我的位置: 上观号 > > 文章详情

体验可供性:短视频平台青年用户算法干预机制体验研究

转自: 2026-11-19 16:50:00

本文从短视频平台算法干预可供性入手,聚焦平台层面的算法干预机制,引入体验可供性理论框架,从操作可供性、工具可供性与需求可供性三个层次系统分析短视频平台的算法干预机制构成及其用户体验。通过平台走查、用户论坛评论文本分析与49位青年用户深度访谈的多方法研究,本文梳理出互动反馈、不感兴趣、关键词屏蔽、搜索设置、内容偏好管理、关闭个性化推荐及平台弹窗调查等7类算法干预机制,构建了短视频平台用户算法干预可供性的基本图景。研究发现,在操作可供性层面,用户普遍遭遇干预入口隐蔽、交互路径复杂与反馈成本较高等使用障碍;在工具可供性层面,用户感知到算法对行为信号的误读、干预指令语义模糊以及干预结果缺乏可解释性,进而形成干预失效的认知;在需求可供性层面,用户虽在干预实践中获得一定控制感,但整体仍呈现出有限调控与不确定性并存的体验张力。

1

引言

自20世纪90年代协同过滤模型提出以来,个性化推荐算法已广泛应用于社交媒体、电子商务、短视频及新闻资讯等领域,成为提升用户体验、优化内容分发与增强用户黏性的核心技术(Pan et al., 2020)。通过分析用户历史行为与偏好,算法能够实现定制化推送,有效缓解信息过载、提高决策效率。然而,随着推荐系统深度嵌入日常生活,其潜在问题也逐渐暴露,包括推荐失准、内容同质化、不良信息推送等。在此背景下,如何赋予用户对算法的有效干预能力,使其在享受个性化服务的同时能主动调节推荐结果,已成为学界、业界与监管机构共同关注的重要议题。

从技术机理来看,用户算法干预是对推荐技术的训练优化。推荐系统本质是基于用户反馈持续学习的机器学习系统,其效果高度依赖交互数据的质量。因而,个性化推荐并非纯粹自动化过程,而是一种人机协同机制:算法负责匹配与计算,用户则通过行为参与模型优化。用户对算法的主动干预,既是对偏好的直接表达,也是对推荐系统的高阶反馈,直接影响系统是否真正以用户需求为导向。

从算法治理来看,用户算法干预已成为构建可信、可控、可持续算法生态的核心环节。从《网络信息内容生态治理规定》到《互联网信息服务算法推荐管理规定》,再到“清朗·网络平台算法典型问题专项治理行动”,均明确要求建立人工干预和用户自主选择的算法机制,体现将部分算法干预权回归用户的治理导向。

从用户权益出发,用户算法干预不仅是维护其技术主体性的实践方式,也是保障知情权、选择权与控制权的重要途径。在算法主导的信息环境中,使用户从被动接收者转变为主动参与者,有助于平衡算法权力与用户权利,促进更加公平、健康的数字环境。

聚焦用户算法干预议题,既有研究已初步形成一幅以用户主体性为核心的分析图景,主要聚焦两个维度:用户干预算法的动因以及行为策略,前者关注用户为何干预算法,后者聚焦用户如何干预算法。上述研究从用户视角出发,深化了对算法干预主体性实践的理解,但也在一定程度上忽略了算法干预实践中的另一重要行动者,即算法平台。事实上,算法干预本质上也是一种人机协同实践,平台以干预机制承接用户需求、用户依托平台可供性实施干预,在此意义上,算法平台所提供的用户算法干预机制构成了干预实践的结构性基础。《互联网信息服务算法推荐管理规定》等法规亦明确指出,推荐算法服务提供者应当“加强算法推荐服务版面页面生态管理,建立完善人工干预和用户自主选择机制”。当前,主流算法平台也相继推出一系列干预机制,如抖音推出新版使用管理助手,为用户提供观看内容时长分析和内容偏好管理工具,多平台都允许用户通过“不感兴趣”以及“屏蔽关键词”等功能干预算法推荐内容,然而,对于平台层面所提供的算法干预机制及其可供性设计,目前仍缺乏系统性的关注与研究。一方面,现有研究尚未对干预机制的交互界面、功能设置及其对用户行为的支持与限制进行深入剖析;另一方面,用户在真实情境中使用这些机制的过程体验及其现实困境,亦有待进一步挖掘。

基于此,本研究聚焦短视频这一算法推荐应用的典型场景,系统回答以下问题:短视频平台提供了哪些主要的用户算法干预机制?用户在使用这些机制进行干预时呈现出怎样的交互体验,又面临哪些现实困境?通过对上述问题的探讨,本文旨在为构建更具可感知性、可操作性与有效性的用户算法干预机制提供理论参考与实践启示。

2

文献综述

(一)用户算法干预研究

用户与算法的交互长期以来是算法研究的重要议题,并逐渐形成了从认知到实践的相对清晰的研究脉络。相关研究以算法意识、算法想象与算法民间理论等概念为认知起点(Bucher,2019;Gran et al.,2021;Ytre-Arne & Moe,2021),揭示用户如何理解和想象算法的运作逻辑,并进一步引导这些认知外化为算法干预实践。尽管算法推荐在很大程度上决定了信息的可见性与分发结构,但用户并非完全被动的接受者,而是会根据自身所处的情境与目标,主动采取一系列干预算法运行的实践行为。围绕这些干预实践,已形成了一系列相关研究,学界通常将其概念化为算法抵抗、算法驯化、算法操纵和算法应对等,从研究内容来看,主要集中在两个层面:

第一,算法干预的动因研究,即用户为什么去干预算法?围绕这一主题,一类研究立足于算法权力与控制的视角,在与算法交互的过程中,用户通过逃离、重组、嵌入与反噬等方式,发展出一系列“战术性”实践,以争取算法可见性或削弱算法规训(张萌,2022)。在感知到算法权力的笼罩后,用户进一步识别并抵抗其压迫机制,催生出自下而上的集体性抵抗实践。此类实践通过加密、挪用、接力、拼装等战术,对算法权力展开盗猎与抗争,由此获得一种“游牧式”的自主性空间。算法抵抗亦在此过程中演化为一种追求普遍正义的集体宣泄与社会抗争形式(皇甫博媛,2024)。另一类研究从用户的日常使用体验出发,关注用户遭遇算法的负面情境时如何触发算法干预行为。当平台曲解用户兴趣与身份、忽视具体的现实情境、引发隐私侵犯与监控忧虑时或感觉被算法冒犯时,用户的算法意识与算法想象被激活,并进一步转化为具体的干预行动(Ruckenstein & Granroth,2020)。

第二,算法干预的策略研究,即用户如何去干预算法?几乎所有的算法干预相关研究都涉及对用户干预策略的梳理。一些研究将用户的干预实践进行类型化概括,洪杰文与陈嵘伟(2022)将其总结为“获得式抵抗”和“防御式抵抗”;皇甫博媛(2023)将其总结为温和抵抗、自我干预与算法素养;赵龙轩和林聪(2022)将其总结为“合作型操纵”和“反抗型操纵”。在具体的战术实践上,相关研究揭示了用户干预算法的多样化战术,例如借助点赞、评论、收藏等显性反馈,以及滑动浏览、停留时长等隐性反馈,向算法传递期望的兴趣信号;通过策略性管理数据输入对算法进行反驯化,如主动搜索、关注特定创作者、重复特定行为模式,或通过快速划走、点击不感兴趣、探索屏蔽功能等负向反馈实时矫正推荐方向。此外,部分用户会进一步采取隐私与可见性管理策略,如维持内容消费的匿名性、管理Cookie或权限设置,以降低算法对真实画像的捕捉强度。还有用户通过反向或策略性操作扰乱算法判断,如故意点赞或收藏非兴趣内容、绕过关键词屏蔽、关注跨领域博主或发布与现实身份相符的内容,以抵制算法对个体身份的简化与边缘化(Siles et al.,2019;邱立楠,2021;蒋晓丽、钟棣冰,2022)

总体而言,围绕用户算法干预已形成了较为丰富的研究成果,针对用户干预算法的动因及策略做了详实的探讨。这一视角固然突破了技术决定论,凸显了用户在算法技术面前的能动性,但当前研究图景也存在一定局限。首先,既有用户算法干预研究主要在算法抵抗的框架下进行,该框架过于强调用户和算法对立的关系叙事,忽视了算法本身也是一种用户依算法机制的协商行为,两者是协同共生的;二是过于单一聚焦用户一端,忽视了算法干预中平台的行为和意志(宋思茹、洪杰文,2025);三是现有研究视角更多落脚于算法话语批判层面,对于用户在具体应用干预机制过程的实时感知、理解与交互体验缺乏系统性深描。例如,尽管研究普遍注意到用户点击“不感兴趣”等功能,但用户在实际操作中的感知、理解与体验如何仍有待进一步厘清。

基于上述研究缺口,本研究聚焦算法平台的可供性,将分析重心转向平台一端所提供的算法干预机制,去探究当前短视频平台提供哪些算法干预机制?用户在应用这些干预机制的体验如何?存在哪些问题或困境?为此,本研究引入体验可供性理论框架,该框架为本研究提供了关键的理论基础,尤其适用于理解人机交互中用户如何感知、解释并运用界面所提供的行动可能性,进而揭示算法干预这一日常实践的体验结构与内在张力。

(二)体验可供性理论框架

体验可供性模型(Experiential Affordance Model)由Pucillo和Cascini在整合用户体验理论与可供性理论基础上提出,为分析人机交互中的体验结构提供了综合性框架。该模型强调,人机交互作为一种多层次的目标导向行为,用户的体验形成于其对系统所提供的行动可能性的感知、理解与运用过程中(Pucillo & Cascini,2014)。

在用户体验研究中,Hassenzahl基于目标分层理论,将交互目标区分为三个层次:操作目标、行为目标与需求目标。其中,操作目标指向具体的物理动作执行,如在界面上点击按钮;行为目标关注功能任务的完成,如成功发布内容;而需求目标则涉及更高层次的心理需求满足,如通过发送短信维系社会关系、获得情感联结(Hassenzahl,2010)。这三个层次的目标构成了用户与系统交互的意义链条,使交互行为超越了单纯的操作层面,指向更深层的心理满足。

可供性最早由Gibson提出,被界定为“环境向行动主体所提供的行动可能性”(Gibson, 2014:56-60)。这一概念强调,可供性并非环境的客观属性,而是存在于行动主体与环境之间的关系之中。然而,Gibson并未对“行动”本身做出层级区分,这在复杂人机交互情境中构成一定局限。

