基于認(rèn)知偏差分析的短視頻算法對(duì)大學(xué)生價(jià)值取向的干預(yù)模型構(gòu)建

摘要：短視頻已成為數(shù)字時(shí)代的一種主流媒體形式，通過其算法驅(qū)動(dòng)的內(nèi)容推薦系統(tǒng)，對(duì)用戶尤其是大學(xué)生的價(jià)值觀有著深刻的影響。這些算法往往基于用戶行為數(shù)據(jù)來優(yōu)化推薦效果，從而可能無意中強(qiáng)化了用戶的認(rèn)知偏差。該文基于認(rèn)知偏差理論，分析短視頻推薦算法對(duì)大學(xué)生價(jià)值取向的影響，并提出一種干預(yù)模型，旨在優(yōu)化短視頻內(nèi)容推薦，減少認(rèn)知偏差的影響，以促進(jìn)大學(xué)生價(jià)值觀的多元化與均衡發(fā)展。

關(guān)鍵詞：認(rèn)知偏差分析；短視頻算法；大學(xué)生；價(jià)值取向；干預(yù)模型

中圖分類號(hào)：TP311" " " 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2025）21-0025-04

開放科學(xué)（資源服務(wù)） 標(biāo)識(shí)碼（OSID）

在當(dāng)今信息時(shí)代，短視頻是新興的數(shù)字媒體形態(tài)，憑借其豐富多彩的內(nèi)容和精確的算法推薦系統(tǒng)，已經(jīng)成為廣大大學(xué)生日常生活中不可或缺的一部分。這些短視頻平臺(tái)通過復(fù)雜的算法模型，分析用戶的行為數(shù)據(jù)和偏好，實(shí)現(xiàn)個(gè)性化的內(nèi)容推送。這種高度個(gè)性化的推薦系統(tǒng)可能無意中強(qiáng)化觀看者的認(rèn)知偏差，并影響其價(jià)值取向。認(rèn)知偏差是心理學(xué)上描述個(gè)體在信息處理過程中表現(xiàn)出的系統(tǒng)性誤差，反映了個(gè)體在接收和處理信息時(shí)的非理性傾向。大學(xué)生是社會(huì)和經(jīng)濟(jì)轉(zhuǎn)型的關(guān)鍵群體，其價(jià)值觀的形成對(duì)個(gè)人未來的社會(huì)行為模式和決策方式具有深遠(yuǎn)影響。

1 短視頻算法與認(rèn)知偏差的理論基礎(chǔ)

1.1 短視頻推薦算法的工作原理

短視頻推薦算法利用機(jī)器學(xué)習(xí)技術(shù)，通過分析用戶數(shù)據(jù)和行為模式來優(yōu)化內(nèi)容推送，確保用戶接觸到與其偏好相匹配的視頻內(nèi)容。這些算法通常涉及多種復(fù)雜的數(shù)學(xué)模型，包含協(xié)同過濾、內(nèi)容基推薦和深度學(xué)習(xí)網(wǎng)絡(luò)等復(fù)雜數(shù)學(xué)模型。協(xié)同過濾算法通過評(píng)估大量用戶與內(nèi)容的交互數(shù)據(jù)來識(shí)別相似用戶群體，進(jìn)而推薦那些被相似用戶喜愛的內(nèi)容，內(nèi)容基推薦算法則分析內(nèi)容的屬性，如視頻標(biāo)簽、主題或視覺元素，將這些屬性與用戶的歷史偏好相匹配，以發(fā)現(xiàn)和推薦內(nèi)容。此外，深度學(xué)習(xí)算法根據(jù)神經(jīng)網(wǎng)絡(luò)解析用戶的細(xì)微偏好和復(fù)雜模式，使推薦更加個(gè)性化和精準(zhǔn)。這些算法共同作用，形成一個(gè)動(dòng)態(tài)的、自學(xué)習(xí)的推薦系統(tǒng)，不斷根據(jù)用戶的反饋和行為調(diào)整推薦策略，以提高用戶滿意度和平臺(tái)的用戶黏性。然而，這種高度個(gè)性化的推薦可能限制信息多樣性，加劇用戶的認(rèn)知偏差，影響其價(jià)值觀的全面發(fā)展，如圖1短視頻推薦算法的工作原理。

