信息質量視角下算法分發與編輯分發的對比研究

劉坤鋒 李靜雨 李廣

摘 要：【目的】了解用戶當前對算法分發與編輯分發的信息質量感知及差異，為相關理論研究和實踐活動提供借鑒。【方法】參考已有文獻，設計包含算法分發的信息質量和編輯分發的信息質量兩個潛在變量的測量量表。采用問卷調查法，獲取273份有效樣本，利用描述性統計和配對樣本t-檢驗方法進行數據分析。【結果】相比于編輯分發，用戶當前整體上更認可算法分發具備的信息質量。具體而言，用戶認為在全面性、準確性、新穎性和符合需求等信息質量維度上，算法分發均優于編輯分發；算法分發在準確性維度的優勢不顯著，在其他3個維度的優勢均顯著。【結論】算法分發用戶應注重提升算法素養，編輯分發亟須提升顯示度和影響力。

關鍵詞：算法分發；編輯分發；信息質量；信息分發；信息用戶

中圖分類號：G206；TP301.6? ? 文獻標志碼：A? ?文章編號：1003-5168（2024）06-0139-06

DOI：10.19968/j.cnki.hnkj.1003-5168.2024.06.027

A Comparative Study of Algorithm-Based Distribution and Editor-Based Distribution from the Perspective of Information Quality

LIU Kunfeng LI Jingyu LI Guang

（School of Information Management， Zhengzhou University of Aeronautics， Zhengzhou 450046， China）

Abstract： [Purposes] This article aims to understand users' current perception of information quality of algorithm-based distribution and editor-based distribution， as well as their differences， and then provide insights for relevant theoretical research and practical activities. [Methods] Based on existing literature， a measurement scale including two latent variables was designed， namely information quality of algorithm-based distribution and information quality of editor-based distribution. A questionnaire survey was conducted to collect 273 valid samples， and descriptive statistics and paired sample t-tests were employed for data analysis. [Findings] Compared to editor-based distribution， users currently generally recognize that algorithm-based distribution has higher information quality. Specifically， in terms of comprehensiveness， accuracy， novelty， and meeting user needs， users believe that algorithm-based distribution is superior to editor-based distribution; algorithm-based distribution doesn't have significant advantages in terms of accuracy， but have significant advantages in the other three dimensions. [Conclusions] This article suggests that the users of algorithm-based distribution should focus on improving their algorithm literacy， while editor-based distribution urgently needs to increase visibility and influence.

Keywords：algorithm-based distribution; editor-based distribution; information quality; information distribution; information user

0 引言

迄今為止，人類社會相繼出現了編輯分發、社交分發和算法分發等3種信息分發模式［1］。縱觀信息傳播發展史，編輯分發曾長期占據主導地位，社交分發出現后也曾受到關注，而如今算法分發成為主流。光明網報道稱，基于算法的內容分發已占整個互聯網信息內容分發的70%左右［2］。為跟上時代潮流，社交分發緊密結合算法分發，如微博開通推薦欄目、微信視頻號和公眾號開通推薦功能［3］。相比之下，編輯分發依然堅守本色，是社會性、共性信息需求領域的“方向盤”。

算法分發以智能算法為中心，由“機器智慧”驅動，包括短視頻類、頭條類等新興信息源；編輯分發以人工編輯為中心，依賴“人類智慧”，包括報紙、雜志、廣播電視和門戶網站等傳統信息源。可以看出，算法分發與編輯分發的驅動方式截然不同，且都在信息傳播活動中發揮著重要作用。然而，如今編輯分發逐漸受到用戶冷落，大量用戶不斷轉向算法分發，并對其產生強烈依賴。

學者們已意識到算法分發給編輯分發帶來的沖擊，圍繞兩者的優缺點展開了廣泛討論。然而，現有研究以定性分析為主，多基于學者自身的經驗或認知，難以做到客觀準確。本文認為，暫不論算法分發與編輯分發的優缺點，有必要了解用戶對兩者的真實體驗和感受。信息質量是特定信息源的關鍵屬性，本文采用實證研究方法，對比用戶對算法分發與編輯分發的信息質量感知及差異，為算法分發與編輯分發的未來發展提供借鑒。

1 文獻回顧

1.1 算法分發與編輯分發的對比研究

算法分發是運用機器指令對信息進行處理、分析和分配的技術手段，即在強大算力的支持下，算法通過識別用戶個體興趣和特征，將海量、異構和分散的信息進行過濾、篩選和整序，并以用戶喜歡的方式送達［4］。編輯分發是編輯運用自身的專業知識和經驗，按照具有普遍意義的原則，對信息進行把關、篩選和整合，并以點對面的方式傳播［1］。自算法分發出現以來，海量用戶群體被吸引，這對編輯分發提出了嚴峻挑戰，不少學者開始比較兩者的優劣。

