摘 要： ［目的／ 意義］ 探討社交媒體用戶參與算法風(fēng)險(xiǎn)治理的影響因素， 有助于提升我國算法風(fēng)險(xiǎn)治理效果， 完善多元共治的算法治理體系。［方法／ 過程］ 基于刺激—機(jī)體—反應(yīng)（ＳＯＲ） 模型框架， 整合社會認(rèn)知理論和感知價值理論， 根據(jù)２ ３１３份問卷調(diào)查數(shù)據(jù)開展實(shí)證研究。［結(jié)果／ 結(jié)論］ 研究結(jié)果表明， 在總效應(yīng)模型中， 算法素養(yǎng)、政府規(guī)制與平臺算法責(zé)任正向顯著影響用戶參與治理意愿， 政府規(guī)制是影響最大的刺激因素。加入感知收益和感知風(fēng)險(xiǎn)中介變量后， 算法素養(yǎng)、平臺算法責(zé)任通過感知收益與感知風(fēng)險(xiǎn)的部分中介作用對用戶參與治理意愿產(chǎn)生間接影響； 政府規(guī)制通過感知收益與感知風(fēng)險(xiǎn)的完全中介作用對用戶參與治理意愿產(chǎn)生間接影響。研究發(fā)現(xiàn)， 感知收益的中介作用比感知風(fēng)險(xiǎn)更加顯著。研究結(jié)論為完善我國算法風(fēng)險(xiǎn)治理體系提供了理論參考， 對激勵用戶參與以實(shí)現(xiàn)算法風(fēng)險(xiǎn)多元協(xié)同共治具有積極的實(shí)踐指導(dǎo)意義。

關(guān)鍵詞： 算法素養(yǎng)； 政府規(guī)制； 平臺算法責(zé)任； 用戶參與； 風(fēng)險(xiǎn)治理

ＤＯＩ：１０．３９６９ ／ ｊ．ｉｓｓｎ．１００８－０８２１．２０２５．０５．００６

〔中圖分類號〕Ｇ２５２. ０ 〔文獻(xiàn)標(biāo)識碼〕Ａ 〔文章編號〕１００８－０８２１ （２０２５） ０５－００４９－１７

隨著我國數(shù)智技術(shù)的發(fā)展和社交媒體用戶算法意識的提高， 算法風(fēng)險(xiǎn)治理問題受到了廣泛關(guān)注。黨的二十大報(bào)告強(qiáng)調(diào)， 提高防范化解重大風(fēng)險(xiǎn)能力，嚴(yán)密防范系統(tǒng)性安全風(fēng)險(xiǎn)， 同時加快建設(shè)數(shù)字中國的決策部署， 而加強(qiáng)算法風(fēng)險(xiǎn)防范與治理研究符合國家安全的戰(zhàn)略需求與戰(zhàn)略導(dǎo)向。算法風(fēng)險(xiǎn)治理，其本質(zhì)在于多主體對算法主體在算法應(yīng)用過程中所產(chǎn)生的風(fēng)險(xiǎn)行為進(jìn)行引導(dǎo)、調(diào)節(jié)、管理的協(xié)同共治過程［１］ 。這與主張保障用戶權(quán)利、關(guān)注用戶價值偏好、規(guī)制算法權(quán)力、推行算法善治的我國算法治理價值體系有著深刻的內(nèi)在聯(lián)系［２］ 。政府算法風(fēng)險(xiǎn)治理越來越多地接受用戶的參與， 以回應(yīng)用戶對更好算法服務(wù)的強(qiáng)烈需求。因此， 用戶參與算法風(fēng)險(xiǎn)治理具有內(nèi)在規(guī)定性。

在堅(jiān)持以人民為中心的價值取向下， 激勵用戶參與以實(shí)現(xiàn)多元協(xié)同共治， 成為我國算法風(fēng)險(xiǎn)治理的題中之義。然而， 政府算法風(fēng)險(xiǎn)治理面臨若干嚴(yán)峻問題以及由此折射出諸多用戶參與治理的挑戰(zhàn)。首先， 由于信息繭房現(xiàn)象的發(fā)生或用戶自身算法素養(yǎng)限制， 使得用戶參與算法風(fēng)險(xiǎn)治理的價值取向尚未得到系統(tǒng)傳遞［３］ 。其次， 平臺算法責(zé)任弱化， 責(zé)任邊界難以界定， 算法黑箱、技術(shù)失控等現(xiàn)象出現(xiàn)，造成用戶參與受阻， 陷入?yún)f(xié)同治理困境。最后， 政府規(guī)制落實(shí)與異化現(xiàn)象， 導(dǎo)致用戶個人隱私保護(hù)不力等現(xiàn)象出現(xiàn)， 從而降低對參與算法風(fēng)險(xiǎn)治理的決心。國家互聯(lián)網(wǎng)信息辦公室等九部委制定了《關(guān)于加強(qiáng)互聯(lián)網(wǎng)信息服務(wù)算法綜合治理的指導(dǎo)意見》，強(qiáng)調(diào)要堅(jiān)持多元共治， 構(gòu)建治理機(jī)制健全、監(jiān)管體系完善、算法生態(tài)規(guī)范的算法安全綜合治理格局［４］ 。在我國不斷加大算法風(fēng)險(xiǎn)治理的社會背景下， 深化對社交媒體用戶參與算法風(fēng)險(xiǎn)治理行為意愿內(nèi)在影響因素的研究， 以充分調(diào)動平臺用戶參與算法風(fēng)險(xiǎn)治理積極性， 具有一定的理論與現(xiàn)實(shí)意義。

當(dāng)前， 已有研究大多回答了算法風(fēng)險(xiǎn)治理內(nèi)涵（Ｗｈａｔ）和算法風(fēng)險(xiǎn)治理措施（Ｈｏｗ）兩大問題， 而鮮有立足用戶（Ｗｈｏ）視角， 探究用戶參與的激勵機(jī)制。事實(shí)上， 作為算法應(yīng)用的主體和算法推薦的受眾， 社交媒體用戶這一角色值得被關(guān)注。社交媒體用戶不僅是算法的受益者和算法平臺的價值共創(chuàng)者，同時也是我國多元共治算法治理體系的重要參與主體。目前我國算法應(yīng)用面臨包括用戶隱私侵犯、平臺算法歧視、形成信息繭房和價值偏向等多重困境，單靠政府單方面的管控， 難以解決當(dāng)前算法風(fēng)險(xiǎn)治理問題， 需要平臺、公眾的多元參與以構(gòu)建算法風(fēng)險(xiǎn)協(xié)同治理的新模式。因此， 本文基于刺激—機(jī)體—反應(yīng)（Ｓｔｉｍｕｌｕｓ－Ｏｒｇａｎｉｓｍ－Ｒｅｓｐｏｎｓｅ， Ｓ－Ｏ－Ｒ）理論框架， 整合社會認(rèn)知理論和感知價值理論， 探究用戶參與算法風(fēng)險(xiǎn)治理的理論邏輯與提升路徑， 主要回答以下問題： 社交媒體用戶算法風(fēng)險(xiǎn)治理參與意愿受到哪些關(guān)鍵要素的影響； 這些要素如何協(xié)同激發(fā)平臺用戶參與算法風(fēng)險(xiǎn)共治意愿， 以提升算法治理水平、促進(jìn)算法治理高質(zhì)量發(fā)展。

１ 文獻(xiàn)綜述

１. １ 算法風(fēng)險(xiǎn)相關(guān)研究

１. １.１ 算法風(fēng)險(xiǎn)類型及成因研究

關(guān)于算法風(fēng)險(xiǎn)類型及成因， 張濤等［５］ 指出， 要重點(diǎn)關(guān)注算法黑箱、算法缺陷、算法操縱這三類算法安全風(fēng)險(xiǎn)隱患。溫鳳鳴等［６］ 從算法技術(shù)的黑箱性質(zhì)、輸入算法模型的數(shù)據(jù)質(zhì)量以及個體隱私數(shù)據(jù)缺乏明晰的保護(hù)邊界３ 個方面總結(jié)算法風(fēng)險(xiǎn)的成因。周穎玉等［７］ 基于算法倫理的視角， 提出了隱私邊界模糊、用戶隱私彌漫、信息異化蔓延、虛假信息泛濫和數(shù)據(jù)生態(tài)失衡五類算法風(fēng)險(xiǎn)。Ａｒｏｒａ Ａ 等［８］ 從算法偏見、數(shù)據(jù)殖民主義和邊緣化３ 個方面探討了人工智能引發(fā)的算法風(fēng)險(xiǎn)。Ｗｕ Ｘ［９］ 認(rèn)為， 算法的自動化決策會帶來算法異化和歧視的風(fēng)險(xiǎn)。

１. １. ２ 算法風(fēng)險(xiǎn)識別研究

算法風(fēng)險(xiǎn)識別是算法風(fēng)險(xiǎn)規(guī)制的前提。張海柱［１０］ 從治理工具、治理主題和治理情境的角度對算法治理中的不確定風(fēng)險(xiǎn)進(jìn)行了識別。任蓉［１１］ 從數(shù)據(jù)安全與算法歧視層面對算法嵌入社會治理的風(fēng)險(xiǎn)形態(tài)進(jìn)行了識別， 包括數(shù)據(jù)濫用侵害隱私安全、自主決策減損政府公信、代碼至上危及社會民主和算法偏見損害社會公平。程雪軍［１２］ 從算法權(quán)力風(fēng)險(xiǎn)、算法黑箱風(fēng)險(xiǎn)以及算法歧視風(fēng)險(xiǎn)３ 個方面對金融科技平臺的算法風(fēng)險(xiǎn)進(jìn)行了識別。Ｈａｓａｎ Ａ 等［１３］ 聚焦對算法道德風(fēng)險(xiǎn)和算法偏見的識別與評估， 以期最大限度地降低算法風(fēng)險(xiǎn)。

１. １. ３ 算法風(fēng)險(xiǎn)治理研究

算法風(fēng)險(xiǎn)治理是一項(xiàng)復(fù)雜的社會系統(tǒng)工程， 已有研究從法律法規(guī)、行政制度、技術(shù)、管理等方面對算法風(fēng)險(xiǎn)治理措施進(jìn)行探討。張濤等［５］ 通過事前評估、事中監(jiān)管、事后問責(zé)的手段建立算法治理框架， 從總體安全視角實(shí)現(xiàn)算法規(guī)制的良性循環(huán)與協(xié)調(diào)發(fā)展。溫鳳鳴等［６］ 認(rèn)為， 算法治理應(yīng)從優(yōu)化算法技術(shù)、構(gòu)建智能算法善治體系和加強(qiáng)多元主體協(xié)商共治路徑進(jìn)行規(guī)制。孫清白［１４］ 針對人工智能算法的應(yīng)用風(fēng)險(xiǎn)， 提出技術(shù)規(guī)制和權(quán)力規(guī)制二元策略。程堯等［１５］ 提出， 從數(shù)據(jù)源頭以及算法技術(shù)自身兩方面入手， 通過法律規(guī)定的形式規(guī)范行政監(jiān)管機(jī)構(gòu)以及行業(yè)自律建設(shè)。Ｗｕ Ｘ［９］ 指出， 為了規(guī)制自動算法決策帶來的風(fēng)險(xiǎn)， 首先要堅(jiān)持人的主體地位意識， 在此前提下提高算法決策的透明度。Ｎｉｔｚｂｅｒｇ Ｍ 等［１６］強(qiáng)調(diào)， 算法治理要采取多元化的方法， 以確保算法技術(shù)符合社會的需求和價值觀。

１. ２ 社交媒體用戶參與算法風(fēng)險(xiǎn)治理相關(guān)研究

用戶參與是指用戶積極和負(fù)責(zé)任地參與組織發(fā)展的行為， 通過充分挖掘隱性知識和潛在需求， 系統(tǒng)性參與設(shè)計(jì)解決方案， 在創(chuàng)新創(chuàng)意發(fā)展中發(fā)揮了重要作用［１７］ 。用戶和算法絕不是相互獨(dú)立的存在，算法塑造著用戶的信息環(huán)境， 影響用戶感知， 而用戶也會主動調(diào)整、塑造自身所處的信息環(huán)境進(jìn)而影響算法的改變［１８］ 。馬騰飛［１９］ 指出， 算法治理應(yīng)朝著更加開放和創(chuàng)新的方式展開， 增強(qiáng)社會參與性。袁靜等［２０］ 認(rèn)為， 吸引用戶參與隱私風(fēng)險(xiǎn)共治， 有利于推進(jìn)政府開放數(shù)據(jù)的有效利用和價值實(shí)現(xiàn)。王琳琳［２１］ 認(rèn)為， 算法控制模式非中心化與算法控制力集中化傾向的矛盾可以通過公眾參與化解。宋亞輝等［１］ 強(qiáng)調(diào)， 為了確保用戶能夠有效參與算法風(fēng)險(xiǎn)治理， 必須構(gòu)建一個系統(tǒng)性的權(quán)利保障鏈， 確保用戶權(quán)利得到強(qiáng)化保護(hù)和有效救濟(jì)。Ｓｅｌｂｓｔ Ａ Ｄ 等［２２］ 提出， 人工智能算法風(fēng)險(xiǎn)治理需要研究人員、監(jiān)管機(jī)構(gòu)和社會公民各類主體廣泛參與， 以共同尋求多元且參與性強(qiáng)的治理方法。Ｂｉｒｈａｎｅ Ａ 等［２３］ 提出， 將公眾參與用于算法改進(jìn)， 以提高算法的安全性、合法性。

