高校大學生算法素養形成機理與培育策略研究

摘 要：文章采用扎根理論方法，對大學生進行半結構化訪談，將獲取的原始資料進行編碼分析，提煉出31個初始概念、19個初始范疇和8個主范疇。基于此梳理各個范疇之間的內在邏輯，構建高校大學生算法素養形成機理模型。研究發現，大學生算法素養形成機理包括意識觸發、認知形成、態度形成、應對行為四個階段，梳理算法素養各要素之間的內在關系，提出大學生算法素養的培育策略。

關鍵詞：大學生群體；算法素養；算法應對行為；形成機理

中圖分類號：G252 文獻標識碼：A

文章編號：1003-7136（2025）01-0055-10

Research on the Formation Mechanism and Cultivation Strategies of Algorithmic Literacy of University Students

SHI Xuan，TAN Luxing

Abstract：This paper adopts the grounded theory method to conduct semi-structured interviews with university students，and encodes and analyzes the original data obtained，and conducts coding analysis to extract 31 initial concepts，19 initial categories and 8 main categories.Based on this，the internal logic between various categories is sorted out，and the formation mechanism model of university students′ algorithmic literacy is constructed.It is found that the formation mechanism of university students′ algorithmic literacy includes four stages：consciousness triggering，cognition formation，attitude formation and coping behavior.This paper combs the internal relationship between the elements of algorithmic literacy，and puts forward the cultivation strategies of university students′ algorithmic literacy.

Keywords：university students；algorithmic literacy；algorithmic coping behavior；formation mechanism

0 引言

人工智能（AI）是歷史上最具顛覆性的技術之一，主要歸功于大數據和先進算法的結合^［1］。算法可以被視為計算機使用數據來完成任務的指令集或邏輯步驟序列^［2］。人工智能時代，算法的重要性不言而喻，算法幾乎決定了我們在互聯網上所做的一切，從搜索引擎到社交媒體平臺再到電商購物平臺等，算法在背后發揮著重要的技術支撐作用。在用戶與這些網站、應用程序、社交媒體平臺交互的過程中，大量的個人數據被收集使用，通過搜索、排序、分類、過濾等算法形式讓用戶生活更輕松、工作更高效^［3］。與此同時，諸如信息繭房、算法歧視等算法應用的負面效應也受到越來越多的關注，用戶應當了解算法及其工作機制已成為一項共識^［4］。在此背景下，算法素養作為一項實用準則應運而生。盡管人們認為算法素養會成為21世紀一項關鍵技能，但關于大學生對算法理解程度的實證研究仍然有限。大學生群體作為最常使用社交媒體平臺的用戶群體之一，平臺背后的算法機制對大學生群體產生著深遠影響。因此，研究大學生群體如何認識算法、如何與算法互動、如何應對算法以及如何形成算法態度顯得尤為重要。鑒于此，本文利用扎根理論研究方法主要解決以下三個問題：①大學生與社交媒體平臺交互中算法素養結構要素有哪些？②大學生與社交媒體平臺交互中算法素養的形成機理是什么？③算法素養各要素之間的內在關系是怎么樣的？

1 相關研究/2025年第1期總第263期史玄等：高校大學生算法素養形成機理與培育策略研究

1.1 算法素養相關研究

算法素養作為新興領域，對于如何定義算法素養尚未達成普遍共識。但它通常描述為與信息素養、數字素養、媒介素養等素養相互交叉，從這些素養中衍生出來^［5］。當前學界對算法素養內涵的界定有兩種：一種以工具性的方式定義，主要從意識、知識、技能、評價四個方面進行，包括能夠意識到算法的存在，并在此基礎上擴展到對算法的技術理解和對其社會影響的批判性分析^［6-7］；另一種是從用戶視角出發，基于用戶與算法的關系建立算法素養框架，形成人與算法交互的初步化理論。部分學者在用戶與平臺進行交互的過程中使用民間理論、算法想象^［8］來解釋用戶如何理解算法及其運作方式。Swart J將算法素養概念化為一種知識形式，借助于算法體驗的概念，將其分為認知、情感和行為三個維度，其中理解算法指對算法存在和運作的認知維度，感知算法指算法對用戶的情感維度，而參與算法指與算法互動的行為維度^［9］。本文采用其定義，從用戶視角將其定義為：在認知層面能夠感知到算法的存在并理解平臺背后的算法運行規則，在情感層面能夠批判性評價算法對用戶的影響，在行為層面能夠基于算法采取相應行為應對策略。