相比于編輯分發，學者們一致認為算法分發的優點在于算法分發提高了信息分發速度和效率［5］。具體而言，一是算法分發可快速處理大量信息。面對信息超載環境，編輯受限于時間和精力，僅能按部就班地處理部分“頭部信息”，而算法技術可快速處理海量用戶感興趣的信息［1，6］。二是算法分發的信息更精準、更個性化。編輯分發的信息“千人一面”，難以滿足用戶個性化信息需求，而算法分發實現了“千人千面”的精準信息分發，用戶與信息之間高效匹配［7-8］。基于上述優點，學者認為相比于編輯分發，算法分發用戶可以更加便捷地獲取信息［4］。

同時，相比于編輯分發，學者認為算法分發也存在較多缺陷。一是信息繭房問題。編輯分發的信息兼具廣度與深度，注重受眾對社會的全面認知，而算法分發的個性化推薦機制更側重于挖掘用戶感興趣的某一點，并進行持續推送，這容易形成信息繭房，造成認知偏差和群體沖突［9］。二是信息內容質量問題。編輯專業背景強，對信息的篩選和核查能力強于算法，可對關鍵信息進行把關，在很大程度上保證了信息內容的質量，而算法分發為了迎合用戶喜好，會向其推薦低俗內容和虛假信息［10-11］。三是信息價值觀問題。基于編輯分發的信息媒介多具有公益性，其提供的信息透明可信，價值標準明確，而算法分發相關平臺或機構多具有逐利性，其提供的信息是商業鏡像的數字化反應，其真實性和價值觀存疑［12］。四是信息呈現問題。編輯的信息聚合重組能力，以及對重要信息的敏感性，是尚屬于弱人工智能的算法所不具備的［5］，算法難以對重要信息進行自動置頂、加權和排序［13-14］。五是隱私侵犯問題。面向大眾，編輯分發無須了解個體情況，而算法分發為了實現個性化、精準化推薦，往往會過度搜集用戶個人信息，侵犯用戶隱私［8，15］。

可以看出，相比于編輯分發，學者認為算法分發既有明顯優勢，也存在突出問題。本文根據文獻調研發現，當前關于算法分發與編輯分發的比較，多是學者基于自身經驗而進行的邏輯推演，或對表象的歸納總結，相關結論較為宏觀和主觀。有必要采用實證研究方法，從微觀視角出發，客觀對比算法分發與編輯分發哪個更受用戶青睞或能帶來更好的體驗［16］。

1.2 信息源的信息質量研究

信息質量是衡量信息源優劣的關鍵指標，信息源的信息質量研究也一直是研究熱點。近年來，相關研究主要圍繞信息源的信息質量評價、信息質量治理、信息質量對用戶行為的影響等方面展開。值得注意的是，以用戶為中心是現有研究的顯著趨勢。例如，基于用戶感知和體驗構建信息源的信息質量評價模型［17］，探索用戶參與的信息質量治理策略［18］，揭示信息質量對特定用戶群體的信息行為影響［19］等。現有研究表明，用戶認為信息源的信息質量越高，其越傾向于使用、采納該信息源［20］。

本研究中，算法分發、編輯分發分別代表了“機智”“人智”驅動的信息源。用戶選擇使用算法分發或編輯分發獲取信息，必然會對兩者的信息質量進行衡量。有理由認為，用戶更可能使用信息質量較高的信息源獲取信息。現有研究多關注單一信息源的信息質量問題，卻忽視了對比用戶對兩類特色鮮明、卻又存在競爭關系的信息源的信息質量感知。本文在信息質量視角下，基于用戶感知，對比算法分發與編輯分發的信息質量及差異，為相關研究和實踐提供一定啟示。

2 研究方法

2.1 問卷設計

本文設計兩個潛在變量：算法分發的信息質量（Information quality of algorithm-based distribution，IQAD）、編輯分發的信息質量（Information quality of editor-based distribution，IQED）。潛在變量的設計參考已有文獻，并結合本研究進行改編。其中，信息質量的量表設計改編自Zhou［21］和查先進等［22］的研究，包含全面性、準確性、新穎性和符合需求4個維度。問卷初稿設計完成后，邀請15名本科生、研究生進行預調查，根據反饋意見完善問卷的語言表述，以提升可理解性。最終量表見表1，所有題項均采用李克特7級量表（1代表“強烈不同意”、4代表“不確定”、7代表“強烈同意”）進行測量。

