短視頻用戶算法操縱影響因素研究

鮑立泉 趙雨柔

內容摘要：在信息技術高度發展的當下，算法深度嵌入人們的日常生活。用戶從原來“技術無意識”狀態中逐漸體現出主體性和能動性，用戶對算法的能動性實踐及其影響因素成為算法研究新的關注點。聚焦表征用戶試圖改變算法運作結果的“算法操縱”行為，發現了認同（identity）在用戶算法實踐中的重要性，將信息技術認同（Information Technology Identity）作為考察短視頻用戶算法操縱新的理論視角，以對算法有所意識的短視頻用戶作為研究對象，考察信息技術認同對短視頻用戶算法操縱的影響及其前因。結果顯示：（1）信息技術認同正向影響短視頻用戶的合作型算法操縱，負向影響短視頻用戶的反抗型算法操縱；（2）感知可解釋性、感知公平、感知回應、算法自我效能正向影響短視頻用戶對算法的信息技術認同，并通過信息技術認同的中介作用影響合作型算法操縱和反抗型算法操縱；（3）感知平臺監視負向影響短視頻用戶對算法的信息技術認同，并通過信息技術認同的中介作用影響合作型算法操縱和反抗型算法操縱；（4）感知自由威脅負向影響短視頻用戶對算法的信息技術認同，并通過信息技術認同的中介作用影響反抗型算法操縱。

關鍵詞： 算法操縱；算法抵抗；短視頻算法；信息技術認同

DOI：10.3969/j.issn.2095-0330.2023.05.005

引 言

由于算法的“黑箱”屬性，通常認為大部分用戶在與算法的互動中處于一種“技術無意識”狀態。但這種算法無意識狀態并非無法被打破，隨著對算法系統的深入體驗，用戶開始有能力通過多種線索或途徑感知算法帶來的諸多風險與不良體驗，因而形成對算法的情感性態度，諸如“算法焦慮”“算法厭惡”等。這些情緒在一定程度上可以看作用戶主體性的初步覺醒，嚴重者甚至能影響對算法平臺的逃離或中輟行為。隨著算法研究的深入，研究者發現用戶通過日常算法實踐會形成算法想象或算法民間理論，并以此為指導對算法進行“抵抗”或“操縱”，以改變算法的輸出結果。這一過程充分體現了用戶在算法實踐過程中的主體性和能動性，表明了用戶算法合作或反抗的可能性。

那么，用戶在與算法互動時，出于主體性和能動性會產生什么樣的算法實踐行為？當下研究已經開始關注用戶與算法互動過程中的能動性實踐，包括“算法抵抗”“算法再馴化”“算法操縱”等，但主要是圍繞著“是什么”并用質性研究的方法探討進行抵抗或再馴化的方式或戰術， 而較少有關于“為什么”的研究。因此，我們還需要思考這些算法實踐行為又受到什么因素的影響。為尋求上述問題的答案，本研究聚焦與算法關系特殊且緊密的短視頻App，以對算法有所意識的短視頻用戶作為研究對象，探索短視頻用戶算法實踐行為的影響因素。

一、研究假設的提出

（一）用戶算法實踐行為

用戶能動性算法實踐研究按觀察對象可分為生產型用戶與消費型用戶。對于內容平臺中的內容消費用戶，一類研究者試圖通過“馴化”（domestication）理論在探討算法如何被納入人們的日常生活的同時，去挖掘用戶對算法的“反馴化”或“再馴化”；另一類關于“抵抗”（resistance）或稱“算法抵抗”（algorithmicresistance）的研究重點關注用戶對算法的干預性實踐。當人們在日常生活中面對算法“策略”支配時，可能因為產生了較差的用戶體驗或者足夠的算法知識而發現了算法的存在。此時，反霸權者（用戶）在算法“策略”學習基礎上試圖實施特定“戰術”——在特定空間進行各種游擊式抵抗行為——以完成對算法文本的逃離、重組、嵌入、反噬等相關“底層運作”，最終從原始的算法設定邏輯中“逃逸”，使算法在經過訓練后變得更符合自我偏好。

