新闻的算法推荐与公民的政治社会化 *

万旋傲

内容提要｜算法推荐介入新闻业，个性化新闻流替代传统媒体新闻流，这会对公民政治社会化过程有什么影响，是本文关注的核心问题。研究发现，虽然人们的偏好和需求在塑造个人的政治信息环境越来越重要，但是算法推荐并没有整体提升公民的政治新闻供给数量和质量。相反，新闻消费者的偏好正在推动媒体牺牲硬新闻，提供更多软新闻，这一趋势并不利于公民的政治学习和政治知识积累。主动寻找政治新闻的人与不主动寻找政治新闻的人、高教育水平的人与低教育水平的人，在个性化新闻环境中的政治知识差距一再增大。尽管算法推荐也给许多人提供了偶然接触和学习政治的机会，但是缺乏深度的认知加工也导致偶然学习的效果并不理想。同时，算法推荐进一步强化了选择性曝光效应，促使围绕政治问题、公共事件的舆论态度出现两极分化与相互对立的格局。算法推荐甚至还成为了政治操纵的工具，影响公民的线上和线下政治行为。厘清算法推荐对公民政治社会化带来的可能性风险，对于国家、平台、算法机构和公民参与算法治理十分重要。

政治社会化通常指塑造个人在政治体系中的角色的过程，①Justin Martin, News Use and Political Socialization among Young Jordanians, The International Communication Gazette, vol.73, 2011, pp. 706-731.或从公民的角度定义为人们习得政治知识、规范、价值观、态度和行为模式的过程。②Anastasia Kononova, Saleem Alhabash and Fritz Cropp, The Role of Media in the Process of Socialization to American Politics among International Student, The International Communication Gazette, vol. 73, 2011, pp. 302-321.政治社会化有助于政府与其公民之间的互动，是政府进行有效统治和社会管理的基础。家庭、学校、同伴和大众媒体被认为是政治社会化的主要来源，其中，大众媒体逐渐成为公民的主要政治信息源，其政治社会化的作用日益凸显，有时甚至超过了家庭和学校。③Steven Chaffee and Stacey Frank Kanihan, Learning about Politics from the Mass Media, Political Communication, vol. 14,1997, pp. 421-430.然而，伴随着媒介技术的迭代发展，人工智能和算法深度介入新闻传播活动的各个环节，智能媒体时代已全面开启：《纽约时报》、BuzzFeed 和Mashable 等都借用各种算法来决定哪些新闻内容、在什么时间将通过其社交媒体账户对外分发；Facebook 上有多达6000 万机器人用户被算法操纵，通过自动发布和传播政治信息（其中包含大量的假新闻）影响2016 年美国大选；越来越多的新闻媒体直接使用机器作为新闻代理，进行新闻编写、来源验证、内容核查和分发；我国的新浪微博、今日头条、一点资讯、腾讯新闻等重要新闻源，都纷纷创立或转型成为个性化的算法推荐新闻平台，通过用户的社交关系、搜索记录、浏览历史、互联网使用轨迹等指标来计算用户的新闻偏好，实现精准化推荐。在算法推荐时代，千人千面的个性化新闻资讯成为现实，人们的所闻所见所想都受到了算法的全面规制和影响，其无形之中产生的一系列政治效应和政治后果引人关注：算法推荐塑造的政治信息环境是否促进人们接触了更多的政治和时事新闻，是否增加了人们的政治知识积累，减小亦或扩大了公民的政治知识差距？是否影响了人们的政治态度，加剧政治分化和政治分歧？对人们的在线政治参与行为和离线政治参与行为有什么影响？概括而言，算法推荐在公民政治社会化过程中扮演什么角色？起了什么作用？这是一个令人期待同时又饱含争议的新兴议题，亟需更多实证研究对不同政治语境的现象进行多维论证。目前，围绕该议题出现的理论假说、预测已反映了一定的问题，值得我们审视和讨论。