2.2 數據搜集

算法分發與編輯分發的受眾廣泛，網絡用戶基本上都有使用經驗，因此采用網絡調查形式搜集數據。使用問卷星平臺制作問卷，通過微信群、QQ、朋友圈和貼吧等網絡平臺發放問卷。為確保受訪者理解調查目的，問卷介紹了算法分發和編輯分發的概念，并列舉了一些常見應用。調查歷時一周，共回收問卷491份，根據對作答時間的預估，刪除填寫時間少于50秒的問卷，同時，刪除所有題項答案一樣的無效問卷，得到有效問卷273份。問卷的樣本人口統計信息見表2。

3 數據分析與結果

本文圍繞以下問題進行數據分析：①在信息質量方面，算法分發與編輯分發精確的數據分布；②用戶認為哪種信息分發模式的信息質量更高；③用戶對算法分發與編輯分發信息質量感知的準確差異。

3.1 測量模型檢驗

數據分析前，需要進行測量模型檢驗，涉及信度、內容效度、收斂效度和區分效度。本文的量表改編自已有文獻，并根據預調查反饋進行完善，可認為測量模型具備內容效度。表3是測量模型概述，從表3可看出，潛在變量的組合信度（Composite Reliability，CR）和內部一致性系數（Cronbach's α）均大于0.7，說明測量模型的信度良好。潛在變量的平均抽取方差（Average Variance Extracted，AVE）均大于0.5，說明測量模型具備收斂效度。根據表3中潛在變量的AVE平方根和相關系數可以看出，兩個潛在變量的AVE平方根明顯大于它們之間的相關系數，說明測量模型具備區分效度［23］。

本文的測量模型具備良好的信度和效度，可用于進一步的數據分析。具體而言，測量模型具備區分效度，說明兩個潛在變量相互獨立，用于比較用戶對算法分發與編輯分發的信息質量感知差異是有意義的。同時，測量模型具備信度和收斂效度，保證了下文結構和維度層面的數據分析具有可行性。

3.2 算法分發與編輯分發的信息質量對比

信息質量是用戶使用、采納特定信息源的重要前提。若用戶認為某種信息分發模式可提供高質量的信息，則容易產生積極態度，繼而傾向于選擇這種信息分發模式獲取信息。對于變量IQAD，需要受訪者評定以下問題：①算法分發的信息是全面的；②算法分發的信息是準確的；③算法分發的信息是新穎的；④算法分發的信息符合我的需求。

本文采用李克特7級量表測量上述問題。對于273份樣本數據，首先，對于每個問題，分別計算選擇1、2、3、4、5、6和7的個數；其次，由于測量模型具備良好的信度和效度，計算4個問題中分別選擇1、2、3、4、5、6和7的總數，得到變量IQAD在每個得分項上的小計。變量IQAD的得分總個數為1 092（273*4）。

對于變量IQED，需要受訪者評定以下問題：①編輯分發的信息是全面的；②編輯分發的信息是準確的；③編輯分發的信息是新穎的；④編輯分發的信息符合我的需求。使用同樣的方法計算變量IQED在每個得分項上的小計。圖1展示了用戶對算法分發與編輯分發的信息質量感知對比。

從圖1可看出，61.45%（671/1092）的受訪者同意算法分發具備信息質量，而48.53%（530/1092）的受訪者同意編輯分發具備信息質量。同時，20.6%（225/1092）的受訪者不同意算法分發具備信息質量，27.56%（301/1092）的受訪者不同意編輯分發具備信息質量。對于算法分發與編輯分發，選擇4的比例分別為17.95%（196/1092）、23.9%（261/1092），說明這些受訪者不確定算法分發、編輯分發是否具備信息質量。

3.3 配對樣本t-檢驗

為準確展示算法分發與編輯分發在信息質量方面的差異，采用配對樣本t-檢驗比較樣本的均值（見表4）。

表4展示了變量層面的配對樣本t-檢驗，可以看出，算法分發與編輯分發的信息質量存在顯著差異。具體而言，算法分發與編輯分發的信息質量均值分別為4.721、4.343，均值差異為0.378，P<0.001，說明用戶整體上認為算法分發的信息質量顯著高于編輯分發。為進一步揭示算法分發與編輯分發在信息質量構成維度層面的差異，采用配對樣本t-檢驗比較各維度均值，見表5。

從表5可以看出，算法分發在全面性、準確性、新穎性和符合需求等維度的均值均大于編輯分發。其中，只有準確性維度的均值差異不顯著，其余3個維度的均值差異顯著。說明用戶認為算法分發的信息在全面性、新穎性和符合需求等方面顯著優于編輯分發，而在準確性方面的優勢不明顯。

