短视频用户算法操纵影响因素研究

鲍立泉 赵雨柔

内容摘要：在信息技术高度发展的当下，算法深度嵌入人们的日常生活。用户从原来“技术无意识”状态中逐渐体现出主体性和能动性，用户对算法的能动性实践及其影响因素成为算法研究新的关注点。聚焦表征用户试图改变算法运作结果的“算法操纵”行为，发现了认同（identity）在用户算法实践中的重要性，将信息技术认同（Information Technology Identity）作为考察短视频用户算法操纵新的理论视角，以对算法有所意识的短视频用户作为研究对象，考察信息技术认同对短视频用户算法操纵的影响及其前因。结果显示：（1）信息技术认同正向影响短视频用户的合作型算法操纵，负向影响短视频用户的反抗型算法操纵；（2）感知可解释性、感知公平、感知回应、算法自我效能正向影响短视频用户对算法的信息技术认同，并通过信息技术认同的中介作用影响合作型算法操纵和反抗型算法操纵；（3）感知平台监视负向影响短视频用户对算法的信息技术认同，并通过信息技术认同的中介作用影响合作型算法操纵和反抗型算法操纵；（4）感知自由威胁负向影响短视频用户对算法的信息技术认同，并通过信息技术认同的中介作用影响反抗型算法操纵。

关键词： 算法操纵；算法抵抗；短视频算法；信息技术认同

DOI：10.3969/j.issn.2095-0330.2023.05.005

引 言

由于算法的“黑箱”属性，通常认为大部分用户在与算法的互动中处于一种“技术无意识”状态。但这种算法无意识状态并非无法被打破，随着对算法系统的深入体验，用户开始有能力通过多种线索或途径感知算法带来的诸多风险与不良体验，因而形成对算法的情感性态度，诸如“算法焦虑”“算法厌恶”等。这些情绪在一定程度上可以看作用户主体性的初步觉醒，严重者甚至能影响对算法平台的逃离或中辍行为。随着算法研究的深入，研究者发现用户通过日常算法实践会形成算法想象或算法民间理论，并以此为指导对算法进行“抵抗”或“操纵”，以改变算法的输出结果。这一过程充分体现了用户在算法实践过程中的主体性和能动性，表明了用户算法合作或反抗的可能性。

那么，用户在与算法互动时，出于主体性和能动性会产生什么样的算法实践行为？当下研究已经开始关注用户与算法互动过程中的能动性实践，包括“算法抵抗”“算法再驯化”“算法操纵”等，但主要是围绕着“是什么”并用质性研究的方法探讨进行抵抗或再驯化的方式或战术， 而较少有关于“为什么”的研究。因此，我们还需要思考这些算法实践行为又受到什么因素的影响。为寻求上述问题的答案，本研究聚焦与算法关系特殊且紧密的短视频App，以对算法有所意识的短视频用户作为研究对象，探索短视频用户算法实践行为的影响因素。

一、研究假设的提出

（一）用户算法实践行为

用户能动性算法实践研究按观察对象可分为生产型用户与消费型用户。对于内容平台中的内容消费用户，一类研究者试图通过“驯化”（domestication）理论在探讨算法如何被纳入人们的日常生活的同时，去挖掘用户对算法的“反驯化”或“再驯化”；另一类关于“抵抗”（resistance）或称“算法抵抗”（algorithmicresistance）的研究重点关注用户对算法的干预性实践。当人们在日常生活中面对算法“策略”支配时，可能因为产生了较差的用户体验或者足够的算法知识而发现了算法的存在。此时，反霸权者（用户）在算法“策略”学习基础上试图实施特定“战术”——在特定空间进行各种游击式抵抗行为——以完成对算法文本的逃离、重组、嵌入、反噬等相关“底层运作”，最终从原始的算法设定逻辑中“逃逸”，使算法在经过训练后变得更符合自我偏好。