为完善这一理论框架,Bærentsen和Trettvik引入活动理论,将可供性概念拓展至三个层次:操作可供性(operational affordances)、工具可供性(instrumental affordances)与需求相关可供性(need related affordances)。具体而言,操作可供性对应基本操作层面,如按钮是否可被按压;工具可供性涉及功能执行层面,如菜单是否支持任务完成;需求相关可供性则指向心理需求层面,如系统是否支持社交联结的建立(Bærentsen &Trettvik,2002)。这种分层使可供性概念能够更好地解释复杂交互场景中的用户体验差异。

Pucillo和Cascini创造性地将可供性分层与用户体验目标层级相结合,构建了体验可供性模型。在这一模型中,第一层操作可供性对应操作目标,关注基本交互动作的可行性;第二层工具可供性对应行为目标,涉及功能任务的完成支持;第三层需求可供性对应需求目标,指向心理需求的最终满足。这一整合使该模型不仅关注用户能做什么,更关注用户在不同层次上的体验质量。

在算法干预研究情境中,体验可供性模型提供了极具解释力的分析框架。具体而言,操作可供性体验关注用户对算法干预入口、操作流程等基础交互元素的感知;工具可供性体验涉及用户对干预功能作用机制的理解及其效果评估;需求可供性体验则指向用户通过干预行为获得的控制感、自主性等心理满足程度。通过这一框架,本研究得以系统考察用户在算法干预过程中的多层次体验结构,揭示平台设计、用户认知与心理需求之间的复杂互动,从而深入理解算法干预这一人机协同实践的本质特征与优化方向。

3

研究设计

(一)研究平台选择

根据《互联网信息服务算法推荐管理规定》,算法推荐技术可分为生成合成类、个性化推送类、排序精选类、检索过滤类、调度决策类等类型。本文聚焦个性化推送类算法,作为重构信息分发逻辑的关键技术,其把关效应在新闻传播学领域引发持续关注。

在算法推荐技术日益普及的背景下,短视频已成为个性化推荐算法应用最集中、用户参与最为活跃的媒介形态之一,成为人们获取信息的主要渠道。与此同时,社会层面围绕短视频算法的公共讨论也从未间断,推荐失准、信息茧房、成瘾依赖、不良信息推送、算法偏见与歧视等问题广受关注。因此,考察短视频平台的算法干预机制,探究用户如何实现对其推荐内容的有效干预,具有重要的现实与理论意义。

在主流短视频平台中,抖音凭借突出的用户规模与活跃度,成为典型的算法驱动型平台。数据显示,抖音在行业月使用总时长中占比50.8%,日活跃用户数达6亿,具有显著的代表性与影响力。作为算法推荐机制高度成熟的应用场景,抖音不仅依赖复杂的用户行为数据进行个性化推送,也为用户提供了相对丰富、多层级的算法干预入口与交互选项,这些功能设计使其成为观察用户算法干预行为、分析干预机制与体验的理想研究对象。

整体而言,本文选择抖音短视频平台作为案例分析平台,主要还基于以下三点考量:第一,典型性与覆盖度。在开展研究前,笔者通过平台走查(App walk-through method)对抖音、快手、微信视频号、小红书、哔哩哔哩等主流短视频及内嵌短视频模块的平台进行了预分析,发现各平台在算法干预机制上存在共性,如均设有“不感兴趣”、“内容偏好管理”、“关闭个性化推荐”等核心机制,但在干预选项设置与交互路径上各有差异,比如不感兴趣的理由选择、内容偏好管理的触发路径会因平台而异。相较而言,抖音所集成的干预机制最为全面,基本覆盖当前短视频平台的各类算法干预设计,对其做深度剖析有助于把握同类平台的核心机制。第二,纵深性与解释力。本研究暂无意进行全面的跨平台比较分析,而是旨在对典型平台的算法干预机制及其体验进行深描,以获取机制运行和用户体验的细腻理解,通过多方法、多途径的资料收集,对抖音平台的算法干预机制进行纵深考察。这种研究设计不仅有助于深入揭示抖音平台的独特实践,也对同类短视频平台的算法干预机制具有参考意义。第三,情境性和具象化。用户对于算法干预机制体验的考察需要锚定具体的干预机制及其交互设计。在深度访谈过程中,受访者对干预体验的描述通常依托于特定的操作流程、反馈感知以及控制感体验,这要求研究首先对平台干预机制的系统梳理与具象呈现具备扎实基础。因此,聚焦抖音平台展开详尽梳理,有助于构建清晰的分析框架和具体的讨论语境,为后续探究用户干预体验提供机制性支撑,推动形成更具细节层次和情境嵌入的研究发现。

(二)研究方法

为了回答研究提出的两个核心问题,研究分别采用平台走查法、文本分析以及深度访谈法相结合的混合研究方法,以实现多维度数据收集与分析。

首先,研究采用平台走查法,自2024年8月起对抖音平台开展了多轮系统走查,构建算法干预可供性基本图景,以全面识别和梳理算法干预机制。走查内容主要包括各干预机制的名称、交互设计特征及其在实际操作中的主观体验。为深化对平台算法干预机制的梳理,本研究还参考了抖音安全与信任中心官网(95152.douyin.com)信息公开板块中的11篇相关推文并做文本分析(见表1),在实际走查过程中,笔者对这些官方提及的干预机制逐一进行了验证与记录,以确保研究信息的完整性与准确性。