不同研究者歸納總結出不同的算法抵抗行為類型。 然而，對算法抵抗行為進行絕對的區分是非常困難的，行為之間存在交叉點。同時， 算法抵抗戰術通常是非普遍性、私人化的，有一些形式可能尚未被發現或者難以分類。“算法操縱”用以表征用戶試圖改變算法運作結果的行為，并按用戶與算法的互動關系分為兩個維度：其一為“合作型操縱”，指用戶積極利用算法規則，故意改變輸入值，以實現對算法的操縱，獲得更滿意的輸出結果；其二為“反抗型操縱”， 指用戶拒絕與算法規則合作，直接反抗算法，包括故意擾亂、試圖關閉算法系統等。

不論是馴化、抵抗還是算法操縱的解釋框架，都體現了用戶與算法互動的三個特征：首先，用戶與算法的互動具有復雜的情境與背景；其次，用戶在算法系統中雖然屬于數據接收者，但并不只是 “無意識”地全盤接受，需要重視用戶在算法實踐過程中的自主性和能動性；最后，算法在社會生產中影響越廣泛，考慮用戶如何以及在多大程度上可以利用算法規則來抵制其權力就變得越重要。對此類用戶能動性算法實踐的考察，可以幫助我們進一步了解用戶與算法之間的動態權力關系。

算法抵抗重點關注用戶對算法進行反抗的行為，馴化將用戶與算法的互動只當作一個整體來考察，算法操縱則區分了“合作型”和“反抗型”兩個維度，可以幫助我們從意愿、態度、目的上更全面清晰地考察用戶與算法的互動行為。因此，本研究采用“算法操縱”概念作為用戶能動性算法實踐的表征并進行影響因素的考察。

（二）算法操縱與信息技術認同

各研究者在研究用戶對算法的馴化、抵抗、操縱的過程中，揭示了用戶對算法進行能動性實踐的底層基礎是具有算法意識并形成相關的算法知識或算法民間理論。算法民間理論的研究強調了人與算法互動的一個重要原則——人們試圖根據自己的身份認同來理解算法。算法與身份認同之間的關系可視為一種共同生產（co-produce），人們的身份認同會影響算法管理，反過來算法管理也會影響其認同發展。如在使用搜索引擎時，用戶為了與之前的信念保持一致，會調整對搜索結果的接觸順序，實現對算法的影響。對于邊緣群體，算法既為他們的社群聯結帶來方便，又因為根植了現實世界的偏見造成了對他們的算法排斥，迫使他們利用點贊或發布重復內容來玩弄或規避算法審查。此時，算法成為一種身份過濾器，積極地壓抑了邊緣化社會身份的相關內容。為了與這種算法特權和算法表征性傷害進行抗爭，用戶會發起群體化或個人化的抵抗行為。DeVito也同樣揭示了算法與邊緣化身份的相互作用。這啟示我們從認同的角度對用戶能動性算法實踐進行考察，尤其是在短視頻平臺上。信息技術認同發展自認同理論，指個體將信息技術的使用視為其自我意識的組成部分的程度。它認為現存 信息技術使用模型根植于態度理論，在很大程度上忽視了做出繼續使用信息技術決定的個體嵌入的角色和關系網絡（社會結構）。缺少這一決策制定的關鍵要素將無法準確預測持續的信息技術使用：因為個人的自我概念是態度和長期行為的關鍵決定因素。信息技術認同代表了用戶在與信息技術互動過程中的自我意識，可以誘發各種IT行為，包括功能使用、強化使用、多樣性使用和抵制行為。當用戶對信息技術持認同態度時，會加強對它的重復使用或多樣性使用；反之，則會減少使用甚至抵制使用。因此，本研究假設：

H1：信息技術認同正向影響短視頻用戶對算法的合作型操縱。

H2：信息技術認同負向影響短視頻用戶對算法的反抗型操縱。

Carter（2012）在提出信息技術認同概念的同時，指出其強度取決于用戶的三個體驗：IT嵌入性、計算機自我效能和實際獎勵，而用戶體驗受到功能、可塑性、帶寬、移動性這四個技術特征的影響。后續也有研究者發現技術特征可以直接影響用戶的信息技術認同。總的來說，信息技術認同的前因可分為技術特征感知、用戶體驗感知兩個維度。

