多平台过滤气泡的感知与抵抗： 基于Z世代大学生数字社群的研究

Perception and Resistance of Filter Bubbles on Multiple Platforms： Study Based on Generation Z Digital Communities of University Students

摘要

算法平台通过数据驱动的个性化推荐机制， 加剧了过滤气泡引发的用户认知窄化与观点极化问题。本研究聚焦数字原住民Z世代中的青年大学生群体， 结合个体社群网络分析与深度访谈， 对10名大学生为期6个月的4 615条社交网络行为轨迹进行追踪， 系统考察这一群体对算法过滤效应的认知图式与实践策略。研究发现： 第一， 平台算法架构差异显著影响信息同质化强度， B站基于用户行为时序的强关联推荐易形成高密度同质化信息， 小红书通过探索性算法平衡用户显性需求与潜在兴趣， 抖音则借助算法模型抑制视频流的内容重复。第二， 线上线下的社交关系有调节算法的功能， 在线社群的行为共振强化兴趣叠加， 线下社群则因数据割裂而呈现信息离散性。第三， 青年群体展现差异化的算法调适智慧， 从适应性使用到主动的跨平台策略的干预， 其技术实践印证了德·塞托所述的“日常抵抗”逻辑。本研究从Z世代视角切入社交媒体过滤气泡的理论与实证研究， 为算法透明性治理提供了新的研究维度， 同时为提升青年群体的数字素养提供参照。

Abstract

The algorithm platform deepens filter bubble effects， narrowing user’s views and polarizing opinions through data-driven recommendations. The study followed 10 college students for 6 months， analyzing 4，615 social media interactions. Combined with personal social network analysis and in-depth interview methods， this study investigates how the group perceives and responds to filter bubbles on social media. There are three major findings. Firstly， platform algorithm design determines information homogenization intensity. The time-based recommendation algorithm of Bilibili creates strong information homogenization. Rednote balances user’s expressed needs and latent interests through exploratory recommendations. Tiktok employs its algorithmic model to reduce content duplication. Second， algorithms are shaped by social ties through online-offline interaction patterns. Online communities show reinforced interest through behavioral alignment， while offline communities exhibit fragmented information flows. Thirdly， young users show varied algorithmic strategies—from adaptive use to proactive intervention. Their practices reflect the logic of “daily resistance” described by De Seto. This study provides a new research dimension for algorithmic transparency governance， and offers empirical reference for enhancing the digital literacy of young people.

关键词

算法平台 / 过滤气泡 / 社交媒体 / 算法想象

Key words

algorithm platform / filter bubbles / social media / algorithm imagination

在算法主导的数字生态中， 以抖音、 小红书、 B站为代表的多平台协同过滤系统已经成为主要的信息传播途径。平台的信息推荐机制对公共认知的影响始终是学界关注焦点。尼葛洛庞帝在1995年对万维网发展态势作出前瞻性研判， 创造性地提出“我的日报”效应理论构想， 即互联网可能催生出“仅发行单版的报纸”^［1］。随着个性化推荐系统的迭代升级， 这种预言性判断已逐步具象化为现实图景。算法平台通过“基于用户的协同过滤”和“基于内容的协同过滤”， 构建起个性化的信息分发体系， 形成自增强式信息筛选循环， 最终将用户的信息接触范围限制在特定框架内。对此， 互联网活动家伊莱·帕里泽于2011年提出“过滤气泡”现象： 搜索引擎结果和社交媒体信息流排名中越来越多地使用个性化设置， 这将导致“它通过这一系列个性化过滤器为你创建的独一无二的个人信息世界。它是无形的， 而且越来越难以逃脱”^［2］。

Z世代（1995-2009年）出生的人群作为“数字原住民”， 其信息接触已深度嵌入社交媒体平台， 过滤气泡导致的认知窄化效应呈现加剧趋势^［3］。Z世代发展出三种典型的算法交互策略： 1） 算法博弈策略： 通过操纵推荐系统的交互标记机制（如定向点击“喜欢”按钮）及同质内容重复投放， 实现算法规则的策略性利用； 2） 算法规避策略： 采用账户共享、 语义模糊化等系统性规避手段， 消解平台算法的用户画像精确性； 3） 算法抵抗实践： 从技术批判延伸至实质性退出行为， 形成从话语质疑到身体离场的连续性抵抗谱系。这些行为模式折射出该群体在技术宰制环境中的主体性觉醒^［4］。 《算法应用的用户感知调查与分析报告（2021）》显示， 超过 80% 的用户认为企业利用算法进行人为信息扭曲（比如操纵榜单、 流量造假、 信息屏蔽）的情况很多或比较多^［5］。跨平台数据孤岛使过滤气泡从单一平台演变为系统性认知牢笼。