其次,研究采用半结构化深度访谈法获取用户算法干预体验。访谈于2024年8~10月及2025年4~5月期间开展。在数据饱和原则指导下,访谈与文本分析同步进行。当连续3个新收集的样本都无法为已有类属提供新的亚类属或新类属,则停止数据收集。研究共完成49位青年抖音用户的深度访谈。

研究聚焦青年群体,主要基于以下两方面考量。其一,抖音青年用户规模庞大且活跃度突出。QuestMobile数据显示,在抖音用户结构中,年轻化仍是显著特征,“90后”与“00后”构成平台的核心用户群,其中18至24岁用户占比达45%。其二,青年群体对平台算法干预机制的互动经验更为丰富,这集中体现在认知与实践两个层面。在认知维度上,青年群体的算法素养与主体意识更为明显,与算法系统进行有意识互动的意愿与频率更高。既有研究围绕用户与推荐算法互动经验大量聚焦青年群体,涵盖算法意识、算法情感、算法驯化、算法抵抗、算法想象以及算法冒犯等多元维度,彰显出该群体作为算法经验研究核心对象的议题价值。在实践维度上,青年群体的互动实践丰富且具有前瞻性,涌现出多元且高度自觉的互动形态,例如豆瓣平台中的“反技术依赖小组”已聚集超过三万名试图与推荐算法进行博弈的年轻用户。综上所述,本研究选择聚焦青年群体,旨在系统考察其在抖音平台算法干预机制下的交互体验。

样本获取采取线下滚雪球与线上公开招募相结合的方式。筛选标准主要包括:(1)抖音使用经验,访谈对象须为抖音用户,且有半年以上的持续使用经历;(2)算法认知和干预经验,访谈对象须对个性化推荐算法有基本的认知,有过干预算法推荐内容的需求或者经验,这将有助于深入了解他们的算法干预体验。线下滚雪球方法通过研究者的社会网络邀请并推荐符合条件的受访者,共访谈13人。线上招募则通过小红书平台发布访谈邀请,并对潜在的被访者进行筛选,最终通过腾讯会议完成36位受访者的访谈(见下表)、对算法干预机制的交互体验等。

所有访谈均以一对一的形式进行,访谈时间在40~70分钟不等。线下访谈,在征得被访者同意后,笔者对访谈内容进行全程录音,并在访谈结束后进行文字转写。线上访谈通过腾讯会议进行,访谈结束后进行录音转写。在访谈过程中,为了设置情境,让被访者回忆起算法干预的一些想法,被访者允许拿出手机打开抖音界面。访谈内容围绕研究问题展开,意在了解用户算法干预的体验,因此,访谈主要从两个方面展开:一是算法干预机制使用的基本经验;二是用户对算法干预机制的了解和交互体验。

为补充访谈资料,研究同时采集抖音用户论坛中与算法干预机制相关的用户评论文本,构建多源质性数据。抖音用户论坛是平台官方设置的用户交流与反馈空间,用户可通过“设置-反馈与帮助-用户论坛”进入,围绕产品功能与使用体验发表意见并参与讨论。研究选取两个与算法干预机制相关的官方主题帖:其一为“教你轻松搞定内容推荐设置”,围绕内容偏好管理功能展开讨论,截至2025年5月11日共获得1184条评论;其二为“聊聊最近你在什么情况下多次点击了不感兴趣”,聚焦不感兴趣使用情境与体验,共获得432条评论。通过爬虫获取上述1616条评论文本,并与深度访谈资料共同构成本研究的分析材料。

4

算法干预可供性基本图景

通过对抖音短视频应用的系统性界面走查,并结合抖音“安全与信任中心”发布的公开材料,本文梳理了平台向用户开放的算法干预机制样态。研究发现,当前抖音主要通过七类干预机制为用户提供参与算法干预的可能性,分别为:互动反馈、不感兴趣、关键词屏蔽、搜索设置、内容偏好管理、关闭个性化推荐以及平台弹窗调查,共同构成了用户算法干预的基本可供性图景。

(一)互动反馈

互动反馈是抖音最基础、最日常化的算法干预路径,主要包括点赞、收藏、评论、转发及推荐等操作。据抖音安全与信任中心网站披露,其推荐系统通过机器学习模型预测用户对内容的行为概率,并将互动行为作为核心训练信号。其中,收藏被视为高强度偏好信号,平台专门针对收藏与重复观看训练预测模型,并在界面中突出收藏按钮;评论区互动及作者回复则通过“握手模型”纳入推荐依据。此类互动反馈嵌入用户的常规使用流程中,干预门槛低、触发频率高,但其算法指向性相对隐性,用户往往难以清晰感知单次反馈所带来的推荐变化。

(二)不感兴趣

“不感兴趣”是用户向抖音算法传递负向反馈的核心机制之一。该机制允许用户在浏览视频内容时,对不感兴趣的内容进行明确标记,从而向抖音的推荐系统传达用户对这类内容的偏好倾向。系统接收到此反馈后,会相应地调整推荐算法,以减少类似内容的推送频率,进而更精准地满足用户的个性化信息需求。从交互设计看,该机制采用二级反馈结构:用户首先通过长按视频唤出“不感兴趣”按钮,点击后进一步选择不感兴趣的具体理由,如针对内容创作者或内容本身。