在技術特征感知維度，可供性（affordances）提供了一個框架，描述了技術允許或限制在特定環境下的可能行為結果，它與技術功能 的特征相關，并與用戶的意圖、感知和理解相關聯。Shin等（2019）提出了“算法可供性”概念的操作性定義，分為公平性（fairness）、可問責性（accountability）、透明度（transparency）和可解釋性（explainability）四個維度。他們認為算法通常是“黑盒式”的，不具備允許被用戶理解或者更好地利用它們來實現目標的能力，但算法公司必須將可供性嵌入算法中以促進用戶對算法的充分利用。如果用戶無法感知算法的可供性，有效使用它的可能性會大大降低。因為很少有平臺正式披露關于推薦算法的訓練集和模型信息，用戶掌握的可問責性、透明度的直接證據有限，所以在算法的感知可供性上一般重點關注感知可解釋性與感知公平。算法的可解釋性指算法解釋它如何工作以及提供潛在結果范圍的能力。當人們了解系統如何工作時，他們更有可能正確使用系統并信任設計者和開發者，提高對系統的滿意度。具體到短視頻APP的使用，Xie已通過實證研究證明算法的感知可解釋性會對短視頻用戶的回避抵抗和混淆抵抗產生積極作用。算法環境中的公平性意味著算法決策不應產生歧視性或不公正的后果，通過提高用戶對算法的信任度正面影響用戶對算法的滿意度和可持續使用。反之，用戶面對算法在內容分發上的不公正時會產生強烈的憤怒或者不安等負面情緒，從而開始實施對算法的抵抗。因此，本研究提出以下假設：

H3：算法的感知可解釋性正向影響短視頻用戶對算法的信息技術認同。

H4：算法的感知公平正向影響短視頻用戶對算法的信息技術認同。

信息技術認同理論模型指出，用戶體驗感知有IT嵌入性、實際獎勵和計算機自我效能三個影響因素。IT嵌入性指用 戶感受到信息技術與特定交互的關聯程度，而研究調查對象只包括對短視頻算法有意識的用戶，故不在此考察IT嵌入性變量。

實際獎勵指使用信息技術后的實際回報，包括物質和精神方面。短視頻算法的核心是通過用戶歷史數據分析提供“千人千面”的個性化推薦服務，一方面滿足了用戶的個性化需求，另一方面涉及了對個人喜好數據的披露，故在考察實際獎勵時引入隱私計算理論。隱私計算理論認為用戶披露私人信息的意愿和行為取決于感知隱私風險和感知隱私利益之間的權衡。個性化收益可用來衡量感知隱私收益，因為個性化既是推薦算法的核心，又是激勵用戶參與信息披露的最有效方法。算法的個性化推薦涉及對用戶身份的生成，是算法與用戶的共同生產。這一過程可視為人際互動，Taylor等將人際交流理論與算法研究相銜接，提出感知算法回應概念，即人們相信社交 媒體算法理解、驗證和支持自我的核心定義特征的程度，已被證明正向影響用戶的媒體享樂。在隱私風險方面考慮監視這一種對隱私的新威脅，感知平臺監視 被定義為對平臺主動收集和處理個人信息以及監控在線行為的消極信念。由于推薦算法的結果和用戶相關程度過高，用戶會懷疑自己在被跨平臺監控或者日常對話被竊聽。在這種監控服務場景下，個人容易減少與平臺的互動頻率以減少隱私泄露。因此，本研究提出以下假設：

H5：感知回應正向影響短視頻用戶對算法的信息技術認同。

H6：感知平臺監視負向影響短視頻用戶對算法的信息技術認同。

計算機自我效能是個人對其使用計算機能力的信念。具體到短視頻算法操縱情境，算法自我效能考察了用戶對自身算法知識能力的主觀評價。Karizat等指出用戶是在形成了與算法生產身份相關的民間理論的基礎上，采取相關行動反抗算法對邊緣身份的壓制。洪杰文等通過質性研究發現算法意識和相關算法想象是激發特定情境下算法抵抗的重要因素。陳陽等通過實證研究發現算法素養會影響用戶對短視頻算法的抵抗意愿和意圖，從而影響其抵抗行為。因此，本研究提出以下假設：

