萬(wàn)旋傲

內(nèi)容提要｜算法推薦介入新聞業(yè)，個(gè)性化新聞流替代傳統(tǒng)媒體新聞流，這會(huì)對(duì)公民政治社會(huì)化過程有什么影響，是本文關(guān)注的核心問題。研究發(fā)現(xiàn)，雖然人們的偏好和需求在塑造個(gè)人的政治信息環(huán)境越來(lái)越重要，但是算法推薦并沒有整體提升公民的政治新聞供給數(shù)量和質(zhì)量。相反，新聞消費(fèi)者的偏好正在推動(dòng)媒體犧牲硬新聞，提供更多軟新聞，這一趨勢(shì)并不利于公民的政治學(xué)習(xí)和政治知識(shí)積累。主動(dòng)尋找政治新聞的人與不主動(dòng)尋找政治新聞的人、高教育水平的人與低教育水平的人，在個(gè)性化新聞環(huán)境中的政治知識(shí)差距一再增大。盡管算法推薦也給許多人提供了偶然接觸和學(xué)習(xí)政治的機(jī)會(huì)，但是缺乏深度的認(rèn)知加工也導(dǎo)致偶然學(xué)習(xí)的效果并不理想。同時(shí)，算法推薦進(jìn)一步強(qiáng)化了選擇性曝光效應(yīng)，促使圍繞政治問題、公共事件的輿論態(tài)度出現(xiàn)兩極分化與相互對(duì)立的格局。算法推薦甚至還成為了政治操縱的工具，影響公民的線上和線下政治行為。厘清算法推薦對(duì)公民政治社會(huì)化帶來(lái)的可能性風(fēng)險(xiǎn)，對(duì)于國(guó)家、平臺(tái)、算法機(jī)構(gòu)和公民參與算法治理十分重要。

政治社會(huì)化通常指塑造個(gè)人在政治體系中的角色的過程，①Justin Martin, News Use and Political Socialization among Young Jordanians, The International Communication Gazette, vol.73, 2011, pp. 706-731.或從公民的角度定義為人們習(xí)得政治知識(shí)、規(guī)范、價(jià)值觀、態(tài)度和行為模式的過程。②Anastasia Kononova, Saleem Alhabash and Fritz Cropp, The Role of Media in the Process of Socialization to American Politics among International Student, The International Communication Gazette, vol. 73, 2011, pp. 302-321.政治社會(huì)化有助于政府與其公民之間的互動(dòng)，是政府進(jìn)行有效統(tǒng)治和社會(huì)管理的基礎(chǔ)。家庭、學(xué)校、同伴和大眾媒體被認(rèn)為是政治社會(huì)化的主要來(lái)源，其中，大眾媒體逐漸成為公民的主要政治信息源，其政治社會(huì)化的作用日益凸顯，有時(shí)甚至超過了家庭和學(xué)校。③Steven Chaffee and Stacey Frank Kanihan, Learning about Politics from the Mass Media, Political Communication, vol. 14,1997, pp. 421-430.然而，伴隨著媒介技術(shù)的迭代發(fā)展，人工智能和算法深度介入新聞傳播活動(dòng)的各個(gè)環(huán)節(jié)，智能媒體時(shí)代已全面開啟：《紐約時(shí)報(bào)》、BuzzFeed 和Mashable 等都借用各種算法來(lái)決定哪些新聞內(nèi)容、在什么時(shí)間將通過其社交媒體賬戶對(duì)外分發(fā)；Facebook 上有多達(dá)6000 萬(wàn)機(jī)器人用戶被算法操縱，通過自動(dòng)發(fā)布和傳播政治信息（其中包含大量的假新聞）影響2016 年美國(guó)大選；越來(lái)越多的新聞媒體直接使用機(jī)器作為新聞代理，進(jìn)行新聞編寫、來(lái)源驗(yàn)證、內(nèi)容核查和分發(fā)；我國(guó)的新浪微博、今日頭條、一點(diǎn)資訊、騰訊新聞等重要新聞源，都紛紛創(chuàng)立或轉(zhuǎn)型成為個(gè)性化的算法推薦新聞平臺(tái)，通過用戶的社交關(guān)系、搜索記錄、瀏覽歷史、互聯(lián)網(wǎng)使用軌跡等指標(biāo)來(lái)計(jì)算用戶的新聞偏好，實(shí)現(xiàn)精準(zhǔn)化推薦。在算法推薦時(shí)代，千人千面的個(gè)性化新聞資訊成為現(xiàn)實(shí)，人們的所聞所見所想都受到了算法的全面規(guī)制和影響，其無(wú)形之中產(chǎn)生的一系列政治效應(yīng)和政治后果引人關(guān)注：算法推薦塑造的政治信息環(huán)境是否促進(jìn)人們接觸了更多的政治和時(shí)事新聞，是否增加了人們的政治知識(shí)積累，減小亦或擴(kuò)大了公民的政治知識(shí)差距？是否影響了人們的政治態(tài)度，加劇政治分化和政治分歧？對(duì)人們的在線政治參與行為和離線政治參與行為有什么影響？概括而言，算法推薦在公民政治社會(huì)化過程中扮演什么角色？起了什么作用？這是一個(gè)令人期待同時(shí)又飽含爭(zhēng)議的新興議題，亟需更多實(shí)證研究對(duì)不同政治語(yǔ)境的現(xiàn)象進(jìn)行多維論證。目前，圍繞該議題出現(xiàn)的理論假說、預(yù)測(cè)已反映了一定的問題，值得我們審視和討論。

