2024年选举中的算法偏见：关于TikTok推荐系统的研究

算法推荐系统与政治话语的交集是现代数字社会学中最具争议的领域之一。多年来，专家们一直在争论互联网极化是由用户自我选择驱动的——即人们寻找自己已经持有的观点——还是由“过滤气泡”效应驱动，即算法为了最大化参与度而推送极端内容。

纽约大学阿布扎比分校 AI and Society Lab 最近在 Nature 上发表的研究为这一领域提供了关键证据。通过使用自动化的“傀儡账号”（sock puppet）审计，研究人员能够将算法的影响从用户行为中分离出来，揭示了在2024年美国选举周期期间，政治内容的推送方式存在系统性偏差。

研究方法：分离算法

为了消除人类自我选择这一变量，研究团队采用了严谨的实验设计。他们创建了323个自动化机器人账号，模拟年轻成年选民（22-24岁）。为了确保结果不会受到地区差异的影响，他们使用了位置掩蔽软件将这些机器人置于纽约（民主党）、德克萨斯州（共和党）和佐治亚州（摇摆州）。

实验遵循严格的协议：

训练阶段：机器人被分配了特定的政治偏好。一些机器人观看多达400个倾向于共和党的视频，而另一些则观看倾向于民主党的视频。佐治亚州的一个对照组保持中立。
观察阶段：训练完成后，机器人进入主信息流。研究人员在27周内追踪了总计280,000次推荐中每次推荐视频的前十秒。
分析：使用由人类政治学学生验证的一组 AI 语言模型，团队分析了40,264份文本转录，以确定内容的政治立场和主题。

关键发现：不对称的曝光

研究发现，平台处理政治内容的方式存在明显的不对称性。结果表明，TikTok 的信息流并非政治的中立窗口，而是对不同意识形态采取了不同的对待方式。

党派偏差

与民主党账号相比，倾向于共和党内容训练的账号收到了大约11.5%更多与其自身政党一致的内容。相反，民主党账号被暴露在约7.5%更多的跨党派内容中。

至关重要的是，研究人员指出，这种偏差并非通用的“亲共和党”效应，而是特别集中在向倾向于民主党的账号推送反民主党内容。

主题聚类

这种偏差并未均匀分布在所有政治议题上。不对称性集中在特定的政策领域：

对于民主党人：推荐内容严重倾向于移民、犯罪和外交政策。
对于共和党人：推荐内容主要集中在堕胎问题上。

用户感知 vs. 算法现实

为了验证机器人的发现，研究人员调查了1,008名活跃的美国 TikTok 用户。调查显示，实际体验反映了自动化结果。共和党受访者更有可能报告看到与其观点一致的积极政治内容，而保守派用户经常提到在他们的信息流中看到了更多乐观的、亲特朗普的帖子。

结果解读：意图 vs. 结果

虽然发现非常显著，但研究人员小心地将曝光与影响区分开来。正如通讯作者 Talal Rahwan 所指出的，该研究衡量的是曝光，而非说服；它不能明确断定这些模式改变了任何个人的投票。

此外，团队强调，结果记录的是一种结果模式，而非 TikTok 的刻意意图。几个因素可以解释这种偏差，而无需通过人工“操纵天平”：

内容供给：在选举周期期间，创作者制作的高参与度反民主党视频可能供应更为充足。
参与度指标：正如一位社区观察员所指出的，内容如果具有“情感挑衅性”或包含“情感钩子”，在基于向量嵌入（vector-embedding）的算法中往往更容易成为趋势，无论内容的政治倾向如何。
用户历史：机器人模拟的是新用户；拥有深厚参与历史的长期用户可能会经历不同的推荐模式。

结论

这项研究强调了假设算法信息流是中立的危险性。无论偏差源于刻意的编程、参与度驱动优化的副产品，还是内容供给的简单失衡，其结果都是为处于意识形态光谱各端的用户造成了政治信息环境的系统性差异。