想象的中介：大學生用戶對小紅書個性化推薦算法的態(tài)度研究

趙世調(diào) 周陽

（云南師范大學，云南 昆明 650500）

平臺社會的興起使得算法推薦信息成為數(shù)字平臺與用戶展開互動的關鍵基礎設施。作為一種高效的信息分發(fā)形式，算法推薦通過大數(shù)據(jù)及用戶畫像進行海量推送，完成“人找信息”到“信息找人”，實現(xiàn)信息與需求的高度匹配，抓住用戶眼球，增強用戶黏性。然而，算法在提高信息分發(fā)效率的同時，也可能導致算法黑箱、偏見與歧視、信息過載等，進而導致用戶產(chǎn)生社交媒體倦怠、被迫斷聯(lián)等主動遠離算法推薦平臺的行為。

將算法作為研究對象，實則是一種“算法中心主義”的表現(xiàn)，忽略了算法實踐中“被寫作者”與“特定寫作者”的隱匿。在實際使用中，平臺用戶作為連接和體驗算法的重要一端，往往會根據(jù)體驗做出互動實踐反饋，基于個體體驗與主觀能動性進行算法抵抗或算法馴化，在算法－平臺－用戶的互構(gòu)過程中養(yǎng)成適合自身需求的賬號，促使個性化推薦內(nèi)容最大化滿足自身需求。本文將目光聚焦于用戶，針對大學生群體在小紅書平臺使用過程中對于個性化推薦信息的看法及是否采取相關行動，如：關閉個性化推薦，以及使用過程中對用戶畫像的感知、是否有渴望增強某類信息的主體意識等，探索用戶對信息推薦-算法馴化-平臺搖擺等鏈條的傳導路徑，由此拓寬社會技術語境下算法的相關研究，具有一定的研究意義。

1.文獻回顧及概念界定

1.1 從技術嵌入到文化邏輯

算法的英文單詞algorithm 來源于希臘語中的“數(shù)字”（arithmos）和阿拉伯語中的“計算”（al-jabr）。[1]隨著人工智能、人機交互等的飛速發(fā)展，以算法為代表的計算機技術正迅速將技術一人－社會三者勾連成為一體。算法系統(tǒng)作為是一個復雜網(wǎng)絡系統(tǒng)，就像是“數(shù)百只手伸進其中，調(diào)整和優(yōu)化，交換部件，并試驗新的安排”。[2]其高度復雜的構(gòu)成及深度學習能力使得普通用戶幾乎不可能掌握算法處理的技術特征。同時在資本加持、商業(yè)競爭的背景下，算法成為一種非公開的計算程序以維持平臺的獨特性，與平臺一同嵌入人類生活的各個方面。

隨著平臺社會與技術嵌入的深化，算法嵌入了網(wǎng)絡社會的各個領域，參與構(gòu)建了理解傳播實踐和社會生活的基礎性框架。[3]在各類研究紛紛開始講述用戶“個人算法故事”時，忽略了算法對于社會文化邏輯的改寫，缺乏更為宏觀層面對算法轉(zhuǎn)換為社會知識的過程描繪與傳播。[4]在浩如煙海的信息海洋中，算法需要根據(jù)用戶興趣習慣和社會特征進行內(nèi)容篩選匹配，呈現(xiàn)在用戶信息流中，滿足其信息需求。內(nèi)置于信息終端的算法技術顯然成為把關人，正如英國文化研究專家拉什（Scott Lash）所說，“在一個媒體和代碼無處不在的社會，權力越來越存在于算法之中。”[5]算法成為支配信息呈現(xiàn)秩序、決定信息重要程度的隱性邏輯，影響著政治、經(jīng)濟、文化等生活的各方面。由于其對社會的深遠影響，疊加普遍認可的“黑箱”隱喻，算法正被形塑為一個不透明的、抽象的技術范疇。

