孩子為什么越來越難溝通？算法告訴你一個殘酷真相！

No.0192

Science Partner

Bring you to the side of science

導 讀

家里有小朋友的伙伴兒們，你們有沒有這樣的困惑——給孩子買了最新的iPad，開通了所有學習App的會員，以為這樣就能彌補自己陪伴的缺失。但你可能不知道，那些看似"懂孩子"的推薦算法，正在悄無聲息地把孩子推進一個狹窄的認知隧道。更可怕的是，孩子會對錯誤的認知深信不疑，而你全然不知。

俄亥俄州立大學的研究發(fā)現(xiàn),那些看似聰明的推薦算法,正在把孩子困在一個扭曲的認知世界里——他們看得越多,了解得越少,卻越覺得自己什么都懂。這項發(fā)表在國際頂級心理學期刊上的研究,揭開了一個讓所有家長后背發(fā)涼的真相！這到底是怎么回事？對我們育兒又有什么樣的啟發(fā)？

走，跟伙伴君來！

今日主筆 | 恒意

孩子為什么越來越難溝通？算法告訴你一個殘酷真相！

一、那個讓你夜不能寐的場景

晚飯時,你想跟孩子聊聊最近的社會新聞,孩子頭也不抬:知道知道,我在抖音上都看過了。

你問他具體怎么回事,他說得模棱兩可,卻堅持自己的理解沒問題。

周末你帶他去博物館,他興致缺缺:這些網(wǎng)上都有,還不如看up主講得有意思。

期中考試,作文跑題了,孩子還振振有詞:我寫的沒錯啊,我朋友圈里大家都這么說的。

你突然發(fā)現(xiàn),孩子并不是不聰明,而是活在一個越來越窄的世界里——他接觸的信息越來越多,但對世界的理解卻越來越片面。更可怕的是,他完全意識不到這一點。

二、一個藏在算法背后的認知陷阱

2025年11月,美國俄亥俄州立大學心理系的研究團隊在國際權威期刊《實驗心理學:綜合》(Journal of Experimental Psychology: General)上發(fā)表了一項重磅研究。這項研究的第一作者Giwon Bahg博士(現(xiàn)為賓夕法尼亞州立大學博士后研究員),與俄亥俄州立大學的Vladimir M. Sloutsky教授和Brandon M. Turner教授合作,用一個精巧的實驗,揭示了個性化推薦算法如何悄無聲息地扭曲人類的認知。

研究團隊找來346名參與者,讓他們學習一些虛構的外星生物分類。這些外星生物有6種不同的特征,總共分為8個類別。關鍵來了——研究者設計了不同的學習環(huán)境:

對照組:老老實實把所有信息都展示給參與者,就像傳統(tǒng)課堂那樣,該學什么學什么。

算法組:模擬抖音、快手、小紅書這些平臺的推薦機制,根據(jù)參與者的偏好來推送學習內容。

這個算法不是研究者隨便設計的,而是改編自YouTube 2016年發(fā)表的真實推薦算法(Covington等人提出的協(xié)同過濾推薦算法)。也就是說,這是你的孩子每天真實面對的那套機制。

結果讓所有人都震驚！

三、越學越窄:算法如何“訓練”出片面認知

第一個發(fā)現(xiàn):信息攝入的隧道化

在算法推薦環(huán)境下學習的參與者,平均只關注了6種特征中的2-3種,而對照組會均衡地關注所有特征！

更可怕的是,隨著學習的進行,算法組的探索范圍越來越窄——就像一個人越走越深入地鉆進一條死胡同。

這就像你的孩子刷短視頻:最開始可能還看看不同類型的內容,但很快,算法就把他培養(yǎng)成了某個領域的專家——要么全是游戲視頻,要么全是搞笑段子,要么全是某個明星的八卦。表面上看他每天接觸大量信息,實際上都是同一類信息的重復。

研究用香農(nóng)熵(Shannon entropy)這個數(shù)學指標量化了信息多樣性。數(shù)值越高,說明接觸的信息越均衡;數(shù)值越低,說明越偏食。結果顯示,算法組的香農(nóng)熵持續(xù)下降,說明參與者的信息攝入越來越單一。

第二個發(fā)現(xiàn):扭曲的認知地圖

你以為這就完了？naive了伙伴！更可怕的還在后面：學習結束后,研究者測試參與者對這些外星生物的分類能力。

對照組的參與者雖然不是百分百準確,但錯誤分布比較隨機——該懂的懂,不懂的知道自己不懂。

算法組呢？他們的錯誤有明顯的系統(tǒng)性偏差。研究者用混淆矩陣(confusion matrix)分析發(fā)現(xiàn),他們會把從未見過的類別,硬套進自己熟悉的那幾個類別里。就像一個只見過動作片的人,看到任何電影都往動作片上靠——文藝片？那肯定是慢節(jié)奏動作片;恐怖片?那就是暗黑系動作片。

