算法推荐机制对新闻公共性的消解与重构

在数字媒介重构传播秩序的当下，算法推荐机制已成为重塑新闻公共性的关键变量。本研究以哈贝马斯公共领域理论为观照，揭示算法推荐通过信息茧房效应、价值排序异化与主体性危机对新闻公共性形成的系统性消解，同时提出技术伦理重塑、传播生态优化与主体能动性激活的三重重构路径。研究表明，唯有将公共价值注入算法基因，构建多元共治的算法秩序，并激活传播主体的批判实践，方能在数字时代实现新闻公共性的创造性转化。

一、核心概念的理论锚定

新闻公共性作为社会的核心价值维度，其内涵在数字时代经历了深刻的重构。哈贝马斯提出的公共领域理论为理解这一演变提供了经典框架，而数字技术的介入则使公共性的表征形态呈现出多维度的嬗变。

（一）新闻公共性的内涵演变

1. 哈贝马斯公共领域理论的当代适用性

哈贝马斯在《公共领域的结构转型》中构建的公共领域模型，是以咖啡馆、沙龙、报刊为物理载体，通过理性批判实现公民对公共事务的协商。然而，数字媒介的崛起打破了这一时空限制。社交媒体平台虽然延续了公共讨论的功能，但其去中心化、碎片化的特性也带来了新问题。例如，哈贝马斯指出，数字界面模糊了公共与私人领域的边界，社交媒体中的“社死”现象正是这种界限消解的极端表现。更关键的是，算法推荐机制通过个性化分发重塑了公共议程的设置逻辑，传统媒体时代由编辑部主导的“公共议题”正在被算法计算的“热点话题”取代，这种转变对公共领域的批判功能构成根本性挑战。

2. 数字时代公共性的多维表征

在算法逻辑主导的数字空间中，新闻公共性呈现出三重新特征：第一，可见性（Visibility）的算法化重构。传统新闻公共性依赖媒体机构的“把关”实现信息可见，而算法推荐通过用户画像与点击率预测，将可见性转化为可计算的流量指标。这种技术中介的可见性导致“公共议题”的生成逻辑异化。第二，参与性（Participation）的表演化转向。社交媒体通过点赞、转发、评论等交互设计，将公共参与简化为数据指标。第三，协商性（Deliberation）的技术性规训：算法推荐通过信息投喂强化用户既有立场，形成“过滤气泡”。

（二）算法推荐机制的技术逻辑

1. 个性化推荐系统的运行原理

当前主流推荐算法采用“数据采集 - 特征建模 - 算法匹配 - 反馈优化”的闭环架构：数据采集层通过用户行为追踪获取多维数据，形成包含显性偏好与隐性特征的立体画像。特征建模层运用矩阵分解、神经网络等技术，将用户与内容映射至高维向量空间。算法匹配层采用协同过滤、内容推荐等混合策略，计算用户与内容的关联度。反馈优化层通过点击率预测、停留时长等指标，实现模型的实时迭代。

2. 平台资本、用户数据与算法权力的三角关系

算法推荐系统的运行依赖平台资本、用户数据与算法权力的共生关系：互联网平台通过免费服务模式积累海量用户数据，形成事实上的数据垄断。算法通过黑箱化运作将技术逻辑转化为商业逻辑，用户数据在资本增值链条中被反复剥削。当算法推荐将新闻价值简化为商业价值，新闻公共性便沦为资本增殖的工具。

二、算法推荐对新闻公共性的消解机制

（一）信息茧房效应：圈层化传播与公共议题的碎

算法推荐机制通过长期推送受众感兴趣的、与受众观点趋于一致的信息会造成“信息茧房”，致使受众排斥与个人观点不同的信息，其核心机制在于将公共议题切割为相互隔绝的碎片，进而消解公共讨论的共识基础。

1. 圈层化传播导致的公共议题碎片化

算法推荐系统基于用户画像进行内容分发，本质上是将具有相似偏好的个体聚合成信息孤岛。当用户持续接收符合既有认知的内容时，会形成“过滤气泡”，其认知边界被算法设定的“信息边界”所规训。这种圈层化传播的直接后果是公共议题的碎片化：原本具有公共性的社会议题被拆解为不同圈层的亚议题，每个群体仅在自身信息茧房内进行局部讨论。例如，在气候变化议题上，算法推荐可能将环保主义者与气候怀疑论者分隔在两个完全不同的信息世界，导致双方无法在公共领域展开有效对话。

2. 群体极化的风险积累机制

信息茧房不仅导致议题碎片化，更通过强化用户偏见为群体极化提供技术温床。当极端观点在封闭圈层内获得更高互动数据时，算法会进一步放大其传播权重，形成“极端内容 - 算法推荐-群体极化”的恶性循环。这种风险积累机制在社交媒体平台上尤为明显，算法通过情感计算技术识别用户情绪，并优先推送能够激发强烈情感反应的内容，导致公共讨论逐渐演变为情绪宣泄的场域。

