文本，本研究主要采用詞頻分析，通過辨析高頻詞匯以探索影響用戶算法態(tài)度的緣由。

四、研究發(fā)現(xiàn)

在數(shù)據(jù)分析前，首先檢驗本研究多變量可能導致的共同方法偏差（common method bias），使用哈曼單因子檢驗（Harman’s single factor test）對被調(diào)查者的算法意識、算法情感型態(tài)度與價值型態(tài)度，以及算法合作型操縱與反抗型操縱多變量進行驗證，結(jié)果顯示主成分單因素方差為25.73%，未超過50%，證明共同方法偏差并未影響樣本數(shù)據(jù)。

1.變量的描述性統(tǒng)計

將變量所呈現(xiàn)的均值與中位數(shù)值進行t檢驗，本研究發(fā)現(xiàn)被調(diào)查者所報告的對算法機制存在于互聯(lián)網(wǎng)平臺的意識程度較高（t=32.262，p<0.01）；在剔除“不知道”所代表的0值選項樣本后，用戶的算法情感型態(tài)度整體中立偏消極（t=-12.334，p<0.01）；在剔除“不知道”所代表的0值選項樣本后，用戶的算法價值型態(tài)度值整體中立，與中立值差異不顯著（t=0.657，p>0.05）；在被調(diào)查者的算法操縱行為上，針對算法的合作型操縱頻次略高于中間值（t=3.3，p<0.01），而反抗型操縱頻次較少，整體差異度也較大（t=-8.192，p<0.01）。

表1 變量的t檢驗結(jié)果

2.對性別、學歷、專業(yè)變量的差異檢驗

為檢驗人口統(tǒng)計學變量與算法意識、算法態(tài)度和算法操縱行為之間的關(guān)系，使用方差分析分別對性別、學歷和專業(yè)進行差異檢驗（見表2）。

表2 基于性別、學歷與專業(yè)的方差分析

研究發(fā)現(xiàn)不同性別的被調(diào)查者在算法意識程度、算法態(tài)度以及算法行為上不存在顯著差異性。不同學歷的被調(diào)查者在算法意識（F=9.935，p<0.01）上存在顯著差異，他們的算法情感型態(tài)度（F=21.233，p<0.01）也表現(xiàn)出明顯不同。學歷程度越高的在讀大學生算法意識程度越高，針對算法的情感型態(tài)度也越消極。但不同學歷的學生在算法價值型態(tài)度、算法行為上不存在顯著差異。不同專業(yè)的被調(diào)查者在算法意識、算法價值型態(tài)度、算法行為上不存在差別，但在算法的情感型態(tài)度（F=3.023，p<0.05）上存在一定差異，其中教育學類與其他類別專業(yè)學生對算法情感型態(tài)度平均得分高于其他專業(yè)學生。通過內(nèi)部數(shù)據(jù)分析，這部分差異主要受?？茖W生樣本集中于這兩學科類別的影響。因此整體來看不同專業(yè)學科門類的學生在算法態(tài)度上不存在明顯差異。

3.算法意識、算法態(tài)度與算法操縱的關(guān)系分析

關(guān)于被調(diào)查者算法意識、算法態(tài)度以及算法操縱行為之間的變量相關(guān)性結(jié)果見表3。

表3 雙變量相關(guān)分析

分析發(fā)現(xiàn)，被調(diào)查者的算法意識與算法情感型態(tài)度、價值型態(tài)度、算法行為不相關(guān)，由此說明:被調(diào)查者是否對算法存在于互聯(lián)網(wǎng)平臺的意識并不會影響他們關(guān)于算法的情感態(tài)度以及價值看法，也不會對他們的相關(guān)算法行為產(chǎn)生作用。

在被調(diào)查者算法態(tài)度與算法操縱行為的相關(guān)關(guān)系上，情感型態(tài)度與算法合作型操縱正向相關(guān)（p<0.01），與反抗型操縱負向相關(guān)（p<0.05）；價值型態(tài)度與算法合作型操縱正向相關(guān)（p<0.01），與反抗型操縱負向相關(guān)（p<0.01）。

