長久以來，我們都認(rèn)識到了社交媒體給我們的生活所帶來的新挑戰(zhàn)。在這之中，由哈佛大學(xué)法學(xué)院的凱斯·桑斯坦教授（Cass Sunstein）所提出的“信息繭房”的概念在中文世界中得到了廣泛傳播。“信息繭房”，顧名思義， 就是我們在社交媒體上只接觸到某一類信息，導(dǎo)致個(gè)體對于世界的理解被困在狹小的信息之繭中。而隨著個(gè)性化推薦的算法在社交媒體與短視頻平臺上的廣泛應(yīng)用，這種對于自我封閉的擔(dān)憂顯得更加迫切，盡管并不嚴(yán)謹(jǐn)，人們也會提到“同溫層”，“過濾氣泡”，“傻子共振”這樣的用語，并且認(rèn)為算法推薦的發(fā)展加劇了傳播生態(tài)的惡化，導(dǎo)致個(gè)體走向封閉，使激烈的觀點(diǎn)在社交場域中獲得更多的關(guān)注。

在今天，社交媒體已經(jīng)深深地嵌入了人們的日常生活，當(dāng)個(gè)體面對現(xiàn)實(shí)世界中的信息爆炸時(shí)，對于信息進(jìn)行過濾與整理似乎是一種必然的選擇。為了應(yīng)對社交媒體的所帶來挑戰(zhàn)，算法工程師們提出了許多平臺層面的干預(yù)策略。隨著推薦算法的不斷完善，推送到人們面前的信息已經(jīng)在變得更加平衡且豐富。與此同時(shí)，人們對于個(gè)性化推薦所帶來的“信息繭房”或“同溫層效應(yīng)”感到擔(dān)憂。例如，特定的社交平臺會根據(jù)用戶的政治傾向推薦同質(zhì)化的內(nèi)容，導(dǎo)致用戶只能接觸到片面的信息來源。從而對于良性的公共對話產(chǎn)生負(fù)面影響。

懷有警醒的態(tài)度生活當(dāng)然是很好的，然而對于信息繭房在現(xiàn)實(shí)層面的具體面貌，目前仍缺乏清晰的研究。我們?nèi)狈τ谛畔⒗O房是否存在的實(shí)證，并對于它如何影響個(gè)人的信息選擇也缺乏了解。事實(shí)上，人們選擇性地接觸信息并不是一個(gè)新現(xiàn)象。也有學(xué)者指出，“同溫層效應(yīng)” 確實(shí)存在，但目前的擔(dān)憂其實(shí)是夸大了事實(shí)。“信息繭房”這一概念引發(fā)了廣泛的擔(dān)憂，但這是否是一種叫魂式的擔(dān)憂呢？為了更好應(yīng)對我們身處的復(fù)雜世界，我們需要對于這個(gè)過程有更好的研究與理解。

在許多關(guān)于信息繭房的討論中，人們抱有這樣一種假設(shè)：如果你能接觸到多樣化的信息，那么就能打破信息繭房。而在杜克大學(xué)社會學(xué)家克里斯·貝爾（Chris Bail）的《打破社交媒體棱鏡》（Breaking the Social Media Prism）一書中，他提出了這樣的一個(gè)問題：如果個(gè)體在社交媒體上接觸到與自身對立的觀點(diǎn)，這是否真的有助于他反思自己？貝爾在他的實(shí)驗(yàn)中發(fā)現(xiàn)，用戶在社交媒體的日常使用中接觸到的對立觀點(diǎn)，其實(shí)并沒有幫助他們反思自身，反而讓他們的政治立場變得更加極端。所以哪怕信息繭房被打破，社會的極化也并不會消失。由此，貝爾提出了“社交媒體棱鏡”， 他認(rèn)為社交媒體并不是一面如實(shí)反映世界的鏡子，而是一個(gè)會扭曲用戶對自我和他人認(rèn)知的棱鏡。對于人這種扭曲會讓用戶形成錯誤的自我身份認(rèn)同和虛假政治極化（false polarization），從而變得越來越極端。

貝爾在他的書中提到了一種喜歡在網(wǎng)上發(fā)泄情緒，引起大家關(guān)注的人。我想我們都很熟悉這樣的人物畫像，他們的目的不是表達(dá)或者尋求共識，而是制造混亂。面對這樣的人時(shí)，人們很容易做出情緒化的反應(yīng)。事實(shí)上，這種形象在現(xiàn)實(shí)中當(dāng)然也存在，在《卡拉馬佐夫兄弟》里，在先前表現(xiàn)糟糕的老卡拉馬佐夫來到了一家餐廳，他在心里對自己說：“ 我總是感到，不管我走到哪里都低人一等，每一個(gè)人都想對待小丑一樣對待我——那就讓我真的演一次小丑吧，你們所有人，無一例外，都比我低級?！?他這樣想著，然后在餐廳里大鬧了一場。而不幸的是，在網(wǎng)絡(luò)上和在現(xiàn)實(shí)中一樣，這樣的鬧劇總能得到更多的關(guān)注。