（二）价值排序异化：流量逻辑与情感动员的双重挤压

1. 流量逻辑取代新闻专业标准

在算法推荐系统中，新闻价值的评估标准被彻底重构。传统新闻业坚守的“真实性、重要性、时效性、接近性”等原则，在算法逻辑下被转化为可计量的流量指标。这种价值排序的异化导致三个层面的后果：其一，内容生产出现“逆向淘汰”，具有公共价值的深度报道因点击率低被算法边缘化；其二，标题党、煽情化内容盛行，为吸引用户点击而牺牲新闻客观性；其三，新闻核查机制被弱化，为追求时效性而放弃事实核查，导致虚假信息在算法助推下快速扩散。

2. 情感动员对理性对话空间的挤压

算法推荐机制通过情感计算技术识别用户情绪，并优先推送能够激发强烈情感反应的内容。这种技术逻辑导致公共对话空间出现两个维度的异化：一方面，情感化内容挤压理性讨论空间，具有公共价值的政策辩论被娱乐八卦取代；另一方面，算法通过情感投喂强化用户偏见，形成“情绪茧房”。当公共讨论沦为情感宣泄的场域时，新闻公共性所依赖的理性协商机制便失去存在基础。

（三）主体性危机：算法黑箱与身份降

1. 媒体机构话语权让渡于算法黑箱

在算法推荐系统中，媒体机构的内容分发权被让渡给算法黑箱。为获得算法青睐，媒体不得不迎合算法规则进行内容生产，导致其作为“第四权力”的公共性被商业逻辑侵蚀。这种话语权让渡的直接后果是新闻生产的“算法化”，即根据算法偏好调整选题、标题、呈现方式等要素，甚至出现“算法 SEO”等专门优化技术。例如平台为了片面追求经济利益尝试不正当手段，公共利益为商业利益让渡，某些传媒平台违背公共性的传播行为，为新闻公共性受损提供了现实注解。

2. 公众从“公民”到“用户”的身份降维

算法推荐机制将公众从主动参与的“公民”降维为被动接受的“用户”。在算法逻辑下，公众的新闻消费行为被简化为数据指标，其作为政治主体的批判性被技术中介消解。当用户点击、停留、互动等行为被转化为商业价值时，其参与公共事务的积极性被算法机制消磨，最终沦为算法资本增殖链条中的“数字劳工”。

三、算法推荐对新闻公共性的重构路径

（一）技术伦理的重塑：将公共价值注

1. 公共价值嵌入算法模型的设计路径

算法设计需超越商业逻辑，将公共性价值转化为可计算的技术参数。具体路径包括：其一，在算法目标函数中引入“公共性权重”，通过机器学习训练模型识别具有公共价值的议题，如将政策解读、公共安全等内容纳入优先推荐序列；其二，构建“公共性指标体系”，将内容多样性、观点平衡性、事实核查准确性等维度纳入算法评估框架，通过强化学习技术优化推荐结果；其三，开发“公共领域优先”的推荐模式，在重大公共事件中暂停个性化推荐，恢复时空同步的集体信息接收场景。例如，Twitter 在 2020 年美国大选期间曾尝试“事件导向”推荐策略，通过算法聚合多元观点，一定程度上缓解了信息茧房效应。

2. 基于公共利益的反向推荐机制探索

反向推荐机制通过主动打破信息茧房，重构用户的信息接触边界。其技术实现可包括：其一，“观点对冲”推荐，当系统检测到用户长期接触单一立场内容时，自动推送对立观点的高质量分析；其二，“议题拓展”推荐，基于用户当前阅读内容，推荐相关公共议题的深度报道或学术研究；其三，“随机探索”推荐，设置每日“公共领域探索”配额，强制用户接触算法认定具有公共价值但超出其日常偏好的内容。这种机制的设计需平衡公共性与用户体验，避免陷入技术极权主义。

（二）传播生态的优化：构建多元共

1. 人机协同的内容审核体系构建

算法推荐系统的内容分发需建立“算法初筛 + 人工复核 + 用户反馈”的三重审核机制：算法初筛通过关键词过滤、图像识别等技术快速处置违法违规内容；人工复核由专业编辑团队对算法推荐内容进行价值把关，尤其关注公共议题的呈现方式，充分发挥人的主体作用，加强内容审查和甄别，辅助算法实现新闻价值的回归；用户反馈渠道则通过“内容申诉”“议题投票”等机制，将公众对公共性的需求反馈至算法优化环节。这种协同体系既能发挥算法效率优势，又能避免“技术中立”掩盖的价值偏见。