一、算法推荐的兴起

算法推荐被定义为根据用户的偏好从超集中选择一组对象的系统。①Alejandro Montes-García, Jose María Álvarez-Rodríguez,Jose Emilio Labra-Gayo and Marcos Martínez-Merino, Towards AJournalist-based News Recommendation System: The Wesomender Approach, Expert Systems with Applications, vol. 40,2013, pp. 6735-6741.其最早发源于美国，1992 年开始，GroupLens 对美国论坛Usenet 中的消息进行排序，向用户推荐他们可能感兴趣但尚未自行发现的话题，其后来成立的Net Perceptions 一度成为领先的算法推荐公司。②Joseph Konstan and John Riedl, Deconstructing Recommender Systems, https://spectrum.ieee.org/computing/software/deconstructing-recommender-systems.此后，几种可用于不同领域的推荐系统陆续被开发出来，并被证明可有效地进行个性化的信息过滤，学者马尔科· 巴 拉巴诺威客（Marko Balabanović）和约阿夫· 肖汉姆（Yoav Shoham）将其分类为：基于内容的推荐——提取用户喜欢的项目属性；协同过滤推荐——推荐具有相似兴趣和品味的用户的使用项目；混合推荐——混合内容推荐和协同过滤推荐。③Marko Balabanović and Yoav Shoham, Content-based,Collaborative Recommendation, Communications of the ACM, vol.40, 1997, pp. 66-72.在物质表象上，算法推荐系统是一串代码，只有在特定的情境中部署时才有技术输出的意义。然而，算法推荐作为一种以自动化决策为导向的技术，它在驯服海量信息浪潮的同时，也取代了新闻守门人、议程设置者、信息中介的角色，决定着社会的信息分布、排列组合，深刻建构着人们的舆论、认知、政治和社会文化生活。学者麦克· 阿纳尼（Mike Ananny）敏锐地把握了这一问题的复杂性：“算法被看作是与社会、技术相关的一种话语和知识文化，这涉及在算法结构中，信息如何生产出来、如何浮现在我们面前，以及我们如何来理解这些信息，这些信息是如何被看作是合法的，又是如何被赋予公共意义的。”④Mike Ananny, Towardan Ethics of Algorithms Convening,Observation, Probability, and Timeliness, Science, Technology, &Human Values, vol. 41, 2016, pp. 93-117.与之相应地，算法推荐的风险与责任也成为不可逃避的话题。算法操纵、歧视、回声室效应、过滤气泡、威胁数据隐私、限制交流与表达、影响人类大脑和认知能力、社会异化等问题，引起了广泛的讨论和担忧。①Michael Latzer, et al., Algorithmische Selektion im Internet: ökonomie und Politik Automatisierter Relevanzzuweisung in der Informationsgesellschaft, Abteilungfür Medienwandel &Innovation, UniversitätZürich, IPMZ, Forschungsbericht, 2014.但由于算法推荐系统有赖于复杂的机器学习能力，算法的推荐过程具有天然的不透明性，并缺少可解读的数学技术，因此，算法经常被描述为“黑箱”②Tarleton Gillespie, The Relevance of Algorithms, in Tarleton Gillespie, Pablo Boczkowski and Kirsten Foot (eds.),Media Technologies, Cambridge, MA: MIT Press, 2014, pp. 167-194.，致使算法推荐出现错误决策、偏见决策甚至破坏性决策时，既难以被察觉，也缺乏较好的治理手段。正如伊莱· 帕里泽（Eli Pariser）所说，算法“通过控制我们看到的和看不到的东西，无形地改变我们所经历的世界”。③Eli Pariser, The Filter Bubble: What the Internet is Hiding from You, New York: Penguin Group, 2011.尽管如此，算法推荐和个性化信息仍然不可阻挡地正在变成新闻消费的主流形式，算法技术也在理性主义的批判中、科技限度的反思中、人文主义的审视中，不断地发展和扩张着。此时，如何确保理论走在科技前面，尤为重要。

二、理解政治社会化

政治社会化理论在20 世纪50 年代逐渐发展起来，其概念和内涵阐释十分丰富。1959年，第一部以《政治社会化》命名的著作问世，作者赫伯特· 海曼（Herbert Hyman）从政治心理的角度阐释政治社会化为“通过各种社会机构调节的社会模式的学习过程”。④Herbert Hyman, Political Socialization, Glencoe, IL: Free Press, 1959.1960 年，美国政治学家大卫· 伊斯顿（David Easton）和罗伯特· 海斯（Robert Hess）基于对美国儿童政治取向的调查研究，将政治社会化解释为“人们习得政治取向的过程”，这种政治取向由政治知识、政治态度和评估标准组成。⑤Robert Hess and David Easton, The Child’s Changing Image of the President, The Public Opinion Quarterly, vol. 24,1960, pp. 632-644.⑥David Easton and Robert Hess, The Child’s Political World, Midwest Journal of Political Science, vol. 6, 1962, pp. 229-246.加里布埃尔· 亚伯拉罕· 阿尔蒙德（GabrielAbrahamAlmond）和宾厄姆·鲍威尔（BinghamPowell）也曾论述，政治社会化是“政治文化形成、维持和改变的过程”，每个政治体系都有某些执行政治社会化功能的结构，它们影响政治态度，灌输政治价值观念，把政治行动技能传授给公民。⑦[美]加里布埃尔·亚伯拉罕·阿尔蒙德、小G. 宾厄姆·鲍威尔：《比较政治学：体系、过程和政策》，曹培林、郑世平、公婷、陈峰译，东方出版社，2007 年，第83 页。当代一大批学者也分别从各个视角对政治社会化内涵作出了系统解释和论证，基本明确了以下三个要点：一是政治社会化对于促进政府公民的良性互动、维护国家政治稳定具有重要作用；二是政治社会化的内容主要为政治文化的传递；三是政治社会化的过程和结果涉及了学习政治知识、内化政治态度、形成参与行为模式三个方面。

政治知识很好理解，主要表现为“存储在人们长期记忆中的事实政治信息的范围”，⑧Michael Delli Carpini and Scott Keeter, What Americans Know about Politics and Why It Matters, New Haven, CT: Yale University Press, 1996.通常通过测试个人对特定政治事件和政治事实的记忆获得。关于政治态度，许多人更倾向于使用政治信任、政治支持、政治认同、政治观念、党派态度、政治价值观或政治评价等概念，但大体上都反映人们对政治制度、政党、政治权威、政策或重要政治人物的评价。⑨Marc Hetherington and Jason Husser, How Trust Matters:The Changing Political Relevance of Political Trust, American Journal of Political Science, vol. 56, 2012, pp. 312-325.政治参与指“直接或间接影响政府行为的活动，这种活动可以是影响政治的意向，也可以是产生了影响政治的结果”。①Sidney Verba, Kay Lehman Schlozman, Henry Brady and Norman Nie, American Citizen Participation Study, Ann Arbor,MI: Inter-University Consortium for Political and Social Research,1995.政治参与可分为在线政治参与和离线政治参与两种模式，在线参与政治包含：政治信息（阅读和搜索政治信息）、政治互动（评论和讨论公共事务，分享政治新闻和片段）、公共制作（发表政治文章或制作政治视频等）、集体行动（发起或参与集体行动）。②Mats Ekström and Adam Shehata, Social Media, Porous Boundaries, and the Development of Online Political Engagement among Young Citizens, New Media & Society, vol. 20, 2018,pp.740-759.离线政治参与在西方国家的主要表现为参加政治集会、投票和向政治候选人捐款等行为，在我国表现为签署请愿书、参加集会、给官员或政府部门写信、参与政治访谈等行为。③Michael Chan, Hsuan-Ting Chen and Francis Lee,Examining the Roles of Mobile and Social Media in Political Participation: A Cross-national Analysis of Three Asian Societies Using a Communication Mediation Approach, New Media &Society, vol. 19, 2017, pp. 2003-2021.实践过程中，政治知识、政治态度和政治参与三者密切相关，大量经验研究证实，更广泛的政治知识有助于更稳定和一致的政治态度，增加对政治制度的信任，促进人们的政治参与。④William Galston, Political Knowledge, Political Engagement, and Civic Education, Annual Review of Political Science, vol. 4, 2001, pp. 217-234.⑤Nakwon Jung, Yonghwan Kim and Homero Gil de Zúñiga,The Mediating Role of Knowledge and Efficacy in the Effects of Communication on Political Participation, Mass Communication and Society, vol. 14, 2011, pp. 407-430.