这一现象引发本文的核心研究问题： Z世代如何感知算法建构的过滤气泡？在技术驯化与个体能动性的博弈中， 他们发展出了哪些具有代际特征的抵抗策略？

1 文献回顾

1.1 过滤气泡的形成机制： 个体偏好、 社会关系与算法技术的三重交互

在数字化技术演进历程中， 过滤气泡的形成机制呈现技术系统、 认知结构与社会环境的多维交互特征。 “过滤气泡”的提出者帕里泽特别警示， 认知隔离可能瓦解民主社会赖以存续的共识基础， 使公众陷入“平行且割裂的认知空间”^［2］。达尔格伦进一步将帕里泽的“过滤气泡”解构为技术过滤与社会过滤的双重维度， 其中技术维度着重强调用户单一选择对算法推荐内容的持续窄化效应^［6］。格施克在此基础上提出三重过滤理论模型， 将过滤机制细化为个体主观偏好导向的内容筛选、 社交关系网络驱动的信息传播、 算法技术实施的内容定制三个相互作用的层面^［7］。

具体而言， 个体过滤指用户基于自身兴趣图谱实施的信息选择行为； 社交过滤依托用户线上社交网络中的内容交互数据实现信息筛选； 技术过滤则通过PageRank算法、 协同过滤推荐系统等技术手段， 完成对用户偏好内容的自动化匹配与推送。这种多层过滤机制的叠加作用， 共同构建起动态强化的信息隔离系统。同时， 在此分析框架下， 具备自我学习与动态响应能力的推荐算法系统， 被确认为过滤气泡形成的关键技术成因。

从个体认知维度看， 算法推荐极大地改变了用户的信息获取， 导致认知惰性加剧。伴随着信息量爆炸式增长， 用户筛选信息的能力显得前所未有的重要。当个体面临需要解决的问题时，往往会花费最少的认知努力来应对。算法恰恰迎合了人们的认知惰性。但是研究发现， 高强度使用社交媒体接受多个信息将损害个人注意力， 使得用户更容易受到无关刺激的干扰， 引发认知功能的适应性退化^［8］。

从社交关系角度看， 人类倾向于与拥有相同“社会人口、 行为和人际特征”的人建立友谊和其他社交网络结构^［9］。在社交媒体时代， 信息通常通过在线网络传递^［10］。用户借助线上平台维护或建立社交关系， 并借助信息流动加强社交关系。算法迎合用户的同质化倾向， “好友赞过” “转发推荐”等功能使得用户通过社交关系接受或传递信息， 进而形成社交关系维度的同质信息网络， 限制了用户接触到的信息广度， 其中持保守或极端观点的社交媒体用户的社交同质性倾向更强^［11］。在某些环境中， 社交关系带来的同质化可能是“过滤泡沫”和“回音室”出现的重要因素， 从而导致群体极化效应^［12］。

从技术维度考察， 基于协同过滤的个性化推荐算法成为技术基座， 用户行为数据（浏览时长、 点赞频次、 转发路径）成为态度测量的新型代理变量^［13］。研究表明， 主流社交平台通常采用混合推荐策略， 整合了基于热度的推荐、 用户协同过滤、 内容匹配以及社交关系网络分析等多种算法^［14］。用户接触的内容生态日益窄化， 表现出明显的圈层化特征——当用户对特定内容产生交互行为时， 系统不仅推送主题相关度高的信息， 更会筛选立场趋同的信息源， 形成观点极化增强回路^［15］。大语言模型的广泛应用进一步加剧了这一趋势——OpenAI于2024年2月宣布在ChatGPT4中新增了记忆功能和用户控制选项， 这意味着GPT能够通过记忆功能实现用户交互数据的持续积累， 并利用这些信息在后续的交谈中提供更加相关和定制化的回答， 个体认知窄化和社会圈层化进入新阶段。