(三)关键词屏蔽

关键词屏蔽是一种更为主动和系统化的干预方式。用户可设置最多五个不希望接触的关键词,并自主选择屏蔽期限,如短期屏蔽或永久屏蔽,系统据此在推荐流中自动过滤相关内容。用户还可随时对关键词进行增删和调整。该功能通常作为“不感兴趣”的延伸选项或嵌入在内容管理模块中,是平台为用户提供的中长期负向干预工具,使算法干预从即时反馈延展至持续管理。

(四)搜索设置

搜索行为构成了一种重要的显性偏好信号,被视为用户主动意图的集中体现。除主动输入搜索词外,抖音还允许用户对“猜你想搜”等搜索推荐结果进行负反馈,常见类别包括“不感兴趣”、“出现频繁/密集出词”、“重复推荐”等。该机制使用户不仅能够修正当前搜索情境中的推荐偏差,也能够向系统传递更具解释性的拒绝信号,从而在一定程度上影响后续推荐内容的结构。

(五)内容偏好管理

内容偏好管理是抖音提供的系统级、高阶干预工具,允许用户通过界面操作直接参与个人画像的构建与修正。在功能架构与交互逻辑上,内容偏好管理主要包括两大模块:其一为内容分布可视化与风格切换,系统以环形比例图展示用户的内容浏览结构,并提供“保持现状”与“探索更多”两种策略,前者维持既有推荐方向,后者主动扩展内容多样性,适应用户兴趣的潜在变化。其二,兴趣标签的自定义与强度调节。用户可自主添加或删除兴趣标签,并通过滑动条控件对每类标签设置推荐强度,实现从“减少推荐”到“增加推荐”的多级调控。该设计将传统的二元干预扩展为连续谱系,使用户不仅能决定“看什么”,还可调控“看多少”,显著提升了算法干预的精细度与用户自主性。

(六)关闭个性化推荐

关闭个性化推荐是平台层面提供的全局性干预选项。用户可通过设置界面关闭个性化内容分发,系统随即切换为基于内容热度或社交关系的非个性化推荐模式。该功能的推出与相关法律法规及算法治理政策密切相关,体现了平台在合规压力与社会期待下对用户选择权的制度性回应。但在具体交互设计中,平台往往通过风险提示强调关闭后可能带来的体验下降,从而在一定程度上抬高了用户实际行使该权利的心理门槛。

(七)平台弹窗调查

除常态化干预路径外,平台还会在特定情境下主动向用户发起满意度调查,以弹窗形式询问用户对当前推荐内容的评价。例如,抖音平台会在特定情境下弹出窗口,询问用户“您觉得上条内容的质量怎么样?”,用户可选择“好”、“一般”或“差”。用户可进一步选择诸如“抄袭搬运感强”、“内容低俗”等理由,然而,此类调查具有随机触发、频率较低的特点,难以系统反映用户的长期偏好变化,其干预效能相对有限。

5

体验可供性:算法干预机制的用户体验

基于前文的体验可供性分析框架,本文从操作可供性、工具可供性与需求可供性三个维度考察用户的算法干预体验。

(一)操作可供性:交互设计的用户体验

对于算法干预机制的交互设计,用户主要围绕“操作成本”、“操作形式”两个维度表达用户体验。

1.操作成本

在算法干预过程中,用户会对其操作所涉及的行为成本、时间成本与认知负荷形成主观评估。研究发现,受访者在“不感兴趣”触发、内容偏好管理入口可见性、关键词屏蔽设置以及平台情境调查等环节普遍感知到较高交互成本。

具体来看,抖音“不感兴趣”功能的触发需经过“长按内容-呼出菜单-选择不感兴趣-反馈具体理由”等多步操作,与用户期待的一键式干预路径存在落差(N9)。此外,该流程被拆分为“基础反馈”与“细化理由”两个阶段,多位受访者在完成第一阶段后即终止操作,认为后续选择理由较为烦琐,且感知收益有限。在短视频高频、快节奏的使用场景下,用户往往进行成本权衡,认为相较于直接划走内容,完成完整反馈流程需付出更高时间与行为成本,从而削弱其持续干预意愿。

内容偏好管理机制则表现出更高的隐蔽性。用户需依次进入“个人主页-设置-更多功能-使用管理助手-内容管理-兴趣标签-权重调节”等多级界面,路径复杂、入口深藏,对普通用户近乎不可见。当笔者展示该功能时,几乎所有受访者都表示虽在初期使用中曾见过,但后续难以主动找回。尽管多数人未曾实际使用,但在了解其作用后,仍肯定其潜在价值,认为该功能有助于初期内容筛选,减少长期调整负担,尤其适用于目标明确的用户(N22)。在用户论坛官方帖子“教你轻松搞定内容推荐设置”,平台向用户介绍内容偏好管理这一功能,亦有部分用户反映该功能的触发路径过于隐蔽。

关键词屏蔽功能分散于“不感兴趣”与“内容偏好管理”等二级或三级菜单中,使用频率较低。即便成功唤起,用户也常面临关键词识别困难。由于同一内容常关联多重标签,用户难以确定应屏蔽哪个关键词方可奏效,这种不确定性显著增加了认知与操作负担。例如,“我很反感某些负能量短剧,但不知道该屏蔽‘情感’、‘家庭’还是‘短剧’。有时视频下方并无标签,或无处操作,令人困惑”(N39)。