4 討論

算法分發的信息，是算法根據用戶的興趣或偏好推薦來的，特點是具有個性化和針對性；編輯分發的信息，是編輯對信息本身的價值或優劣評價后篩選而來，特點是具有全局性和普遍價值。當前，用戶如何看待算法分發與編輯分發提供的信息，是值得討論的話題。本文從信息質量視角，對比用戶對算法分發與編輯分發的信息質量感知。

算法分發的出現，對編輯分發提出了嚴峻挑戰。如今，算法分發不僅擁有龐大的用戶群體，用戶黏性也持續增強。算法分發可提升信息傳播效率、滿足用戶個性化信息需求，而編輯分發效率較低、難以適應受眾個體的信息需求。從圖1可以看出，相比于編輯分發，更多用戶認為算法分發具備信息質量。從表4可以看出，用戶整體上認為算法分發的信息質量顯著高于編輯分發。從表5可以看出，用戶認為算法分發在信息全面性、準確性維度優于編輯分發，且在全面性維度的優勢顯著，這與現實情況和學者觀點相悖。此外，在全面性、準確性維度，算法分發與編輯分發的均值差異分別為0.264、0.216，而在新穎性、符合需求維度，兩者的均值差異分別達到0.549、0.484，說明算法分發在信息新穎性和符合需求方面更受用戶認可，這與已有研究觀點相符，也解釋了用戶為何偏愛算法分發。

4.1 理論啟示

社交網絡、大數據和人工智能等技術的普及應用，為信息的生產和傳播帶來了創新和變革，但也加劇了信息過載和混亂，造就了空前復雜的信息環境。信息質量成為人們選擇信息源時必須考慮的關鍵因素。不少學者探討了信息源的信息質量問題，但多數研究關注的是單一信息源的信息質量評價、治理以及對用戶行為的影響等。鮮有研究在信息質量視角下，比較用戶對不同信息源的感知差異。本文對比用戶對算法分發與編輯分發的信息質量感知差異，拓展了信息源的信息質量研究范疇，也為信息質量理論的應用提供了新思路。

長期以來，編輯分發是人們獲取信息的重要渠道，如今雖面臨用戶流失和影響力下降的窘境，但仍是未來社會中必不可少的信息分發模式之一。相比之下，算法分發是新興的信息分發模式，雖發展迅速、用戶規模龐大，但其價值仍有待于在更多人類信息活動中得到驗證。圍繞算法分發與編輯分發的討論和實證研究，是今后值得重點關注的方向。本文發現，當前用戶認為算法分發的信息質量顯著高于編輯分發，這將為未來的研究提供新思路。例如，后續研究可探索用戶因何更認可算法分發的信息質量，如何提升用戶對編輯分發的信息質量感知，也可從更多視角出發對比算法分發與編輯分發，進一步揭示用戶對兩者的感知與體驗。

4.2 實踐啟示

4.2.1 算法分發用戶應注重提升算法素養。用戶在信息全面性和準確性維度，對算法分發與編輯分發的差異存在誤判，這反映了用戶的算法素養不高。因此，用戶有必要提升算法素養，重新審視、謹慎使用算法分發提供的信息。本文建議用戶可從4個方面著手提升算法素養：一是了解算法及其用途；二是了解算法驅動信息傳播的技術原理、運行邏輯；三是了解算法分發供應商的真實意圖、價值取向；四是了解算法分發平臺中信息生產者的構成、專業素養和價值觀。

4.2.2 亟須提升編輯分發的影響力和顯示度。編輯分發模式由來已久，其科學性、嚴謹性和重要性無須證實。盡管關于規范互聯網信息服務算法的政策已出臺［24］，但算法分發模式仍不成熟，若任由其搶奪用戶及其注意力，可能危害社會信息傳播活動、擾亂信息資源有序流動、不利于公眾形成對社會的全面認知。因此，亟須提升編輯分發的影響力和顯示度，主動吸引用戶，讓優質的、全局性的和具有普遍意義的信息得到充分傳播。本文建議：政府主管部門應適時出臺針對性政策，支持編輯分發模式在信息分發洪流中占據主動；編輯分發行業應直面挑戰、尋求變革與突破，提升信息分發效率和能力；學術界、相關從業者應加大宣傳力度，讓編輯分發的優勢深入人心。

