全文共3242字。阅读大约需15分钟。

算法推荐技术近年来发展迅速，它因其精准回应用户需要的功能深受很多领域的支持与推动。尤其与互联网商业的结合，使商业体系避免了来自于互联网的冲击，呈现出一派勃勃生机。但总部位于美国的皮尤研究中心(Pew Research Center)①发现，美国公众越来越不信任在金融、媒体和司法系统等多个领域使用计算机算法。报告称，58%的美国人认为计算机程序可能更多地反映了人类的偏见，民众普遍担心计算机通过算法获得的信息无法捕捉到复杂情况的细微差别，并有可能将它们评估的人置于不公平的环境当中。

为了准确评估，皮尤报告中心研究了四种常见的场景。在这些场景中，算法和机器学习被应用于简化工作流程和消除人为错误的风险：

1、个人消费者财务能力评分；

2、对被假释的人进行刑事风险评估；

3、自动筛选求职者简历的程序；

4、对工作面试的计算机分析。

在这四个场景当中，受众对于算法推荐的态度并不完全相同。在面对财务评分及面试推荐方面，受众倾向于反对算法评估。其中，三分之二(68%)的美国人认为个人财务评分算法不可接受，67%的人认为计算机辅助面试职业分析算法不可接受。只有大约三分之一的美国人认为面试和个人财务评分的算法对求职者和消费者是公平的。但是即便这些赞成者，也都不愿意让自己的面试和财务评估由算法决定。

在面对风险评估相关的问题时，有更多受访者愿意相信算法推荐。比如，涉及股票的主题，算法推荐的权威性很高。在对假释犯进行风险评估时，49%的人认为算法推荐是可靠的。并且，有一半人认为算法对于这些假释犯是公平的。

针对社交媒体环境的算法，用户分享个人信息在很大程度上取决于他们的数据被使用的途径。75%的社交媒体用户表示，如果这些数据被用来推荐他们可能想参加的活动，他们愿意与这些网站分享自己的数据。但如果他们的数据被用于传递政治竞选信息，这一比例就会降至37%。

尽管大众对算法的态度随着场景不同有所变化，但美国人普遍质疑算法对被评估的人是否公平。大多数受访者认为，通过算法使用消费者数据来创建个人财务评分 (68%)，对求职面试进行自动视频分析(67%)，对求职申请进行简历筛选(57%)，或为即将获得假释的人评估刑事风险(56%)都是“不可接受的”。

1

算法推荐不等于个人需要

皮尤报告结果显示，尽管很多受访者都认为算法推荐作为一项技术并不带有偏向性，而且从某种层面而言，这种技术还可以帮助社会更好地描述和理解用户，但被调查者并不因此就希望算法介入自己的生活，一个重要原因是受访者担心算法会破坏个人的隐私权。

按照算法推荐的技术逻辑，个人的一切网络行为都应成为观测的对象，以便于更加准确地预测未来。比如在商业领域，很多公司都已经获得大量个人的日常购物和浏览偏好的数据，包括交易数据、网站流量甚至社交媒体帖子。算法推荐使用这些数据来推断互联网用户未来有可能出现的商业需要。但同时，个人隐私在算法面前暴露无遗。

即便不谈论这个技术伦理层面的问题，算法本身也难以准确衡量个人之间的细微差异。算法本身关注的是需求本身，而不会去区分这种需求来自个人的自我需要，还是他的社会需要。因此，这种满足是表面的、不全面的。更多时候，它会忽略个人未意识到的需要，或者个人自身需要却并不喜欢的东西。

另外，在大数据的世界里，一切都以量化的方式被感知，个体需求在很大程度上以群体的方式存在和被感知。尤其是面对商业互联网，个体的某些共性需求会被放大，以满足商业对于一致性的追求。据法国新媒体学者Jouet J和Pasquier D针对青少年互联网消费的一项调查显示，互联网消费活动中青少年活跃程度最高，这种显而易见的现象促使信息产品倾向于迎合年轻人的文化，并将以往由理性结构导向的信息体系转变为活跃的、即时的信息。②年轻人因年龄原因追求个性张扬，作为经济变量，张扬在互联网中被商业推高为一种显性文化。这种显性文化会被算法推荐记录，并加以迎合。又比如，以性别（尤其是女性）为特征的文化近来也成为互联网上的一种显性文化。因为，消费社会实际上看中了性别特征带来的消费能力与消费潜力，并刻意加以迎合、区分和引导。算法推荐正在这种商业互联网的逻辑影响下，打破个体实践经验建构起来的认知，以语言、文化、年龄、性别等共性重新建构群体意识。

