科學家發現：去掉推薦算法，社會極化反而更嚴重？

長久以來，我們都認識到了社交媒體給我們的生活所帶來的新挑戰。在這之中，由哈佛大學法學院的凱斯·桑斯坦教授（Cass Sunstein）所提出的“信息繭房”的概念在中文世界中得到了廣泛傳播。“信息繭房”，顧名思義， 就是我們在社交媒體上只接觸到某一類信息，導致個體對于世界的理解被困在狹小的信息之繭中。而隨著個性化推薦的算法在社交媒體與短視頻平臺上的廣泛應用，這種對于自我封閉的擔憂顯得更加迫切，盡管并不嚴謹，人們也會提到“同溫層”，“過濾氣泡”，“傻子共振”這樣的用語，并且認為算法推薦的發展加劇了傳播生態的惡化，導致個體走向封閉，使激烈的觀點在社交場域中獲得更多的關注。

在今天，社交媒體已經深深地嵌入了人們的日常生活，當個體面對現實世界中的信息爆炸時，對于信息進行過濾與整理似乎是一種必然的選擇。為了應對社交媒體的所帶來挑戰，算法工程師們提出了許多平臺層面的干預策略。隨著推薦算法的不斷完善，推送到人們面前的信息已經在變得更加平衡且豐富。與此同時，人們對于個性化推薦所帶來的“信息繭房”或“同溫層效應”感到擔憂。例如，特定的社交平臺會根據用戶的政治傾向推薦同質化的內容，導致用戶只能接觸到片面的信息來源。從而對于良性的公共對話產生負面影響。

懷有警醒的態度生活當然是很好的，然而對于信息繭房在現實層面的具體面貌，目前仍缺乏清晰的研究。我們缺乏對于信息繭房是否存在的實證，并對于它如何影響個人的信息選擇也缺乏了解。事實上，人們選擇性地接觸信息并不是一個新現象。也有學者指出，“同溫層效應” 確實存在，但目前的擔憂其實是夸大了事實。“信息繭房”這一概念引發了廣泛的擔憂，但這是否是一種叫魂式的擔憂呢？為了更好應對我們身處的復雜世界，我們需要對于這個過程有更好的研究與理解。

在許多關于信息繭房的討論中，人們抱有這樣一種假設：如果你能接觸到多樣化的信息，那么就能打破信息繭房。而在杜克大學社會學家克里斯·貝爾（Chris Bail）的《打破社交媒體棱鏡》（Breaking the Social Media Prism）一書中，他提出了這樣的一個問題：如果個體在社交媒體上接觸到與自身對立的觀點，這是否真的有助于他反思自己？貝爾在他的實驗中發現，用戶在社交媒體的日常使用中接觸到的對立觀點，其實并沒有幫助他們反思自身，反而讓他們的政治立場變得更加極端。所以哪怕信息繭房被打破，社會的極化也并不會消失。由此，貝爾提出了“社交媒體棱鏡”， 他認為社交媒體并不是一面如實反映世界的鏡子，而是一個會扭曲用戶對自我和他人認知的棱鏡。對于人這種扭曲會讓用戶形成錯誤的自我身份認同和虛假政治極化（false polarization），從而變得越來越極端。

貝爾在他的書中提到了一種喜歡在網上發泄情緒，引起大家關注的人。我想我們都很熟悉這樣的人物畫像，他們的目的不是表達或者尋求共識，而是制造混亂。面對這樣的人時，人們很容易做出情緒化的反應。事實上，這種形象在現實中當然也存在，在《卡拉馬佐夫兄弟》里，在先前表現糟糕的老卡拉馬佐夫來到了一家餐廳，他在心里對自己說：“ 我總是感到，不管我走到哪里都低人一等，每一個人都想對待小丑一樣對待我——那就讓我真的演一次小丑吧，你們所有人，無一例外，都比我低級?！?他這樣想著，然后在餐廳里大鬧了一場。而不幸的是，在網絡上和在現實中一樣，這樣的鬧劇總能得到更多的關注。

最近，阿姆斯特丹大學的彼得·滕貝里（Petter T?rnberg）和邁克·拉羅伊（Maik Larooij）兩位作者在物理學預印本平臺arXiv上發表了一篇論文，并得到了《科學》雜志的關注。在這篇名為《我們能修復社交媒體嗎？利用生成式社會模擬測試親社會干預》 （Can We Fix Social Media? Testing Prosocial Interventions using Generative Social Simulation）的論文中[1]，他們利用大語言模型生成了500個虛擬用戶，并構成一個小型的社交網絡。每個用戶都根據美國國家選舉研究中來自全國選民調查的真實用戶畫像，被賦予了年齡、性別、宗教信仰、政治傾向和教育程度等特征。

在三項獨立的實驗中，研究人員分別使用三種主流大型語言模型（LLM）——ChatGPT、Llama 和 DeepSeek——將虛擬用戶擴展為包含興趣、愛好和職業等更細致特征的個人畫像，并基于這些畫像生成決策。在實驗過程中，系統隨機選取的用戶需在三種行為中進行選擇：從 10 篇隨機新聞文章（從 21 萬個候選項中抽?。┲羞x擇一篇并撰寫相關帖子；轉發已有帖子；或依據自身畫像關注其他用戶。用戶的選擇會受到其信息流內容的影響，該信息流包含 10 條帖子，其中一半來自用戶已關注的人，另一半則來自未關注用戶的熱門帖子。