1.2 Z世代大学生数字社群、 算法认知与话语实践的代际特征

作为数字原住民世代， Z世代的媒介化生存方式呈现出算法嵌入特征， 这与数字社群的交互模式构成算法研究的关键观测维度。

在数字社群方面， 大学生群体表现出明确的兴趣导向， 其社交圈层建构以垂直领域（如二次元文化、 电子竞技、 国风文化）为核心组织原则， 通过准入规则与层级秩序实现群体边界维护。实证研究表明， 该群体的网络社交实践已形成典型的圈层化结构， 中国社会科学院2025年全国调查显示， Z世代社交网络呈现高密度聚合与强排他性特征^［16］。这种高度圈层化的数字社群不仅具有信息筛选功能， 更通过共享语言、 符号和仪式形成文化区隔机制， 使成员在庞杂的信息流中快速实现身份识别与关系建构， 最终形成兼具情感联结与认知同质的准亲密社群。

在算法认知方面， Z世代展现出高度敏锐的算法意识， 其技术理解显著区别于前算法时代的用户群体。中国青年报与中青校媒就算法推荐话题向大学生为主体的青年展开问卷调查， 78%的受访者认为自己需要减少对算法推荐的依赖， 72.8%的受访者曾遇到过“大数据杀熟”的情况， 68.9%的受访者认为推荐算法应该更加透明^［17］。 这种认知特质的形成， 源于差异化的数字社会化路径——Z世代在认知发展关键期即深度嵌入算法环境， 使其将推荐系统解构为可观察、 可操作的具身化数字界面， 而非完全不可知的技术黑箱。

在话语实践方面， Z世代构建了独具代际特征的隐喻性话语体系。 “打破信息茧房” “抵抗大数据杀熟”及“momo大军为代表的匿名化身运动”等概念在社交媒体持续发酵， 这些技术隐喻不仅构成群体认知的阐释框架， 更发展为具有行动导向功能的集体行动框架。值得注意的是， 该群体的算法批判呈现实践性知识体系特征。尽管缺乏系统的技术认知图式， 但通过经验共享与策略迭代， 形成了具有操作性的算法生存策略， 展现出数字原住民世代特有的技术适应智慧^［4］。

综上可见， 目前学界围绕过滤气泡现象已构建起相对成熟的理论模型与测量方法体系。现有研究主要着力于算法运作逻辑的解析及平台过滤效应的量化评估， 比如个性化新闻、 抖音等不同平台的“过滤气泡”的程度与影响^［18］。然而， 用户处于信息隔离环境中的具体行为模式与心理感受尚未得到充分关注^［19］。与此同时， 针对Z世代大学生数字社交行为与算法认知特点的研究虽成果颇丰， 但其有关算法的探讨多停留在宏观的系统层面， 比如搭子文化、 电子榨菜、 社交隐匿等热点话题中的用户心态和行为^［20］， 较少涉及算法技术如何具体地形塑和影响用户个体的日常实践。

由此， 本研究创新性引入混合研究方法， 聚焦Z世代群体对算法过滤效应的感知过程， 以及该群体如何调整自身行为以适应算法环境的互动实践。通过整合“过滤气泡”生成机制与用户行为反应的双重视角， 本研究旨在深化对算法环境下用户自主性维持及技术应用边界的学理认识， 为算法设计的优化与用户应对策略的完善提供学术依据。

2 研究数据与方法

本研究采用混合方法研究设计， 结合社群网络分析与半结构化深度访谈来收集数据、 进行分析并构建理论框架。

2.1 社群网络分析

社群网络分析既是社会学研究理论， 也是起源于数学图论与物理学复杂性科学领域的量化研究方法^［21］。研究初期， 研究者以自身为核心构建了个人社群网络， 并基于子群体的网络密度评估， 筛选出两个满足研究标准的社群及其关键节点。Z世代作为当下互联网的主力人群， 其中大学生为核心群体。研究指出青年群体的算法意识较高， 符合本研究需要用户具备算法感知的前提^［22］， 并且其算法实践周期较长， 使用体验丰富， 能够进一步反映不同算法的互动行为^［23］。本研究聚焦Z世代群体的社交互动行为， 以笔者（一名Z世代大学生）为核心， 围绕笔者的社交关系构建三组不同强弱关系的社群， 共涉及10个节点。为进一步观察不同社群间过滤气泡效应的差异， 在获得对应节点受访者的同意并确保其在场的前提下， 笔者手动收集了各个节点的社交软件浏览数据。在过程中， 节点以截图或视频形式提供给笔者， 笔者将其转录为文字， 记录下浏览内容的标题、 画面主要内容， 以便进一步分析。通过手动转录， 获得2024年10月至2025年3月六个月的浏览数据7 724条。通过对比这些数据， 本研究旨在揭示过滤气泡对用户行为的实际影响。节点选择的具体情况详见表 1。

