王軍峰

(陜西師范大學(xué)新聞與傳播學(xué)院，陜西西安 710119)

隨著算法推薦技術(shù)的崛起，傳統(tǒng)媒體的議程設(shè)置權(quán)力開始向算法平臺(tái)轉(zhuǎn)移?！澳隳芸匆?jiàn)什么由平臺(tái)的算法所決定，算法在影響你的立場(chǎng)，進(jìn)而塑造你的價(jià)值觀”。[1]算法顛覆了傳統(tǒng)媒體議程設(shè)置的流程、機(jī)制，也制約了議程設(shè)置產(chǎn)生的社會(huì)效果。學(xué)者帕里澤發(fā)現(xiàn)，兩位住在美國(guó)北部并且受教育程度相似的朋友在Google上搜索有關(guān)英國(guó)石油公司墨西哥灣漏油事件的消息，一位獲得了其深水地平線漏油事件的信息，另一位獲得的卻是關(guān)于該公司的投資信息。[2]而在Google上針對(duì)“埃及”這一關(guān)鍵詞的搜索結(jié)果也顯示不同人的搜索結(jié)果頁(yè)面存在很大不同。一位叫丹尼爾(Daniel)的人，在他第一頁(yè)的谷歌搜尋結(jié)果里完全沒(méi)有得到任何有關(guān)埃及抗議事件的東西。而另一位叫斯科特(Scott)的搜尋結(jié)果卻滿滿都是埃及的抗議事件。[3]在國(guó)內(nèi)，既有的實(shí)證研究也顯示今日頭條采用的算法分發(fā)系統(tǒng)會(huì)導(dǎo)致“沒(méi)有兩個(gè)人收到完全相同的新聞推送。”[4]這說(shuō)明，算法正在為不同用戶設(shè)置不同的議題，而這些議題最終會(huì)影響用戶對(duì)周圍環(huán)境的認(rèn)知、態(tài)度甚至現(xiàn)實(shí)行為。顯然，算法推薦給傳統(tǒng)媒體的議程設(shè)置帶來(lái)了新的問(wèn)題，本研究重點(diǎn)分析算法對(duì)傳統(tǒng)議程設(shè)置帶來(lái)的新轉(zhuǎn)向，探究不同算法推薦模型對(duì)用戶議程產(chǎn)生的不同影響，并對(duì)其可能產(chǎn)生的社會(huì)負(fù)面效果進(jìn)行校正，以發(fā)揮算法議程設(shè)置的正面社會(huì)效果，因而在理論與實(shí)踐層面都具有重要意義。

一、文獻(xiàn)回顧與研究創(chuàng)新

20世紀(jì)60年代，麥庫(kù)姆斯和肖針對(duì)傳統(tǒng)媒體提出議程設(shè)置假說(shuō)，開啟了傳播效果研究的宏觀范式，此后不同學(xué)者對(duì)該假說(shuō)進(jìn)行了實(shí)證研究，并逐步演化出屬性議程設(shè)置、網(wǎng)絡(luò)議程設(shè)置[5]和議程融合[6]等新的研究方向。隨著媒介技術(shù)的迭代，議程設(shè)置研究從早期報(bào)紙、電視媒體擴(kuò)展到互聯(lián)網(wǎng)、社交媒體和新媒體等領(lǐng)域，重點(diǎn)關(guān)注新媒介下議程設(shè)置的效果和影響。如李婷婷認(rèn)為新媒體環(huán)境下傳統(tǒng)大眾媒體議程設(shè)置的功能在弱化。[7]高憲春認(rèn)為微議程已經(jīng)成為議程設(shè)置不可忽視的顯性影響因素。[8]他還認(rèn)為，新媒體環(huán)境下議程設(shè)置呈現(xiàn)出“個(gè)體議程—社群議程—媒體議程—公眾議程—政策議程”多向非閉合性特征，研究的重點(diǎn)應(yīng)由“媒體”轉(zhuǎn)向“社群”。[9]學(xué)者趙雅文等則具體研究了新媒體環(huán)境下信息流向與政治議程、媒介議程、公眾議程之間的關(guān)系。[10]學(xué)者曾凡斌發(fā)現(xiàn)在某些事件上，中國(guó)的媒體議程難以很好地影響受眾議程。[11]