目前算法素養的研究方法有定性（如焦點小組、半結構化訪談^［10］）和定量（如量表開發^［11］、問卷調查）兩種。雖然所有研究方法都存在優缺點，但這一問題在算法素養方面尤為突出，因為算法的不透明性使得直接評估用戶的算法素養水平不太可行。相反，更深入地討論他們使用算法的經驗可能更容易評估其算法素養水平。越來越多的研究者從用戶視角研究，形成了有關 Facebook^［8］、Google News^［12］、Spotify^［13］和 TikTok^［14］的民間理論。這些民間理論體現用戶在日常使用算法驅動平臺的過程中形成的非學術性的算法知識和理解。

1.2 大學生算法素養相關研究

目前，國外學者針對學生和年輕人算法素養的實證研究聚焦于其對算法驅動平臺的算法意識、算法理解和行為應對策略方面，該部分的研究涉及搜索引擎、新聞媒體、短視頻平臺等互聯網使用場景。研究發現，大學生并不是被動的接受者，他們會產生對算法驅動平臺的認識和看法，以及會采取措施保護自己的隱私^［7］。年輕人在社交媒體平臺中對算法的感知和理解存在很大的差異，這些差異會影響他們對算法系統的參與行為。不是所有的用戶都會積極地采取主動措施參與算法決策，部分用戶認為自己在塑造算法方面的作用有限，并且他們對參與在線新聞很被動。即使他們擁有算法知識，也不一定會影響他們的行為^［15］。還有一些研究者討論如何提高大學生對算法的理解和認識。例如Brodsky J E等發現通過介紹算法視頻的干預能有效提高學生對搜索算法的理解^［16］。 Kapsch P H發現日常算法跟蹤和自我反思增加了學生的理解和批判性參與^［17］。國內學者針對大學生算法素養的實證研究更多關注算法素養各組成部分之間的相互關系。趙龍軒等發現大學生對算法機制存在的意識程度并不對其算法態度以及算法操縱產生直接影響，而他們生成的算法態度則顯著影響了其合作型及反抗型的算法操縱^［18］。劉靜等發現算法感知是其算法態度的來源，與算法態度共同作用影響數字原住民的算法管理行為^［19］。

綜上所述，國外學者對算法素養的實證研究相對較多，主要集中在算法意識和理解的認知維度，對情感和行為維度的研究相對較少。同時考慮到文化差異，國外的研究結論是否適用于國內還有待進一步探索。國內大部分學者對算法素養的研究集中在算法素養的概念、內涵界定^［20-21］以及各組成部分之間的相互關系，也有一部分學者開始研究算法素養的評價指標體系構建^［22-23］，探索算法意識和知識水平測量等^［24-25］，但算法素養的相關實證研究仍然有待豐富。基于此，本文針對大學生進行了算法素養的本土化例證研究，深入挖掘大學生算法素養的結構要素和形成機理以及各要素之間的內在關系。

2 研究設計

2.1 研究方法

扎根理論于1965年被提出，是一種對原始資料進行編碼分析、構建理論模型的研究方法^［26］，適用于在研究課題尚不成熟的情況下進行理論探索與模型構建。回顧現有文獻后發現，目前對于大學生算法素養形成機理的研究尚未形成成熟的研究框架，同時考慮到算法交互具有不透明性、復雜性以及動態變化性，這些客觀因素導致使用定量的研究方法可行性不大，故本文采用扎根理論這種探索性的質性研究方法。

2.2 訪談提綱設計

本文采用半結構化訪談獲取原始資料。通過文獻調研和社交媒體平臺的親身體驗設計訪談提綱，首先界定核心問題，即“大學生與社交媒體平臺進行交互的過程中算法素養是如何形成的？”，確定訪談提綱需要包括以下內容：①受訪者個人信息以及社交媒體使用情況；②受訪者在與社交媒體平臺互動過程中的算法體驗。其次，基于這個核心問題及預訪談結果進行半結構化訪談提綱的修正，經過兩 輪修改后最終確定了訪談提綱。在預訪談的過程中，根據受訪者的描述可知目前大學生使用比較多的社交媒體平臺是微博、小紅書、抖音、嗶哩嗶哩，因此后續在進行術語介紹和提問的過程中，主要圍繞以上4個平臺的相關功能和使用體驗進行解釋和提問。最后的訪談提綱包括導語、術語介紹、受訪者基本信息、核心問題四個部分，見表1。