2.2 深度访谈法

为了深入探究过滤气泡中的用户感知和社会互动， 本研究进一步采用了定性访谈方法， 对已经搜集过浏览数据的研究对象进行深度访谈。经统计， 访谈对象均有2~3款常用算法推荐APP， 日均使用时长均不少于3小时， 平均使用年限达5年。访谈主要在线下进行， 每位受访者的访谈时长控制在30~45分钟。每次访谈结束后， 研究者立即对访谈内容进行转录， 剔除与研究主题无关的信息， 最终整理得到约8万字的文本资料。受访者的基本信息汇总于表 2。

3 研究发现

基于跨平台浏览数据与深度访谈的整合分析， 本研究得出以下结论：

3.1 平台算法机制显著影响过滤气泡强度

在社交算法系统的技术建构维度， 不同平台推荐机制的架构差异对信息同质化程度的调控效应具有显著异质性。本研究发现， 内容重复率作为过滤气泡强度的量化表征指标， 其数值分布呈现出平台特异性规律， 这种差异根植于算法模型的技术路径选择与用户行为数据的处理范式。Bilibili（B站）基于用户行为时序的强关联推荐机制， 通过构建用户历史交互数据的动态权重矩阵， 形成正反馈循环的强化效应， 导致线上线下混合型社群信息重复率均值达到4.5%~5.5%。在A类混合社群10月份的数据追踪中， 该指标更攀升至峰值13%。相较而言， 抖音平台在B类线下社群的11月份监测周期内， 尽管总浏览频次达957次， 但内容重复率出现0%的极低水平， 这与其官方披露的神经网络兴趣算法设计理念形成技术层面的印证。该算法通过多层感知器捕捉社群成员潜在兴趣的离散度， 借助注意力机制动态平衡即时需求与长期偏好， 从而有效抑制信息窄化趋势。小红书平台则展现出折衷主义的技术特征， 其推荐系统整合语义分析与探索性算法， 在维持3%~5%适度重复率的同时， 通过挖掘用户隐性需求， 构建个性化与多样性并存的内容生态体系， 各平台浏览数据详见表 3。

在用户认知维度上， 青年群体对算法中介机制具备显著的具身化感知能力。深度访谈资料揭示， 受访者通过技术可供性框架对多平台进行差异化解构： 将小红书锚定为“百科全书式知识库”。受访者A-3表示“小红书就像百科全书， 有问题都会上去搜一下， 感觉什么都有”1

1 受访者：A-3，采访者：笔者本人，采访时间：2024年12月14日，采访地点：暨南大学番禺校区宿舍。

， 其判断依据源于该平台搜索行为触发长尾内容推荐的系统特征。将抖音识别为“兴趣驱动型信息流”。受访者B-1表示“在抖音上只会娱乐， 它总是能推荐到我想看的内容”2

2 受访者：B-1，采访者：笔者本人，采访时间：2025年3月14日，采访地点：暨南大学番禺校区知识产权楼。

， 这与其即时反馈机制和瀑布流呈现方式的技术可供性直接相关。而B站则被建构为“精准化技能学习系统”。受访者B-3表示“会在B站学习各种专业知识， 有很多优秀的网课内容”3

3 受访者：B-3，采访者：笔者本人，采访时间：2025年3月16日，采访地点：暨南大学番禺校区知识产权楼。

， 该认知图式源于算法对垂直领域内容关联度的强化推送。这种认知分化本质上是用户与算法系统持续互构的产物——平台通过特定技术特征塑造用户的功能预期， 用户又基于这些预期调整信息获取策略， 形成强化算法作用路径的行为惯习。