以上研究說(shuō)明，技術(shù)因素已成為學(xué)者研究議程設(shè)置理論的有效切入口。在算法推薦成為主要信息流通方式的社會(huì)中，探究算法推薦對(duì)議程設(shè)置機(jī)制和效果的影響既具有理論意義，也具有現(xiàn)實(shí)意義。目前，學(xué)者多聚焦于算法對(duì)新聞業(yè)態(tài)的影響、算法黑箱、信息繭房、算法偏見(jiàn)、算法焦慮、算法權(quán)力等，對(duì)算法與議程設(shè)置之間關(guān)系的研究較少，但也有學(xué)者在不同層面注意到了兩者可能存在的關(guān)系。如張志安在研究算法正當(dāng)性的問(wèn)題中看到了算法具有新的議程設(shè)置效果。[12]趙雙閣等認(rèn)為算法分發(fā)對(duì)議程的設(shè)置影響公共權(quán)力，實(shí)際上體現(xiàn)的是商業(yè)公司的商業(yè)議程。[13]羅昕等發(fā)現(xiàn)算法傳播有可能導(dǎo)致算法強(qiáng)國(guó)操控國(guó)際議程設(shè)置，[14]算法過(guò)濾機(jī)制也可能產(chǎn)生重大議程設(shè)置效果。[15]宋建武則認(rèn)為“信息繭房”是算法時(shí)代的議程設(shè)置。[16]李林容則發(fā)現(xiàn)算法議程設(shè)置中蘊(yùn)含著對(duì)人的主體性的遏制。[17]劉修兵和劉行芳關(guān)注到了算法議程設(shè)置可能存在強(qiáng)化“信息繭房”、加強(qiáng)“群體極化”和引發(fā)“沉默的螺旋”的風(fēng)險(xiǎn)。[18]宋嘉賡等從網(wǎng)絡(luò)監(jiān)管的角度認(rèn)為應(yīng)對(duì)算法議程設(shè)置進(jìn)行重點(diǎn)監(jiān)管。[19]

這些成果為本研究提供了有益借鑒，但也有進(jìn)一步開拓的可能：一是現(xiàn)有研究都較少分析算法推薦如何對(duì)傳統(tǒng)議程設(shè)置產(chǎn)生影響，以兩者交叉為主題的研究似有欠缺；二是研究者多將算法作為一個(gè)整體術(shù)語(yǔ)，對(duì)其進(jìn)行打包處理，較少關(guān)切不同算法推薦系統(tǒng)設(shè)計(jì)思路、原理的差異性和復(fù)雜性，這也導(dǎo)致對(duì)算法推薦的效果研究往往大而化之，難以深入；三是對(duì)算法影響議程設(shè)置的分析多從負(fù)面效應(yīng)展開，忽視了其正面效應(yīng)存在的可能性。因此，本研究從算法推薦和議程設(shè)置交叉的視角切入，探究算法推薦機(jī)制下傳統(tǒng)議程設(shè)置的轉(zhuǎn)向、算法推薦對(duì)用戶議程設(shè)置的影響和效果等，以此為遵循重點(diǎn)解決以下幾個(gè)問(wèn)題：(1)與傳統(tǒng)媒體的議程設(shè)置相比，算法推薦下的議程設(shè)置有哪些新的變化？(2)不同算法推薦下的議程設(shè)置效果具體如何？(3)從辯證思維出發(fā)，在算法推薦設(shè)置用戶議程所產(chǎn)生的負(fù)面效果中探尋正向效果的可能性。

二、技術(shù)的可能：算法推薦下議程設(shè)置的新轉(zhuǎn)向

與傳統(tǒng)媒體設(shè)置議程不同，在用戶向移動(dòng)端遷移的情況下，新興的算法型媒體平臺(tái)和信息平臺(tái)對(duì)算法推薦系統(tǒng)的廣泛使用，導(dǎo)致了算法時(shí)代議程設(shè)置的新轉(zhuǎn)向。

(一)主體：從“機(jī)構(gòu)媒體”到“多元主體”

議程設(shè)置理論最初主要研究報(bào)紙議程與公眾議程之間的關(guān)聯(lián)性，后來(lái)研究逐漸拓展到包括電視媒體、網(wǎng)絡(luò)媒體、社交媒體、新媒體等領(lǐng)域。而以大眾媒體如報(bào)紙、廣播、電視等為主體的議程設(shè)置也開始轉(zhuǎn)向傳統(tǒng)媒體與新興媒體并存、主流媒體與商業(yè)媒體并存、中央媒體與地方媒體并存的局面，議程設(shè)置的主體呈現(xiàn)出豐富性和多元性。不同媒體基于不同立場(chǎng)形成了“眾聲喧嘩”的局面，媒體之間議程設(shè)置、議程互動(dòng)與融合現(xiàn)象更為突出。不同主體在算法的加持下，形成了不同的媒體形態(tài)和算法類型，這種多元主體和多元算法也導(dǎo)致議程設(shè)置更為復(fù)雜。