一、算法推薦的興起

算法推薦被定義為根據(jù)用戶的偏好從超集中選擇一組對(duì)象的系統(tǒng)。①Alejandro Montes-García, Jose María álvarez-Rodríguez,Jose Emilio Labra-Gayo and Marcos Martínez-Merino, Towards AJournalist-based News Recommendation System: The Wesomender Approach, Expert Systems with Applications, vol. 40,2013, pp. 6735-6741.其最早發(fā)源于美國(guó)，1992 年開始，GroupLens 對(duì)美國(guó)論壇Usenet 中的消息進(jìn)行排序，向用戶推薦他們可能感興趣但尚未自行發(fā)現(xiàn)的話題，其后來(lái)成立的Net Perceptions 一度成為領(lǐng)先的算法推薦公司。②Joseph Konstan and John Riedl, Deconstructing Recommender Systems, https://spectrum.ieee.org/computing/software/deconstructing-recommender-systems.此后，幾種可用于不同領(lǐng)域的推薦系統(tǒng)陸續(xù)被開發(fā)出來(lái)，并被證明可有效地進(jìn)行個(gè)性化的信息過濾，學(xué)者馬爾科· 巴 拉巴諾威客（Marko Balabanovi?）和約阿夫· 肖漢姆（Yoav Shoham）將其分類為：基于內(nèi)容的推薦——提取用戶喜歡的項(xiàng)目屬性；協(xié)同過濾推薦——推薦具有相似興趣和品味的用戶的使用項(xiàng)目；混合推薦——混合內(nèi)容推薦和協(xié)同過濾推薦。③Marko Balabanovi? and Yoav Shoham, Content-based,Collaborative Recommendation, Communications of the ACM, vol.40, 1997, pp. 66-72.在物質(zhì)表象上，算法推薦系統(tǒng)是一串代碼，只有在特定的情境中部署時(shí)才有技術(shù)輸出的意義。然而，算法推薦作為一種以自動(dòng)化決策為導(dǎo)向的技術(shù)，它在馴服海量信息浪潮的同時(shí)，也取代了新聞守門人、議程設(shè)置者、信息中介的角色，決定著社會(huì)的信息分布、排列組合，深刻建構(gòu)著人們的輿論、認(rèn)知、政治和社會(huì)文化生活。學(xué)者麥克· 阿納尼（Mike Ananny）敏銳地把握了這一問題的復(fù)雜性：“算法被看作是與社會(huì)、技術(shù)相關(guān)的一種話語(yǔ)和知識(shí)文化，這涉及在算法結(jié)構(gòu)中，信息如何生產(chǎn)出來(lái)、如何浮現(xiàn)在我們面前，以及我們?nèi)绾蝸?lái)理解這些信息，這些信息是如何被看作是合法的，又是如何被賦予公共意義的。”④Mike Ananny, Towardan Ethics of Algorithms Convening,Observation, Probability, and Timeliness, Science, Technology, &Human Values, vol. 41, 2016, pp. 93-117.與之相應(yīng)地，算法推薦的風(fēng)險(xiǎn)與責(zé)任也成為不可逃避的話題。算法操縱、歧視、回聲室效應(yīng)、過濾氣泡、威脅數(shù)據(jù)隱私、限制交流與表達(dá)、影響人類大腦和認(rèn)知能力、社會(huì)異化等問題，引起了廣泛的討論和擔(dān)憂。①M(fèi)ichael Latzer, et al., Algorithmische Selektion im Internet: ?konomie und Politik Automatisierter Relevanzzuweisung in der Informationsgesellschaft, Abteilungfu?r Medienwandel &Innovation, Universit?tZürich, IPMZ, Forschungsbericht, 2014.但由于算法推薦系統(tǒng)有賴于復(fù)雜的機(jī)器學(xué)習(xí)能力，算法的推薦過程具有天然的不透明性，并缺少可解讀的數(shù)學(xué)技術(shù)，因此，算法經(jīng)常被描述為“黑箱”②Tarleton Gillespie, The Relevance of Algorithms, in Tarleton Gillespie, Pablo Boczkowski and Kirsten Foot (eds.),Media Technologies, Cambridge, MA: MIT Press, 2014, pp. 167-194.，致使算法推薦出現(xiàn)錯(cuò)誤決策、偏見決策甚至破壞性決策時(shí)，既難以被察覺，也缺乏較好的治理手段。正如伊萊· 帕里澤（Eli Pariser）所說，算法“通過控制我們看到的和看不到的東西，無(wú)形地改變我們所經(jīng)歷的世界”。③Eli Pariser, The Filter Bubble: What the Internet is Hiding from You, New York: Penguin Group, 2011.盡管如此，算法推薦和個(gè)性化信息仍然不可阻擋地正在變成新聞消費(fèi)的主流形式，算法技術(shù)也在理性主義的批判中、科技限度的反思中、人文主義的審視中，不斷地發(fā)展和擴(kuò)張著。此時(shí)，如何確保理論走在科技前面，尤為重要。

二、理解政治社會(huì)化

政治社會(huì)化理論在20 世紀(jì)50 年代逐漸發(fā)展起來(lái)，其概念和內(nèi)涵闡釋十分豐富。1959年，第一部以《政治社會(huì)化》命名的著作問世，作者赫伯特· 海曼（Herbert Hyman）從政治心理的角度闡釋政治社會(huì)化為“通過各種社會(huì)機(jī)構(gòu)調(diào)節(jié)的社會(huì)模式的學(xué)習(xí)過程”。④Herbert Hyman, Political Socialization, Glencoe, IL: Free Press, 1959.1960 年，美國(guó)政治學(xué)家大衛(wèi)· 伊斯頓（David Easton）和羅伯特· 海斯（Robert Hess）基于對(duì)美國(guó)兒童政治取向的調(diào)查研究，將政治社會(huì)化解釋為“人們習(xí)得政治取向的過程”，這種政治取向由政治知識(shí)、政治態(tài)度和評(píng)估標(biāo)準(zhǔn)組成。⑤Robert Hess and David Easton, The Child’s Changing Image of the President, The Public Opinion Quarterly, vol. 24,1960, pp. 632-644.⑥D(zhuǎn)avid Easton and Robert Hess, The Child’s Political World, Midwest Journal of Political Science, vol. 6, 1962, pp. 229-246.加里布埃爾· 亞伯拉罕· 阿爾蒙德（GabrielAbrahamAlmond）和賓厄姆·鮑威爾（BinghamPowell）也曾論述，政治社會(huì)化是“政治文化形成、維持和改變的過程”，每個(gè)政治體系都有某些執(zhí)行政治社會(huì)化功能的結(jié)構(gòu)，它們影響政治態(tài)度，灌輸政治價(jià)值觀念，把政治行動(dòng)技能傳授給公民。⑦[美]加里布埃爾·亞伯拉罕·阿爾蒙德、小G. 賓厄姆·鮑威爾：《比較政治學(xué)：體系、過程和政策》，曹培林、鄭世平、公婷、陳峰譯，東方出版社，2007 年，第83 頁(yè)。當(dāng)代一大批學(xué)者也分別從各個(gè)視角對(duì)政治社會(huì)化內(nèi)涵作出了系統(tǒng)解釋和論證，基本明確了以下三個(gè)要點(diǎn)：一是政治社會(huì)化對(duì)于促進(jìn)政府公民的良性互動(dòng)、維護(hù)國(guó)家政治穩(wěn)定具有重要作用；二是政治社會(huì)化的內(nèi)容主要為政治文化的傳遞；三是政治社會(huì)化的過程和結(jié)果涉及了學(xué)習(xí)政治知識(shí)、內(nèi)化政治態(tài)度、形成參與行為模式三個(gè)方面。

政治知識(shí)很好理解，主要表現(xiàn)為“存儲(chǔ)在人們長(zhǎng)期記憶中的事實(shí)政治信息的范圍”，⑧Michael Delli Carpini and Scott Keeter, What Americans Know about Politics and Why It Matters, New Haven, CT: Yale University Press, 1996.通常通過測(cè)試個(gè)人對(duì)特定政治事件和政治事實(shí)的記憶獲得。關(guān)于政治態(tài)度，許多人更傾向于使用政治信任、政治支持、政治認(rèn)同、政治觀念、黨派態(tài)度、政治價(jià)值觀或政治評(píng)價(jià)等概念，但大體上都反映人們對(duì)政治制度、政黨、政治權(quán)威、政策或重要政治人物的評(píng)價(jià)。⑨Marc Hetherington and Jason Husser, How Trust Matters:The Changing Political Relevance of Political Trust, American Journal of Political Science, vol. 56, 2012, pp. 312-325.政治參與指“直接或間接影響政府行為的活動(dòng)，這種活動(dòng)可以是影響政治的意向，也可以是產(chǎn)生了影響政治的結(jié)果”。①Sidney Verba, Kay Lehman Schlozman, Henry Brady and Norman Nie, American Citizen Participation Study, Ann Arbor,MI: Inter-University Consortium for Political and Social Research,1995.政治參與可分為在線政治參與和離線政治參與兩種模式，在線參與政治包含：政治信息（閱讀和搜索政治信息）、政治互動(dòng)（評(píng)論和討論公共事務(wù)，分享政治新聞和片段）、公共制作（發(fā)表政治文章或制作政治視頻等）、集體行動(dòng)（發(fā)起或參與集體行動(dòng)）。②Mats Ekstr?m and Adam Shehata, Social Media, Porous Boundaries, and the Development of Online Political Engagement among Young Citizens, New Media & Society, vol. 20, 2018,pp.740-759.離線政治參與在西方國(guó)家的主要表現(xiàn)為參加政治集會(huì)、投票和向政治候選人捐款等行為，在我國(guó)表現(xiàn)為簽署請(qǐng)?jiān)笗⒓蛹瘯?huì)、給官員或政府部門寫信、參與政治訪談等行為。③Michael Chan, Hsuan-Ting Chen and Francis Lee,Examining the Roles of Mobile and Social Media in Political Participation: A Cross-national Analysis of Three Asian Societies Using a Communication Mediation Approach, New Media &Society, vol. 19, 2017, pp. 2003-2021.實(shí)踐過程中，政治知識(shí)、政治態(tài)度和政治參與三者密切相關(guān)，大量經(jīng)驗(yàn)研究證實(shí)，更廣泛的政治知識(shí)有助于更穩(wěn)定和一致的政治態(tài)度，增加對(duì)政治制度的信任，促進(jìn)人們的政治參與。④William Galston, Political Knowledge, Political Engagement, and Civic Education, Annual Review of Political Science, vol. 4, 2001, pp. 217-234.⑤Nakwon Jung, Yonghwan Kim and Homero Gil de Zú?iga,The Mediating Role of Knowledge and Efficacy in the Effects of Communication on Political Participation, Mass Communication and Society, vol. 14, 2011, pp. 407-430.