研究进一步发现， 青年用户已发展出超越被动接受的算法可见性解读能力。受访者B-3通过跨平台比较指出“B站在专业领域的推荐精准度具有显著比较优势， 相比其他平台有更多优质网课”4

4 受访者：B-3，采访者：笔者本人，采访时间：2025年3月16日，采访地点：暨南大学番禺校区知识产权楼。

， 这种认知表明用户能够建立多维度的算法效能评估框架， 通过评估算法推荐的内容来调整对平台的定位。其内在机制在于， 用户在日常实践中积累的交互经验会转化为算法逻辑的认知图式。例如， 识别搜索行为与工具推荐之间的触发关联， 察觉浏览偏好与攻略推送的隐性连接等。这种具身化认知使得用户能够逆向解构协同过滤算法的运作逻辑， 将抽象的技术过程转化为可操作的经验性知识。

用户行为策略的演化进一步印证了认知图式与技术系统的互构关系。当用户将小红书定位为知识库时， 其搜索行为频次与关键词多样性显著高于娱乐导向平台； 对抖音的“信息流”认知则促发滑动浏览与即时反馈的交互模式； 而B站的“学习系统”定位驱动用户主动构建内容订阅网络。这种“认知-行为”闭环的形成， 本质上是用户通过实践智慧对算法规则进行适应性调适与重构的过程。研究同时揭示， 用户对算法可见性的感知存在梯度差异： 初级认知者仅能识别显性推荐关联， 高阶认知者则可洞察社交关系数据对推荐系统的渗透机制。这种认知能力的层级化发展， 为理解数字原住民的技术社会化过程提供了微观实证依据。

3.2 社群关系类型与过滤气泡呈层级关联

与此同时， 平台算法差异对过滤气泡的塑造效应并非孤立存在， 社群网络结构在其中扮演关键中介变量的角色。跨社群数据的系统性分析表明， 社交关系的类型差异对过滤气泡的生成强度具有层级化调控效应。A类线上线下混合型社群呈现出显著的内容重复现象， 重复率为4.5%~5.5%， 其作用机制源于物理空间交往与数字行为数据的协同共振。线下强关系网络形成的兴趣共识， 通过社交平台的内容转发、 群组讨论等线上互动痕迹等被算法系统捕捉， 形成跨场域行为数据的融合输入。这种双重叠加效应使得协同过滤算法能够构建更密集的“用户-内容”关联矩阵， 通过正反馈循环不断强化推荐系统的路径依赖。具体而言， 当用户在线下社交场景中形成特定兴趣焦点时， 其线上浏览轨迹会不自主地向该领域倾斜； 算法系统通过用户行为的时间序列分析， 将偶发兴趣固化为稳定偏好特征。这种动态优化机制揭示出实体社交网络对数字行为数据的放大效应。

C类线上社群虽维持相对稳定的中位重复率（4.2%~13%）， 但其波动区间显著大于其他社群类型。该现象折射出纯线上社交网络的双重特性： 一方面， 缺乏线下互动导致用户行为数据的离散性增强， 算法系统难以建立稳定的推荐路径； 另一方面， 游戏社区、 知识共享论坛等共同虚拟场景形成的隐性关联被算法捕捉， 实现兴趣聚类。这种矛盾性特征使得线上社群既具有基础层面的信息同质化倾向， 又保留着因数据噪声导致的推荐不确定性。例如， 用户在虚拟学习社群的课程讨论行为可能触发算法对教育类内容的定向推送， 但这种关联强度受社群活跃度波动的影响显著。这种动态平衡机制本质上反映了算法系统在处理弱关系网络的信息时的局限。

B类线下社交社群的重复率指标呈现出完全不同的分布特征， 总体均值仅0.7%的数据表现揭示出线下交往与线上行为的断裂效应。当社交关系未延伸至线上互动时， 用户的平台使用行为呈现高度个性化特征， 算法系统因缺乏跨场域数据关联能力， 难以构建有效的用户画像。这种数据割裂状态导致推荐系统退化为基于即时行为的反馈机制， 无法形成持续的兴趣追踪链条。值得注意的是， 在11月的监测周期内， 尽管B类社群用户的总浏览频次达957次， 但在抖音平台的内容重复率始终维持零值基准， 这与其社交网络的结构特性形成直接相关： 线下强关系未转化为数字足迹的交叉验证， 使得算法系统的协同过滤机制失去数据支撑基础。