2.3 樣本選擇

本文所指的大學生是具備全日制學籍的在校生，具體包括專科生、本科生、研究生。本研究通過目的性抽樣和滾雪球抽樣方法進行樣本選擇。根據目的性抽樣原則，受訪者需滿足以下條件：①熟悉互聯網并經常使用社交媒體平臺，平均每日使用社交媒體時間不少于2～3小時；②訪談的學生均為非計算機專業的學生，考慮到計算機專業的學生具有一定的專業知識，并不能完全視為“普通人”；③可以理解訪談問題并能夠清晰表達自己的觀點；④同意對訪談過程全程錄音。首先通過目的性抽樣原則選取少量的訪談對象，然后采用滾雪球抽樣的方法，讓他們推薦符合上述條件的其他訪談對象，在推薦的過程中會引導推薦者盡可能照顧到不同專業、不同學習階段、不同性別等因素，以獲取豐富的信息量來達到理論飽和。最終選擇訪談對象18人，訪談對象的基本信息見表2。

2.4 數據收集與編碼

本次訪談歷時一個月，正式訪談采用線上與線下相結合的方式，每次訪談時間在20～45分鐘，訪談內容主要圍繞訪談提綱的核心問題進行，中間順序會打亂，也會根據受訪者的回答來相應調整問題或者即興提出訪談提綱之外的新問題，以確保數據收集的全面性和豐富性。在征得受訪者同意的情況下，對訪談過程全程錄音，并進行及時的轉錄，共獲取10萬余字的訪談資料。為了保證編碼的可信性和有效性，訪談資料由兩名研究人員分別編碼，編碼一致的予以保留（經過計算編碼一致性在80%結果

以內的可以接受），不一致的由同行專家對兩名研究人員的編碼結果進行綜合對比評判，確定一致性和差異性，給出編碼意見，最終形成統一的編碼結果。

3 編碼過程

3.1 開放編碼

在開放編碼階段，通過對原始數據進行逐行編碼使其概念化和抽象化，逐步得出初始概念和范疇。開放編碼階段的原則是貼近數據，不發生概念的跳躍，秉承開放的心態，不放過任何一個可能的理論方向。據此，本研究選取14份原始資料進行編碼整理分析，對原始語句中的150條記錄進行提煉、比較、篩選，剔除掉重復的之后，得到31個初始概念，將初始概念進行比較、聚類、綜合歸納得到19個初始范疇。部分開放編碼示例如表3所示。

3.2 主軸編碼

主軸編碼是對開放編碼階段形成的初始范疇進行屬性與內涵的剖析，尋找數據之間的核心性與相關性，進一步提煉出更高抽象程度的主范疇。在開放式編碼形成的19個范疇的基礎上進一步抽象化，得到8個主范疇，見表4。

3.3 選擇性編碼

選擇性編碼是為了分析主范疇之間的聯系，以故事線的形式構建一個能夠體現原始資料的理論模型。本研究圍繞“大學生與社交媒體平臺互動過程中算法素養的結構要素”和“大學生與社交媒體平臺互動中算法素養形成機理”兩條故事線，研究典型范疇之間的關系結構，對關系結構內涵進行揭示。選擇性編碼見表5。

3.4 理論飽和度檢驗

一般認為，當原始資料不再提供新的范疇和關系時，再進行3份及以上資料的驗證，如依然無法發現新的范疇和關系，則表示研究所得到的理論達到飽和^［27］。 本研究以理論飽和度原則為訪談樣本選擇標準，在訪談至14人時未能發現新的范疇和關系，隨后又選擇4人進行理論飽和度驗證，仍未發現新的范疇和關系，故認為本研究所構建的理論已達到飽和。