自20 世紀(jì)70 年代以來(lái)，大眾媒體對(duì)政治社會(huì)化的持續(xù)影響就引起了廣泛關(guān)注，但相關(guān)實(shí)證研究卻得出了較為復(fù)雜的結(jié)論。有學(xué)者認(rèn)為大眾媒體新聞促進(jìn)了民眾的政治學(xué)習(xí)，強(qiáng)化了民眾的政治意識(shí)，這種政治意識(shí)又反過來(lái)促進(jìn)了更高水平的政治學(xué)習(xí)和政治參與，形成良性循環(huán)。⑥Pippa Norris, A Virtuous Circle: Political Communication in Postindustrial Societies, Cambridge, UK: Cambridge University Press, 2000.也有學(xué)者持相反觀點(diǎn)，認(rèn)為一些媒體的信息質(zhì)量較低不利于政治知識(shí)積累和政治興趣培養(yǎng)，甚至加劇了負(fù)面政治態(tài)度和情緒。⑦Claes De Vreese and Hajo Boomgaarden, News, Political Knowledge and Participation: The Differential Effects of News Media Exposure on Political Knowledge and Participation, Acta Politica, vol. 41, 2006, pp. 317-341.還有學(xué)者提出了差異效應(yīng)假設(shè)，認(rèn)為報(bào)紙對(duì)政治社會(huì)化具有正面影響，但電視乃至互聯(lián)網(wǎng)的影響是無(wú)效的，甚至是負(fù)面的。⑧William Eveland, The Cognitive Mediation Model of Learning from the News: Evidence from Nonelection, Off-year Election, and Presidential Election Contexts, Communication Research, vol. 28, 2001, pp. 571-601.⑨Michael Beam, Myiah Hutchens and Jay Hmielowski,Facebook News and (De)Polarization: Reinforcing Spirals in the 2016 US Election, Information, Communication & Society, vol. 21,2018, pp. 940-958.時(shí)至今日，算法和智能媒體的快速發(fā)展正在從根本上重塑公眾的政治信息環(huán)境，迫使我們?cè)俣戎匦滤伎颊紊鐣?huì)化的發(fā)生路徑。

三、算法推薦與公民政治知識(shí)

媒體的政治學(xué)習(xí)是一個(gè)復(fù)雜的問題，不同的媒體環(huán)境為個(gè)人提供了不同的政治學(xué)習(xí)的機(jī)會(huì)。⑩Markus Prior, Post-Broadcast Democracy: How Media Choice Increases Inequality in Political Involvement and Polarizes Elections, New York, NY: Cambridge University Press, 2007.邁克爾· 德利卡皮尼（Michael Delli Carpini）和斯科特· 基特（Scott Keeter）提出對(duì)政治知識(shí)學(xué)習(xí)產(chǎn)生重大影響的三個(gè)核心要素是：機(jī)會(huì)、動(dòng)機(jī)和能力。機(jī)會(huì)指政治信息的有用性，包括很多因素，其中一個(gè)重要因素就是媒體環(huán)境；動(dòng)機(jī)決定了人們是否對(duì)消費(fèi)政治信息感興趣；能力解釋人們是否有足夠的技能來(lái)理解信息。①M(fèi)ichael Delli Carpini and Scott Keeter, What Americans Know About Politics and Why It Matters, New Haven, CT: Yale University Press, 1996.在此，考察算法介入新聞業(yè)是否有利于公民的政治學(xué)習(xí)和政治知識(shí)積累，也離不開對(duì)這三個(gè)核心要素的討論。我們具體嘗試回答三個(gè)問題：

（一）算法推薦的新聞環(huán)境是否給公民提供了更多政治信息？

評(píng)估媒體、政治和公民之間關(guān)系變化的一個(gè)關(guān)鍵概念就是政治信息環(huán)境，這個(gè)概念有時(shí)被稱為信息環(huán)境或媒體環(huán)境，通常指新聞或政治信息的總供給。②Peter Van Aelst, et al., Political Communication in a High-Choice Media Environment: A Challenge for Democracy? Annals of the International Communication Association, vol. 41, 2017, pp.3-27.關(guān)于政治信息環(huán)境，有一個(gè)潛在共識(shí)，即政治信息供給越多，人們接觸政治信息并進(jìn)行政治學(xué)習(xí)的可能性就越高。一些研究表明，政治信息環(huán)境對(duì)人們的媒體使用以及政治知識(shí)產(chǎn)生了重大影響，③Peter Van Aelst, et al., Political Communication in a High-Choice Media Environment: A Challenge for Democracy? Annals of the International Communication Association, vol. 41, 2017, pp.3-27.與信息貧乏的國(guó)家相比，在信息豐富環(huán)境中的美國(guó)公民能夠更多地了解政治問題，④Jennifer Jerit, Jason Barabas and Toby Bolsen, Citizens,Knowledge, and the Information Environment, American Journal of Political Science, vol. 50, 2006, pp. 266-282.甚至各國(guó)政治知識(shí)的差異也可部分歸因于政治信息環(huán)境的變化。⑤Susan Banducci, Heiko Giebler and Sylvia Kritzinger,Knowing More from Less: How the Information Environment Increases Knowledge of Party Positions, British Journal of Political Science, 2016.

