2024年選舉中的演算法偏見：關於 TikTok 推薦系統的研究

演算法推薦系統與政治論述的交集是現代數位社會學中最具爭議的領域之一。多年來，專家們一直在爭辯，網路極化是由使用者的自我選擇（人們尋求他們已經持有的觀點）驅動的，還是由「過濾氣泡」效應驅動，即演算法為了最大化參與度而推送極端內容。

由紐約大學阿布達比分校（New York University Abu Dhabi）的 AI and Society Lab 最近在 Nature 上發表的研發成果，為此領域提供了關鍵證據。透過使用自動化的「傀儡帳號」（sock puppet）審計，研究人員能夠將演算法的影響力從使用者行為中分離出來，揭示了在 2024 年美國選舉週期期間，政治內容傳遞方式的系統性偏差。

研究方法：分離演算法

為了消除人類自我選擇的變數，研究團隊採用了嚴謹的實驗設計。他們創建了 323 個自動化機器人帳號，模擬年輕成年選民（22-24 歲）。為了確保結果不會因地域差異而產生偏差，他們使用位置遮蔽軟體將這些機器人放置在紐約（民主黨）、德州（共和黨）和喬治亞州（搖擺州）。

實驗遵循嚴格的協定：

訓練階段：機器人被分配了特定的政治偏好。有些觀看了多達 400 個傾向共和黨的影片，而另一些則觀看了傾向民主黨的影片。喬治亞州的一個對照組保持中立。
觀察階段：訓練完成後，機器人進入主動動態（main feed）。研究人員在 27 週內追蹤了總計 280,000 次推薦中，每一次推薦影片的前十秒。
分析：使用由人類政治學學生驗證的一組 AI 語言模型，團隊分析了 40,264 份文本轉錄稿，以確定內容的政治立場和主題。

關鍵發現：不對稱的曝光

研究發現，平台處理政治內容的方式存在明顯的不對稱性。結果顯示，TikTok 的動態並非政治的透明窗口，而是一個對不同意識形態採取不同待遇的平台。

政黨偏向

傾向共和黨內容的帳號，與民主黨帳號相比，收到的與其自身政黨一致的內容約多出 11.5%。相反地，民主黨帳號接觸到的跨黨派內容約多出 7.5%。

至關重要的是，研究人員指出，這種偏差並非通用的「親共和黨」效應，而是特別集中在將反民主黨內容推送給傾向民主黨的帳號。

主題集群

這種偏見並非均勻分布在所有政治議題上。不對稱性集中在特定的政策領域：

對於民主黨人：推薦內容嚴重傾向於移民、犯罪和外交政策。
對於共和黨人：推薦內容主要集中在墮胎議題。

使用者感知與演算法現實

為了驗證機器人的發現，研究人員調查了 1,008 名美國 TikTok 的活躍使用者。調查顯示，使用者的實際體驗與自動化結果相符。共和黨受訪者更有可能報告看到與其觀點一致的正面政治內容，而保守派使用者則經常提到在他們的動態中看到了更多樂觀且親川普的貼文。

解讀結果：意圖與結果

雖然發現非常顯著，但研究人員在區分「曝光」與「影響」時非常謹慎。正如通訊作者 Talal Rahwan 所指出的，該研究衡量的是曝光度，而非說服力；它無法明確斷定這些模式是否改變了任何個人的投票選擇。

此外，團隊強調，結果記錄的是一種結果模式，而非 TikTok 的刻意意圖。幾個因素可以解釋這種偏差，而無需假設有人在「操縱天平」：

內容供應：在選舉週期期間，創作者產生的具有高參與度的反民主黨影片供應可能更為充足。
參與度指標：正如一位社群觀察者所指出的，在基於向量嵌入（vector-embedding）的演算法中，無論內容的政治傾向如何，具有「情緒挑釁性」或包含「情緒鉤子」的內容往往更容易趨向熱門。
使用者歷史：機器人模擬的是新使用者；擁有深厚參與歷史的長期使用者可能會經歷不同的推薦模式。

結論

這項研究強調了假設演算法動態是中立的危險性。無論偏見源於刻意的編程、參與度驅動優化的副產品，還是內容供應的不平衡，其結果都是為不同意識形態光譜的使用者造成了政治資訊環境的系統性差異。