算法意識對社交媒體用戶自我隱瞞行為的影響機制研究

關鍵詞：算法意識；隱私關注；隱私風險信念；感知收益；自我隱瞞；平臺信任；隱私計算理論

ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１００８－０８２１．２０２４．１１．００６

〔中圖分類號〕Ｇ２５２.０ 〔文獻標識碼〕Ａ 〔文章編號〕１００８－０８２１（２０２４）１１－００５２－１５

社交媒體平臺的算法運用日益激發了平臺用戶算法意識的產生。算法意識主要指用戶在使用移動新媒體過程中，對其算法系統形成的不同程度的認知與理解，包括算法是否存在、算法如何運行以及算法可能造成的風險等諸多方面內容［１］。社交媒體用戶的算法意識不僅能促進其自身更好地理解算法個性化實施，還能激發用戶的隱私關注，影響用戶的隱私信息披露決策。自我隱瞞是用戶在社交媒體平臺上信息披露行為的一種類型，指用戶有意識地避免在平臺上披露個人信息［２］。《中國公眾“大安全”感知報告（２０２１）》指出，七成受訪者擔心個人喜好與興趣被算法“算計”，一些用戶希望關閉算法推薦功能，停止將個人信息分享給平臺使用［３］。《算法應用的用戶感知調查與分析報告》顯示，近八成受訪者認為算法應用可能損害消費者權益，超六成認為會侵犯用戶隱私［４］。

由算法平臺引起的用戶隱私安全問題一直備受我國政府部門的高度重視。２０２２年１月，國家網信辦等四部門出臺了《互聯網信息服務算法推薦管理規定》，要求用戶選擇關閉算法推薦服務，算法推薦服務提供者應當“立即停止”提供相關服務［５］。與此同時，為響應國家政策法規要求，新浪、快手等諸多社交媒體平臺企業通過優化推薦機制提高內容推薦多樣性、簽署用戶個人信息保護承諾書等措施提升平臺算法透明度、保護用戶隱私安全［６］。

雖然政府和企業層面從政策到措施提供了算法備案、算法解釋等多種工具以降低用戶的隱私信息風險，但用戶的算法意識是否會影響其隱私信息披露決策以及內在影響機制尚有待探索。已有研究多聚焦于用戶算法意識的概念起源和結構維度，而將算法意識作為前因變量影響平臺用戶隱私信息披露行為的實證研究尚處在起步階段，探討算法意識和用戶自我隱瞞行為的文獻則更不多見。

鑒于以上現實需求和研究不足，本文將社交媒體用戶的算法意識作為研究重點，基于隱私計算理論和結構方程模型方法，探究算法意識對社交媒體用戶自我隱瞞的影響機制，并對平臺信任的調節效應進行探討，以期在理論上豐富社交媒體用戶算法素養的現有研究成果，同時為社交媒體用戶隱私管理提供啟示。

１理論回顧

１.１算法意識

用戶對平臺算法的感知、理解與其在平臺的自我披露行為息息相關，并對平臺的媒體內容質量產生影響。ＳｗａｒｔＪ［７］將算法意識定義為用戶在特定消費環境中了解算法存在和操作的程度，以及算法公平、透明和信任的程度。ＣｏｔｔｅｒＫ等［８］認為，算法意識指理解什么是算法，以及算法是如何被使用的。算法意識是平臺用戶動態參與算法的結果，這意味著它不是靜態的或基于定義的知識，而是一個評估用戶體驗算法屬性的過程，與個人對道德和規范價值的理解程度有關［９］。用戶和算法之間不是彼此孤立地存在，而是始終處于相互響應、相互發展的狀態［１０］。綜合已有研究，本文從用戶與算法交互的視角出發，將算法意識界定為用戶意識到自己的在線行為會影響算法運行過程中呈現的結果，并且具備一定的算法素養能力，從而能夠通過與算法的互動行為來共同規訓平臺顯示的內容。借鑒Ｚａｒ?ｏｕａｌｉＢ等［１１］的研究，本研究將算法意識看作二階構念，包括內容過濾意識、自動化決策意識、算法交互意識和算法倫理考量意識這４個維度。內容過濾意識即意識到算法被用來過濾特定內容，以做出人們最有可能感興趣的內容推薦。自動化決策意識即意識到算法通過其自動化決策功能向用戶顯示內容。算法交互意識即意識到算法和用戶之間的相互作用關系。算法倫理考量意識即意識到算法推薦內容的倫理問題。

目前，國內外關于算法意識的研究主要圍繞算法認知［１２－１４］、算法態度［１５－１６］、算法交互［１７－２０］等視角展開，而針對算法意識作為前因變量對用戶隱私披露行為影響機制的研究尚不充分。有學者指出，社交媒體平臺的算法使用催生了用戶隱私主動性讓渡與被動性侵權等問題，導致用戶的隱私關注與隱私泄露意識不斷增強［２１］，從而進一步影響其隱私信息披露決策。

