算法推荐视域下舆论偏见的生成逻辑与风险治理

摘要：在人工智能技术快速发展的背景下，算法推荐机制日益成为影响网络舆论生态的关键因素。算法推荐深刻地改变了舆论信息的传播方式，呈现出表达情感化、传播精准化以及社会模仿化的特点。然而，算法推荐在提升信息传播效率的同时，也为社会舆论场域带来了新的挑战：受众群体的精准细分容易引发群体极化、“流量至上”的导向削弱了主流价值观的影响力、算法黑箱的存在降低了舆论信息的真实性和有效性。为应对算法推荐带来的潜在风险，亟须加强主流价值观的引导作用、提升多元主体的算法素养、完善算法相关的法律法规，以构建更加风清气正的网络舆论环境。

关键词：算法推荐；舆论偏见；逻辑风险治理

中图分类号：TP311 文献标识码：A

文章编号：1009-3044（2025）06-0027-04 开放科学（资源服务）标识码（OSID）：

随着信息技术的迅猛发展，算法早已突破人工智能领域的界限，深度融入各行各业，成为互联网生态中不可或缺的一环。作为自媒体传播体系的关键技术，算法能够根据用户的行为和偏好，预测并推荐其可能感兴趣的内容，进而在公众认知塑造和社会舆论发展中发挥着重要作用。然而，由于资本逻辑的潜在影响，算法推荐也容易引发舆论冲突和偏见，这已成为我国建设网络强国过程中不可回避的挑战。因此，本文将深入剖析后真相时代算法推荐技术引发网络舆论偏见的内在逻辑，探讨算法视域下舆论信息传播的特征，并在此基础上，针对流量至上、算法黑箱、群体极化等问题提出治理路径，以期引导算法推荐技术向上向善，使其成为构建良好舆论生态格局的技术载体。

1 算法推荐视域下舆论信息传播的特征

人工智能时代，算法推荐技术通过其特定的传播机制影响用户的思维与行动，改变了舆情的传播模式，在塑造和放大网络舆情方面扮演着关键角色。主要特征包括以下几个方面。

1.1 表达情感化：从理性走向感性

情感交流在舆论传播中有着关键的作用。个体情绪借助语言在社会网络间传播，实质是一场以情绪理解为内核的群体情感互动仪式[1]。进入人工智能时代，智能融媒体成为信息表达的主要平台，社交媒体的交互性与私人性以及自媒体的自主性等特性，使得公众网络情绪表达渠道从以传统媒体为主转变为以新媒体为主[2]。作为智能媒体的核心技术之一，个性化推荐算法通过收集分析用户在线行为数据，能够精确地感知和识别社交媒体等平台上网民的情感倾向。同时，利用机器学习技术不断优化推荐策略，推送网民“情感偏好”的内容，使得受众能在纷繁复杂的网络信息中迅速找到满足自身需求的信息。

在人工智能的背景下，民众更愿意接收高情感浓度的信息，这为互联网中“情绪型舆情”的传播提供了温床[3]。因此，人们也更倾向于选择那些与个人价值观和情感状态相契合的社会热点话题，以此作为情绪交流的出口，寻求共鸣与安慰。在“四川大学女生地铁诬陷他人偷拍事件”中，在“算法推荐”机制下，用户被动接收平台推送的信息流，更容易受到其中情绪化内容的影响，进而影响自身的认知和判断。而网民对于“偷拍”行为的愤怒情绪的宣泄，成为推动舆论发展的关键动力。拥有相同情感体验的个体会因为情绪共鸣而逐渐聚集，形成网络社群。在分享欲望和媒介技术的共同推动下，网络社会情绪的聚集速度加快，进而催生了网络舆论的巨大力量。

1.2 传播精确化：从大众走向分众

算法推荐技术能够根据用户的兴趣爱好、行为习惯等数据，将信息精准地推送给目标用户，从而实现信息传播的分众化和个性化。这一技术有效缓解了网络舆论信息过载和用户注意力分散之间的矛盾，为用户提供了更加精确的信息推荐服务。网络舆论的传播精确化具体表现为两个方面。

一是在内容制作方面的针对性生产。社交媒体的变革以及算法推荐机制的应用，不仅推动了舆论内容产出的主体多元化，也增强了用户议题呈现的指向性和可见性。尽管大多数网络信息平台允许用户自由地生产和分享内容，但平台运营者出于流量的考虑，会在充分考量受众现实需求的基础上，通过后期的内容分类以及奖励机制，激励更多与平台议程相符合的内容创作和传播，从而加深了信息生产的精准化和针对性。例如，有的平台通过其内部的流量池机制，综合多种标准精准筛选出数据表现优异的视频内容，并对其进行多轮次的推荐。这一过程不仅促进了视频内容的广泛传播，还有效推动了热点话题挑战的形成，从而进一步影响了网络舆论的内容生态。

