信息质量视角下算法分发与编辑分发的对比研究

刘坤锋 李静雨 李广

摘 要：【目的】了解用户当前对算法分发与编辑分发的信息质量感知及差异，为相关理论研究和实践活动提供借鉴。【方法】参考已有文献，设计包含算法分发的信息质量和编辑分发的信息质量两个潜在变量的测量量表。采用问卷调查法，获取273份有效样本，利用描述性统计和配对样本t-检验方法进行数据分析。【结果】相比于编輯分发，用户当前整体上更认可算法分发具备的信息质量。具体而言，用户认为在全面性、准确性、新颖性和符合需求等信息质量维度上，算法分发均优于编辑分发；算法分发在准确性维度的优势不显著，在其他3个维度的优势均显著。【结论】算法分发用户应注重提升算法素养，编辑分发亟须提升显示度和影响力。

关键词：算法分发；编辑分发；信息质量；信息分发；信息用户

中图分类号：G206；TP301.6    文献标志码：A   文章编号：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

迄今为止，人类社会相继出现了编辑分发、社交分发和算法分发等3种信息分发模式［1］。纵观信息传播发展史，编辑分发曾长期占据主导地位，社交分发出现后也曾受到关注，而如今算法分发成为主流。光明网报道称，基于算法的内容分发已占整个互联网信息内容分发的70%左右［2］。为跟上时代潮流，社交分发紧密结合算法分发，如微博开通推荐栏目、微信视频号和公众号开通推荐功能［3］。相比之下，编辑分发依然坚守本色，是社会性、共性信息需求领域的“方向盘”。

算法分发以智能算法为中心，由“机器智慧”驱动，包括短视频类、头条类等新兴信息源；编辑分发以人工编辑为中心，依赖“人类智慧”，包括报纸、杂志、广播电视和门户网站等传统信息源。可以看出，算法分发与编辑分发的驱动方式截然不同，且都在信息传播活动中发挥着重要作用。然而，如今编辑分发逐渐受到用户冷落，大量用户不断转向算法分发，并对其产生强烈依赖。

学者们已意识到算法分发给编辑分发带来的冲击，围绕两者的优缺点展开了广泛讨论。然而，现有研究以定性分析为主，多基于学者自身的经验或认知，难以做到客观准确。本文认为，暂不论算法分发与编辑分发的优缺点，有必要了解用户对两者的真实体验和感受。信息质量是特定信息源的关键属性，本文采用实证研究方法，对比用户对算法分发与编辑分发的信息质量感知及差异，为算法分发与编辑分发的未来发展提供借鉴。

1 文献回顾

1.1 算法分发与编辑分发的对比研究

算法分发是运用机器指令对信息进行处理、分析和分配的技术手段，即在强大算力的支持下，算法通过识别用户个体兴趣和特征，将海量、异构和分散的信息进行过滤、筛选和整序，并以用户喜欢的方式送达［4］。编辑分发是编辑运用自身的专业知识和经验，按照具有普遍意义的原则，对信息进行把关、筛选和整合，并以点对面的方式传播［1］。自算法分发出现以来，海量用户群体被吸引，这对编辑分发提出了严峻挑战，不少学者开始比较两者的优劣。

相比于编辑分发，学者们一致认为算法分发的优点在于算法分发提高了信息分发速度和效率［5］。具体而言，一是算法分发可快速处理大量信息。面对信息超载环境，编辑受限于时间和精力，仅能按部就班地处理部分“头部信息”，而算法技术可快速处理海量用户感兴趣的信息［1，6］。二是算法分发的信息更精准、更个性化。编辑分发的信息“千人一面”，难以满足用户个性化信息需求，而算法分发实现了“千人千面”的精准信息分发，用户与信息之间高效匹配［7-8］。基于上述优点，学者认为相比于编辑分发，算法分发用户可以更加便捷地获取信息［4］。

