馴化與反向馴化：對抖音直播中算法推薦現象的實證研究

摘要：【目的】隨著數字技術發展，算法成為信息傳播與社會建構變革的關鍵要素。文章局部考察了抖音直播中的算法推薦現象，也嘗試對抖音直播中的算法推薦現象研究進行經驗性材料補充。【方法】采用實證研究的方法，通過扎根理論三級編碼梳理出“馴化”“反向馴化”兩個核心解釋范疇，進一步對話馴化理論。【結果】在馴化層面，算法推薦是有一定馴化難度、具有隱蔽性特征的對象，用戶馴化算法推薦及其相關內容有兩條基本路徑，同時平臺中的算法推薦在不同功能區之間相互聯系和影響。在反向馴化層面，從行為到觀念、從個體到群體，算法推薦對直播參與者的馴化是潛移默化的。同時，反向馴化邏輯與算法推薦的自身設計之間存在強相關關系。【結論】算法推薦對于直播參與者并無不益之處，但也存在一種數字資本主義時代之中隱性的控制邏輯。

關鍵詞：算法推薦；扎根理論；馴化；反向馴化；抖音直播" " " " " " "中圖分類號：TP399" " " " " " " "文獻標識碼：A

文章編號：1671-0134（2023）05-072-04" " " " "DOI：10.19483/j.cnki.11-4653/n.2023.05.016

本文著錄格式：李嘉宜，劉鵬.馴化與反向馴化：對抖音直播中算法推薦現象的實證研究[J].中國傳媒科技，2023（05）：72-75.

1.問題的提出：算法推薦與抖音用戶的互動

隨著數字技術的深度發展，算法成為信息傳播與社會建構變革的關鍵要素，同時也催生了大量如“算法黑箱”“過濾氣泡”“信息繭房”等與算法密切聯系的現象型關鍵詞，算法推薦也不例外。從早期新聞業中的新聞自動生產和個性化推薦，到近年來的短視頻、直播，以及各類社交平臺的信息推送等，算法推薦作為常見的算法技術應用之一，已然深刻融入人們的日常生活。具體來說，算法技術是“一種解決特定問題或實現確定結果而進行的一系列操作化步驟”[1]，而算法推薦就是通過追蹤用戶的網絡行為來解決用戶喜好內容推薦問題，即通過用戶畫像、平臺信息、環境特征等數據進行算法處理并進行推薦，最后形成反饋的操作過程。[2]抖音作為目前國內直播用戶聚集最多的直播平臺之一，也通過算法推薦的方式與直播的參與者之間產生關聯，[3]這背后折射出作為直播參與者的用戶主體性和平臺的技術能動性之間的互動。

近年來，以抖音平臺為典型案例進行算法方向的研究成為學界新的關注點。例如，蔣曉麗等關注了抖音用戶在算法焦慮中的自我實踐，并強調用戶對平臺“再馴化”時的能動性和主體性從“役于物”到“假于物”的轉變。[4]梁莉莉等從抖音平臺中的非物質文化遺產視頻直播入手，提出優化算法“推動網絡非遺直播形塑出新秩序，基于傳承主體培育出新的傳承機制”的具體舉措。[5]晏齊宏則基于社會認知理論，研究用戶算法感知對反饋行為的影響機制，發現用戶的媒介實踐中一方面可以感知到信息由算法推薦，形成不同的感知模式并反饋到行為。[6]此外，還有研究廣泛地關注了平臺直播的廣告效果、人與平臺的互動關系等。其中，部分研究僅只考察了“預馴化—馴化”視角下的算法定義，尚未有學者從“馴化與反向馴化”角度針對抖音算法推薦現象展開研究。[7]

因此，文章通過實證研究的方法，局部考察抖音直播中算法推薦現象，并通過扎根理論三級編碼梳理出“馴化”“反向馴化”兩個核心解釋范疇，進一步對話馴化理論。同時，我們也嘗試對抖音直播中的算法推薦現象研究進行經驗性材料補充。