结合访谈材料笔者进一步发现， 个体对社交关系的中介机制具备清晰的认知图式。多数受访者能够准确识别社交网络对推荐内容的影响路径， 并建立技术归因的逻辑链条。受访者A-1提到“朋友给我转了一次发股票信息之后， 我就开始频繁在抖音刷到股票相关内容”5

5 受访者：A-1，采访者：笔者本人，采访时间：2024年12月15日，采访地点：暨南大学番禺校区宿舍。

， 实质反映了算法系统对社交图谱的隐性挖掘机制。这种技术中介过程包含双重路径： 显性路径通过直接交互行为， 如“转发、 @提醒”等触发内容关联， 隐性路径则通过共同群组、 时空轨迹重叠等弱关联数据进行概率推测。受访者A-3表示“有段时间经常在抖音刷到男性的服装广告推荐， 还在想是不是身边有男性朋友想买衣服”6

6 受访者：A-3，采访者：笔者本人，采访时间：2024年12月14日，采访地点：暨南大学番禺校区宿舍。

， 这种现象正是算法基于社交网络隐性关联实施跨用户兴趣推断的典型例证。上述认知映射能力表明， 用户已发展出对算法中介机制的具身性理解， 能够将抽象的技术过程转化为具体的经验观察。

研究同时发现， 用户对不同社群的过滤气泡强度差异具有敏锐感知。受访者A-2提出“感觉跟宿舍的朋友刷到的内容重复更多”7

7 受访者：A-2，采访者：笔者本人，采访时间：2024年12月15日，采访地点：暨南大学番禺校区宿舍

， 这从侧面印证了强关系网络对算法推荐的强化效应。当社群成员在线下形成稳定的兴趣共识时， 其线上互动产生的行为数据具有高度同源性； 算法系统通过社交网络分析技术识别群体特征， 进而实施批量化内容推送。这种群体层面的兴趣叠加， 使得个体用户的推荐列表呈现显著的趋同倾向。与之形成对照的是， 受访者A-4提到“之前和打游戏的朋友建群聊天， 经常会一起看游戏最新动向。后来慢慢不玩了， 群也解散了， 刷到游戏的内容也变少了”8

8 受访者：A-4，采访者：笔者本人，采访时间：2024年12月12日，采访地点：暨南大学番禺校区宿舍。

， 这一变化揭示了算法系统对社会关系存续状态的动态响应能力。当特定社交集群解体时， 其对应的用户行为数据失去群体层面的统计意义； 算法系统的推荐模型随之进行参数调整， 表现出明显的内容衰减趋势。

由上可见， 社交关系的结构化特征通过多重中介变量影响过滤气泡的生成强度。混合型社群因实体交往与虚拟互动的双重叠加， 形成行为数据的共振效应， 这种数据密集型输入强化了算法系统的正反馈机制； 线上社群受虚拟空间弱连接的制约， 算法推荐在群体趋同与个体离散之间维持动态平衡； 线下社群则因数字足迹的碎片化特征， 导致算法系统的数据建模能力受限。这种层级化差异本质上是社会网络结构与算法技术逻辑互构的产物： 强关系网络通过数据密度提升算法效能， 弱关系网络则通过数据噪声抑制推荐闭环的形成。由此形成了“混合社交>线上社交>线下社交”的过滤气泡强度谱系。

3.3 青年群体算法感知的认知与行为调适

当下青年用户群体已形成对算法推荐系统的具身化认知能力。通过对日常交互经验的持续整合， 研究对象构建起关于算法中介机制的技术想象框架， 其典型特征表现为对非常规内容推送的因果进行推理的能力。例如， 受访者A-4在访谈中阐述： “突然刷到朋友关注的泰剧内容， 我会猜测算法捕捉了群聊互动”9

9 受访者：A-4，采访者：笔者本人，采访时间：2024年12月12日，采访地点：暨南大学番禺校区宿舍。

； 受访者A-1则描述： “刷到某部英剧剪辑时， 联想到朋友两天前的口头推荐”10

10 受访者：A-1，采访者：笔者本人，采访时间：2024年12月15日，采访地点：暨南大学番禺校区宿舍。

。此类认知实践表明， 用户群体已发展出基于经验归纳的算法可见性解构能力， 能够将碎片化的技术痕迹转化为可阐释的运作逻辑。这种认知图式的形成， 本质上是数字原住民世代与技术系统长期互构的产物， 反映出用户对协同过滤算法的逆向解码能力。