１.２算法意識下的自我隱瞞行為

自我披露是指個人自愿、主動地將信息向他人展示并分享［２２］。自我隱瞞與之相反，是個體在人際交往中，故意隱瞞個人信息，不透露個人信息或提供不準確信息。具體是指個人對與其隱私信息相關的他人保持一定距離的傾向，包括隱瞞負面評價、遠離他人和擔心自我暴露［２］。當用戶對隱私關注度較高時，會選擇自我隱瞞，減少自我披露行為的數量和頻率，以最大限度地降低隱私風險。在社交媒體環境下，自我隱瞞行為是指社交媒體用戶出于對自身隱私安全的考慮，在社交媒體平臺上有意識地隱瞞個人信息的行為。當用戶在與社交媒體平臺互動的過程中，產生諸如算法不透明憂慮、隱私泄露焦慮、技術復雜性疑慮等影響下采取的隱藏、回避、遮蔽等行為。例如，抵制使用可能帶來隱私風險的新技術、提交虛假數據、拒絕在平臺注冊、要求刪除平臺數據或要求提供更多信息（如隱私聲明等）［２３］。

社交媒體平臺的隱私保護和監管制度越來越多地將隱私保護的責任和權利讓渡給用戶，用戶為更好地保護自身的隱私安全，會采取不同方式在平臺上進行信息披露［２４］。從隱私計算理論角度出發，ＯｒｔｉｚＪ等［２］認為，自我隱瞞行為是用戶在社交媒體平臺上為平衡隱私關注和隱私收益后采取的隱私保護策略。當用戶感知到的隱私風險不足以抵消其隱私信息披露所帶來的收益時，很可能采取自我保護的做法，如自我隱瞞。侵犯隱私行為會激發用戶的隱私憂慮，從而導致用戶拒絕、不合作等保守行為［２５］。ＣｈｅｎＨＴ［２６］指出，當社交媒體用戶關心自己的隱私并相信自己有能力在社交媒體上管理隱私時，會首先采用自我消除這樣的隱私信息披露方式作為主動措施。周穎玉等［２７］指出，算法推薦對個人信息的不合理使用導致用戶隱私信息彌漫，用戶為規避隱私信息的泄露常提供虛假信息。洪杰文等［１］調查發現，用戶感知到平臺算法的相關性推薦，用戶無法掌控個人隱私信息的流動范圍，促使用戶將數據隱藏和數據阻斷內化為個人習慣，從而最大限度地規避由算法造成的負面影響。這一機制就是自我隱瞞行為。已有學者開始關注到算法意識對用戶隱私信息披露行為的可能影響［２８］，但未針對具體的自我隱瞞行為影響機制展開更為深入的實證研究。

１.３隱私計算理論

隱私計算理論由ＣｕｌｎａｎＭＪ等于１９９９年提出，被廣泛用來解釋個人信息披露行為的影響機理。該理論強調用戶在決定是否進行信息披露時均會在成本與收益之間進行權衡分析，感知收益和感知成本是隱私計算理論中的兩個基本變量，共同影響著用戶是否做出披露個人信息的決策［２９］。其中，感知成本指用戶在信息披露時所感知到的潛在損失，感知收益指用戶在信息披露時所感知到的價值獲取。具體到社交媒體環境下，用戶擔憂信息泄露所增加的隱私關注間接地表征其隱私風險感知成本的大小。眾多研究通過隱私關注的程度對隱私信息披露感知成本進行測量［３０－３１］，但用戶隱私披露行為不僅僅依賴于成本和收益，也依賴于用戶信念［３２］。用戶主觀地認為隱私風險信念是通過披露個人隱私信息而造成的預期損失。隱私風險信念對用戶披露個人隱私信息的行為意愿有顯著的負面影響。因此，有必要通過整合隱私風險信念這一變量對隱私計算理論框架進行拓展。本文在隱私關注與感知收益變量的基礎上，嘗試進一步引入隱私計算框架中潛在的負面后果，即隱私風險信念。

近年來，作為一個有效的理論框架，隱私計算理論視角被經常用于社交媒體、虛擬社區等平臺的用戶信息行為研究。例如，有研究者根據隱私計算理論，從用戶價值角度提出相關假設，研究移動社交用戶隱私風險信念、隱私保護信念對信息披露意愿的影響［３２］，以及在隱私視角下，結合隱私計算理論中的感知收益和感知隱私風險衡量社交媒體用戶的內在心理感知［３３］。該視角下的既往研究多涉及感知收益、感知風險、感知信息控制等前因變量，較少涉及用戶算法意識下其隱私披露決策的研究。最近，有學者開始嘗試探索算法意識通過算法態度對用戶信息行為的影響研究［１６］，但是相關研究仍然較少，有必要結合用戶算法意識對可能產生的隱私披露策略進行深入研究。