1.2 認(rèn)知偏差概述

認(rèn)知偏差是指?jìng)€(gè)體在信息處理和決策過程中表現(xiàn)出的系統(tǒng)性誤差，這種心理機(jī)制在心理學(xué)和行為經(jīng)濟(jì)學(xué)領(lǐng)域中被廣泛研究，對(duì)于理解和預(yù)測(cè)人類行為具有重要意義。常見的認(rèn)知偏差包括確認(rèn)偏誤，即個(gè)體傾向于注意和記憶與已有信念相一致的信息，可用性啟發(fā)，即個(gè)體傾向于重視最容易想起的信息，以及框架效應(yīng)，即決策受到信息呈現(xiàn)方式的影響。短視頻平臺(tái)通過算法精準(zhǔn)地推送用戶偏好的內(nèi)容，這可能無形中增強(qiáng)了這些認(rèn)知偏差，使得用戶陷入信息繭房，即用戶被限制在一個(gè)狹窄的信息泡沫中，難以接觸到多元化的觀點(diǎn)和信息。這種現(xiàn)象在大學(xué)生這一群體中尤為關(guān)鍵，因?yàn)樗麄兊膬r(jià)值觀和世界觀正在形成和演變的關(guān)鍵階段，過度的信息過濾可能削弱他們的批判性思維能力，限制認(rèn)知的廣度和深度。

2 短視頻算法對(duì)大學(xué)生價(jià)值取向的影響

2.1 短視頻推薦算法與大學(xué)生心理變化

短視頻推薦算法根據(jù)其精細(xì)化的個(gè)性化內(nèi)容推送機(jī)制在無形中對(duì)大學(xué)生的心理狀態(tài)及其價(jià)值觀形成過程產(chǎn)生深遠(yuǎn)影響。對(duì)大學(xué)生而言，這一時(shí)期是價(jià)值觀和世界觀快速發(fā)展和重新定位的關(guān)鍵階段，短視頻平臺(tái)的內(nèi)容及其推薦算法通過影響大學(xué)生日常接觸的信息范圍和類型，間接塑造了他們的心理反應(yīng)與社會(huì)認(rèn)知。這種算法導(dǎo)向的信息過濾可能不僅減少了對(duì)沖突或挑戰(zhàn)性信息的接觸，而且影響他們對(duì)社會(huì)多樣性和復(fù)雜性的理解與接納，進(jìn)而影響到他們的社會(huì)適應(yīng)性和創(chuàng)新思維能力的培養(yǎng)。因此，探討短視頻推薦算法與大學(xué)生心理變化之間的關(guān)系，對(duì)于理解和優(yōu)化這些算法在教育和心理發(fā)展方面的應(yīng)用具有重要意義。

2.2 短視頻內(nèi)容對(duì)價(jià)值觀的塑造作用

短視頻平臺(tái)通過復(fù)雜的數(shù)據(jù)分析技術(shù)確定哪些內(nèi)容最可能被特定用戶觀看與喜愛，從而在用戶的信息生態(tài)中創(chuàng)造一個(gè)自我加強(qiáng)的循環(huán)，不斷強(qiáng)化用戶的現(xiàn)有觀念和偏好。由于大學(xué)生正處于價(jià)值觀快速形成和調(diào)整的階段，這種信息過濾機(jī)制可能限制了他們接觸到的思想和觀點(diǎn)的廣度，特別是那些挑戰(zhàn)或擴(kuò)展其世界觀的內(nèi)容。短視頻中常見的娛樂化、簡化復(fù)雜問題和強(qiáng)調(diào)即時(shí)滿足的趨勢(shì)可能進(jìn)一步影響大學(xué)生對(duì)深度信息處理和長期目標(biāo)設(shè)定的能力，這不僅塑造了他們對(duì)社會(huì)現(xiàn)象的感知方式，也可能在不經(jīng)意間推廣了一種快速消費(fèi)文化的價(jià)值觀。