H7：算法自我效能正向影響短視頻用戶對算法的信息技術認同。

此外，算法不僅控制著信息分發的可見性，還通過提供高度個性化的內容誘使用戶不停地進行著“刷”這個動作，因此用戶很容易產生一種被控制感或者不自由感。無論推薦平臺是否有意操縱用戶，僅僅是被操縱的感覺就會讓用戶產生算法焦慮。感知自由威脅從心理逆反理論發展而來，指個體的自由權利受到破壞和威脅，感到難以施展自己的能力。因此，本研究提出以下假設：

H8：感知自由威脅負向影響短視頻用戶對算法的信息技術認同。

綜上所述，本研究以對算法有所意識的短視頻用戶作為研究對象，將信息技術認同作為考察短視頻用戶算法操縱（合作型操縱和反抗型操縱）的理論視角，構建理論模型如圖1所示。

二、研究設計

（一）研究方法

本研究使用了問卷調查法與深度訪談法結合的研究方法。

問卷調查法覆蓋面廣泛，可以通過大量樣本數據驗證研究假設的準確性和普遍性。調查問卷分為三部分：第一，甄別題兩道。由于本研究關注的是短視頻用戶算法操縱，只有使用過短視頻App且對短視頻算法有所意識的用戶才能被納入研究對象，即需要在“您是否使用過短視頻App”選擇答案“是”，以及在李克特五級量表題“您在多大程度上知道短視頻App的內容推薦由算法決定”中選擇“4”或“5”。第二，用戶的人口統計學屬性和短視頻App使用情況調查。第三，借鑒國內外成熟量表的變量測量題項。各題項采用李克特五級量表，使用“非常不同意”“不同意”“中立”“同意”“非常同意”作為各題項的選擇。

深度訪談法可以對問卷結論的分析進行必要補充，從而更全面立體地了解研究對象進行算法操縱的“情境性”和“具體性”。訪談內容主要包括三點：第一，人口統計信息、短視頻使用年限與每日使用時長等基礎信息；第二，測量對短視頻算法的信息技術認同，并談談相關感受；第三，對短視頻算法進行合作型或反抗型操縱時的態度、原因、意義等。

（二）變量操作化與測量

本研究變量測量的題項借鑒國內外成熟量表，并根據用戶與短視頻算法互動的特征在表述方式上進行適當調整與修改得出。所有變量Cronbachα系數均大于0.7，所有題項CITC大于0.4，且刪除題項后的Cronbachα均小于維度Cronbachα值，說明各變量量表信度良好。具體情況見表1。

（三）數據收集

問卷發放主要通過兩個途徑：第一，通過滾雪球的方式在各社交平臺發放問卷；第二，通過問卷星平臺的樣本服務，獲取更大范圍內更多用戶數據。最終，共回收問卷564份，其中有效樣本438份。隨后，使用SPSS和AMOS對問卷數據進行分析檢驗。

綜合考慮招募對象的算法信息技術認同和算法操縱傾向，最后確定8名訪談對象，基本信息見表2。其中女性5人，男性3人，學歷均為本科及以上，短視頻使用年限均超過一年；對算法的信息技術認同平均分2人在3分以下，6人在3分以上。

三、數據分析

（一）描述性統計

參與調研的用戶在性別方面，男女數量比較平均，其中女性占比52.1%，男性占比47.9%。在年齡方面，占比比較高的是18歲—25歲、26歲—35歲年齡段，分別達到38.8%、47.9%；調查用戶整體較年輕，這與短視頻App以年輕用戶為主的用戶畫像相匹配。在學歷方面，本科及以上占比86%；算法意識在一定程度上受學歷影響，所以符合本次算法操縱研究條件的用戶也偏向擁有高學歷。在短視頻App使用年限上，91.1%的用戶使用短視頻App超過一年。在短視頻App每日使用時長上，比較集中的是每天1小時—3小時，占比57.5%；其次是不到1小時，占比23.5%（上述數據采用四舍五入保留一位小數計算得出）。具體情況見表3。

