短视频信息茧房的生成机制、影响因素与改进建议

近年来算法推荐蓬勃发展，已被广泛运用于资讯、社交、短视频、搜索引擎等平台中，在满足大学生精神文化需求的同时也在深刻影响着大学生社会认知、思维方式和价值认同。一方面，算法推荐正以扩张性技术特点及其与用户需求的无缝隙对接，成为开展网络思想政治教育的新利器。另一方面，算法推荐带来的“信息茧房”“回音壁”等效应，对大学生批判思维能力、情绪调节能力和人际交往能力产生了重要的影响，为思想政治教育带来了潜在的风险。本文试图从算法技术扩张与信息茧房的概念入手，分析算法推荐下大学生信息茧房的形成机理，梳理出算法推荐下信息茧房的治理困境并提出相应的优化路径，对拓宽网络思想政治教育渠道提供价值参考。

“抖音5分钟,人间1小时”,近年来短视频社交平台成为用户获取信息和日常娱乐的重要途径之一,受到了学术界的广泛关注。然而,少有学者结合短视频平台特点,深入研究抖音等短视频用户对平台技术的感知和理解及其对用户心理需求和行为模式的影响,关于感知个性化和信息窄化的影响也未在抖音等短视频平台上得到验证。本文以抖音为例,借鉴刺激-机体-反应(S-O-R)模型,对用户感知个性化、信息窄化、心理抗拒对信息采纳意愿的影响进行了实证研究。结果显示,用户感知个性化会对信息窄化产生积极影响,感知个性化程度高的用户更容易陷入“信息茧房”中。其次,与以往研究不同,本研究发现用户感知个性化和信息窄化会降低用户的心理抗拒。该结果表明,短视频平台中,高水平的个性化推荐会降低用户的信息获取成本和平台使用成本,提高用户的满意度。最后,本研究发现心理抗拒在两条影响路径中均起到了部分中介的作用,表明用户对平台算法的感知会通过降低心理抗拒来提高信息采纳意愿。本研究从研究情境、研究变量及研究模型上拓宽了信息采纳意愿的研究领域。由研究结果可知,在探究用户对抖音等短视频平台的感知个性化和信息窄化时,不能完全借鉴以往结论,需单独研究。本研究为平台管理者进一步改善推荐算法提供理论支撑,也为传播界避免“劣币驱逐良币”现象产生提供了新的研究视角。

融媒体时代的纵深发展推动了短视频的崛起，其在重塑信息传播格局的同时，也为大学生思想政治教育带来了深刻而复杂的双重影响。本研究旨在系统剖析短视频带来的多维挑战，主要包括算法主导下的“信息茧房”对传统传播模式的冲击、主客体互融对教育权威的消解、内容碎片化对系统认知的瓦解，以及泛娱乐化倾向对主流价值传递的稀释。这些挑战本身也孕育着短视频变革的机遇：具身化、场景化的形式能有效增强教育的吸引力与感染力；其渠道特性有助于打破时空限制，实现泛在与即时教育；其互动机制则能激活学生主体性，构建平等对话的教育新生态。为有效化挑战为机遇，本文提出三条实践路径：推动内容从“理论灌输”向“叙事共鸣”重构；促进平台从“借船出海”向“建管用一体”升级；实现教育主体从“教师独角戏”向“师生创作共同体”协同转型。

近年来人工智能技术发展取得了重要突破，尤其是生成式人工智能的广泛应用，带来智能算法技术迅速介入话语的生产、传播、接收与转化等话语构建的动态过程。智能算法推荐开辟了意识形态生产的新场域和新表达，作为一种新兴的权力形态，其具有意识形态话语支配权，对主流意识形态话语权构建带来挑战，其智能化冲击着主流意识形态话语生产的主导权、精准化消减主流意识形态话语传播优先权、个性化削弱主流意识形态话语接收选择权；两极化弱化主流意识形态话语转化认同度，塑造着人们的价值观念、行为模式，改变着社会秩序。智能算法推荐下构建主流意识形态话语权，需要顺应技术发展趋势，用主流价值驾驭算法，积极引导算法、优化算法和监管算法，改进主流意识形态话语生产机制；需要创新智能传播技术、搭建智能传播平台和培育善用智能技术的专业队伍，优化主流意识形态话语传播秩序；需要强化人工智能核心价值对齐、增强智能化监测研判、实现舆论分众化引导，净化主流意识形态话语舆论环境；需要善用算法技术增进受众认识，强化议题智能化设置促进价值养成，增进主流意识形态话语转化认同，不断增强主流意识形态的主导权和话语权。

