抖音算法推薦機制對用戶心流體驗的影響研究

中圖分類號：G206 文獻標識碼：A文章編號：1672-8122（2025）05-0105-06

CNNIC發布的第55次《中國互聯網絡發展狀況統計報告》顯示，截至2024年12月，我國網絡視頻用戶規模達10.7億人，占網民整體的 96.6% ，其中，短視頻用戶規模達10.4億人，占網民整體的93.8%^[1] 。當前，人工智能、大數據、云計算、物聯網等技術迅猛發展，基于這些技術形成的推薦算法成為各媒介平臺信息傳播的重要工具，抖音、快手、小紅書等算法推薦型新媒體平臺逐漸成為業界和學界關注的重點。

一、文獻綜述

（一）關于算法媒體的研究

推薦算法最早出現在計算機和信息科學領域，后來被廣泛應用于電子商務、新聞傳播等信息服務領域。近年來，推薦算法在新聞傳播領域的應用及影響成為學界研究熱點，對相關文獻進行梳理，發現其主要呈現以下兩種趨勢：

第一，基于技術賦能的視角，推薦算法在新聞信息生產分發中的應用。張穎婷等學者從信息個性化定制、內容按需推送以及目標新聞事件發展趨勢預測方面總結了推薦算法的作用[2]。學者閆鑫認為：“在媒體融合發展的新時期，內容融合算法對整個新聞生產流程產生了持續性影響，新聞的生產、傳播和把關機制發生了變化，推薦算法的不斷改進，帶給了創作者和受眾完全不同的內容體驗。”[3]

第二，基于媒介倫理的視角，算法推薦型媒體平臺催生的各類問題。我國學者早期關于算法媒體社會影響的研究大多立足于受眾認知視角，認為基于算法的按需推送會導致出現“信息繭房”現象。“信息繭房\"是由凱斯·R·桑斯坦在《信息烏托邦—眾人如何生產知識》著作中提出的，意指人們只關注自己感興趣的內容，久而久之會將自己禁錮在“繭房”中[4]。近年來，隨著推薦算法逐漸被應用于新聞傳播的各個領域，關于內容同質化、算法偏見以及算法“黑箱操作”過程中產生的權利偏失現象的研究逐漸增加。

（二）關于心流理論的研究

心流理論，也被稱為“沉浸理論”，是指用戶全身心沉浸于某一事物，仿佛忘記了時間的使用體驗[5]。該理論由心理學家米哈里·契克森米哈賴（MihalyCsikszentmihalyi）首次提出，并由學者Chene-tal進行總結深化。心流體驗的生成包括三個階段：事前階段、經驗階段和效果階段。事前階段是心流產生的關鍵，該階段需要明確的活動目標、及時準確的反饋以及技能與挑戰的匹配，具有一定可控性；經驗階段通常存在于用戶產生心流體驗的過程中，是指用戶具有主觀性、開放性、積極性的心理感受；效果階段強調心流對個體的影響，包括用戶時間投入和情感投入。

目前，心流理論被廣泛應用于教育、文體、傳媒等領域。基于心流理論，學者萬昱君通過實證研究總結了新媒體時代游戲引導的基本原則與設計方法[；學者金雯婧對互聯網購物平臺用戶的即時性、持續性心流體驗進行了詳細分析，為購物平臺網頁設計提供了建議[7]

通過梳理文獻發現，學界關于“推薦算法”和“心流理論”的研究成果較為豐富，但將二者聯系起來進行考察的內容較少。算法推薦機制作為一種持續呈現用戶偏好內容的技術工具，其是否會對用戶的心流體驗產生影響、產生什么樣的影響，有待學界進一步探討。

當前，抖音依托推薦算法，個性化推送符合用戶偏好的內容，受到大眾歡迎。QuestMobile發布的《2024中國移動互聯網年度大報告》顯示，截至2024年12月，抖音和抖音極速版APP去重活躍用戶規模達9.78億[8。本文以抖音為對象，基于心流理論，運用問卷調查法和文獻研究法開展實證研究，從“精準性”“多樣性”“新穎性”三個維度評估用戶對抖音算法推薦機制的認可程度，并立足于心流體驗的效果階段，從“興奮感”“沉浸感”“時間感”三個方面探析用戶的心流體驗，從而量化分析算法推薦機制與用戶心流體驗的關系，旨在為短視頻平臺優化算法推薦機制、提升用戶的使用體驗提供建議。