不同研究者归纳总结出不同的算法抵抗行为类型。 然而，对算法抵抗行为进行绝对的区分是非常困难的，行为之间存在交叉点。同时， 算法抵抗战术通常是非普遍性、私人化的，有一些形式可能尚未被发现或者难以分类。“算法操纵”用以表征用户试图改变算法运作结果的行为，并按用户与算法的互动关系分为两个维度：其一为“合作型操纵”，指用户积极利用算法规则，故意改变输入值，以实现对算法的操纵，获得更满意的输出结果；其二为“反抗型操纵”， 指用户拒绝与算法規则合作，直接反抗算法，包括故意扰乱、试图关闭算法系统等。

不论是驯化、抵抗还是算法操纵的解释框架，都体现了用户与算法互动的三个特征：首先，用户与算法的互动具有复杂的情境与背景；其次，用户在算法系统中虽然属于数据接收者，但并不只是 “无意识”地全盘接受，需要重视用户在算法实践过程中的自主性和能动性；最后，算法在社会生产中影响越广泛，考虑用户如何以及在多大程度上可以利用算法规则来抵制其权力就变得越重要。对此类用户能动性算法实践的考察，可以帮助我们进一步了解用户与算法之间的动态权力关系。

算法抵抗重点关注用户对算法进行反抗的行为，驯化将用户与算法的互动只当作一个整体来考察，算法操纵则区分了“合作型”和“反抗型”两个维度，可以帮助我们从意愿、态度、目的上更全面清晰地考察用户与算法的互动行为。因此，本研究采用“算法操纵”概念作为用户能动性算法实践的表征并进行影响因素的考察。

（二）算法操纵与信息技术认同

各研究者在研究用户对算法的驯化、抵抗、操纵的过程中，揭示了用户对算法进行能动性实践的底层基础是具有算法意识并形成相关的算法知识或算法民间理论。算法民间理论的研究强调了人与算法互动的一个重要原则——人们试图根据自己的身份认同来理解算法。算法与身份认同之间的关系可视为一种共同生产（co-produce），人们的身份认同会影响算法管理，反过来算法管理也会影响其认同发展。如在使用搜索引擎时，用户为了与之前的信念保持一致，会调整对搜索结果的接触顺序，实现对算法的影响。对于边缘群体，算法既为他们的社群联结带来方便，又因为根植了现实世界的偏见造成了对他们的算法排斥，迫使他们利用点赞或发布重复内容来玩弄或规避算法审查。此时，算法成为一种身份过滤器，积极地压抑了边缘化社会身份的相关内容。为了与这种算法特权和算法表征性伤害进行抗争，用户会发起群体化或个人化的抵抗行为。DeVito也同样揭示了算法与边缘化身份的相互作用。这启示我们从认同的角度对用户能动性算法实践进行考察，尤其是在短视频平台上。信息技术认同发展自认同理论，指个体将信息技术的使用视为其自我意识的组成部分的程度。它认为现存 信息技术使用模型根植于态度理论，在很大程度上忽视了做出继续使用信息技术决定的个体嵌入的角色和关系网络（社会结构）。缺少这一决策制定的关键要素将无法准确预测持续的信息技术使用：因为个人的自我概念是态度和长期行为的关键决定因素。信息技术认同代表了用户在与信息技术互动过程中的自我意识，可以诱发各种IT行为，包括功能使用、强化使用、多样性使用和抵制行为。当用户对信息技术持认同态度时，会加强对它的重复使用或多样性使用；反之，则会减少使用甚至抵制使用。因此，本研究假设：

H1：信息技术认同正向影响短视频用户对算法的合作型操纵。

H2：信息技术认同负向影响短视频用户对算法的反抗型操纵。

Carter（2012）在提出信息技术认同概念的同时，指出其强度取决于用户的三个体验：IT嵌入性、计算机自我效能和实际奖励，而用户体验受到功能、可塑性、带宽、移动性这四个技术特征的影响。后续也有研究者发现技术特征可以直接影响用户的信息技术认同。总的来说，信息技术认同的前因可分为技术特征感知、用户体验感知两个维度。