從政治新聞的絕對(duì)數(shù)量上講，毫無(wú)疑問，在過去幾十年間持續(xù)增加。盡管如此，仍然有學(xué)者提出了當(dāng)前“政治新聞供給正在減少”的說法。這一說法看似難以理解，但也指出了幾個(gè)鮮明的問題：首先，政治新聞的絕對(duì)數(shù)量增加，不等同于在整體的媒體信息供給中，政治新聞的相對(duì)數(shù)量也在增加，因?yàn)轶w育新聞、娛樂新聞的增量更大；其次，政治新聞的絕對(duì)數(shù)量更多，也不意味著人們?nèi)粘Ｊ褂玫拿襟w資源中政治新聞也在增加；第三，人們對(duì)政治新聞的需求和使用可能正在下降；第四，高質(zhì)量的政治新聞數(shù)量可能正在下降；第五，政治新聞的多樣性在減少。⑥Peter Van Aelst, et al., Political Communication in a High-Choice Media Environment: A Challenge for Democracy? Annals of the International Communication Association, vol. 41, 2017, pp.3-27.伊萊· 帕里澤提出的“過濾氣泡”理論也論及了類似的問題，他認(rèn)為，個(gè)性化的信息世界最終將我們置于氣泡之中，我們只能獲得與之前的消費(fèi)行為相匹配的信息、志同道合的朋友和熟人分享的信息，或與我們觀點(diǎn)相一致的信息，最終我們所看到的內(nèi)容一再縮小。⑦Eli Pariser, The Filter Bubble: What the Internet is Hiding from You, New York: Penguin Group, 2011.同時(shí)，算法推薦依賴于用戶喜好，而用戶喜好往往會(huì)避開硬新聞，選擇軟新聞（即偏娛樂化的新聞），但硬新聞才是對(duì)政治民主和政治知識(shí)有效的新聞?lì)愋?，⑧Eli Pariser, Did Facebook’s Big Study Kill My Filter Bubble Thesis? https://www.wired.com/2015/05/did-facebooksbig-study-kill-my-filter- bubble-thesis/.因此也沒有理由相信算法推薦新聞對(duì)人們的政治信息環(huán)境和政治知識(shí)學(xué)習(xí)產(chǎn)生積極影響。⑨Michael Cacciatore, Sara Yeo, Dietram Scheufele, Michael Xenos, Dominique Brossard and Elizabeth Corley, Is Facebook Making Us Dumber? Exploring Social Media Use as a Predictor of Political Knowledge, Journalism & Mass Communication Quarterly, vol. 95, 2018, pp. 404-424.

值得注意的是，在這其中，起關(guān)鍵作用的因素是人們對(duì)政治新聞的需求。在算法時(shí)代，人們的偏好對(duì)于塑造政治信息環(huán)境有著至關(guān)重要的作用。目前，還沒有壓倒性的證據(jù)表明人們對(duì)政治新聞的需求和使用在明顯減少，但對(duì)軟新聞需求上升的趨勢(shì)引起了不少擔(dān)憂。帕布羅·哈維爾·博奇科夫斯基（Pablo Javier Boczkowski）和尤金伲亞· 米切爾斯坦（Eugenia Mitchelstein）針對(duì)7 個(gè)國(guó)家的20 個(gè)新聞網(wǎng)站近4 萬(wàn)篇新聞報(bào)道進(jìn)行了內(nèi)容分析發(fā)現(xiàn)，媒體的新聞偏好與公眾的新聞偏好總是存在差異，但新聞消費(fèi)者的偏好正在推動(dòng)媒體犧牲硬新聞，提供更多軟新聞。①Pablo Javier Boczkowski and Eugenia Mitchelstein, The News Gap: When the Information Preferences of the Media and The Public Diverge, Cambridge, MA: The MIT Press, 2013.媒體為了爭(zhēng)取更多觀眾注意力的競(jìng)爭(zhēng)行為，只會(huì)不斷強(qiáng)化媒體滿足觀眾需求的趨勢(shì)，提供“點(diǎn)擊誘餌”就是一個(gè)典型例子。②Jonas Nygaard Blom and Kenneth Reinecke Hansen,Click Bait: Forward-Reference as Lure in Online News Headlines,Journal of Pragmatics, vol. 76, 2015, pp. 87-100.也有學(xué)者認(rèn)為，雖然軟新聞的受眾在增長(zhǎng)，但并沒有必然地導(dǎo)致硬新聞受眾的減少，同時(shí)，軟新聞還給那些原本缺乏政治興趣的人提供了更多接觸政治信息的機(jī)會(huì)。③Matthew Baum, Soft News and Political Knowledge:Evidence Of Absence Or Absence Of Evidence? Political Communication, vol. 20, 2003, pp. 173-190.例如，社交媒體上，人們肯定會(huì)通過社交媒體進(jìn)行娛樂或個(gè)人身份建構(gòu)、社交關(guān)系建構(gòu)，但也沒有理由認(rèn)為有政治興趣的人不會(huì)在社交媒體上消費(fèi)硬新聞和公共事務(wù)消息。④Homero Gil De Zú?iga, Nakwon Jung and Sebastián Valenzuela, Social Media Use for News and Individuals’ Social Capital, Civic Engagement and Political Participation, Journal of Computer Mediated Communication, vol. 17, 2012, pp. 319-336.針對(duì)我國(guó)新聞消費(fèi)者的一項(xiàng)調(diào)查結(jié)果也顯示，以今日頭條和微博為代表的算法推薦新聞媒體促進(jìn)了公民的軟新聞知識(shí)水平增長(zhǎng)，但同時(shí)，其對(duì)提高公民的公共事務(wù)知曉度也有顯著作用。⑤崔迪、吳舫：《算法推送新聞的知識(shí)效果——以今日頭條為例》，《新聞?dòng)浾摺?019 年第2 期。不過，還缺乏縱向研究考察軟新聞知識(shí)與硬新聞知識(shí)的變化趨勢(shì)。不同國(guó)家的政治信息環(huán)境有較大差異，軟新聞的數(shù)量差異也較大。⑥Carsten Reinemann, James Stanyer and Sebastian Scherr,Hard and Soft News, in Claes de Vreese, Frank Esser and David Nicolas Hopmann (eds.), Comparing Political Communication,New York, NY: Routledge, 2016, pp. 131-149.即便是不同媒體，也會(huì)因受眾、定位和算法規(guī)則不同而呈現(xiàn)迥異的政治信息環(huán)境和新聞質(zhì)量。但整體上，更令人信服的證據(jù)表明，軟新聞已呈現(xiàn)了明顯擴(kuò)張的趨勢(shì)，它是否切實(shí)擠壓了硬新聞的空間還需要進(jìn)一步論證，但我們應(yīng)傾向于重視該風(fēng)險(xiǎn)，關(guān)注不同媒體的新聞質(zhì)量差異，關(guān)注人們對(duì)高質(zhì)量硬新聞的需求，以及不同新聞消費(fèi)群體的政治知識(shí)差距。

