圖源：Unsplash / Markus Spiske

撰文｜張榆澤

算法會加劇社會分裂嗎？這種“技術(shù)決定論”敘事在經(jīng)驗證據(jù)上是薄弱的。算法的核心是商業(yè)性的“參與度優(yōu)化”，而非意識形態(tài)灌輸。更關(guān)鍵的是，國外的研究發(fā)現(xiàn)，極化主要由政治精英、黨派媒體和深層社會經(jīng)濟結(jié)構(gòu)驅(qū)動，強迫人們走出繭房、接觸對立觀點，非但不能促進理解，反而會使其立場變得更加極端。

早在“算法”成為熱詞之前，瓦爾特·李普曼（Walter Lippmann）就對“輿論”的形成提出了深刻的質(zhì)疑。他引用羅伯特·皮爾爵士的話說，“所謂輿論就是匯集了愚蠢、軟弱、偏見、錯誤的感覺，準(zhǔn)確的感受，固執(zhí)的觀點和報紙文章的大雜燴”。近一個世紀(jì)前，人們幾乎不會把社會的裂痕簡單歸因于某一特定要素，而是試圖從更復(fù)雜的結(jié)構(gòu)中找到答案。

在當(dāng)代公共話語中，一種普遍的觀點認(rèn)為，社交媒體在加劇社會分裂，無論是故意推送對立觀點以制造不同群體之間的矛盾，還是將極端者聚集起來相互強化，這些敘事都指向一個共同的“元兇”：算法。

這種“技術(shù)決定論”的觀點，很大程度上源于伊萊·帕里澤（Eli Pariser）提出的“過濾泡”（Filter Bubble）概念，他認(rèn)為算法的個性化推薦機制會將用戶在知識上隔離開來，只向他們展示與其既有觀點相符的內(nèi)容，從而助長了政治極化。

這個邏輯符合我們的直覺，但它在很大程度上只是一種“未經(jīng)證明的預(yù)設(shè)”。近年的多項研究正在對這一“常識”發(fā)起挑戰(zhàn)。

01 “繭房”的實證脆弱性

首先，“算法導(dǎo)致繭房”這一前提，在實證研究中就顯得相當(dāng)薄弱。

人們常說的“過濾泡”，指的是算法通過個性化排序，為我們每個人創(chuàng)造了一個獨特的信息宇宙，從而侵蝕了共同的討論基礎(chǔ)。而“信息繭房”或“回音室”（Echo Chamber），則指我們最終停留在一個封閉的媒體空間，內(nèi)部信息被放大，而外部信息被隔絕。

但現(xiàn)實中，這樣的“繭房”真的普遍存在嗎？

路透新聞研究所（Reuters Institute）發(fā)布的一份文獻綜述在回顧了大量相關(guān)研究后指出：真實的“繭房”非常罕見，大多數(shù)人接受的媒介信息是相對多樣化的。一項針對英國的研究估計，只有約6%到8%的公眾處在黨派新聞的“回音室”中。

與普遍認(rèn)知相反，多項研究一致發(fā)現(xiàn)，依賴搜索引擎和社交媒體獲取新聞的人，其接觸到的新聞來源反而更廣泛、更多元。這被稱為“自動的機緣巧合”（Automated Serendipity）——算法會“投喂”給你本不會主動選擇的內(nèi)容。

少數(shù)確實存在于繭房中的人，主要是因為他們主動選擇只看某些媒體，而不是算法有預(yù)謀推送的結(jié)果。

事實上，那些認(rèn)為算法離間的觀點，往往假設(shè)平臺樂于見到?jīng)_突，因為沖突帶來流量。然而，這種假設(shè)忽視了平臺運營的真正目標(biāo)：長期用戶留存。

正如抖音安全與信任中心所公開的算法原理，如果算法一味迎合用戶已有的興趣，會導(dǎo)致內(nèi)容越來越同質(zhì)化，這會使用戶很快感到無聊并離開平臺。因此，推薦系統(tǒng)必須在“利用”和“探索”之間保持平衡，主動將用戶可能感興趣的新內(nèi)容推送給用戶，以保持新鮮感和用戶黏性。

02 當(dāng)“兼聽”不再“明”

既然“算法導(dǎo)致繭房”的證據(jù)不足，那么極化的根源究竟在哪？

中國有句古話叫“兼聽則明”，西方的商談民主理論也認(rèn)為，公民在理性商談中接觸不同觀點，會變得更溫和。如果“繭房”是問題所在，那么打破它——讓人們“兼聽”——理應(yīng)能緩解極化。