通過使用分層線性回歸分析，本研究將算法合作型操縱以及算法反抗型操縱作為被解釋變量，研究算法情感型態(tài)度和算法價值型態(tài)度作為解釋變量的影響作用。在分層模型中，本研究將人口統(tǒng)計學變量加入模型1，將算法意識變量加入模型2，加入情感型態(tài)度作為模型3，加入價值型態(tài)度作為模型4。

表4呈現(xiàn)了被調(diào)查者合作型操縱與情感型態(tài)度、價值型態(tài)度之間的關(guān)系。從結(jié)果看，模型1“人口統(tǒng)計學變量”的解釋度較低（R2=0.01），算法意識加入模型后沒有解釋度增量，而模型3加入情感型態(tài)度變量后對合作型操縱解釋度的提升在統(tǒng)計意義上顯著（△R2=0.032，β=0.182，p<0.01），說明被調(diào)查者對于算法的情感型態(tài)度顯著正向預測在讀大學生對算法的合作型操縱行為。模型4反映了情感型態(tài)度（β=0.118，p<0.05）與價值型態(tài)度（β=0.147，p<0.01）顯著正向預測在讀大學生對算法的合作型操縱行為（R2=0.06）。

表4 算法合作型操縱分層回歸分析

表5呈現(xiàn)了被調(diào)查者反抗型操縱行為與情感型態(tài)度、價值型態(tài)度之間的關(guān)系。從結(jié)果看，被調(diào)查者的人口統(tǒng)計學變量、算法意識以及針對算法的情感型態(tài)度都沒有顯著解釋力，模型4加入價值型態(tài)度后解釋度的提升顯著（△R2=0.046，β=-0.241，p<0.01），說明被調(diào)查者是否會進行反抗型算法操縱并不受其對算法的情感態(tài)度影響，而主要受其對算法價值認可態(tài)度的影響，價值型態(tài)度越消極的被調(diào)查者越可能實施反抗型的算法操縱行為。

表5 算法反抗型操縱分層回歸分析

4.關(guān)于算法意識程度與算法情感型態(tài)度原因的文本數(shù)據(jù)解讀

為了探索在讀大學生群體對算法機制存在的意識程度的具體認知，本研究通過問卷中的開放式問題進行文本型數(shù)據(jù)的收集，使用預先設定錨定詞匯的CorEx半監(jiān)督模型進行主題建模，結(jié)果見表6。

表6 關(guān)于算法意識的認知文本數(shù)據(jù)主題建模

從中可以看出，被調(diào)查的青年用戶能夠意識到算法機制存在于互聯(lián)網(wǎng)平臺中，主要來源于以下方面的感知:媒體平臺的日常使用，算法的專業(yè)知識，算法的運作機制，以及算法機制的影響。

具體地說，首先，被調(diào)查者的算法意識主要來源于其個人的日常經(jīng)驗。娛樂軟件、社交媒體以及購物平臺組成了他們感知到算法機制存在的主要基礎(chǔ)設施，“廣告”“個性化”“精準投放”等運作影響也是他們高頻提及的算法意識來源。其次，被調(diào)查者所使用的詞匯也暗示了他們對于算法的批判理性態(tài)度，他們能夠意識到算法“精準”“投放”的“個性化”內(nèi)容而導致的個人的“信息壁壘”，以及觀點的“一致化”，也能夠意識到算法通過“偷窺”“竊聽”等途徑對個人“隱私”的侵犯，以及算法中介下的新型數(shù)字“監(jiān)控”。最后，被調(diào)查者能夠在感知算法機制存在的基礎(chǔ)上探索算法的運作機制。例如他們能夠指出“監(jiān)控”“偷聽”“瀏覽記錄”等與算法機制運作有關(guān)的步驟，也能夠提及“大數(shù)據(jù)”“信息繭房”“殺熟”等與算法相關(guān)的專業(yè)術(shù)語，但是算法深層邏輯類關(guān)鍵詞，例如“流量池”“深度學習”等僅有較低的出現(xiàn)頻率，他們提及的算法機制運作的相關(guān)描述也較為日常，意味著他們對于算法的整體認知仍然相對表層與有限。