自20 世纪70 年代以来，大众媒体对政治社会化的持续影响就引起了广泛关注，但相关实证研究却得出了较为复杂的结论。有学者认为大众媒体新闻促进了民众的政治学习，强化了民众的政治意识，这种政治意识又反过来促进了更高水平的政治学习和政治参与，形成良性循环。⑥Pippa Norris, A Virtuous Circle: Political Communication in Postindustrial Societies, Cambridge, UK: Cambridge University Press, 2000.也有学者持相反观点，认为一些媒体的信息质量较低不利于政治知识积累和政治兴趣培养，甚至加剧了负面政治态度和情绪。⑦Claes De Vreese and Hajo Boomgaarden, News, Political Knowledge and Participation: The Differential Effects of News Media Exposure on Political Knowledge and Participation, Acta Politica, vol. 41, 2006, pp. 317-341.还有学者提出了差异效应假设，认为报纸对政治社会化具有正面影响，但电视乃至互联网的影响是无效的，甚至是负面的。⑧William Eveland, The Cognitive Mediation Model of Learning from the News: Evidence from Nonelection, Off-year Election, and Presidential Election Contexts, Communication Research, vol. 28, 2001, pp. 571-601.⑨Michael Beam, Myiah Hutchens and Jay Hmielowski,Facebook News and (De)Polarization: Reinforcing Spirals in the 2016 US Election, Information, Communication & Society, vol. 21,2018, pp. 940-958.时至今日，算法和智能媒体的快速发展正在从根本上重塑公众的政治信息环境，迫使我们再度重新思考政治社会化的发生路径。

三、算法推荐与公民政治知识

媒体的政治学习是一个复杂的问题，不同的媒体环境为个人提供了不同的政治学习的机会。⑩Markus Prior, Post-Broadcast Democracy: How Media Choice Increases Inequality in Political Involvement and Polarizes Elections, New York, NY: Cambridge University Press, 2007.迈克尔· 德利卡皮尼（Michael Delli Carpini）和斯科特· 基特（Scott Keeter）提出对政治知识学习产生重大影响的三个核心要素是：机会、动机和能力。机会指政治信息的有用性，包括很多因素，其中一个重要因素就是媒体环境；动机决定了人们是否对消费政治信息感兴趣；能力解释人们是否有足够的技能来理解信息。①Michael Delli Carpini and Scott Keeter, What Americans Know About Politics and Why It Matters, New Haven, CT: Yale University Press, 1996.在此，考察算法介入新闻业是否有利于公民的政治学习和政治知识积累，也离不开对这三个核心要素的讨论。我们具体尝试回答三个问题：

（一）算法推荐的新闻环境是否给公民提供了更多政治信息？

评估媒体、政治和公民之间关系变化的一个关键概念就是政治信息环境，这个概念有时被称为信息环境或媒体环境，通常指新闻或政治信息的总供给。②Peter Van Aelst, et al., Political Communication in a High-Choice Media Environment: A Challenge for Democracy? Annals of the International Communication Association, vol. 41, 2017, pp.3-27.关于政治信息环境，有一个潜在共识，即政治信息供给越多，人们接触政治信息并进行政治学习的可能性就越高。一些研究表明，政治信息环境对人们的媒体使用以及政治知识产生了重大影响，③Peter Van Aelst, et al., Political Communication in a High-Choice Media Environment: A Challenge for Democracy? Annals of the International Communication Association, vol. 41, 2017, pp.3-27.与信息贫乏的国家相比，在信息丰富环境中的美国公民能够更多地了解政治问题，④Jennifer Jerit, Jason Barabas and Toby Bolsen, Citizens,Knowledge, and the Information Environment, American Journal of Political Science, vol. 50, 2006, pp. 266-282.甚至各国政治知识的差异也可部分归因于政治信息环境的变化。⑤Susan Banducci, Heiko Giebler and Sylvia Kritzinger,Knowing More from Less: How the Information Environment Increases Knowledge of Party Positions, British Journal of Political Science, 2016.