但如果這個前提在社交媒體時代失效了呢？

杜克大學(xué)社會學(xué)家克里斯·貝爾（Chris Bail）教授進行了一項巧妙的實地實驗，直接測試了這個問題。他的團隊招募了一批立場堅定的民主黨和共和黨推特用戶，然后付錢讓他們關(guān)注一個專門轉(zhuǎn)發(fā)對立陣營政治言論的“機器人”賬號。

這個實驗的設(shè)計，本質(zhì)上就是強行打破繭房，迫使參與者“兼聽”。然而，實驗結(jié)果讓人意想不到：一個月后，參與者非但沒有變得更溫和、更理解對方，反而普遍變得更加極端了。

這一發(fā)現(xiàn)證明，至少在社交媒體環(huán)境中，強迫你“走出信息繭房”，非但沒有解決問題，反而加劇了極化。

阿姆斯特丹大學(xué)一項最新的“生成式社交模擬”研究進一步證實了這一觀點。當(dāng)研究者使用AI智能體創(chuàng)建了一個只有發(fā)帖、轉(zhuǎn)發(fā)和關(guān)注功能的“最小平臺”后，發(fā)現(xiàn)即使沒有復(fù)雜的推薦算法，黨派回音室、影響力高度集中和極端聲音放大等功能障礙依然會自發(fā)產(chǎn)生。情緒化的（往往是極端的）內(nèi)容獲得更多轉(zhuǎn)發(fā)，轉(zhuǎn)發(fā)行為又為發(fā)布者帶來更多關(guān)注者（即影響力），這又進一步強化了極端內(nèi)容在網(wǎng)絡(luò)中的主導(dǎo)地位。

這一發(fā)現(xiàn)的意義在于，問題不是算法“隔離”了我們，而在于人類社交網(wǎng)絡(luò)的基礎(chǔ)架構(gòu)就會獎勵那些基于身份、情緒化、非理性的反應(yīng)，并允許這些反應(yīng)直接構(gòu)建了我們的社交關(guān)系。

03 極化的真相是什么？

為什么接觸對立觀點會適得其反？要回答這個問題，我們必須區(qū)分兩種截然不同的“極化”。

現(xiàn)代政治科學(xué)研究指出，意識形態(tài)極化（Ideological Polarization），即人們在具體政策立場上的分歧，在普通民眾中并未顯著增加。然而，情感極化（Affective Polarization），即不同黨派群體之間日益增長的厭惡、不信任和敵意，卻在急劇上升。這種極化無關(guān)乎政策，關(guān)乎身份；其特征更多體現(xiàn)為“對群外的憎恨”（Out- Group Hate）。

貝爾教授據(jù)此提出的“社交媒體棱鏡”（Social Media Prism）理論認(rèn)為，社交媒體既不是“鏡子”，也不是“繭房”，而是一面“棱鏡”：它會扭曲我們對自我和他人的認(rèn)知。

這種扭曲來自兩個方面：首先，社交媒體的核心機制是身份展演和地位競賽，這為極端者提供了最佳舞臺。其次，當(dāng)極端者占據(jù)了輿論場，溫和派會因“沉默的螺旋”而噤聲。這面“棱鏡”讓我們錯誤地以為對立陣營里所有人都是我們在網(wǎng)上看到的那些極端分子。

這也解釋了貝爾的實驗為何失?。簠⑴c者被迫看到的，并非溫和的對立觀點，而是被“棱鏡”折射過的、最刺耳的聲音，這自然加深了他們的情感極化。也有研究表明，用戶雖然能感知到一種基于身份的“個體意見氛圍”，但其“個體意見表達”卻并不受其顯著影響，更別說制造認(rèn)同，從而演變成非理性行為了。

04 超越“參與度”，算法的未來在哪？

算法是在一個預(yù)先存在的極化環(huán)境中運作的，而非創(chuàng)造了這個環(huán)境。

極化加劇的時間線，遠(yuǎn)早于現(xiàn)代社交媒體算法的出現(xiàn)，一種“自上而下”的模式似乎很早就有。

首先，精英極化（Elite Polarization）先于并驅(qū)動著大眾極化，政治家和活動家首先采取了更鮮明的立場。其次，深層的社會經(jīng)濟因素，如日益加劇的經(jīng)濟不平等，與政治極化之間存在著深刻的結(jié)構(gòu)性關(guān)系。此外，時間序列分析也顯示，收入不平等的衡量標(biāo)準(zhǔn)（如基尼系數(shù)）與國會極化程度之間存在著強烈的長期相關(guān)性。