2.3 認(rèn)知偏差與大學(xué)生的價(jià)值判斷

認(rèn)知偏差在短視頻平臺(tái)的內(nèi)容消費(fèi)中起著關(guān)鍵作用，這些偏差包括確認(rèn)偏誤、可得性啟發(fā)式和框架效應(yīng)等，根據(jù)短視頻算法的運(yùn)作被不斷強(qiáng)化，因?yàn)樗惴▋A向于推薦符合用戶既有信念和情感傾向的內(nèi)容。大學(xué)生在這樣的信息環(huán)境中形成或鞏固了特定的價(jià)值觀，這限制了他們對(duì)問題進(jìn)行多角度和批判性思考的能力。例如，當(dāng)短視頻平臺(tái)持續(xù)推薦反映一種單一社會(huì)觀點(diǎn)的內(nèi)容時(shí)，大學(xué)生會(huì)將這種觀點(diǎn)內(nèi)化為自己的價(jià)值觀，從而減少了對(duì)其他可能同樣有效但不同的觀點(diǎn)的考慮和接納。此外，這種算法推動(dòng)的信息泡沫還可能導(dǎo)致群體極化現(xiàn)象，即固定群體內(nèi)的觀點(diǎn)得到加強(qiáng)，而對(duì)群體外的觀點(diǎn)則持排斥態(tài)度。這種由算法加劇的認(rèn)知偏差對(duì)大學(xué)生的價(jià)值判斷產(chǎn)生的影響尤為重要，過度的偏差可能導(dǎo)致其價(jià)值觀的單一化和扭曲，對(duì)其長期的個(gè)人發(fā)展和社會(huì)交往產(chǎn)生不利影響。

3 基于認(rèn)知偏差分析的短視頻算法干預(yù)模型構(gòu)建

3.1 大學(xué)生價(jià)值取向形成與認(rèn)知偏差機(jī)制

在數(shù)字時(shí)代，短視頻平臺(tái)的算法推薦系統(tǒng)在大學(xué)生的價(jià)值觀念和世界觀形成中發(fā)揮著越來越重要的作用。短視頻平臺(tái)的推薦算法根據(jù)對(duì)用戶歷史行為的精準(zhǔn)分析，推動(dòng)內(nèi)容的個(gè)性化推送，使得大學(xué)生接觸到與自身偏好一致的信息，潛移默化地塑造了其對(duì)社會(huì)、道德和文化的認(rèn)知框架，大學(xué)生在接觸這些信息時(shí)，往往受到確認(rèn)偏誤、可得性啟發(fā)和框架效應(yīng)等認(rèn)知偏差的影響，這些偏差使他們?cè)诿鎸?duì)信息時(shí)更加傾向于選擇與已有觀念一致的信息，忽略與之相悖的觀點(diǎn)或證據(jù)，進(jìn)一步強(qiáng)化了他們的原有認(rèn)知結(jié)構(gòu)。此外，短視頻算法的推薦系統(tǒng)往往忽視了信息的多樣性和對(duì)立性，導(dǎo)致大學(xué)生接觸到的內(nèi)容過于單一，進(jìn)而限制了其批判性思維的拓展和價(jià)值觀的多元化。這一過程中，認(rèn)知偏差不僅僅影響個(gè)體對(duì)信息的接受和處理方式，更深刻影響其社會(huì)認(rèn)同和價(jià)值判斷的形成，進(jìn)一步加劇了其在價(jià)值觀建設(shè)上的片面性[1]。