2

信息的公共属性

算法推荐是建立在个人的喜好基础上。喜好不同导致个人会加入不同的互联网群体，这些群体间因缺乏一致性的需要往往难以形成对话。服务于大众全体利益的公共信息却被淹没在各种杂乱信息当中。

在以往，公共信息发布的职责由传统媒体担任。通过议程设置，公共议题往往能够成为社会讨论的热点。在新的环境下，尽管传统媒体的职责未变，但公众对于信息的选择却改变了新闻热点的产生方式。公众的公共意识也逐渐淡漠，退回到个体意识或一个个的小群体意识。

美国南加州大学安娜伯格传播与新闻学院的学者Leila Bighash、Janet Fulk、Peter Monge和新加坡南洋理工大学通信与信息学院的学者Poong Oh曾在2017年总结了公共信息产品的三个特点③：

首先，公共信息产品被视为来源于有界的社区，有明确的成员指南；

其次，公共信息产品尽管多为一次性行为，但它是现有集体的维持性需求，这些信息是在反复和累积中起作用的；

第三，个人对信息的占有，是对信息产品的贡献，例如个人对信息提出疑问或编辑信息的内容都将完善公共信息的意义。

从这三点公共信息的特点来看，算法推荐给个体的信息所呈现的繁杂无序无法满足公共信息的特征。

首先，算法推荐无法提供一种有界社区的感觉。推荐的内容虽然有可能属于年轻人群体、或者是女性群体、或者是中文群体，但是，这些信息之间的不同质无法带有一种共通的东西。而都仅仅围绕着个人，以喜好的方式呈现。

其次，算法推荐的信息缺乏连续性，很多信息都是需求性信息，与商业有直接的关系。比如这段时间喜欢的歌手及歌曲，也许下一段时间就换了别人，或者等到阅历增加就不再喜欢，无法通过这种积累对集体规范形成维持作用。

第三，算法推荐虽然是根据受众的触网习惯推荐信息，但这种推荐因为不具备公共信息所应具有的前两个特性，因此也难以因为受众的参与完善某种集体意识。

3

公共信息的未来

与传统媒体的作用

尽管公共信息在当前互联网环境中受到了很大冲击，但新技术同样也促进了公共信息的丰富。同时，这也是公共信息发布者——传统媒体的一次机遇。按照中国人民大学新闻学彭兰教授的观点，④技术可以破坏受众的公共意识，也可以通过传统新闻机构的手重建公共意识。

1、用户数据的发展可以被看成是新闻资源的扩充。用户数据是反映社会情状的重要信息。用户在互联网当中发布的信息、意见以及蕴含的情绪，都是社情民意的局部体现，对促进公共信息的丰富性有极大帮助。

2、新闻媒体接入信息云，可以革新采编系统，与时俱进。2015年以来，谷歌率先推出了新闻实验室计划，记者们可以通过它访问来自谷歌的所有应用程序和平台的数据，如谷歌地图、Google Fusion Tables（谷歌云计算数据库）、谷歌地球、YouTube 以及谷歌搜索，记者们可以利用这些数据，进行选题策划、稿件写作，并通过谷歌的渠道进行新闻发布。同时，它还面向自媒体开放。

3、新闻分发搭配算法调度，可以更精准地到达用户。传统新闻媒体以采编作为中心，但互联网时代，传统媒体在规模上具有优势，在新闻识别的专业程度上水平更高。如果将通过算法技术分析出受众喜好，再通过专业技能分辨出公共信息产品，将这些公共信息更多地推荐给用户，可以提高用户在信息接收过程中的质量，避免受众进入信息茧房。

算法推荐存在的基础是存在大量的互联网用户，信息收集本身既可以被用作公共议题的讨论依据，也可以被用来推广商品，一切都在于技术的使用者。未来的新闻业对算法推荐、人工智能、VR技术的应用代表着信息的公共属性方向，代表着对互联网虚拟世界的监督与纠正，意义重大。

注释：

① http://www.pewinternet.org/2018/11/16/public-attitudes-toward-computer-algorithms/?from=singlemessage&isappinstalled=0

② Jou?t J.,Pasquier D.,Les jeunes et la culture de l'écran. Enquête nationale auprès des 6-17 ans,Réseaux,1999

③ Leila Bighash, Poong Oh, Janet Fulk, & Peter Monge,The Value of Questions in Organizing:Reconceptualizing Contributions to online Public Information Goods,Communication Theory,Volume 28, Issue 1, 1 February 2018, Pages 1–21

④ 彭兰，《未来传媒生态，消失的边界与重构的版图》，《现代传播》，2017年第1期