將算法視為極化危機核心的“技術(shù)決定論”敘事，是對一個復(fù)雜、多因現(xiàn)象的過度簡化。

“算法離間論”和“傻子共振”所描述的現(xiàn)象，其根源更多在于人類的心理偏見（如選擇性接觸）和深層的社會政治結(jié)構(gòu)。當(dāng)一條長達450分鐘的《紅樓夢》深度解讀視頻能獲得3億播放量，這恰恰是算法主動破壁、發(fā)掘用戶深度興趣的結(jié)果，而非“繭房”的產(chǎn)物。

既然算法只是“放大器”，那么簡單的技術(shù)調(diào)整能否“校正”這種放大效應(yīng)？阿姆斯特丹大學(xué)的“AI沙盒”（Sand box）研究為此提供了發(fā)人深省的答案。研究者測試了六種廣泛提議的“親社會干預(yù)措施”，結(jié)果發(fā)現(xiàn)那些看似“解藥”的方案效果“微乎其微”，甚至適得其反。

例如，強行打破所謂繭房（即“提升對立黨派內(nèi)容”）的干預(yù)措施，結(jié)果顯示“幾乎沒有影響”，AI智能體在被迫接觸對立觀點時，并沒有改變自己的行為，再次證實了“跨黨派曝光本身是不夠的”。而許多人呼吁回歸的“按時間排序”信息流，雖然確實能大幅降低“注意力不平等”，但它帶來了意想不到的負(fù)作用：它加劇了社交媒體棱鏡效應(yīng)，使得極端黨派用戶的聲音獲得了更強的相對影響力。

因此，富有成效的干預(yù)措施，不應(yīng)著眼于創(chuàng)造“中立”算法這一徒勞的目標(biāo)。而應(yīng)更多地關(guān)注探索超越原始參與度優(yōu)化的替代性算法設(shè)計，例如，轉(zhuǎn)而優(yōu)先考慮獎勵用戶的“陳述偏好”（用戶反思后認(rèn)為有價值的內(nèi)容）而非“揭示偏好”（用戶沖動點擊的內(nèi)容），或為“建設(shè)性話語”進行設(shè)計，從而將技術(shù)的力量植根于對我們當(dāng)前分裂的人類和政治根源的更準(zhǔn)確理解之上。

本文作者系對外經(jīng)濟貿(mào)易大學(xué)文學(xué)與國際傳播學(xué)院講師

參考文獻：

• [1] Larooij, M., & T?rnberg, P. (2025). Can we fix social media? Testing prosocial interventions using generative social simulation. arXiv preprint arXiv:2508.03385v1.
• [2] Milli, S., Carroll, M., Wang, Y., Pandey, S., Zhao, S., & Dragan, A. D. (2025). Engagement, user satisfaction, and the amplification of divisive content on social media. PNAS Nexus, 4, pgaf062.
• [3] Arguedas, A. R., Robertson, C. T., Fletcher, R., & Nielsen, R. K. (2022). Echo chambers, filter bubbles, and polarisation: a literature review. Reuters Institute for the Study of Journalism.
• [4] Zuiderveen Borgesius, F. J., Trilling, D., M?ller, J., Bodó, B., de Vreese, C. H., & Helberger, N. (2016). Should we worry about filter bubbles?. Internet Policy Review, 5(1).
• [5] Bail, C. A., Argyle, L. P., Brown, T. W., Bumpus, J. P., Chen, H., Hunzaker, M. F., Lee, J., Mann, M., Merhout, F., & Volfovsky, A. (2018). Exposure to opposing views on social media can increase political polarization. Proceedings of the National Academy of Sciences, 115(37), 9216-9221.
• [6] Waller, I., & Anderson, A. (2021). Quantifying social organization and political polarization in online platforms. arXiv preprint arXiv:2010.00590v3.
• [7] Bakker, B. N., & Lelkes, Y. (2024). Putting the affect into affective polarisation. Cognition and Emotion, 38(4), 418-436.
• [8] Vlaicu, R. (2023). Inequality, participation, and polarization: Economic origins of partisan policies (Discussion Paper N° IDB-DP-1040). Inter-American Development Bank.
• [9] Prummer, A. (2020). Micro-targeting and Polarization. Accepted Paper
• [10] 王伯魯. 馬克思技術(shù)決定論思想辨析[J]. 自然辯證法通訊, 2017, 39(5): 126-135.
• [11] 晏齊宏. 算法推薦對網(wǎng)民意見極化的影響機制研究——基于輿論可見性視角的多層次分析[J]. 現(xiàn)代傳播, 2024, 8: 12-25.