在技术特征感知维度，可供性（affordances）提供了一个框架，描述了技术允许或限制在特定环境下的可能行为结果，它与技术功能 的特征相关，并与用户的意图、感知和理解相关联。Shin等（2019）提出了“算法可供性”概念的操作性定义，分为公平性（fairness）、可问责性（accountability）、透明度（transparency）和可解释性（explainability）四个维度。他们认为算法通常是“黑盒式”的，不具备允许被用户理解或者更好地利用它们来实现目标的能力，但算法公司必须将可供性嵌入算法中以促进用户对算法的充分利用。如果用户无法感知算法的可供性，有效使用它的可能性会大大降低。因为很少有平台正式披露关于推荐算法的训练集和模型信息，用户掌握的可问责性、透明度的直接证据有限，所以在算法的感知可供性上一般重点关注感知可解释性与感知公平。算法的可解释性指算法解释它如何工作以及提供潜在结果范围的能力。当人们了解系统如何工作时，他们更有可能正确使用系统并信任设计者和开发者，提高对系统的满意度。具体到短视频APP的使用，Xie已通过实证研究证明算法的感知可解释性会对短视频用户的回避抵抗和混淆抵抗产生积极作用。算法环境中的公平性意味着算法决策不应产生歧视性或不公正的后果，通过提高用户对算法的信任度正面影响用户对算法的满意度和可持续使用。反之，用户面对算法在内容分发上的不公正时会产生强烈的愤怒或者不安等负面情绪，从而开始实施对算法的抵抗。因此，本研究提出以下假设：

H3：算法的感知可解释性正向影响短视频用户对算法的信息技术认同。

H4：算法的感知公平正向影响短视频用户对算法的信息技术认同。

信息技术认同理论模型指出，用户体验感知有IT嵌入性、实际奖励和计算机自我效能三个影响因素。IT嵌入性指用 户感受到信息技术与特定交互的关联程度，而研究调查对象只包括对短视频算法有意识的用户，故不在此考察IT嵌入性变量。

实际奖励指使用信息技术后的实际回报，包括物质和精神方面。短视频算法的核心是通过用户历史数据分析提供“千人千面”的个性化推荐服务，一方面满足了用户的个性化需求，另一方面涉及了对个人喜好数据的披露，故在考察实际奖励时引入隐私计算理论。隐私计算理论认为用户披露私人信息的意愿和行为取决于感知隐私风险和感知隐私利益之间的权衡。个性化收益可用来衡量感知隐私收益，因为个性化既是推荐算法的核心，又是激励用户参与信息披露的最有效方法。算法的个性化推荐涉及对用户身份的生成，是算法与用户的共同生产。这一过程可视为人际互动，Taylor等将人际交流理论与算法研究相衔接，提出感知算法回应概念，即人们相信社交 媒体算法理解、验证和支持自我的核心定义特征的程度，已被证明正向影响用户的媒体享乐。在隐私风险方面考虑监视这一种对隐私的新威胁，感知平台监视 被定义为对平台主动收集和处理个人信息以及监控在线行为的消极信念。由于推荐算法的结果和用户相关程度过高，用户会怀疑自己在被跨平台监控或者日常对话被窃听。在这种监控服务场景下，个人容易减少与平台的互动频率以减少隐私泄露。因此，本研究提出以下假设：

H5：感知回应正向影响短视频用户对算法的信息技术认同。

H6：感知平台监视负向影响短视频用户对算法的信息技术认同。

计算机自我效能是个人对其使用计算机能力的信念。具体到短视频算法操纵情境，算法自我效能考察了用户对自身算法知识能力的主观评价。Karizat等指出用户是在形成了与算法生产身份相关的民间理论的基础上，采取相关行动反抗算法对边缘身份的压制。洪杰文等通过质性研究发现算法意识和相关算法想象是激发特定情境下算法抵抗的重要因素。陈阳等通过实证研究发现算法素养会影响用户对短视频算法的抵抗意愿和意图，从而影响其抵抗行为。因此，本研究提出以下假设：