此外,平台偶尔发起的推荐内容情境调查亦参与度有限。在49位受访者中,仅16人表示愿意参与,近2/3用户选择直接跳过。这类调查多在浏览中弹出,具有较强的干扰性,多数用户视其为信息流体验的中断,为保持观看连贯性而倾向于忽略。

2.操作形式

从操作形式来看,当前算法干预机制主要包括三种类型:选择式、填空式与滑动式。选择式交互为用户提供预设选项以供直接点选,常见于点赞、收藏、“不感兴趣”及理由选择、投诉举报等场景,是平台中应用最广泛的干预形式。填空式交互支持用户通过文本输入进行表达,如输入屏蔽关键词以体现个性化偏好,具有较高的表达精度。滑动式交互则允许用户通过滑块连续调节内容推荐强度,目前主要应用于内容偏好管理功能中。

访谈结果显示,受访者对上述三种交互形式的评价存在差异。当被问及最偏好哪一类时,多数受访者偏好选择式交互,主要因其操作成本低、决策负担小,适应短视频浏览的快节奏场景。填空式交互虽被认为“反馈精度最高”,但由于需要额外的认知与时间投入,常被视为一种“低频但必要”的补充机制(N2)。对于滑动式交互,受访者的评价则集中于其所带来的控制感体验。当用户在操作后能够感知到与预期相一致的推荐结果变化时,其对算法的控制感显著增强。滑动式交互通过可视化进度条,将原本抽象的算法干预转化为可感知的强度调节过程,使用户能够直观预期干预效果(N5)。整体来看,三类交互形式在成本、精度与控制感方面形成互补,共同构成用户算法干预的交互基础。

(二)工具可供性:功能有效性感知

在工具可供性维度中,用户主要基于对算法干预机制实际效果进行评估,形成体验认知。这些认知既包括对算法是否有效的判断,也涵盖在持续使用过程中逐渐形成的操作策略与经验。

1.工具失效体验

用户在实施算法干预后,会对干预效果产生差异化的感知与评价。当推荐内容符合个人偏好时,用户倾向于认为算法机制“有效”且“懂我”(N2);反之,若干预后推荐效果未达预期,则易形成干预无效的认知(N4)。访谈和论坛讨论中,用户多次提及工具失效的体验,如点赞后会导致大量同质化内容推荐、点击不感兴趣后还会推送、内容偏好管理干预不精准等,并尝试对失效进行归因。整体而言,其表述主要涵盖以下两种情境:

工具失效的首要表现,是算法对用户交互信号的误读。以点赞、收藏等正向反馈为例,部分受访者担忧这类行为会被算法过度解读(N1、N15、N23),从而强化同类内容推送,导致信息视野收窄。其根源在于用户与算法在行为语义上存在解码偏差:用户通常将点赞视为瞬时情绪表达、将收藏视为工具性保存、将转发视为社交分享;而算法则倾向于将其统一解释为稳定的兴趣偏好信号,并据此调整推荐。这种即时表达被误读为长期兴趣的错位,构成了双方认知的根本矛盾。

类似问题也出现在不感兴趣反馈中。部分用户选择该选项并非希望彻底屏蔽相关内容,而是意图降低其出现频率而非完全排除(N43)。这表明当前基于“喜欢/不喜欢”的二元干预逻辑,难以适应用户对内容推送强度与频次的细腻调控需求。

在工具失效的归因中,第二种常见解释涉及干预指令的可解释性与分类局限问题。

用户通过干预路径进行反馈后,需进一步通过具体指令细化调控意图。典型如“不感兴趣”与“内容偏好管理”机制,均依赖用户选择或设定指令以实现精准表达。研究发现,部分用户在选取干预指令时,对指令语义及作用范围存在明显困惑。一方面,指令本身的语义模糊性降低了用户的理解确定性。例如,有受访者反映“相似过多”等选项含义不清,难以判断所指是主题重复、风格雷同还是涉嫌抄袭,致使用户难以形成明确反馈预期(N17)。另一方面,干预结果的可解释性普遍不足。用户期望平台在接收指令后能说明其具体影响机制,然而当前系统多以“反馈成功,将为你优化推荐”等笼统提示回应,缺乏对作用方式与范围的清晰说明。6位受访者明确表示,他们不清楚“不喜欢作者”等指令是否等同于拉黑和屏蔽。这种结果不透明性强化了人机交互中的不确定感。有用户将反馈体验比喻为“向海里扔石头”,即尽管付出操作成本,却难以感知系统是否有效响应(N12)。

不仅是干预指令的可解释性问题,还有受访者提到干预失效是因为现有的干预指令的局限性问题,难以满足用户的实际干预需求。比如N28和N30认为不感兴趣的反馈理由大多数是负面评价标签难以承载用户的中性偏好表达。但用户的真实动机往往仅是“兴趣不匹配”,并非对内容质量的价值判断,他更期待平台提供如“减少推荐”、“不再推荐”等更为中性的选项,以更准确传达个人偏好。类似问题亦存在于内容偏好管理机制。平台预设的内容分类与用户认知之间存在偏差,导致干预后推荐结果仍与真实兴趣不符。例如,“摄影”常被归入设备测评(N7),心理学易被泛化为情感内容(N16)。这表明当前分类体系在粒度与准确性上均未充分响应用户的实际认知结构,从而削弱了干预指令的实际效力。

