智能算法推薦與用戶情緒關系的實驗探究

郭浩 張芷茵

摘 ?要 ?愈來愈多的新媒體利用智能算法向大眾推薦新聞。文章試圖探索新媒體的智能算法推薦與用戶情緒之間的關系，通過設置實驗場景，向讀者每日推送其所感興趣主題的新聞信息。基于實驗前后的正性負性情緒量表（PANAS）測試結果的對比，發現持續性的正面信息推薦會提升用戶的正向情緒、降低用戶的負向情緒，而持續性的負面信息推薦會減少用戶的正向情緒、抬升用戶的負面情緒，并且會使得情緒體驗變得更為集中;此外，持續性的負面信息推薦所施加的影響要強于持續性的正面信息推薦。因此，文章認為新媒體應審慎地對待智能算法技術。

關鍵詞 ?智能算法推薦;用戶情緒;實驗法

中圖分類號 ?G2 ? ? ?文獻標識碼 ?A ? ? ?文章編號 ?2096-0360（2019）15-0015-03

1 ?研究背景

隨著移動互聯網的發展和可持式移動終端的普及，想要獲取信息已經不再是一件難事。現代社會的普羅大眾在遇到問題后會利用各式各樣的新媒體尋求答案。于是就會出現這樣的情形：最近李華在糾結到底是要考研還是考公，于是打開了一個資訊類的App，在上面輸入“考研還是考公”，于是下面就會彈出許多條信息，諸如“我是如何找到自己的畢業方向”“普通二本學校考研逆襲成功”“弄明白這三點，考公不在話下”，當李華點擊進去看了許多成功的經驗后便認為自己肯定也可以“春風得意馬蹄疾”;而諸如“考研的不公平，我該如何面對？” “沒有關系，我還要考公務員嗎？”“985名校的他，畢業卻也失業了”，逐一瀏覽下來，李華感覺整個世界都失去了光明。盡管在單個個體層面可能出現上述情形，而本文關注的是這一現象是否普遍成立？不同性質的新聞消息對用戶情緒的影響呈現的是正向還是負向加劇？何者的影響將更為強烈？這都有待于實驗的證實。

2 ?文獻回顧與研究假設

智能算法推薦是一種編碼程序，通過特定的運算把輸入數據轉化為輸出結果[1]。邁克爾·德維托（Michael DeVito）曾經對算法推薦的運作機制進行研究，他以Facebook為例，通過對其公開發布的專利、新聞稿、博客等進行內容分析，概括出九大算法價值要素[2]。智能推薦就是根據這些內容進行推算、描繪出用戶的畫像，再在匯集了網絡上眾多信息的基礎上主動、迅速地向用戶推送他們感興趣或關注的相關內容[3]。

通過梳理以往的文獻研究，可從中發現研究的思路一般有兩種：一是從新聞媒體行業出發，探究智能算法推薦這一技術對新聞選擇的影響，從而新聞媒體行業的發展提出建議;二是智能算法推薦這種新興技術對用戶之間社會網絡關系的影響。但對智能算法推薦與用戶情緒體驗之間關系的探討較為稀疏，因此本文將從用戶的情緒出發，探討用戶在接收到大量由智能算法技術推薦的新聞信息之后在情緒上將有何變化。

智能推薦對用戶情緒的影響主要通過三個途徑。一是對用戶的主觀意識產生影響，包括用戶的主體性認識、思維方式、自我異化情況等，再引起用戶的情緒變化。二是對用戶的客觀行為產生影響，包括斗爭行為、迷失行為、用戶的現實存在方式等，從而引起用戶的情緒反應。三是把算法推薦看作是一個媒體技術，是一種被制造的風險，媒體可能會在詞語的選擇上存在偏倚。他們著重使用極具煽動性的詞匯，又或者是迎合用戶偏好的詞語，這些詞語的使用便于算法的篩選與分類，然后根據算法得出的用戶偏好結果，再把內容推送給用戶，從而達到推送效果。而這些帶有取向性的詞匯在吸引用戶的眼球以后，也會加劇用戶的情緒。