4.3 局限與展望

本研究的局限有以下兩個方面：第一，本文試圖從整體上把握用戶對算法分發與編輯分發的信息質量感知差異，未限定信息類型，可能導致研究結果針對性不足。后續研究可提升針對性，如對比用戶對算法分發與編輯分發不同類型信息的質量感知差異。第二，本文從信息質量視角出發，對比用戶對算法分發與編輯分發的感知差異，信息質量雖是各類信息源的重要屬性，但還有其他屬性值得關注，如可信度、有用性和滿意度等。后續研究可從更多視角展開，進一步揭示用戶對算法分發與編輯分發的感知差異。

參考文獻：

［1］師文，陳昌鳳.社交機器人在新聞擴散中的角色和行為模式研究：基于《紐約時報》“修例”風波報道在Twitter上擴散的分析［J］.新聞與傳播研究，2020，27（5）：5-20，126.

［2］“70%網絡信息內容由算法推薦” ［EB/OL］. （2020-11-17）［2023-10-03］. https：//m.gmw.cn/baijia/2020-11-17/1301806457.html.

［3］李彪，張雪，高琳軒.從管理新聞到回避新聞：社交分發環境下新聞消費方式的轉向［J］.新聞與傳播研究，2021，28（9）：23-38，126.

［4］潘云寬，申小蓉.網絡算法分發視域下大學生價值觀引導面臨的挑戰和應對策略［J］.思想教育研究，2022（7）：150-154.

［5］汪永安.網絡輿論場“流量至上”的生成邏輯與矯治策略［J］.探索，2023（5）：177-188.

［6］李龍飛，張國良.算法時代“信息繭房”效應生成機理與治理路徑：基于信息生態理論視角［J］.電子政務，2022（9）：51-62.

［7］劉德寰，朱琦.顛覆與重塑：下一代人工智能的傳播學意義［J］.新聞愛好者，2023（9）：4-10.

［8］胡江偉，周云倩.新聞算法分發的技術倫理沖突及其規制［J］.青年記者，2020（3）：29-30.

［9］張香萍，李軍.新聞算法推送的困境、出路與展望［J］.編輯之友，2019（4）：86-90.

［10］殷俊，余夢瓏.新聞資訊APP發展動態、創新與趨勢研究［J］.中國編輯，2018（11）：46-50.

［11］劉純怡，李昌.豎屏短視頻傳播熱中的冷思考［J］.編輯學刊，2022（4）：106-110.

［12］胡泳，年欣.自由與馴化：流量、算法與資本控制下的短視頻創作［J］.社會科學戰線，2022（6）：144-165，282.

［13］張帆.權威與角色：智媒時代的新聞職業話語研究［J］.湖北大學學報（哲學社會科學版），2021，48（4）：140-147，177.

［14］劉沫瀟.從“把關人”到“守望人”：算法式新聞分發下人工編輯的功能角色定位［J］.電視研究，2019（2）：63-65.

［15］林洹民.個性化推薦算法的多維治理［J］.法制與社會發展，2022，28（4）：162-179.

［16］熊敏，肖燕雄.內容·渠道·用戶：內容分發平臺媒體的內容運營體系構建［J］.中國編輯，2021（10）：33-37.

［17］尤瑾，朱學芳.用戶視角下知識類微博信息質量評價模型構建及實證研究［J］.圖書情報工作，2023，67（13）：122-132.

［18］金燕，韓二瑩，畢崇武.面向在線健康信息質量治理的群體動力系統構建及優化研究［J］.情報科學，2022，40（8）：76-84.

［19］盧恒，李文潔，石劍蘭.基于扎根理論的圖文社區老年用戶信息交流行為影響因素研究［J］.數字圖書館論壇，2023，19（8）：77-86.

［20］陳旖旎，周曉英，岳麗欣，等.移動UGC社區用戶健康信息采納行為意愿的影響因素［J］.圖書情報知識，2022，39（5）：82-95.

［21］ZHOU T. Examining the critical success factors of mobile website adoption［J］. Online Information Review， 2011， 35（4）： 636-652.

［22］查先進，張晉朝，嚴亞蘭. 微博環境下用戶學術信息搜尋行為影響因素研究：信息質量和信源可信度雙路徑視角 ［J］. 中國圖書館學報， 2015， 41 （3）： 71-86.

［23］STRAUB D， BOUDREAU M C， GEFEN D. Validation guidelines for IS positivist research［J］. Communications of the Association for Information systems， 2004， 13（1）： 380-427.

［24］中華人民共和國國家互聯網信息辦公室.《互聯網信息服務算法推薦管理規定》［EB/OL］. （2022-01-04）［2023-11-8］. https：//www.gov.cn/zhengce/2022-11/26/content_5728941.htm.