从政治新闻的绝对数量上讲，毫无疑问，在过去几十年间持续增加。尽管如此，仍然有学者提出了当前“政治新闻供给正在减少”的说法。这一说法看似难以理解，但也指出了几个鲜明的问题：首先，政治新闻的绝对数量增加，不等同于在整体的媒体信息供给中，政治新闻的相对数量也在增加，因为体育新闻、娱乐新闻的增量更大；其次，政治新闻的绝对数量更多，也不意味着人们日常使用的媒体资源中政治新闻也在增加；第三，人们对政治新闻的需求和使用可能正在下降；第四，高质量的政治新闻数量可能正在下降；第五，政治新闻的多样性在减少。⑥Peter Van Aelst, et al., Political Communication in a High-Choice Media Environment: A Challenge for Democracy? Annals of the International Communication Association, vol. 41, 2017, pp.3-27.伊莱· 帕里泽提出的“过滤气泡”理论也论及了类似的问题，他认为，个性化的信息世界最终将我们置于气泡之中，我们只能获得与之前的消费行为相匹配的信息、志同道合的朋友和熟人分享的信息，或与我们观点相一致的信息，最终我们所看到的内容一再缩小。⑦Eli Pariser, The Filter Bubble: What the Internet is Hiding from You, New York: Penguin Group, 2011.同时，算法推荐依赖于用户喜好，而用户喜好往往会避开硬新闻，选择软新闻（即偏娱乐化的新闻），但硬新闻才是对政治民主和政治知识有效的新闻类型，⑧Eli Pariser, Did Facebook’s Big Study Kill My Filter Bubble Thesis? https://www.wired.com/2015/05/did-facebooksbig-study-kill-my-filter- bubble-thesis/.因此也没有理由相信算法推荐新闻对人们的政治信息环境和政治知识学习产生积极影响。⑨Michael Cacciatore, Sara Yeo, Dietram Scheufele, Michael Xenos, Dominique Brossard and Elizabeth Corley, Is Facebook Making Us Dumber? Exploring Social Media Use as a Predictor of Political Knowledge, Journalism & Mass Communication Quarterly, vol. 95, 2018, pp. 404-424.

值得注意的是，在这其中，起关键作用的因素是人们对政治新闻的需求。在算法时代，人们的偏好对于塑造政治信息环境有着至关重要的作用。目前，还没有压倒性的证据表明人们对政治新闻的需求和使用在明显减少，但对软新闻需求上升的趋势引起了不少担忧。帕布罗·哈维尔·博奇科夫斯基（Pablo Javier Boczkowski）和尤金伲亚· 米切尔斯坦（Eugenia Mitchelstein）针对7 个国家的20 个新闻网站近4 万篇新闻报道进行了内容分析发现，媒体的新闻偏好与公众的新闻偏好总是存在差异，但新闻消费者的偏好正在推动媒体牺牲硬新闻，提供更多软新闻。①Pablo Javier Boczkowski and Eugenia Mitchelstein, The News Gap: When the Information Preferences of the Media and The Public Diverge, Cambridge, MA: The MIT Press, 2013.媒体为了争取更多观众注意力的竞争行为，只会不断强化媒体满足观众需求的趋势，提供“点击诱饵”就是一个典型例子。②Jonas Nygaard Blom and Kenneth Reinecke Hansen,Click Bait: Forward-Reference as Lure in Online News Headlines,Journal of Pragmatics, vol. 76, 2015, pp. 87-100.也有学者认为，虽然软新闻的受众在增长，但并没有必然地导致硬新闻受众的减少，同时，软新闻还给那些原本缺乏政治兴趣的人提供了更多接触政治信息的机会。③Matthew Baum, Soft News and Political Knowledge:Evidence Of Absence Or Absence Of Evidence? Political Communication, vol. 20, 2003, pp. 173-190.例如，社交媒体上，人们肯定会通过社交媒体进行娱乐或个人身份建构、社交关系建构，但也没有理由认为有政治兴趣的人不会在社交媒体上消费硬新闻和公共事务消息。④Homero Gil De Zúñiga, Nakwon Jung and Sebastián Valenzuela, Social Media Use for News and Individuals’ Social Capital, Civic Engagement and Political Participation, Journal of Computer Mediated Communication, vol. 17, 2012, pp. 319-336.针对我国新闻消费者的一项调查结果也显示，以今日头条和微博为代表的算法推荐新闻媒体促进了公民的软新闻知识水平增长，但同时，其对提高公民的公共事务知晓度也有显著作用。⑤崔迪、吴舫：《算法推送新闻的知识效果——以今日头条为例》，《新闻记者》2019 年第2 期。不过，还缺乏纵向研究考察软新闻知识与硬新闻知识的变化趋势。不同国家的政治信息环境有较大差异，软新闻的数量差异也较大。⑥Carsten Reinemann, James Stanyer and Sebastian Scherr,Hard and Soft News, in Claes de Vreese, Frank Esser and David Nicolas Hopmann (eds.), Comparing Political Communication,New York, NY: Routledge, 2016, pp. 131-149.即便是不同媒体，也会因受众、定位和算法规则不同而呈现迥异的政治信息环境和新闻质量。但整体上，更令人信服的证据表明，软新闻已呈现了明显扩张的趋势，它是否切实挤压了硬新闻的空间还需要进一步论证，但我们应倾向于重视该风险，关注不同媒体的新闻质量差异，关注人们对高质量硬新闻的需求，以及不同新闻消费群体的政治知识差距。