4 研究發現

4.1 高校大學生算法素養形成機理研究

通過三級編碼，本研究提取了算法感知、算法理解、算法態度、算法應對行為、內生因素、外生因素、用戶個體化差異、平臺比較8個主范疇，剖析范疇間的作用關系，發現了大學生算法素養的形成機理（如圖1）。

圖1從左至右分為四個階段，分別為意識、認知、態度、行為，分別對應算法素養的意識觸發、認知形成、態度形成、應對行為的形成。大學生算法素養的意識觸發過程主要由內生因素和外生因素觸發導致，其中大學生自身的需求為主要觸發點，包括信息需求、娛樂需求、社交需求、使用經驗、課程學習等。外生因素包括媒體報道、與人溝通等。大學生算法素養認知形成過程由算法感知、算法理解、用戶、算法系統、社交媒體平臺共同構建而成，用戶以社交媒體平臺為載體，通過算法系統形成交互，產生對算法的感知和理解。用戶個體化差異、平臺比較會影響用戶的算法感知和理解。用戶個體化差異指算法交互過程中經驗能力、個性行為等層面的屬性特征。用戶算法感知和理解水平受多平臺比較的影響，使用多平臺的用戶會比使用單一平臺的用戶具有更高的算法感知和理解能力。大學生的算法態度，主要由算法交互過程中的決策結果所決定。而應對行為的形成則受到感知、理解和態度的共同作用。

4.1.1 意識觸發

編碼結果顯示，大學生算法感知主要來源于內生因素和外生因素。“自己弄久了就會找出規律，抖音我會搜一些作文優美語段，之后就都是這些，快手點開就是娛樂的東西”（P09）。與他人溝通也是觸發算法感知的來源，“我知道算法，因為我弟弟是學這個（計算機）的，他幫麥當勞的平臺編程，給潛在的用戶配送一些優惠券，或者是去發掘潛在客戶”（P08）。還有大部分的受訪者表示其算法感知來源于媒體報道，“我是刷到了這類視頻講解告訴我（算法）的”（P04）。少部分受訪者表示對算法的感知來源于課程學習，“有選修過人工智能、媒介素養等相關課程”（P05）。

4.1.2 認知形成

生成算法感知是用戶理解算法的第一步，在此基礎上，用戶則可能會進一步探索算法系統，通過與算法系統的交互，產生對于算法機制的理解與反思。用戶對算法的感知主要體現在對人與算法交互過程的感知、算法風險的感知。算法感知讓用戶會評估自己的角色以及算法的角色來形成對算法推薦內容依據、邏輯和運行規則的理解，構成認知形成機理。訪談發現，幾乎所有受訪者都能明確知道社交媒體平臺上人與算法互動（如點贊、評論、轉發、停留時長等）會影響后續的內容推送，他們會通過改變行為，不斷重塑算法結果。少部分受訪者表現出對算法導致的隱私泄露、設備監聽、算法偏見、信息繭房、浪費時間等問題的擔憂。由于用戶個體化差異、平臺使用等的影響，用戶產生的算法感知和理解存在差異。多平臺使用的受訪者提供了關于算法如何運作的相對更詳細的解釋。“我覺得微博推薦的都是你關注的，抖音、小紅書推薦的都是它覺得你會喜歡的內容。因為它后面有一套計算機的算法，通過大數據就可以篩選出你感興趣的，再根據你文章的點擊量，就會篩選出你喜歡的內容，也會篩選差不多類型的內容推送”（P16）。對算法有強烈好奇心的受訪者更可能投入時間和精力去深入理解算法。“我會關注平臺上面的社會熱點事件的發展，看底下的評論和觀點，我發現男生和女生的評論區是不一樣的。它不是按照時間和熱度排序的，是算法定制的”（P02）。擁有自我反思能力的受訪者對算法推送邏輯有更清晰的認識。“我平時接觸過一點淺顯的知識，但大部分是自己使用過程中長期的觀察。我會思考它為什么就能給我這么精準的推薦之類的。我覺得它背后有套算法會分析每個用戶的行為，比如瀏覽的時長，點擊量，收藏、點贊、評論的次數，每個用戶都有畫像。然后對每個用戶進行分類，比如可能我分到女性大學生這一類，然后它就會給你推送一些相關的內容”（P15）。