最近，阿姆斯特丹大學(xué)的彼得·滕貝里（Petter T?rnberg）和邁克·拉羅伊（Maik Larooij）兩位作者在物理學(xué)預(yù)印本平臺arXiv上發(fā)表了一篇論文，并得到了《科學(xué)》雜志的關(guān)注。在這篇名為《我們能修復(fù)社交媒體嗎？利用生成式社會模擬測試親社會干預(yù)》 （Can We Fix Social Media? Testing Prosocial Interventions using Generative Social Simulation）的論文中[1]，他們利用大語言模型生成了500個(gè)虛擬用戶，并構(gòu)成一個(gè)小型的社交網(wǎng)絡(luò)。每個(gè)用戶都根據(jù)美國國家選舉研究中來自全國選民調(diào)查的真實(shí)用戶畫像，被賦予了年齡、性別、宗教信仰、政治傾向和教育程度等特征。

在三項(xiàng)獨(dú)立的實(shí)驗(yàn)中，研究人員分別使用三種主流大型語言模型（LLM）——ChatGPT、Llama 和 DeepSeek——將虛擬用戶擴(kuò)展為包含興趣、愛好和職業(yè)等更細(xì)致特征的個(gè)人畫像，并基于這些畫像生成決策。在實(shí)驗(yàn)過程中，系統(tǒng)隨機(jī)選取的用戶需在三種行為中進(jìn)行選擇：從 10 篇隨機(jī)新聞文章（從 21 萬個(gè)候選項(xiàng)中抽?。┲羞x擇一篇并撰寫相關(guān)帖子；轉(zhuǎn)發(fā)已有帖子；或依據(jù)自身畫像關(guān)注其他用戶。用戶的選擇會受到其信息流內(nèi)容的影響，該信息流包含 10 條帖子，其中一半來自用戶已關(guān)注的人，另一半則來自未關(guān)注用戶的熱門帖子。

在每次實(shí)驗(yàn)中，虛擬社交網(wǎng)絡(luò)均運(yùn)行了一萬個(gè)周期。然而，無論研究人員采用哪一種 LLM 模型，平臺最終都不可避免地出現(xiàn)了三種典型的負(fù)面現(xiàn)象：回音室效應(yīng)、影響力集中，以及極端聲音的放大。

該研究隨后以理想化形式測試了六種通常用于緩解社交媒體算法問題的干預(yù)策略：

1. 按時(shí)間順序推送或隨機(jī)推送

2. 淡化主流（高轉(zhuǎn)發(fā)量）內(nèi)容

3. 平衡黨派內(nèi)容的橋接算法

4. 優(yōu)先發(fā)布具有高同理心或高推理能力的帖子

5. 隱藏社交媒體統(tǒng)計(jì)數(shù)據(jù)，例如粉絲數(shù)量

6. 隱藏個(gè)人簡介以減少基于身份的信息傳遞

然而實(shí)驗(yàn)結(jié)果令人沮喪。只有部分干預(yù)措施對于系統(tǒng)起到了輕微的改善作用，但沒有一項(xiàng)能夠徹底地修復(fù)出現(xiàn)極化的系統(tǒng)。事實(shí)上，一些干預(yù)措施反而加劇了問題。平衡黨派內(nèi)容的橋接算法顯著削弱了黨派傾向與參與度之間的聯(lián)系，并略微改善了觀點(diǎn)多樣性，但同時(shí)也加劇了社交媒體中的關(guān)注度不平等。按時(shí)間順序推送對減少關(guān)注度不平等效果最為顯著，但同時(shí)也存在弊端：它加劇了極端內(nèi)容的傳播。

按時(shí)間順序推送是一種屬于 Web2.0 時(shí)代的，更加古早的推送策略。人們傾向認(rèn)為 BBS 論壇等按時(shí)間排序的網(wǎng)絡(luò)社區(qū)，更容易實(shí)現(xiàn)注意力的平等，減少社群的分裂與極化；而采用推薦算法的社區(qū)，因“回音室效應(yīng)”容易造成群體間的間隔，進(jìn)而加速觀點(diǎn)極化。而在這兩位科學(xué)家的模擬中，取消了推薦算法按時(shí)間排序推送，反而加劇了極端內(nèi)容的傳播。這是一個(gè)有些反常識的發(fā)現(xiàn)。