(二)動(dòng)機(jī)：從“媒體公共性”到“商業(yè)利益至上”

隨著新興商業(yè)平臺(tái)的崛起，它們開始利用算法主導(dǎo)用戶議程。在國(guó)內(nèi)，算法技術(shù)被今日頭條、一點(diǎn)資訊、搜狐新聞、新浪新聞、網(wǎng)易新聞等市場(chǎng)化媒體平臺(tái)所用，這類平臺(tái)摒棄了傳統(tǒng)媒體時(shí)代新聞的價(jià)值要素和公共利益原則，將用戶作為消費(fèi)者，因而更加注重信息的覆蓋、頻次、匹配、停留、轉(zhuǎn)發(fā)等利于廣告價(jià)值和價(jià)格計(jì)算的要素，呈現(xiàn)出明顯的商業(yè)訴求。例如，百度的競(jìng)價(jià)排名機(jī)制就是基于商業(yè)利益考量的算法推薦系統(tǒng)，它將為用戶設(shè)置議程的權(quán)力轉(zhuǎn)化為具有嚴(yán)重資本偏見(jiàn)的排名方式，從而迫使議程設(shè)置商品化。[20]微博熱搜榜也是一種“類競(jìng)價(jià)排名機(jī)制”，網(wǎng)絡(luò)水軍、粉絲等通過(guò)數(shù)據(jù)操控實(shí)現(xiàn)將目標(biāo)對(duì)象推向“熱搜”“榜首”的位置，而背后的資本邏輯顯而易見(jiàn)。可以說(shuō)，算法背后是一套試圖增加用戶黏性和提高點(diǎn)擊量謀利的商業(yè)邏輯。[17]算法時(shí)代的議程設(shè)置具有技術(shù)邏輯與資本邏輯雙重驅(qū)動(dòng)的特征，資本的內(nèi)在需求與技術(shù)的外在規(guī)律主導(dǎo)著算法平臺(tái)對(duì)用戶的議程設(shè)置，影響著用戶的議題認(rèn)知、意見(jiàn)表達(dá)和行為方式。

(三)手段：從“編輯把關(guān)”到“影子把關(guān)”

算法時(shí)代議程設(shè)置采用了技術(shù)化的手段，通過(guò)對(duì)用戶的技術(shù)性測(cè)量來(lái)了解用戶，并以技術(shù)化的程序介入到信息的生產(chǎn)、預(yù)測(cè)和分發(fā)環(huán)節(jié)，最終通過(guò)隱形化、后臺(tái)化和黑箱化的方式為用戶設(shè)置議程。盡管在技術(shù)中立理念的影響下，算法看似沒(méi)有設(shè)置議程，卻能通過(guò)不同的策略篩選信息，且通過(guò)不同模型將信息推送給用戶，甚至能將具有不同敘事框架的內(nèi)容推薦給用戶，但用戶對(duì)此難以察覺(jué)，因而基于算法的新聞推薦具有一定的隱蔽性。[21]可以說(shuō)，算法推薦系統(tǒng)下的信息篩選與傳統(tǒng)媒體時(shí)代的公共利益、新聞價(jià)值取向聯(lián)系較弱，因而也被稱作“影子把關(guān)人”。[22]

(四)對(duì)象：從“想象的受眾”到“可測(cè)量的用戶”

議程設(shè)置理論的核心是從一個(gè)議程到另一個(gè)議程的“顯要性的轉(zhuǎn)移”。[23]基于算法技術(shù)的議程設(shè)置目的也在于重新連接用戶，實(shí)現(xiàn)議題“顯要性的轉(zhuǎn)移”。但傳統(tǒng)的議程設(shè)置以大眾媒體為主體，受眾為主要對(duì)象，其傳播具有較強(qiáng)的單向性，受眾需要什么、喜歡什么媒體并不清楚，受眾仍然處于大眾媒體的“想象”當(dāng)中。而算法時(shí)代，大數(shù)據(jù)和算法的使用使得媒體平臺(tái)既能夠精準(zhǔn)把握信息特征，而且能夠?qū)τ脩暨M(jìn)行精準(zhǔn)畫像。這意味著算法時(shí)代議程設(shè)置的對(duì)象從難以測(cè)量、無(wú)法進(jìn)行畫像的整體受眾轉(zhuǎn)向了可以進(jìn)行測(cè)量、能夠精準(zhǔn)畫像的個(gè)體用戶。

(五)效果：從“整體效果”到“個(gè)體效果”