在每次實驗中，虛擬社交網絡均運行了一萬個周期。然而，無論研究人員采用哪一種 LLM 模型，平臺最終都不可避免地出現了三種典型的負面現象：回音室效應、影響力集中，以及極端聲音的放大。

該研究隨后以理想化形式測試了六種通常用于緩解社交媒體算法問題的干預策略：

1. 按時間順序推送或隨機推送

2. 淡化主流（高轉發量）內容

3. 平衡黨派內容的橋接算法

4. 優先發布具有高同理心或高推理能力的帖子

5. 隱藏社交媒體統計數據，例如粉絲數量

6. 隱藏個人簡介以減少基于身份的信息傳遞

然而實驗結果令人沮喪。只有部分干預措施對于系統起到了輕微的改善作用，但沒有一項能夠徹底地修復出現極化的系統。事實上，一些干預措施反而加劇了問題。平衡黨派內容的橋接算法顯著削弱了黨派傾向與參與度之間的聯系，并略微改善了觀點多樣性，但同時也加劇了社交媒體中的關注度不平等。按時間順序推送對減少關注度不平等效果最為顯著，但同時也存在弊端：它加劇了極端內容的傳播。

按時間順序推送是一種屬于 Web2.0 時代的，更加古早的推送策略。人們傾向認為 BBS 論壇等按時間排序的網絡社區，更容易實現注意力的平等，減少社群的分裂與極化；而采用推薦算法的社區，因“回音室效應”容易造成群體間的間隔，進而加速觀點極化。而在這兩位科學家的模擬中，取消了推薦算法按時間排序推送，反而加劇了極端內容的傳播。這是一個有些反常識的發現。

在接受 Ars Technica 的采訪時，彼得·滕貝里也提到了他作為一個學者對于在研究中對于 AI 模擬實驗的批評與懷疑。但是與此同時，單純使用觀測數據，使得研究者很難驗證反事實假設。因此，研究者們也會創建系統的計算機模型，并在此基礎上進行實驗并驗證反事實假設。計算機模擬在社會行為研究領域有著悠久的歷史，例如羅伯特·艾克斯羅德（Robert Axelrod）就曾在《合作的進化》（The Evolution of Cooperation）中使用計算機模擬“重復囚徒困境”競賽，研究合作的產生與競賽。這種方法有助于研究網絡動力學的結構和發掘社會現象的涌現過程。正如彼得·滕貝里所言：“我仍然要對這些發現持保留態度，意識到這些只是模型，它們捕捉的是一種假設的世界——就像真空中的一頭球形奶?！ぁぁぁぁぁげ恍业氖?，在這個實驗中，我們發現了一種似乎非常穩健的機制?！?/p>

而在更早之前，在《自然》雜志 2021 年發表的一項研究中[2]，多倫多大學計算機科學系的研究團隊以社區平臺 Reddit 過去 14 年間共計51 億條評論為樣本，分析了用戶在 1 萬多個子社區中的發言行為。結果顯示，Reddit 的社區結構并非僅以“話題”劃分，而是深受用戶的年齡、性別與政治立場等社會因素影響。研究發現，2012 至 2015 年間，Reddit 上的政治極化程度相對穩定；但在 2016 年美國大選期間，平臺的政治極化水平突然顯著上升。值得注意的是，這一變化主要由當年新加入的用戶推動，而老用戶的立場變化極小。這一結果表明，用戶的極化程度與平臺使用時長關系不大，更可能受外部政治事件驅動，而非社交平臺內部行為的積累所致。

在國際學術界，關于社交媒體與政治極化關系的研究多以政治取向（如左右翼）為衡量維度。然而，多數實證研究表明，社交媒體并不會顯著加劇社會的極化現象。換言之，極化更多是現實政治分裂的映射，而非平臺算法所制造的“回音室”或“信息繭房”效應。

也許，更接近現實的解釋或許是：社會本身的分裂決定了社交媒體內容的分裂。人們在網絡上看到的對立聲音，并非由算法催生，而是現實世界的分裂在社交媒體世界的真實反映。即便在不存在算法干預的中性環境中，人類依然傾向于靠近與自己觀點相似的群體；而面對異見群體時，自我認同的防御性強化反而會使極端立場更加突出。

事實上，我想起《美國的反智傳統》的作者理查德·霍夫施塔特（Richard Hofstadter）的論述，他早在上世紀60年代就開始批判他所處時代政治的偏執狂傳統?！斑@是一種持續存在心理情結?！?也許，無論我們用紙媒交流，用電臺或是電視交流，還是像現在一樣在社交媒體上交流，這樣的極化與偏執總是存在的，這是一種我們無法否認，也無法避免的現實。面對歷史，也許我們不得不承認，與其怪罪算法，我們更加應當意識到我們作為人類的局限。當然，這也就是說，我們不要放棄，去理解這個我們所生活的世界。

參考文獻

[1] Larooij, M., & T?rnberg, P. (2025). Can We Fix Social Media? Testing Prosocial Interventions using Generative Social Simulation. arXiv preprint arXiv:2508.03385.

[2] Waller, I., & Anderson, A. (2021). Quantifying social organization and political polarization in online platforms. Nature, 600(7888), 264-268.