（二）效度檢驗

本研究用AMOS進行驗證性因子分析，x2/df、RMSEA、RMR、GFI、CFI、IFI、PNFI均滿足理想值，因此測量模型擬合度較好。同時，用AVE進行收斂效度和區分效度的檢驗。各題項標準化因素負荷量均高于建議值0.6且達到顯著性水平，所有潛變量組合信度（CR）均大于建議值0.7，平均方差抽取量 AVE 值均大于建議值0.5，說明本研究量表收斂效度良好。對角線數字即各變量平均抽取變異量（AVE）平方根均大于與其他變量之間的相關系數，因此本研究測量模型區分效度良好。具體情況見表4。

（三）結構方程模型分析

本研究使用AMOS軟件進行結構方程分析，x2/df、RMSEA、RMR、GFI、CFI、IFI、PNFI均滿足理想值，說明本研究結構模型適配度和整體擬合效果良好，結構方程模型結果如圖2所示。

本研究使用AMO S軟件得到研究模型的標準路徑系數（具體情況見表5），感知解釋性（β=0.139，p＜0.05）、感知公平（β=0.229，p＜0.001）、感知回應（β=0.309，p＜0.001）、算法自我效能（β=0.147，p＜0.01）被驗證正向影響短視頻用戶對算法的信息技術認同，即H3、H4、H5、H7成立。感知平臺監視（β=-0.128，p＜0.05）、感知自由威脅（β=0.118，p＜0.05）被驗證負向影響短視頻用戶對算法的信息技術認同，即H6、H8成立。信息技術認同（β=0.479，p＜0.001）正向影響短視頻用戶對算法的合作型操縱，信息技術認同（β=-0.331，p＜0.001）負向影響短視頻用戶對算法的反抗型操縱，即H1、H2成立。

（四）中介效應檢驗

本研究使用AMOS來操作偏差校正置信區間Bootstrap法進行中介效應檢驗，如表6所示，除感知自由威脅→信息技術認同→合作型操縱之外，中介路徑的置信區間上下限之間均不包含0，中介效應成立。中介路徑感知自由威脅→信息技術認同→合作型操縱的置信區間為（-0.125，0），上下限之間包含0，中介效應不成立。其緣由在于感知自由威脅對信息技術認同顯著性系數不高，而信息技術認同對算法合作型操縱顯著性系數較高，導致整體中介效應不成立。

四、結論與討論

（一）“算法可用”：規則認知與情感認同的交織

假設H3、H4被證實，說明感知可解釋性、感知公平的“算法可供性”讓用戶在“知道該怎么用”和“對我是有用的”的基礎上認知到算法是可以被我使用的，從而影響了用戶對短視頻算法的信息技術認同，并影響到用戶的算法操縱行為。具體而言，感知可解釋性和感知公平則通過規則認知和情感認同的雙重作用對用戶的算法操縱行為產生影響。

算法的感知可解釋性通常發生在算法輸出結果對用戶的“算法想象”或“算法民間理論”的驗證中，“過年回老家，我發現短視頻App給我推送一些唱歌視頻，但我從來不喜歡看這些。我仔細看了一下，發現很多視頻帶著我老家附近的定位，我就明白了，原來是根據我的地理位置推送的，而不是亂來的”（M2）。算法對用戶的使用痕跡反饋越即時，用戶的感知可解釋性越強，“我對某個短視頻很喜歡就點了贊，沒刷幾個馬上看到了同類型的內容，就覺得算法真的挺厲害的”（F1）。感知可解釋性讓用戶對算法規則有一定把握，一方面讓用戶看到利用規則的可能性，“我用得多了，大概明白算法規律了，就知道我可以去調教它，讓它為我所用”（F4）；另一方面能加深用戶對算法的信任，“我越熟悉算法模型的輸出原理，我就越知道它給我提供的東西對我到底有沒有益處”（M3）。