同时，相比于编辑分发，学者认为算法分发也存在较多缺陷。一是信息茧房问题。编辑分发的信息兼具广度与深度，注重受众对社会的全面认知，而算法分发的个性化推荐机制更侧重于挖掘用户感兴趣的某一点，并进行持续推送，这容易形成信息茧房，造成认知偏差和群体冲突［9］。二是信息内容质量问题。编辑专业背景强，对信息的筛选和核查能力强于算法，可对关键信息进行把关，在很大程度上保证了信息内容的质量，而算法分发为了迎合用户喜好，会向其推荐低俗内容和虚假信息［10-11］。三是信息价值观问题。基于编辑分发的信息媒介多具有公益性，其提供的信息透明可信，价值标准明确，而算法分发相关平台或机构多具有逐利性，其提供的信息是商业镜像的数字化反应，其真实性和价值观存疑［12］。四是信息呈现问题。编辑的信息聚合重组能力，以及对重要信息的敏感性，是尚屬于弱人工智能的算法所不具备的［5］，算法难以对重要信息进行自动置顶、加权和排序［13-14］。五是隐私侵犯问题。面向大众，编辑分发无须了解个体情况，而算法分发为了实现个性化、精准化推荐，往往会过度搜集用户个人信息，侵犯用户隐私［8，15］。

可以看出，相比于编辑分发，学者认为算法分发既有明显优势，也存在突出问题。本文根据文献调研发现，当前关于算法分发与编辑分发的比较，多是学者基于自身经验而进行的逻辑推演，或对表象的归纳总结，相关结论较为宏观和主观。有必要采用实证研究方法，从微观视角出发，客观对比算法分发与编辑分发哪个更受用户青睐或能带来更好的体验［16］。

1.2 信息源的信息质量研究

信息质量是衡量信息源优劣的关键指标，信息源的信息质量研究也一直是研究热点。近年来，相关研究主要围绕信息源的信息质量评价、信息质量治理、信息质量对用户行为的影响等方面展开。值得注意的是，以用户为中心是现有研究的显著趋势。例如，基于用户感知和体验构建信息源的信息质量评价模型［17］，探索用户参与的信息质量治理策略［18］，揭示信息质量对特定用户群体的信息行为影响［19］等。现有研究表明，用户认为信息源的信息质量越高，其越倾向于使用、采纳该信息源［20］。

本研究中，算法分发、编辑分发分别代表了“机智”“人智”驱动的信息源。用户选择使用算法分发或编辑分发获取信息，必然会对两者的信息质量进行衡量。有理由认为，用户更可能使用信息质量较高的信息源获取信息。现有研究多关注单一信息源的信息质量问题，却忽视了对比用户对两类特色鲜明、却又存在竞争关系的信息源的信息质量感知。本文在信息质量视角下，基于用户感知，对比算法分发与编辑分发的信息质量及差异，为相关研究和实践提供一定启示。

2 研究方法

2.1 问卷设计

本文设计两个潜在变量：算法分发的信息质量（Information quality of algorithm-based distribution，IQAD）、编辑分发的信息质量（Information quality of editor-based distribution，IQED）。潜在变量的设计参考已有文献，并结合本研究进行改编。其中，信息质量的量表设计改编自Zhou［21］和查先进等［22］的研究，包含全面性、准确性、新颖性和符合需求4个维度。问卷初稿设计完成后，邀请15名本科生、研究生进行预调查，根据反馈意见完善问卷的语言表述，以提升可理解性。最终量表见表1，所有题项均采用李克特7级量表（1代表“强烈不同意”、4代表“不确定”、7代表“强烈同意”）进行测量。

2.2 数据搜集

算法分发与编辑分发的受众广泛，网络用户基本上都有使用经验，因此采用网络调查形式搜集数据。使用问卷星平台制作问卷，通过微信群、QQ、朋友圈和贴吧等网络平台发放问卷。为确保受访者理解调查目的，问卷介绍了算法分发和编辑分发的概念，并列举了一些常见应用。调查历时一周，共回收问卷491份，根据对作答时间的预估，删除填写时间少于50秒的问卷，同时，删除所有题项答案一样的无效问卷，得到有效问卷273份。问卷的样本人口统计信息见表2。