（二）算法推薦的新聞環(huán)境是否增加了公民的政治學(xué)習(xí)機(jī)會(huì)？

這個(gè)問題的一個(gè)核心辯論點(diǎn)是，算法推薦是否為人們提供了偶然和被動(dòng)接觸政治信息的機(jī)會(huì)，以及偶然接觸在多大程度上促進(jìn)了公民的政治學(xué)習(xí)。美國(guó)皮尤民意調(diào)查顯示，目前，62% 的Facebook 新聞?dòng)脩舸蠖嗍桥既坏玫叫侣?，而不是因?yàn)樗麄兎e極嘗試關(guān)注最近的社會(huì)動(dòng)態(tài)。⑦Jeffrey Gottfried and Elisa Shearer, News Use Across Social Media Platforms 2016, https://www.journalism.org/2016/05/26/news-use-across-social-media-platforms-2016/.積極或有目的的學(xué)習(xí)并不是人們學(xué)習(xí)的唯一方式，個(gè)人也可以通過偶然的曝光被動(dòng)地了解政治。⑧Matthijs Elenbaas, Claes de Vreese, Andreas Schuck and HajoBoomgaarden, Reconciling Passive and Motivated Learning:The Saturation-Conditional Impact of Media Coverage and Motivation On Political Information, Communication Research,vol. 41, 2014, pp. 481-504.算法推薦讓“新聞?wù)业轿摇?，人們?cè)跓o(wú)意之中接觸了許多熱點(diǎn)政治新聞和朋友關(guān)注的新聞并獲取政治知識(shí)，①Homero Gil De Zú?iga, Brian Weeks and Alberto Ardèvol-Abreu, Effects of the News-Finds-Me Perception in Communication: Social Media Use Implications for News Seeking and Learning About Politics, Journal of Computer-Mediated Communication, vol. 22, 2017, pp. 105-123.赫伯特· 克魯格曼（Herbert Krugman）稱之為“沒有參與的學(xué)習(xí)”，尤金·哈特利（Eugene Hartley）稱之為“非錨定學(xué)習(xí)”。②Herbert Krugman, The Impact of Television Advertising:Learning Without Involvement, Public Opinion Quarterly, vol. 29,1965, pp. 349-356.因此，不少學(xué)者猜測(cè)，當(dāng)前媒體環(huán)境可能為人們提供了一個(gè)更多樣化的學(xué)習(xí)機(jī)會(huì)，也提供了一個(gè)克服知識(shí)差距的機(jī)制，因?yàn)楸粍?dòng)學(xué)習(xí)比主動(dòng)學(xué)習(xí)產(chǎn)生更多樣化的學(xué)習(xí)收益，用戶更容易接受他們所接觸的信息，增加了平時(shí)不太注意的政治知識(shí)。③Leticia Bode, Political News in the News Feed: Learning Politics from Social Media, Mass Communication & Society, vol.19, 2016, pp. 24-48.但反對(duì)觀點(diǎn)認(rèn)為，一方面，缺乏政治興趣的人，即使偶然接觸到算法推薦的政治新聞，也常常不會(huì)點(diǎn)擊新聞鏈接進(jìn)行深入閱讀，也沒有進(jìn)一步的認(rèn)知加工，無(wú)法助益其政治學(xué)習(xí)；④Solomon Messing and Sean Westwood, Selective Exposure in the Age of Social Media: Endorsements Trump Partisan Source Affiliation When Selecting News Online, Communication Research, vol. 41, 2014, pp. 1042-1063.另一方面，偶然接觸新聞和感知“新聞?wù)业轿摇笔谷藗冎饔^上產(chǎn)生了“膨脹的知識(shí)感”⑤方師師：《搜索引擎中的新聞呈現(xiàn)：從新聞等級(jí)到千人千搜》，《新聞?dòng)浾摺?018 年第12 期。，從而主動(dòng)尋找新聞的動(dòng)機(jī)下降，通過傳統(tǒng)新聞媒體尋找新聞的行為減少，最終將不利于其政治知識(shí)學(xué)習(xí)。⑥Homero Gil De Zú?iga, Brian Weeks and Alberto Ardèvol-Abreu, Effects of The News-Finds-Me Perception in Communication: Social Media Use Implications for News Seeking and Learning About Politics, Journal of Computer-Mediated Communication, vol. 22, 2017, pp. 105-123.相比而言，那些積極主動(dòng)尋找政治新聞的群體，他們從新聞供給更豐富、內(nèi)容選擇更多的高選擇媒體環(huán)境中獲取政治學(xué)習(xí)的機(jī)會(huì)更頻繁、更深入，學(xué)習(xí)效果也通常更明顯、更受認(rèn)可。⑦Homero Gil De Zú?iga, Brian Weeks and Alberto Ardèvol-Abreu, Effects of The News-Finds-Me Perception in Communication: Social Media Use Implications for News Seeking and Learning About Politics, Journal of Computer-Mediated Communication, vol. 22, 2017, pp. 105-123.鑒于政治學(xué)習(xí)需要深入的認(rèn)知處理，高選擇的算法新聞環(huán)境下的偶然學(xué)習(xí)效果仍值得懷疑。

（三）算法推薦的新聞環(huán)境是否擴(kuò)大了公民的政治知識(shí)差距？

關(guān)于算法推薦的新聞環(huán)境是否會(huì)增加不同群體學(xué)習(xí)機(jī)會(huì)的不平等，擴(kuò)大公民的政治知識(shí)差距，這與政治信息環(huán)境、政治學(xué)習(xí)動(dòng)機(jī)和個(gè)人認(rèn)知能力都密切相關(guān)，三者的影響通常相互交織。邁克爾· 比姆（Michael Beam）和杰拉爾德· 科斯基（Gerald Kosicki）指出，個(gè)性化的新聞門戶平臺(tái)為那些積極主動(dòng)尋找新聞的人提供了一個(gè)更便利的新聞獲取工具，因此使用這些個(gè)性化新聞平臺(tái)可能會(huì)增加不平等。⑧Michael Beam and Gerald Kosicki, Personalized News Portals: Filtering Systems and Increased News Exposure,Journalism & Mass Communication Quarterly, vol. 91, 2014, pp.59-77.有學(xué)者總結(jié)，隨著社會(huì)的信息越豐富、獲取便利性越高，高教育水平者與低教育水平者、對(duì)政治和新聞感興趣和不感興趣者的政治知識(shí)差距都會(huì)增加。⑨Peter Van Aelst, et al., Political Communication in a High-Choice Media Environment: A Challenge for Democracy? Annals of the International Communication Association, vol. 41, 2017, pp.3-27.例如，一項(xiàng)針對(duì)社交媒體的實(shí)證研究表明，盡管Facebook 被廣泛用于信息交換，但是高教育水平者和低教育水平者交換的信息內(nèi)容和信息質(zhì)量都不同，高教育水平用戶會(huì)交換公共事務(wù)信息并且能夠記住它，但是低教育用戶通常不分享那些有益于增加政治知識(shí)的信息。①Sung Yoo and Homero de Zú?iga, Connecting Blog,Twitter and Facebook Use with Gaps in Knowledge and Participation, Communication & Society, vol. 27, 2014, pp. 33- 48.即使軟新聞使用、偶然學(xué)習(xí)可能為那些沒有政治學(xué)習(xí)動(dòng)機(jī)、教育水平較低的群體或多或少提供一些政治學(xué)習(xí)的機(jī)會(huì)，但考慮到算法推薦使不同群體的新聞環(huán)境區(qū)別更加鮮明，我們?nèi)匀挥欣碛上嘈糯嬖谡沃R(shí)差距擴(kuò)大的趨勢(shì)。

四、算法推薦與公民政治態(tài)度

關(guān)于智能媒體與公民政治態(tài)度的關(guān)系，有一個(gè)至關(guān)重要的話題就是：作用日益增加的個(gè)性化和算法是否最終過濾掉了與我們政治態(tài)度/ 立場(chǎng)不同的觀點(diǎn)？②ZeynepTufekci, Facebook Said Its Algorithms Do Help Form Echo Chambers, and the Tech Press Missed It, New Perspectives Quarterly, vol. 32, 2015, pp. 9-12.選擇性曝光理論長(zhǎng)期以來(lái)一直關(guān)注這個(gè)問題，人們是否更多暴露于與自己態(tài)度一致的新聞，從而強(qiáng)化了自己的態(tài)度，出現(xiàn)態(tài)度極化傾向？③Wolfgang Donsbach and Cornelia Mothes, The Dissonant Self: Contributions from Dissonance Theory to a New Agenda For Studying Political Communication, in Charles Salmon (ed.),Communication year-book 36, New York: Taylor & Francis, 2012,pp. 3-44.這種現(xiàn)象如果被證實(shí)，那么值得擔(dān)憂的問題是：算法推薦是否會(huì)助推輿論在公共事件上的相互對(duì)立，或助長(zhǎng)我國(guó)民粹主義等社會(huì)思潮的負(fù)面效應(yīng)，對(duì)我國(guó)主流意識(shí)形態(tài)傳播造成影響和挑戰(zhàn)。