1.2 從算法投喂到內(nèi)容重組

國內(nèi)對算法的研究主要始于以個性化推薦為主的今日頭條平臺，其由算法決策進行信息投喂，始終保持信息更新頻率，并依據(jù)用戶需求實現(xiàn)信息的精準分發(fā)，沉浸式進行信息喂養(yǎng)。張瀟瀟認為，算法新聞個性化推薦改變了用戶傳統(tǒng)信息行為模式、實現(xiàn)了內(nèi)容的精準分發(fā)、促進了新聞生產(chǎn)場域的擴張；但同時也面臨著用戶信息繭房、主流價值導向的缺乏、算法審查對用戶知情權的控制等。[6]徐敬宏認為在工具理性的主導下，新聞信息的分發(fā)和編審權逐漸轉(zhuǎn)移到算法手中。算法平臺上的“五毛貼”和“流量號”等能夠引起感官刺激的內(nèi)容成為最吸引眼球的核心內(nèi)容，并且這些內(nèi)容能夠?qū)崿F(xiàn)隱蔽性、精準性和長期存在性的“信息喂養(yǎng)”。這種情況如果一直持續(xù)下去，將會導致低質(zhì)量內(nèi)容驅(qū)逐高質(zhì)量內(nèi)容的現(xiàn)象，進而導致優(yōu)質(zhì)內(nèi)容被邊緣化，甚至無法在公共空間進行理性討論。[7]

隨著研究深入，學界逐漸認識到算法推薦信息由“投喂”到“重組”的轉(zhuǎn)向，用戶的主體性逐漸凸顯。在對“算法—用戶”關系中用戶主體性與能動性重新思考的基礎上， Couldry 和 Powell（2014）認為，目前算法研究的重心應該從“算法中心”轉(zhuǎn)向“算法用戶互動”，即：由探討算法的單向結(jié)構(gòu)性霸權，轉(zhuǎn)向日常社交媒體使用中用戶與算法的雙向博弈實踐。[8]作為直面算法的使用者，用戶在與算法互動的過程中呈現(xiàn)出兩面性，一方面表現(xiàn)為對算法的積極配合，如：為擴大信息范圍而根據(jù)設定規(guī)則使用，另一方面則對算法輸出結(jié)果的“改寫”和“顛覆”。[9]張萌則通過訪談法對用戶算法抵抗行為進行了分類：（1）對算法產(chǎn)品的空間隔絕；（2）對算法規(guī)則的自我重組；（3）對算法規(guī)則的主動嵌入；（4）對算法邏輯的反向規(guī)訓與控制， 最典型的就是用戶通過有意識地“投喂自身偏好”來訓練算法。[10]用戶視角的引入，極大改變了以算法為元結(jié)構(gòu)的研究，從算法無限投喂信息到用戶自主重組信息，對其重要程度進行自我甄別，也是從消極受眾觀向主動用戶觀的轉(zhuǎn)向。

1.3 從消極受眾到主動用戶

“受眾”，詞義為大眾傳播的信息接收者，與之相近的有大眾、人民、群體等詞，其核心在于其內(nèi)涵的主動性與被動性的博弈。“魔彈論”“刻板印象”“受眾商品論”等均將受眾視為被動消極的存在。既往研究或多或少繼承了這一觀點，將算法推薦下的受眾視為沉迷在信息流中，接受訊息不斷窄化，扮演算法“受害者”的角色。學者匡文波指出，用戶必須讓渡一部分個人隱私才能獲得信息的精準匹配，并在此過程中受到算法黑箱、用戶標簽等的限制難以實現(xiàn)真正意義上的信息世界全貌，成為單向度被投喂的“信宿”，始終面臨著隱私讓渡與全景監(jiān)獄、自主讓渡與規(guī)訓操縱、平等讓渡與算法歧視、知情讓渡與技術黑箱、被遺忘讓渡與永久記錄這幾對矛盾。[11]不少學者將用戶的點擊、瀏覽、分享等行為視為替平臺進行數(shù)字勞動，在進行情感勞動的同時容易遭到算法和平臺的情感剝削和價值壓榨。

隨著用戶視角的引入，不少學者開始認識到用戶的主觀能動性，甘險峰等認為在新媒體語境下，被動的受眾應該改為主動的用戶。[12]回顧西方“受眾主動性”的研究，拜歐卡將學界關于主動性的論述分為五種，即選擇性、功利主義、目的性、抵制影響、卷入或參與。[13]不少研究對社交媒體用戶使用算法的行為進行研究，如：“順從”算法內(nèi)容推薦規(guī)則來馴化算法；利用“算法想象”中的排名規(guī)則使自己想要展示的內(nèi)容權重上升，達到信息“可見”；通過更改個人偏好設置來“戲弄”“迷惑”算法達到“意外”的推薦可見性效果、通過變更用戶身份權限設置來對抗推薦算法對邊緣群體的歧視 等。[14]諸如此類在算法推薦的給定框架下，利用其深度學習能力，進行信息喂養(yǎng)，進而實現(xiàn)算法馴化，“養(yǎng)成”屬于自己的賬號，滿足其信息獲取需求，形成屬于自己的個性化推薦體系。

