信息爆炸時代，多項推薦算法成為人們高效獲取有用信息的研究也重要途徑。伴隨而來，表明“算法制造信息繭房”“算法導致社會極化”等論調(diào)被提出。撕裂社會算法算法真相果真如此嗎？產(chǎn)生Science、Nature等權威期刊刊載的極化多項研究結(jié)果，向這些論調(diào)發(fā)起了有力挑戰(zhàn)——撕裂社會的多項從來不是算法，沒有算法也會產(chǎn)生極化。研究也

首先，表明“算法導致信息繭房”的撕裂社會算法算法核心前提，在實證中存在顯著脆弱性。產(chǎn)生路透新聞研究所的極化文獻綜述顯示，真實的多項“信息繭房”極為罕見，僅有約6%到8%的研究也公眾處于黨派新聞的“回音室”中。多數(shù)依賴搜索引擎和社交媒體獲取信息的表明用戶，反而能接觸到更廣泛的信息來源，算法的“探索”機制會主動推送用戶潛在感興趣的新內(nèi)容，形成“自動的機緣巧合”。

抖音安全與信任中心公開的算法原理也印證了這一點：如果算法一味迎合用戶已有的興趣，會導致內(nèi)容越來越同質(zhì)化，這會使用戶很快感到無聊并離開平臺。因此，算法必須在“利用”和“探索”之間保持平衡，主動將用戶可能感興趣的新內(nèi)容推送給用戶，以保持新鮮感和用戶黏性。

更具顛覆性的發(fā)現(xiàn)是，打破“繭房”未必能緩解極化，反而可能適得其反。杜克大學社會學家克里斯·貝爾的實地實驗極具說服力：他招募立場堅定的民主黨和共和黨推特用戶，付錢讓他們關注一個轉(zhuǎn)發(fā)對立陣營言論的“機器人”賬號，強行打破信息壁壘。然而一個月后，參與者非但沒有變得溫和，政治立場反而更加極端。

阿姆斯特丹大學的“生成式社交模擬”研究進一步證實了這一結(jié)論：研究團隊用多個平臺的大語言模型生成500個帶有真實選民特征的虛擬用戶，構(gòu)建無廣告、無個性化推薦算法的極簡社交平臺，僅保留發(fā)帖、轉(zhuǎn)發(fā)和關注功能。經(jīng)過每次試驗一萬個周期的運行，無論使用哪個平臺的大語言模型，平臺都不可避免出現(xiàn)回音室效應、影響力集中和極端聲音放大三大問題。

為尋找解決方案，阿姆斯特丹大學的研究團隊測試了六種主流干預策略，結(jié)果更令人深思。被不少人視為“解藥”的“按時間順序推送”，雖能降低關注度不平等，卻顯著加劇了極端內(nèi)容的傳播；平衡黨派內(nèi)容的橋接算法在提升觀點多樣性的同時，反而擴大了關注度差距；其他如淡化主流內(nèi)容、隱藏統(tǒng)計數(shù)據(jù)等措施，要么效果微乎其微，要么弊大于利。這表明，即便剝離算法干預，社交媒體的極化現(xiàn)象依然會因人類社交的固有邏輯自發(fā)產(chǎn)生——情緒化的極端內(nèi)容更易獲得轉(zhuǎn)發(fā)，轉(zhuǎn)發(fā)帶來的關注又進一步強化其傳播優(yōu)勢，形成惡性循環(huán)。

Nature刊載的2021年的一項研究則從時間維度揭示了極化的真正驅(qū)動力。多倫多大學團隊分析Reddit平臺14年間51億條評論發(fā)現(xiàn)，2012至2015年平臺政治極化程度穩(wěn)定，2016年美國大選期間卻突然驟升，且這一變化主要由新用戶推動，老用戶立場幾乎未變。這證明，社會極化更多是外部政治事件和現(xiàn)實社會分裂的映射，與平臺算法或使用時長無顯著關聯(lián)。

這些研究共同指向一個結(jié)論：算法既非社會極化的“元兇”，也非解決問題的“萬能藥”。它只是一個中立的技術工具，映射出了人類本性中“選擇性接觸”的傾向和社會結(jié)構(gòu)中已有的裂痕。與其將社會撕裂歸咎于算法，不如正視人性的局限與現(xiàn)實的矛盾——這才是理解和應對社會極化的關鍵。