二、研究方法和研究設計

（一） 研究方法

1.文獻研究法。通過搜集整理與推薦算法、心流理論以及短視頻平臺相關的文獻和行業報告，深入分析前人研究成果，旨從學術和實踐視角對研究內容進行詳細、全面的分析。

2.問卷調查法。向抖音用戶發放在線問卷，了解其使用抖音的頻次、時長、目的和瀏覽習慣，為后續研究提供數據基礎。使用李克特量表對抖音算法推薦機制的認可度和用戶的心流體驗程度進行評估，旨在回答“抖音算法推薦機制是否會促進用戶的心流體驗”問題。

（二）研究設計

在設計問卷之前，隨機對部分抖音用戶進行訪談，通過開放式問題了解他們對抖音推薦算法的認知程度和使用感受，同時參考相關問卷，設計本問卷。

問卷包含五個板塊：一是圍繞用戶的基本身份屬性，包含性別、年齡、教育程度、職業等基本信息。二是聚焦用戶使用抖音的狀況、目的和動機，包含使用頻率、主要意圖、媒介習慣等。三是主要圍繞抖音算法推薦機制設置問題。例如，抖音推薦算法能否精準捕捉用戶的瀏覽偏好，能否為用戶合理推送不同領域的信息，能否有效預估用戶的潛在需求，從而預測性地推薦異質性信息。四是從用戶的興奮感、時間感、沉浸感三個維度，具體測量其使用抖音的心流體驗。五是主要調查用戶對抖音推薦算法的整體看法和評價。

考慮到抖音用戶人數眾多、分布較廣，本文以網上問卷調查為主，通過微信、微博、QQ等社交平臺，發放并回收了202份問卷。在首題“是否下載和使用過抖音”設定篩選條件，將答案為“否”的23個問卷設為無效并進行剔除，共得到179個有效問卷。隨后借助定量分析工具和平臺，對本次收集到的樣本數據進行整合分析。

三、研究分析

（一）信度和效度分析

1.信度分析

信度主要用于衡量被測項目或量表所得結果的穩定性和一致性，信度越高，其標準誤越小[9]。李克特量表中，主要使用Cronbach's ∝ 系數和折半信度對量表進行信度分析。 ∝ 值在 0.60～0.65 之間，表明量表信度較差，實驗情況不理想； ∝ 值介于 0.65～0.70 之間，表明信度處于最小可接受范圍； ∝ 值在 0.70～ 0.80之間，表明信度較好，此時實驗研究條件較為理想[9]。使用 SPSS 的信度分析模塊輸出結果（如表1）， ∝ 系數值為0.782，說明本次實驗中的推薦算法量表、心流體驗量表和整體評價量表信度較好。

2.效度分析

效度主要用于評估測量工具或手段能否準確測出所需測量特質，即測量結果的準確性和有效性[9]。內容效度的評估與研究者的專業知識、常識判斷以及問卷設計的合理性相關。因此，使用KMO檢驗。KMO檢驗用于衡量變量之間的簡單相關系數與偏相關系數的相對大小，從而評估變量間的相關程度。KMO值越高，說明變量間的共同因素越多，越適合進行因子分析。KMO值低于0.5時，不適宜進行因子分析處理；KMO值處于0.6一0.7之間，因子分析的效果較差；KMO值高于0.7時，因子分析的效果較好[9]Bartlett’s球型檢驗常被用于檢驗變量之間是否相互獨立。一般情況下，當KMO值大于0.7，且Bartlett球形檢驗的 Sig 顯著性水平小于0.01時，表明此次問卷量表的結構效度良好。如表2所示，本研究的KMO值為0.790，Bartlett球形檢驗Sig值為0.000，小于0.01，說明其結構有效性較為理想。