H7：算法自我效能正向影响短视频用户对算法的信息技术认同。

此外，算法不仅控制着信息分发的可见性，还通过提供高度个性化的内容诱使用户不停地进行着“刷”这个动作，因此用户很容易产生一种被控制感或者不自由感。无论推荐平台是否有意操纵用户，仅仅是被操纵的感觉就会让用户产生算法焦虑。感知自由威胁从心理逆反理论发展而来，指个体的自由权利受到破坏和威胁，感到难以施展自己的能力。因此，本研究提出以下假设：

H8：感知自由威胁负向影响短视频用户对算法的信息技术认同。

综上所述，本研究以对算法有所意识的短视频用户作为研究对象，将信息技术认同作为考察短视频用户算法操纵（合作型操纵和反抗型操纵）的理论视角，构建理论模型如图1所示。

二、研究设计

（一）研究方法

本研究使用了问卷调查法与深度访谈法结合的研究方法。

问卷调查法覆盖面广泛，可以通过大量样本数据验证研究假设的准确性和普遍性。调查问卷分为三部分：第一，甄别题两道。由于本研究关注的是短视频用户算法操纵，只有使用过短视频App且对短视频算法有所意识的用户才能被纳入研究对象，即需要在“您是否使用过短视频App”选择答案“是”，以及在李克特五级量表题“您在多大程度上知道短视频App的内容推荐由算法决定”中选择“4”或“5”。第二，用户的人口统计学属性和短視频App使用情况调查。第三，借鉴国内外成熟量表的变量测量题项。各题项采用李克特五级量表，使用“非常不同意”“不同意”“中立”“同意”“非常同意”作为各题项的选择。

深度访谈法可以对问卷结论的分析进行必要补充，从而更全面立体地了解研究对象进行算法操纵的“情境性”和“具体性”。访谈内容主要包括三点：第一，人口统计信息、短视频使用年限与每日使用时长等基础信息；第二，测量对短视频算法的信息技术认同，并谈谈相关感受；第三，对短视频算法进行合作型或反抗型操纵时的态度、原因、意义等。

（二）变量操作化与测量

本研究变量测量的题项借鉴国内外成熟量表，并根据用户与短视频算法互动的特征在表述方式上进行适当调整与修改得出。所有变量Cronbachα系数均大于0.7，所有题项CITC大于0.4，且删除题项后的Cronbachα均小于维度Cronbachα值，说明各变量量表信度良好。具体情况见表1。

（三）数据收集

问卷发放主要通过两个途径：第一，通过滚雪球的方式在各社交平台发放问卷；第二，通过问卷星平台的样本服务，获取更大范围内更多用户数据。最终，共回收问卷564份，其中有效样本438份。随后，使用SPSS和AMOS对问卷数据进行分析检验。

综合考虑招募对象的算法信息技术认同和算法操纵倾向，最后确定8名访谈对象，基本信息见表2。其中女性5人，男性3人，学历均为本科及以上，短视频使用年限均超过一年；对算法的信息技术认同平均分2人在3分以下，6人在3分以上。

三、数据分析

（一）描述性统计

参与调研的用户在性别方面，男女数量比较平均，其中女性占比52.1%，男性占比47.9%。在年龄方面，占比比较高的是18岁—25岁、26岁—35岁年龄段，分别达到38.8%、47.9%；调查用户整体较年轻，这与短视频App以年轻用户为主的用户画像相匹配。在学历方面，本科及以上占比86%；算法意识在一定程度上受学历影响，所以符合本次算法操纵研究条件的用户也偏向拥有高学历。在短视频App使用年限上，91.1%的用户使用短视频App超过一年。在短视频App每日使用时长上，比较集中的是每天1小时—3小时，占比57.5%；其次是不到1小时，占比23.5%（上述数据采用四舍五入保留一位小數计算得出）。具体情况见表3。