我們首先試圖尋找算法推薦可能造成政治極化的證據(jù)。一些理論家稱，過濾我們新聞環(huán)境的算法，有效地將我們置于自己信仰的回聲室中，這是兩極分化的一個(gè)十分重要的原因。④Eli Pariser, The Filter Bubble: What the Internet is Hiding from You, New York: Penguin Group, 2011.選擇性曝光理論認(rèn)為，個(gè)人傾向于消費(fèi)與他們的觀點(diǎn)和信仰一致的媒體信息，避免與自己態(tài)度不同甚至挑戰(zhàn)自己態(tài)度的內(nèi)容。⑤Natalie Stroud, Media Use and Political Predispositions:Revisiting The Concept Of Selective Exposure, Political Behaviour, vol. 30, 2008, pp. 341-366.尤其是當(dāng)前的新聞環(huán)境中，過濾信息的能力更加強(qiáng)大，用戶可以非常輕松地根據(jù)自己的偏好來(lái)分類信息，并且借助算法進(jìn)一步強(qiáng)化了這種選擇性曝光結(jié)果。⑥D(zhuǎn)ominic Spohr, Fake News and Ideological Polarization:Filter Bubbles and Selective Exposure on Social Media, Business Information Review, vol. 34, 2017, pp. 150-160.例如，米歇爾· 德· 維卡里奧（Michela Del Vicario）等人對(duì)2016 年1 月至7 月期間與英國(guó)脫歐相關(guān)新聞進(jìn)行交互的100 多萬(wàn)用戶進(jìn)行了挖掘分析，發(fā)現(xiàn)用戶都傾向于關(guān)注一個(gè)立場(chǎng)的敘事而忽略另一個(gè)，并很快形成兩個(gè)態(tài)度完全對(duì)立的立場(chǎng)，該分析證明了兩個(gè)相互隔離的回音室確實(shí)存在。他們進(jìn)一步通過自動(dòng)主題提取和情感分析技術(shù)，比較了兩個(gè)回音室的呈現(xiàn)方式和情緒反應(yīng)，發(fā)現(xiàn)兩個(gè)回聲室效應(yīng)和極化效應(yīng)都非常明顯。而有趣的是，這種極化效應(yīng)是用戶自發(fā)形成的，因?yàn)樾侣勗跍y(cè)試之前并沒有明顯的態(tài)度分類，態(tài)度分化可能是算法為個(gè)人偏好匹配不同內(nèi)容過程中形成的，這也是算法推薦導(dǎo)致了選擇性曝光和過濾氣泡現(xiàn)象的有力證據(jù)。⑦M(jìn)ichela Del Vicario, Fabiana Zollo, Guido Caldarelli,Antonio Scala and Walter Quattrociocchi, Mapping Social Dynamics on Facebook: The Brexit Debate, Social Networks, vol.50, 2017, pp. 6-16.

不過，一位在Facebook 工作的研究人員在《科學(xué)》（Science）雜志發(fā)表了一篇題為《在Facebook 上接觸意識(shí)形態(tài)多樣化的新聞和觀點(diǎn)》的文章反駁了該觀點(diǎn)。該研究對(duì)1010 萬(wàn)Facebook 用戶所接觸信息的意識(shí)形態(tài)同質(zhì)性進(jìn)行了檢驗(yàn)，結(jié)果指出，F(xiàn)acebook 的算法推薦系統(tǒng)會(huì)小幅度降低不同態(tài)度新聞的比例，個(gè)人的選擇則在限制不同態(tài)度的內(nèi)容交叉曝光上發(fā)揮了更大的作用。①Eytan Bakshy, Solomon Messing and Lada Adamic,Exposure to Ideologically Diverse News and Opinion On Facebook, Science, vol. 348, 2015, pp. 1130-1132.媒體紛紛對(duì)此進(jìn)行了報(bào)道，標(biāo)題如“Facebook 說回聲室不是Facebook 的 錯(cuò)”（Wired）、“Facebook 表 示其算法不對(duì)您的在線回聲室負(fù)責(zé)”（Verge）、“Facebook 的研究表明，你才是自己最大的敵人，不是算法”（Mashable）。盡管Facebook宣稱其一直在努力創(chuàng)造一種獨(dú)立的、不嵌入任何其他價(jià)值的新聞推薦算法，但科學(xué)家們不以為然，眾多的科學(xué)研究仍在不斷地證明Facebook 過濾了相反態(tài)度的新聞并抑制了內(nèi)容的多樣性，并呼吁媒體認(rèn)真對(duì)待和改進(jìn)其技術(shù)。②Zeynep Tufekci, Facebook Said Its Algorithms Do Help Form Echo Chambers, and the Tech Press Missed It, New Perspectives Quarterly, vol. 32, 2015, pp. 9-12.

除了政治極化之外， 強(qiáng)化螺旋模型（Reinforcing Spirals Model，RSM）還提出了算法推薦的去極化結(jié)果和體內(nèi)平衡結(jié)果。去極化結(jié)果更有可能發(fā)生于政治態(tài)度較弱、政治觀點(diǎn)尚不完全明確的人身上，他們?cè)谒惴ōh(huán)境中會(huì)暴露于更廣泛的政治觀點(diǎn)之下，促進(jìn)其政治態(tài)度轉(zhuǎn)變；而體內(nèi)平衡立場(chǎng)認(rèn)為算法推薦更多是強(qiáng)化和維持了原有態(tài)度，它在改變?nèi)藗兊恼螒B(tài)度上的作用有限，因?yàn)閼B(tài)度常常是較為穩(wěn)定的。③Michael Slater, Reinforcing Spirals Model:Conceptualizing the Relationship Between Media Content Exposure and the Development and Maintenance of Attitudes,Media Psychology, vol. 18, 2015, pp. 370-395.④Michael Beam, Myiah Hutchens and Jay Hmielowski,Facebook News and (De)Polarization: Reinforcing Spirals in the 2016 Us Election, Information, Communication & Society, vol. 21,2018, pp. 940-958.

在我國(guó)，關(guān)于算法推薦的政治極化效應(yīng)和意識(shí)形態(tài)影響的實(shí)證研究比較匱乏，但國(guó)內(nèi)學(xué)者也開始陸續(xù)關(guān)注算法通過非制度性權(quán)力來(lái)構(gòu)建“社會(huì)共識(shí)”的作用，⑤喻國(guó)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》，《編輯之友》2018 年第5 期。以及算法推薦因擠壓主流媒體空間、加劇社群區(qū)隔與價(jià)值觀分化、占據(jù)新聞把關(guān)權(quán)，從而對(duì)主流意識(shí)形態(tài)傳播帶來(lái)負(fù)面影響等問題。⑥張志安、湯敏：《論算法推薦對(duì)主流意識(shí)形態(tài)傳播的影響》，《社會(huì)科學(xué)戰(zhàn)線》2018 年第10 期。同時(shí)，值得注意的是，網(wǎng)絡(luò)民粹主義在近年持續(xù)盛行，并且顯現(xiàn)出與其他社會(huì)思潮較強(qiáng)的合流之勢(shì)，時(shí)常圍繞社會(huì)公共事件將公共輿論和情緒推向極端，甚至與主流意識(shí)形態(tài)形成鮮明對(duì)立。例如，將2017 年北京開展“安全隱患大排查、大清理、大整治專項(xiàng)行動(dòng)”解讀為“北京驅(qū)逐低端人口”，輿論集體將國(guó)家和政府的形象推向負(fù)面的現(xiàn)象，致民粹主義思潮泛濫，⑦陳琳、單寧：《當(dāng)前國(guó)內(nèi)社會(huì)思潮趨勢(shì)走向》，http://www.rmlt.com.cn/2018/0709/522791.shtml。值得警惕的同時(shí)，也應(yīng)該反思算法推薦在輿論態(tài)度極化的問題上，扮演了怎樣的角色。