（二）算法推荐的新闻环境是否增加了公民的政治学习机会？

这个问题的一个核心辩论点是，算法推荐是否为人们提供了偶然和被动接触政治信息的机会，以及偶然接触在多大程度上促进了公民的政治学习。美国皮尤民意调查显示，目前，62% 的Facebook 新闻用户大多是偶然得到新闻，而不是因为他们积极尝试关注最近的社会动态。⑦Jeffrey Gottfried and Elisa Shearer, News Use Across Social Media Platforms 2016, https://www.journalism.org/2016/05/26/news-use-across-social-media-platforms-2016/.积极或有目的的学习并不是人们学习的唯一方式，个人也可以通过偶然的曝光被动地了解政治。⑧Matthijs Elenbaas, Claes de Vreese, Andreas Schuck and HajoBoomgaarden, Reconciling Passive and Motivated Learning:The Saturation-Conditional Impact of Media Coverage and Motivation On Political Information, Communication Research,vol. 41, 2014, pp. 481-504.算法推荐让“新闻找到我”，人们在无意之中接触了许多热点政治新闻和朋友关注的新闻并获取政治知识，①Homero Gil De Zúñiga, Brian Weeks and Alberto Ardèvol-Abreu, Effects of the News-Finds-Me Perception in Communication: Social Media Use Implications for News Seeking and Learning About Politics, Journal of Computer-Mediated Communication, vol. 22, 2017, pp. 105-123.赫伯特· 克鲁格曼（Herbert Krugman）称之为“没有参与的学习”，尤金·哈特利（Eugene Hartley）称之为“非锚定学习”。②Herbert Krugman, The Impact of Television Advertising:Learning Without Involvement, Public Opinion Quarterly, vol. 29,1965, pp. 349-356.因此，不少学者猜测，当前媒体环境可能为人们提供了一个更多样化的学习机会，也提供了一个克服知识差距的机制，因为被动学习比主动学习产生更多样化的学习收益，用户更容易接受他们所接触的信息，增加了平时不太注意的政治知识。③Leticia Bode, Political News in the News Feed: Learning Politics from Social Media, Mass Communication & Society, vol.19, 2016, pp. 24-48.但反对观点认为，一方面，缺乏政治兴趣的人，即使偶然接触到算法推荐的政治新闻，也常常不会点击新闻链接进行深入阅读，也没有进一步的认知加工，无法助益其政治学习；④Solomon Messing and Sean Westwood, Selective Exposure in the Age of Social Media: Endorsements Trump Partisan Source Affiliation When Selecting News Online, Communication Research, vol. 41, 2014, pp. 1042-1063.另一方面，偶然接触新闻和感知“新闻找到我”使人们主观上产生了“膨胀的知识感”⑤方师师：《搜索引擎中的新闻呈现：从新闻等级到千人千搜》，《新闻记者》2018 年第12 期。，从而主动寻找新闻的动机下降，通过传统新闻媒体寻找新闻的行为减少，最终将不利于其政治知识学习。⑥Homero Gil De Zúñiga, Brian Weeks and Alberto Ardèvol-Abreu, Effects of The News-Finds-Me Perception in Communication: Social Media Use Implications for News Seeking and Learning About Politics, Journal of Computer-Mediated Communication, vol. 22, 2017, pp. 105-123.相比而言，那些积极主动寻找政治新闻的群体，他们从新闻供给更丰富、内容选择更多的高选择媒体环境中获取政治学习的机会更频繁、更深入，学习效果也通常更明显、更受认可。⑦Homero Gil De Zúñiga, Brian Weeks and Alberto Ardèvol-Abreu, Effects of The News-Finds-Me Perception in Communication: Social Media Use Implications for News Seeking and Learning About Politics, Journal of Computer-Mediated Communication, vol. 22, 2017, pp. 105-123.鉴于政治学习需要深入的认知处理，高选择的算法新闻环境下的偶然学习效果仍值得怀疑。

（三）算法推荐的新闻环境是否扩大了公民的政治知识差距？

关于算法推荐的新闻环境是否会增加不同群体学习机会的不平等，扩大公民的政治知识差距，这与政治信息环境、政治学习动机和个人认知能力都密切相关，三者的影响通常相互交织。迈克尔· 比姆（Michael Beam）和杰拉尔德· 科斯基（Gerald Kosicki）指出，个性化的新闻门户平台为那些积极主动寻找新闻的人提供了一个更便利的新闻获取工具，因此使用这些个性化新闻平台可能会增加不平等。⑧Michael Beam and Gerald Kosicki, Personalized News Portals: Filtering Systems and Increased News Exposure,Journalism & Mass Communication Quarterly, vol. 91, 2014, pp.59-77.有学者总结，随着社会的信息越丰富、获取便利性越高，高教育水平者与低教育水平者、对政治和新闻感兴趣和不感兴趣者的政治知识差距都会增加。⑨Peter Van Aelst, et al., Political Communication in a High-Choice Media Environment: A Challenge for Democracy? Annals of the International Communication Association, vol. 41, 2017, pp.3-27.例如，一项针对社交媒体的实证研究表明，尽管Facebook 被广泛用于信息交换，但是高教育水平者和低教育水平者交换的信息内容和信息质量都不同，高教育水平用户会交换公共事务信息并且能够记住它，但是低教育用户通常不分享那些有益于增加政治知识的信息。①Sung Yoo and Homero de Zúñiga, Connecting Blog,Twitter and Facebook Use with Gaps in Knowledge and Participation, Communication & Society, vol. 27, 2014, pp. 33- 48.即使软新闻使用、偶然学习可能为那些没有政治学习动机、教育水平较低的群体或多或少提供一些政治学习的机会，但考虑到算法推荐使不同群体的新闻环境区别更加鲜明，我们仍然有理由相信存在政治知识差距扩大的趋势。

四、算法推荐与公民政治态度

关于智能媒体与公民政治态度的关系，有一个至关重要的话题就是：作用日益增加的个性化和算法是否最终过滤掉了与我们政治态度/ 立场不同的观点？②ZeynepTufekci, Facebook Said Its Algorithms Do Help Form Echo Chambers, and the Tech Press Missed It, New Perspectives Quarterly, vol. 32, 2015, pp. 9-12.选择性曝光理论长期以来一直关注这个问题，人们是否更多暴露于与自己态度一致的新闻，从而强化了自己的态度，出现态度极化倾向？③Wolfgang Donsbach and Cornelia Mothes, The Dissonant Self: Contributions from Dissonance Theory to a New Agenda For Studying Political Communication, in Charles Salmon (ed.),Communication year-book 36, New York: Taylor & Francis, 2012,pp. 3-44.这种现象如果被证实，那么值得担忧的问题是：算法推荐是否会助推舆论在公共事件上的相互对立，或助长我国民粹主义等社会思潮的负面效应，对我国主流意识形态传播造成影响和挑战。