（二）效度检验

本研究用AMOS进行验证性因子分析，x2/df、RMSEA、RMR、GFI、CFI、IFI、PNFI均满足理想值，因此测量模型拟合度较好。同时，用AVE进行收敛效度和区分效度的检验。各题项标准化因素负荷量均高于建议值0.6且达到显著性水平，所有潜变量组合信度（CR）均大于建议值0.7，平均方差抽取量 AVE 值均大于建议值0.5，说明本研究量表收敛效度良好。对角线数字即各变量平均抽取变异量（AVE）平方根均大于与其他变量之间的相关系数，因此本研究测量模型区分效度良好。具体情况见表4。

（三）结构方程模型分析

本研究使用AMOS软件进行结构方程分析，x2/df、RMSEA、RMR、GFI、CFI、IFI、PNFI均满足理想值，说明本研究结构模型适配度和整体拟合效果良好，结构方程模型结果如图2所示。

本研究使用AMO S软件得到研究模型的标准路径系数（具体情况见表5），感知解释性（β=0.139，p＜0.05）、感知公平（β=0.229，p＜0.001）、感知回应（β=0.309，p＜0.001）、算法自我效能（β=0.147，p＜0.01）被验证正向影响短视频用户对算法的信息技术认同，即H3、H4、H5、H7成立。感知平台监视（β=-0.128，p＜0.05）、感知自由威胁（β=0.118，p＜0.05）被验证负向影响短视频用户对算法的信息技术认同，即H6、H8成立。信息技术认同（β=0.479，p＜0.001）正向影响短视频用户对算法的合作型操纵，信息技术认同（β=-0.331，p＜0.001）负向影响短视频用户对算法的反抗型操纵，即H1、H2成立。

（四）中介效应检验

本研究使用AMOS来操作偏差校正置信区间Bootstrap法进行中介效应检验，如表6所示，除感知自由威胁→信息技术认同→合作型操纵之外，中介路径的置信区间上下限之间均不包含0，中介效应成立。中介路径感知自由威胁→信息技术认同→合作型操纵的置信区间为（-0.125，0），上下限之间包含0，中介效应不成立。其缘由在于感知自由威胁对信息技术认同显著性系数不高，而信息技术认同对算法合作型操纵显著性系数较高，导致整体中介效应不成立。

四、结论与讨论

（一）“算法可用”：规则认知与情感认同的交织

假设H3、H4被证实，说明感知可解释性、感知公平的“算法可供性”让用户在“知道该怎么用”和“对我是有用的”的基础上认知到算法是可以被我使用的，从而影响了用户对短视频算法的信息技术认同，并影响到用户的算法操纵行为。具体而言，感知可解释性和感知公平则通过规则认知和情感认同的双重作用对用户的算法操纵行为产生影响。

算法的感知可解释性通常发生在算法输出结果对用户的“算法想象”或“算法民间理论”的验证中，“过年回老家，我发现短视频App给我推送一些唱歌视频，但我从来不喜欢看这些。我仔细看了一下，发现很多视频带着我老家附近的定位，我就明白了，原来是根据我的地理位置推送的，而不是乱来的”（M2）。算法对用户的使用痕迹反馈越即时，用户的感知可解释性越强，“我对某个短视频很喜欢就点了赞，没刷几个马上看到了同类型的内容，就觉得算法真的挺厉害的”（F1）。感知可解释性让用户对算法规则有一定把握，一方面让用户看到利用规则的可能性，“我用得多了，大概明白算法规律了，就知道我可以去调教它，让它为我所用”（F4）；另一方面能加深用户对算法的信任，“我越熟悉算法模型的输出原理，我就越知道它给我提供的东西对我到底有没有益处”（M3）。