當(dāng)用戶從作為整體的“想象的受眾”轉(zhuǎn)向作為個(gè)體的“可測(cè)量的用戶”時(shí)，基于用戶的新聞傳播就成為可能，以用戶為最終效果衡量指標(biāo)的“用戶新聞學(xué)”就誕生了。[24]這意味著算法時(shí)代議程設(shè)置的效果從注重受眾的整體性認(rèn)知轉(zhuǎn)向注重用戶的個(gè)性化信息獲取，即議程設(shè)置從為公眾整體設(shè)置議程，轉(zhuǎn)向?yàn)橛脩魝€(gè)體設(shè)置議程。算法通過(guò)對(duì)個(gè)人信息的挖掘，了解個(gè)人對(duì)某類信息的偏好，進(jìn)而在推薦過(guò)程中賦予這類信息以“高顯著性”和“高相關(guān)性”，由此實(shí)現(xiàn)信息與個(gè)人的精準(zhǔn)適配。其中，從受眾到用戶的轉(zhuǎn)型是前提，技術(shù)變遷是手段，因人而異的效果是最終目的。

三、技術(shù)的規(guī)制：不同算法推薦模型對(duì)用戶議程的影響

算法絕非價(jià)值中立的技術(shù)，[25]綜合一些學(xué)者的研究，當(dāng)前主流的算法推薦系統(tǒng)包括基于內(nèi)容的推薦算法、基于協(xié)同過(guò)濾的推薦算法[26]、基于時(shí)序流行度的推薦算法，[27]基于關(guān)聯(lián)規(guī)則的推薦算法、基于效用的推薦算法和基于知識(shí)的推薦算法。[22]這些算法正在主導(dǎo)著智能時(shí)代的信息篩選機(jī)制，[28]而不同的算法推薦系統(tǒng)能夠通過(guò)影響內(nèi)容篩選與呈現(xiàn)，進(jìn)而影響用戶議程產(chǎn)生的效果。

(一)基于內(nèi)容的算法推薦：興趣偏好與個(gè)人議程

基于內(nèi)容的算法推薦是一種以用戶興趣為核心的推薦方式，它直接建立在用戶興趣與內(nèi)容特征的相似度匹配上。其基本思想是推薦的信息有自身的獨(dú)特屬性，用戶對(duì)推薦的信息進(jìn)行操作，就容易留下行為數(shù)據(jù)和歷史記錄，這些數(shù)據(jù)能夠體現(xiàn)用戶的個(gè)人興趣，算法可以基于用戶的個(gè)人興趣為其形成推薦列表。[27]具體來(lái)看，算法依據(jù)用戶以往對(duì)新聞的消費(fèi)情況，首先對(duì)進(jìn)入到平臺(tái)中的新聞進(jìn)行特征、屬性上的抽取，為其制作標(biāo)簽，以此來(lái)表示新聞的基本特征；再通過(guò)機(jī)器學(xué)習(xí)利用用戶過(guò)去的行為特征，如喜歡/不喜歡、瀏覽時(shí)間、時(shí)長(zhǎng)、轉(zhuǎn)發(fā)、評(píng)論、收藏等來(lái)對(duì)用戶進(jìn)行精準(zhǔn)畫像，抽象出用戶特征；最后通過(guò)對(duì)新聞特征與用戶特征之間的關(guān)聯(lián)性進(jìn)行信息適配，按照用戶可能的喜好程度進(jìn)行排序，生成推薦列表推薦給用戶。這種推薦方式不依賴其他用戶的行為數(shù)據(jù)，但基于個(gè)人興趣推薦的信息也不可避免地阻礙了用戶獲取其他信息、對(duì)其他信息偶遇的可能性。[21]因此，一些新信息在算法平臺(tái)中難以實(shí)現(xiàn)冷啟動(dòng)，也難以被算法呈現(xiàn)在用戶信息推薦列表中。