3 数据分析与结果

本文围绕以下问题进行数据分析：①在信息质量方面，算法分发与编辑分发精确的数据分布；②用户认为哪种信息分发模式的信息质量更高；③用户对算法分发与编辑分发信息质量感知的准确差异。

3.1 测量模型检验

数据分析前，需要进行测量模型检验，涉及信度、内容效度、收敛效度和区分效度。本文的量表改编自已有文献，并根据预调查反馈进行完善，可认为测量模型具备内容效度。表3是测量模型概述，从表3可看出，潜在变量的组合信度（Composite Reliability，CR）和内部一致性系数（Cronbach's α）均大于0.7，说明测量模型的信度良好。潜在变量的平均抽取方差（Average Variance Extracted，AVE）均大于0.5，说明测量模型具备收敛效度。根据表3中潜在变量的AVE平方根和相关系数可以看出，两个潜在变量的AVE平方根明显大于它们之间的相关系数，说明测量模型具备区分效度［23］。

本文的测量模型具备良好的信度和效度，可用于进一步的数据分析。具体而言，测量模型具备区分效度，说明两个潜在变量相互独立，用于比较用户对算法分发与编辑分发的信息质量感知差异是有意义的。同时，测量模型具备信度和收敛效度，保证了下文结构和维度层面的数据分析具有可行性。

3.2 算法分发与编辑分发的信息质量对比

信息质量是用户使用、采纳特定信息源的重要前提。若用户认为某种信息分发模式可提供高质量的信息，则容易产生积极态度，继而倾向于选择这种信息分发模式获取信息。对于变量IQAD，需要受访者评定以下问题：①算法分发的信息是全面的；②算法分发的信息是准确的；③算法分发的信息是新颖的；④算法分发的信息符合我的需求。

本文采用李克特7级量表测量上述问题。对于273份样本数据，首先，对于每个问题，分别计算选择1、2、3、4、5、6和7的个数；其次，由于测量模型具备良好的信度和效度，计算4个问题中分别选择1、2、3、4、5、6和7的总数，得到变量IQAD在每个得分项上的小计。变量IQAD的得分总个数为1 092（273*4）。

对于变量IQED，需要受访者评定以下问题：①编辑分发的信息是全面的；②编辑分发的信息是准确的；③编辑分发的信息是新颖的；④编辑分发的信息符合我的需求。使用同样的方法计算变量IQED在每个得分项上的小计。图1展示了用户对算法分发与编辑分发的信息质量感知对比。

从图1可看出，61.45%（671/1092）的受访者同意算法分发具备信息质量，而48.53%（530/1092）的受访者同意编辑分发具备信息质量。同时，20.6%（225/1092）的受访者不同意算法分发具备信息质量，27.56%（301/1092）的受访者不同意编辑分发具备信息质量。对于算法分发与编辑分發，选择4的比例分别为17.95%（196/1092）、23.9%（261/1092），说明这些受访者不确定算法分发、编辑分发是否具备信息质量。

3.3 配对样本t-检验

为准确展示算法分发与编辑分发在信息质量方面的差异，采用配对样本t-检验比较样本的均值（见表4）。

表4展示了变量层面的配对样本t-检验，可以看出，算法分发与编辑分发的信息质量存在显著差异。具体而言，算法分发与编辑分发的信息质量均值分别为4.721、4.343，均值差异为0.378，P<0.001，说明用户整体上认为算法分发的信息质量显著高于编辑分发。为进一步揭示算法分发与编辑分发在信息质量构成维度层面的差异，采用配对样本t-检验比较各维度均值，见表5。

从表5可以看出，算法分发在全面性、准确性、新颖性和符合需求等维度的均值均大于编辑分发。其中，只有准确性维度的均值差异不显著，其余3个维度的均值差异显著。说明用户认为算法分发的信息在全面性、新颖性和符合需求等方面显著优于编辑分发，而在准确性方面的优势不明显。