１. ３ 相關(guān)研究述評

現(xiàn)有算法風(fēng)險(xiǎn)治理相關(guān)研究主要圍繞算法風(fēng)險(xiǎn)成因、風(fēng)險(xiǎn)識別以及治理措施展開， 關(guān)注的核心對象集中在政府?？v觀現(xiàn)有相關(guān)研究， 以下３ 個方面尚值得進(jìn)一步探討： 第一， 現(xiàn)有研究多以理論分析為主， 少有揭示前因變量對用戶參與算法風(fēng)險(xiǎn)意愿轉(zhuǎn)化過程的研究， 且基于大樣本統(tǒng)計(jì)的定量研究較為匱乏。第二， 未能從不同認(rèn)知要素的組合框架對用戶參與政府算法風(fēng)險(xiǎn)治理意愿的影響因素進(jìn)行探討。根據(jù)社會認(rèn)知理論， 個體行為是環(huán)境因素與個體認(rèn)知共同作用的結(jié)果［２４］ 。因此， 有必要聚焦用戶認(rèn)知和外部環(huán)境， 如平臺、政策深入探究用戶參與行為的內(nèi)在機(jī)制。第三， 用戶的算法風(fēng)險(xiǎn)感知對其參與治理行為意愿可能存在風(fēng)險(xiǎn)認(rèn)知悖論以及與研究結(jié)論不一致的現(xiàn)象。風(fēng)險(xiǎn)認(rèn)知悖論是指公眾個體高風(fēng)險(xiǎn)認(rèn)知與低預(yù)防性準(zhǔn)備行為的負(fù)相關(guān)關(guān)系［２５］ 。根據(jù)風(fēng)險(xiǎn)應(yīng)對行為理論， 用戶在網(wǎng)絡(luò)中遭遇算法風(fēng)險(xiǎn)時， 會有不同程度的風(fēng)險(xiǎn)感知、評估與應(yīng)對行為［２６］ 。根據(jù)宋艷等［２７］ 構(gòu)建的模型， 風(fēng)險(xiǎn)感知對公眾參與意愿起顯著的負(fù)面影響。而董倩等［２８］ 研究得出， 風(fēng)險(xiǎn)感知對公眾網(wǎng)絡(luò)參與意愿具有正相關(guān)關(guān)系。用戶感知的算法風(fēng)險(xiǎn)究竟是抑制還是促進(jìn)其參與算法風(fēng)險(xiǎn)治理意愿？ 本文將對其進(jìn)行進(jìn)一步考察。

據(jù)此， 本文試圖解釋以下研究問題： 第一， 基于社會認(rèn)知理論， 對社交媒體用戶參與算法風(fēng)險(xiǎn)治理意愿的驅(qū)動因素進(jìn)行探索。第二， 對前置因素與用戶參與算法風(fēng)險(xiǎn)治理意愿之間可能存在的介導(dǎo)機(jī)制做出解釋。具體采用大規(guī)模問卷調(diào)研進(jìn)行實(shí)證研究， 以期吸引更多社交媒體用戶與政府、平臺互動，增進(jìn)政府算法風(fēng)險(xiǎn)治理過程的有效性和透明度， 以及完善我國多元共治的算法治理體系提供理論依據(jù)。

２ 理論基礎(chǔ)與研究假設(shè)

２. １ 理論基礎(chǔ)

目前， 用戶參與治理意愿領(lǐng)域中所用的主要理論包括態(tài)度—情境—行為理論、信任理論、自我決定理論、計(jì)劃行為理論和刺激—機(jī)體—反應(yīng)模型等。其中， 刺激—機(jī)體—反應(yīng)模型在個體受到環(huán)境刺激進(jìn)而影響其行為意愿方面具有較強(qiáng)的解釋力， 被廣泛應(yīng)用于預(yù)測用戶參與意愿方面的研究［２９－３０］ 。該理論模型通過個體主觀感受或情緒的變化分析影響其行為意愿的因素， 為剖析社交媒體用戶參與算法風(fēng)險(xiǎn)治理的行為意愿提供了普適性的指導(dǎo)框架。同時，該模型還需要依據(jù)行為情境融入與環(huán)境刺激相關(guān)的前因變量以及拓展影響用戶內(nèi)部感知的中介變量。社會認(rèn)知理論認(rèn)為， 個體認(rèn)知和環(huán)境因素在其行為意愿決策中發(fā)揮著重要作用［２４］ 。因此， 個體認(rèn)知和環(huán)境因素逐漸成為用戶參與治理行為意愿時的關(guān)鍵因素。將社會認(rèn)知理論中強(qiáng)調(diào)的個體認(rèn)知因素與環(huán)境因素作為刺激—機(jī)體—反應(yīng)模型中的刺激因素，以此開展社交媒體用戶參與算法風(fēng)險(xiǎn)治理行為意愿研究將更具針對性。此外， 感知價值理論強(qiáng)調(diào)個體感知風(fēng)險(xiǎn)和感知收益的內(nèi)部心理特征， 它們都會影響用戶的參與治理意愿。本研究從社交媒體用戶角度， 引入刺激—機(jī)體—反應(yīng)模型作為理論框架， 結(jié)合社會認(rèn)知理論、感知價值理論展開研究， 有助于從用戶的個體認(rèn)知與環(huán)境刺激、內(nèi)部感知形成以及行為意愿的過程視角分析社交媒體用戶參與算法風(fēng)險(xiǎn)治理意愿的影響因素。

２. １. １ Ｓ－Ｏ－Ｒ 理論框架

刺激—機(jī)體—反應(yīng)模型由Ｍｅｈｒａｂｉａｎ Ａ 等［３１］ 提出， 主要用于解釋個體對環(huán)境刺激的認(rèn)知反應(yīng)如何影響其后續(xù)行為。其中， 刺激變量指影響個體行為意愿的外部環(huán)境； 中介變量指個體情感內(nèi)化； 反應(yīng)變量指個體的行為意愿。龔艷萍等［３２］ 基于Ｓ－Ｏ－Ｒ理論， 專注于研究短視頻應(yīng)用的用戶群體， 深入探討了享樂屬性和社交屬性在驅(qū)動用戶參與行為方面的影響及其內(nèi)在作用機(jī)制。潘濤濤等［３３］ 將社會支持作為“刺激” （Ｓ）， 情緒作為個體的“機(jī)體內(nèi)化”（Ｏ）， 探究了在線健康社區(qū)用戶“行為反應(yīng)” （Ｒ）的機(jī)理過程。本文中的行為意愿（Ｒ）指社交媒體用戶參與算法風(fēng)險(xiǎn)治理意愿。用戶參與算法風(fēng)險(xiǎn)治理是指用戶基于自身的算法風(fēng)險(xiǎn)感知， 作為治理主體直接或間接參與到政府算法風(fēng)險(xiǎn)治理決策、管理和監(jiān)督的過程。

２. １. ２ 社會認(rèn)知理論

社會認(rèn)知理論（Ｓｏｃｉａｌ Ｃｏｇｎｉｔｉｖｅ Ｔｈｅｏｒｙ）由Ｂａｎ?ｄｕｒａ Ａ［２４］ 提出， 強(qiáng)調(diào)人的認(rèn)知、環(huán)境和行為三者既相互獨(dú)立又互為因果的動態(tài)互惠關(guān)系。社會認(rèn)知理論常被用來研究用戶參與的影響因素， 如華鈺文等［３４］通過社會認(rèn)知理論， 研究了鄉(xiāng)村用戶參與數(shù)字素養(yǎng)教育意愿的影響因素。吳金紅等［３５］ 借助社會認(rèn)知理論， 對用戶在大數(shù)據(jù)眾包活動中的參與意愿及其影響因素進(jìn)行了深入研究。

本文借鑒參考社會認(rèn)知理論相關(guān)研究文獻(xiàn)的觀點(diǎn)， 從用戶認(rèn)知、環(huán)境因素兩方面構(gòu)建理論模型的前因變量。社會認(rèn)知理論強(qiáng)調(diào)用戶認(rèn)知要素在塑造其行為意愿過程中起到的影響作用。用戶算法素養(yǎng)的提升有助于促進(jìn)其對算法風(fēng)險(xiǎn)的認(rèn)識、增強(qiáng)批判性態(tài)度并促進(jìn)參與算法風(fēng)險(xiǎn)治理［３６］ 。此外， 社會認(rèn)知理論還強(qiáng)調(diào)環(huán)境感知會對個體認(rèn)知內(nèi)容產(chǎn)生影響［３７］ ?；谏鐣J(rèn)知理論， 本文引入政府規(guī)制和平臺算法責(zé)任作為環(huán)境要素。據(jù)此， 本文將社交媒體用戶的算法素養(yǎng)、政府規(guī)制和平臺算法責(zé)任視為外部刺激。其中， 算法素養(yǎng)是用戶算法思維和算法風(fēng)險(xiǎn)防御能力所具備的一種意識、技能與知識綜合素養(yǎng)［３８］ ； 政府規(guī)制是一種兼具激勵性與約束性的政策環(huán)境因素， 政府可以通過行業(yè)發(fā)展指導(dǎo)政策對算法風(fēng)險(xiǎn)進(jìn)行治理； 平臺算法責(zé)任通過算法主體盡職盡責(zé)、算法技術(shù)價值嵌入、算法生態(tài)互動治理與算法問責(zé)監(jiān)管強(qiáng)化等途徑， 將其算法責(zé)任轉(zhuǎn)化為現(xiàn)實(shí)。

２. １. ３ 感知價值理論

感知價值理論由Ｚｅｉｔｈａｍｌ Ｖ Ａ［３９］ 于１９８８ 年提出， 主要用于分析個體對客觀事物的價值判斷及決策行為過程。研究者多采用感知收益和感知風(fēng)險(xiǎn)權(quán)衡視角展開研究， 該視角的核心在于個體如何權(quán)衡感知到的風(fēng)險(xiǎn)與利益， 進(jìn)而影響其行為選擇。感知收益和感知風(fēng)險(xiǎn)是從微觀層面剖析個體價值選擇與決策行為的重要變量。郝森森等［４０］ 認(rèn)為， 用戶基于感知價值會做出是否披露以及以何種方式披露個人信息的決策。胡劍等［４１］ 以開源創(chuàng)新社區(qū)平臺用戶為研究對象， 分析了感知收益和感知風(fēng)險(xiǎn)對其知識共享行為的影響。

本文借鑒相關(guān)研究， 通過感知收益和感知風(fēng)險(xiǎn)來解釋算法風(fēng)險(xiǎn)治理中用戶價值感知和行動選擇。算法感知風(fēng)險(xiǎn)主要是指用戶因算法技術(shù)的應(yīng)用而感知到的不確定性及后果嚴(yán)重性［４２］ 。本文中， 感知風(fēng)險(xiǎn)是指平臺用戶在自身算法素養(yǎng)、政府規(guī)制以及平臺算法責(zé)任的刺激下， 感知到算法引發(fā)的社會風(fēng)險(xiǎn)、國家安全風(fēng)險(xiǎn)和倫理風(fēng)險(xiǎn)等一系列風(fēng)險(xiǎn)。結(jié)合彭麗徽等［４３］ 的研究， 本文將感知收益定義為平臺用戶在自身算法素養(yǎng)、政府規(guī)制以及平臺算法責(zé)任的刺激下， 能夠感知到算法提供的多重實(shí)際利益， 諸如使用時的舒適體驗(yàn)、有效解決實(shí)際問題以及各種愉悅的感官享受。

２. ２ 研究假設(shè)與模型構(gòu)建

２. ２. １ 模型構(gòu)建

本文以Ｓ－Ｏ－Ｒ 理論模型為框架， 以用戶算法素養(yǎng)、政府規(guī)制、平臺算法責(zé)任３ 個維度作為外部刺激因素（Ｓ）， 以感知價值（包括感知收益和感知風(fēng)險(xiǎn)）作為有機(jī)體的情感內(nèi)化（Ｏ）， 以用戶參與算法風(fēng)險(xiǎn)治理意愿作為個體的反應(yīng)因素（Ｒ）。因此， 本文構(gòu)建的研究模型如圖１ 所示。

２. ２. ２ 研究假設(shè)的提出

１） 算法素養(yǎng)與感知價值、參與治理意愿的關(guān)系。算法素養(yǎng)是用戶在與算法交互的過程中， 利用算法以及算法所驅(qū)動的社會技術(shù)系統(tǒng)來滿足個人需求的能力和應(yīng)對算法風(fēng)險(xiǎn)的能力［４４］ 。Ｃｏｔｔｅｒ Ｋ 等［４５］研究提出， 個體的差異會導(dǎo)致人們算法認(rèn)知的不同，繼而重新創(chuàng)造了數(shù)字鴻溝。Ｈａｒｇｉｔｔａｉ Ｅ 等［４６］ 發(fā)現(xiàn)，個體的算法認(rèn)知會激發(fā)不同的算法情感態(tài)度。張紅春等［４７］ 指出， 算法素養(yǎng)較低的公眾對算法黑箱的認(rèn)知和了解存在顯著不足。由于無法理解算法背后的程序、標(biāo)準(zhǔn)與邏輯， 公眾對于人工智能技術(shù)的信任度降低， 從而可能減弱其參與算法治理的意愿。因公眾對于算法知識與經(jīng)驗(yàn)的差異， 算法素養(yǎng)低的普通民眾甚至無法理解何為智能技術(shù)， 這會導(dǎo)致公民參與算法治理行為的弱化、分化［４８］ 。