4.1.3 態度形成

隨著用戶與算法系統的交互，用戶觀察和認知到算法決策的實際效果和表現，根據不同的決策結果，用戶會形成對決策內容準確性的認知、風險性認知、公平性認知，并對算法產生信任與否、公平與否、偏見與否的評價，進而會影響用戶對算法決策的預期的改變，最終形成用戶的態度和行為。通過質性分析，大學生對算法決策的態度可歸納為三種，即積極認可、消極負面和中立型。表現出積極認可的受訪者對算法的普遍感受是喜歡算法推薦的內容，認為算法方便獲取知識、提高日常生活效率。“我感覺它給我推薦的都是我比較喜歡看的，它數據很多，所以你要是想獲取一些自己想了解的知識還挺方便，就是你搜啥就給你啥，這樣挺高效的”（P06）。持消極負面態度的受訪者通常具有較高風險感知力或對決策結果不滿意，他們對算法的感知更敏銳，有些甚至會選擇減少使用或拒絕使用算法平臺。“像訂賓館的那種殺熟就很無語，對這種算法就很惱火”（P09）。“小紅書我覺得比百度好用。現在的百度它自帶了個AI 引擎，有時候你提問之后，它AI生成的東西完全不對。我在外網上找的原文和百度上搜的結果完全不一樣，拒絕使用百度”（P10）。持有中立型態度的受訪者往往認為平臺背后的算法有助于獲取信息和推送個性化內容，但推送內容的不準確性、信息繭房、隱私泄露等問題會影響他們的使用體驗感。“算法推薦好處就是能夠更快讓大家看到自己想看的東西，壞處的話也就是相當于局限在一個思維里面吧”（P11）。

4.1.4 應對行為

大學生算法應對行為受認知和態度的影響。大學生會基于與算法系統的互動來推測算法運行規則和邏輯，并做出相應的應對行為。根據訪談結果，用戶的應對行為分為三類：控制式應對行為、被動式應對行為、對抗式應對行為。“我知道是我以前在這些類似的視頻上停留的時間比較長，點贊收藏的這類視頻比較多。還有我自己主動搜索過，我的朋友點贊過的，它就會給我推送”（P04、P03、P12）。因此，受訪者會采取主動搜索、完整觀看喜歡的視頻、點贊、收藏等控制式應對行為來獲取自己感興趣的內容。相反，對于那些不感興趣的內容，受訪者會采取諸如點擊不感興趣、更換平臺、刪除發布內容等控制式和對抗式相結合的行為來調整。“我刷到這些視頻的時候，對我感興趣的我就會看得更久一些，如果不感興趣我可能就直接劃掉或者點擊不感興趣，它就會推送更多我感興趣的”（P13、P01、P03、P05）。同時，算法態度直接影響算法的應對行為。持積極認可態度的受訪者通常采取控制式應對行為。“我覺得挺合理的，它推的都是我想要看的。它推送以后，如果不感興趣就直接劃走，點不感興趣”（P05）。持消極負面態度的受訪者通常選擇對抗式應對行為或被動式應對行為。“雖然我對這方面的內容很感興趣，但隔段時間再點進去，它又是一樣的。這就讓人很煩。我會換軟件或者是把舊賬號注銷，再注冊新的賬號。但像訂賓館的那種殺熟就很無語，對這種算法就很惱火，但是又無能為力”（P09）。持中立型態度的受訪者往往采取控制式應對行為或被動式應對行為。“它還是會給你推一些你喜歡的，這樣你就不用特意去搜，節省時間。比較不好的就是有時候推的不準確，還有點了不感興趣后還是會出現。我感覺算法它不可能完善的。用戶的喜好它不會完全掌握，而且用戶展示的信息還是太少了，不能夠根據這些就推斷出一個人的偏好。我倒是沒有對抗過算法，就是順其自然，反正不感興趣，我就點不感興趣了”（P14）。

4.2 高校大學生算法素養各要素之間關系分析

（1） 驅動作用：意識觸發→認知形成。高校大學生對社交媒體平臺算法認知的形成受到意識觸發的驅動。大學生多樣性需求和內外部因素刺激從量的積累達到質變臨界值，觸發大學生產生算法意識，經過反思、學習和應用，便會驅動其算法認知形成。認知形成過程是在意識觸發基礎上通過與算法系統交互，從而形成對算法理解的過程。但由于用戶個體化差異和平臺使用經驗的不同，大學生群體之間算法感知和理解能力存在差異。