１.４相關研究評述

已有研究雖然考慮了平臺用戶在算法意識驅動下可能產生的隱私關注和對隱私信息披露決策的影響，但缺乏三者之間內在影響機制的直接實證分析，具體表現為以下三點不足之處。

首先，平臺用戶的算法意識與用戶隱私信息披露決策，如自我隱瞞行為之間的作用路徑與內在機制尚未明確，對此開展深入探討具有重要的研究價值。眾多研究主要關注平臺用戶的自我披露或自我消除行為，如ＰａｒｋＹＪ［３４］已經證明了在隱私研究中考慮自我披露和自我消除等行為的重要性，而用戶的自我隱瞞尚未被深入研究。根據隱私計算理論的假設，社交媒體用戶決定個人隱私信息披露與否，均源于他們對隱私披露成本和收益的主觀感受［３５］。因此，算法意識可能不是社交媒體用戶自我隱瞞最近端的前因變量。

其次，根據心理學領域的“知—情—意—行”理論［３６］，用戶的算法意識是個體對算法環境的認知和判斷，需要經過個體對算法環境的態度體驗，以及在認知和情感基礎上產生的自覺調整與控制的心理過程，才能產生自我隱瞞行為。因此，對人們行為的估計不能僅理性地計算風險和收益，還應該考慮其心理需求［３７］。用戶的隱私風險信念作為影響用戶個人隱私信息披露的重要驅動因素，反映了用戶對隱私損失可能性的內在化，在不同研究中既作為用戶隱私關注的結果變量，也作為影響用戶信息披露行為的前因變量，是兩者之間的情感介質。因此，隱私風險信念可能是用戶自我隱瞞行為最直接的前因變量。

最后，對算法意識影響用戶自我隱瞞發生的邊界條件探索不足，較少考慮影響用戶平臺信息行為的關鍵個體特征，如個體對平臺的信任，是否會調節其平臺上的信息披露行為。邵秀燕等［３８］指出，對平臺的信任會影響消費者的行為，包括隱私披露行為。ＭｅｔｚｇｅｒＭＪ［３９］認為，平臺信任減輕了用戶對隱私和信息共享問題的敏感性。王瑜超［４０］指出，信任不僅可以直接和間接地影響披露意愿，還可以調節個性化服務與披露意愿之間的關系。因此，本文將平臺信任作為調節變量，探究平臺信任在算法意識與自我隱瞞之間是否存在調節作用。

綜上，本文試圖解釋以下研究問題：第一，基于以往研究和隱私計算理論，對平臺用戶的算法意識如何影響其自我隱瞞行為作出解釋。第二，闡明隱私關注、感知收益和隱私風險信念整合視角下主效應的作用機制。第三，進一步探索算法意識與自我隱瞞之間發揮作用的條件，即平臺信任的調節效應。

２假設提出

２.１算法意識與自我隱瞞行為

社交媒體平臺用戶對算法的認識和知識可以產生情感上的影響，包括消極情緒，如不信任，或者積極情緒，如欣賞，而認知和情感又可以調節用戶行為［７］。因此，用戶對算法的感知體驗對其在平臺上的信息行為具有影響，如擔心算法監視［４１］，采用潛伏、故意不點擊等方式來規避算法系統［１］。張愛軍等［４２］認為，關聯算法推理“窺視”用戶生活全貌，用戶無法計量與辨別自身網絡行為所付出的成本與未知的隱患，而隨著用戶自我權利保護意識的增強，會刻意回避某些信息互動、話題的討論與參與。因此，提出如下假設：

Ｈ１：算法意識對用戶自我隱瞞具有顯著正向影響

２.２隱私風險信念的中介作用

隱私風險信念指用戶對社交媒體平臺暴露個人隱私信息風險程度的感知［４３］。隱私風險信念是隱私計算模型下的潛在負面后果，具有顯著隱私風險信念的用戶會減少其信息披露行為。李延暉等［３２］指出，網上用戶行為不僅僅依賴于成本和收益，也依賴于用戶信念。用戶具有更高的隱私關注會對其隱私風險信念具有正面積極的影響［４４］。本文中的隱私風險信念是指用戶所意識到的，如果向平臺披露個人隱私信息可能帶來潛在損失。一方面，平臺的算法推薦增加了用戶的感知隱私風險［３３］。ＡｌｅｐｉｓＥ等［４５］研究發現，雖然算法推薦為用戶提供了好處，但技術的持續進步可能會對個人隱私構成較大威脅，且人們對隱私的擔憂將持續增長。ＰｅｒｅｚＶＥ等［４６］認為，人們對算法平臺如何使用其個人數據感到擔憂，并由此產生了一種喪失隱私自主權的感受。因此，用戶算法意識可能引發隱私風險信念。