具備一定算法知識的用戶常常感知到算法帶來的如獲得有用信息、節(jié)約時間等便利［４５］ 。用戶在使用抖音等算法平臺獲得有用的信息提升自我的同時，也希望能脫離現(xiàn)實(shí)獲得放松， 甚至?xí)聪蚶盟惴z索信息的高效性［４９］ 。用戶感知到算法應(yīng)用帶來的顯著收益， 提高了對算法應(yīng)用的滿意度和信任感，可能更愿意參與到算法風(fēng)險(xiǎn)治理中來。然而， 用戶也擔(dān)心面臨算法風(fēng)險(xiǎn)威脅。張惠舒等［４４］ 認(rèn)為， 用戶對內(nèi)容推薦算法邏輯的理解水平受其對算法的感知程度的影響， 理解內(nèi)容推薦算法較深的用戶在使用短視頻平臺時會保持較為批判的態(tài)度。許加彪等［５０］指出， 通過增強(qiáng)用戶算法素養(yǎng)能提高其防范算法風(fēng)險(xiǎn)的能力， 避免用戶淪為技術(shù)的客體和附庸。萬曉榆等［５１］ 發(fā)現(xiàn)， 公眾對安全風(fēng)險(xiǎn)感知的增強(qiáng)， 能夠促進(jìn)其作為第三方力量有效地參與到安全治理中。因此， 提出如下假設(shè)：

Ｈ１ａ： 算法素養(yǎng)正向影響社交媒體用戶參與算法風(fēng)險(xiǎn)治理意愿

Ｈ１ｂ： 算法素養(yǎng)正向影響社交媒體用戶的感知收益

Ｈ１ｃ： 算法素養(yǎng)正向影響社交媒體用戶的感知風(fēng)險(xiǎn)

Ｈ４ａ： 感知收益在算法素養(yǎng)與社交媒體用戶參與算法風(fēng)險(xiǎn)治理意愿之間起中介作用

Ｈ５ａ： 感知風(fēng)險(xiǎn)在算法素養(yǎng)與社交媒體用戶參與算法風(fēng)險(xiǎn)治理意愿之間起中介作用

２） 政府規(guī)制與感知價值、參與治理意愿的關(guān)系。王曉楠等［５２］ 指出， 環(huán)境規(guī)制能夠促進(jìn)公眾環(huán)境治理參與意愿提高， 環(huán)境政策知曉度越高， 公眾參與環(huán)境治理的意愿就越強(qiáng)。荊玲玲等［５３］ 認(rèn)為， 在政府參與和規(guī)制下的政務(wù)短視頻， 提升了公眾參與社會治理的熱情。具體到算法風(fēng)險(xiǎn)治理領(lǐng)域， 本文將政府規(guī)制界定為政府采取約束、激勵等規(guī)制手段緩解算法風(fēng)險(xiǎn)， 以協(xié)調(diào)算法應(yīng)用與用戶利益保障之間的關(guān)系。一方面， 政府通過算法風(fēng)險(xiǎn)宣傳教育、數(shù)字技術(shù)培訓(xùn)等規(guī)制措施， 提升用戶對政府算法善治理念的共識， 從而增強(qiáng)其風(fēng)險(xiǎn)治理參與意愿。楊學(xué)科［５４］ 認(rèn)為， 政府部門可通過算法問責(zé)機(jī)制規(guī)制算法風(fēng)險(xiǎn)， 這一機(jī)制能顯著增強(qiáng)用戶對算法決策的信任和安全感。謝永江等［５５］ 指出， 政府應(yīng)該采取法律規(guī)制手段， 強(qiáng)化算法使用人的義務(wù)與用戶的權(quán)利， 合理界定算法的權(quán)力邊界， 讓用戶感受到在使用算法過程中的收益。另一方面， 政府通過制定算法條例、落實(shí)算法責(zé)任、明晰數(shù)據(jù)確權(quán)等約束手段， 加大監(jiān)管力度， 防止算法黑箱、算法歧視等技術(shù)異化現(xiàn)象的產(chǎn)生而降低用戶對算法風(fēng)險(xiǎn)的感知程度。胡瑾［５６］指出， 在算法推薦新聞領(lǐng)域， 政府倡導(dǎo)并推動的公眾參與式監(jiān)管機(jī)制， 有效降低公眾對算法風(fēng)險(xiǎn)的擔(dān)憂和疑慮。溫鳳鳴等［６］ 以歐美國家經(jīng)驗(yàn)為借鑒， 發(fā)現(xiàn)通過構(gòu)建和完善算法倫理準(zhǔn)則與法律， 可以對社會治理中算法應(yīng)用可能帶來的倫理風(fēng)險(xiǎn)進(jìn)行防范和規(guī)避， 從而降低公眾對于算法風(fēng)險(xiǎn)的感知程度。根據(jù)保護(hù)動機(jī)理論， 用戶基于風(fēng)險(xiǎn)感知可能會更積極主動地參與到算法風(fēng)險(xiǎn)治理中來， 進(jìn)而保護(hù)自身利益?；诖?， 提出如下假設(shè)：

Ｈ２ａ： 政府規(guī)制正向影響社交媒體用戶參與算法風(fēng)險(xiǎn)治理意愿

Ｈ２ｂ： 政府規(guī)制正向影響社交媒體用戶感知收益

Ｈ２ｃ： 政府規(guī)制負(fù)向影響社交媒體用戶感知風(fēng)險(xiǎn)

Ｈ４ｂ： 感知收益在政府規(guī)制與社交媒體用戶參與算法風(fēng)險(xiǎn)治理意愿之間起中介作用

Ｈ５ｂ： 感知風(fēng)險(xiǎn)在政府規(guī)制與社交媒體用戶參與算法風(fēng)險(xiǎn)治理意愿之間起中介作用

３） 平臺算法責(zé)任與感知價值、參與治理意愿的關(guān)系。結(jié)合肖紅軍［５７］ 、匡文波等［５８］ 的研究， 本文將平臺算法責(zé)任定義為平臺在使用算法技術(shù)時，對算法的設(shè)計(jì)、開發(fā)、部署和應(yīng)用過程中所承擔(dān)的社會責(zé)任和倫理義務(wù)， 包括確保算法的公正性、透明性、安全性、合規(guī)性， 并考慮到算法對用戶、社會和環(huán)境可能產(chǎn)生的積極和消極影響?？茖W(xué)合理的平臺算法責(zé)任機(jī)制可以有效協(xié)調(diào)用戶與平臺的利益關(guān)系， 促進(jìn)用戶積極地進(jìn)行平臺使用、信息共享等行為。肖紅軍等［５９］ 研究發(fā)現(xiàn)， 平臺的社會責(zé)任感知對用戶參與平臺治理具有顯著的促進(jìn)效應(yīng)。在算法責(zé)任方面， 平臺通過定期發(fā)布詳盡的算法合規(guī)審計(jì)報(bào)告， 有效引導(dǎo)公眾對算法價值的深入認(rèn)知， 同時深化了用戶對算法潛在風(fēng)險(xiǎn)的全面理解［６０］ 。因此，平臺算法責(zé)任的履行會在一定程度上影響用戶對算法風(fēng)險(xiǎn)和算法價值的感知， 進(jìn)而影響用戶參與算法風(fēng)險(xiǎn)治理行為。

一方面， 平臺基于算法向用戶推送全面均衡的內(nèi)容結(jié)構(gòu)， 保護(hù)用戶隱私信息， 構(gòu)建完善的隱私泄露維權(quán)通道， 引導(dǎo)用戶群體形成信任、互惠的平臺氛圍。用戶在使用算法平臺過程中， 感知到平臺算法符合社會道德倫理、規(guī)范和價值， 從而增強(qiáng)用戶的感知收益。王仙雅等［６１］ 指出， 算法平臺的社會責(zé)任治理對用戶使用算法平臺過程中的滿意度和認(rèn)同感具有顯著正向影響， 用戶獲得感知收益， 進(jìn)而可以促進(jìn)其社會責(zé)任參與意愿。Ｗｙｎｎ Ｍ 等［６２］ 強(qiáng)調(diào)，平臺積極履行數(shù)字責(zé)任， 加強(qiáng)用戶的隱私和數(shù)據(jù)保護(hù)， 提升用戶安全感， 增強(qiáng)用戶對算法正面效益的感知， 能夠有效促進(jìn)用戶在數(shù)字環(huán)境中積極參與和互動。

另一方面， 平臺通過提高算法透明度、公開度和可解釋性履行算法責(zé)任， 確保所有用戶都能清晰理解算法的運(yùn)作原理。通過消除任何潛在的隱藏議程和條件， 滿足用戶對算法運(yùn)作機(jī)制的全面知情需求， 使用戶能夠直觀感知并準(zhǔn)確評估算法可能帶來的風(fēng)險(xiǎn)［６３］ 。許可等［６０］ 指出， 平臺的算法責(zé)任實(shí)踐會促使用戶對算法風(fēng)險(xiǎn)高度關(guān)注， 使其在算法推薦便利與算法風(fēng)險(xiǎn)間做出取舍。隨著平臺不斷履行其算法責(zé)任， 用戶對算法風(fēng)險(xiǎn)的認(rèn)知不斷提高， 其參與算法治理的意愿隨之增強(qiáng)。因此， 提出如下假設(shè)：

Ｈ３ａ： 平臺算法責(zé)任正向影響社交媒體用戶參與算法風(fēng)險(xiǎn)治理意愿

Ｈ３ｂ： 平臺算法責(zé)任正向影響社交媒體用戶感知收益

Ｈ３ｃ： 平臺算法責(zé)任正向影響社交媒體用戶感知風(fēng)險(xiǎn)

Ｈ４ｃ： 感知收益在平臺算法責(zé)任與社交媒體用戶參與算法風(fēng)險(xiǎn)治理意愿之間起中介作用

Ｈ５ｃ： 感知風(fēng)險(xiǎn)在平臺算法責(zé)任與社交媒體用戶參與算法風(fēng)險(xiǎn)治理意愿之間起中介作用

４） 感知價值與參與治理意愿的關(guān)系。隨著風(fēng)險(xiǎn)感知程度的不斷增加， 用戶參與算法風(fēng)險(xiǎn)治理的意愿就會增強(qiáng)。梁昕等［６４］ 通過研究提出， 公眾對人工智能的風(fēng)險(xiǎn)感知可能影響到技術(shù)接納和公眾參與。陳強(qiáng)強(qiáng)等［６５］ 認(rèn)為， 算法天生帶有偏見且缺乏對自己偏見的反思與糾偏， 公眾能感知到這種算法歧視風(fēng)險(xiǎn)， 并認(rèn)為對算法歧視的治理勢在必行。ＫａｐｐｅｌｅｒＫ 等［６６］ 指出， 互聯(lián)網(wǎng)用戶感知到被監(jiān)視和信息扭曲風(fēng)險(xiǎn)后， 會積極采取自助策略參與治理， 以應(yīng)對這些風(fēng)險(xiǎn)。

已有研究表明， 用戶的感知收益對其參與風(fēng)險(xiǎn)治理意愿有正向顯著影響［６７］ 。用戶感知算法帶來的個性化信息服務(wù)收益能促進(jìn)其更積極、廣泛地參與到算法治理中來［６８］ 。Ｌｅｅ Ｍ Ｋ 等［６９］ 通過構(gòu)建集體參與式算法治理框架， 發(fā)現(xiàn)用戶可能因?yàn)楦兄剿惴◣淼谋憷院托剩?認(rèn)為參與算法治理能夠產(chǎn)生積極影響。因此， 本文做出如下假設(shè)：

Ｈ４： 感知收益正向影響社交媒體用戶參與算法風(fēng)險(xiǎn)治理意愿

Ｈ５： 感知風(fēng)險(xiǎn)正向影響社交媒體用戶參與算法風(fēng)險(xiǎn)治理意愿

３ 數(shù)據(jù)收集

３. １ 問卷設(shè)計(jì)與量表選擇

問卷調(diào)查中所有測量題項(xiàng)均改編自成熟量表，并結(jié)合研究的實(shí)際情境進(jìn)行適當(dāng)改編， 從而保證了內(nèi)容效度。調(diào)研問卷包括３ 個部分： 第一部分是調(diào)研背景說明， 對算法風(fēng)險(xiǎn)參與治理的調(diào)研背景進(jìn)行介紹說明。第二部分是人口統(tǒng)計(jì)變量調(diào)研， 收集內(nèi)容包括性別、年齡段、教育背景、職業(yè)、月收入水平、使用算法平臺的時間以及每日使用算法平臺的時長。通過了解調(diào)研對象的基本統(tǒng)計(jì)信息來最大限度避免偏差。第三部分是主體內(nèi)容， 包括算法素養(yǎng)、政府規(guī)制、平臺算法責(zé)任、感知收益、感知風(fēng)險(xiǎn)和參與算法風(fēng)險(xiǎn)治理意愿共６ 個維度， 采用李克特７級量表， 具體量表題項(xiàng)及來源如表１ 所示。遵循“主成分分析” “最大方差” 等原則對預(yù)調(diào)研數(shù)據(jù)進(jìn)行探索性因子分析， 剔除系數(shù)值小于０. ７ 及共線性較高的題目， 保證６ 個公因子的提取。調(diào)整部分題項(xiàng)表達(dá)， 以確保問卷內(nèi)容邏輯通順， 表達(dá)清晰，最終形成本研究的正式問卷。