我们首先试图寻找算法推荐可能造成政治极化的证据。一些理论家称，过滤我们新闻环境的算法，有效地将我们置于自己信仰的回声室中，这是两极分化的一个十分重要的原因。④Eli Pariser, The Filter Bubble: What the Internet is Hiding from You, New York: Penguin Group, 2011.选择性曝光理论认为，个人倾向于消费与他们的观点和信仰一致的媒体信息，避免与自己态度不同甚至挑战自己态度的内容。⑤Natalie Stroud, Media Use and Political Predispositions:Revisiting The Concept Of Selective Exposure, Political Behaviour, vol. 30, 2008, pp. 341-366.尤其是当前的新闻环境中，过滤信息的能力更加强大，用户可以非常轻松地根据自己的偏好来分类信息，并且借助算法进一步强化了这种选择性曝光结果。⑥Dominic Spohr, Fake News and Ideological Polarization:Filter Bubbles and Selective Exposure on Social Media, Business Information Review, vol. 34, 2017, pp. 150-160.例如，米歇尔· 德· 维卡里奥（Michela Del Vicario）等人对2016 年1 月至7 月期间与英国脱欧相关新闻进行交互的100 多万用户进行了挖掘分析，发现用户都倾向于关注一个立场的叙事而忽略另一个，并很快形成两个态度完全对立的立场，该分析证明了两个相互隔离的回音室确实存在。他们进一步通过自动主题提取和情感分析技术，比较了两个回音室的呈现方式和情绪反应，发现两个回声室效应和极化效应都非常明显。而有趣的是，这种极化效应是用户自发形成的，因为新闻在测试之前并没有明显的态度分类，态度分化可能是算法为个人偏好匹配不同内容过程中形成的，这也是算法推荐导致了选择性曝光和过滤气泡现象的有力证据。⑦Michela Del Vicario, Fabiana Zollo, Guido Caldarelli,Antonio Scala and Walter Quattrociocchi, Mapping Social Dynamics on Facebook: The Brexit Debate, Social Networks, vol.50, 2017, pp. 6-16.

不过，一位在Facebook 工作的研究人员在《科学》（Science）杂志发表了一篇题为《在Facebook 上接触意识形态多样化的新闻和观点》的文章反驳了该观点。该研究对1010 万Facebook 用户所接触信息的意识形态同质性进行了检验，结果指出，Facebook 的算法推荐系统会小幅度降低不同态度新闻的比例，个人的选择则在限制不同态度的内容交叉曝光上发挥了更大的作用。①Eytan Bakshy, Solomon Messing and Lada Adamic,Exposure to Ideologically Diverse News and Opinion On Facebook, Science, vol. 348, 2015, pp. 1130-1132.媒体纷纷对此进行了报道，标题如“Facebook 说回声室不是Facebook 的 错”（Wired）、“Facebook 表 示其算法不对您的在线回声室负责”（Verge）、“Facebook 的研究表明，你才是自己最大的敌人，不是算法”（Mashable）。尽管Facebook宣称其一直在努力创造一种独立的、不嵌入任何其他价值的新闻推荐算法，但科学家们不以为然，众多的科学研究仍在不断地证明Facebook 过滤了相反态度的新闻并抑制了内容的多样性，并呼吁媒体认真对待和改进其技术。②Zeynep Tufekci, Facebook Said Its Algorithms Do Help Form Echo Chambers, and the Tech Press Missed It, New Perspectives Quarterly, vol. 32, 2015, pp. 9-12.

除了政治极化之外， 强化螺旋模型（Reinforcing Spirals Model，RSM）还提出了算法推荐的去极化结果和体内平衡结果。去极化结果更有可能发生于政治态度较弱、政治观点尚不完全明确的人身上，他们在算法环境中会暴露于更广泛的政治观点之下，促进其政治态度转变；而体内平衡立场认为算法推荐更多是强化和维持了原有态度，它在改变人们的政治态度上的作用有限，因为态度常常是较为稳定的。③Michael Slater, Reinforcing Spirals Model:Conceptualizing the Relationship Between Media Content Exposure and the Development and Maintenance of Attitudes,Media Psychology, vol. 18, 2015, pp. 370-395.④Michael Beam, Myiah Hutchens and Jay Hmielowski,Facebook News and (De)Polarization: Reinforcing Spirals in the 2016 Us Election, Information, Communication & Society, vol. 21,2018, pp. 940-958.

在我国，关于算法推荐的政治极化效应和意识形态影响的实证研究比较匮乏，但国内学者也开始陆续关注算法通过非制度性权力来构建“社会共识”的作用，⑤喻国明、杨莹莹、闫巧妹：《算法即权力：算法范式在新闻传播中的权力革命》，《编辑之友》2018 年第5 期。以及算法推荐因挤压主流媒体空间、加剧社群区隔与价值观分化、占据新闻把关权，从而对主流意识形态传播带来负面影响等问题。⑥张志安、汤敏：《论算法推荐对主流意识形态传播的影响》，《社会科学战线》2018 年第10 期。同时，值得注意的是，网络民粹主义在近年持续盛行，并且显现出与其他社会思潮较强的合流之势，时常围绕社会公共事件将公共舆论和情绪推向极端，甚至与主流意识形态形成鲜明对立。例如，将2017 年北京开展“安全隐患大排查、大清理、大整治专项行动”解读为“北京驱逐低端人口”，舆论集体将国家和政府的形象推向负面的现象，致民粹主义思潮泛滥，⑦陈琳、单宁：《当前国内社会思潮趋势走向》，http://www.rmlt.com.cn/2018/0709/522791.shtml。值得警惕的同时，也应该反思算法推荐在舆论态度极化的问题上，扮演了怎样的角色。