用户对短视频的感知公平主要体现在两个方面：其一，算法出于商业逻辑或者移植了现实社会价值观导致对某些“非主流”内容的可见性压抑。“我之前关注了一个性少数博主，她说自己如果发性少数相关的视频，流量就会特别差。我这才知道原来算法分发并不是完全技术中立的，感觉有点生气。”（F2）其二，对特定身份用户推送特定刻板印象内容。“我刷短视频的时候总会刷到婚恋相关内容，屏蔽了也没用，但我男朋友却没有（这种情况）。感觉所谓的算法就是对女人施加性骚扰和婚姻焦虑压力，无论在现实还是在虚拟世界中，好像只有伪装成男人才能舒服一点。”（F3）对算法的感知不公平，让用户感到算法对其身份与自我认同的冒犯，这种价值型算法态度将对算法产生不信任的感觉，让用户倾向于反抗平台算法。

（二）“算法懂我”：人格化下的类人际互动

感知回应正向影响用户信息技术认同并产生算法操作行为（H5），人机互动变成了一种“类人际互动”，要求算法“懂我”并“对我的需求做出反应”。在情感共鸣、意外发现两种情境下，用户会产生“算法懂我”的强烈感受。情感共鸣即算法推送的内容恰恰符合用户当下的心情，“有一天做梦梦到了已经绝交的朋友，醒来刷短视频刷到‘怎么写友情更刀，一时间感触很多”（F1）。意外发现指用户发现算法提供超出最初意图与预期的有用内容或服务，“有一天，我发现算法开始给我推我没关注过的玄学，我竟然还很喜欢”（F4）。“有时候会觉得算法会预知我这段时间的喜好。”（F1）“算法不懂我”的强烈情绪通常产生于关联失败、情境冲突、同质化三种情境中。关联失败即内容细分颗粒度不够导致的匹配失败，“世界杯的时候我支持某队，有时候算法给我推了竞争对手的内容，我觉得很扫兴”（M2）；或同一内容颗粒度下正负信息的冲突，“我经常在短视频上点赞我爱豆的视频，有时候竟然给我推黑他的内容，真的气死我了”（F4）。情境冲突即推送内容与用户所处现实情境的不匹配，“过年的时候打开短视频打算快乐一下，结果它给我推找工作、写论文什么的，整得我特别崩溃”（F1）。同质化即相同类型内容推送频次过高，让感兴趣的内容变得“索然无味”（M3）或“重复性信息轰炸导致倦怠或焦虑”（F5）。“算法对我的需求做出反应”则特别体现在用户对不喜欢的内容点击“不感兴趣”后，算法不应再推送相关信息，“有时候有些内容我点了无数次不感兴趣了还推给我，感觉特别烦，算法跟个智障一样”（M2）。

感知回应表现了用户在不同程度上会将算法人格化， 当算法认知到用户“自我”的多面性和动态性时，用户会产生“算法懂我”甚至“算法比我更懂我”的感受。多面性是对用户不同身份和兴趣的整合，对不同类型内容、不同类型的发布风格或不同趋势的更广泛选择，即“ 仿佛在展示我脑海中的一切” （ F 3 ） 。動态性体现在算法能够快速响应并更新其记录的用户特征，即“几乎立即捕捉到我喜欢的东西” （ F 5 ） 。此时， 用户对算法持有更积极的态度， 将其作为构建和培养自我的辅助工具，甚至可能会形成强烈的情感关系，“有时候觉得算法好懂我，要是能和算法谈恋爱就好了”（F1），最终影响到用户与算法的合作或对算法的反抗。

（三）“算法失控”：平台监视与隐私边界溢出

感知平台监视通常发生在察觉算法推荐内容与用户喜好高度匹配时，对用户的信息技术认同产生负向影响（H6），“我和朋友谈论了某样东西，马上我发现算法就会给我推”（M1）。用户发现不仅平台内行为数据被监视，跨平台行为数据也被监视，“有一次我在微信上和人聊了要去哪里玩，很快就在短视频上刷到了跟它相关的视频”（F2）。由此，用户产生了一种担忧与被威胁感，“算法总让我感觉自己无处遁形”（M1）。