３. ２ 問卷數(shù)據(jù)收集

本次調(diào)研由課題組與“風(fēng)鈴系統(tǒng)” 合作開展，調(diào)研采取配額抽樣， 按照城市／ 年齡兩項(xiàng)要求回收樣本。調(diào)研覆蓋了國內(nèi)４ 個超一線城市（北京、上海、廣州和深圳）以及鄭州、西安、寧波等１１ 個城市。由于１８ 歲以下群體不具備充分的問卷填寫能力， 調(diào)研對該年齡段的人群進(jìn)行了壓縮。本次調(diào)研累計(jì)回收樣本３ ０５６份， 剔除問卷答案前后邏輯不符、選項(xiàng)完全相同、答題時間過短等無效樣本后，最終得到有效問卷２ ３１３份， 有效回收率為７５. ７％，滿足結(jié)構(gòu)方程模型樣本數(shù)量要求。樣本描述性統(tǒng)計(jì)分析結(jié)構(gòu)如表２ 所示， 其中男女比例均衡， 分別為３４. ９％和６５. １％， 大多數(shù)受訪者年齡在３０ ～ ３９ 歲之間， 占比６０. １％， 且受訪者主要是以企業(yè)和政府事業(yè)單位人員為主， 其次是個體人員和學(xué)生， 分別占比７０. ７％、８. ９％、８. ５％和５. ４％。６４. ９％的受訪者每日使用算法平臺的時長在１～３ 小時； 使用算法平臺在６～１０ 年的人群占比最多， 為４５. ２％。

３. ３ 共同方法偏誤檢驗(yàn)

由于自變量和因變量來自單一數(shù)據(jù)源， 本文采用“Ｈａｒｍａｎ 單因子檢驗(yàn)法” “因子模型比較法” 進(jìn)行共同方法偏誤檢驗(yàn)。首先， Ｈａｒｍａｎ 單因子檢驗(yàn)結(jié)果顯示６ 個因子的特征根值均大于１， 且未旋轉(zhuǎn)前得到了首個因子的解釋方差為３１. ７７８％， 小于臨界值４０. ０％， 符合測量標(biāo)準(zhǔn)［８１］ 。其次， 比較了單因子模型和六因子模型（算法素養(yǎng)、政府規(guī)制、平臺算法責(zé)任、感知收益、感知風(fēng)險(xiǎn)和參與治理意愿），結(jié)果表明， 六因子模型顯著優(yōu)于單因子模型（Δχ２ ／Δｄｆ ＝ ５７１. ２７１， ｐ ＜ ０. ００１， ΔＣＦＩ ＝ ０. ３１４， ΔＴＬＩ ＝０. ３４０， ΔＲＭＳＥＡ＝－０. ０８９）， 再次表明測量中不存在明顯的共同方法偏誤。

４ 數(shù)據(jù)分析

４. １ 信效度檢驗(yàn)

對２ ３１３個樣本進(jìn)行信度和效度檢驗(yàn)。使用組合信度（ＣＲ）和Ｃｒｏｎｂａｃｈα 系數(shù)檢驗(yàn)測量結(jié)果的一致性或穩(wěn)定性， 即信度檢驗(yàn)。本研究采用ＳＰＳＳ２６. ０軟件計(jì)算出２ ３１３個樣本中各變量的Ｃｒｏｎｂａｃｈα 和ＣＲ 值均大于０. ８， 表明問卷具有較高信度。

通過內(nèi)容效度和區(qū)分效度進(jìn)行效度檢驗(yàn)。首先，在內(nèi)容效度方面， 本研究量表的測量題項(xiàng)主要參考現(xiàn)有的研究文獻(xiàn)， 并根據(jù)研究主題進(jìn)行適當(dāng)改編，通過預(yù)調(diào)研進(jìn)一步校正了題項(xiàng)內(nèi)容， 因此具有較好的內(nèi)容效度。其次， 采用平均方差抽取量ＡＶＥ（Ａｖ?ｅｒａｇｅ Ｖａｒｉａｎｃｅ Ｅｘｔｒａｃｔｅｄ）法進(jìn)行區(qū)分效度檢驗(yàn)， 利用ＡＭＯＳ２４. ０ 進(jìn)行驗(yàn)證性因子分析。由表３ 與表４可知， 量表中每個測量題項(xiàng)的標(biāo)準(zhǔn)因子載荷均大于０. ６， 所有潛變量的ＡＶＥ（平均方差抽取量）均大于０. ５， 組合效度ＣＲ 值均大于０. ８， 各變量的ＡＶＥ 平方根（對角線值）均大于變量間相關(guān)系數(shù)， 表明潛變量的區(qū)分效度較好。此外， 本文進(jìn)行了多重共線性檢測， 所有測量項(xiàng)的方差膨脹因子（ＶＩＦ 值）都在３ 以下， 小于標(biāo)準(zhǔn)參考值１０， 說明不存在多重共線性［８２］ 。

４. ２ 假設(shè)檢驗(yàn)

本文構(gòu)建兩個結(jié)構(gòu)方程模型， 并運(yùn)用ＡＭＯＳ２４. ０軟件對樣本進(jìn)行了５ ０００次Ｂｏｏｔｓｔｒａｐ 抽樣方法假設(shè)檢驗(yàn)。首先構(gòu)建總效應(yīng)模型（模型１）檢驗(yàn)算法素養(yǎng)、政府規(guī)制和平臺算法責(zé)任對參與算法風(fēng)險(xiǎn)治理意愿的直接影響， 如圖２ 所示； 其次， 加入感知收益和感知風(fēng)險(xiǎn)兩個中介變量構(gòu)建模型２， 檢驗(yàn)雙重中介效應(yīng)， 如圖３ 所示。加入中介變量前后的兩個結(jié)構(gòu)方程回歸模型的擬合優(yōu)度指標(biāo)， 如表５ 所示。吳明隆［８３］ 指出， 卡方自由度比值易受到樣本數(shù)量的多寡而波動， 應(yīng)綜合考慮其他判別指標(biāo)。本文樣本量屬于大樣本數(shù)量， 可能存在卡方膨脹結(jié)果， 除卡方自由度比未達(dá)到小于５ 的標(biāo)準(zhǔn)以外， 總效應(yīng)和中介效應(yīng)模型的各項(xiàng)指標(biāo)均在可接受范圍內(nèi)， 具有較好的擬合度。

４. ２. １ 總效應(yīng)檢驗(yàn)

總效應(yīng)檢驗(yàn)是中介作用檢驗(yàn)的基礎(chǔ)和前提， 檢驗(yàn)不納入中介變量時， 自變量對因變量的直接影響作用。如表６ 和圖２ 所示， 模型１ 檢驗(yàn)結(jié)果表明，在控制性別（男性＝１， 女性＝２）、年齡、教育背景、月收入水平的情況下， 人口統(tǒng)計(jì)變量中教育背景與月收入水平對參與算法風(fēng)險(xiǎn)治理意愿產(chǎn)生正向影響，即社交媒體用戶學(xué)歷越高， 月收入水平越高， 其參與治理意愿越強(qiáng)烈。算法素養(yǎng)（β ＝０. １８０， ｐ＜０. ００１）、政府規(guī)制（β ＝０. ２６４， ｐ＜０. ００１）和平臺算法責(zé)任（β ＝０. ２２２， ｐ＜０. ００１）正向影響用戶參與算法風(fēng)險(xiǎn)治理意愿， 假設(shè)Ｈ１ａ、Ｈ２ａ、Ｈ３ａ 得到驗(yàn)證。用戶參與算法風(fēng)險(xiǎn)治理意愿的Ｒ２ ＝０. ３５０（＞０. ２００）， 表明模型的解釋力較強(qiáng)［８２］ 。

４. ２. ２ 中介效應(yīng)檢驗(yàn)

在進(jìn)行中介效應(yīng)檢驗(yàn)之前， 首先采用Ｂｏｏｔｓｔｒａｐ抽樣方法進(jìn)行路徑系數(shù)檢驗(yàn)。如表７ 和圖３ 所示，從圖３ 中可以看出： ①算法素養(yǎng)與感知收益、感知風(fēng)險(xiǎn)均顯著正相關(guān)（β ＝０. １４３， ｐ＜０. ００１； β＝０. １９６，ｐ＜０. ００１）， 政府規(guī)制與感知收益顯著正相關(guān)（β ＝０. ４５０， ｐ＜０. ００１）， 政府規(guī)制與感知風(fēng)險(xiǎn)顯著負(fù)相關(guān)（β ＝－０. ２２３， ｐ＜０. ００１）， 平臺算法責(zé)任與感知收益、感知風(fēng)險(xiǎn)均顯著正相關(guān)（β ＝ ０. １７９， ｐ＜０. ００１；β ＝０. １７７， ｐ＜０. ００１）， 假設(shè)Ｈ１ｂ、Ｈ１ｃ、Ｈ２ｂ、Ｈ２ｃ、Ｈ３ｂ、Ｈ３ｃ 均得證。②從模型內(nèi)縱向比較結(jié)果來看，政府規(guī)制對感知收益、感知風(fēng)險(xiǎn)的影響明顯大于算法素養(yǎng)和平臺算法責(zé)任（０.４５０＞０.１７９＞０.１４３， －０.２２３ ＞０. １９６＞０. １７７）， 換言之， 從絕對值來看， 政府規(guī)制處于基礎(chǔ)和主導(dǎo)地位。③中介變量感知收益（β ＝０. ５２３， ｐ＜０. ００１）和感知風(fēng)險(xiǎn)（β ＝０. １２１， ｐ＜０. ００１）分別正向顯著影響用戶參與治理意愿， Ｈ４、Ｈ５ 得證， 加入感知收益和感知風(fēng)險(xiǎn)后， 作為刺激來源的算法素養(yǎng)（β ＝０. ０７９， ｐ＜０. ０１）、平臺算法責(zé)任（β ＝０. １０４， ｐ＜０. ０１）與用戶參與治理意愿間的直接關(guān)系依舊顯著， 政府規(guī)制（β ＝ ０. ０５９， ｐ＞０. ０５）與用戶參與治理意愿的直接關(guān)系不再顯著。

為進(jìn)一步檢驗(yàn)感知收益和感知風(fēng)險(xiǎn)的中介作用， 采用Ｂｏｏｔｓｔｒａｐ 中介效應(yīng)檢驗(yàn)法進(jìn)行檢驗(yàn)。將Ｂｏｏｔｓｔｒａｐ 樣本數(shù)設(shè)為５ ０００， 采用極大似然法進(jìn)行取樣， 置信區(qū)間選擇為９５％， 通過Ｂｉａｓ－Ｃｏｒｒｅｃｔｅｄ進(jìn)行置信區(qū)間估計(jì)。中介效應(yīng)檢驗(yàn)可通過觀察有偏校正置信區(qū)間， 如果區(qū)間不包括０， 則效應(yīng)顯著。中介檢驗(yàn)得出通過Ｂｉａｓ－Ｃｏｒｒｅｃｔｅｄ 法在９５％的置信區(qū)間下的水平值如表８ 所示。根據(jù)Ｚｈａｏ Ｘ Ｓ 等［８４］的研究， 間接效應(yīng)顯著的前提下， 直接效應(yīng)顯著則為部分中介， 直接效應(yīng)不顯著則為完全中介， 因此得出以下結(jié)論：

１） 感知收益中介算法素養(yǎng)、政府規(guī)制以及平臺算法責(zé)任與社交媒體用戶參與算法風(fēng)險(xiǎn)治理意愿間的正向關(guān)系； 感知收益對算法素養(yǎng)（β ＝ ０. ０７５，ＳＥ＝０. ０２１， ９５％ＣＩ［０. ０３６，０. １１９］）、政府規(guī)制（β ＝０. ２３５， ＳＥ＝０. ０３３， ９５％ＣＩ［０. １７３，０. ３００］）、平臺算法責(zé)任（β ＝ ０. ０９３， ＳＥ ＝ ０. ０２６， ９５％ＣＩ［０. ０４０，０. １４６］）與用戶參與算法風(fēng)險(xiǎn)治理意愿的間接效應(yīng)均顯著， 其中算法素養(yǎng)、平臺算法責(zé)任與用戶參與算法風(fēng)險(xiǎn)治理意愿的直接效應(yīng)顯著， 存在部分中介效應(yīng)； 政府規(guī)制的直接效應(yīng)不顯著， 存在完全中介效應(yīng)。因此， Ｈ４ａ、Ｈ４ｂ、Ｈ４ｃ 均成立。

２） 感知風(fēng)險(xiǎn)中介算法素養(yǎng)、政府規(guī)制、平臺算法責(zé)任與社交媒體用戶參與算法風(fēng)險(xiǎn)治理意愿間的關(guān)系； 感知風(fēng)險(xiǎn)對算法素養(yǎng)（β ＝０. ０２４， ＳＥ＝０. ００６，９５％ＣＩ［０. ０１３，０. ０３６］）、政府規(guī)制（β ＝－０. ０２７， ＳＥ＝０. ００７， ９５％ＣＩ［－０. ０４３，－０. ０１５］）、平臺算法責(zé)任（β ＝０. ０２１， ＳＥ＝０. ００６， ９５％ＣＩ［０. ０１１，０. ０３６］）與用戶參與算法風(fēng)險(xiǎn)治理意愿的間接效應(yīng)均顯著， 其中算法素養(yǎng)、平臺算法責(zé)任與用戶參與算法風(fēng)險(xiǎn)治理意愿的直接效應(yīng)顯著， 存在部分中介效應(yīng)； 政府規(guī)制的直接效應(yīng)不顯著， 存在完全中介效應(yīng)， Ｈ５ａ、Ｈ５ｂ、Ｈ５ｃ 均成立。