2. 跨界别的算法透明度监督联盟

算法治理需建立由政府监管部门、行业协会、学术机构、媒体代表和公众组成的跨界监督联盟。其职能包括：其一，制定算法透明度标准，要求平台定期披露推荐逻辑、数据使用规则和价值排序原则。主动公开算法运作、决策过程，解释推荐特定内容的原因、算法决策中存在的误差和缺陷，甚至明确技术人员对算法的控制和影响程度都是应有之义；其二，开展算法审计，通过第三方机构对平台推荐内容进行公共性评估；其三，建立算法问责机制，对系统性制造信息茧房、传播虚假信息的算法模型进行公开警示或下架处理。欧盟《数字服务法》中提出的“算法透明度中心”设想，为此类联盟提供了制度参考。

（三）主体能动性的激活：重塑公共参与的技术文化实践

1. 媒体“算法素养”的专业化提升策略

媒体机构需从三个层面提升算法素养：其一，建立算法认知框架，通过培训让编辑理解推荐系统的技术逻辑与价值偏向；其二，发展“算法逆向工程”能力，通过数据监测工具分析平台推荐规则，优化内容生产策略；其三，构建“算法博弈”机制，在重大公共议题上采用多平台发布、多账号运营等策略，突破算法对信息可见性的控制。例如，BBC 在算法推荐时代推出了“BeyondFake News”项目，通过分析社交媒体算法逻辑，制定针对性的事实核查内容分发策略。

2. 用户算法抵抗的实践形式研究

公众需发展出批判性的算法实践，包括：其一，“算法觉知”实践，通过浏览器插件等工具查看内容推荐逻辑，培养对算法偏见的敏感性；其二，“算法规避”实践，主动选择关注跨圈层信息源，或使用RSS 订阅等去算法化内容获取方式；其三，“算法反制”实践，通过“低质量内容举报”“反向标签”等行为影响算法模型训练。这种抵抗不是技术对抗，而是通过文化实践重塑算法环境中的主体性。对于设计者而言，平台应优化技术设计，有意识地提升用户的参与度与主体性。

四、结语

本研究以算法推荐机制与新闻公共性的辩证关系为核心，系统揭示了技术逻辑对公共领域的结构性影响及其治理路径。在理论层面，通过重访哈贝马斯公共领域理论，本研究确认了数字时代新闻公共性内涵的嬗变：其既面临算法推荐带来的可见性重构、参与性异化与协商性消解，又凭借多维技术实践孕育新的公共参与形态，为分析提供了批判性框架。现实层面，算法对公共性的消解呈现三重递进机制：信息茧房加剧公共议题碎片化与群体极化，流量逻辑取代专业标准并挤压理性空间，媒体话语权让渡与公众身份降维则进一步削弱公共领域主体性，三重机制相互强化，构成系统性挑战。数字时代的新闻公共性重构，本质是技术效率与人性价值的再平衡。当算法推荐系统从商业逻辑工具回归公共基础设施，当传播主体在算法环境中重建批判性实践，新闻公共性方能在数字重构中实现创造性转化。未来研究需进一步探索算法伦理的具体实践机制，以及公众算法抵抗的文化动力学，为数字时代的公共领域重建提供更具操作性的解决方案。

参考文献：

[1] 蔡可心 . 算法推荐的新闻公共性风险与应对 [J]. 青年记者，2021（24）：96-97.

[2] 周敏，赵秀丽 . 追求平等——对智能传播时代算法公共性重构问题的研究 [J]. 北大新闻与传播评论，2024（01）：189-204.

[3] 孙逸啸. 算法媒体平台应用风险及其治理研究[D]. 中南财经政法大学，2021.

[4] 郭赫男，何倩. 算法推荐视域下我国新闻价值观的解构与重构[J]. 西南民族大学学报（人文科版），2020，41（06）：150-156.

[5] 周敏，赵秀丽. 追求平等. 对智能传播时代算法公共性重构问题的研究[J]. 北大新闻与传播评论，2024（01）：189-204.

[6] 廖高可，存奕，顾明瑞. 数字平台推荐机制、专业化生产与消费者福利[J]. 系统工程理论与实践，2024（12）：124-126.

[7] 郭佳，郑山红，陈闯 . 融合元学习和注意力机制的跨域推荐算法研究 [J]. 计算机仿真，2024（12）：166-168.

[8] 杨兴耀，党子博，于炯 . 联合训练下融合编解码器的序列推荐算法 [J]. 计算机工程与设计，2024（11）：116-118.

[9 吕东润，窦云莲，罗伟哲 . 新媒体算法推送机制：运行机理、传播困境与规制路径 [J]. 新媒体研究，2024（11）：101-103.

[10] 彭丹，魏嘉银，卢友军 . 基于双重注意力机制的 MIND 微博推荐算法 [J]. 湖北民族大学学报（自然科学版），2024（11）：241-242.

[11] 徐佳俊 . 视频算法推荐下的沉迷行为及背后的隐忧问题探讨— —以哔哩哔哩平台为例 [J].科技传播，2024，9（25）：121-122.