用戶對短視頻的感知公平主要體現在兩個方面：其一，算法出于商業邏輯或者移植了現實社會價值觀導致對某些“非主流”內容的可見性壓抑。“我之前關注了一個性少數博主，她說自己如果發性少數相關的視頻，流量就會特別差。我這才知道原來算法分發并不是完全技術中立的，感覺有點生氣。”（F2）其二，對特定身份用戶推送特定刻板印象內容。“我刷短視頻的時候總會刷到婚戀相關內容，屏蔽了也沒用，但我男朋友卻沒有（這種情況）。感覺所謂的算法就是對女人施加性騷擾和婚姻焦慮壓力，無論在現實還是在虛擬世界中，好像只有偽裝成男人才能舒服一點。”（F3）對算法的感知不公平，讓用戶感到算法對其身份與自我認同的冒犯，這種價值型算法態度將對算法產生不信任的感覺，讓用戶傾向于反抗平臺算法。

（二）“算法懂我”：人格化下的類人際互動

感知回應正向影響用戶信息技術認同并產生算法操作行為（H5），人機互動變成了一種“類人際互動”，要求算法“懂我”并“對我的需求做出反應”。在情感共鳴、意外發現兩種情境下，用戶會產生“算法懂我”的強烈感受。情感共鳴即算法推送的內容恰恰符合用戶當下的心情，“有一天做夢夢到了已經絕交的朋友，醒來刷短視頻刷到‘怎么寫友情更刀，一時間感觸很多”（F1）。意外發現指用戶發現算法提供超出最初意圖與預期的有用內容或服務，“有一天，我發現算法開始給我推我沒關注過的玄學，我竟然還很喜歡”（F4）。“有時候會覺得算法會預知我這段時間的喜好。”（F1）“算法不懂我”的強烈情緒通常產生于關聯失敗、情境沖突、同質化三種情境中。關聯失敗即內容細分顆粒度不夠導致的匹配失敗，“世界杯的時候我支持某隊，有時候算法給我推了競爭對手的內容，我覺得很掃興”（M2）；或同一內容顆粒度下正負信息的沖突，“我經常在短視頻上點贊我愛豆的視頻，有時候竟然給我推黑他的內容，真的氣死我了”（F4）。情境沖突即推送內容與用戶所處現實情境的不匹配，“過年的時候打開短視頻打算快樂一下，結果它給我推找工作、寫論文什么的，整得我特別崩潰”（F1）。同質化即相同類型內容推送頻次過高，讓感興趣的內容變得“索然無味”（M3）或“重復性信息轟炸導致倦怠或焦慮”（F5）。“算法對我的需求做出反應”則特別體現在用戶對不喜歡的內容點擊“不感興趣”后，算法不應再推送相關信息，“有時候有些內容我點了無數次不感興趣了還推給我，感覺特別煩，算法跟個智障一樣”（M2）。

感知回應表現了用戶在不同程度上會將算法人格化， 當算法認知到用戶“自我”的多面性和動態性時，用戶會產生“算法懂我”甚至“算法比我更懂我”的感受。多面性是對用戶不同身份和興趣的整合，對不同類型內容、不同類型的發布風格或不同趨勢的更廣泛選擇，即“ 仿佛在展示我腦海中的一切” （ F 3 ） 。動態性體現在算法能夠快速響應并更新其記錄的用戶特征，即“幾乎立即捕捉到我喜歡的東西” （ F 5 ） 。此時， 用戶對算法持有更積極的態度， 將其作為構建和培養自我的輔助工具，甚至可能會形成強烈的情感關系，“有時候覺得算法好懂我，要是能和算法談戀愛就好了”（F1），最終影響到用戶與算法的合作或對算法的反抗。

（三）“算法失控”：平臺監視與隱私邊界溢出

感知平臺監視通常發生在察覺算法推薦內容與用戶喜好高度匹配時，對用戶的信息技術認同產生負向影響（H6），“我和朋友談論了某樣東西，馬上我發現算法就會給我推”（M1）。用戶發現不僅平臺內行為數據被監視，跨平臺行為數據也被監視，“有一次我在微信上和人聊了要去哪里玩，很快就在短視頻上刷到了跟它相關的視頻”（F2）。由此，用戶產生了一種擔憂與被威脅感，“算法總讓我感覺自己無處遁形”（M1）。