3.2 基于認(rèn)知偏差的短視頻推薦優(yōu)化策略

在短視頻推薦算法的優(yōu)化過程中，基于認(rèn)知偏差的策略至關(guān)重要，旨在根據(jù)調(diào)整算法設(shè)計(jì)來減輕或消除對(duì)大學(xué)生價(jià)值觀塑造的負(fù)面影響。為此，文章提出一種基于實(shí)時(shí)監(jiān)測(cè)的算法優(yōu)化方法，以監(jiān)控和修正推薦內(nèi)容，減少過度個(gè)性化及信息泡沫的影響。該優(yōu)化策略通過引入多維度反饋機(jī)制，結(jié)合用戶的歷史行為數(shù)據(jù)、互動(dòng)模式以及認(rèn)知偏差模型，動(dòng)態(tài)調(diào)整推薦內(nèi)容的呈現(xiàn)。在具體的優(yōu)化過程中，假設(shè)用戶的偏好遵循某一確定的分布模型，可以使用式（1） 進(jìn)行實(shí)時(shí)監(jiān)控和調(diào)整：

[P（u，c）=i=1nwi?f（ci，u）i=1nwi]" " " "（1）

其中，[P（u，c）]表示推薦給用戶[u]的內(nèi)容[c]的權(quán)重，[wi]是內(nèi)容[ci]的歷史權(quán)重，[f（ci，u）]是內(nèi)容與用戶之間的適應(yīng)度函數(shù)，反映了用戶與特定內(nèi)容的互動(dòng)頻率及偏好強(qiáng)度，[n]是推薦內(nèi)容的總數(shù)。該公式表明，推薦的內(nèi)容權(quán)重不僅依賴于用戶與內(nèi)容之間的歷史互動(dòng)強(qiáng)度，還需要綜合考慮內(nèi)容的多樣性和用戶認(rèn)知偏差的調(diào)整。為了避免信息過度同質(zhì)化，在計(jì)算[P（u，c）]時(shí)，適應(yīng)度函數(shù)[f（ci，u）]會(huì)動(dòng)態(tài)調(diào)整，以引入新的內(nèi)容和觀點(diǎn)，這一調(diào)整基于認(rèn)知偏差模型的反饋，特別是對(duì)確認(rèn)偏誤和框架效應(yīng)的修正。

進(jìn)一步優(yōu)化此公式，引入認(rèn)知負(fù)荷因子[L（u）]，用于表示大學(xué)生在特定情境下的認(rèn)知負(fù)荷水平，利用式（2） 進(jìn)行修正：

[P′（u，c）=P（u，c）?（1-L（u））]" "（2）

其中，[P′（u，c）]表示經(jīng)過認(rèn)知負(fù)荷因子修正后的推薦權(quán)重，[L（u）]是根據(jù)實(shí)時(shí)監(jiān)控大學(xué)生的互動(dòng)模式和情感反饋得出的認(rèn)知負(fù)荷值。當(dāng)[L（u）]較高時(shí)，系統(tǒng)會(huì)減少對(duì)高度個(gè)性化內(nèi)容的推薦，傾向于推送更為多元化的視角和信息，從而幫助大學(xué)生接觸到不同的觀點(diǎn)，避免認(rèn)知偏差加劇。

根據(jù)這種基于認(rèn)知偏差的短視頻推薦優(yōu)化策略，能夠在動(dòng)態(tài)調(diào)整推薦內(nèi)容的同時(shí)，有效緩解認(rèn)知偏差對(duì)大學(xué)生價(jià)值觀的負(fù)面影響。該策略不僅提高了推薦系統(tǒng)的內(nèi)容多樣性，還促進(jìn)了大學(xué)生批判性思維和價(jià)值觀的多元化，最終實(shí)現(xiàn)了短視頻算法對(duì)大學(xué)生價(jià)值取向的積極引導(dǎo)與干預(yù)[2]。