研究者用貝葉斯統(tǒng)計方法(Bayesian rank-sum test)對比兩組的表征距離(representational distance)——簡單說就是認知偏差的程度。

結果顯示,算法組的偏差是對照組的數(shù)倍,而且統(tǒng)計學上強有力地支持了這個結論(Bayes因子log?? BF?? > 1.0,達到了強證據(jù)級別)。

第三個發(fā)現(xiàn):危險的迷之自信

最帶勁兒的發(fā)現(xiàn)來了！

當測試那些從未在學習階段出現(xiàn)過的外星生物類別時,算法組的參與者不但大膽分類,而且信心滿滿。研究者讓參與者對自己的答案打分(0-10分的信心度),結果發(fā)現(xiàn):

答對的時候:

信心隨著熟悉度上升(這是正常的)

答錯的時候:

越是沒見過的類別,反而越自信!

這完全違反常識。一個正常人面對陌生事物,應該謹慎才對。但算法組的參與者表現(xiàn)出一種詭異的過度泛化(overgeneralization)——他們相信自己有限的知識可以解釋一切。

研究團隊用混合效應邏輯回歸模型(mixed-effect logistic regression model)深入分析這種關系,發(fā)現(xiàn)當測試項目的代表性分數(shù)(representativeness score,即該類別在學習階段出現(xiàn)的頻率)為零時,算法組參與者答錯的概率很高,但信心卻達到峰值。這種錯得越離譜,越自信的模式,在統(tǒng)計模型中得到了穩(wěn)健的證實。

這解釋了為什么你的孩子會那么自信地說出一些明顯片面的觀點——算法環(huán)境讓他們產(chǎn)生了一種幻覺,以為自己局部的、碎片化的知識,就是對世界的完整理解。

四、這不是科幻,這是你家客廳正在發(fā)生的事

你可能會說:這不過是個實驗室研究,跟現(xiàn)實能一樣嗎？

恰恰相反,這個實驗的設計精妙之處,就在于它剝離了所有干擾因素,直指問題本質。

研究者故意使用了虛構的、參與者完全不認識的外星生物,就是為了排除先入之見的影響。這意味著實驗中觀察到的認知扭曲,完完全全是算法推薦機制導致的——不是因為參與者本來就有偏見,而是算法從零開始培養(yǎng)出了偏見。

Turner教授(研究的共同作者)在接受采訪時說了一句讓人警醒的話:

如果你有一個genuinely(真心實意)想要了解世界的小孩,而他在網(wǎng)上與那些優(yōu)先讓用戶消費更多內容的算法互動,會發(fā)生什么？消費相似內容往往與學習不一致。這會給用戶帶來問題,最終也會給社會帶來問題。

想想看,這跟你家孩子每天的生活多像:

• 他打開B站,算法根據(jù)他之前看過的視頻,推送更多類似內容

• 他刷抖音,不到三天,首頁就被某一類視頻占領

• 他玩游戲,推薦系統(tǒng)只會推送他熟悉類型的游戲

• 他查資料,搜索引擎記住了他的偏好,只給他 想看 的結果

日復一日,他接觸的信息范圍越來越窄,但因為信息量很大,他誤以為自己很了解世界。等到真正需要理解復雜問題、需要多角度思考時,他發(fā)現(xiàn)自己除了那幾個熟悉的套路,其他都是盲區(qū)——但他還渾然不覺,依然自信滿滿。

五、為什么會這樣？算法與大腦的“合謀”

這項研究還揭示了一個更深層的機制:算法推薦與人類注意力系統(tǒng)的正反饋循環(huán)(positive feedback loop)。

人類的注意力本來就有選擇性。認知心理學早就發(fā)現(xiàn),我們傾向于關注那些有診斷價值(diagnostic)的信息——也就是說,能幫我們區(qū)分不同事物的信息。這本身是一種高效的學習策略。

但問題來了:什么信息有診斷價值,取決于我們接觸到什么樣的材料。

在傳統(tǒng)學習環(huán)境中,老師或課本會確保你接觸到完整的信息集。但在算法環(huán)境中,你接觸的信息本身就被篩選過了。于是出現(xiàn)了一個惡性循環(huán):