（二）樣本描述性統計分析

對本次調研涉及的抖音用戶開展描述性統計分析，結果見表3。

本次回收的179份有效問卷中，男性用戶比例為39.7% ，女性用戶比例為 60.3% ；大部分用戶的年齡處于18—25歲區間，且擁有高等教育背景。從使用時長方面看，超過12個月的用戶所占比例超過半數，為 63.7% ，這些用戶都對推薦算法及其相關系統機制表現出了較高認知。同時，上述樣本構成比例與巨量算數發布的《抖音用戶畫像報告》具有較高的相似度，表明樣本具有一定代表性，為后續數據的分析和整理提供了依據。

（三）抖音算法推薦機制與用戶心流體驗的相關性分析

1.皮爾遜相關性分析

使用SPSS軟件相關性功能模塊，發現推薦算法的精準性、多樣性、新穎性與用戶心流體驗之間的顯著性 P 值均小于0.05，說明二者存在顯著的相關性。進行皮爾遜相關性分析得到表4，發現心流體驗與精準性、多樣性、新穎性之間的相關系數 r 分別為0.382、0.257、0.305，均大于零。說明抖音的推薦算法與用戶的心流體驗具有顯著的正向關聯。具體而言，推薦算法的精準度、多樣性、新穎性越強，用戶在使用過程中所獲得的心流體驗程度就越高，反之則越低。

2.多元線性回歸分析

在皮爾遜相關性分析的基礎上，使用SPSS軟件的多元線性回歸功能，以推薦算法的精準性、多樣性、新穎性為自變量，以用戶在使用過程中所產生的心流體驗為因變量，對二者因果關系進行分析，輸出結果如表5。

從表5得到以下結果：

（1）本次線性回歸的擬合度良好， R²=0.274 ，意味著本次實驗能夠較好地反映推薦算法的精準性、多樣性、新穎性對用戶心流的影響情況。

（2）輸出結果VIF均小于5，說明三個變量之間并無多重共線性。

（3）回歸方程顯著， F=12.293 ， Plt;0. 001 ，說明上述三個自變量中至少有一個能夠顯著影響因變量——心流體驗。

（4）抖音推薦算法的精準性對用戶心流體驗具有顯著的正向影響（回歸系數 B=0.298gt;0 ，顯著性水平 P=0.0001lt;0.05） ；抖音推薦算法的多樣性并未對用戶心流體驗產生顯著的正向影響（顯著性水平 P =0.764gt;0.05 ）；抖音推薦算法的新穎性對用戶心流體驗具有顯著的正向影響（回歸系數 B=0.223gt;0 顯著性水平 P=0.047lt;0.05 ）。具體而言，心流體驗可通過以下方程表示：心流體驗 =2.485+0.298× 精準性 +0.223× 新穎性。

（四）用戶心流體驗與單次使用時長的相關性分析

根據SPSS相關性輸出結果，心流體驗與用戶單次使用時長之間的顯著性 P 值 lt;0.05 。進行相關性分析得到表6，發現心流體驗與用戶單次使用時長之間的相關系數 r 大于零，說明二者之間存在著顯著的正相關關系。具體而言，隨著用戶持續享受抖音推薦算法帶來的興奮感、沉浸感，其心流體驗逐漸走高。同時，用戶單次使用時長也隨著心流體驗的持續而延長。

四、研究結論

（一）抖音算法推薦機制與用戶心流體驗的關系

通過整理和分析問卷調查數據后發現，抖音基于大數據分析用戶的瀏覽喜好持續輸出推薦流，對用戶的心流體驗產生了較大影響。推薦算法的精準性，即能否從海量信息中篩選出符合用戶興趣的信息，成為用戶心流體驗是否產生的先決條件。推薦算法的多樣性雖然與用戶心流體驗明顯相關，但二者并非因果關系。推薦算法的新穎性，即能否預測性地發掘用戶的潛在需要，成為用戶心流體驗能否持續產生的必要條件。