1.4 概念界定

綜上所述，本文將個性化推薦界定為：用戶在使用小紅書時，基于平臺屬性，如：內(nèi)容偏好、頁面設計和推薦方式，如：基于好友關系的社交推薦、熱搜榜設置，在其綜合算法推薦技術的基礎上，瀏覽推送信息、輸入需求信息、滋養(yǎng)算法、并逐漸適應自身需求的推薦機制。通過對內(nèi)容權重的排序和重組，實現(xiàn)信息與用戶需求的高度匹配，使平臺更好地為用戶服務。在對其概念化和操作化后，提出以下三個研究問題。

（1）大學生用戶在小紅書平臺的使用情況？具體包括是否使用、使用年限、每天使用時長及瀏覽偏好等。

（2）在使用過程中對個性化推薦信息的態(tài)度及具有算法馴化意識？如：是否意識到平臺內(nèi)容由算法推薦生成、是否享受個性化推薦算法、是否主動進行算法調(diào)試等。

（3）如何看待個性化推薦信息與信息繭房的關系？具體包括個性化推薦信息是否對其信息選擇造成影響、是否滿足各方面需求及是否認為平臺算法導致信息過濾、信息繭房等。

2.研究設計

本文從用戶視角切入，以大學生用戶對小紅書平臺的個性化推薦信息的態(tài)度研究為研究目的，通過問卷調(diào)查與深度訪談兩種方式，重點對用戶畫像感知程度、平臺信息同質(zhì)化、個性化推薦機制生成依據(jù)及算法馴化意識等問題展開探討。調(diào)查問卷在發(fā)放前先進行小范圍前測，針對出現(xiàn)問題進行修正，重新發(fā)放，并在問卷末尾根據(jù)填寫對象意愿展開深度訪談，對自愿接受訪談的對象進行抽樣，選取部分調(diào)查對象展開進一步深度訪談，為結(jié)論提供進一步質(zhì)化文本支撐。其中，調(diào)查問卷主要分為使用情況、對個性化推薦信息的看法、算法意識及基本信息四部分。共發(fā)放并回收221 份調(diào)查問卷，有效問卷205 份，有效回收率為92.7%。在問卷中內(nèi)嵌測謊題正確填寫人數(shù)198 人，自愿填寫接受深度訪談24 人，隨機抽樣選取6 人展開進一步訪談，與調(diào)查問卷互為補充。人均訪談時間約為30 分鐘，重點了解小紅書的使用情況、使用過程中是否有意識到算法的存在，如何看待個性化推薦信息與信息繭房的關系，在使用時是否參與互動，對小紅書的改進建議等。上述訪談均在征得訪談對象同意后全程錄音，轉(zhuǎn)錄整理為文字訪談材料留存，遵守保密原則根據(jù)訪談順序進行編號并進一步針對訪談材料總結(jié)進行研究（具體如表1 所示）。

表1 本文中出現(xiàn)的研究對象基本情況一覽表

2.1 數(shù)據(jù)與樣本

本文的數(shù)據(jù)來源于網(wǎng)絡調(diào)查平臺問卷星，總填寫人數(shù)221 人，排除未使用小紅書平臺16 人，內(nèi)嵌測謊題有效填寫人數(shù)198 人，有效率為96.5%。在所有受訪者中，男性占11.71%，女生占87.8%，第三性別占0.49%。受訪者年齡段集中在18-25 歲，學歷集中在大學（含大專及碩士生及以上），符合大學生用戶這一研究樣本的人口學特征，接近日常話語中“5G沖浪”“互聯(lián)網(wǎng)原住民”的群體想象，其對互聯(lián)網(wǎng)技術掌握較好，對新興技術接受程度高且敏感性強，且性別上與小紅書定位為相符合，是其主流用戶與市場目標。

2.2 信效度檢驗

通過SPSS 軟件對問卷結(jié)果進行導入分析，檢測信度系數(shù)值為0.974，大于0.9，信度較高。在對算法推薦滿意度、使用體驗、個性化推薦信息、算法意識及算法馴化五個方面進行測量時，采用了李克特五級量表，并使用KMO 和 Bartlett 檢驗進行效度驗證，KMO值為0.899，大于0.8，數(shù)據(jù)可以被有效提取信息。