另一方面，風險信念對用戶披露個人隱私信息意愿有負向影響［４７］。ＬｉＨ等［４８］基于隱私計算理論研究認為，隱私風險信念對用戶隱私行為意愿有顯著負向影響。當用戶感知到隱私風險時，會降低披露信息的意愿。基于保護動機理論，用戶選擇隱瞞個人信息，不泄露實際的個人隱私信息。因此，推測在算法意識和自我隱瞞行為之間，隱私風險信念可以發揮中介作用。綜上，提出如下假設：

Ｈ２：算法意識對用戶的隱私風險信念具有顯著正向影響

Ｈ３：隱私風險信念對自我隱瞞具有顯著正向影響

Ｈ４：隱私風險信念在算法意識與自我隱瞞行為之間具有中介作用

２.３隱私關注與隱私風險信念的鏈式中介作用

隱私關注是指用戶在信息分享行為過程中，因個人信息被傳播或利用可能造成的影響或損失而產生的顧慮［４９］。具體到算法驅動的社交媒體平臺，用戶的隱私關注主要表現為人們針對算法歧視、算法濫用等算法風險相關聯的意識和主觀感受［５０］。本文將隱私關注界定為社交媒體平臺用戶在與平臺算法交互中所產生的個人信息泄露和非法使用的擔憂。用戶在平臺使用過程中感知到平臺企業因過度追求“信息助推”而激發其隱私關注，進而產生隱私信息披露的抵觸心理［５１］。晏齊宏［５２］認為，算法語境下人們對隱私問題更加敏感。算法平臺環境下，隨著用戶與平臺算法交互次數積累與經驗增長，其隱私關注可能會隨著其平臺行為數據的積累而提升［５３］。隱私關注反映了個體在平臺環境中對隱私風險信念的感知程度［５４］。ＡｗａｄＨＦ等［４９］認為，隱私關注對其他變量，如隱私風險信念具有影響。林升梁等［５５］研究表明，用戶隱私關注對其隱私感知風險呈正向影響作用。所以推測，用戶具備的算法意識特征，能夠增加其隱私顧慮，激發隱私風險感知，促使其產生隱私風險信念這一情感介質，用戶基于保護動機從而調整其隱私披露行為。可見，算法意識不僅會對用戶的自我隱瞞行為產生直接影響，還會通過隱私關注與隱私風險信念的雙重中介作用對其產生間接影響。綜上，提出如下假設：

Ｈ５：算法意識對隱私關注具有顯著正向影響

Ｈ６：隱私關注對隱私風險信念具有顯著正向影響

Ｈ７：隱私關注與隱私風險信念在算法意識與自我隱瞞之間具有鏈式中介作用

２.４感知收益與隱私風險信念的鏈式中介作用

ＳｍｉｔｈＨＪ等［５６］認為，隱私披露的感知收益，包括金錢獎勵、個性化服務、使用過程中被賦予更多的權限、精準推薦以及其他的各種社會效益（如ＶＩＰ待遇或關系維護），也包括技術導向的便利（如開放定位權限可以查看周邊的資源）。社交媒體平臺算法為用戶提供“千人千面”的內容推送、精準匹配的搜索結果、好友圈協同過濾、幫助用戶降低信息檢索的成本，并隨時根據用戶對每次算法推薦的反饋行為不斷更新調整。本文將感知收益界定為，社交媒體用戶在使用平臺過程中所感受到的諸如信息查找的便利性、擴大交友圈等益處。

一方面，用戶與平臺算法的互動可提升其對社交媒體平臺參與收益的感知。算法意識能夠提高平臺用戶對算法的認知水平，使其感受到算法平臺的諸多便利，如提高信息檢索的效率、增加關注度、擴大交友圈等［５７］。算法個性化推薦對用戶的收益感知產生積極作用［５８］。用戶對算法的認識和知識可以產生情感上的影響，從消極情緒和不信任到積極情緒和欣賞［７］。另一方面，有研究指出，消費者的感知有用性即為感知利得中的功能性價值，可以持續降低消費者對隱私問題的消極態度［５９］。用戶感知到平臺參與的收益，則會認為向平臺披露自己的個人信息所帶來的潛在損失是可接受的，其感知收益會對用戶樹立隱私風險信念產生消極影響。司徒凌云等［６０］認為，感知收益會促使用戶披露隱私，感知到的收益越大，用戶的隱私披露范圍越廣，披露行為越頻繁。所以推測，用戶的算法意識會增加其披露信息的價值感知，伴隨著感知收益的增加，用戶對其披露隱私信息所造成預期損失的評估將不斷降低，其平臺隱私管理行為，如自我隱瞞行為也會有所減弱。用戶為了獲得平臺算法為其帶來的收益，會忽視隱私顧慮，從而較少參與自我隱瞞行為。因此，提出以下假設：