作为人工智能与大数据融合的新“技术物”，算法推荐实现了信息与人之间的分众化、精准化、高效化匹配，推动了信息传播领域内多种权力发生转移。由于算法推荐以主体偏好和资本逻辑为价值支点，造成人的兴趣点固化、视线窄化、思想极化，这不仅挤压了主流价值观的传播覆盖和现实生存空间，还弱化了主流价值观的主导、引导、认同、整合功能。摆脱算法推荐场域中价值引领的困局，需协同利用权力规制、技术革新、制度治理及素养提升的合力，通过重塑算法权力边界防范系统性价值危机，优化算法运行引擎矫正技术的固有偏见，健全算法约束机制遏制劣质信息的弥散，增强主体自律意识培育健康的价值生态，以此推动技术进步、人的发展与价值引领的耦合共进。

算法推荐作为人工智能技术领域的重要形态，已成为日渐影响主流意识形态话语传播效度的新型场域。当算法嵌入主流意识形态话语传播领域，以个性化算法推荐技术驱动话语传播主体全员互动化、话语传播内容全息展露化、话语传播方式全觉沉浸化、话语传播空间全域覆盖化。但算法推荐诱发话语权力越位，导致“算法驱动”解构话语传播主体的引导作用、“算法黑箱”引发话语传播内容的边缘化、“算法鸦片”削弱话语传播方式的效能指数、“算法圈层”阻隔话语传播空间的拓展范围。为实现主流意识形态话语传播从“追逐算法”转向“驾驭算法”，要通过主体掌控算法、价值引领算法、技术规制算法、制度监管算法等治理手段，有序建构主流意识形态话语智能化传播图景。

随着算法推荐技术在短视频平台的深度应用，短视频产业呈现爆发式增长，但版权侵权问题也日趋复杂，平台版权注意义务的认定成为司法实践与学术研究的核心焦点。本文以短视频平台的双重法律角色（技术服务提供者与内容服务提供者）为切入点，界定了算法推荐、短视频及平台的法律内涵，系统分析了算法推荐场景下平台版权侵权的行为样态，重点聚焦帮助侵权的认定难题。通过梳理“通知—必要措施”原则与“红旗”原则的适用现状，本文指出当前规则面临的两大困境：一是司法实践对“合格通知”的认定存在形式审查与实质审查的分歧；二是算法推荐与人工推荐的界限模糊导致平台“应知”状态的判断标准混乱。为破解上述困境，本文提出完善路径：在通知规则层面，应降低权利人维权门槛，采用“实质判断为主、形式审查为辅”的标准，灵活认定通知效力与侵权内容定位方式；在责任认定层面，需明确算法推荐与人工推荐的技术逻辑及法律性质差异，避免将二者等同适用“主动推荐”的过错认定标准。本文的研究旨在为算法时代短视频平台版权注意义务的法律规制提供理论支撑，平衡权利人保护、平台合规与技术创新的多重价值。

推荐系统因可有效解决信息过载问题而受到学术界与工业界的广泛关注。基于图神经网络的协同过滤推荐算法可有效表征用户和项目特征, 并可学习用户和项目间的复杂关系, 成为近年来推荐系统中广泛使用的一种技术。作者首先根据拟解决问题的不同对算法进行分类, 然后对每个类别下的代表性算法进行比较与分析；其次, 对实验中常用的数据集进行分类汇总, 并对常用的评价指标进行简要介绍；最后, 给出该领域面临的挑战和未来可能的研究方向。