4 讨论

算法分发的信息，是算法根据用户的兴趣或偏好推荐来的，特点是具有个性化和针对性；编辑分发的信息，是编辑对信息本身的价值或优劣评价后筛选而来，特点是具有全局性和普遍价值。当前，用户如何看待算法分发与编辑分发提供的信息，是值得讨论的话题。本文从信息质量视角，对比用户对算法分发与编辑分发的信息质量感知。

算法分发的出现，对编辑分发提出了严峻挑战。如今，算法分发不仅拥有庞大的用户群体，用户黏性也持续增强。算法分发可提升信息传播效率、满足用户个性化信息需求，而编辑分发效率较低、难以适应受众个体的信息需求。从图1可以看出，相比于编辑分发，更多用户认为算法分发具备信息质量。从表4可以看出，用户整体上认为算法分发的信息质量显著高于编辑分发。从表5可以看出，用户认为算法分发在信息全面性、准确性维度优于编辑分发，且在全面性维度的优势显著，这与现实情况和学者观点相悖。此外，在全面性、准确性维度，算法分发与编辑分发的均值差异分别为0.264、0.216，而在新颖性、符合需求维度，两者的均值差异分别达到0.549、0.484，说明算法分发在信息新颖性和符合需求方面更受用户认可，这与已有研究观点相符，也解释了用户为何偏爱算法分发。

4.1 理论启示

社交网络、大数据和人工智能等技术的普及应用，为信息的生产和传播带来了创新和变革，但也加剧了信息过载和混乱，造就了空前复杂的信息环境。信息质量成为人们选择信息源时必须考虑的关键因素。不少学者探讨了信息源的信息质量问题，但多数研究关注的是单一信息源的信息质量评价、治理以及对用户行为的影响等。鲜有研究在信息质量视角下，比较用户对不同信息源的感知差异。本文对比用户对算法分发与编辑分发的信息质量感知差异，拓展了信息源的信息质量研究范畴，也为信息质量理论的应用提供了新思路。

长期以来，编辑分发是人们获取信息的重要渠道，如今虽面临用户流失和影响力下降的窘境，但仍是未来社会中必不可少的信息分发模式之一。相比之下，算法分发是新兴的信息分发模式，虽发展迅速、用户规模庞大，但其价值仍有待于在更多人类信息活动中得到验证。围绕算法分发与编辑分发的讨论和实证研究，是今后值得重点关注的方向。本文发现，当前用户认为算法分发的信息质量显著高于编辑分发，这将为未来的研究提供新思路。例如，后续研究可探索用户因何更认可算法分发的信息质量，如何提升用户对编辑分发的信息质量感知，也可从更多视角出发对比算法分发与编辑分发，进一步揭示用户对两者的感知与体验。

4.2 实践启示

4.2.1 算法分发用户应注重提升算法素养。用户在信息全面性和准确性维度，对算法分发与编辑分发的差异存在误判，这反映了用户的算法素养不高。因此，用户有必要提升算法素养，重新审视、谨慎使用算法分发提供的信息。本文建议用户可从4个方面着手提升算法素养：一是了解算法及其用途；二是了解算法驱动信息传播的技术原理、运行逻辑；三是了解算法分发供应商的真实意图、价值取向；四是了解算法分发平台中信息生产者的构成、专业素养和价值观。

4.2.2 亟须提升编辑分发的影响力和显示度。编辑分发模式由来已久，其科学性、严谨性和重要性无须证实。尽管关于规范互联网信息服务算法的政策已出台［24］，但算法分发模式仍不成熟，若任由其抢夺用户及其注意力，可能危害社会信息传播活动、扰乱信息资源有序流动、不利于公众形成对社会的全面认知。因此，亟须提升编辑分发的影响力和显示度，主动吸引用户，让优质的、全局性的和具有普遍意义的信息得到充分传播。本文建议：政府主管部门应适时出台针对性政策，支持编辑分发模式在信息分发洪流中占据主动；编辑分发行业应直面挑战、寻求变革与突破，提升信息分发效率和能力；学术界、相关从业者应加大宣传力度，让编辑分发的优势深入人心。