在接受 Ars Technica 的采訪時(shí)，彼得·滕貝里也提到了他作為一個(gè)學(xué)者對于在研究中對于 AI 模擬實(shí)驗(yàn)的批評與懷疑。但是與此同時(shí)，單純使用觀測數(shù)據(jù)，使得研究者很難驗(yàn)證反事實(shí)假設(shè)。因此，研究者們也會創(chuàng)建系統(tǒng)的計(jì)算機(jī)模型，并在此基礎(chǔ)上進(jìn)行實(shí)驗(yàn)并驗(yàn)證反事實(shí)假設(shè)。計(jì)算機(jī)模擬在社會行為研究領(lǐng)域有著悠久的歷史，例如羅伯特·艾克斯羅德（Robert Axelrod）就曾在《合作的進(jìn)化》（The Evolution of Cooperation）中使用計(jì)算機(jī)模擬“重復(fù)囚徒困境”競賽，研究合作的產(chǎn)生與競賽。這種方法有助于研究網(wǎng)絡(luò)動力學(xué)的結(jié)構(gòu)和發(fā)掘社會現(xiàn)象的涌現(xiàn)過程。正如彼得·滕貝里所言：“我仍然要對這些發(fā)現(xiàn)持保留態(tài)度，意識到這些只是模型，它們捕捉的是一種假設(shè)的世界——就像真空中的一頭球形奶?！ぁぁぁぁぁげ恍业氖?，在這個(gè)實(shí)驗(yàn)中，我們發(fā)現(xiàn)了一種似乎非常穩(wěn)健的機(jī)制?！?/p>

而在更早之前，在《自然》雜志 2021 年發(fā)表的一項(xiàng)研究中[2]，多倫多大學(xué)計(jì)算機(jī)科學(xué)系的研究團(tuán)隊(duì)以社區(qū)平臺 Reddit 過去 14 年間共計(jì)51 億條評論為樣本，分析了用戶在 1 萬多個(gè)子社區(qū)中的發(fā)言行為。結(jié)果顯示，Reddit 的社區(qū)結(jié)構(gòu)并非僅以“話題”劃分，而是深受用戶的年齡、性別與政治立場等社會因素影響。研究發(fā)現(xiàn)，2012 至 2015 年間，Reddit 上的政治極化程度相對穩(wěn)定；但在 2016 年美國大選期間，平臺的政治極化水平突然顯著上升。值得注意的是，這一變化主要由當(dāng)年新加入的用戶推動，而老用戶的立場變化極小。這一結(jié)果表明，用戶的極化程度與平臺使用時(shí)長關(guān)系不大，更可能受外部政治事件驅(qū)動，而非社交平臺內(nèi)部行為的積累所致。

在國際學(xué)術(shù)界，關(guān)于社交媒體與政治極化關(guān)系的研究多以政治取向（如左右翼）為衡量維度。然而，多數(shù)實(shí)證研究表明，社交媒體并不會顯著加劇社會的極化現(xiàn)象。換言之，極化更多是現(xiàn)實(shí)政治分裂的映射，而非平臺算法所制造的“回音室”或“信息繭房”效應(yīng)。

也許，更接近現(xiàn)實(shí)的解釋或許是：社會本身的分裂決定了社交媒體內(nèi)容的分裂。人們在網(wǎng)絡(luò)上看到的對立聲音，并非由算法催生，而是現(xiàn)實(shí)世界的分裂在社交媒體世界的真實(shí)反映。即便在不存在算法干預(yù)的中性環(huán)境中，人類依然傾向于靠近與自己觀點(diǎn)相似的群體；而面對異見群體時(shí)，自我認(rèn)同的防御性強(qiáng)化反而會使極端立場更加突出。

事實(shí)上，我想起《美國的反智傳統(tǒng)》的作者理查德·霍夫施塔特（Richard Hofstadter）的論述，他早在上世紀(jì)60年代就開始批判他所處時(shí)代政治的偏執(zhí)狂傳統(tǒng)?！斑@是一種持續(xù)存在心理情結(jié)。” 也許，無論我們用紙媒交流，用電臺或是電視交流，還是像現(xiàn)在一樣在社交媒體上交流，這樣的極化與偏執(zhí)總是存在的，這是一種我們無法否認(rèn)，也無法避免的現(xiàn)實(shí)。面對歷史，也許我們不得不承認(rèn)，與其怪罪算法，我們更加應(yīng)當(dāng)意識到我們作為人類的局限。當(dāng)然，這也就是說，我們不要放棄，去理解這個(gè)我們所生活的世界。

參考文獻(xiàn)

[1] Larooij, M., & T?rnberg, P. (2025). Can We Fix Social Media? Testing Prosocial Interventions using Generative Social Simulation. arXiv preprint arXiv:2508.03385.

[2] Waller, I., & Anderson, A. (2021). Quantifying social organization and political polarization in online platforms. Nature, 600(7888), 264-268.