（續(xù)表）

為探究在讀大學生關(guān)于3類算法所驅(qū)動的互聯(lián)網(wǎng)內(nèi)容產(chǎn)生相應情感型態(tài)度的原因，本研究分別對算法驅(qū)動的娛樂內(nèi)容、資訊內(nèi)容和廣告內(nèi)容進行了高頻詞統(tǒng)計（見表7）。在讀大學生對算法驅(qū)動的娛樂內(nèi)容的情感型態(tài)度中立偏積極（M=3.155，SD=0.829，t=4.22，p<0.01），但被調(diào)查者態(tài)度相對多樣，整體認為其“有利有弊”。態(tài)度積極者認為娛樂內(nèi)容滿足了個人需求，根據(jù)個人興趣精準推薦，為購物、娛樂等帶來了生活的便利；態(tài)度消極者認為其存在信息與隱私泄露的風險，軟件和平臺有“窺探”個人生活的嫌疑，同時其投其所好的機制也讓受眾的時間被浪費。

表7 針對三類內(nèi)容情感態(tài)度原因高頻詞分析

針對資訊內(nèi)容，他們的情感型態(tài)度中立偏向消極（M=2.858，SD=0.945，t=-3.384，p<0.01）。在原因闡述中，除關(guān)注到隱私泄露問題外，多數(shù)在讀大學生認為算法驅(qū)動的資訊或新聞帶來了信息繭房，高度同質(zhì)化的內(nèi)容會局限個人的視野，會影響看待事物的客觀性和情緒。

針對廣告內(nèi)容，他們的情感型態(tài)度整體偏負面（M=2.151，SD=0.966，t=-19.708，p<0.01），主要受被調(diào)查者對廣告本身的厭惡影響，大多數(shù)人提到“厭煩”廣告本身，精準推薦誘導購物會讓人感覺受到監(jiān)視。

（續(xù)表）

五、結(jié)論與討論

自2022年3月1日起，由國家互聯(lián)網(wǎng)信息辦公室，中華人民共和國工業(yè)和信息化部，中華人民共和國公安部，以及國家市場監(jiān)督管理總局聯(lián)合發(fā)布的《互聯(lián)網(wǎng)信息服務算法推薦管理規(guī)定》開始正式施行［34］。根據(jù)該項規(guī)定，以算法推薦為代表的算法技術(shù)，將受到官方的規(guī)制與管控，曾經(jīng)晦澀且封閉的算法黑箱，或許也將由此向公眾與社會讓渡一部分權(quán)力。算法權(quán)力已逐漸成為對個體和社會的新型數(shù)字威脅，而探索用戶對于算法的意識、態(tài)度以及互動情況，并由此幫助用戶在與算法的博弈中賦權(quán)，是配合國家政策以實現(xiàn)對推薦等算法技術(shù)進行規(guī)制和管控的另一條有效路徑。通過調(diào)查北京地區(qū)在讀大學生群體的算法意識、算法態(tài)度以及算法操縱行為，從理論視角來看，本研究在已有研究關(guān)于算法意識與算法態(tài)度的關(guān)系調(diào)查中加入了“算法價值型態(tài)度”的新維度，也加入了算法操縱行為的新視角，強調(diào)了用戶的主觀能動性；而同時，在實際層面中，本研究呈現(xiàn)了中國情境下，青年群體與平臺算法互動的經(jīng)驗數(shù)據(jù)。本文的主要結(jié)論如下:

第一，數(shù)字鴻溝在算法中介下的互聯(lián)網(wǎng)情境中，有了新的呈現(xiàn)形式。其中，學歷越高的用戶，越能夠意識到算法在互聯(lián)網(wǎng)平臺中的存在，越對算法所驅(qū)動的內(nèi)容產(chǎn)生消極態(tài)度。這一結(jié)論發(fā)展了黃忻淵的研究結(jié)論，她指出了用戶的教育背景差異對于算法新聞態(tài)度的影響［35］，也呼應了Gran等人的研究，她們發(fā)現(xiàn)在挪威受過三年以及四年大學以上高等教育的被調(diào)查者擁有更高的算法意識，且對算法所驅(qū)動的內(nèi)容持更加消極的態(tài)度［36］。本研究則在中國的語境中本土化了她們的結(jié)論，指出?？茖W生對于算法機制存在于互聯(lián)網(wǎng)平臺的意識程度明顯較低，也更傾向于對算法驅(qū)動所輸出的內(nèi)容持有積極態(tài)度；這可能意味著他們更加難以識別以內(nèi)容推薦為形式的算法控制，從而陷入信息繭房的困境中。隨著學歷的增長，青年群體更加能夠感知到信息繭房等算法中介下負面影響的控制，而對算法所驅(qū)動的內(nèi)容也更能保持一個警醒而批判的態(tài)度。