4.3 局限与展望

本研究的局限有以下两个方面：第一，本文试图从整体上把握用户对算法分发与编辑分发的信息质量感知差异，未限定信息类型，可能导致研究结果针对性不足。后续研究可提升针对性，如对比用户对算法分发与编辑分发不同类型信息的质量感知差异。第二，本文从信息质量视角出发，对比用户对算法分发与编辑分发的感知差异，信息质量虽是各類信息源的重要属性，但还有其他属性值得关注，如可信度、有用性和满意度等。后续研究可从更多视角展开，进一步揭示用户对算法分发与编辑分发的感知差异。

参考文献：

［1］师文，陈昌凤.社交机器人在新闻扩散中的角色和行为模式研究：基于《纽约时报》“修例”风波报道在Twitter上扩散的分析［J］.新闻与传播研究，2020，27（5）：5-20，126.

［2］“70%网络信息内容由算法推荐” ［EB/OL］. （2020-11-17）［2023-10-03］. https：//m.gmw.cn/baijia/2020-11-17/1301806457.html.

［3］李彪，张雪，高琳轩.从管理新闻到回避新闻：社交分发环境下新闻消费方式的转向［J］.新闻与传播研究，2021，28（9）：23-38，126.

［4］潘云宽，申小蓉.网络算法分发视域下大学生价值观引导面临的挑战和应对策略［J］.思想教育研究，2022（7）：150-154.

［5］汪永安.网络舆论场“流量至上”的生成逻辑与矫治策略［J］.探索，2023（5）：177-188.

［6］李龙飞，张国良.算法时代“信息茧房”效应生成机理与治理路径：基于信息生态理论视角［J］.电子政务，2022（9）：51-62.

［7］刘德寰，朱琦.颠覆与重塑：下一代人工智能的传播学意义［J］.新闻爱好者，2023（9）：4-10.

［8］胡江伟，周云倩.新闻算法分发的技术伦理冲突及其规制［J］.青年记者，2020（3）：29-30.

［9］张香萍，李军.新闻算法推送的困境、出路与展望［J］.编辑之友，2019（4）：86-90.

［10］殷俊，余梦珑.新闻资讯APP发展动态、创新与趋势研究［J］.中国编辑，2018（11）：46-50.

［11］刘纯怡，李昌.竖屏短视频传播热中的冷思考［J］.编辑学刊，2022（4）：106-110.

［12］胡泳，年欣.自由与驯化：流量、算法与资本控制下的短视频创作［J］.社会科学战线，2022（6）：144-165，282.

［13］张帆.权威与角色：智媒时代的新闻职业话语研究［J］.湖北大学学报（哲学社会科学版），2021，48（4）：140-147，177.

［14］刘沫潇.从“把关人”到“守望人”：算法式新闻分发下人工编辑的功能角色定位［J］.电视研究，2019（2）：63-65.

［15］林洹民.个性化推荐算法的多维治理［J］.法制与社会发展，2022，28（4）：162-179.

［16］熊敏，肖燕雄.内容·渠道·用户：内容分发平台媒体的内容运营体系构建［J］.中国编辑，2021（10）：33-37.

［17］尤瑾，朱学芳.用户视角下知识类微博信息质量评价模型构建及实证研究［J］.图书情报工作，2023，67（13）：122-132.

［18］金燕，韩二莹，毕崇武.面向在线健康信息质量治理的群体动力系统构建及优化研究［J］.情报科学，2022，40（8）：76-84.

［19］卢恒，李文洁，石剑兰.基于扎根理论的图文社区老年用户信息交流行为影响因素研究［J］.数字图书馆论坛，2023，19（8）：77-86.

［20］陈旖旎，周晓英，岳丽欣，等.移动UGC社区用户健康信息采纳行为意愿的影响因素［J］.图书情报知识，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］查先进，张晋朝，严亚兰. 微博环境下用户学术信息搜寻行为影响因素研究：信息质量和信源可信度双路径视角 ［J］. 中国图书馆学报， 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］中华人民共和国国家互联网信息办公室.《互联网信息服务算法推荐管理规定》［EB/OL］. （2022-01-04）［2023-11-8］. https：//www.gov.cn/zhengce/2022-11/26/content_5728941.htm.