（2） 決定作用：認知形成→態度形成。大學生對平臺算法的認知決定著其對算法的態度和評價。認知形成影響大學生對算法決策結果的認知，通過對算法決策結果進行評估，產生相應的算法態度。若認為算法決策結果符合預期，則會對算法產生信任，進而產生積極認可的態度；否則，將會產生消極負面的態度或者是中立型態度。

（3） 關鍵作用：認知形成+態度形成→應對行為。認知形成同樣影響著大學生的算法應對行為。每位受訪者都以自己的方式感知和理解算法及其運作方式，并基于認知采取相應的算法應對行為。同時，大學生對算法的態度決定著其采取相應的算法應對行為。當對算法的態度是積極肯定時，會采取主動的控制式應對行為；而當產生消極或中立的態度時，會采取被動式或對抗式的應對行為。應對行為是大學生算法素養形成的內在驅動力，通過認知形成和態度形成采取不同的應對行為。

5 高校大學生算法素養培育策略研究

5.1 加強算法基礎知識學習：跨學科教學與AI通識教育

本文是以非計算機專業的學生為研究對象，證實了有選修過人工智能、媒介素養等課程的學生對算法感知和理解有更深入的認知。根據受訪者的陳述，大學階段并未有專門教授算法素養的課程，大多是以信息素養、媒介素養、大數據管理、人工智能等與算法素養相關的選修課形式讓學生參與。因此，一方面可以開設專門的人工智能或算法素養通識課程，將AI課程作為基礎教育，對大學生進行AI通識教育。另一方面也可以進行跨學科教學融入，在現有課程體系基礎上將算法素養主題領域的信息素養、人工智能技術、數據素養、數字素養和隱私素養等與特定領域的課程進行融合。例如，市場營銷教師可以通過讓學生批判性地分析定向廣告的相關數據透明度工具來鼓勵個人數據的隱私保護。地理學教師在討論地圖軟件如何對地理特征進行分類時，可以對比機器學習和基于規則的算法^［28］。或者開設一門新的課程，進行跨學科教學。例如，英語教師可以與計算機教師合作，共同開發一門分析文學中算法隱喻的課程。通過跨學科的教學，幫助學生適應算法環境，提升算法素養能力。

5.2 提升算法應用技能水平：從被動接受到主動駕馭

算法和用戶之間并非單向影響關系，而是緊密交織、相互交融的關系。用戶通過算法平臺進入算法環境，實現算法交互，算法利用規則“結構化”用戶，用戶也在利用作為“資源”的算法規則重塑算法的邏輯。通過實證研究發現大學生與算法的關系是被動的，采取的應對行為相對單一，因此高校在算法素養培育的實踐過程中應增強大學生的算法技能，使其從被動接受者轉為主動駕馭者。一方面，普及社交媒體平臺常用的幾個核心算法機制（如協同過濾、內容過濾、深度學習模型等），幫助大學生理解推薦系統背后的邏輯與技術原理，更好地駕馭算法。另一方面，大學生要善用平臺提供的“關閉算法推薦服務”選項，同時可以通過有意識地與平臺互動（如有意點擊、主動搜索、定期清理關注和興趣點等）、使用技術輔助（如使用瀏覽器插件）等提升算法應對能力。無論是通過理解算法原理還是通過有意互動引導、使用技術手段，大學生都能從被動的算法接受者轉為主動的算法駕馭者，從而更好地利用平臺獲取有價值的信息。