由此，算法意識程度更高且更能客觀看待算法推薦內(nèi)容的高學歷群體，更能夠?qū)λ惴ū举|(zhì)與程序產(chǎn)生準確的想象，而根據(jù)Bucher以及Christin的研究，這樣的想象不僅是一種感知，更是一種具有生產(chǎn)力的識別，能夠賦予高學歷群體在算法時代中以“象征性資源”［37］［38］，幫助他們在日常生活以及就業(yè)市場中掌握更多的主動權(quán)。郭哲也指出，算法系統(tǒng)的流行所帶來的數(shù)字鴻溝使得貧富差距的擴大有了新的來源［39］。

但是需要注意的是，本研究同樣發(fā)現(xiàn)，雖然高學歷群體具有更高的算法意識與更加消極的算法情感型態(tài)度，但不同學歷的青年用戶在算法價值型態(tài)度與算法操縱行為上不存在顯著差異。這也就意味著，高學歷群體并不一定對算法價值具有高敏感度，他們也不一定會嘗試與算法進行更加積極的博弈。

第二，青年群體用戶能夠理性看待算法神話。學者已經(jīng)指出，算法晦澀的運作流程神秘化了它的本質(zhì)，引起了用戶對于其中介作用下計算機能力的幻想，導致了對算法的盲目崇拜［40］。這些盲目崇拜，源自人們所賦予算法在日常生活中各個方面的代理權(quán)，使得更多的人對技術(shù)產(chǎn)生了有效的誤解，而進一步邀請它們參與更多的日常行為［41］。而本研究發(fā)現(xiàn)，被調(diào)查的青年用戶的算法情感型態(tài)度整體趨于中立偏消極，這意味著他們并未盲目地沉浸在算法所帶來的便利中，仍然能夠較為清醒地認識到算法在互聯(lián)網(wǎng)平臺中作為中介的弊端。從主題建模的結(jié)果以及詞頻分析中也可以得知，他們能夠意識到算法代理下平臺利益追求的優(yōu)先性，以及其所導致的對個人隱私的侵犯、引導觀點的同質(zhì)化與極端化、個人時間的占據(jù)等，同時也在質(zhì)疑算法推薦下內(nèi)容的客觀性與真實性。

第三，算法仍以黑箱的形式，困擾著青年用戶群體。算法已經(jīng)被諸多學者證明嵌有潛在的歧視與偏見［42］［43］，但是本研究發(fā)現(xiàn)，青年群體對于算法價值的感知呈現(xiàn)鈍感，整體對算法的價值型內(nèi)涵持有趨向中立的態(tài)度，并不太能感知到算法中隱藏的帶有偏見的價值導向。同時，本研究還發(fā)現(xiàn)，雖然青年群體傾向于報告較高的算法意識，也就是說，大部分的青年能夠較好地意識到平臺算法的存在，但這并沒有與他們對算法的情感型態(tài)度、價值型態(tài)度以及算法操縱行為產(chǎn)生連帶的相關(guān)效應。

這兩點發(fā)現(xiàn)也印證了Pasquale所提出的算法黑箱的本質(zhì)［44］:正如主題建模中所呈現(xiàn)的，即使青年群體能夠持有較高的算法意識，這種意識也趨于表層，難以幫助他們在算法黑箱般的運作中深入剖析算法的底層邏輯，從而降低了他們對于算法情感型態(tài)度與價值型態(tài)度的評估敏感性，也沒能刺激他們進一步進行操縱算法的實踐。他們并不能對算法中內(nèi)嵌的歧視與偏見產(chǎn)生準確的感知，而對算法價值取向，例如公平性與客觀性等不置可否。