3.3 短視頻內(nèi)容多樣化對(duì)認(rèn)知偏差的干預(yù)效果

多樣化的內(nèi)容推薦旨在打破用戶僅被推薦與先入為主的觀念相符的信息的局限，從而激發(fā)批判性思維和促進(jìn)更廣泛的知識(shí)接觸。為了衡量短視頻內(nèi)容多樣化對(duì)認(rèn)知偏差的實(shí)際干預(yù)效果，采用了一系列量化指標(biāo)來分析不同類型內(nèi)容的推送與用戶行為的關(guān)系。表1展示了實(shí)驗(yàn)前后用戶對(duì)各類內(nèi)容的接觸頻次及其對(duì)認(rèn)知偏差的影響評(píng)估，數(shù)據(jù)來源于對(duì)一組大學(xué)生用戶在接受不同推薦策略前后的行為分析。

如表1所示，多樣化的推薦對(duì)于大學(xué)生思維拓展具有積極影響，在科技和文化藝術(shù)類內(nèi)容上的增幅最為明顯。認(rèn)知偏差減輕指標(biāo)顯示，根據(jù)推送科技和科學(xué)類內(nèi)容，大學(xué)生在消費(fèi)信息時(shí)展現(xiàn)出更低的認(rèn)知偏誤和框架效應(yīng)，這表明多樣化內(nèi)容的推薦有助于拓寬學(xué)生的視野，促使他們接觸和理解多元化的信息，從而有效地減輕因信息單一化導(dǎo)致的認(rèn)知偏差[3]。

3.4 算法干預(yù)模型的設(shè)計(jì)與實(shí)施路徑

算法干預(yù)模型的設(shè)計(jì)與實(shí)施路徑主要根據(jù)動(dòng)態(tài)調(diào)整短視頻推薦系統(tǒng)中的內(nèi)容流，以緩解或消除認(rèn)知偏差的影響，從而優(yōu)化大學(xué)生的價(jià)值觀形成過程。該模型核心在于實(shí)時(shí)監(jiān)控大學(xué)生在平臺(tái)上的行為數(shù)據(jù)，并依據(jù)此數(shù)據(jù)根據(jù)自適應(yīng)算法調(diào)整推薦策略，確保用戶接觸到更為多元化和全面的信息，以減少因過度個(gè)性化推薦而導(dǎo)致的認(rèn)知偏差。模型采用了基于用戶反饋和認(rèn)知偏差檢測(cè)的實(shí)時(shí)優(yōu)化算法，在此基礎(chǔ)上，設(shè)計(jì)了以下優(yōu)化公式來體現(xiàn)動(dòng)態(tài)干預(yù)的過程：

[P（u，c）=i=1nwi?f（ci，u）?（1-L（u））i=1nwi]" " （3）

其中，[P（u，c）] 表示推薦給大學(xué)生[u] 的內(nèi)容[c] 的最終權(quán)重，[wi]是內(nèi)容[ci]的歷史權(quán)重，[f（ci，u）]是內(nèi)容[ci]與用戶[u]之間的適應(yīng)度函數(shù)，[L（u）]是代表大學(xué)生認(rèn)知負(fù)荷的因子，[n]是推薦內(nèi)容的總數(shù)，且[L（u）]會(huì)根據(jù)大學(xué)生的互動(dòng)歷史和情感反饋動(dòng)態(tài)調(diào)整，從而優(yōu)化推薦內(nèi)容的多樣性。當(dāng)認(rèn)知負(fù)荷因子[L（u）]較高時(shí)，算法會(huì)減小個(gè)性化推薦的權(quán)重，推送更多具有挑戰(zhàn)性和多元視角的內(nèi)容，以促進(jìn)大學(xué)生在復(fù)雜信息環(huán)境中的批判性思維和價(jià)值觀的多樣化。

進(jìn)一步地，為了實(shí)現(xiàn)算法的實(shí)時(shí)監(jiān)測(cè)與干預(yù)效果，引入了一個(gè)基于神經(jīng)網(wǎng)絡(luò)的動(dòng)態(tài)適應(yīng)算法，旨在根據(jù)用戶的實(shí)時(shí)行為調(diào)整推薦策略，算法公式如下：