Ｈ８：算法意識對感知收益具有顯著正向影響

Ｈ９：感知收益對隱私風險信念具有顯著負向影響

Ｈ１０：感知收益與隱私風險信念在算法意識與自我隱瞞之間具有鏈式中介作用

２.５平臺信任的調節效應

平臺信任是社交媒體用戶進行信息分享與交流的重要心理影響因素，對平臺用戶的信息披露行為具有顯著影響。本文中，平臺信任主要指社交媒體用戶對平臺整體的一種認同和信賴，平臺用戶愿意主動分享自己的隱私信息。算法意識可能改變人與算法的交互模式，進而導致用戶對社交媒體平臺的信任感增強［２８］。平臺信任作為社交媒體用戶在平臺使用過程中的主觀感受，不僅受到用戶算法意識的影響，也是影響用戶隱私信息披露行為的重要變量因素。盡管平臺用戶在算法交互過程中激發了隱私顧慮，但如果對平臺整體具備認同和信賴，則可能在一定程度上緩解其隱私風險信念，從而導致自我隱瞞行為的減少。本文認為，平臺信任的調節作用更值得關注。基于上述分析，本文提出如下假設：

Ｈ１１：平臺信任在算法意識與自我隱瞞之間的關系中起調節作用

２.６理論模型構建

結合上述觀察，本文在隱私演算框架下構建了以算法意識作為前因變量，以隱私關注、感知收益和隱私風險信念作為中介，作用于平臺用戶自我隱瞞行為的鏈式中介模型；考慮了平臺信任作為社交媒體用戶對平臺認同和信賴的重要心理因素，探討其調節作用。綜上，提出本研究的理論模型，如圖１所示。為了檢驗模型，采用結構方程模型作為數據處理方式，通過ＳＰＳＳ和ＡＭＯＳ軟件對模型進行擬合檢驗。

３研究設計

３.１問卷設計和變量測量

本文根據研究計劃，擬定了調查問卷，問卷包括人口統計變量與主體內容兩個模塊。人口統計變量主要包括性別、年齡段、教育背景、職業、月收入水平、使用社交媒體時間、每日瀏覽社交媒體平臺的時長和常用的社交媒體平臺；主體內容包括算法意識、隱私關注、感知收益、隱私風險信念、自我隱瞞、平臺信任６個維度，每個維度的測量題目均采用李克特７級量表。具體量表題項及來源如表１所示。

３.２數據收集

本次問卷在２０２３年１月９日—２月９日通過網絡問卷平臺——問卷星進行發放，共回收問卷９４７份，并按照以下標準對問卷進行篩選：第一，回答完整，沒有遺漏項。第二，回答時長高于１００秒。剔除無效問卷后，得到有效樣本７３０份，問卷有效率達７７％。樣本統計信息顯示，本次調查的受訪者中每日使用社交媒體時長超過３小時的人群占比４４.５％，使用社交媒體總年數高于１０年的人群占比２３.５％。由此可見，本研究的受訪人群具有豐富的社交媒體使用經歷，能夠較好地代表社交媒體用戶。此外，受訪人群最常使用的社交媒體平臺是抖音（２７.６％），其次是Ｂ站（１７.５％）。本研究樣本統計學特征如表２所示。

３.３共同方法偏差檢驗

由于對被調研者所有的題項測量是同時進行的，問卷中可能存在共同作答的偏向而引起共同偏差，從而影響研究結果的精確度。本文采用“Ｈａｒｍａｎ單因子檢驗法”對數據的共同方法偏差進行考察。Ｈａｒｍａｎ單因子檢驗結果表明，未旋轉前得到了首個因子的解釋方差為４７.８８％，小于５０.０％，符合測量標準［６４］。

４數據分析與結果

４.１信度與效度檢驗

本文運用ＳＰＳＳ２４.０測量量表的信度和效度。其中，使用組合信度（ＣＲ）和Ｃｒｏｎｂａｃｈ‘ｓα系數檢驗量表信度，各維度的組合信度值和Ｃｒｏｎｂａｃｈ‘ｓα系數值均高于０.７，說明單個維度內各題項的內部一致性較好，具有較好的信度。如表３所示，各因子載荷量均在０.７以上，各維度的平均提取方差值（ＡＶＥ）均大于０.５，表明模型的收斂效度較好；使用ＡＶＥ的平方根來檢驗區別效度，表４中ＡＶＥ的平方根（對角線值）均大于該維度與其余維度的相關系數（非對角線），表明區別效度達到要求，可以用該測量模型進一步測量本文的結構模型。

本研究進一步對算法意識進行二階驗證性因子分析。二階因子總體擬合指標χ２／ｄｆ＝２.４９６、ＧＦＩ＝０.９７３、ＡＧＦＩ＝０.９５７、ＴＬＩ＝０.９９０、ＣＦＩ＝０.９９３、ＲＭＳＥＡ＝０.０４５，表明模型與數據擬合良好。算法交互意識、內容過濾意識、自動化決策意識、算法倫理考量意識４個一階構念在二階構念上的標準化因子載荷分別是０.９５３、０.８０６、０.９００和０.８９８，如圖２所示，均高于０.７，表明算法意識是一個二階構念。