第四，在與算法的互動博弈中，青年用戶仍處于被動。雖然絕大多數(shù)被調(diào)查的青年用戶都能夠意識到平臺算法的存在，但他們的合作型操縱算法行為頻次中等，而反抗型操縱算法的行為更是偏少。也就是說，青年用戶一般不會嘗試影響算法的運作，也不會挑戰(zhàn)算法的輸出，大多數(shù)情況下僅在旁觀算法的自主運作，等待算法的運作結(jié)果。需要注意的是，算法隨著在更多的平臺中成為中介，已逐漸成為具有權(quán)力的行動者，影響著用戶的日常生活［45］。而在與算法的博弈中，青年用戶對操縱算法的鈍感，很有可能給予平臺算法壓制他們的權(quán)力而獲取更大權(quán)力的空間，導致他們在面對算法時，面臨更加嚴重的數(shù)字控制。孫萍的研究便證明了，在與平臺算法的博弈中，外賣員只有積極進行“逆算法”的實踐，尋找算法漏洞而嘗試操縱算法的演化與輸出，才能夠更好地維護自己的權(quán)益，減少算法對自身的數(shù)字控制［46］。

本研究進一步發(fā)現(xiàn)，青年用戶的算法態(tài)度直接影響了他們對算法的操縱行為:被調(diào)查的青年用戶對于算法的情感型態(tài)度與價值型態(tài)度均直接影響了他們對于算法的合作型操縱行為，而他們的算法價值型態(tài)度直接影響了他們對于算法的反抗型操縱行為。具體地說，當他們認可算法驅(qū)動所輸出的內(nèi)容且信任算法的公平與效用時，會更加傾向于順從平臺算法的規(guī)則，參與算法的運作而影響算法輸出的結(jié)果；而就反抗型操縱而言，當他們不認同平臺算法的價值取向，尤其是對其產(chǎn)生不信任的感知時，更加傾向于尋找擾亂或移除算法機制的途徑以反抗平臺算法。這一結(jié)論也在一定程度上發(fā)展了Lee的研究，她通過調(diào)查人們對于算法中介的決策，呈現(xiàn)了用戶信任或不信任算法決策的情境［47］，而本研究則為探明用戶信任或不信任算法系統(tǒng)之后的行為提供了一定的數(shù)據(jù)。

基于以上結(jié)論，本研究認為，在規(guī)制與管控算法的努力中，除了采取自上而下的手段，完善相關(guān)規(guī)章制度，限制算法的權(quán)力外，仍然需要有針對性地加強訓練用戶對于算法的感知，以期待自下而上地協(xié)助進行對于算法的限制與平衡。首先，應當通過開設講座等方式，在學校內(nèi)加強青年群體，尤其是?？茖W生對于算法的了解與認識，幫助他們形成除算法推薦存在感知以外的更深層次的、對于算法內(nèi)涵及偏見的感知與認識。其次，利用主題建模中所呈現(xiàn)的被調(diào)查者多次提及的算法意識的來源途徑，即各類互聯(lián)網(wǎng)平臺，例如微信、微博、淘寶、抖音等，以短視頻等通俗易懂的方式普及算法的基本知識以及如何保護自己的權(quán)益等信息，幫助用戶自身以更科學、更系統(tǒng)的方式生成能夠與算法博弈的民間理論。

最后，本研究仍存在一些局限。一方面，由于整體樣本僅局限于北京地區(qū)高校在讀大學生，且通過網(wǎng)絡滾雪球抽樣以及受限于疫情校園封控而難以結(jié)合線下推廣問卷收集樣本等因素的影響，樣本的代表性和可推廣性受到一定影響；未來的研究可以在有能力的情況下，采取更結(jié)構(gòu)化的抽樣方法聚焦更加多元的群體，平衡家庭背景、城鄉(xiāng)差異、地區(qū)、學習層次、性別等多方面要素。另一方面，用戶對算法的操縱行為可能受到更加多元復雜因素的影響，本研究在分析中納入的用戶的算法意識以及算法態(tài)度等變量在解釋力上仍然存在不足，存在繼續(xù)探索的空間，例如，未來研究可以將用戶算法知識豐富與準確程度作為變量納入測度。再一方面，關(guān)于用戶對于算法價值取向的探索以及操縱算法的嘗試，量化方法或許難以檢驗態(tài)度原因以及展現(xiàn)多元操縱途徑，未來研究可以采用深度訪談等質(zhì)化方法來補充用戶的了解和看法。■