（二）“推薦流”催生的“心流”對用戶使用體驗的影響

算法推薦機制在為用戶營造沉浸式心流體驗的同時，也不可避免地對用戶的實際體驗感造成了一定的消極影響。當媒介持續不斷地在較大程度上滿足用戶的信息需求時，就會使用戶形成依賴，出現“媒介成癮”現象，即“用戶沉迷”。

“用戶沉迷”是指用戶由于長時間持續獲取媒介信息，形成了不健康的習慣和嗜好。在短視頻平臺中，“用戶沉迷”主要由用戶持續觀看個性化推薦視頻，產生持續的心流體驗形成。調查結果顯示，抖音的用戶日活躍度較高，持續時間較長，有 32.4% 的用戶每天打開抖音APP三次以上， 46.4% 的用戶每次使用不少于半小時，而單次使用時長在15分鐘以下的用戶僅占 19.6% ，說明大部分用戶每天投入相對較長的時間和精力觀看抖音短視頻。推薦流持續輸出，不斷刺激著用戶的大腦神經中樞，促使心流持續產生，從而使用戶達到一種無法自拔的沉浸境界。

五、抖音優化算法推薦機制的路徑

（一）優化短視頻平臺的反饋機制，提高精準性

以推薦算法為技術基礎的信息分發機制是短視頻應用形成推薦流的先決條件，它通過獲取用戶的瀏覽喜好，有針對性地呈現信息，增強用戶的體驗感。但是，推薦算法系統判定視頻是否具有可看性的依據主要是完播率、點贊率、留言率等數據。從抖音反饋機制的運行現狀來看，其傾向于抓取用戶的正向顯性反饋，如首頁默認的推薦欄，醒目的“喜歡”“評論”“轉發”導航按鈕。但是，該機制對于用戶的負面反饋關注較少，“不喜歡”按鈕設置在“轉發”下拉菜單的最后一欄，一些用戶不知道這一反饋渠道，還有一些用戶由于不易操作放棄反饋。鑒于此，短視頻平臺應從算法推薦機制和頁面設置兩個方面入手，調整用戶的反饋渠道，并完善反饋接收機制，動態把握用戶的需求偏好，提高推薦算法的精準性。

（二）推動混合算法推薦機制融合發展，提高新穎性

當前，抖音主要基于用戶信息協同過濾機制為用戶提供個性化信息推薦服務，也就是根據用戶的性別、年齡、興趣等基礎數據以及粉絲、關注的人、可能的朋友等社交信息建立虛擬畫像。在信息分發過程中，平臺采用協同過濾手段，識別出與用戶興趣相似的群體喜愛的短視頻，隨后將其推送給用戶。同時，一些點擊率高、互動性強的熱門視頻也會被優先展示在平臺首頁位置。但是，在單一算法推薦機制下，視頻內容會出現同質化傾向。例如，抖音用戶經常連續刷到同一創意、同一形式甚至同樣內容的視頻。通過分析用戶心流體驗的影響因素，發現新穎性是用戶心流體驗持續增強的必要條件，用戶長時間瀏覽同類型視頻時會產生審美疲勞。

為了優化算法推薦機制，一些學者提出了混合推薦系統算法，這是一種結合了變換法、加權法、特征組合法、特征擴充法、混合法、層疊法以及元級別法等推薦技術的系統，克服了單一推薦方法的局限性，提高了內容推薦的準確性和用戶滿意度[10]。混合推薦系統算法在抓取用戶瀏覽偏好的基礎上，通過數據建模挖掘用戶潛在的信息需求，推送異質性信息，進一步提高內容推薦的新穎性。值得注意的是，內容推薦的“新穎性”并不等同于內容推薦的“多樣性”。“多樣性”旨在開拓用戶新的瀏覽偏好，“新穎性”則是指通過預測用戶興趣，向其推薦熱門內容。推薦內容的“新穎性”既能確保推薦的精準度，又能滿足用戶潛在的價值需要。