进一步而言， 青年群体对算法系统的态度呈现出连续谱系特征， 用户对过滤算法的感知和应对策略详见表 4。积极型用户秉持工具理性取向， 强调“算法推荐让我们关注相似的内容， 可以提升知识获取与社交效率”11

11 受访者：A-4，采访者：笔者本人，采访时间：2024年12月12日，采访地点：暨南大学番禺校区宿舍。

（受访者A-4）， 其价值判断建立在对技术效能的实证性评估基础之上； 中立型用户采取功能隔离策略， 主张“线上平台仅为娱乐工具， 不影响线下生活”12

12 受访者：A-3，采访者：笔者本人，采访时间：2024年12月14日，采访地点：暨南大学番禺校区宿舍。

（受访者A-3）， 通过物理边界设定实现技术影响的管控； 消极型用户则聚焦算法负外部性， 指出“长期接触推荐内容让我脑袋变笨了， 思维受限”13

13 受访者：A-1，采访者：笔者本人，采访时间：2024年12月15日，采访地点：暨南大学番禺校区宿舍。

（受访者A-1）。态度维度的分化直接驱动差异化行为模式的生成： 适应型用户延续既有使用惯习， 秉持“算法对我的影响很小， 不用特别干预”14

14 受访者：A-3，采访者：笔者本人，采访时间：2024年12月14日，采访地点：暨南大学番禺校区宿舍。

（受访者A-3）； 调适型用户实施平台功能分化策略， 如受访者B-1采用“用小红书搜索多元信息， 仅将抖音作为兴趣推送工具”15

15 受访者：B-1，采访者：笔者本人，采访时间：2025年3月14日，采访地点：暨南大学番禺校区知识产权楼。

的并行使用模式； 受访者B-3则通过“搜索其他关键词或切换平台”16

16 受访者：B-3，采访者：笔者本人，采访时间：2025年3月16日，采访地点：暨南大学番禺校区知识产权楼。

打破信息路径锁定； 抵抗型用户创建账号隔离机制， 典型如受访者A-1建立“职业账号与私人账号的严格区隔”17

17 受访者：A-1，采访者：笔者本人，采访时间：2024年12月15日，采访地点：暨南大学番禺校区宿舍。

， 通过数据足迹的碎片化抑制用户画像的完整性。

就社交过滤机制而言， 研究发现用户普遍具备识别算法建模痕迹的能力。受访者A-3注意到“频繁接收非关注用户的推送内容”18

18 受访者：A-3，采访者：笔者本人，采访时间：2024年12月14日，采访地点：暨南大学番禺校区宿舍。

， 据此推测平台在收集社交关系数据； 受访者B-4遭遇“很久不联系的同学突然关注”19

19 受访者：B-4，采访者：笔者本人，采访时间：2025年3月15日，采访地点：暨南大学番禺校区知识产权楼。

， 揭示了算法对历史社交图谱的深度挖掘。面对社交过滤的技术渗透， 用户群体展现出多元应对策略： 多数采取被动接受立场， 如受访者A-3表示： “最开始会反感， 后来发现自己也没办法， 只能适应了”20

20 受访者：B-3，采访者：笔者本人，采访时间：2025年3月16日，采访地点：暨南大学番禺校区知识产权楼。

； 部分用户实施防御性行为， 如受访者B-3从初始设置阶段即关闭“可能认识的人”与“地理位置推荐”功能； 少数用户发展出表演性策略， 如受访者B-1主动建构“萌宠爱好者”数字身份， 并表示： “会主动借助社媒塑造自己的社交形象， 比如点赞转发可爱的猫猫狗狗， 让朋友看见我喜欢小动物， 和朋友更有话聊。”21

21 受访者：B-1，采访者：笔者本人，采访时间：2025年3月14日，采访地点：暨南大学番禺校区知识产权楼。

通过选择性点赞与转发来塑造特定社交形象， 以此引导算法推送并强化群体归属。这些行为折射出用户对社交过滤的双重认知： 既承认算法对现实社交网络的映射能力， 又警惕技术中介对私人领域的侵蚀风险。