五、算法推荐与公民政治参与

算法推荐与公民的政治参与可以从直接关系和间接关系两个视角来解释。我们首先讨论间接影响。正如大多数媒体对政治参与的影响论证，媒体使用常常通过影响人们的政治讨论、政治态度、政治兴趣或政治效能，进而对人们的政治参与行为产生影响。⑧Jack Mcleod, DietramScheufele and Patricia Moy,Community, Communication, and Participation: The Role of Mass Media and Interpersonal Discussion in Local Political Participation,Political Communication, vol. 16, 1999, pp. 315-336.⑨Hernando Rojas, I. PérezandHomero Gil de Zúñiga,Comunicación y Comunidad, Universidad Externado de Colombia Press: Bogotá Colombia, 2010.这些中介影响因素可以分类为认知因素和传播因素。其中，认知中介模型（Cognitive Mediation Model）认为多媒体元素和新闻超链接引起人们的认知加工再影响政治参与；①William Eveland, The Cognitive Mediation Model of Learning from The News: Evidence from Nonelection, Off-Year Election, and Presidential Election Contexts, Communication Research, vol. 28, 2001, pp. 571-601.传播中介模型（Communication Mediation Model）②Jack Mcleod, Dietram Scheufele and Patricia Moy,Community, Communication, and Participation: The Role of Mass Media and Interpersonal Discussion in Local Political Participation,Political Communication, vol. 16, 1999, pp. 315-336.以及同类型的市民传播中介模型（Citizen Communication Mediation）③Dhavan Shah, Jaeho Cho, William Eveland and Nojin Kwak, Information and Expression in a Digital Age,Communication Research, vol. 32, 2005, pp. 531.、 竞选中介模 型（Campaign Mediation Model）④Dhavan Shah, et al., Campaign Ads, Online Messaging,and Participation: Extending the Communication Mediation Model,Journal of Communication, vol. 57, 2007, pp. 676-703.和O-S-R-O-R 模型（Orientations-Stimulus-Reasoning-Orientations-Response）⑤Jaeho Cho, et al., Campaigns, Reflection, and Deliberation:Advancing An O-S-R-O-R Model of Communication Effects,Communication Theory, vol. 19, 2009, pp. 66-88.则验证了新闻消费通过促进公民政治讨论等传播行为，影响公民的政治参与。迈克尔·陈（Michael Chan）等人近期的一项实证研究，综合了认知和传播中介模型，以O-S-R-O-R 为模型框架验证了移动和社交媒体新闻在线上和线下政治参与中的作用，三个概率抽样样本都证实了移动/ 社交媒体使用通过影响政治讨论和政治效能，间接影响线上和线下的政治参与行为。⑥Michael Chan, Hsuan-Ting Chen and Francis Lee,Examining The Roles of Mobile and Social Media in Political Participation: A Cross-National Analysis of Three Asian Societies Using a Communication Mediation Approach, New Media &Society, vol. 19, 2017, pp. 2003-2021.鉴于社交媒体新闻与移动媒体新闻都是算法推荐新闻的典型代表，我们讨论的算法推荐新闻与政治参与的间接关系，可以从大量的相关研究中寻找到有效的间接证明，但是缺憾在于，这些研究中还缺乏针对算法推荐新闻和个性化新闻与公民政治参与行为的间接关系的讨论和解释，这也是未来研究可关注的一个重要议题。

而有关算法推荐与公民政治参与的直接关系，我们不得不提到近年在西方国家倍受关注的议题——假新闻，具体表现为通过算法操纵社交媒体上的假新闻传播并影响人们政治态度与行为的问题。假新闻是“有意的且可验证的、错误的，并可能误导读者的新闻文章”。⑦Hunt Allcott and Matthew Gentzkow, Social Media and Fake News in the 2016 Election, Journal of Economic Perspectives,vol. 2, 2017, pp. 211-236.2016 年美国大选之后，“假新闻”成为了一个广受社会各界关注的话题。相关观点认为，假新闻传播在美国总统选举过程中发挥了极为关键的作用，其中社交媒体作为假新闻的主要传播载体，为唐纳德· 特朗普的当选起到了不可小觑的潜在作用。⑧Hunt Allcott and Matthew Gentzkow, Social Media and Fake News in the 2016 Election, Journal of Economic Perspectives,vol. 2, 2017, pp. 211-236.社交媒体中的机器人（通过算法制造模仿人类的自动账户）通过点赞、分享和搜索信息，可以将虚假新闻的传播力放大几个数量级，主导社交媒体中有关竞选的大部分政治内容，影响美国公民的投票行为。⑨David Lazer, et al., The Science of Fake News, Science.vol. 359, 2018, pp. 1094-1096.同时，它们还通过操纵社交媒体中的算法推荐，促使社交媒体向更多用户推送其内容。⑩Facebook, 2017. Stats. Facebook.皮尤调查报告显示，社交媒体上的大量政治新闻要么不准确，要么完全是假的。更严重的问题是，大约2/3 的美国成年人（64%）表示假新闻引起了大量关于事实政治信息的混淆，22% 的人表示这会导致一些混乱。①Pew Research Center, News Use Across Social Media Platforms 2017, http://www.journalism.org/2017/09/07/news-useacross-social- media-platforms-2017/.值得警惕的是，在我国，社交媒体中的算法推荐同样能够轻易成为别有用心者操纵政治的工具，散布谣言，煽动情绪，对公民的舆论风向、政治态度甚至线下政治参与的行为产生直接影响。无论这种影响在我国是否普及，在技术上算法已完全具备操纵的能力，而我们针对其治理，无论从法律法规、平台自律、技术治理上，都还缺乏有效手段，其中潜藏着巨大的政治风险。