５ 結(jié)論與討論

５. １ 研究結(jié)論

本文綜合Ｓ－Ｏ－Ｒ 理論框架、社會認(rèn)知理論和感知價值理論建立了研究框架， 采用大規(guī)模問卷調(diào)研的方式對提出的假設(shè)進(jìn)行了驗(yàn)證， 證實(shí)了算法素養(yǎng)、政府規(guī)制和平臺算法責(zé)任是影響社交媒體用戶參與算法風(fēng)險(xiǎn)治理意愿的重要因素。

１） 總效應(yīng)模型（圖２）中， 算法素養(yǎng)、政府規(guī)制和平臺算法責(zé)任能夠提升用戶參與算法風(fēng)險(xiǎn)治理意愿。其中， 政府規(guī)制是影響最大的刺激因素（β ＝０. ２６４＞０. ２２２＞０. １８０）。加入感知收益和感知風(fēng)險(xiǎn)后， 社交媒體用戶參與算法風(fēng)險(xiǎn)治理意愿的Ｒ２ 值從總效應(yīng)模型的０. ３５０ 增加到雙重中介模型的０. ５００，驗(yàn)證了用戶對算法的綜合價值評價對其參與算法風(fēng)險(xiǎn)治理意愿的作用。同時， 在中介效應(yīng)模型（圖３）中， 政府規(guī)制對用戶參與算法風(fēng)險(xiǎn)治理意愿的影響不再顯著（β ＝０. ０５９， ｐ＝０. １４４＞０. ０５０）， 這是因?yàn)樽鳛榇碳ぴ吹乃惴ㄋ仞B(yǎng)、政府規(guī)制和平臺算法責(zé)任一方面通過感知收益提升用戶對參與算法風(fēng)險(xiǎn)治理的認(rèn)同， 另一方面通過感知風(fēng)險(xiǎn)促使用戶為減輕風(fēng)險(xiǎn)而積極參與算法風(fēng)險(xiǎn)治理， 即存在著兩條中介路徑共同影響算法素養(yǎng)、政府規(guī)制和平臺算法責(zé)任與用戶參與算法風(fēng)險(xiǎn)治理意愿間的正向關(guān)系。因此，激發(fā)用戶算法收益感知并減輕其算法風(fēng)險(xiǎn)感知， 能夠有效促進(jìn)其算法風(fēng)險(xiǎn)治理參與意愿。

２） 算法素養(yǎng)（β ＝０. １４３， ｐ＜０. ００１）、政府規(guī)制（β ＝０. ４５０， ｐ＜０. ００１）和平臺算法責(zé)任（β ＝ ０. １７９，ｐ＜０. ００１）均顯著正向影響感知收益， 除政府規(guī)制（β ＝－０. ２２３， ｐ＜０. ００１）負(fù)向影響感知風(fēng)險(xiǎn)外， 算法素養(yǎng)（β ＝０. １９６， ｐ＜０. ００１）和平臺算法責(zé)任（β ＝０. １７７， ｐ＜０. ００１）顯著正向影響感知風(fēng)險(xiǎn)。總體上，政府規(guī)制對感知收益和感知風(fēng)險(xiǎn)的影響作用最大（βＧＲ ＝０. ４５０＋ －０. ２２３ ＞βＡＬ ＝ ０. １４３＋０. １９６＞βＰＡＲ ＝０. １７９＋０. １７７）， 可能的解釋是相較于算法素養(yǎng)和平臺算法責(zé)任， 政府規(guī)制的權(quán)威性和強(qiáng)制性增強(qiáng)了公眾對政策執(zhí)行和算法公正性的信任度， 進(jìn)而對感知收益和感知風(fēng)險(xiǎn)產(chǎn)生更顯著影響。政府規(guī)制的權(quán)威性使得政府的決策具有較高的公信力， 進(jìn)而對感知收益產(chǎn)生積極促進(jìn)作用； 而強(qiáng)制性保障了規(guī)制的嚴(yán)格執(zhí)行， 有效遏制了違規(guī)行為的發(fā)生， 進(jìn)一步縮減了用戶的潛在風(fēng)險(xiǎn)感知。此外， ３ 種前因變量對感知收益的影響作用最大（βＰＢ ＝０. １４３＋０. ４５０＋０. １７９＞βＰＲ ＝０. １９６＋ －０. ２２３ ＋０. １７７）， 說明個體、政府與平臺都充分發(fā)揮了各自職能， 對提升用戶對算法平臺的信任和滿意度具有重要作用， 共同促進(jìn)了用戶的正面感知收益［８５］ 。

３） 感知收益和感知風(fēng)險(xiǎn)顯著正向影響用戶參與算法風(fēng)險(xiǎn)治理意愿。從量化檢驗(yàn)結(jié)果看， 感知收益的中介作用（β ＝０. ５２３）比感知風(fēng)險(xiǎn)（β ＝０. １２１）更加顯著。反映了用戶在選擇參與算法風(fēng)險(xiǎn)治理時，更易受感知收益吸引而非單純?yōu)轱L(fēng)險(xiǎn)所驅(qū)動。這種結(jié)果說明， 增加用戶對算法的正面感知（如提升算法的透明度和可解釋性、為用戶提供個性化服務(wù)、強(qiáng)化政府規(guī)制和平臺責(zé)任等）將更有效地激發(fā)其參與意愿。因此， 在算法風(fēng)險(xiǎn)多元治理中， 應(yīng)該更加注重發(fā)揮感知收益的中介作用和傳遞機(jī)制。圖３ 中，除了政府規(guī)制， 算法素養(yǎng)和平臺算法責(zé)任對用戶參與算法風(fēng)險(xiǎn)治理意愿的直接影響顯著。該結(jié)論表明，本研究構(gòu)建的研究模型具有合理性， 用戶的感知價值在算法素養(yǎng)、政府規(guī)制和平臺算法責(zé)任與用戶參與算法風(fēng)險(xiǎn)治理意愿之間可能發(fā)揮一定效果的中介作用， 說明社交媒體用戶主體是基于對算法平臺環(huán)境使用過程中所獲得收益和風(fēng)險(xiǎn)感知， 進(jìn)而對參與算法風(fēng)險(xiǎn)治理進(jìn)行總體評估。

４） 中介效應(yīng)模型（圖３）中， 感知收益和感知風(fēng)險(xiǎn)在算法素養(yǎng)、政府規(guī)制、平臺算法責(zé)任與用戶參與算法風(fēng)險(xiǎn)治理意愿之間發(fā)揮雙重中介作用。感知收益和感知風(fēng)險(xiǎn)在算法素養(yǎng)和平臺算法責(zé)任與用戶參與算法風(fēng)險(xiǎn)治理意愿之間起到部分中介作用，在政府規(guī)制與用戶參與算法風(fēng)險(xiǎn)治理意愿之間的關(guān)系起到完全中介作用。具體來看， 感知收益在政府規(guī)制與用戶參與算法風(fēng)險(xiǎn)治理意愿之間的中介效果較為突出， 均明顯大于其他中介效果（β ＝ ０. ２３５＞０. ０９３＞０. ０７５）。在算法素養(yǎng)、政府規(guī)制、平臺算法責(zé)任與用戶參與算法風(fēng)險(xiǎn)治理意愿的中介關(guān)系中，感知收益與感知風(fēng)險(xiǎn)的共同中介能力（效應(yīng)值絕對值之和） 分別為０. ０９９、０. ２６２、０. １１４， 其中政府規(guī)制（β ＝０. ２６２）通過感知收益與感知風(fēng)險(xiǎn)的共同中介作用影響用戶參與算法風(fēng)險(xiǎn)治理意愿的效果最為明顯， 這也與結(jié)論（１） 中“政府規(guī)制是最大的刺激源” 相呼應(yīng)。感知收益與感知風(fēng)險(xiǎn)在政府規(guī)制與用戶參與算法風(fēng)險(xiǎn)治理意愿之間起到完全中介作用， 說明政府規(guī)制并不能直接提升用戶參與算法風(fēng)險(xiǎn)治理意愿， 必須通過感知收益與感知風(fēng)險(xiǎn)的共同中介作用實(shí)現(xiàn)。這一結(jié)論有效解釋了“政府規(guī)制失靈” 的現(xiàn)象， 即用戶囿于經(jīng)濟(jì)人理性的利己動機(jī)， 為追求個人利益最大化而導(dǎo)致偏離最大化公共利益目標(biāo)。只有通過政策規(guī)制有效地降低用戶的感知算法風(fēng)險(xiǎn)， 提升感知收益， 確保政策措施與用戶需求相契合， 實(shí)現(xiàn)政策與民意的和諧統(tǒng)一， 才能有效提升用戶參與算法風(fēng)險(xiǎn)治理意愿。

５. ２ 理論貢獻(xiàn)

本研究從社會認(rèn)知理論視角重構(gòu)了社交媒體用戶參與算法風(fēng)險(xiǎn)治理影響機(jī)制。算法風(fēng)險(xiǎn)治理用戶參與的研究視角大多集中于用戶［８６］ 或平臺［８７］ 。本文從社會認(rèn)知理論出發(fā)， 綜合考慮用戶—政府—平臺三維度前因變量， 從用戶、政府與平臺角度完善了社交媒體用戶參與算法風(fēng)險(xiǎn)治理意愿內(nèi)在機(jī)制，深化了用戶參與治理的前置因素研究。

本研究拓展了感知價值理論應(yīng)用情境， 將起源于營銷學(xué)領(lǐng)域的感知價值理論拓展至算法風(fēng)險(xiǎn)治理情境。一方面， 驗(yàn)證了感知收益和感知風(fēng)險(xiǎn)對用戶、政府與平臺前置因素與用戶參與算法風(fēng)險(xiǎn)治理意愿關(guān)系的介導(dǎo)作用； 另一方面， 通過橫向比較發(fā)現(xiàn)，感知收益中介路徑的效應(yīng)量大于感知風(fēng)險(xiǎn)中介路徑的效應(yīng)量， 為后續(xù)比較不同路徑下用戶參與算法風(fēng)險(xiǎn)治理意愿影響機(jī)制及其作用效果奠定了基礎(chǔ)。

５. ３ 研究啟示

通過實(shí)證研究， 本文得到以下研究啟示：

第一， 加強(qiáng)政府規(guī)制引導(dǎo)， 為用戶賦權(quán)。盡管政府規(guī)制對用戶參與算法風(fēng)險(xiǎn)治理意愿的直接效應(yīng)不顯著， 但會通過感知收益與感知風(fēng)險(xiǎn)的介導(dǎo)作用間接影響用戶參與風(fēng)險(xiǎn)治理意愿。因此， 在算法風(fēng)險(xiǎn)治理實(shí)踐中， 政府規(guī)制應(yīng)以提升用戶感知算法價值、降低算法潛在風(fēng)險(xiǎn)為導(dǎo)向， 整合構(gòu)建權(quán)威性規(guī)制引導(dǎo)機(jī)制和強(qiáng)制性規(guī)制監(jiān)管機(jī)制的耦合體系。一方面， 加強(qiáng)政府的引導(dǎo)規(guī)制， 重視“算法黑箱” “算法歧視” 等技術(shù)異化現(xiàn)象對社交媒體用戶的“無感傷害”， 促進(jìn)算法公開透明， 明確算法責(zé)任主體， 加大為用戶賦權(quán)的力度， 避免用戶成為“沉默的大多數(shù)”。具體可通過加強(qiáng)政民對話機(jī)制， 設(shè)置用戶參與評估和算法決策透明反饋機(jī)制， 充分發(fā)揮我國算法治理的引導(dǎo)性政策規(guī)制優(yōu)勢， 以政策規(guī)制紛繁復(fù)雜的算法實(shí)現(xiàn)多方參與的算法善治。另一方面， 針對算法潛在風(fēng)險(xiǎn)提供強(qiáng)制性規(guī)制， 應(yīng)完善算法治理問責(zé)機(jī)制， 將用戶輿論反饋與解決方案納入算法治理績效考核體系中并設(shè)立合理的懲罰閾值。通過優(yōu)化平臺算法監(jiān)督機(jī)制等相關(guān)政策體系， 制約平臺算法權(quán)力的擴(kuò)張， 提高用戶算法主張， 形成政府與平臺、用戶的良性互動。