通过用户访谈，本研究发现用户对隐私风险的关注还包括溢出隐私边界的传播失控和线上线下形象冲突。“隐私边界”（boundary ofprivacy）指人际传播中个体所能控制的个人信息范围。个体会对其信息传播划定公私、群体、代际的界限，以此打造个人形象、维系关系等。而算法对用户个人信息的全时空采集、多链条式分发连接，不仅使用户的隐私信息披露内容失控，也导致隐私信息披露对象失控，进而让用户无法对自己的“算法人设”进行管理。“算法让朋友看到了我在点赞什么，我觉得特别特别尴尬，导致我有时候点赞的时候会犹豫。”（F5）线上线下形象冲突指算法记录的爱好与用户线下形象不相符合，由此导致对算法操纵的规避以免被线下关系发现自己的某些兴趣爱好。

平台监视与隐私边界溢出，给用户带来对隐私风险的担忧；风险成本高于用户所能感知的收益则会导致用户对“自我的隐藏”，进而影响对算法的操纵行为。

（四）“自由在我”：多样性与自主性的追求

短视频用户在与算法互动的过程中，算法自我效能正向影响用户对算法的信息技术认同，并通过算法信息技术认同影响用户的合作型算法操纵和反抗型算法操纵（H7）；感知自由威胁负向影响用户对算法的信息技术认同，并通过算法信息技术认同影响用户的反抗型算法操纵（H8）。

算法自我效能是用户对算法实现控制与自主权的基础，而感知自由威胁则是对自主权的破坏。感知自由威胁体现在信息茧房、自我管理失控、强行植入三个方面，体现了用户对多样性与自主性的追求。信息茧房即个体处于同质化、单一化和狭窄化的信息环境之中，“算法推送的都是我喜欢看的，而不是我需要看的、更多样化的，很难突破我自身的局限”（F2）。还有可能带来“回音室”效应，导致群体思想的同化与强化，“算法挺容易激发人的劣根性，抱着一种不好的想法只会刷到和你一样想法的人，久而久之就会把这种坏想法合理化”（M2）。自我管理失控即沉溺于算法的投喂忘记了时间、空间的存在，甚至感受不到对自身的控制，“我常常觉得是短视频在刷我而不是我在刷它”（M1），“我觉得我是算法的电子宠物”（F5）。强行植入指短视频平台的信息呈现方式使用户有些时候无法选择观看哪些内容，只能被动接收平台需要用户看到的内容，如“广告推广”或某些“响应号召推广的内容”，“哪怕我点了不感兴趣也没有用”（F5）。当用户感知自由威胁，其选择权和自主性受到破坏，从而产生一种抗拒心理，负向影响了对算法的信息技术认同和算法操纵行为。

（五）“超越工具”：自我避风港的可能性

用户对算法的信息技术认同正向影响合作型算法操纵，反向影响反抗型算法操纵（H1、H2）。中介效应检验结合深度访谈发现用户对算法的信息技术认同体现在工具性和亲密性两个维度。在工具性上，算法可作为自我的娱乐工具、效率工具、自我拓展工具。算法提供的高度个性化的内容和感知回应给用户带来了媒体享乐，甚至成了疲惫沉重的学习工作生活之余的“补偿性娱乐”，“下了班好累，什么都不想做，就想刷刷短视频放松一下”（F4），“我曾经尝试过关闭短视频的推荐算法，推的内容太可怕了，我都刷不下去，立马又打开算法开始快乐”（F2）。