5.3 強化算法倫理風險意識：算法實踐與批判性思維

隨著算法越來越融入決策，可能會出現與隱私、算法偏見、信息繭房等問題相關的倫理風險。本研究識別出對大部分大學生而言，他們能夠感知算法要采集什么信息、實現什么功能、存在哪些可能的風險，并且可以采取一定的行為來應對風險。但同時也發現，他們缺乏深入學習和實踐算法的機會，對算法的運行機制和算法決策結果的認知不夠深入，如何開展算法實踐是提高算法素養必須解決的問題。借鑒國外的實踐經驗，定期開展算法素養研討會、參與算法知識實踐平臺是提高算法素養的有效途徑。慕尼黑大學圖書館以開展研討會的形式讓學生反思算法在日常生活中的作用，識別產生算法偏見的潛在原因和預防策略，認識算法如何塑造算法決策結果^［29］。Archambault S G利用算法知識實踐平臺讓學生來質疑算法權威^［30］。通過Myth of the Impartial Machine^［31］平臺幫助學生理解為什么算法不是中立的，即它們受到人類決策和有針對性數據的影響，從而消除學生對算法是價值中立的想法的誤解。Survival of the Best Fit^［32］是一款在線游戲，可幫助學生更好地理解訓練數據如何產生偏差，學生使用招聘算法進行角色扮演來幫助做出招聘決策，但他們很快意識到該算法正在學習有偏見的模式。通過這些算法實踐可以讓學生批判性地評估算法設計和決策。

6 結語

本文著眼于人工智能時代下大學生如何適應算法環境、高校如何進行算法素養培育問題，探究高校大學生算法素養的形成機理和培育策略。運用扎根理論對在校大學生進行深度訪談，構建包括意識觸發、認知形成、態度形成、應對行為四個階段的大學生算法素養形成機理模型，分析了算法素養各要素之間的內在關系并給出了相應的培育策略。但本研究同樣存在一定的局限性。首先，本文選取的樣本量有限，后續可以讓樣本更多樣化，豐富現有的研究模型。其次，本研究僅通過質性分析進行了探索性研究，研究結論缺乏嚴格的數據論證，未來研究可考慮采用定量的方法對本文研究結論進行實證檢驗。未來研究既可以進行定量的數據采集與分析，在現有算法素養維度的基礎上構建算法素養的評價指標體系，也可以從算法素養教學實踐的角度，探討大學生算法素養實踐內容與模式。

參考文獻：

［1］ARCHAMBAULT S G.Toward a new framework for teaching algorithmic literacy［J］.Information and learning sciences，2024，125（1/2）：44-67.

［2］GILLESPIE T，BOCZKOWSKI P J，FOOT K A.Media technologies：essays on communication，materiality，and society［M］.Cambridge，Mass：MIT Press，2014：167-193.

［3］LOMBORG S，KAPSCH P H.Decoding algorithms［J］.Media，culture amp; society，2019，42（5）：745-761.

［4］HAMILTON K，KARAHALIOS K，SANDVIG C，et al.A path to understanding the effects of algorithm awareness［M］//CHI EA′14：CHI′14 extended abstracts on human factors in computing systems.New York：Association for Computing Machinery，2014：631-642.

［5］DOGRUEL L.What is algorithm literacy？ A conceptualization and challenges regarding its empirical measurement

［EB/OL］.［2024-09-01］.https：//www.ssoar.info/ssoar/bitstream/handle/document/75897/ssoar-2021-dogruel-What_is_Algorithm_Literacy_A.pdf？.

［6］RIDLEY M，PAWLICK-POTTS D.Algorithmic literacy and the role for libraries［J］.Information technology and libraries，2021，40（2）：1-15.

［7］HEAD A J，FISTER B，MACMILLAN M.Information literacy in the age of algorithms：student experiences with news and information，and the need for change［R/OL］.［2024-09-01］.https：//projectinfolit.org/pubs/algorithm-study/pil_algorithm-study_2020-01-15.pdf.

［8］BUCHER T.The algorithmic imaginary：exploring the ordinary affects of Facebook algorithms［J］.Information，communication amp; society，2017，20（1）：30-44.

［9］SWART J.Experiencing algorithms：how young people understand，feel about，and engage with algorithmic news selection on social media［EB/OL］.［2024-09-01］.https：//www.researchgate.net/publication/350827693_Experiencin

g_Algorithms_How_Young_People_Understand_Feel_About_and_Engage_With_Algorithmic_News_Selection_on_Social_Media.

［10］

SILES I，MELéNDEZ-MORAN A.“The most aggressive of algorithms”：user awareness of and attachment to TikTok′s content personalization［EB/OL］.［2024-09-01］.https：//core.ac.uk/download/489439918.pdf.

［11］DOGRUEL L，MASUR P，JOECKEL S.Development and validation of an algorithm literacy scale for internet users［J］.Communication methods and measures，2022，16（2）：115-133.