第二， 提高用戶算法素養(yǎng)， 為用戶賦能。研究結(jié)果顯示， 算法素養(yǎng)對用戶感知收益和感知風(fēng)險(xiǎn)均有顯著影響， 用戶所具備的算法素養(yǎng)將會影響其參與算法風(fēng)險(xiǎn)治理的意愿。因此， 采取更為有效的措施提升用戶的算法素養(yǎng)， 對我國算法風(fēng)險(xiǎn)多元協(xié)同治理的實(shí)現(xiàn)具有重要意義。目前， 秉持的以平臺義務(wù)為主、個體賦權(quán)為輔的治理路徑， 對用戶的算法素養(yǎng)提出了更高要求［３６］ 。實(shí)現(xiàn)普通用戶對算法的社會性監(jiān)督， 需從教育與制度層面加強(qiáng)用戶算法素養(yǎng)的培訓(xùn)， 通過學(xué)校教育、社會培訓(xùn)以及在線學(xué)習(xí)等多種方式普及相關(guān)算法知識， 增強(qiáng)用戶對算法的理解和掌控能力。政府、平臺應(yīng)加強(qiáng)用戶的算法素養(yǎng)教育， 家庭內(nèi)部應(yīng)通過代際反哺盡量縮小算法鴻溝。此外， 應(yīng)通過官方媒體或網(wǎng)絡(luò)途徑對諸如推薦算法帶來的隱私安全風(fēng)險(xiǎn)等事件進(jìn)行宣傳， 加強(qiáng)對低收入、低學(xué)歷群體算法意識的宣傳， 重視算法素養(yǎng)提升的必要性， 從而增強(qiáng)用戶與算法平臺互動的能力以及對平臺算法進(jìn)行監(jiān)督的社會責(zé)任感。

第三， 監(jiān)督平臺算法責(zé)任落實(shí)， 為平臺賦責(zé)。研究表明， 平臺算法責(zé)任對用戶參與算法風(fēng)險(xiǎn)治理意愿的直接效應(yīng)最大， 且對感知收益與感知風(fēng)險(xiǎn)具有直接正向影響作用。研究結(jié)果解釋了平臺能夠通過深化履行算法責(zé)任的程度來提升用戶主動參與算法風(fēng)險(xiǎn)治理的意愿。一方面， 平臺應(yīng)突出自身的社會屬性， 強(qiáng)化算法責(zé)任， 提升用戶的算法風(fēng)險(xiǎn)感知，將用戶置于平等的算法權(quán)益格局中。例如， 在確保自身商業(yè)利益的基礎(chǔ)上， 做好算法規(guī)則的透明化和公開化［８８］ ； 可通過建立平臺算法自治機(jī)制、成立平臺算法監(jiān)督協(xié)會、第三方算法合規(guī)審計(jì)等方式， 定期推行平臺算法責(zé)任落實(shí)監(jiān)督機(jī)制； 支持公眾監(jiān)督，定期公開算法評估報(bào)告， 深化算法透明化實(shí)踐。另一方面， 通過構(gòu)建負(fù)責(zé)任的平臺算法提升用戶的感知價值。可以通過主動規(guī)制算法技術(shù)風(fēng)險(xiǎn)、積極承擔(dān)社會責(zé)任的方式獲得社會信任， 減少來自政府與公眾的懷疑［８９］ 。作為負(fù)責(zé)任的平臺算法， 應(yīng)建立完善的用戶維權(quán)渠道， 形成全鏈路的用戶保護(hù)機(jī)制，深化參與者對平臺的認(rèn)可與信任； 提升平臺數(shù)據(jù)利用的價值， 有效減少“過濾氣泡” 以提升用戶的體驗(yàn)感和滿意度， 激發(fā)用戶參與算法風(fēng)險(xiǎn)治理的意愿。

本文還存在一定的局限性： 第一， 研究采用橫截面數(shù)據(jù)， 在驗(yàn)證感知收益與感知風(fēng)險(xiǎn)的中介影響時可能沒有縱向數(shù)據(jù)得出的結(jié)論更為可靠， 未來可考慮采用縱向設(shè)計(jì)從時間順序性和個體間的相關(guān)性進(jìn)行研究。第二， 進(jìn)一步對算法素養(yǎng)、政府規(guī)制和平臺算法責(zé)任影響用戶參與算法風(fēng)險(xiǎn)治理意愿的不同權(quán)重進(jìn)行分析， 包括對這些因素進(jìn)行更為深入的實(shí)證分析， 以進(jìn)一步解讀用戶參與算法風(fēng)險(xiǎn)治理意愿影響機(jī)制的邊界條件。

參考文獻(xiàn)

［１］ 宋亞輝， 陳榮昌． 整體治理： 算法風(fēng)險(xiǎn)治理的優(yōu)化路徑［Ｊ］． 學(xué)習(xí)與實(shí)踐， ２０２２ （７）： ３５－４５．

［２］ 孟天廣， 李珍珍． 治理算法： 算法風(fēng)險(xiǎn)的倫理原則及其治理邏輯［Ｊ］． 學(xué)術(shù)論壇， ２０２２， ４５ （１）： ９－２０．

［３］ 張守信， 張洋． 信息推薦算法對青年主流價值認(rèn)同的影響及治理策略［Ｊ］． 中國編輯， ２０２４ （３）： ４０－４６．

［４］ 中華人民共和國國家互聯(lián)網(wǎng)信息辦公室． 關(guān)于印發(fā)《關(guān)于加強(qiáng)互聯(lián)網(wǎng)信息服務(wù)算法綜合治理的指導(dǎo)意見》的通知［ＥＢ／ ＯＬ］．［２０２４－１１－１５］． ｈｔｔｐｓ：／ ／ ｗｗｗ．ｃａｃ．ｇｏｖ．ｃｎ／２０２１－０９／２９／ ｃ＿１６３４５０７９１５６２３０４７．ｈｔｍ．

［５］ 張濤， 馬海群． 智能情報(bào)分析中算法風(fēng)險(xiǎn)及其規(guī)制研究［Ｊ］． 圖書情報(bào)工作， ２０２１， ６５ （１２）： ４７－５６．

［６］ 溫鳳鳴， 解學(xué)芳． 歐美社會治理中算法應(yīng)用的倫理風(fēng)險(xiǎn)與規(guī)制路徑研究［Ｊ］． 西南民族大學(xué)學(xué)報(bào)（人文社會科學(xué)版）， ２０２３，４４ （９）： １３０－１３９．

［７］ 周穎玉， 柯平， 劉海鷗． 面向算法推薦倫理失范的人機(jī)和諧生態(tài)建構(gòu)研究［Ｊ］． 情報(bào)理論與實(shí)踐， ２０２２， ４５ （１０）： ５４－６１．

［８］ Ａｒｏｒａ Ａ， Ｂａｒｒｅｔｔ Ｍ， Ｌｅｅ Ｅ， ｅｔ ａｌ． Ｒｉｓｋ ａｎｄ ｔｈｅ Ｆｕｔｕｒｅ ｏｆ ＡＩ：Ａｌｇｏｒｉｔｈｍｉｃ Ｂｉａｓ， Ｄａｔａ Ｃｏｌｏｎｉａｌｉｓｍ， ａｎｄ Ｍａｒｇｉｎａｌｉｚａｔｉｏｎ ［Ｊ］． Ｉｎ?ｆｏｒｍａｔｉｏｎ ａｎｄ Ｏｒｇａｎｉｚａｔｉｏｎ， ２０２３， ３３ （３）： １００４７８．

［９］ Ｗｕ Ｘ． Ｌｅｇａｌ Ｇｏｖｅｒｎａｎｃｅ ｏｆ Ｄｉｓｃｒｉｍｉｎａｔｉｏｎ Ｒｉｓｋｓ ｉｎ ＡｌｇｏｒｉｔｈｍｉｃＡｕｔｏｍａｔｅｄ Ｄｅｃｉｓｉｏｎ Ｍａｋｉｎｇ ［Ｊ］． Ｔｈｅ Ｆｒｏｎｔｉｅｒｓ ｏｆ Ｓｏｃｉｅｔｙ， Ｓｃｉｅｎｃｅａｎｄ Ｔｅｃｈｎｏｌｏｇｙ， ２０２３， ５ （１）： ０５０１１３．

［１０］ 張海柱． 算法治理中的不確定風(fēng)險(xiǎn)及其應(yīng)對［ Ｊ］． 科學(xué)學(xué)研究， ２０２４， ４２ （９）： １８００－１８０７．

［１１］ 任蓉． 算法嵌入政府治理的風(fēng)險(xiǎn)及其防控［ Ｊ］． 電子政務(wù)，２０２１ （７）： ３１－４１．

［１２］ 程雪軍． 馴服算法利維坦： 金融科技平臺算法風(fēng)險(xiǎn)的系統(tǒng)治理機(jī)制［Ｊ］． 經(jīng)濟(jì)學(xué)家， ２０２３ （１１）： １１０－１１９．

［１３］ Ｈａｓａｎ Ａ， Ｂｒｏｗｎ Ｓ， Ｄａｖｉｄｏｖｉｃ Ｊ， ｅｔ ａｌ． Ａｌｇｏｒｉｔｈｍｉｃ Ｂｉａｓ ａｎｄ ＲｉｓｋＡｓｓｅｓｓｍｅｎｔｓ： Ｌｅｓｓｏｎｓ ｆｒｏｍ Ｐｒａｃｔｉｃｅ ［Ｊ］． Ｄｉｇｉｔａｌ Ｓｏｃｉｅｔｙ， ２０２２， １（２）： １４．

［１４］ 孫清白． 人工智能算法的“公共性” 應(yīng)用風(fēng)險(xiǎn)及其二元規(guī)制［Ｊ］． 行政法學(xué)研究， ２０２０ （４）： ５８－６６．

［１５］ 程堯， 蔡一軍． 人工智能背景下算法演進(jìn)的風(fēng)險(xiǎn)及其法律規(guī)制———以域外模式為視角［Ｊ］． 山西大同大學(xué)學(xué)報(bào)（社會科學(xué)版）， ２０２０， ３４ （２）： ３３－３９．

［１６］ Ｎｉｔｚｂｅｒｇ Ｍ， Ｚｙｓｍａｎ Ｊ． Ａｌｇｏｒｉｔｈｍｓ， Ｄａｔａ， ａｎｄ Ｐｌａｔｆｏｒｍｓ： ＴｈｅＤｉｖｅｒｓｅ Ｃｈａｌｌｅｎｇｅｓ ｏｆ Ｇｏｖｅｒｎｉｎｇ ＡＩ ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｅｕｒｏｐｅａｎ Ｐｕｂ?ｌｉｃ Ｐｏｌｉｃｙ， ２０２２， ２９ （１１）： １７５３－１７７８．

［１７］ 曹雨佳． 政府開放數(shù)據(jù)生態(tài)鏈中的用戶參與機(jī)制———以加拿大政府?dāng)?shù)據(jù)開放實(shí)踐為例［ Ｊ］． 情報(bào)理論與實(shí)踐， ２０２１， ４４（６）： １８－２７．

［１８］ 查道林， 蔣智慧， 曹高輝． 信息系統(tǒng)用戶感知算法焦慮的內(nèi)涵及其結(jié)構(gòu)維度研究［Ｊ］． 情報(bào)科學(xué)， ２０２２， ４０ （６）： ６６－７３．

［１９］ 馬騰飛． 基于數(shù)據(jù)主權(quán)視角的算法治理： 進(jìn)展、困境與路徑［Ｊ］． 信息資源管理學(xué)報(bào)， ２０２３， １３ （６）： ４８－６１．

［２０］ 袁靜， 劉曉媛， 臧國全． 用戶參與共治： 政府開放數(shù)據(jù)隱私風(fēng)險(xiǎn)治理的新思路［Ｊ］． 圖書情報(bào)知識， ２０２２， ３９ （６）： １０１－１１２．

［２１］ 王琳琳． 政策導(dǎo)向下算法控制法律風(fēng)險(xiǎn)及其治理［ Ｊ］． 警學(xué)研究， ２０２２ （１）： ７６－９６．

［２２］ Ｓｅｌｂｓｔ Ａ Ｄ， Ｂｏｙｄ Ｄ， Ｆｒｉｅｄｌｅｒ Ｓ Ａ， ｅｔ ａｌ． Ｆａｉｒｎｅｓｓ ａｎｄ Ａｂｓｔｒａｃ?ｔｉｏｎ ｉｎ Ｓｏｃｉｏｔｅｃｈｎｉｃａｌ Ｓｙｓｔｅｍｓ ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ Ｃｏｎｆｅｒｅｎｃｅｏｎ Ｆａｉｒｎｅｓｓ， Ａｃｃｏｕｎｔａｂｉｌｉｔｙ， ａｎｄ Ｔｒａｎｓｐａｒｅｎｃｙ， ２０１９： ５９－６８．

［２３］ Ｂｉｒｈａｎｅ Ａ， Ｉｓａａｃ Ｗ， Ｐｒａｂｈａｋａｒａｎ Ｖ， ｅｔ ａｌ． Ｐｏｗｅｒ ｔｏ ｔｈｅ Ｐｅｏｐｌｅ？Ｏｐｐｏｒｔｕｎｉｔｉｅｓ ａｎｄ Ｃｈａｌｌｅｎｇｅｓ ｆｏｒ Ｐａｒｔｉｃｉｐａｔｏｒｙ ＡＩ ［Ｃ］ ／ ／ Ｅｑｕｉｔｙ ａｎｄＡｃｃｅｓｓ ｉｎ Ａｌｇｏｒｉｔｈｍｓ， Ｍｅｃｈａｎｉｓｍｓ， ａｎｄ Ｏｐｔｉｍｉｚａｔｉｏｎ， ２０２２： １－８．

［２４］ Ｂａｎｄｕｒａ Ａ． Ｓｏｃｉａｌ Ｃｏｇｎｉｔｉｖｅ Ｔｈｅｏｒｙ： Ａｎ Ａｇｅｎｔｉｃ Ｐｅｒｓｐｅｃｔｉｖｅ ［Ｊ］．Ａｓｉａｎ Ｊｏｕｒｎａｌ ｏｆ Ｓｏｃｉａｌ Ｐｓｙｃｈｏｌｏｇｙ， １９９９， ２ （１）： ２１－４１．