通過用戶訪談，本研究發現用戶對隱私風險的關注還包括溢出隱私邊界的傳播失控和線上線下形象沖突。“隱私邊界”（boundary ofprivacy）指人際傳播中個體所能控制的個人信息范圍。個體會對其信息傳播劃定公私、群體、代際的界限，以此打造個人形象、維系關系等。而算法對用戶個人信息的全時空采集、多鏈條式分發連接，不僅使用戶的隱私信息披露內容失控，也導致隱私信息披露對象失控，進而讓用戶無法對自己的“算法人設”進行管理。“算法讓朋友看到了我在點贊什么，我覺得特別特別尷尬，導致我有時候點贊的時候會猶豫。”（F5）線上線下形象沖突指算法記錄的愛好與用戶線下形象不相符合，由此導致對算法操縱的規避以免被線下關系發現自己的某些興趣愛好。

平臺監視與隱私邊界溢出，給用戶帶來對隱私風險的擔憂；風險成本高于用戶所能感知的收益則會導致用戶對“自我的隱藏”，進而影響對算法的操縱行為。

（四）“自由在我”：多樣性與自主性的追求

短視頻用戶在與算法互動的過程中，算法自我效能正向影響用戶對算法的信息技術認同，并通過算法信息技術認同影響用戶的合作型算法操縱和反抗型算法操縱（H7）；感知自由威脅負向影響用戶對算法的信息技術認同，并通過算法信息技術認同影響用戶的反抗型算法操縱（H8）。

算法自我效能是用戶對算法實現控制與自主權的基礎，而感知自由威脅則是對自主權的破壞。感知自由威脅體現在信息繭房、自我管理失控、強行植入三個方面，體現了用戶對多樣性與自主性的追求。信息繭房即個體處于同質化、單一化和狹窄化的信息環境之中，“算法推送的都是我喜歡看的，而不是我需要看的、更多樣化的，很難突破我自身的局限”（F2）。還有可能帶來“回音室”效應，導致群體思想的同化與強化，“算法挺容易激發人的劣根性，抱著一種不好的想法只會刷到和你一樣想法的人，久而久之就會把這種壞想法合理化”（M2）。自我管理失控即沉溺于算法的投喂忘記了時間、空間的存在，甚至感受不到對自身的控制，“我常常覺得是短視頻在刷我而不是我在刷它”（M1），“我覺得我是算法的電子寵物”（F5）。強行植入指短視頻平臺的信息呈現方式使用戶有些時候無法選擇觀看哪些內容，只能被動接收平臺需要用戶看到的內容，如“廣告推廣”或某些“響應號召推廣的內容”，“哪怕我點了不感興趣也沒有用”（F5）。當用戶感知自由威脅，其選擇權和自主性受到破壞，從而產生一種抗拒心理，負向影響了對算法的信息技術認同和算法操縱行為。

（五）“超越工具”：自我避風港的可能性

用戶對算法的信息技術認同正向影響合作型算法操縱，反向影響反抗型算法操縱（H1、H2）。中介效應檢驗結合深度訪談發現用戶對算法的信息技術認同體現在工具性和親密性兩個維度。在工具性上，算法可作為自我的娛樂工具、效率工具、自我拓展工具。算法提供的高度個性化的內容和感知回應給用戶帶來了媒體享樂，甚至成了疲憊沉重的學習工作生活之余的“補償性娛樂”，“下了班好累，什么都不想做，就想刷刷短視頻放松一下”（F4），“我曾經嘗試過關閉短視頻的推薦算法，推的內容太可怕了，我都刷不下去，立馬又打開算法開始快樂”（F2）。