［12］POWERS E.My news feed is filtered？：awareness of news personalization among college students［J］.Digital journalism，2017，5（10）：1315-1335.

［13］

SILES I，SEGURA-CASTILLO A，SOLíS R，et al.Folk theories of algorithmic recommendations on Spotify：enacting data assemblages in the global South［EB/OL］.［2024-09-01］.https：//www.researchgate.net/publication/341062979_Folk_theories_of_algorithmic_recommendations_on_Spotify_Enacting_data_assemblages_in_the_global_South.

［14］KARIZAT N，DELMONACO D，ESLAMI M，et al.Algorithmic folk theories and identity：how TikTok users co-produce knowledge of identity and engage in algorithmic resistance［J］.Proceedings of the ACM on human-computer interaction，2021，5（CSCW2）：1-44.

［15］SWART J.Tactics of news literacy：how young people access，evaluate，and engage with news on social media［J］.New media amp; society，2023，25（3）：505-521.

［16］BRODSKY J E，ZOMBERG D，POWERS K L，et al.Assessing and fostering college students′ algorithm awareness across online contexts［J］.Journal of media literacy education，2020，12（3）：43-57.

［17］KAPSCH P H.Exploring user agency and small acts of algorithm engagement in everyday media use［J］.Media international Australia，2022，183（1）：16-29.

［18］趙龍軒，林聰.“黑箱”中的青年：大學生群體的算法意識、算法態度與算法操縱［J］.中國青年研究，2022（7）：20-30.

［19］劉靜，孫國燁，吳丹.數字原住民算法感知及作用機制研究［J］.情報資料工作，2023，44（3）：80-87.

［20］吳丹，劉靜.人工智能時代的算法素養：內涵剖析與能力框架構建［J］.中國圖書館學報，2022，48（6）：43-56.

［21］夏蘇迪，鄧勝利，付少雄，等.數智時代的算法素養：內涵、范疇及未來展望［J］.圖書情報知識，2023，40（1）：23-34.

［22］張濤，汪穎，馬海群，等.數智環境下社交媒體用戶算法素養評價指標體系構建研究［J］.情報理論與實踐，2024，47（2）：29-35.

［23］鄧勝利，許家輝，夏蘇迪.數字環境下大學生算法素養評價體系及實證研究［J］.圖書情報工作，2023，67（2）：23-32.

［24］陳逸君，崔迪.用戶的算法知識水平及其影響因素分析：基于視頻類、新聞類和購物類算法應用的實證研究［J］.新聞記者，2022（9）：70-85.

［25］賈詩威.我國網絡用戶算法意識量表的開發與適用性探討［J］.情報理論與實踐，2023，46（11）：20-26.

［26］賈旭東，衡量.扎根理論的“叢林”、過往與進路［J］.科研管理，2020，41（5）：151-163.

［27］FRANCIS J J，JOHNSTON M，ROBERTSON C，et al.What is an adequate sample size？ Operationalising data saturation for theory-based interview studies［J］.Psychology amp; health，2010，25（10）：1229-1245.

［28］ARCHAMBAULT S G.Toward a new framework for teaching algorithmic literacy［J］.Information and learning sciences，2024，125（1/2）：44-67.

［29］ARCHAMBAULT S G，RAMACHANDRAN S，ACOSTA E，et al.Ethical dimensions of algorithmic literacy for college students：case studies and cross-disciplinary connections［J］.The journal of academic librarianship，2024，50（3）：102865.

［30］ARCHAMBAULT S G.Expanding on the frames：making a case for algorithmic literacy［J］.communications in information literacy，2023，17（2）：530-553.

［31］The Myth of the Impartial Machine［EB/OL］.（2019-05-01）［2024-05-31］.https：//parametric.press/issue-01/the-myth-of-the-impartial-machine/.

［32］Survival of the Best Fit［EB/OL］.［2024-05-31］.https：//www.survivalofthebestfit.com.

作者簡介：

史玄（1990—），女，碩士，館員，任職于湖南工商大學讀者與服務部。研究方向：信息素養、信息用戶與行為。

譚璐星（1984—），女，碩士，館員，任職于湖南工商大學讀者與服務部。研究方向：閱讀推廣、信息素養。