［２５］ Ｗａｃｈｉｎｇｅｒ Ｇ， Ｒｅｎｎ Ｏ， Ｂｅｇｇ Ｃ， ｅｔ ａｌ． Ｔｈｅ Ｒｉｓｋ Ｐｅｒｃｅｐｔｉｏｎ Ｐａｒａ?ｄｏｘ—Ｉｍｐｌｉｃａｔｉｏｎｓ ｆｏｒ Ｇｏｖｅｒｎａｎｃｅ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎ ｏｆ ＮａｔｕｒａｌＨａｚａｒｄｓ ［Ｊ］． Ｒｉｓｋ Ａｎａｌｙｓｉｓ， ２０１３， ３３ （６）： １０４９－１０６５．

［２６］ 鄧勝利， 段文豪， 夏蘇迪． ＰＡＤＭ 視角下算法推薦服務(wù)風(fēng)險(xiǎn)的用戶應(yīng)對行為研究［Ｊ］． 圖書情報(bào)工作， ２０２３， ６７ （２）： １４－２２．

［２７］ 宋艷， 陳琳， 李琴， 等． 人工智能倫理風(fēng)險(xiǎn)感知、信任與公眾參與［Ｊ］． 科學(xué)學(xué)研究， ２０２２， ４０ （７）： １１５３－１１６２， １１７１．

［２８］ 董倩， 趙迎紅． 疫情風(fēng)險(xiǎn)治理中公眾網(wǎng)絡(luò)參與意愿的影響因素研究［Ｊ］． 傳播與版權(quán)， ２０２２ （５）： ５３－５７．

［２９］ 黃偉鑫， 畢達(dá)天， 楊陽， 等． 平臺特征對跨社交媒體ＵＧＣ 信息分享行為的影響機(jī)理研究［Ｊ］． 現(xiàn)代情報(bào)， ２０２４， ４４ （２）：１１５－１２９．

［３０］ 鐘琦， 曲冠橋， 唐加福． Ｏ２Ｏ 外賣價格促銷策略對消費(fèi)者購買意愿的影響研究［Ｊ］． 中國管理科學(xué)， ２０２４， ３２ （２）： ２５４－２６４．

［３１］ Ｍｅｈｒａｂｉａｎ Ａ， Ｒｕｓｓｅｌｌ Ｊ Ａ． Ａｎ Ａｐｐｒｏａｃｈ ｔｏ Ｅｎｖｉｒｏｎｍｅｎｔａｌ Ｐｓｙ?ｃｈｏｌｏｇｙ ［Ｍ］． Ｔｈｅ ＭＩＴ Ｐｒｅｓｓ， １９７４．

［３２］ 龔艷萍， 曹玉， 李見． 短視頻應(yīng)用的特性對用戶參與行為的影響： 心理參與的中介作用［Ｊ］． 情報(bào)科學(xué)， ２０２０， ３８ （７）：７７－８４．

［３３］ 潘濤濤， 呂英杰． 在線健康社區(qū)中基于ＳＯＲ 模型的用戶參與行為影響因素研究［Ｊ］． 情報(bào)資料工作， ２０２２， ４３ （２）： ７６－８３．

［３４］ 華鈺文， 陳雅， 王錳， 等． 我國東部鄉(xiāng)村用戶對數(shù)字素養(yǎng)教育參與意愿研究———以江蘇?。?市為例［Ｊ］． 圖書情報(bào)工作， ２０２３，６７ （１５）： ５６－６６．

［３５］ 吳金紅， 陳強(qiáng)， 鞠秀芳． 用戶參與大數(shù)據(jù)眾包活動的意愿和影響因素探究［Ｊ］． 情報(bào)資料工作， ２０１４ （３）： ７４－７９．

［３６］ 倪萬， 郝春梅． 算法素養(yǎng)在用戶參與平臺虛假新聞治理中的價值與作用［Ｊ］． 中國出版， ２０２４ （６）： ３－９．

［３７］ Ｂａｎｄｕｒａ Ａ． Ｓｏｃｉａｌ Ｆｏｕｎｄａｔｉｏｎｓ ｏｆ Ｔｈｏｕｇｈｔ ａｎｄ Ａｃｔｉｏｎ： Ａ ＳｏｃｉａｌＣｏｇｎｉｔｉｖｅ Ｔｈｅｏｒｙ ［ Ｍ］． Ｅｎｇｌｅｗｏｏｄ Ｃｌｉｆｆｓ： Ｐｒｅｎｔｉｃｅ－Ｈａｌｌ， １９８６：２３－２８．

［３８］ 劉英莉． 人工智能時代的用戶算法素養(yǎng)模型研究［ Ｊ］． 圖書館， ２０２４ （６）： ３９－４５．

［３９］ Ｚｅｉｔｈａｍｌ Ｖ Ａ． Ｃｏｎｓｕｍｅｒ Ｐｅｒｃｅｐｔｉｏｎｓ ｏｆ Ｐｒｉｃｅ， Ｑｕａｌｉｔｙ， ａｎｄ Ｖａｌ?ｕｅ： Ａ Ｍｅａｎｓ－Ｅｎｄ Ｍｏｄｅｌ ａｎｄ Ｓｙｎｔｈｅｓｉｓ ｏｆ Ｅｖｉｄｅｎｃｅ ［ Ｊ］． Ｊｏｕｒｎａｌｏｆ Ｍａｒｋｅｔｉｎｇ， １９８８， ５２ （３）： ２－２２．

［４０］ 郝森森， 許正良， 鐘喆鳴． 企業(yè)移動終端Ａｐｐ 用戶信息隱私關(guān)注模型構(gòu)建［Ｊ］． 圖書情報(bào)工作， ２０１７， ６１ （５）： ５７－６５．

［４１］ 胡劍， 戚湧． 開源創(chuàng)新社區(qū)用戶知識共享行為影響因素研究———基于ＳＥＭ 與ｆｓＱＣＡ 的實(shí)證分析［Ｊ］． 情報(bào)科學(xué)， ２０２３， ４１ （９）：５９－６８， ７７．

［４２］ 劉春年， 袁燦， 易嵐． 社交平臺算法風(fēng)險(xiǎn)內(nèi)容特征及其貝葉斯關(guān)聯(lián)性［Ｊ］． 情報(bào)理論與實(shí)踐， ２０２３， ４６ （７）： ７６－８６， ９７．

［４３］ 彭麗徽， 李賀， 張艷豐， 等． 用戶隱私安全對移動社交媒體倦怠行為的影響因素研究———基于隱私計(jì)算理論的ＣＡＣ 研究范式［Ｊ］． 情報(bào)科學(xué)， ２０１８， ３６ （９）： ９６－１０２．

［４４］ 張惠舒， 趙宇翔， 宋士杰． 信息弱勢群體算法素養(yǎng)的形成機(jī)理與影響因素———以短視頻平臺為例［Ｊ］． 圖書情報(bào)知識， ２０２４，４１ （２）： １２７－１３７．

［４５］ Ｃｏｔｔｅｒ Ｋ， Ｒｅｉｓｄｏｒｆ Ｂ Ｃ． Ａｌｇｏｒｉｔｈｍｉｃ Ｋｎｏｗｌｅｄｇｅ Ｇａｐｓ： Ａ Ｎｅｗ Ｈｏ?ｒｉｚｏｎ ｏｆ （Ｄｉｇｉｔａｌ） Ｉｎｅｑｕａｌｉｔｙ ［Ｊ］． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｍｕ?ｎｉｃａｔｉｏｎ， ２０２０， １４： ７４５－７６５．

［４６］ Ｈａｒｇｉｔｔａｉ Ｅ， Ｊｅｎｎｒｉｃｈ Ｋ． Ｔｈｅ Ｏｎｌｉｎｅ Ｐａｒｔｉｃｉｐａｔｉｏｎ Ｄｉｖｉｄｅ ［ Ｍ］．Ｔｈｅ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｃｒｉｓｉｓ ｉｎ Ａｍｅｒｉｃａ， Ａｎｄ Ｈｏｗ ｔｏ Ｆｉｘ Ｉｔ． ＮｅｗＹｏｒｋ： Ｐａｌｇｒａｖｅ Ｍａｃｍｉｌｌａｎ ＵＳ， ２０１６： １９９－２１３．

［４７］ 張紅春， 宋洪． 從排斥到包容公眾： 參與式政府算法治理的邏輯與進(jìn)路［Ｊ］． 貴州大學(xué)學(xué)報(bào)（社會科學(xué)版）， ２０２３， ４１ （２）：３３－４４．

［４８］ 譚九生， 楊建武． 人工智能嵌入政府治理的倫理風(fēng)險(xiǎn)及其防控［Ｊ］． 探索， ２０２１ （２）： １２６－１３８．

［４９］ 吳彬， 張召璇． 用戶對短視頻平臺算法推薦的感知研究———以抖音為例［Ｊ］． 杭州電子科技大學(xué)學(xué)報(bào)（社會科學(xué)版）， ２０２４，２０ （２）： ２７－３５．

［５０］ 許加彪， 付可欣． 智媒體時代網(wǎng)絡(luò)內(nèi)容生態(tài)治理———用戶算法素養(yǎng)的視角［Ｊ］． 中國編輯， ２０２２ （５）： ２３－２７．

［５１］ 萬曉榆， 龍宇， 蔣婷． 公眾參與、政府監(jiān)管與移動應(yīng)用安全治理動態(tài)演化研究［Ｊ］． 運(yùn)籌與管理， ２０１８， ２７ （１１）： ５０－６０．

［５２］ 王曉楠， 張永芬． 物質(zhì)供給、社會資本對公眾參與環(huán)境治理意愿的影響路徑［Ｊ］． 環(huán)境社會學(xué)， ２０２４ （１）： ２３－４５， ２３１－２３２．

［５３］ 荊玲玲， 舒龍奇． 政務(wù)短視頻推動公眾參與社會治理現(xiàn)狀及優(yōu)化探究［Ｊ］． 經(jīng)濟(jì)研究導(dǎo)刊， ２０２４ （４）： １２２－１２５．

［５４］ 楊學(xué)科． 論智能互聯(lián)網(wǎng)時代的算法歧視治理與算法公正［Ｊ］．山東科技大學(xué)學(xué)報(bào)（社會科學(xué)版）， ２０１９， ２１ （４）： ３３－４０， ５８．

［５５］ 謝永江， 楊永興， 劉濤． 個性化推薦算法的法律風(fēng)險(xiǎn)規(guī)制［Ｊ］．北京科技大學(xué)學(xué)報(bào)（社會科學(xué)版）， ２０２４， ４０ （１）： ７７－８５．

［５６］ 胡瑾． 技術(shù)不確定性下算法推薦新聞的倫理風(fēng)險(xiǎn)及其法律規(guī)制［Ｊ］． 重慶大學(xué)學(xué)報(bào)（社會科學(xué)版）， ２０２２， ２８ （３）： ２３０－２４１．

［５７］ 肖紅軍． 構(gòu)建負(fù)責(zé)任的平臺算法［Ｊ］． 西安交通大學(xué)學(xué)報(bào)（社會科學(xué)版）， ２０２２， ４２ （１）： １２０－１３０．

［５８］ 匡文波， 王天嬌． 社交媒體算法推薦傳播邏輯與平臺社會責(zé)任［Ｊ］． 上海交通大學(xué)學(xué)報(bào)（哲學(xué)社會科學(xué)版）， ２０２３， ３１ （５）： １－１２， ２１．

［５９］ 肖紅軍， 陽鎮(zhèn)， 姜倍寧． 平臺企業(yè)社會責(zé)任感知會激勵用戶參與平臺治理嗎？———基于網(wǎng)絡(luò)效應(yīng)的邊界條件與反思［Ｊ］． 經(jīng)濟(jì)與管理研究， ２０２３， ４４ （３）： ７２－８８．

［６０］ 許可， 程華． 算法悖論與制度因應(yīng)———基于用戶算法應(yīng)用感知的實(shí)證研究［Ｊ］． 山東大學(xué)學(xué)報(bào)（哲學(xué)社會科學(xué)版）， ２０２２ （６）：８４－９６．

［６１］ 王仙雅， 吳珍． 平臺型企業(yè)的社會責(zé)任治理能提升用戶響應(yīng)嗎？———基于短視頻平臺的調(diào)查研究［ Ｊ］． 大連理工大學(xué)學(xué)報(bào)（社會科學(xué)版）， ２０２４， ４５ （２）： ４８－５８．

［６２］ Ｗｙｎｎ Ｍ， Ｊｏｎｅｓ Ｐ． Ｃｏｒｐｏｒａｔｅ Ｒｅｓｐｏｎｓｉｂｉｌｉｔｙ ｉｎ ｔｈｅ Ｄｉｇｉｔａｌ Ｅｒａ ［Ｊ］．Ｉｎｆｏｒｍａｔｉｏｎ， ２０２３， １４ （６）： ３２４．

［６３］ 姜雨峰， 黃斯琦， 潘楚林， 等． 企業(yè)數(shù)字責(zé)任： 數(shù)字時代企業(yè)社會責(zé)任的理論拓展與價值意蘊(yùn)［Ｊ］． 南開管理評論， ２０２４，２７ （３）： ２４５－２５８．