同時(shí)，基于內(nèi)容的算法推薦系統(tǒng)還內(nèi)嵌著平臺(tái)優(yōu)先級(jí)算法，它決定了用戶能夠優(yōu)先看到哪些平臺(tái)的信息。如Facebook為用戶呈現(xiàn)的信息流更傾向于優(yōu)先呈現(xiàn)自己平臺(tái)上的視頻，而非YouTube等其他平臺(tái)的視頻。[29]今日頭條也在內(nèi)容推薦中采用平臺(tái)優(yōu)先級(jí)算法，其推送的內(nèi)容更多產(chǎn)生于“頭條號(hào)”本身。根據(jù)燃財(cái)經(jīng)(ID:rancaijing)分別在今日頭條新上線的搜索引擎和百度搜索上對(duì)諸如“保時(shí)捷女主”“臺(tái)風(fēng)過(guò)境”“鴻蒙問(wèn)世”“哪吒電影”及“知乎完成新一輪融資”等熱門信息進(jìn)行搜索，發(fā)現(xiàn)頭條的搜索結(jié)果主要以今日頭條的內(nèi)容為主，來(lái)源以新媒體居多；而百度搜索內(nèi)容主要由百家號(hào)和外部網(wǎng)站組成。[30]可以看出，無(wú)論今日頭條還是百度，都在優(yōu)先推薦自家平臺(tái)生產(chǎn)的內(nèi)容。因此，無(wú)論是用戶的被動(dòng)接受還是主動(dòng)搜索，當(dāng)用戶使用基于內(nèi)容和平臺(tái)優(yōu)先級(jí)的算法推薦平臺(tái)獲取信息時(shí)，就難以避免“信息繭房”效應(yīng)，用戶也難以感知算法推薦的內(nèi)容暗含的價(jià)值觀偏向。

(二)協(xié)同過(guò)濾算法推薦：群體需求與圈層議程

與基于用戶個(gè)體數(shù)據(jù)的內(nèi)容推薦算法不同，協(xié)同過(guò)濾算法推薦充分利用了群體智慧，依賴大量其他用戶(鄰居用戶)的數(shù)據(jù)。其基本思想是首先為目標(biāo)用戶尋找興趣相似的鄰居用戶，然后把鄰居用戶感興趣的內(nèi)容推薦給目標(biāo)用戶。[26]其基本原理是“物以類聚”和“人以群分”(見(jiàn)圖1、圖2)。[27]協(xié)同過(guò)濾算法推薦基于用戶的相似度、內(nèi)容的共現(xiàn)度以及基于人口特征將用戶劃分為不同群體，為用戶推薦內(nèi)容。它利用與目標(biāo)用戶相似的用戶行為(評(píng)分、點(diǎn)擊、收藏、分享、點(diǎn)贊、轉(zhuǎn)發(fā)等)推斷目標(biāo)用戶對(duì)特定產(chǎn)品的喜好程度，然后根據(jù)這種喜好程度進(jìn)行評(píng)分降序排列，最終進(jìn)行相應(yīng)推薦。[31]例如，微信“看一看”就可以通過(guò)“朋友在看”為用戶推薦相關(guān)熱點(diǎn)信息，用戶能夠直觀看到哪些好友閱讀了哪些文章，容易形成微信好友這一群體對(duì)某一事件的共同認(rèn)知與感受。這種推薦實(shí)質(zhì)上是基于用戶所處同一興趣群體、同一圈層的推薦，因而在推薦效果上呈現(xiàn)出“圈層化效果”。因?yàn)榫哂邢嗤d趣的用戶群對(duì)某一話題或議題更感興趣，用戶群中最普遍的興趣關(guān)注點(diǎn)將成為算法推薦中最大比例的推送內(nèi)容，這些信息會(huì)被最大程度地凸顯。[32]根據(jù)這一原理，算法就將該群體感興趣的話題(議題)以外的其他議題排除在外，這也容易導(dǎo)致圈層化議程甚至圈層輿論的出現(xiàn)。

圖示：表示“喜歡”，表示“可能喜歡”

(三)時(shí)序流行度算法推薦：熱度導(dǎo)向與議程遮蔽

時(shí)效性是新聞信息的活力所在。基于內(nèi)容的推薦和基于協(xié)同過(guò)濾的推薦都能提升推薦的精準(zhǔn)度，但前者只考慮用戶興趣和愛(ài)好，后者重點(diǎn)考慮其他用戶對(duì)某一內(nèi)容的評(píng)價(jià)，而較少考慮時(shí)間維度的信息。因此，將時(shí)間維度引入到算法推薦過(guò)程中，就形成了基于時(shí)序流行度的算法推薦系統(tǒng)。它能夠?qū)挝粫r(shí)間的瞬時(shí)點(diǎn)擊率等動(dòng)態(tài)特征作為考量因素，將特定時(shí)間窗口內(nèi)流行度較高的新聞或信息按照最多點(diǎn)擊量、播放量、搜索量等指標(biāo)進(jìn)行排序并推薦給用戶。[27]時(shí)序流行度算法考慮到了信息的時(shí)效性，也考慮到了信息的熱度，因而能夠?yàn)橛脩敉扑彤?dāng)前較熱的信息，而這種信息熱度、關(guān)注度與用戶的行為相關(guān)。[28]具體原理為：新聞熱度=初始熱度值+用戶交互產(chǎn)生的熱度值-隨時(shí)間衰減的熱度值(見(jiàn)圖3)。