• 算法根據(jù)你的初始偏好推送內容

• 你從這些內容中學到某種模式

• 你的注意力進一步聚焦在這種模式相關的信息上

• 算法檢測到你的聚焦,推送更多類似內容

• 循環(huán)往復,越陷越深

研究中的數(shù)據(jù)清晰地展示了這個過程。算法組參與者的信息采樣模式,從最初的相對均衡,逐漸變成高度個性化的指紋——每個人都發(fā)展出了獨特的偏向,并且彼此之間差異巨大。而對照組和主動學習組(可以自由選擇學習內容的組別)則保持了相對均衡的信息攝入。

這說明:不是人本身有問題,是算法主導的環(huán)境在塑造人的認知習慣。

更可怕的是，這種注意力的選擇性一旦形成,就很難改變。認知科學的大量研究(Best et al., 2013; Blanco & Sloutsky, 2019; Hoffman & Rehder, 2010)都表明,選擇性注意一旦建立,會讓進一步的探索和注意力重新分配變得困難——即使后來意識到需要糾正錯誤認知,大腦也已經(jīng)習慣了原來的模式。

六、你能做什么？不是逃離算法,而是打破繭房

讀到這里,你可能會想:那就不讓孩子接觸這些平臺了？

不現(xiàn)實,也不應該。

Turner教授團隊的研究并不是要妖魔化技術，而是要讓我們清醒地認識到算法的局限性。基于這項研究，我給幾個可操作的建議：

1. 成為孩子的算法糾偏器

既然算法會制造信息繭房，你需要主動打破它。如果孩子最近特別迷戀某個話題，不要只是高興孩子終于有興趣了，而要主動引入這個話題的其他維度。

比如孩子喜歡恐龍，你可以問：你知道最大的恐龍吃什么嗎？（引入草食恐龍）恐龍為什么滅絕了？（引入環(huán)境變化）中國發(fā)現(xiàn)過什么恐龍化石？（引入地理和考古維度）

2.建立認知多樣性的習慣

研究發(fā)現(xiàn)，那些被要求查看所有信息維度的參與者，學習效果最好。對孩子來說，這意味著要培養(yǎng)多角度看問題的習慣。

具體方法：每周固定一個家庭探索時間，規(guī)則是必須接觸一個完全陌生的領域。這周看了動物紀錄片，下周就去聽音樂會；這個月讀了歷史書，下個月就去科技館。

3.教會孩子質疑自己的自信

研究最恐怖的發(fā)現(xiàn)是過度自信。你需要幫孩子建立一個意識：當你對某個結論特別確定時，要問問自己我了解的夠全面嗎？

可以用三個來源規(guī)則：任何重要的認知或判斷，至少要從三個不同的信息來源確認。而且這三個來源必須是不同類型的（比如：書籍、視頻、實地體驗）。

4.控制算法的訓練數(shù)據(jù)

算法是靠數(shù)據(jù)學習的。你可以和孩子一起，定期重置算法的偏好。比如每月清理一次瀏覽歷史，或者故意點擊一些平時不看的內容，讓算法知道你的興趣是多元的。

5.把陪伴當作一種算法免疫力

這項研究最深刻的啟示是：算法最容易控制的，是那些在真空中學習的大腦。

你和孩子的真實互動——聊天、討論、辯論、一起探索——這些都是算法無法模擬的認知營養(yǎng)。每一次你說這個觀點可能不對，因為……，每一次你說我們換個角度想想，都在幫孩子建立算法無法提供的認知復雜性。

Turner教授在研究中說：算法優(yōu)化的是'消費'，而不是'學習'。這句話值得每個家長刻在心上。

恒意說兩句：只有父母能做的事情

寫這篇文章的時候，我想起B(yǎng)ahg博士在論文結尾的一段話：個性化算法的有害影響令人擔憂，因為它導致的選擇性注意可能會持續(xù)更長時間，并且難以糾正。許多研究表明，一旦形成選擇性注意，即使需要糾正錯誤的信念和認知，也很難進行進一步的探索和注意力重新分配。

你的孩子正在用生命最初的十幾年，構建對這個世界的基本認知框架。這個框架會影響他的三觀、判斷力、創(chuàng)造力，以及未來幾十年的人生軌跡。

算法可以推薦視頻，但它不會在意你的孩子成為什么樣的人。

你事業(yè)有成，是因為你看到了行業(yè)的全貌?，F(xiàn)在，你需要幫你的孩子，看到世界的全貌。

這是算法做不到的事情。

這是只有父母能做的事情。

本文僅作科普分享使用，歡迎小伙伴們點、收藏、關注，以備不時之需，當然更歡迎您把

介紹給周邊可能需要的更多伙伴們呀。