2.文獻綜述與研究設計：馴化理論與扎根理論

馴化最早用來比喻“對野生動物的馴服”，來源于通信技術的實證研究，被用來指代“馴服信息通訊技術”的過程。它包含以下四個步驟：商品化、客觀化、合并和轉換。[8]商品化指將技術帶入家庭等場所，客觀化指技術在該場所的物理和象征位置，合并指技術在人們日常生活中使用的方式，轉換指技術作為人們身份和自我呈現的一部分。[9]反向馴化則延續了Silverstone的上述思考，進一步對“技術”進行反思，并突出強調了對數字時代中“人與媒介技術之間的關系異化”的關注[10]，從某種程度上來說，就是一種從“人”馴化“技術”到由“技術”馴化“人”的關系的轉變，并形成了一種共識性的觀點，即人在馴化媒介技術的同時，也受到媒介技術的反向馴化。事實上，近年來大量研究關注了反向馴化，它們分布在對兒童群體的網絡消費行為[11]、農民群體的抖音實踐[12]、智能家居使用的研究[13]等多個方面，但是目前仍未有研究針對直播中的算法推薦現象展開分析，因此本研究也嘗試對反向馴化研究作案例補充。在本文中，作為直播參與者的用戶便是“人”，直播平臺中的算法推薦及其相關內容則是“技術”，分別對應著一種人的主體性和技術的能動性。

本研究主要采用深度訪談法，所有研究樣本均通過目的性抽樣的方式確定，為了更準確地回應針對抖音直播算法推薦現象的研究問題，設置抽樣條件為“平均每天觀看抖音直播超過90分鐘”，以確保研究對象是抖音直播的重度用戶，并對抖音直播有一定了解。最終，確定了20位受訪者。研究樣本基本信息見表1。

在經過所有受訪者的同意授權后，筆者通過錄音與筆記相結合的方式進行記錄。訪談結束后，通過錄音和文稿對材料進行整理、核查、清洗，并對部分人進行了回訪。最后進入資料分析階段。為了保護受訪者隱私，本文中相關人員信息均進行編號處理。此外，研究者考慮到被調查群體的代表性、全面性等存在局限，也通過個人的方式，從抖音官方內部獲得了部分與算法推薦相關的資料作為補充。

扎根理論作為一種方法，重視歸納與演繹的結合，并且強調通過清晰的程序 （procedures）手段進行研究資料收集和分析，以及理論概念的逐步浮現，因此，對所收集的研究資料進行開放編碼、主軸編碼、選擇編碼三級編碼表如下。

3.研究分析：馴化與反向馴化

當算法推薦介入到抖音直播的過程中，這一媒介技術作為一種工具被“人”創造、馴化的同時，也因為算法推薦本身的“技術意向結構”馴化著直播的參與者，形成了一種反向馴化。[14]這不是用戶參與抖音直播的兩個階段，而是一種共生的同一過程。

在正式分析前，作為一種分析前提，筆者必須指明：筆者從訪談資料中得知有55%的受訪者僅只停留在比較不熟悉（聽過）甚至完全不熟悉的階段，而且，這種對算法推薦熟悉程度并未與受教育程度呈明顯的正相關關系。對算法推薦認知程度較高的集中在高中及本專科，筆者對這一現象感到十分好奇，并通過滾雪球的方式了解到對算法推薦的熟悉程度與直播的參與程度有著密切的關系。

在這種天然的“馴化與反向馴化”的過程中，可以分為以下幾種情況進行具體的討論：共分為兩種“馴化”和兩種“反向馴化”。

第一種馴化是抖音直播中算法推薦技術本身，在這一過程中主要體現在平臺對算法技術的改良。改良的源頭一方面來源于技術進步，另一方面也源自用戶的實時反饋。同時，對這種技術的馴化，呈現出從文字到動態畫面的轉變。

“平臺本身也會改良這種推薦的算法，以及面向用戶的算法推薦設置，像早期的比較直白的不感興趣（就是那個心碎的按鈕）到后來有那種隨機發放的視頻形式的問卷調查，問你直播怎么樣、類型符合不符合你的需求等，再到現在直接從文字跳轉到直播畫面的選擇，本身在用戶的影響下平臺也會做出很多調整而且迭代很快。”（訪談資料）

