如何用新算法纠正民众对选举中“大众看法”的误解

本研究首次在真实社交平台（Bluesky）上开展大规模随机对照实验，考察信息流算法对公众政治认知的影响。研究人员自主开发了两类定制化信息流排序算法，并将2000名参与者随机分配使用：一类是当前主流平台普遍采用的‘互动驱动型’算法（按点赞、评论、转发等行为热度排序），另一类是新提出的‘均衡极端用户影响’算法（旨在降低极端活跃用户的权重，避免其观点过度主导信息流）。实验持续8周，覆盖2024年美国大选前后关键阶段。结果表明：相比传统的按时间倒序排列的信息流，互动驱动型算法显著增加了道德义愤、政治对立和有毒内容的曝光量，尤其放大了情绪激烈、立场极化的言论；这导致用户对社会政治讨论‘应然规范’（即‘大家本该怎样理性讨论’）的判断出现偏差——他们高估了社会整体的对立程度，进而感知到更强的党派敌意。但值得注意的是，这种算法并未明显改变用户自身实际的互动行为（如是否更频繁地发帖或争论）。相比之下，‘均衡极端用户影响’算法有效降低了煽动性、道德化、情绪化（IME）及有毒内容的曝光比例，提升了用户对社会规范的准确认知（即更接近真实讨论氛围），同时用户对平台的满意度和使用愉悦感并未下降。这说明，无需牺牲用户体验，也能通过优化算法逻辑来缓解算法带来的认知扭曲与社会撕裂。