[ΔP（u，c）=γ?[f（c，u）-favg（u）]?（1-L（u））]" （4）

其中，[ΔP（u，c）]是推薦內(nèi)容權(quán)重的調(diào)整量，[γ]是學(xué)習(xí)率，[favg（u）]表示大學(xué)生[u] 的平均適應(yīng)度，[f（c，u）-favg（u）]表示當(dāng)前內(nèi)容與大學(xué)生偏好的差異，調(diào)整量 [ΔP（u，c）]有助于適應(yīng)用戶心理和認(rèn)知偏差的變化，確保推薦系統(tǒng)在大學(xué)生的情感和認(rèn)知變化中保持靈活性和適應(yīng)性。該算法的核心目的是通過實(shí)時(shí)監(jiān)控大學(xué)生的反饋和互動(dòng)行為，動(dòng)態(tài)調(diào)整短視頻推薦的內(nèi)容，使得算法能夠適應(yīng)大學(xué)生認(rèn)知負(fù)荷的變化，并通過干預(yù)偏差和優(yōu)化內(nèi)容多樣性，進(jìn)一步促進(jìn)大學(xué)生價(jià)值觀的健康發(fā)展與多元化[4]。

4 技術(shù)應(yīng)用測(cè)試

4.1 數(shù)據(jù)分析

本實(shí)驗(yàn)使用的數(shù)據(jù)集來自對(duì)5 000名大學(xué)生用戶在短視頻平臺(tái)上的行為數(shù)據(jù)進(jìn)行實(shí)測(cè)收集。數(shù)據(jù)通過模擬實(shí)際使用場(chǎng)景進(jìn)行采集，通過用戶在平臺(tái)上的觀看歷史、點(diǎn)贊、評(píng)論、分享等行為來進(jìn)行捕捉。在數(shù)據(jù)使用過程中，數(shù)據(jù)集主要被分為兩部分：訓(xùn)練集和測(cè)試集。本實(shí)驗(yàn)專注于系統(tǒng)功能測(cè)試，數(shù)據(jù)主要用于驗(yàn)證模型效果。實(shí)驗(yàn)將5 000名大學(xué)生用戶的數(shù)據(jù)分為兩個(gè)部分，其中80%用于測(cè)試，20%用于模型訓(xùn)練。模型訓(xùn)練部分主要用于構(gòu)建和調(diào)整推薦系統(tǒng)的基礎(chǔ)框架，確保算法能夠根據(jù)用戶歷史行為有效預(yù)測(cè)推薦內(nèi)容。測(cè)試部分則用于驗(yàn)證算法在優(yōu)化后的推薦效果，包括用戶點(diǎn)擊率、觀看時(shí)長、認(rèn)知偏差減輕度數(shù)據(jù)集的總量為5000個(gè)用戶的數(shù)據(jù)，每個(gè)用戶的數(shù)據(jù)包含至少100條觀看歷史數(shù)據(jù)，包括用戶對(duì)每條視頻的互動(dòng)記錄、點(diǎn)贊次數(shù)、評(píng)論內(nèi)容、分享次數(shù)等指標(biāo)的變化，以確保優(yōu)化后的推薦算法在實(shí)際使用中的有效性[5]。