第二種馴化是通過抖音直播中的算法推薦技術馴化直播內容選擇。在這一過程中，抖音直播對用戶通過算法推薦馴化直播內容的選擇主要從兩個大的方面切入，首先是直接的“音視頻反饋”“不感興趣”“優化直播推薦”，之后是用戶畫像，其中包括用戶的直播觀看習慣、直播消費習慣等。同時，發現短視頻的觀看習慣也會影響直播的算法推薦。在平臺中的用戶畫像在不同功能區之間并不是割裂的而是聯通的。

“我自個一開始的時候看直播也看得不少，但是，我就光知道有一個點擊不感興趣的按鈕，別的都不知道，更別提你說的算法推薦這種詞了，我也是又一次在看直播的時候偶然長按（應該是壓到了）才看到那個‘優化直播推薦’的選擇，然后我就去知乎上搜了一下，這就明白是推薦了。后來我也會用這個。”（訪談資料）

在上述兩種馴化的過程中，筆者還發現了平臺進行直播算法推薦時呈現出鮮明的“隱蔽性”特征，平臺更青睞用戶自身觀看行為影響下的用戶畫像來作為算法推薦的依據，從而在潛移默化中完成直播的算法推薦。這也印證了前文提及的即便有較高的受教育程度和直播參與度的用戶對算法推薦的陌生化現實。

“（筆者面向受訪者演示了‘優化直播推薦’的功能后）這也太難找了，誰沒事扒拉底下的這些按鈕（功能鍵），不過你別說，這個用來選新的直播還蠻好的。我也記得之前有那種調查的視頻（視頻類偏好調查問卷），但是我基本不看，這個優化（優化直播推薦）要是整得顯眼點兒，我還真會選。（笑）”（訪談資料）

“我自己也試驗過，有一段時間我就是特別喜歡看跳舞的短視頻，就是瘋狂點贊評論，在這之前平臺沒有給我推薦過任何跟舞蹈相關的直播，但是自從（點贊評論）之后，幾乎就是一兩天就同步到我的直播推薦上了。”（訪談資料）

第一種反向馴化是直播推薦算法對用戶行為的規訓，其中最為顯著地體現在用戶受“優化直播推薦”功能影響而改變的搜索習慣，以及在算法推薦中固定用戶的觀看習慣，從而提高觀看黏性。同樣，在直播消費習慣上，也存在反向馴化的現象。

“你說這個算法推薦本身就是平臺設置的，當我們觀看的時候其實本身就參與了這種使用與被使用的關系，比如，你看似通過‘不感興趣’去剔除你不喜歡的直播，是你在主動，但其實你也落入了它的圈套，因為你也是通過它（平臺）設置好的方式在改變你自己的觀看行為。”（訪談資料）

“我有時候不知道看什么了，也不知道搜什么，我很愿意用那個‘優化直播推薦’去‘模糊搜索’因為就是很直白，希望推薦or不推薦，而且確實弄完以后會很對味，都是自己喜歡看的。”（訪談資料）

第二種反向馴化是直播推薦算法對用戶觀念的規訓。事實上，大量的研究表明算法推薦的任何內容總會或多或少、有意無意地反映某種社會觀念。一定程度上也是在接受算法推薦的觀念。[15]在抖音直播的算法推薦中，對用戶觀念的規訓是延續了從“提高接觸率”到“增強黏性”再到“反復強化”的過程，這種觀念的影響本質上是對用戶行為影響的延續。在抖音直播的算法推薦中主要有：內容導向的算法推薦、用戶協同導向的算法推薦、關聯原則導向的算法推薦、隨機性算法推薦等。在這一過程中，算法推薦也通過用戶觀念的規訓影響到群體觀念。具體來說，高頻率的有關某一觀念的內容接觸會在一定程度上影響到用戶的認知，那么這種認知在影響用戶的同時也通過算法推薦擴散到相似的用戶當中，在不斷擴大的用戶基數下，某種群體性觀念也暗含其中。

結語

本文通過實證研究的方法，局部考察抖音直播中的算法推薦現象，并通過扎根理論三級編碼梳理出“馴化”“反向馴化”兩個核心解釋范疇，同時這兩個核心解釋范疇也成為本文的理論基點。隨后，筆者分為兩類馴化現象和兩類反向馴化現象進行描述和分析，并主要發現，在馴化層面：（1）算法推薦是一個有一定馴化難度的馴化對象；（2）算法推薦本身具有隱蔽性特征；（3）馴化算法推薦及其相關內容有兩條基本路徑；（4）平臺中的算法推薦在不同功能區之間相互聯系、相互影響。在反向馴化層面：（1）算法推薦對直播參與者的馴化是潛移默化的；（2）算法推薦對直播參與者的馴化是從行為到觀念、從個體到群體的；（3）反向馴化邏輯與算法推薦的自身設計之間存在強相關關系。