圖3 時(shí)序流行度算法推薦原理

當(dāng)一則新聞進(jìn)入平臺(tái)數(shù)據(jù)庫(kù)后，算法系統(tǒng)會(huì)為其賦予一個(gè)初始的熱度值，該新聞就進(jìn)入了推薦列表進(jìn)行排序。隨著新聞不斷被用戶點(diǎn)擊、閱讀、評(píng)論、轉(zhuǎn)發(fā)、收藏，用戶交互所產(chǎn)生的熱度值就開始上升并增強(qiáng)新聞的熱度，隨著時(shí)間推進(jìn)，熱度開始衰減。這其中，初始熱度值可以在算法中被賦予不同的權(quán)重，如娛樂(lè)類新聞權(quán)重比時(shí)政類新聞權(quán)重高，則娛樂(lè)類新聞初始熱度值較大，該新聞被推送的可能性就大。而用戶交互產(chǎn)生的熱度值也是一大變量，用戶對(duì)一則新聞的交互越多，則該新聞熱度值也越高，也就越容易被推送。但用戶交互產(chǎn)生的熱度值數(shù)據(jù)是可以被操縱的。在這種情況下，基于時(shí)序流行度的算法推薦容易在商業(yè)利潤(rùn)的導(dǎo)向下，成為某些人牟利的工具。經(jīng)由它呈現(xiàn)給公眾的某些社會(huì)圖景可能偏離甚至嚴(yán)重偏離客觀現(xiàn)實(shí)，[22]從而遮蔽了更重要的社會(huì)公共議題。例如，公安部“凈網(wǎng)2019”專項(xiàng)行動(dòng)就打掉了“星援APP”這一流量造假平臺(tái)。該APP可以在短時(shí)間內(nèi)通過(guò)刷高評(píng)論量、轉(zhuǎn)發(fā)量、點(diǎn)贊量等，實(shí)現(xiàn)信息熱度和關(guān)注度的提升，進(jìn)而在算法推薦下為用戶設(shè)置議程。蔡徐坤與周杰倫之間的數(shù)據(jù)之戰(zhàn)中數(shù)據(jù)操縱現(xiàn)象凸顯：被質(zhì)疑不做數(shù)據(jù)、沒(méi)有影響力的周杰倫粉絲在經(jīng)過(guò)了16小時(shí)打榜奮戰(zhàn)后，最終讓沒(méi)有微博賬號(hào)的周杰倫登上微博熱搜榜2019年第29周排行榜首位，超越排名第二的蔡徐坤。筆者還于2019年8月16日14時(shí)左右在百度搜索引擎頁(yè)面的時(shí)事熱點(diǎn)信息推送中發(fā)現(xiàn)，其推薦的前15條熱點(diǎn)事件中排在第4、7、8、13、14、15位的都為娛樂(lè)新聞。而關(guān)于香港修例風(fēng)波、中美貿(mào)易戰(zhàn)等央媒權(quán)威重點(diǎn)發(fā)布的議題，都沒(méi)有出現(xiàn)在百度推送的熱點(diǎn)中。可以看出，依賴時(shí)序流行度指標(biāo)的算法，容易導(dǎo)致算法推薦走向“熱度導(dǎo)向”的誤區(qū)。[27]

(四)關(guān)聯(lián)規(guī)則與效用算法推薦：需求導(dǎo)向與議程固化

議程設(shè)置理論研究發(fā)現(xiàn)，需求導(dǎo)向與媒體議程的效果有相關(guān)性，受眾需求導(dǎo)向越高則受議程設(shè)置的影響越大?；陉P(guān)聯(lián)規(guī)則的算法和基于效用的算法都聚焦于用戶需求、用戶既有傾向和用戶滿意度，在用戶較高的需求導(dǎo)向下，基于關(guān)聯(lián)規(guī)則的推薦算法能夠通過(guò)隱性的信息推薦，增強(qiáng)用戶的既有議程。它能夠充分發(fā)揮大數(shù)據(jù)對(duì)相關(guān)性的發(fā)現(xiàn)能力，以關(guān)聯(lián)規(guī)則為基礎(chǔ)，通過(guò)對(duì)相關(guān)數(shù)據(jù)庫(kù)的挖掘，尋找不同物品在銷售、使用過(guò)程中的相關(guān)性，然后根據(jù)相關(guān)性來(lái)預(yù)測(cè)用戶的需求。[22]就用戶的信息接收而言，在這種算法推薦下還需要與其他類型的信息加以輔助。如，在搜索引擎的推薦系統(tǒng)中，一般會(huì)按照用戶搜索信息的關(guān)聯(lián)度進(jìn)行排序，將關(guān)聯(lián)度較高的信息以排序方式呈現(xiàn)給用戶。在算法推薦平臺(tái)中，當(dāng)用戶對(duì)某類信息需求度較高的時(shí)候，算法會(huì)推出相關(guān)的信息。當(dāng)用戶接收到的信息具有某種特定價(jià)值觀和立場(chǎng)的時(shí)候，基于關(guān)聯(lián)規(guī)則的算法就傾向于為其推送與該立場(chǎng)和價(jià)值觀類似的其他相關(guān)信息，導(dǎo)致用戶固化、增強(qiáng)對(duì)某一事件的既有認(rèn)知或者態(tài)度。