４.２模型擬合優度檢驗

本文使用ＡＭＯＳ２４.０軟件對模型擬合度進行了測量。χ^２／ｄｆ作為模型適配度是否契合的指標，其值在０～３之間時表示模型適配度理想，在３～５之間時表示模型適配度是可以接受的；相似度指標（ＧＦＩ、ＡＧＦＩ、ＴＬＩ、ＣＦＩ）大于０.９００且越接近１時，表明數據與模型的適配度越好；差異性指標（ＲＭ?ＳＥＡ、ＳＲＭＲ）小于０.０８０時，模型具有較好的擬合優度。經檢驗，χ２／ｄｆ＝２.６８５、ＧＦＩ＝０.９２８、ＡＧＦＩ＝０.９１１、ＴＬＩ＝０.９７５、ＣＦＩ＝０.９７８、ＲＭＳＥＡ＝０.０４８、ＳＲＭＲ＝０.０４６。因此，樣本模型具有較好的擬合優度，如表５所示。

４.３模型假設檢驗

本文采用ＡＭＯＳ２４.０軟件進行結構方程建模，變量間標準化路徑系數如圖２、表６所示。結果表明，假設Ｈ１～Ｈ３、Ｈ５～Ｈ６、Ｈ８所對應的標準化路徑系數分別為０.１９５、０.２７７、０.４００、０.６０１、０.５９９、０.６６１，且Ｐ值均處于０.００１以下，表示假設均合理。而Ｈ９所對應的標準化路徑系數為－０.０４８，所對應的Ｐ值大于０.０５，表示假設不成立。

４.４ 中介效應檢驗

采用Ｂｏｏｔｓｔｒａｐ方法對鏈式中介關系進行顯著性檢驗。根據Ｈａｙｅｓ的建議，將Ｂｏｏｔｓｔｒａｐ樣本數設為５０００，采用極大似然法進行取樣，置信區間選擇為９５％，采用Ｂｉａｓ—Ｃｏｒｒｅｃｔｅｄ和Ｐｅｒｃｅｎｔｉｌｅ兩種方法進行置信區間估計，并通過Ｚ值進行輔助驗證。各個置信區間內均不包含０，說明存在中介效應。表７中結果顯示：在算法意識對自我隱瞞行為直接效應置信區間的檢驗中，Ｂｉａｓ—Ｃｏｒｒｅｃｔｅｄ（０.０９８，０.３９３）和Ｐｅｒｃｅｎｔｉｌｅ（０.０９５，０.３９０），均不包含０，且Ｚ值為３.０８０（＞１.９６），即算法意識對自我隱瞞行為的直接效果顯著；算法意識與自我隱瞞之間的總效應為０.５１６，通過Ｂｉａｓ—Ｃｏｒｒｅｃｔｅｄ法和Ｐｅｒｃｅｎ?ｔｉｌｅ法計算的置信區間分別為（０.３９８，０.６５０）與（０.３９６，０.６４９），均不包含０，且利用系數乘積法所得的Ｚ值為７.９３８（＞１.９６），表示總效應顯著。由此可知，算法意識對自我隱瞞行為的影響中存在部分中介效應，可以進行下一步檢驗。

路徑“算法意識→隱私風險信念→自我隱瞞”的Ｂｉａｓ—Ｃｏｒｒｅｃｔｅｄ和Ｐｅｒｃｅｎｔｉｌｅ置信區間分別為（０.０８２，０.１９５）和（０.０７８，０.１９０），均不包含０，且Ｚ值為４.５１７（＞１.９６），表明存在中介效應，Ｈ４得到支持。路徑“算法意識→隱私關注→隱私風險信念→自我隱瞞”的Ｂｉａｓ—Ｃｏｒｒｅｃｔｅｄ和Ｐｅｒｃｅｎｔｉｌｅ置信區間分別為（０.１０９，０.２４６）和（０.１０６，０.２４２），均不包含０，且Ｚ值為５.０００（＞１.９６），隱私關注和隱私風險信念的鏈式中介作用顯著，表明存在中介效應，Ｈ７得到支持。而“算法意識→感知收益→隱私風險信念→自我隱瞞”的Ｂｉａｓ—Ｃｏｒｒｅｃｔｅｄ和Ｐｅｒｃｅｎｔｉｌｅ置信區間均包含０，表明該條路徑中介效應不成立，Ｈ１０被拒絕，且該結果與Ｈ９的檢驗結果一致。