3.研究過程

3.1 決策的基礎：算法想象

算法想象意指“思考算法是什么，它們應該是什么，它們?nèi)绾芜\作的，以及這些想象反過來又使什么成為可能”等相關問題。[15]其前身是用戶意識到算法的存在及其潛在影響，即算法意識。個性化推薦信息是以平臺算法推薦為前提，進行個性化、定制化推薦機制訓練，使得信息滿足自身需求，逐漸養(yǎng)成屬于自己的賬號。本文針對用戶是否存在明確的算法意識進行測量，86.83%的受訪者表示能夠意識到是平臺算法在進行內(nèi)容推薦；71.7%認為小紅書平臺算法優(yōu)于其他平臺；69.26%的受訪者認為算法推薦內(nèi)容是為其量身定制的；74.64%認為算法自動決定了其能看到什么內(nèi)容；84.88 的受訪者認為算法推薦基于其在平臺上的使用行為；78.05 的受訪者認為算法推薦并不透明。

由此看出，對推薦算法的認知是進一步展開個性化推薦算法馴化的決策基礎。基于個體經(jīng)驗想象出的算法推薦規(guī)則，如：使用行為、在線行為、隱私數(shù)據(jù)等將成為其改寫算法規(guī)則的重要參考依據(jù)。如：認為小紅書平臺算法由于其他平臺的用戶有較大可能繼續(xù)使用小紅書，對其投入較多時間精力，并通過該改編其使用行為對平臺算法推薦產(chǎn)生影響，滋養(yǎng)算法等。

3.2 猶豫的行動：算法抵抗

算法抵抗主要指社交媒體平臺用戶對其推薦算法的一種干預性數(shù)字實踐，即利用其自身對算法的認知和實踐行動展開積極抵抗。[16]本文對抵抗算法的態(tài)度進行測量，并將其具體界定為：抵抗算法帶來的益處，如：獲取更多信息、發(fā)掘興趣愛好、提高瀏覽效率及促進信息分享。其中分別有65.36%、70.71%、56.1%、49.46%的受訪者在以上方面表示認同。結(jié)合訪談，受訪者對于算法抵抗行動本身及帶來的益處分化明顯。

“比如高頻率地刷到同樣的內(nèi)容，我就會趕緊點了不感興趣或者是不喜歡該博主。”（訪談者6 號）；

“我不參與互動，我不評論，不點贊也不轉(zhuǎn)發(fā)，但是我會點擊不感興趣的標簽。（我會）盡量屏蔽這些東西，不要再出現(xiàn)在我的推送里”（訪談者1 號）；

“我一般不會點不感興趣，因為它這個算法我也搞不清楚他是怎么運作的，我覺得它可能會把一些我感興趣的也弄掉。所以我就我一般不會去點那個東西。”（訪談者4 號）；

“我一般不會點那個感興趣，因為我覺得他的那個入口有點麻煩，一般就劃走。”（訪談者3 號）。

由此看出，算法抵抗對于用戶而言是一個猶豫的行為，一面是反饋后算法規(guī)則不透明帶來的不確定性，一面是對現(xiàn)有內(nèi)容的無法忍受，兩者相互博弈。本文將算法抵抗具體定義為對不感興趣的內(nèi)容進行標記，點擊“不感興趣”標簽等直面平臺算法的行動。少部分用戶享受標記內(nèi)容、定制個性化推薦算法的過程，并認為這一行動能獲取更多的信息、發(fā)掘更多興趣愛好及提高信息瀏覽效率等。而更多受訪者則保持中立，較少進行內(nèi)容標記。

3.3 稱手的工具：算法馴化

本文將算法馴化定義為：用戶基于個人需求對算法規(guī)則進行改寫，重構(gòu)，并與算法相互構(gòu)建、影響及消費的長期過程，包括：算法馴化意識、行動及其過程中的心理表現(xiàn)（愉悅或厭惡）。對其進行操作化后具體表現(xiàn)為：是否主動訓練算法，訓練算法是否受朋輩、媒體影響，訓練算法所花費的時間精力，是否享受訓練算法，是否選擇直接關閉算法推薦五個方面。其中對前兩個因素進行頻數(shù)分析。

對訓練算法所花費的時間精力、是否享受訓練算法、是否選擇直接關閉算法推薦三個因素進行分析得出，56.56%的受訪者認為其在訓練算法上花費的時間精力是值得的；43.93%的受訪者享受算法馴化過程，35.35%的受訪者持中立態(tài)度；34.34%的受訪者表示不會直接關閉個性化推薦。

訪談過程中，受訪者多次提及將小紅書平臺定位為工具，即解決生活小事、搜集旅游攻略、種草美妝產(chǎn)品等，都與小紅書slogan“兩億人的生活經(jīng)驗”不謀而合。