基于效用的推薦算法也具有固化用戶既有議程的傾向性，其核心理念是為每個(gè)用戶創(chuàng)建一個(gè)能夠涵蓋項(xiàng)目特征、使用戶滿意程度最大化的效用函數(shù)，該函數(shù)用以衡量消費(fèi)者從消費(fèi)既定的商品組合中所獲得滿足的程度。然后，算法通過(guò)計(jì)算不同項(xiàng)目的效用值，再把總效用值最高的項(xiàng)目推薦給用戶。[22]這意味著，當(dāng)用戶在算法推薦平臺(tái)上表現(xiàn)出對(duì)某些信息“滿意”或“不滿意”的時(shí)候，算法平臺(tái)能夠根據(jù)用戶的反饋來(lái)計(jì)算最能滿足用戶需求的信息。而用戶在特定時(shí)間段內(nèi)的需求是相對(duì)穩(wěn)定的，對(duì)這種需求的滿足也能夠強(qiáng)化用戶的既定議程。

四、偏向與校正：算法推薦下用戶議程社會(huì)效果的雙重性

算法本身具有雙重性，算法推薦暗含著技術(shù)邏輯和商業(yè)邏輯所遵循的工具理性原則，因而算法推薦下的用戶議程具有其社會(huì)偏向性。如何發(fā)揮算法推薦對(duì)用戶議程的正面導(dǎo)向，就需要為其注入價(jià)值理性進(jìn)行糾偏，實(shí)現(xiàn)“工具理性”和“價(jià)值理性”的統(tǒng)一。

(一)算法容易造成用戶議程與公眾議程的偏離，但也能以公共傳播理念進(jìn)行校正

當(dāng)前，算法時(shí)代不同個(gè)體和群體更容易形成不同的關(guān)注議題，這改變了以往大眾媒體為公眾設(shè)置統(tǒng)一的、同質(zhì)化議程的局面，議程更加多元。算法在為用戶推薦具有價(jià)值立場(chǎng)、觀點(diǎn)、情緒的信息的同時(shí)，也無(wú)形中影響了用戶的立場(chǎng)和態(tài)度，造成價(jià)值觀的多元化。當(dāng)算法推薦使高度個(gè)性化的用戶議程和多元價(jià)值觀成為可能時(shí)，容易導(dǎo)致與公共議程的偏離，引發(fā)不同用戶、不同群體之間的共識(shí)割裂。但同時(shí)，個(gè)人議程、群體議程和社會(huì)議程之間的貫通與融合也因技術(shù)的介入而具有了可能性。如學(xué)者高憲春就認(rèn)為，當(dāng)前個(gè)人議程與社群議程成為不可忽視的影響社會(huì)議程的重要因素。[9]因此，在算法時(shí)代，要凝聚社會(huì)共識(shí)，就需要樹立起公共傳播的理念，為統(tǒng)合不同個(gè)體和群體的議程提供支撐。在操作層面，平臺(tái)可以設(shè)置公共頻道，傳播公共信息，對(duì)具有公共價(jià)值的議題以較高的權(quán)重進(jìn)行跨圈層推薦，為重構(gòu)多元主體的社會(huì)共識(shí)提供條件。

(二)算法議程容易導(dǎo)致“信息繭房”，但也為凝聚社會(huì)共識(shí)提供了契機(jī)