４.５平臺信任的調節效應檢驗

運用Ｐｒｏｃｅｓｓ３.５（設Ｂｏｏｔｓｔｒａｐ＝５０００，置信區間為９５％），檢驗平臺信任是否對算法意識與自我隱瞞的關系具有調節作用。將算法意識設為自變量，納入調節變量，即平臺信任；調節效應變量即平臺信任×算法意識；因變量是平臺用戶的自我隱瞞行為。分析結果如表８所示，平臺信任與算法意識的交互項對用戶的自我隱瞞行為產生負向影響，其非標準化系數為－０.０６５，Ｐ值小于０.０５，而且Ｒ２改變顯著，即ΔＲ^２值為０.０１１，ΔＦ值為９.５０３，Ｐ值為０.００２，小于０.０５，表明平臺信任負向調節算法意識與自我隱瞞的關系，具體而言，隨著用戶的平臺信任程度增加，其算法意識對平臺用戶自我隱瞞的影響變小（斜率變小），如圖３所示。

５結論與啟示

５.１研究結論

本文基于隱私計算理論，實證考察了社交媒體用戶的算法意識如何影響其平臺上自我隱瞞行為的作用機制和邊界條件，得到如下主要結論：

第一，研究證實社交媒體用戶算法意識越強烈，越可能在社交媒體平臺上進行自我隱瞞。這一結果與ＣｈｏＡ［６５］的研究發現一致。本研究發現，算法意識包含的４個維度中，算法交互意識（β＝０.９５３???）和算法倫理考量意識（β＝０.８９８???）對算法意識的影響最大，說明用戶對算法交互和算法倫理的感知更為強烈，其次是自動化決策意識（β＝０.９００???）和內容過濾意識（β＝０.８０６???）。算法意識對自我隱瞞行為的正向作用達到了顯著性水平，這表明用戶在與平臺算法相互規訓的過程中，開始關心自身隱私問題并采取自我隱瞞作為主動隱私披露策略。用戶的算法意識在其隱私管理實踐中起到了重要作用，但是其標準化路徑系數只有０.１９５，表明算法意識與自我隱瞞行為之間存在著有條件的“黑箱”，即在算法意識與自我隱瞞行為之間存在中介變量的關系傳導機制。

第二，本文進一步探討了用戶算法意識與其自我隱瞞行為的中介機制。算法意識對隱私風險信念具有正向影響作用（β＝０.２７７???），且隱私風險信念對自我隱瞞行為的預測性更強（β＝０.４００???），說明以隱私風險信念為中介變量的“算法意識—隱私風險信念—自我隱瞞行為”作用鏈條成立。算法意識對隱私關注具有正向影響作用（β＝０.６０１???），且隱私關注對隱私風險信念也具有正向影響作用（β＝０.５９９???），存在以隱私關注、隱私風險信念為中介變量的“算法意識—隱私關注—隱私風險信念—自我隱瞞行為”鏈式中介效應。具體到用戶在社交媒體平臺上的隱私管理決策，平臺算法通過對用戶個人信息的全時空采集、處理和應用進行個性化推薦等服務提供，從而使用戶逐漸失去了對其個人隱私披露對象、披露范圍的控制，用戶的隱私邊界具有極大的不確定性，無形中增加了用戶的隱私關注。隱私關注和隱私風險信念在塑造用戶自我隱瞞行為中具有重要作用，這也是隱私關注和隱私風險信念的鏈式中介作用得到驗證的原因。

第三，“感知收益—隱私風險信念”鏈式中介路徑并未通過驗證，其中，算法意識對感知收益具有正向影響作用（β＝０.６６１???），感知收益對隱私風險信念的影響不顯著，其原因可能在于：一方面基于前景理論和第三人效應，雖然算法平臺隱私泄露事件時有發生，然而用戶往往認為這種潛在風險尚未轉變為真正的危害，平臺算法對其帶來的認知、情感收益是確定的，而隱私損失卻是潛在的、未知的，用戶感受到平臺算法對其帶來的認知、情感等方面的收益，并不會對其隱私風險信念產生影響作用。另一方面，可能的解釋是由于用戶的社交媒體成癮、尋求關注、將社交媒體賬戶作為自己的“數字歷史”等平臺行為，平臺用戶愿意為了獲得相應的便利服務而讓渡部分隱私。部分用戶認為社交媒體平臺為其提供了一個追憶往事的地方，持這些觀點的用戶并未意識到以這種方式保存個人信息所帶來的隱私風險［６６］。

第四，本文還針對平臺信任的調節作用進行了探討。研究結果表明，平臺信任能夠直接負向調節算法意識和自我隱瞞行為之間的作用機制。社交媒體用戶對平臺信任程度越高，其算法意識的提升對其平臺自我隱瞞行為的影響越小，說明用戶出于對平臺信任，即使在感知到平臺算法運行的前提下，仍會減少自我隱瞞行為。而在低平臺信任狀態下，社交媒體用戶算法意識的提高對其平臺上自我隱瞞行為的影響更顯著。社會交往和社會資本理論均表明，用戶對社交媒體的信任對其信息披露行為產生積極影響［６７］。社交媒體平臺通過內容的在線可見性滿足用戶的信息檢索需求、情感需求，進而增強用戶對平臺的認同感，協調用戶與平臺權益沖突，促進用戶在平臺上的信息交流與分享［６８］。通過引入平臺信任，本研究驗證了信任這一關鍵個體特征在算法意識和自我隱瞞行為之間的作用，同時也是對探索算法意識對自我隱瞞行為影響機制的邊界條件的一種有益嘗試。

