長久以來，我們都認(rèn)識(shí)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?cè)谏缃幻襟w上只接觸到某一類信息，導(dǎo)致個(gè)體對(duì)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(tái)上的廣泛應(yīng)用，這種對(duì)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(huì)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(chǎng)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(duì)現(xiàn)實(shí)世界中的信息爆炸時(shí)，對(duì)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(duì)社交媒體的所帶來挑戰(zhàn)，算法工程師們提出了許多平臺(tái)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(duì)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(tái)會(huì)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(duì)于良性的公共對(duì)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(duì)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?duì)于信息繭房是否存在的實(shí)證，并對(duì)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(duì)我們身處的復(fù)雜世界，我們需要對(duì)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(huì)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(duì)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(duì)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(chǎng)變得更加極端。所以哪怕信息繭房被打破，社會(huì)的極化也并不會(huì)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(huì)扭曲用戶對(duì)自我和他人認(rèn)知的棱鏡。對(duì)于人這種扭曲會(huì)讓用戶形成錯(cuò)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(shí)，而是制造混亂。面對(duì)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(duì)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(duì)待小丑一樣對(duì)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(jí)�！� 他這樣想著，然后在餐廳里大鬧了一場(chǎng)。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(tái)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(huì)模擬測(cè)試親社會(huì)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)中抽取）中選擇一篇并撰寫相關(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(huì)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(tái)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(cè)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(duì)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(duì)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(shí)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(duì)于在研究中對(duì)于 AI 模擬實(shí)驗(yàn)的批評(píng)與懷疑。但是與此同時(shí)，單純使用觀測(cè)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(huì)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(huì)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(jìng)賽，研究合作的產(chǎn)生與競(jìng)賽。這種方法有助于研究網(wǎng)絡(luò)動(dòng)力學(xué)的結(jié)構(gòu)和發(fā)掘社會(huì)現(xiàn)象的涌現(xiàn)過程。正如彼得·滕貝里所言：“我仍然要對(duì)這些發(fā)現(xiàn)持保留態(tài)度，意識(shí)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牵�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�！�

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(tái) Reddit 過去 14 年間共計(jì)51 億條評(píng)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(chǎng)等社會(huì)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(duì)穩(wěn)定；但在 2016 年美國大選期間，平臺(tái)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(dòng)，而老用戶的立場(chǎng)變化極小。這一結(jié)果表明，用戶的極化程度與平臺(tái)使用時(shí)長關(guān)系不大，更可能受外部政治事件驅(qū)動(dòng)，而非社交平臺(tái)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(huì)顯著加劇社會(huì)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(tái)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(huì)本身的分裂決定了社交媒體內(nèi)容的分裂。人們?cè)诰W(wǎng)絡(luò)上看到的對(duì)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(duì)異見群體時(shí)，自我認(rèn)同的防御性強(qiáng)化反而會(huì)使極端立場(chǎng)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)。“這是一種持續(xù)存在心理情結(jié)�！� 也許，無論我們用紙媒交流，用電臺(tái)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(duì)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(shí)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.