随着互联网和信息计算的飞速发展，衍生了海量数据，我们已经进入信息爆炸的时代。网络中各种信息量的指数型增长导致用户想要从大量信息中找到自己需要的信息变得越来越困难，信息过载问题日益突出。推荐系统在缓解信息过载问题中起着非常重要的作用，该方法通过研究用户的兴趣偏好进行个性化计算，由系统发现用户兴趣进而引导用户发现自己的信息需求。目前，推荐系统已经成为产业界和学术界关注、研究的热点问题，应用领域十分广泛。在电子商务、会话推荐、文章推荐、智慧医疗等多个领域都有所应用。传统的推荐算法主要包括基于内容的推荐、协同过滤推荐以及混合推荐。其中，协同过滤推荐是推荐系统中应用最广泛最成功的技术之一。该方法利用用户或物品间的相似度以及历史行为数据对目标用户进行推荐，因此存在用户冷启动和项目冷启动问题。此外，随着信息量的急剧增长，传统协同过滤推荐系统面对数据的快速增长会遇到严重的数据稀疏性问题以及可扩展性问题。为了缓解甚至解决这些问题，推荐系统研究人员进行了大量的工作。近年来，为了提高推荐效果、提升用户满意度，学者们开始关注推荐系统的多样性问题以及可解释性等问题。由于深度学习方法可以通过发现数据中用户和项目之间的非线性关系从而学习一个有效的特征表示，因此越来越受到推荐系统研究人员的关注。目前的工作主要是利用评分数据、社交网络信息以及其他领域信息等辅助信息，结合深度学习、数据挖掘等技术提高推荐效果、提升用户满意度。对此，本文首先对推荐系统以及传统推荐算法进行概述，然后重点介绍协同过滤推荐算法的相关工作。包括协同过滤推荐算法的任务、评价指标、常用数据集以及学者们在解决协同过滤算法存在的问题时所做的工作以及努力。最后提出未来的几个可研究方向。

合理的聚类原型是正确聚类的前提.针对现有聚类算法原型选取不合理、计算聚类个数存在偏差等问题, 提出基于过滤模型的聚类算法(CA-FM).算法以提出的过滤模型去除干扰聚类过程的边界和噪声对象, 依据核心对象之间的近邻关系生成邻接矩阵, 通过遍历矩阵计算聚类个数; 然后, 按密度因子将数据对象排序, 从中选出聚类原型; 最后, 将其余对象按照距高密度对象的最小距离划分到相应的簇中, 形成最终聚类.在人工合成数据集、UCI数据集以及人脸识别数据集上的实验结果验证了算法的有效性, 与同类算法相比, CA-FM算法具有较高的聚类精度.

现有大多数推荐方法学习的是每个特征的固定表示,然而用户行为偏好随上下文特征发生变化,特征在上下文中具有不同的重要性,因此,特征的固定表示造成模型给出的推荐结果不准确。为解决此问题,本文提出基于深度因式分解机并融合信息提取单元和交叉网络结构的混合推荐模型(deep and cross factorization machine information extraction unit,IEU-DeepCFM)。首先,自注意力机制和上下文信息提取器组成的信息提取单元模块对不同上下文中的每个特征学习上下文感知特征表示;然后,利用深度交叉因式分解机在提取用户低、高阶特征的同时来挖掘用户更多的显式交叉信息;最终实现对用户行为特征的点击率预测。在 MovieLens 电影数据集和Avazu广告点击率数据集上进行消融和对比实验,结果表明,本文所提出的模型在AUC和LogLoss 指标上均得到提高和改善,证明了该模型的合理性。

Short video algorithm governance is a key part of a sound network comprehensive governance system. Currently, short video algorithms have been applied to generation and synthesis, personalised pushing, sorting and selecting, and searching and filtering. In order to cope with the algorithmic risk of the short video creation side, platform side and user side, China's short video algorithmic governance responsibility norms, governance value norms and governance procedure norms have undergone sample transformation, but there are still primary rules can not be fine regulation, secondary rules lack of systematic introduction, the application of legal doctrine and systematic interpretation method is insufficient and other governance norms dilemmas, which need to be classified in the classification and grading of prevention and control of algorithmic risk of the reality of the platform. Under the realistic requirements of classification and graded prevention and control of algorithmic risks, the necessary complement of platform power legitimacy and the systematic maintenance of the unity of legal order in digital space, the short video algorithm normative system should be reshaped, the platform rules should be integrated to enhance the operationalisation of the primary rules, the summary of governance practices should promote the systematisation of the secondary rules, and the standardisation of systematic interpretation should be improved to promote the modernisation of Chinese-style network governance.