５.２理論意義

本文的理論貢獻具體表現在：

首先，拓展了平臺用戶算法意識對其隱私信息披露決策的影響機制研究，豐富了用戶算法意識作為前因變量的研究，是對學界就用戶算法意識展開系統深入研究的響應。當前關于用戶算法意識對其隱私信息披露決策的研究主要圍繞算法意識如何影響自我披露、潛水行為和自我消除行為，很大程度上忽略了平臺用戶算法意識對其自我隱瞞行為的觸發機制。本文從算法意識視角揭示了用戶自我隱瞞行為的影響機制。

其次，從隱私計算視角切入，揭示了算法意識與自我隱瞞行為之間關系的黑箱，驗證了隱私關注、隱私風險信念在算法意識與用戶自我隱瞞行為之間的鏈式中介作用，同時研究發現，感知收益對隱私風險信念的負向影響作用不顯著，這一結論呼應了多名學者的研究觀點［２４，５７］。本文擴展了隱私計算理論在平臺用戶隱私信息披露行為領域的研究范圍，進一步闡釋了影響用戶隱私計算的前因和后果，豐富了隱私計算理論框架的實證研究和自我隱瞞行為的研究成果。

最后，本文驗證了平臺信任的調節作用，這對全面深入理解算法意識影響用戶自我隱瞞行為發生的邊界條件具有重要意義。作為社交媒體用戶的關鍵特征因素，本文研究發現，平臺信任程度低的用戶，自身算法意識的提高對其平臺自我隱瞞行為影響程度較大。這一研究結論豐富了算法意識影響平臺用戶自我隱瞞行為的調節機制，擴展了平臺信任相關研究，并為平臺信任這一變量的研究提供了新見解。

５.３研究啟示

通過實證研究得出的結論，為社交媒體用戶隱私管理和平臺運營管理提供了如下啟示：①平臺應為算法祛魅，提高算法透明度。社交媒體平臺應重視用戶算法意識的提高，重視算法驅動平臺對用戶在線信息披露行為塑造的影響，持續提高算法的透明度，增加算法的可解釋性，履行算法審計義務。具體而言，首先，平臺企業應通過全方位公開算法利用的各類數據或非數據信息、算法的內部結構、算法自動化決策原理等信息的方式，減少算法黑箱帶來的信息不對稱與權利的不對等；其次，平臺企業應配合監管部門履行算法審計義務，主動建立更清晰的規則，公開治理結果，接受公眾監督，形成政府、平臺和用戶多元共治監管模式。②平臺應為用戶賦能，提升數字公民算法素養。隨著算法平臺的廣泛使用，算法對數字公民已不再是新事物。全社會應重視數智時代數字公民算法素養的提升，培育用戶在算法平臺使用中的隱私保護意識與算法倫理意識。一方面，有助于用戶更好地理解、體驗算法平臺提供的服務，增強平臺信任，促進用戶與平臺二元關系的和諧發展；另一方面，有助于促進平臺與用戶的數字共享，提升平臺內容的多樣性。首先，平臺可通過將算法素養與現有消費權益、隱私權益等權利保護體系“精準匹配”的方式實現對用戶的賦能支持，提高其平臺數字共享的內在積極性。其次，平臺企業應積極向用戶傳遞算法向善的價值觀，搭建開放式的算法監督平臺，完善公眾參與的算法監督機制，提高用戶參與算法治理意愿。③監管部門應為平臺賦責，保護用戶隱私安全。無感傷害是算法平臺侵犯用戶隱私的一個主要特點。“無感”并不意味著隱私侵犯沒有發生，而是因為隱私主體對這種傷害不能及時感知［６９］。隨著用戶算法素養的提升，隱私侵犯將成為用戶與平臺之間不可忽視的矛盾。平臺應本著算法人文主義，通過優化平臺服務體系、引入全方位數據治理能力評估完善安全保護策略、加強算法倫理規范建設以及提供切實可行的用戶自主選擇等方式，履行網絡信息安全保護義務，有效保護用戶的隱私安全。

本文研究的局限性在于研究用戶算法意識對其自我隱瞞行為影響機制過程中，沒有進行不同用戶算法素養水平下的差異性分析。此外，對于隱私關注和隱私風險信念的變量關系及平臺信任影響的前因后果等還需進一步進行深入分析驗證。未來對于這一影響機制的研究還可以考慮引入行為實驗方法進行更全面的分析驗證。