基于此，本研究提出研究假設：算法推薦會影響用戶的情緒，且負面信息所帶來的影響要強于正面信息。

3 ?研究設計

3.1 ?資料來源

本次實驗研究中通過Watson等于1998年編制了正性負性情緒量表（Positive and Negative Affect Schedule，PANAS）測量用戶的情緒[4]。該量表設置了20個描述不同情感、情緒的詞匯組成，并被廣泛地應用在健康心理學、組織心理學和臨床心理學領域。本研究選擇量表中10個情緒表現較為鮮明的詞語進行實驗，分別為：感興趣的、興奮的、熱情的、備受鼓舞的、意志堅定的、心煩的、沮喪的、緊張的、恐懼的、害怕的。其中，前五個詞語反映的是積極情緒，后五個詞語傳遞的是消極情緒，從而直接、生動地表現出用戶的情緒體驗。量表中的題目均為5分制：1表示幾乎沒有某一情緒體驗，2表示比較少出現某一情緒體驗，3表示偶爾出現某一情緒體驗，4表示時常出現某一情緒體驗，5表示某一情緒體驗大量出現，隨著數字的增加表示實驗對象的某一情緒體驗愈強烈。

本次實驗推送的內容來自于新浪微博、微信公眾號、知乎、小紅書和今日頭條等新媒體。在實驗正式開始之前，筆者與實驗對象進行初步溝通，了解實驗對象近期感興趣的話題內容，在上述軟件或網站上直接輸入被試者感興趣內容的關鍵詞，然后將搜索得出的內容轉發給被試者，以高度復原實驗對象自行搜索時得到的推送內容。

3.2 ?實驗過程

本次實驗一共招募到24名大學生作為實驗對象，他們的背景信息大致相似，從而保障實驗效果。本研究先進行前測，要求實驗對象完成正性負性情緒測量表，確定實驗對象對于問題的偏向性。然后將實驗對象分為兩組，分別為實驗組（積極情緒組）和對照組（消極情緒組），以觀察有兩種不同初始情緒的被試者在實驗過后情緒是否都會更加激烈。實驗組和對照組人數均為12人。實驗總共進行一周，筆者根據每一位被試者感興趣的話題在網上搜索出相關的內容并推給被試者，每天共推送5條消息。根據組別不同推送不一樣情緒傾向的內容。為了確保實驗者能認真閱讀推送內容，筆者會在每天22點到23點這段時間發送內容。在實驗結束后，實驗對象再次填寫正性負性情緒測量表。

4 ?數據分析

本研究從實驗前和實驗后的數據去闡釋智能算法推薦對用戶情緒的影響。

從表1中可以看出，在實驗開始之前，實驗組內“感興趣的”和“緊張的”兩項情緒得分最高，均為3.67分;而“沮喪的”情緒得分最低（2.50分）。在實驗結束后，實驗組內得分最高的情緒是“感興趣的”（3.83分），沒有了“緊張的”情緒體驗，得分最低的是“沮喪的”和“害怕的”，均為2.33分。實驗組的五項積極情緒中除“熱情的”以外，得分全部呈上升狀態，而五項消極情緒的得分全部呈下降狀態，且積極情緒的變化幅度要高于消極情緒。同時，除“熱情的”和“恐懼的”兩項情緒以外，積極情緒的分值和消極情緒的分值在實驗前后的變化差值全部均有統計學意義上的顯著差異（p<0.05），這表明當智能算法推薦持續地推送正面信息給用戶時，這些信息確實會提升用戶的積極情緒，使用戶抱有更加正向的態度面對問題，與此同時會減少他們面對問題時的緊張、心煩等消極情緒。此外，還值得注意的是實驗前后各項情緒分值的標準誤基本上呈現下降的趨勢，這意味著受眾的情緒在智能推送的持續性影響之下變得更為集中。