二是在信息分发方面的精确性传达。网络平台通过大数据和人工智能等算法技术，如聚类分析、协同过滤和深度学习，处理和分析用户数据。这些高级的分析方法使平台能够识别具有相似特征和行为模式的用户群体，并对其进行画像，为不同分群提供定制化服务。例如，有的平台通过分析用户粉丝的日常行为，如发布的内容、互动和关注的话题等，提取出用户的兴趣爱好。然后，算法会根据这些信息为用户粉丝打上代表其兴趣的标签，比如“美食爱好者”“旅游达人”或“科技迷”。这些标签反映了用户粉丝的偏好和关注焦点。接下来，在内容推荐和广告投放时，系统会利用这些标签来匹配相关的推广内容或产品。算法也会定期更新用户标签，确保推荐内容的相关性和准确性。通过这种方式，平台能够实现个性化的广告推送和内容推荐，提升用户体验，同时增强广告的投放效果。这种基于用户兴趣标签的推荐机制，是平台实现精准化传播的关键所在。

1.3 社会模仿化：从独立走向从众

传播学中的“沉默的螺旋”理论指出，人们在表达自己的想法和观点时，倾向于积极参与讨论那些与自身观点一致的声音，而对与自身观点相左的声音则选择沉默，这导致符合大众预期的观点会越发大胆地发表和扩散，而与之相悖的观点则逐渐式微。

在算法机制的作用下，“沉默的螺旋”理论表现得尤为明显。一方面，由于占据优势地位的意见通常会首先展示，给后来的读者造成一种错觉，以为这是正确的看法，从而形成“多数意见”的印象。这种印象往往会导致其他用户在心理上产生趋同效应，即使他们原本持有不同的观点，也可能因为不愿意与“主流”相悖而选择沉默或者转变自己的立场。另一方面，在社会群体中，成员很容易感受到来自群体的压力，即使有不同的意见也可能会自我审查，避免表达出来以免遭到排斥或批评。因此，人们往往选择加入所谓的“主流”人群，以凸显自己与他们是志同道合的一群人。这两个因素相互作用，加剧了人们的模仿行为，从而导致原本可能多元和平衡的意见分布向“多数意见”倾斜。随着时间的推移，这种倾斜可能越来越严重，最终导致持不同意见的声音被压制或消失，形成一种螺旋式的上升效应，其中“多数意见”不断得到强化，而少数派观点则逐渐减少甚至沉默，在舆论场中呈现出一边倒的态势。

2 算法推荐视域下舆论偏见的生成逻辑

马克思曾指出，机器具有减少人类劳动和使劳动更有成效的神奇力量，然而却引起了饥饿和过度的疲劳[4]。媒介技术的革新为社会话语的释放提供了巨大可能，媒介技术是社会舆论生态演变的最直接推动力[5]。算法在为公众提供技术便利的同时，也给网络舆论环境带来了前所未有的严峻考验。目标受众的精准细分加剧了社群的极端化倾向，“流量至上”的导向在无形中削弱了人们对核心价值的追求。算法的不透明性作为隐形“黑箱”，对舆论资讯的真实性和有效性构成了潜在威胁。

2.1 群体极化：兴趣圈层化固化群体认知

群体极化理论最早是由传媒学者詹姆斯·斯托纳在1961年提出，随后凯斯·桑斯坦在《网络共和国——网络社会中的民主问题》一书中对群体极化定义为：团体成员一开始即有某些偏向，在商议后，人们朝偏向的方向继续移动，最后形成极端的观点[6]。智媒时代，在受众本位的理念指导下，算法推荐为群体极化提供了新的形成机制。在信息大爆炸的今天，算法推荐机制作为信息过滤系统，根据用户的类别和历史行为记录，对受众和内容的标签化处理，深入剖析用户的兴趣爱好，构建了精细化的用户画像，并根据其喜爱程度为用户推送他们可能感兴趣的信息，继而进行个性化信息推荐和分发。算法通过高度精准的细分策略，为不同个体量身打造定向推送内容。当这些个体在某一事件上的观点产生共鸣时，他们便会被打上共同的标签，进而在网络空间中逐渐汇聚，形成一个群体性的“网络集聚岛”。这种集聚不仅强化了群体内的认同感，也为个体提供了更加精准的信息交流与共享平台。

但算法细分的群体成员间差异性小，同质性高。与异质性群体相比，同质性群体内部缺乏不同观点的碰撞和交融，限制了他们接触多元观点的机会。在异质性群体中，人们可以通过听取不同意见来修正自己的看法；而在同质性群体中，由于缺乏反对声音，群体的观点往往会朝着一个单一的方向发展。在“沉默的螺旋”理论的作用下，当面临容易引发争议的社会现象时，主流声音逐渐放大，而少数派的声音则逐渐被淹没。所以处在“茧房”中的人们难以接触到与自己观点相悖的看法，这也使得思想、行为极端化以及舆论信息缺乏客观正确性。如2023年的胡鑫宇事件在各大媒体的追踪报道及算法的精准推送下，被迅速地以群组化的方式传递给具有相应“标签”的特定用户群体。这一过程不仅极大地提升了用户对该事件的讨论热度，还导致非理性的负面舆论和无根据的指责开始泛滥，进而引发网络舆论偏见。