［６４］ 梁昕， 劉天穎． 自動化行政裁量中算法風(fēng)險(xiǎn)感知的特征與演化研究———基于網(wǎng)絡(luò)輿情的大數(shù)據(jù)分析［ Ｊ］． 公共行政評論，２０２４， １７ （１）： ４５－６５， １９７．

［６５］ 陳強(qiáng)強(qiáng)， 張碧云． 公眾參與算法歧視治理： 一項(xiàng)技術(shù)民主化研究［Ｊ］． 科學(xué)學(xué)研究， ２０２５， ４３ （３）： ５０７－５１３．

［６６］ Ｋａｐｐｅｌｅｒ Ｋ， Ｆｅｓｔｉｃ Ｎ， Ｌａｔｚｅｒ Ｍ， ｅｔ ａｌ． Ｃｏｐｉｎｇ ｗｉｔｈ ＡｌｇｏｒｉｔｈｍｉｃＲｉｓｋｓ ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｄｉｇｉｔａｌ Ｓｏｃｉａｌ Ｒｅｓｅａｒｃｈ， ２０２３， ５ （１）： ２３－４７．

［６７］ Ｊｉａｎｇ Ｇ Ｙ， Ｙａｎｇ Ｗ Ｑ， Ｚｈａｎｇ Ｎ． Ｅｆｆｅｃｔ ｏｆ Ｐｅｒｃｅｉｖｅｄ Ｒｉｓｋｓ，Ｐｅｒｃｅｉｖｅｄ Ｂｅｎｅｆｉｔｓ ａｎｄ Ｒｅｇｕｌａｔｏｒｙ Ｅｖｅｎｔｓ ｏｎ Ｕｓｅｒｓ Ｓｕｐｅｒｖｉｓｉｏｎ Ｉｎ?ｔｅｎｔｉｏｎ Ｔｏｗａｒｄｓ Ｅ－Ｈａｉｌｉｎｇ Ｐｌａｔｆｏｒｍｓ： Ａ Ｍｉｘｅｄ Ｍｅｔｈｏｄ ［Ｊ］． Ｊｏｕｒ?ｎａｌ ｏｆ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｃｉｅｎｃｅ， ２０２２： ０１６５５５１５２２１１２８４２２．

［６８］ 匡文波． 算法治理： 網(wǎng)絡(luò)空間治理的新挑戰(zhàn)［Ｊ］． 人民論壇，２０２３ （１９）： ６４－６８．

［６９］ Ｌｅｅ Ｍ Ｋ， Ｋｕｓｂｉｔ Ｄ， Ｋａｈｎｇ Ａ， ｅｔ ａｌ． ＷｅＢｕｉｌｄＡＩ： ＰａｒｔｉｃｉｐａｔｏｒｙＦｒａｍｅｗｏｒｋ ｆｏｒ Ａｌｇｏｒｉｔｈｍｉｃ Ｇｏｖｅｒｎａｎｃｅ ［Ｊ］． Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＡＣＭｏｎ Ｈｕｍａｎ－Ｃｏｍｐｕｔｅｒ Ｉｎｔｅｒａｃｔｉｏｎ， ２０１９， ３： １－３５．

［７０］ 易明， 傅航， 劉繼月． 信息繭房背景下基于應(yīng)對理論的Ａｐｐ 用戶持續(xù)使用意愿研究［Ｊ］． 情報(bào)資料工作， ２０２３， ４４ （４）： ６６－７６．

［７１］ 石文華， 劉麗杰， 冉華， 等． 算法道德責(zé)任： 一個互聯(lián)網(wǎng)企業(yè)社會責(zé)任新構(gòu)面［Ｊ］． 北京郵電大學(xué)學(xué)報(bào)（社會科學(xué)版）， ２０２２，２４ （６）： ２８－３８， ９９．

［７２］ 楊栩， 連志鳳． 企業(yè)數(shù)字責(zé)任、數(shù)字信任與企業(yè)高質(zhì)量發(fā)展［Ｊ］． 中國軟科學(xué)， ２０２３ （１）： １４５－１５５．

［７３］ 高麗華， 楊新雨． 重拾媒介屬性： 互聯(lián)網(wǎng)平臺社會責(zé)任的構(gòu)成維度［Ｊ］． 現(xiàn)代傳播（中國傳媒大學(xué)學(xué)報(bào)）， ２０２４， ４６ （１）：１４９－１６０．

［７４］ 于麗衛(wèi)， 孔榮． 政府規(guī)制如何影響農(nóng)戶綠色創(chuàng)業(yè)意愿？ ———基于有調(diào)節(jié)的中介效應(yīng)模型［Ｊ］． 干旱區(qū)資源與環(huán)境， ２０２２， ３６（４）： ８－１４．

［７５］ 朱紅根， 葛繼紅． 政府規(guī)制對農(nóng)業(yè)企業(yè)綠色創(chuàng)業(yè)影響的理論與實(shí)證———以江西省農(nóng)業(yè)龍頭企業(yè)為例［ Ｊ］． 華東經(jīng)濟(jì)管理，２０１８， ３２ （１１）： ３０－３６．

［７６］ 蔣其發(fā)， 郭淑華． 人居環(huán)境治理中社會資本對村民參與行為的影響研究［Ｊ］． 中國農(nóng)業(yè)資源與區(qū)劃， ２０２４， ４５ （１）： １７７－１８９．

［７７］ 臧國全， 韓夢馨， 張凱亮． 說服知識管理視角下的個人信息披露意愿影響因素研究［Ｊ］． 情報(bào)理論與實(shí)踐， ２０２１， ４４ （９）：４３－４９．

［７８］ 劉亞麗， 范逢春． ＣｈａｔＧＰＴ－ＡＩＧＣ 用戶風(fēng)險(xiǎn)感知維度識別與治理研究———基于扎根理論的探索性分析［Ｊ］． 情報(bào)理論與實(shí)踐，２０２４， ４７ （３）： １２１－１２９．

［７９］ Ｏｎｉ Ａ Ａ， Ｏｎｉ Ｓ， Ｍｂａｒｉｋａ Ｖ， ｅｔ ａｌ． Ｅｍｐｉｒｉｃａｌ Ｓｔｕｄｙ ｏｆ Ｕｓｅｒ Ａｃ?ｃｅｐｔａｎｃｅ ｏｆ Ｏｎｌｉｎｅ Ｐｏｌｉｔｉｃａｌ Ｐａｒｔｉｃｉｐａｔｉｏｎ： Ｉｎｔｅｇｒａｔｉｎｇ Ｃｉｖｉｃ Ｖｏｌｕｎ?ｔａｒｉｓｍ Ｍｏｄｅｌ ａｎｄ Ｔｈｅｏｒｙ ｏｆ Ｒｅａｓｏｎｅｄ Ａｃｔｉｏｎ ［Ｊ］． Ｇｏｖｅｒｎｍｅｎｔ Ｉｎ?ｆｏｒｍａｔｉｏｎ Ｑｕａｒｔｅｒｌｙ， ２０１７， ３４ （２）： ３１７－３２８．

［８０］ Ｐａｒｋ Ｍ Ｊ， Ｃｈｏｉ Ｈ， Ｋｉｍ Ｓ Ｋ， ｅｔ ａｌ． Ｔｒｕｓｔ ｉｎ Ｇｏｖｅｒｎｍｅｎｔｓ Ｓｏ?ｃｉａｌ Ｍｅｄｉａ Ｓｅｒｖｉｃｅ ａｎｄ Ｃｉｔｉｚｅｎｓ Ｐａｔｒｏｎａｇｅ Ｂｅｈａｖｉｏｒ ［Ｊ］． Ｔｅｌｅｍａｔ?ｉｃｓ ａｎｄ Ｉｎｆｏｒｍａｔｉｃｓ， ２０１５， ３２ （４）： ６２９－６４１．

［８１］ Ｐｏｄｓａｋｏｆｆ Ｐ Ｍ， ＭａｃＫｅｎｚｉｅ Ｓ Ｂ， Ｌｅｅ Ｊ Ｙ， ｅｔ ａｌ． Ｃｏｍｍｏｎ ＭｅｔｈｏｄＢｉａｓｅｓ ｉｎ Ｂｅｈａｖｉｏｒａｌ Ｒｅｓｅａｒｃｈ： Ａ Ｃｒｉｔｉｃａｌ Ｒｅｖｉｅｗ ｏｆ ｔｈｅ Ｌｉｔｅｒａｔｕｒｅａｎｄ Ｒｅｃｏｍｍｅｎｄｅｄ Ｒｅｍｅｄｉｅｓ ［ Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ａｐｐｌｉｅｄ Ｐｓｙｃｈｏｌｏｇｙ，２００３， ８８ （５）： ８７９－９０３．

［８２］ Ｈａｉｒ Ｊｒ Ｊ Ｆ， Ｈｕｌｔ Ｇ Ｔ Ｍ， Ｒｉｎｇｌｅ Ｃ Ｍ， ｅｔ ａｌ． Ａ Ｐｒｉｍｅｒ ｏｎ Ｐａｒ?ｔｉａｌ Ｌｅａｓｔ Ｓｑｕａｒｅｓ Ｓｔｒｕｃｔｕｒａｌ Ｅｑｕａｔｉｏｎ Ｍｏｄｅｌｉｎｇ（ＰＬＳ－ＳＥＭ） ［Ｍ］．Ｌｏｓ Ａｎｇｅｌｅｓ： Ｓａｇｅ Ｐｕｂｌｉｃａｔｉｏｎｓ， ２０１４．

［８３］ 吳明?。?結(jié)構(gòu)方程模型： ＡＭＯＳ 的操作與應(yīng)用（第２ 版） ［Ｍ］．重慶： 重慶大學(xué)出版社， ２０１７．

［８４］ Ｚｈａｏ Ｘ Ｓ， Ｌｙｎｃｈ Ｊ Ｇ， Ｃｈｅｎ Ｑ Ｍ． Ｒｅｃｏｎｓｉｄｅｒｉｎｇ Ｂａｒｏｎ ａｎｄ Ｋｅｎｎｙ：Ｍｙｔｈｓ ａｎｄ Ｔｒｕｔｈｓ Ａｂｏｕｔ Ｍｅｄｉａｔｉｏｎ Ａｎａｌｙｓｉｓ ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ ＣｏｎｓｕｍｅｒＲｅｓｅａｒｃｈ， ２０１０， ３７ （２）： １９７－２０６．

［８５］ 關(guān)萍萍． 政府—平臺—用戶： 構(gòu)建一體兩翼短視頻優(yōu)化治理體系［Ｊ］． 中國出版， ２０１９ （１３）： ３６－３９．

［８６］ Ｈｕａｎｇ Ｙ Ｋ， Ｃａｏ Ｘ Ｃ． Ｃａｌｌｉｎｇ ｏｎ ｔｈｅ Ｔｈｉｒｄ－Ｐａｒｔｙ Ｐｒｉｖａｃｙ ＣｏｎｔｒｏｌＩｎｔｏ Ａｌｇｏｒｉｔｈｍｉｃ Ｇｏｖｅｒｎａｎｃｅ Ｆｒａｍｅｗｏｒｋ： Ｌｉｎｋｉｎｇ Ｕｓｅｒｓ ＰｒｅｓｕｍｅｄＩｎｆｌｕｅｎｃｅ ｗｉｔｈ Ｃｏｎｔｒｏｌ Ａｇｅｎｃｙ Ｔｈｅｏｒｙ ［Ｊ］． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆＰｕｂｌｉｃ Ｏｐｉｎｉｏｎ Ｒｅｓｅａｒｃｈ， ２０２３， ３５ （４）： ｅｄａｄ０３６．

［８７］ Ｚｈｅｎｇ Ｘ Ｌ， Ｚｈｏｕ Ｇ， Ｚｅｎｇ Ｄ Ｄ． Ｐｌａｔｆｏｒｍ Ｇｏｖｅｒｎａｎｃｅ ｉｎ ｔｈｅ Ｅｒａｏｆ ＡＩ ａｎｄ ｔｈｅ Ｄｉｇｉｔａｌ Ｅｃｏｎｏｍｙ ［Ｊ］． Ｆｒｏｎｔｉｅｒｓ ｏｆ Ｅｎｇｉｎｅｅｒｉｎｇ Ｍａｎ?ａｇｅｍｅｎｔ， ２０２３， １０ （１）： １７７－１８２．

［８８］ 熊義剛， 南嶺， 李鉉， 等． 平臺企業(yè)算法治理新格局研究［Ｊ］．特區(qū)實(shí)踐與理論， ２０２４ （３）： ３６－４１．

［８９］ 王洋， 閆海． 生成式人工智能的風(fēng)險(xiǎn)迭代與規(guī)制革新———以ＣｈａｔＧＰＴ 為例［Ｊ］． 理論月刊， ２０２３ （６）： １４－２４．

（責(zé)任編輯： 郭沫含）

基金項(xiàng)目： 中國人民公安大學(xué)中央高?；究蒲袠I(yè)務(wù)費(fèi)基金項(xiàng)目“ 公安大數(shù)據(jù)智能分析過程中算法風(fēng)險(xiǎn)與規(guī)制研究” （ 項(xiàng)目編號：２０２４ＪＫＦ２１）； ２０２４ 北京高等教育本科教學(xué)改革創(chuàng)新項(xiàng)目“數(shù)智化賦能視角下思政案例云平臺師生價值共創(chuàng)教學(xué)創(chuàng)新模式研究” （ 項(xiàng)目編號：２０２４１００４１００２）。