五、算法推薦與公民政治參與

算法推薦與公民的政治參與可以從直接關(guān)系和間接關(guān)系兩個(gè)視角來(lái)解釋。我們首先討論間接影響。正如大多數(shù)媒體對(duì)政治參與的影響論證，媒體使用常常通過影響人們的政治討論、政治態(tài)度、政治興趣或政治效能，進(jìn)而對(duì)人們的政治參與行為產(chǎn)生影響。⑧Jack Mcleod, DietramScheufele and Patricia Moy,Community, Communication, and Participation: The Role of Mass Media and Interpersonal Discussion in Local Political Participation,Political Communication, vol. 16, 1999, pp. 315-336.⑨Hernando Rojas, I. PérezandHomero Gil de Zú?iga,Comunicacio?n y Comunidad, Universidad Externado de Colombia Press: Bogotá Colombia, 2010.這些中介影響因素可以分類為認(rèn)知因素和傳播因素。其中，認(rèn)知中介模型（Cognitive Mediation Model）認(rèn)為多媒體元素和新聞超鏈接引起人們的認(rèn)知加工再影響政治參與；①William Eveland, The Cognitive Mediation Model of Learning from The News: Evidence from Nonelection, Off-Year Election, and Presidential Election Contexts, Communication Research, vol. 28, 2001, pp. 571-601.傳播中介模型（Communication Mediation Model）②Jack Mcleod, Dietram Scheufele and Patricia Moy,Community, Communication, and Participation: The Role of Mass Media and Interpersonal Discussion in Local Political Participation,Political Communication, vol. 16, 1999, pp. 315-336.以及同類型的市民傳播中介模型（Citizen Communication Mediation）③Dhavan Shah, Jaeho Cho, William Eveland and Nojin Kwak, Information and Expression in a Digital Age,Communication Research, vol. 32, 2005, pp. 531.、 競(jìng)選中介模 型（Campaign Mediation Model）④Dhavan Shah, et al., Campaign Ads, Online Messaging,and Participation: Extending the Communication Mediation Model,Journal of Communication, vol. 57, 2007, pp. 676-703.和O-S-R-O-R 模型（Orientations-Stimulus-Reasoning-Orientations-Response）⑤Jaeho Cho, et al., Campaigns, Reflection, and Deliberation:Advancing An O-S-R-O-R Model of Communication Effects,Communication Theory, vol. 19, 2009, pp. 66-88.則驗(yàn)證了新聞消費(fèi)通過促進(jìn)公民政治討論等傳播行為，影響公民的政治參與。邁克爾·陳（Michael Chan）等人近期的一項(xiàng)實(shí)證研究，綜合了認(rèn)知和傳播中介模型，以O(shè)-S-R-O-R 為模型框架驗(yàn)證了移動(dòng)和社交媒體新聞在線上和線下政治參與中的作用，三個(gè)概率抽樣樣本都證實(shí)了移動(dòng)/ 社交媒體使用通過影響政治討論和政治效能，間接影響線上和線下的政治參與行為。⑥Michael Chan, Hsuan-Ting Chen and Francis Lee,Examining The Roles of Mobile and Social Media in Political Participation: A Cross-National Analysis of Three Asian Societies Using a Communication Mediation Approach, New Media &Society, vol. 19, 2017, pp. 2003-2021.鑒于社交媒體新聞與移動(dòng)媒體新聞都是算法推薦新聞的典型代表，我們討論的算法推薦新聞與政治參與的間接關(guān)系，可以從大量的相關(guān)研究中尋找到有效的間接證明，但是缺憾在于，這些研究中還缺乏針對(duì)算法推薦新聞和個(gè)性化新聞與公民政治參與行為的間接關(guān)系的討論和解釋，這也是未來(lái)研究可關(guān)注的一個(gè)重要議題。

而有關(guān)算法推薦與公民政治參與的直接關(guān)系，我們不得不提到近年在西方國(guó)家倍受關(guān)注的議題——假新聞，具體表現(xiàn)為通過算法操縱社交媒體上的假新聞傳播并影響人們政治態(tài)度與行為的問題。假新聞是“有意的且可驗(yàn)證的、錯(cuò)誤的，并可能誤導(dǎo)讀者的新聞文章”。⑦Hunt Allcott and Matthew Gentzkow, Social Media and Fake News in the 2016 Election, Journal of Economic Perspectives,vol. 2, 2017, pp. 211-236.2016 年美國(guó)大選之后，“假新聞”成為了一個(gè)廣受社會(huì)各界關(guān)注的話題。相關(guān)觀點(diǎn)認(rèn)為，假新聞傳播在美國(guó)總統(tǒng)選舉過程中發(fā)揮了極為關(guān)鍵的作用，其中社交媒體作為假新聞的主要傳播載體，為唐納德· 特朗普的當(dāng)選起到了不可小覷的潛在作用。⑧Hunt Allcott and Matthew Gentzkow, Social Media and Fake News in the 2016 Election, Journal of Economic Perspectives,vol. 2, 2017, pp. 211-236.社交媒體中的機(jī)器人（通過算法制造模仿人類的自動(dòng)賬戶）通過點(diǎn)贊、分享和搜索信息，可以將虛假新聞的傳播力放大幾個(gè)數(shù)量級(jí)，主導(dǎo)社交媒體中有關(guān)競(jìng)選的大部分政治內(nèi)容，影響美國(guó)公民的投票行為。⑨David Lazer, et al., The Science of Fake News, Science.vol. 359, 2018, pp. 1094-1096.同時(shí)，它們還通過操縱社交媒體中的算法推薦，促使社交媒體向更多用戶推送其內(nèi)容。⑩Facebook, 2017. Stats. Facebook.皮尤調(diào)查報(bào)告顯示，社交媒體上的大量政治新聞要么不準(zhǔn)確，要么完全是假的。更嚴(yán)重的問題是，大約2/3 的美國(guó)成年人（64%）表示假新聞引起了大量關(guān)于事實(shí)政治信息的混淆，22% 的人表示這會(huì)導(dǎo)致一些混亂。①Pew Research Center, News Use Across Social Media Platforms 2017, http://www.journalism.org/2017/09/07/news-useacross-social- media-platforms-2017/.值得警惕的是，在我國(guó)，社交媒體中的算法推薦同樣能夠輕易成為別有用心者操縱政治的工具，散布謠言，煽動(dòng)情緒，對(duì)公民的輿論風(fēng)向、政治態(tài)度甚至線下政治參與的行為產(chǎn)生直接影響。無(wú)論這種影響在我國(guó)是否普及，在技術(shù)上算法已完全具備操縱的能力，而我們針對(duì)其治理，無(wú)論從法律法規(guī)、平臺(tái)自律、技術(shù)治理上，都還缺乏有效手段，其中潛藏著巨大的政治風(fēng)險(xiǎn)。

六、結(jié) 語(yǔ)