2.2 流量至上：资本的逐利性加剧舆论偏见

“流量至上”是指在网络传播中，媒介主体关注的不是信息内容、观点表达和意见形成的过程，而是追求大的传播量和高的关注度，以获取高点击率、浏览量和社交分享量为最高目标，将流量作为衡量内容质量和传播效果的主要标准，甚至不惜以牺牲真实性为代价[7]。媒介的快速变革，使得流量已然成为洞察社会舆论动向与网络空间秩序的新型标志，舆论生态格局也在不经意间发生了深刻变化。

有学者认为，所谓社会裂痕并不是人工智能所固有的本性，导致这种现象发生的恰恰是人工智能的资本化操控，是资本逻辑作用的表现而已[8]。就平台运营的角度而言，算法工程师按照平台逐利的需要，将流量设定为推荐信息的主要驱动力。就信息生产者的角度来看，为了追求利益，媒体和用户更倾向于发布那些能够吸引受众注意力的个性化内容，如猎奇、低俗甚至色情的信息。以“在巴黎拾到小学生秦朗作业本”事件为例，其独特的新闻价值和引人入胜的趣味性在网络平台吸引了广大网民的关注。但经过相关部门深入调查后发现，该事件实为追求流量和粉丝而故意编造、摆拍的闹剧。这种单纯追求流量的行为，在选择性的信息传播和算法偏向的放大效应下，往往导致受众对事件的解读产生偏颇和失衡。一些重要但非热门的话题可能因此被边缘化，而轻松、浅显的“泛娱乐化”内容却凭借算法推荐获得了病毒式传播，进一步加剧了舆论场的失衡状态。正因如此，自2022年以来，国家网信办针对网络信息混乱、网络谣言以及算法滥用等问题，积极开展了“清朗”行动，成功清理了200多亿条违法和不良信息，并关闭了近14亿个违规账号。这些举措有力地整治了为追求流量而扰乱社会舆论环境的行为。流量至上的现象反映出资本的逐利性与社会主义核心价值观之间的冲突。这种现象不仅破坏了网络空间秩序，更可能冲击和消解广大网民，特别是价值观正在形成的青年群体的社会共识。

2.3 算法黑箱：信息筛选机制的不透明性弱化把关权力

在人工智能输入的数据和输出的答案之间，存在公众无法洞悉的“隐层”，可称为“黑箱”[9]。就其本质而言，算法黑箱本质上是算法产品的使用者对算法系统的不知情[10]。算法黑箱的存在使得人们难以准确地了解算法的决策机制和运行过程，也难以对其进行有效的监督和控制，这为信息的公平、公正传播带来了挑战。

在大众传播时代，信息的生产和传播过程历来强调“把关人”的作用。“把关人”的角色在于对信息进行筛选和过滤，以确保传播出去的信息符合社会主流的价值观念和规范。随着人工智能技术的不断进步，算法对舆论内容与受众群体的影响力日益增强。在舆论的产生与传播环节，出于经济效益的考虑，网络平台倾向于选择算法和人工智能技术对网络信息进行管理与监控。这些算法在对海量且碎片化的信息进行评估和分发的过程中，不可避免地会嵌入平台自身的价值取向和商业利益考量，从而在无形中植入平台的偏见。在资本逻辑的驱动下，算法机制以流量作为主要指标来引导舆论议程和区分、扁平化用户，可能引发社会舆论问题。在商业利益的驱使下，一些平台可能会刻意模糊算法的运作机制，将衡量信息价值的判断准则隐藏于算法内部的深层逻辑中，从而让原本应该明确、透明的标准变得隐晦而难以察觉，增加了外部监管的难度。此外，相较传统的人工把关，算法在识别和处理复杂语境、价值判断等方面仍然存在局限性。尤其是在面对隐蔽的偏见表达、讽刺、反讽等复杂语言环境时，算法的识别能力仍然有限，这可能导致算法非但无法有效过滤偏见信息，反而可能助长其传播，加剧认知偏差。算法技术的不透明性也给外界监督带来了极大挑战，特别是在涉及思想、言论、新闻等方面的内容推送时，可能会形成错误的导向，造成网络意识形态领域的混乱局面[11]。综上所述，算法技术在信息传播过程中，并非简单的中立工具，其运作机制中可能潜藏着各种偏见和价值预设。算法黑箱的存在为各种偏见和操控提供了滋生的温床，使得原本应该客观、公正的舆论场变得愈发复杂和难以捉摸。