算法對各種資源要素強大的集納、整合以及分配能力，能幫助用戶快速獲取、縱深挖掘信息，被用戶當作學習、查找的有力效率工具，“認識一個卷王，天天利用算法在短視頻平臺學習專業知識，實在是太佩服了”（F3）。自我拓展即利用算法獲得了新角色或身份、新體驗，增加了知識、資源、能力感、新視角，促進了個人成長，“過年回家強行讓不善社交的父母接受了智能手機和短視頻，我相信某種程度上，大數據和算法會更懂他們。希望他們從虛擬世界得到情感慰藉和共鳴，希望新鮮的事物能使他們不孤單、不寂寞”（F4）。算法給自我帶來的高效率、高度連接性、自我驗證與拓展，提高了用戶對算法的認同，從而在有些時候促進對算法的合作型操縱，以配合算法更“懂我”。反之，如果用戶在算法互動中有自由威脅、自我能力下降等負面感受，則傾向于反抗算法。

在親密性上，算法可能與用戶培養起一種日益密切和基于情感的關系，如“信任”“慰藉”等。通過用戶對算法的“精心調教”，算法為用戶提供了一個源源不斷“投喂”無限接近個人喜好的信息空間，讓用戶在沉重焦慮的現實空間中享受著“符合自己需求的快樂”，即“用算法打造一片避風港”（F4）。反之，如果用戶享受不到“同溫層”的愉悅，而是陷入了同質化、互相比較的焦慮、倦怠之中，用戶則傾向于反抗算法。

（六）研究啟示

基于研究發現，本文在實踐方面為短視頻算法的發展提出以下幾點建議：

1. 提高算法可解釋性和公平性，增加用戶信任

短視頻App的信息呈現方式使算法推薦內容直接鋪陳在用戶面前，而沒有選擇性點開的空間。當用戶不能理解算法輸出結果或感受到偏見負載時，對算法的信任感則較弱。算法可解釋性的提高不僅依賴技術人員對算法模型的優化，在產品設計上也可以對算法輸出結果適當增加說明。算法公平性受有偏數據、算法設計和社會價值觀三個方面的影響，因此從技術路徑進行修正的同時，還應當引入非技術手段，通過多學科專家、利益相關者與技術人員的交流來優化算法模型。

2. 以人為中心，優化算法多樣性和動態性

當個性化內容代表了自我的多面性、動態性時，人們往往會對算法持有更積極的態度。算法對用戶多面性的把握應當體現在兩個方面：其一，給用戶推送多樣化內容，而非某一類型的重復轟炸；其二，精細內容分類顆粒度，避免推送信息間的沖突。算法對用戶動態性的把握體現在三個方面：第一，對用戶反饋的即時響應，特別是當用戶點擊了“不感興趣”之后應當立即減少相關內容推薦；第二，及時更新用戶畫像，根據新信息進行個性化定制和預測，避免信息滯后；第三，當平臺商業或其他目標與用戶需求不匹配時，應當采取更柔性、更動態的手段，而不是強行讓用戶接收。

3. 完善隱私保護設計，注意隱私邊界

當用戶感受到隱私風險時會減少對個人信息的披露，不僅不利于算法對用戶喜好的把握，甚至會導致用戶對算法的放棄。平臺需要嚴格執行《互聯網信息服務算法推薦管理規定》，在保護用戶隱私數據的同時加強宣傳，讓用戶看到平臺的努力和決心。在隱私保護方面需要格外注意的是算法強大的關系鏈接和分發機制導致的隱私邊界外溢。平臺應當根據用戶反饋，將用戶強烈反感的功能下線，對其他敏感功能加強提示和引導，讓用戶可以自由控制隱私邊界。

4. 增加用戶控制或代理，減少用戶抵抗心理

當用戶缺乏對“算法”的控制或代理時，可能會產生算法焦慮或者算法厭惡等抵抗情緒，用戶需要在斷開和調整算法系統上有足夠的自主性。短視頻App現階段已提供了“使用管理助手”等類似功能，在一定程度上可以幫助用戶在使用時間和推薦內容類型上對算法系統進行管理。平臺還需要加強對這些功能的宣傳，或通過分析用戶數據動態提示用戶使用這些功能。

（作者鮑立泉系華中科技大學新聞與信息傳播學院副教授；趙雨柔系華中科技大學新聞與信息傳播學院2019 級碩士研究生）

* 華中科技大學新聞與信息傳播學院2022 級碩士研究生熊馨怡對本文亦有貢獻，特此致謝！