“我當它是娛樂工具，做題工具，我唯一沒當它是一個信息獲取的一個方式。”（訪談者1 號）。

“我覺得他的工具屬性還是蠻強的。就比如說你去搜索引擎肯定是搜不到這些東西，但是你在小紅書就可以搜到。（訪談者3 號）。

“比如出去逛街買東西吃，或者去看某一家店的評論，這種會專門搜索關鍵詞去使用小紅書。”（訪談者6 號）。

對于用戶而言，發(fā)揮平臺價值、獲取所需信息成為使用其的主要目的。小紅書作為工具屬性極強的算法推薦平臺，無論用戶是否選擇馴化算法、定制個性化推薦內(nèi)容，其終極目標都是使其發(fā)揮價值，為我所用。在算法馴化與個體需要的二元關系中，用戶占據(jù)主導地位，擁有著較大的主動權，因而能夠抵抗算法在其中的負面影響，消解其可能帶來的信息繭房。除按照自身需要對內(nèi)容重要程度等進行重組外，部分用戶還會“戲弄算法”，使其難以分辨用戶的真實身份，因而避開精準投送，豐富其信息供給。

“我覺得我不會讓那種個性化推進信息陷入這種信息繭房，因為我比較反信息繭房，因為我本身也是學新傳的，然后我就覺得這種信息繭房的弊端。然后我就在搜索和瀏覽的時候，會故意避開它想給我塑造成的那個用戶的畫像，然后我就像剛剛說的，他可有時候會把我識別成寶媽，有時候會把我識別成家庭主婦，也就是我在反這種信息繭房的一個行為。我會因為一些搜索讓他對我產(chǎn)生一些畫像的認知，然后我又不去瀏覽那些信息，反而去點擊，不感興趣。然后我就避開了一些推薦但是不想關注的一些東西，比如說我喜歡美妝，喜歡護膚，然后美食那方面我還是會有所保留，并且我也希望他多給我推送相關的信息。”（訪談者6 號）。

3.4 個體的選擇：主觀能動性

在用戶與算法、平臺接觸日益密切的今天，人們已不可避免地與其正面交鋒。與最初假設一致，60.4%的受訪者認為長期接觸算法過濾后的信息將導致信息封閉，形成信息繭房。但在與訪談者訪談后，個性化推薦與信息繭房關聯(lián)并不如此密切，其中與用戶媒介素養(yǎng)、算法知識水平等密切相關。在使用小紅書時，用戶往往會發(fā)揮其主觀能動性進行算法馴化，尋求適合自己的內(nèi)容，而這也正是平臺“千人千面”的來源。而除信息繭房外，用戶更為擔心的是大數(shù)據(jù)時代個人隱私泄露、內(nèi)容版權、平臺職責履行等問題。

結(jié)語

本文以大學生用戶的平臺使用、算法相遇實踐作為分析對象，對其基于小紅書使用過程中的個性化推薦信息的態(tài)度進行調(diào)查分析，并選取部分用戶進行線上線下訪談，總結(jié)其算法意識、算法抵抗、算法馴化等相關實踐，進一步對個性化推薦信息接觸與是否產(chǎn)生信息繭房的相關性進行證偽。本文認為，用戶對于個性化推薦信息的態(tài)度與其媒介素養(yǎng)、算法意識等因素高度相關，個性化推薦信息本質(zhì)上是用戶定制化內(nèi)容與算法推薦機制相互融合的結(jié)果。大學生用戶作為“互聯(lián)網(wǎng)原住民”，對新技術、新平臺習得能力較強，較其他群體有較高的媒介素養(yǎng)與較為豐富的平臺選擇。其對于個性化推薦信息的態(tài)度總體呈現(xiàn)發(fā)揮平臺工具屬性、有意識地進行算法抵抗與算法馴化，達成內(nèi)容重組、信息優(yōu)化排序等，最大化實現(xiàn)平臺為“我”所用。基于用戶主體驅(qū)動的平臺使用行為，對算法推薦本身的繭房構(gòu)建具有一定的消解。

但同時，本文在以下幾方面亦存在一定的局限性。一是線上問卷發(fā)放可能導致填寫過程不規(guī)范、缺乏樣本代表性；二是深度訪談對象選擇相對隨機，共性提取不足。總體而言，本文遵循科學規(guī)范的數(shù)據(jù)收集步驟，采用質(zhì)化與量化相互結(jié)合的研究方法，對上述缺陷有所彌補。