（三）增加精品內容的推送權重，提升用戶留存率

為了解決“推薦流”引起的心流體驗異化，即用戶沉迷問題，各短視頻平臺上線了防沉迷系統。2019年3月28日，抖音增加了“青少年防沉迷”功能。當用戶每天首次登陸時，會看到提示，自行決定是否打開青少年模式。在該模式下，用戶每天累計使用時間上限為40分鐘。2019年4月，抖音推出了防沉迷系統，當用戶連續觀看達90分鐘后，系統會彈出一段視頻，提示用戶關注使用時長和護眼問題。然而，本次問卷調查的結果表明，僅有 9.5% 的用戶在接收到防沉迷短視頻提醒后會選擇主動退出應用； 59.2% 的用戶則選擇忽略此提醒，繼續瀏覽； 72.3% 的用戶表示，由于“過度沉迷于短視頻瀏覽”，選擇卸載該應用。顯然，推薦算法持續推送內容，在為用戶帶來沉浸式體驗的同時，也對他們的心流狀態產生了負面作用，短視頻的用戶留存率降低。“用戶留存率”是衡量“用戶黏性”的重要指標，是指自特定時間段起開始使用某應用，并在一段時間后仍持續使用該應用的用戶數量占同期新增用戶的比例。

雖然用戶擁有自主選擇權，但短視頻防沉迷系統僅能起到外部控制的作用，難以從根源上解決用戶沉迷現象。短視頻平臺應注重提升內容產品的人文價值，深入挖掘中華優秀傳統文化資源，激勵優秀創作者，增加精品內容推送權重，在滿足用戶信息需求的基礎上，著力提高產品價值，提升用戶留存率。

六、結語

近年來，隨著網絡數字技術的進步，我國社會信息化程度不斷提高，短視頻平臺對人們的生活產生了較大影響。推薦算法緩解了過量信息與用戶有限注意力之間的矛盾，但也對用戶產生了一定的負面影響。

本文對用戶使用體驗進行實證分析，總結了抖音算法推薦機制與用戶心流體驗的關系，發現算法推薦機制的精準性、新穎性對用戶的心流體驗具有促進作用。平臺應從優化反饋機制、增強混合推薦機制以及提高內容產品價值三個方面入手，進一步優化算法推薦機制，實現自身的健康發展。

本研究也存在一些不足，主要表現在兩個方面：一是問卷樣本方面，受調查者主要是18—25歲的二、三線城市青年，樣本量較小；二是推薦算法測量維度方面，仍存在一些本文尚未考慮到的影響因素。在今后的研究中需要進一步分析和探討，得出更具推廣性的結論。

參考文獻：

[1］中國互聯網絡信息中心.第55次中國互聯網絡發展狀況統計報告[EB/OL].（2025-01-17）[2025-03-04].https：//www.cnnic.cn/NMediaFile/2025/0117/MAIN173710689576721DFTGKEAD.pdf.

[2] 張穎婷，張振廣.探析新媒體環境下“算法”技術的應用[J].新聞潮，2019（4）：33-35.

[3] 閆鑫.媒介融合背景下算法對新聞生產的影響[J].新聞研究導刊，2020，11（5）：63-64.

［4］凱斯·R·桑斯坦.信息烏托邦—眾人如何生產知識[M].畢競悅，譯.北京：法律出版社，2008：7.

[5] CsikszentmihalyiM.Flow：ThePsychology of OptimalExperience[J].Design Issues，1991，8（1）.

[6] 萬昱君.基于心流體驗的移動游戲引導設計研究[J].藝術教育，2020（4）：263-266.

[7] 金雯婧.基于心流理論的互聯網購物平臺用戶體驗設計的研究[D].杭州：浙江大學，2016.

［8］QuestMobile研究院.QuestMobile 2024中國移動互聯網年度大報告：“數智化”駕\"云”而來，12.57億用戶激活“AI奇點時刻”！［EB/OL].（2025-03-04）[2025-04-07].https：//www.questmobile.com.cn/research/report/1896846900944015361.

[9] 吳明隆.問卷統計分析實務：SPSS操作與應用[M].重慶：重慶大學出版社，2010：194-242.

［10］成小翠.電商平臺個性化推薦用戶采納影響因素研究[D].哈爾濱：黑龍江大學，2018.

[責任編輯：喻靖雯]