從表面上看，在抖音直播中的算法推薦對直播的參與者而言并無不益之處，但實際上也存在一種隱性的控制邏輯，本質上媒介影響下的技術剝削“帶來了一種新的強制，一種新的奴隸制……它的剝削甚至更為高效。”[16]它廣泛存在于對行為和觀念的影響，同時也存在于其隱蔽的自身。[17]因此，對這種抖音直播中的算法推薦現象，也應抱有批判性視角。

參考文獻

[1] Diakopoulos N . Algorithmic accountability：Journalistic investigation of computational power structures [J]. Digital journalism，2015（3） ：398-415.

[2] 陳昌鳳，石澤 . 技術與價值的理性交往：人工智能時代信息傳播——算法推薦中工具理性與價值理性的思考 [J]. 新聞戰線，2017（17）：71-74.

[3] 諶知翼，李璟 .“三無直播間”何以維系：抖音平臺素人主播的希望實踐 [J]. 新聞記者，2022（11）：56-68.

[4] 蔣曉麗，鐘棣冰 . “役于物”到“假于物”：算法焦慮背景下短視頻用戶“再馴化”實踐研究 [J]. 西南民族大學學報（人文社會科學版），2022（12）：144-152.

[5] 梁莉莉，布瑞豐 . 非遺視頻直播的技術邏輯及其潛在風險——基于抖音平臺的“田野”觀察 [J]. 青海民族研究，2022（3）：136-141.

[6] 晏齊宏 . 用戶算法感知對反饋行為的影響機制研究——基于社會認知理論的分析 [J]. 新聞與寫作，2022（7）：76-87.

[7] 唐錚，段景文，嚴云依 . 雙重馴化與人技混合：馴化視角下的算法再定義 [J]. 學術研究，2022（4）：56-60.

[8] Silverstone R. Domesticating domestication. Reflections on the life of a concept[M]//Domestication of media and technology. Maidenhead：Open University Press，2005：229-248.

[9] Hirsch E，Silverstone R. Information and communication technologies and the moral economy of the household[M]//Consuming technologies. Routledge，2003：25-40.

[10] 李彪，杜顯涵 . 反向馴化：社交媒體使用與依賴對拖延行為影響機制研究——以北京地區高校大學生為例 [J]. 國際新聞界，2016（3）：20-33.

[11] 張蘇秋，王夏歌 . 反向馴化：網絡文化與兒童網絡消費行為 [J]. 少年兒童研究，2022（10）：41-48.

[12] 徐仁翠 . 馴化：山東D村村民的抖音實踐 [J]. 新聞記者，2022（3）：86-96.

[13] 樊鑫鑫，羅雁飛 . 人機傳播：智能家居的反向馴化傾向——基于人際需要三維理論的視角 [J]. 青年記者，2022（14）：48-50.

[14] 翟秀鳳 . 創意勞動抑或算法規訓？——探析智能化傳播對網絡內容生產者的影響 [J]. 新聞記者，2019（10）：4-11.

[15] 王學成，任千里 . 算法推薦中的自我傳播與自我認知 [J]. 傳媒，2022（16）：94-96.

[16] [德] 韓炳哲 . 在群中：數字媒體時代的大眾心理學 [M]. 程巍，譯 . 北京：中信出版社，2019：51-52.

[17] Chandler D，Fuchs C. Digital objects，digital subjects：Interdisciplinary perspectives on capitalism，labour and politics in the age of big data [M]. University of Westminster Press，2019：54-60.

作者簡介：李嘉宜（2002-），女，北京，中國傳媒大學電視學院，本科在讀，研究方向為新媒體與社會、視聽傳 播；劉鵬（2000-），男，山東濰坊，中國傳媒大學國際傳媒教育學院，本科在讀，研究方向為新媒體與社會、國際傳播。

（責任編輯：張曉婧）