對(duì)于政府而言，政治權(quán)威的合法性、政治制度的有效存在都取決于公民的認(rèn)同，并在行為上遵守法律、執(zhí)行規(guī)則。公民政治社會(huì)化的可能性風(fēng)險(xiǎn)，是政府管理工作中不可忽視的問題。算法介入新聞業(yè)，個(gè)性化新聞流替代傳統(tǒng)媒體新聞流，對(duì)公民的政治社會(huì)化有什么影響？我們從政治社會(huì)化的三個(gè)主要組成部分——政治知識(shí)、政治態(tài)度和政治參與入手展開討論并得出結(jié)論：隨著人們的偏好和需求在塑造個(gè)人的政治信息環(huán)境越來(lái)越重要，算法推薦并沒有整體上提升公民的政治新聞供給數(shù)量和質(zhì)量，相反，新聞消費(fèi)者的偏好正在推動(dòng)媒體犧牲硬新聞，提供更多軟新聞，這一趨勢(shì)并不利于公民的政治學(xué)習(xí)和政治知識(shí)積累。主動(dòng)尋找政治新聞的人與不主動(dòng)尋找政治新聞的人、高教育水平的人與低教育水平的人，在個(gè)性化新聞環(huán)境中的政治知識(shí)差距一再增大。盡管算法通過熱點(diǎn)推薦和社交關(guān)系推薦也給許多人提供了偶然接觸和學(xué)習(xí)政治的機(jī)會(huì)，但是缺乏深度的認(rèn)知加工也導(dǎo)致偶然政治學(xué)習(xí)的效果不甚理想。同時(shí)，算法推薦進(jìn)一步強(qiáng)化了選擇性曝光效應(yīng)，人們傾向于消費(fèi)與他們的觀點(diǎn)和信仰一致的媒體信息，避免與自己態(tài)度不同甚至挑戰(zhàn)自己態(tài)度的內(nèi)容，②Natalie Stroud, Media Use and Political Predispositions:Revisiting The Concept Of Selective Exposure, Political Behaviour, vol. 30, 2008, pp. 341-366.導(dǎo)致圍繞政治問題、公共事件的輿論態(tài)度出現(xiàn)兩極分化、相互對(duì)立的格局。算法推薦甚至還常常成為直接政治操縱的工具，通過操縱人們看到的內(nèi)容，影響公民的線上和線下政治行為。

如何防范和治理算法推薦可能導(dǎo)致的政治風(fēng)險(xiǎn)，給國(guó)家、平臺(tái)和公民自身都帶來(lái)了巨大的挑戰(zhàn)。目前，全球針對(duì)算法出臺(tái)的比較典型的國(guó)家干預(yù)措施包含：提供公共服務(wù)、指揮和控制監(jiān)管、通過補(bǔ)貼和稅費(fèi)激勵(lì)、建立共同監(jiān)管機(jī)制、通過軟法和信息服務(wù)提高人們對(duì)風(fēng)險(xiǎn)的認(rèn)識(shí)和了解，并促進(jìn)其行為調(diào)整。③Florian Saurwein, Natascha Justand Michael Latzer,Governance of Algorithms: Options and Limitations, Info, vol. 17,2015, pp. 35-49.學(xué)者們還建議，增加算法的透明度和政府的控制權(quán)，④Wolfgang Schulz, Thorsten Held and Arne Laudien, Search Engines as Gatekeepers of Public Communication: Analysis of The German Framework Applicable to Internet Search Engines Including Media Law and Anti-trust Law, German Law Journal,vol. 6, 2005, pp. 1418-1433.建立中立搜索原則，⑤Marina Lao,“ Neutral” Search as a Basis for Antitrust Action? Harvard Journal of Law & Technology, vol. 26, 2013, pp.1-12.并建立倫理監(jiān)管委員會(huì)參與監(jiān)管。⑥Felicitas Kraemer, Kees Overveld and Martin Peterson, Is There an Ethics of Algorithms? Ethics and Information Technology,vol. 13, 2011, pp. 251-260.平臺(tái)進(jìn)行政策響應(yīng)或行業(yè)自律的措施通常包括：建立公司的算法原則和標(biāo)準(zhǔn)、建立算法風(fēng)險(xiǎn)的評(píng)估機(jī)制、建立處理公眾投訴的監(jiān)察機(jī)制等。①Florian Saurwein, Natascha Just and Michael Latzer, Governance of Algorithms: Options and Limitations, Info, vol. 17, 2015, pp. 35-49.還有一種看法是選擇保守治理，依靠新聞消費(fèi)者、新聞平臺(tái)和算法服務(wù)供應(yīng)商的市場(chǎng)行為“自然”變化降低風(fēng)險(xiǎn)。例如，給新聞消費(fèi)者提供技術(shù)工具實(shí)現(xiàn)自助匿名化或去個(gè)性化服務(wù)，ConteIt、Reflect 和OpinionSpace 等工具就是專門通過搜集意外發(fā)現(xiàn)的信息來(lái)避免過濾氣泡和偏見；②Paul Resnick, Kelly Garrett, Travis Kriplean, Sean Munson and Natalie Jomini Stroud, Bursting Your (Filter) Bubble: Strategies for Promoting Diverse Exposure, Proceedings of the 2013 Conference on Computer Supported Cooperative Work Companion, San Antonio,Texas, 2013, pp. 95-100.算法供應(yīng)者會(huì)通過提高技術(shù)保護(hù)來(lái)對(duì)抗被操縱，或減少推薦偏差；新聞平臺(tái)也會(huì)通過內(nèi)容優(yōu)化策略來(lái)避免風(fēng)險(xiǎn)。如果這種機(jī)制運(yùn)行樂觀，那政府只需針對(duì)必要的問題進(jìn)行輔助性干預(yù)即可。

因此，厘清算法推薦對(duì)公民政治社會(huì)化的可能風(fēng)險(xiǎn)，對(duì)于國(guó)家、平臺(tái)、算法機(jī)構(gòu)和公民都十分重要。但是，本文在梳理過程中也發(fā)現(xiàn)了一系列缺憾和問題：第一，各個(gè)國(guó)家政體不同、文化不同、政府公民互動(dòng)關(guān)系不同，政治社會(huì)化的過程和結(jié)果都呈現(xiàn)明顯差異，亟需各國(guó)針對(duì)該問題進(jìn)行多角度的實(shí)證驗(yàn)證，同時(shí)關(guān)注跨國(guó)比較，確認(rèn)各國(guó)技術(shù)與政治的共性關(guān)系與特殊性，跳出單一國(guó)家研究的限制；第二，要測(cè)量算法推薦引起的公民政治社會(huì)化的變化，十分需要面板數(shù)據(jù)的縱向驗(yàn)證，橫向數(shù)據(jù)因其本身的缺憾很難確認(rèn)因果關(guān)系，未來(lái)應(yīng)重點(diǎn)補(bǔ)充縱向調(diào)查和驗(yàn)證；第三，公民政治社會(huì)化涉及諸多概念，應(yīng)該提高相關(guān)研究對(duì)概念操作化的一致性，以利于后期的比較研究；第四，許多研究偏向于以當(dāng)前流行的媒體為對(duì)象開展政治社會(huì)化研究，例如國(guó)外集中對(duì)Facebook 的研究、國(guó)內(nèi)對(duì)今日頭條的研究，盡管算法作為其不可忽略的一部分常被討論，但也導(dǎo)致學(xué)者的關(guān)注點(diǎn)主要集中在平臺(tái)，直接針對(duì)算法推薦與政治社會(huì)化的關(guān)系討論不夠深入，這個(gè)問題值得被專門關(guān)注。