2.工具使用策略

在算法干预实践中,用户表现出显著的情境依赖特征,即根据信息需求的明确程度和使用目的,策略性调用如“不感兴趣”、“内容偏好管理”、“互动反馈”等多种干预机制。

当信息需求明确、平台被作为工具性媒介时,用户倾向采用点赞、收藏、搜索等正向反馈,以引导算法提升内容的相关性和时效性。例如,备考或规划出行期间,用户通过集中点赞、收藏等方式,对系统进行短期定向调教(N15、N17)。在探索性学习或兴趣拓展阶段,用户则更多借助“内容偏好管理”功能,在较宽泛领域内预设推荐方向,体现其对信息生态的前瞻性塑造意识(N2)。而不感兴趣常被用于算法失灵情境,如同质化、错误性或冒犯性推荐,用户以此表达纠偏诉求甚至作为不满声明(N3、N17)。

(三)需求可供性:控制感知和需求期待

需求可供性指向用户通过算法干预行为所获得的心理满足,如控制感与自主性。然而研究发现,用户在需求层面的体验呈现出“形式可控、实质有限”的特点。

1.有限的干预:用户对算法推荐的控制感知

研究采用10分制请受访者评估自身算法干预能力,其中36人评分低于5分,表明用户普遍对干预效力持消极评价,且伴随明显的无力感。这一感知主要源于用户对平台商业目标与个体需求间存在冲突的认知。多数受访者承认,各类干预机制在形式上提供了表达偏好与拒绝推荐的途径,增强了人机交互的双向性。但实际运作中,用户普遍认为平台会基于商业利益选择性响应干预指令。平台并非“听不懂反馈”,而是“广告给的钱太多了”(N9),部分明显投流的内容即便被标记为不感兴趣,仍会反复出现在首页(N3)。这类体验进一步强化了用户对算法干预失灵的认知。

在更宏观层面,用户将自身置于平台-用户关系中的弱势位置。尽管交互设计赋予了部分调控权限,但推荐系统的最终控制权仍归属于平台,用户干预能否生效取决于平台的整体内容分发策略。在此结构不对等下,用户对自身干预的实际效力多持悲观态度,需求层面的控制感更多仅具象征意义,难以转化为稳定、可兑现的体验。

2.期待的干预:面向未来的干预需求

尽管对现有干预机制普遍感到无力,在访谈中,一些受访者仍对算法干预的未来发展抱有明确期待,主要集中于提升透明度与用户赋权。

其一,期待干预路径具备更高的可追溯性与可解释性。针对当前干预结果不透明的现状,部分受访者希望平台能清晰说明“为何看到该内容”,以及干预操作将如何具体改变推荐逻辑,而非仅以“优化推荐”等笼统提示回应(N36)。其二,期望获得更高程度的个性化定义权。由于当前推荐权重与算法规则较为隐蔽,部分受访者提出应允许用户直接参与推荐逻辑的塑造,例如自主调节推荐参数(N18)。这反映出用户希望从被动接受转向主动参与算法运作的深层诉求。

6

结论与讨论:算法干预的人机协同挑战

(一)算法干预:一种基于界面的日常性人机协同实践

既有研究多将算法干预置于“控制-抵抗”框架下,将其概念化为算法抵抗或算法操纵。然而,本研究基于用户体验发现,用户的干预行为更多表现为一种依托界面可供性的日常化、协同性实践,对算法本身并未表现出显著的批判或抵抗倾向。深度访谈中,仅少数受访者曾关闭个性化推荐,绝大多数用户倾向于通过持续反馈优化算法输出,体现出对算法在信息效率方面价值的普遍认可。

本文将算法干预视为用户与算法的对话过程,即用户借助界面提供的干预选项,主动调适算法内容输出的行为。这一理解在以下方面拓展了既有研究的讨论边界:

首先,它将算法干预置于日常化、常规化的实践维度。算法干预并非偶发的、情绪化的抵抗行为,而是用户在日常使用中频繁发生、高度嵌入的调节实践,已成为人机持续互动中的常规组成部分。其次,突出人与算法交互的结构性与操作性。将焦点从心理层面的情感关系,转向依托具体界面功能、可观测的实际操作行为,增强了研究的实证基础与技术锚定,实现了从批判性到更具建设性的算法研究转向。最后,该视角突破“控制-抵抗”的二元对立框架。算法干预揭示出一种动态协商关系:用户在认可算法逻辑的基础上进行微调,通过策略性互动实现个性化需求。这一视角超越了传统的情感或权力范式,有助于理解用户如何以务实方式持续建构与算法的协同关系。

需要特别说明的是,将算法干预界定为用户依托平台机制进行算法调适的实践,并不意味着否认用户主体性,亦非预设用户必然遵循平台设定的干预路径。事实上,用户在算法干预实践中可能采取策略性越界行为,如反向点击“不感兴趣”,回避使用“内容偏好管理”、“关键词屏蔽”等功能,拒绝参与平台推出的情境调查等,这些对平台干预机制的“消极参与”或“策略性使用”现象,恰恰揭示了用户与平台之间的张力关系,其背后的体验逻辑与实践动因,更值得深入研究。