算法对各种资源要素强大的集纳、整合以及分配能力，能帮助用户快速获取、纵深挖掘信息，被用户当作学习、查找的有力效率工具，“认识一个卷王，天天利用算法在短视频平台学习专业知识，实在是太佩服了”（F3）。自我拓展即利用算法获得了新角色或身份、新体验，增加了知识、资源、能力感、新视角，促进了个人成长，“过年回家强行让不善社交的父母接受了智能手机和短视频，我相信某种程度上，大数据和算法会更懂他们。希望他们从虚拟世界得到情感慰藉和共鸣，希望新鲜的事物能使他们不孤单、不寂寞”（F4）。算法给自我带来的高效率、高度连接性、自我验证与拓展，提高了用户对算法的認同，从而在有些时候促进对算法的合作型操纵，以配合算法更“懂我”。反之，如果用户在算法互动中有自由威胁、自我能力下降等负面感受，则倾向于反抗算法。

在亲密性上，算法可能与用户培养起一种日益密切和基于情感的关系，如“信任”“慰藉”等。通过用户对算法的“精心调教”，算法为用户提供了一个源源不断“投喂”无限接近个人喜好的信息空间，让用户在沉重焦虑的现实空间中享受着“符合自己需求的快乐”，即“用算法打造一片避风港”（F4）。反之，如果用户享受不到“同温层”的愉悦，而是陷入了同质化、互相比较的焦虑、倦怠之中，用户则倾向于反抗算法。

（六）研究启示

基于研究发现，本文在实践方面为短视频算法的发展提出以下几点建议：

1. 提高算法可解释性和公平性，增加用户信任

短视频App的信息呈现方式使算法推荐内容直接铺陈在用户面前，而没有选择性点开的空间。当用户不能理解算法输出结果或感受到偏见负载时，对算法的信任感则较弱。算法可解释性的提高不仅依赖技术人员对算法模型的优化，在产品设计上也可以对算法输出结果适当增加说明。算法公平性受有偏数据、算法设计和社会价值观三个方面的影响，因此从技术路径进行修正的同时，还应当引入非技术手段，通过多学科专家、利益相关者与技术人员的交流来优化算法模型。

2. 以人为中心，优化算法多样性和动态性

当个性化内容代表了自我的多面性、动态性时，人们往往会对算法持有更积极的态度。算法对用户多面性的把握应当体现在两个方面：其一，给用户推送多样化内容，而非某一类型的重复轰炸；其二，精细内容分类颗粒度，避免推送信息间的冲突。算法对用户动态性的把握体现在三个方面：第一，对用户反馈的即时响应，特别是当用户点击了“不感兴趣”之后应当立即减少相关内容推荐；第二，及时更新用户画像，根据新信息进行个性化定制和预测，避免信息滞后；第三，当平台商业或其他目标与用户需求不匹配时，应当采取更柔性、更动态的手段，而不是强行让用户接收。

3. 完善隐私保护设计，注意隐私边界

当用户感受到隐私风险时会减少对个人信息的披露，不仅不利于算法对用户喜好的把握，甚至会导致用户对算法的放弃。平台需要严格执行《互联网信息服务算法推荐管理规定》，在保护用户隐私数据的同时加强宣传，让用户看到平台的努力和决心。在隐私保护方面需要格外注意的是算法强大的关系链接和分发机制导致的隐私边界外溢。平台应当根据用户反馈，将用户强烈反感的功能下线，对其他敏感功能加强提示和引导，让用户可以自由控制隐私边界。

4. 增加用户控制或代理，减少用户抵抗心理

当用户缺乏对“算法”的控制或代理时，可能会产生算法焦虑或者算法厌恶等抵抗情绪，用户需要在断开和调整算法系统上有足够的自主性。短视频App现阶段已提供了“使用管理助手”等类似功能，在一定程度上可以帮助用户在使用时间和推荐内容类型上对算法系统进行管理。平台还需要加强对这些功能的宣传，或通过分析用户数据动态提示用户使用这些功能。

（作者鲍立泉系华中科技大学新闻与信息传播学院副教授；赵雨柔系华中科技大学新闻与信息传播学院2019 级硕士研究生）

* 华中科技大学新闻与信息传播学院2022 级硕士研究生熊馨怡对本文亦有贡献，特此致谢！