“遮蔽現(xiàn)象構(gòu)成了我們生存的基本現(xiàn)實(shí)”。[33]當(dāng)技術(shù)(媒介)壟斷了我們的認(rèn)識(shí)，技術(shù)(媒介)所提供的世界圖像就成為“真實(shí)”的圖像，而真正真實(shí)的世界被(技術(shù))媒介提供的圖像所遮蔽。[34]在算法時(shí)代，這種遮蔽是由算法推薦系統(tǒng)在其黑箱化的操作系統(tǒng)下完成的。當(dāng)我們?cè)絹?lái)越依賴于算法推薦，形成算法依賴，最終也導(dǎo)致算法對(duì)我們的控制。其中，“信息繭房”效應(yīng)正是用戶自主選擇與算法推薦雙重作用的結(jié)果。因此，有學(xué)者將“信息繭房”界定為個(gè)人或群體在信息消費(fèi)過(guò)程中因自身或外界的因素而形成的信息窄化和觀念極化現(xiàn)象。其中，外部因素主要是指算法推薦，而內(nèi)部因素主要是用戶的自我選擇。[35]盡管算法推薦造成的“信息繭房”具有負(fù)面效應(yīng)，但它對(duì)凝聚社會(huì)共識(shí)也具有積極作用。當(dāng)“信息繭房”為公眾所普遍認(rèn)識(shí)的時(shí)候，如何突破信息繭房就成為個(gè)體尋求與社會(huì)連接提供了內(nèi)在動(dòng)力，進(jìn)而增強(qiáng)我們?cè)谌鐣?huì)范圍內(nèi)凝聚社會(huì)共識(shí)的緊迫感。[36]同時(shí)，在主流價(jià)值觀融入到算法推薦的信息流當(dāng)中時(shí)，“信息繭房”效應(yīng)恰恰是主流價(jià)值觀傳播與深入的有效途徑。因此，作為一種傳播效應(yīng)的“信息繭房”發(fā)揮正面效應(yīng)還是負(fù)面效應(yīng)，主要取決于算法推薦何種信息以及用戶對(duì)信息的選擇。

(三)算法議程在增加輿論引導(dǎo)復(fù)雜性的同時(shí)，也為精準(zhǔn)的輿論引導(dǎo)提供了可能

算法推薦下的用戶議程存在個(gè)體議程與圈層議程共存的現(xiàn)象，造成了輿論格局的復(fù)雜性：既有媒體議程所構(gòu)建的輿論場(chǎng)，也有公眾議程所構(gòu)建的輿論場(chǎng)，還有個(gè)體議程和圈層議程所形成的輿論場(chǎng)。盡管不同輿論場(chǎng)的訴求不同，增加了輿論引導(dǎo)的復(fù)雜性，但算法對(duì)輿論引導(dǎo)也提供了新的可能。例如，可以充分利用算法推薦數(shù)據(jù)采集、信息追蹤的功能，搜集網(wǎng)絡(luò)輿情并科學(xué)分析研判，了解民情、聽(tīng)取民意、集中民智。[37]這就需要進(jìn)一步優(yōu)化算法，用主流價(jià)值觀駕馭算法，將公共價(jià)值和新聞價(jià)值等主流價(jià)值注入算法平臺(tái)中，在堅(jiān)持以人民的利益為根本的基礎(chǔ)上，為用戶推送其感興趣和重要的公共議題；針對(duì)不同群體的信息偏好，推送相關(guān)內(nèi)容進(jìn)行輿論引導(dǎo)。同時(shí)，要增加公共信息傳播，打通不同圈層的信息傳播，發(fā)揮主流算法在引導(dǎo)輿論中的重要作用。

五、結(jié) 語(yǔ)

身處算法時(shí)代，算法類信息推薦平臺(tái)早已經(jīng)成為我們獲取信息的重要途徑，也因如此，算法得以成為形塑用戶信息獲取、影響用戶信息接收與認(rèn)知的重要機(jī)制。在算法的影響下，傳統(tǒng)議程設(shè)置也開始發(fā)生新的變化?；诓煌乃惴ǎ湓O(shè)置議程的機(jī)制與效果也存在不同之處。本文分析了不同算法對(duì)議程設(shè)置的影響，從技術(shù)維度對(duì)算法時(shí)代的議程設(shè)置進(jìn)行了分析。同時(shí)，也從社會(huì)維度對(duì)算法推薦下的議程設(shè)置存在的社會(huì)層面效果進(jìn)行了反思。筆者認(rèn)為，算法推薦下的用戶議程與公共議程有偏離的一面，因而需要通過(guò)公共傳播理念對(duì)其進(jìn)行校正；算法推薦下的用戶議程具有形成“信息繭房”的可能性，但也為凝聚社會(huì)共識(shí)提供了契機(jī)；算法議程在增加輿論引導(dǎo)復(fù)雜性的同時(shí)，也為精準(zhǔn)的輿論引導(dǎo)提供了可能。算法作為具有高度工具理性的技術(shù)，其社會(huì)功能如何發(fā)揮，還需要我們通過(guò)價(jià)值理性的注入實(shí)現(xiàn)工具理性與價(jià)值理性的有機(jī)統(tǒng)一。