4.2 實(shí)驗(yàn)結(jié)果

測(cè)試指標(biāo)主要關(guān)注短視頻推薦系統(tǒng)優(yōu)化后的性能變化，對(duì)每個(gè)用戶的行為統(tǒng)計(jì)數(shù)據(jù)如觀看歷史、點(diǎn)贊、評(píng)論等，包括以下幾個(gè)關(guān)鍵指標(biāo)：用戶點(diǎn)擊率（CTR） 、平均觀看時(shí)長、信息多樣性評(píng)分、用戶反饋滿意度、認(rèn)知偏差減輕度、內(nèi)容推薦相關(guān)性和內(nèi)容轉(zhuǎn)化率。每個(gè)指標(biāo)都有其特定的意義：用戶點(diǎn)擊率衡量了推薦內(nèi)容的吸引力；平均觀看時(shí)長反映了用戶對(duì)推薦視頻的興趣程度；信息多樣性評(píng)分衡量了推薦內(nèi)容在不同領(lǐng)域的廣度；用戶反饋滿意度衡量了用戶對(duì)推薦內(nèi)容的總體滿意程度；認(rèn)知偏差減輕度評(píng)估了優(yōu)化算法對(duì)減少認(rèn)知偏差的效果；內(nèi)容推薦相關(guān)性反映了推薦內(nèi)容與用戶偏好的匹配度；內(nèi)容轉(zhuǎn)化率衡量了用戶通過推薦內(nèi)容產(chǎn)生實(shí)際行為（如購買、注冊(cè)等） 的比例。具體如表2測(cè)試數(shù)據(jù)。

從表2中的結(jié)果可以看出，在進(jìn)行算法優(yōu)化后，推薦后點(diǎn)擊率、觀看時(shí)長、認(rèn)知偏差減輕度和內(nèi)容相關(guān)性均得到了顯著改善。特別是在認(rèn)知偏差減輕度方面，優(yōu)化后的算法使得大學(xué)生在觀看推薦內(nèi)容時(shí)能夠接觸到更多元化的信息，從而減少了確認(rèn)偏誤和框架效應(yīng)的影響。內(nèi)容相關(guān)性得到了提升，表明優(yōu)化后的算法在滿足用戶需求的同時(shí)，能夠更加精準(zhǔn)地推送符合用戶興趣的內(nèi)容。觀看時(shí)長和點(diǎn)擊率的提升則說明優(yōu)化后的推薦系統(tǒng)不僅增強(qiáng)了用戶的互動(dòng)，還提高了平臺(tái)內(nèi)容的吸引力，優(yōu)化后的算法有效提升了大學(xué)生的內(nèi)容接觸多樣性，降低了認(rèn)知偏差。

5 結(jié)束語

總之，隨著數(shù)字媒體在日常生活中的深入滲透，理解短視頻算法與大學(xué)生價(jià)值取向之間的相互作用，將為短視頻內(nèi)容的合理推薦和青年價(jià)值觀的健康發(fā)展提供重要的科學(xué)依據(jù)和策略指導(dǎo)。通過研究和應(yīng)用基于認(rèn)知偏差分析的干預(yù)模型，不僅對(duì)學(xué)術(shù)界理解短視頻推薦系統(tǒng)的社會(huì)影響具有重要意義，也為政策制定者、教育工作者以及短視頻平臺(tái)開發(fā)者提供了理論依據(jù)和實(shí)踐指導(dǎo)，進(jìn)而推動(dòng)社會(huì)整體信息傳播環(huán)境的健康發(fā)展，期待未來在這一領(lǐng)域的持續(xù)研究能夠進(jìn)一步推動(dòng)短視頻平臺(tái)對(duì)青年價(jià)值觀的健康引導(dǎo)。

參考文獻(xiàn)：

[1] 張赟，徐垚，史惠，等.文本草圖聯(lián)合驅(qū)動(dòng)的短視頻智能合成研究與實(shí)現(xiàn)[J].廣播電視網(wǎng)絡(luò)，2025，32（2）：42-46.

[2] 朱慧，陸樹程.短視頻視域下青年“氪時(shí)”現(xiàn)象的多維透視[J].思想理論教育，2025（3）：91-98.

[3] 王亞倫.短視頻在文旅形象傳播中受眾認(rèn)知偏差現(xiàn)象分析[J].中國民族博覽，2023（17）：92-94.

[4] 解泗龍.媒體如何借助短視頻提升新聞傳播力和引導(dǎo)力[J].記者搖籃，2025（3）：150-152.

[5] 徐靖宜.用戶生成內(nèi)容與算法推薦機(jī)制在短視頻平臺(tái)上的作用[J].記者搖籃，2025（3）：15-17.

【通聯(lián)編輯：李雅琪】