六、结 语

对于政府而言，政治权威的合法性、政治制度的有效存在都取决于公民的认同，并在行为上遵守法律、执行规则。公民政治社会化的可能性风险，是政府管理工作中不可忽视的问题。算法介入新闻业，个性化新闻流替代传统媒体新闻流，对公民的政治社会化有什么影响？我们从政治社会化的三个主要组成部分——政治知识、政治态度和政治参与入手展开讨论并得出结论：随着人们的偏好和需求在塑造个人的政治信息环境越来越重要，算法推荐并没有整体上提升公民的政治新闻供给数量和质量，相反，新闻消费者的偏好正在推动媒体牺牲硬新闻，提供更多软新闻，这一趋势并不利于公民的政治学习和政治知识积累。主动寻找政治新闻的人与不主动寻找政治新闻的人、高教育水平的人与低教育水平的人，在个性化新闻环境中的政治知识差距一再增大。尽管算法通过热点推荐和社交关系推荐也给许多人提供了偶然接触和学习政治的机会，但是缺乏深度的认知加工也导致偶然政治学习的效果不甚理想。同时，算法推荐进一步强化了选择性曝光效应，人们倾向于消费与他们的观点和信仰一致的媒体信息，避免与自己态度不同甚至挑战自己态度的内容，②Natalie Stroud, Media Use and Political Predispositions:Revisiting The Concept Of Selective Exposure, Political Behaviour, vol. 30, 2008, pp. 341-366.导致围绕政治问题、公共事件的舆论态度出现两极分化、相互对立的格局。算法推荐甚至还常常成为直接政治操纵的工具，通过操纵人们看到的内容，影响公民的线上和线下政治行为。

如何防范和治理算法推荐可能导致的政治风险，给国家、平台和公民自身都带来了巨大的挑战。目前，全球针对算法出台的比较典型的国家干预措施包含：提供公共服务、指挥和控制监管、通过补贴和税费激励、建立共同监管机制、通过软法和信息服务提高人们对风险的认识和了解，并促进其行为调整。③Florian Saurwein, Natascha Justand Michael Latzer,Governance of Algorithms: Options and Limitations, Info, vol. 17,2015, pp. 35-49.学者们还建议，增加算法的透明度和政府的控制权，④Wolfgang Schulz, Thorsten Held and Arne Laudien, Search Engines as Gatekeepers of Public Communication: Analysis of The German Framework Applicable to Internet Search Engines Including Media Law and Anti-trust Law, German Law Journal,vol. 6, 2005, pp. 1418-1433.建立中立搜索原则，⑤Marina Lao,“ Neutral” Search as a Basis for Antitrust Action? Harvard Journal of Law & Technology, vol. 26, 2013, pp.1-12.并建立伦理监管委员会参与监管。⑥Felicitas Kraemer, Kees Overveld and Martin Peterson, Is There an Ethics of Algorithms? Ethics and Information Technology,vol. 13, 2011, pp. 251-260.平台进行政策响应或行业自律的措施通常包括：建立公司的算法原则和标准、建立算法风险的评估机制、建立处理公众投诉的监察机制等。①Florian Saurwein, Natascha Just and Michael Latzer, Governance of Algorithms: Options and Limitations, Info, vol. 17, 2015, pp. 35-49.还有一种看法是选择保守治理，依靠新闻消费者、新闻平台和算法服务供应商的市场行为“自然”变化降低风险。例如，给新闻消费者提供技术工具实现自助匿名化或去个性化服务，ConteIt、Reflect 和OpinionSpace 等工具就是专门通过搜集意外发现的信息来避免过滤气泡和偏见；②Paul Resnick, Kelly Garrett, Travis Kriplean, Sean Munson and Natalie Jomini Stroud, Bursting Your (Filter) Bubble: Strategies for Promoting Diverse Exposure, Proceedings of the 2013 Conference on Computer Supported Cooperative Work Companion, San Antonio,Texas, 2013, pp. 95-100.算法供应者会通过提高技术保护来对抗被操纵，或减少推荐偏差；新闻平台也会通过内容优化策略来避免风险。如果这种机制运行乐观，那政府只需针对必要的问题进行辅助性干预即可。

因此，厘清算法推荐对公民政治社会化的可能风险，对于国家、平台、算法机构和公民都十分重要。但是，本文在梳理过程中也发现了一系列缺憾和问题：第一，各个国家政体不同、文化不同、政府公民互动关系不同，政治社会化的过程和结果都呈现明显差异，亟需各国针对该问题进行多角度的实证验证，同时关注跨国比较，确认各国技术与政治的共性关系与特殊性，跳出单一国家研究的限制；第二，要测量算法推荐引起的公民政治社会化的变化，十分需要面板数据的纵向验证，横向数据因其本身的缺憾很难确认因果关系，未来应重点补充纵向调查和验证；第三，公民政治社会化涉及诸多概念，应该提高相关研究对概念操作化的一致性，以利于后期的比较研究；第四，许多研究偏向于以当前流行的媒体为对象开展政治社会化研究，例如国外集中对Facebook 的研究、国内对今日头条的研究，尽管算法作为其不可忽略的一部分常被讨论，但也导致学者的关注点主要集中在平台，直接针对算法推荐与政治社会化的关系讨论不够深入，这个问题值得被专门关注。