将算法干预理解为人机协同实践,其理论旨趣在于从一个更具落地性与现实修缮性的视角出发,探究如何在机制设计层面保障用户对算法的自主选择权与有效干预能力。瞄准平台的算法干预机制进行分析,正是回应上述问题的一个有利切入点:它既关注用户如何在平台设定的交互框架中实施干预,也关注该框架本身如何支持或限制用户的自主性实践,从而为构建更具可感知性、可操作性与有效性的算法干预机制提供理论参照与实践启示。

(二)算法干预实践中面临的人机协同挑战

通过深度访谈,研究深入获取用户干预过程中的具体体验,既揭示了当前干预机制的实际运作特征,也识别出若干人机适配性问题。

1.算法误会:信号偏好与需求解读的误差

在算法干预实践中,存在明显的算法误会问题,即算法系统对用户反馈信号产生错误解读。其根源在于当前交互模型所隐含的“行为-偏好”直接映射假设,与用户行为的语境复杂性之间形成结构性错位。

用户的实际互动行为往往具有多重意涵:点赞可能仅表达瞬时认可而非长期兴趣,不感兴趣也可能只是对推送频率而非内容本身的否定。然而,算法倾向于将这些具体行为统一转化为偏好信号,进而引发推荐结果与用户真实需求间的系统性偏差。这种误读风险已进一步引发用户的“反思性抑制”。由于担忧行为被过度解读,部分用户选择减少互动,陷入策略性沉默,例如因害怕一次点赞导致同类内容泛滥而停止表达。这种抑制不仅使用户信息行为趋于保守,也可能会降低算法学习的数据质量,形成人机误解的循环。

上述现象揭示出以行为为中心、黑箱化运作的交互范式已面临瓶颈。未来设计需转向更具透明性与协商性的对话机制,例如在用户操作时提供轻量化情境选项,如区分“仅认可本条内容”与“希望多看此类”,并在算法响应中增强可解释性,使用户能够理解并预期自身行为的影响,从而重建有效的互动循环。

2.能见度低:部分干预机制的不可见

在算法主导的内容推荐生态中,用户干预算法权益的有效行使高度依赖于干预选项的可见性与可及性。然而研究发现,平台中多数深度干预功能存在显著的能见度缺失问题。例如,“不感兴趣”需经长按、选择、反馈等多步操作;而“内容偏好管理”更是深藏于多级菜单之后,用户需跨越五至六个界面层级方可触达。这种冗长的交互路径显著增加了用户的操作与认知负荷。值得注意的是,此类深藏式设计并非常态,相较之下,快手短视频平台的同类功能操作路径明显更短,抖音的触发成本约为其三倍。

这种现象本质上揭示了平台在“象征性赋权”与“实质性控制”之间的内在矛盾:虽然提供干预选项以满足用户对控制感的表面需求,却通过交互设计抬高使用门槛,从而维持算法在内容分配中的主导权。其结果不仅导致功能使用率低下,也可能削弱用户对系统的信任,加剧其无力感。因此,能见度缺失不仅是交互设计问题,更是一种隐性的权力机制。未来若真正致力于构建协同式算法生态,需将关键干预功能前置化、透明化,降低用户参与门槛,在交互层面推动算法权力与用户权利的再平衡,使算法干预真正从设计可供性转化为用户的日常可行能力。

3.不可解释:算法干预的不透明性

研究发现,算法干预实践中存在不可解释性问题,即干预逻辑、过程与结果对用户而言构成一种黑箱,导致其难以形成有效认知与可控体验。首先,推荐逻辑不透明,用户既不了解推送依据,也不清楚推荐权重机制,导致干预行为缺乏针对性,多依赖盲目试错。其次,干预指令含义模糊,如用户无法预期不感兴趣、屏蔽关键词等操作的实际效果,是否会永久屏蔽有关内容或是否会误伤有潜在需求的内容,从而降低其操作信心与参与意愿。最后,干预结果缺乏反馈。即使用户执行操作,平台也极少提供是否生效、作用程度等明确反馈,切断了人机之间的有效互动闭环,使用户只能依赖主观推断。

最后,本研究亦存在若干局限,值得后续研究进一步拓展与完善。首先,研究场景集中于短视频平台,未来可开展跨场景跨平台的比较研究,以验证并丰富现有理论模型。其次,样本以青年用户为主,虽具典型性,但未能覆盖不同年龄群体的差异。未来应拓展至青少年、中老年等群体,探究其算法干预行为的共性与差异,形成更具包容性的解释框架。最后,研究方法主要依赖访谈,自我报告数据易受社会期许与回忆偏差影响。未来可引入实验法或现场干预等方法,通过变量操纵增强因果推断,提升研究结论的稳健性。

(胡明鑫:《体验可供性:短视频平台青年用户算法干预机制体验研究》,2026年第9期,微信发布系节选,学术引用请务必参考原文)

在这里,读懂转型中的中国新闻业

在这里,探讨新闻业的未来

在这里,进行深入而严肃的思考

在这里,关心新闻人自己的命运!

帮助

订阅《新闻记者》其实很方便——

您可以在邮局订阅,邮发代号:4-371,全年定价216元。

您也可以扫描下方二维码,通过编辑部直接订阅。或电话021-22897351咨询相关事宜。