同樣由表1可知，在實驗開始之前，對照組內“感興趣的”情緒得分最高（4.17分），“沮喪的”情緒得分最低（2.08分）。在實驗結束后，對照組內得分最高的情緒是“感興趣的”（3.67分），相比實驗之前有所下降;“興奮地”情緒得分最低（2.33分）。對照組的五項積極情緒中除“意志堅定的”以外，其他情緒分值全部呈下降狀態，而五項消極情緒中除“心煩的”情緒持平以外，其他情緒分值全部呈上升狀態，且消極情緒的變化幅度要高于積極情緒。同時，除“備受鼓舞的”“意志堅定的”和“心煩的”三項情緒以外，積極情緒的分值和消極情緒的分值在實驗前后的變化差值全部具有統計學意義上的顯著差異（p<0.05），這表明當智能推薦持續低推送消極信息給用戶時，這些信息確實會降低用戶的積極情緒，放大用戶的消極情緒，使用戶懷有更加負向的態度面對問題。此外，同樣也需要注意的是實驗前后各項情緒分值的標準誤絕大部分呈現下降的趨勢，但消極情緒的下降幅度大于積極情緒，這意味著智能推送的負面信息將讓用戶情緒更多地集中在“沮喪的”“害怕的”等負向情緒之中。

表1關于積極情緒和消極情緒的均分也反映出智能推薦所帶來的整體平均變化，實驗組的積極情緒整體平均上升了0.28分，對照組的積極情緒整體平均下降了0.27分;實驗組的消極情緒整體平均下降了0.4分，對照組的消極情緒整體平均上升了0.47分，且四個數值變化都具有顯著差異（p<0.05）。結合前述分析，智能推薦不僅僅對用戶的情緒產生顯著影響，并且這種影響是不對等的，持續的正面信息推送帶來的正面心態變化程度要低于持續的負面信息推送所帶來的負面心態變化程度。

5 ?總結

基于智能算法推薦在新媒體中愈發廣泛應用的背景，本研究采用實驗法探究此項技術是否會對用戶的情緒產生顯著影響，基于正負性情緒量表（PANAS）的前測與后測結果的對比分析表明：持續性的正面信息推薦會提升用戶的正向情緒、降低用戶的負向情緒，而持續性的負面信息推薦會減少用戶的正向情緒、抬升用戶的負面情緒，并且會使得情緒體驗變得更為集中;此外，持續性的負面信息推薦所施加的影響要強于持續性的正面信息推薦。數據分析證實了研究假設，這啟示著新媒體從業者需審慎地對待技術的應用。

但齊美爾認為，盡管人會因為機器的出現而感到迷茫甚至否定自身，但主體具有雙重統一性：不僅有對過去和現在的不滿與否定，還有對將來的期盼與肯定[5]。換言之，技術發展是個大趨勢，人們的迷茫也“非一日之寒”，面對未來，人們依然會在焦慮的同時報以期待。人們該如何在海量的信息中進行搜索的同時依然保持自我仍然值得去探討。

參考文獻

[1]王茜.打開算法分發的“黑箱”——基于今日頭條新聞推送的量化研究[J].新聞記者，2017（9）：7-14.

[2]DeVitoMichael.From Editors to Algorithms[J].Digital Journalism，2017，5（6）：753-773.

[3]吳延溢，王健.技術時代人的主體性迷失與出路——評京特·安德斯技術批判理論[J].鄭州輕工業學院學報（社會科學版），2017，18（6）：30-37.

[4]郭明珠，甘怡群.中文正性負性情緒量表—擴展版在660名大學生中的信效度檢驗[J].中國心理衛生雜志，2010，24（7）：524-528.

[5]周來順.文化危機與雙重救贖——齊美爾視域中的現代性危機理論研究[J].學海，2013（2）：154-162.