总体而言， 当代青年群体通过持续性人机交互实践， 建构起多维度的算法关系认知框架。其认知结构的精细化与行为策略的可操作性， 实证性地揭示了数字原住民在技术驯化进程中的主体性觉醒过程。作为算法逻辑的作用客体， 青年用户同时通过认知反身性与技术策略性实践， 不断重塑技术影响的边界。这种动态博弈关系构成理解算法社会青年文化的重要观测维度。

4 讨　论

4.1 过滤算法的认知困境

研究表明， 数字原住民群体对算法系统的认知呈现显著的双重性特征。青年用户既通过技术可供性框架将算法工具化为“认知节能装置”， 又在人机交互实践中遭遇本体性安全威胁。受访者A-3将小红书隐喻为“百度百科”的认知定位， 折射出用户对过滤算法的认知解构策略： 通过功能分化将复杂技术系统降维为可操作的认知模块。这种协商机制是技术社会化过程的具象呈现： 用户既享受算法推荐的效率红利， 又因技术不可知性产生被操控的认知焦虑， 形成了对于算法机制的矛盾心理^［20］。

4.2 技术侵权的情境化抵抗

算法对隐性社交图谱的挖掘， 引发新型隐私危机， 促使青年群体发展出动态的情境化治理策略。研究发现， 用户通过数据足迹的碎片化管理、 语义系统的符号化重构及社交内容的分层控制， 调适数字身份边界。这种抵抗本质上是社交关系的技术治理， 将工作账号严格限定于职业联系， 实则是通过算法可解释性的反向运用， 建构数据断连的防火墙。但这类策略存在代际局限性， 线下既存的社会关系反而成为算法， 侵权的“特洛伊木马”， 暴露出青年群体在传统亲属伦理与数字隐私权之间的协调困境。

4.3 青年群体媒介认知与实践的新维度

相较于过去用户可能存在的技术崇拜或相对被动适应， Z世代发展出一种更具能动性和解构性的算法应对策略。这种新型媒介实践模式体现为三个相互关联的维度。在技术认知层面， Z世代倾向于将过滤算法解构为可操作、 可干预的技术模块， 这在一定程度上削弱了传统技术崇拜的认知基础； 在行为实践层面， Z世代创造性地挪用平台规则与主动调控信息接触范围相结合， 标志着从被动适应向策略性调适的显著转变； 在价值取向层面， Z世代对认知自主性的强烈维护促使效率优先逻辑相对弱化， 并推动着技术工具化利用与主体性确认之间的互动关系。这种媒介认知与实践模式的转变表明， 青年群体正从算法环境的被动接受者， 逐渐转变为具有反思能力和策略性行动的参与者， 积极参与到技术生态的动态协商之中^［24］。

4.4 社交过滤的隐私泄露风险与治理挑战

研究发现， 社交关系推荐机制在增强内容关联性的同时， 可能引发隐私泄露风险。当用户浏览社交媒体信息时， 算法基于社交图谱的隐性关联可能将个体行为数据转化为可推断的群体信息^［25］。例如， 用户A在浏览敏感内容后， 其社交关联用户B可能收到类似推荐， 导致A的隐私信息被间接暴露。这种泄露源于算法对社交网络的深度挖掘——平台不仅分析直接互动关系， 还通过共同群组、 时空轨迹重叠等隐性关联构建推荐链路， 使得私人领域信息逾越个体控制边界。同时， 此类风险存在“知情权不对等”特征： 用户往往无法察觉算法基于社交关系进行的隐私推断， 而关联方却能通过推荐内容逆向推测敏感信息。这一现象暴露出算法设计过度使用用户个人信息的问题。算法治理需建立社交数据使用的透明框架， 通过可解释性技术明确隐私推断边界， 为数字时代的隐私保护提供新的解决方案。

5 结　语

本研究揭示了社交算法环境下信息过滤效应的生成机制与青年群体的应对特征。研究发现， 不同平台的推荐逻辑直接影响信息多样性： B站基于用户历史行为形成强关联推送， 抖音通过社群兴趣分散抑制内容重复， 小红书则在个性化与多样性间保持平衡。社交关系类型通过线上线下互动强度影响算法效果， 混合型社群因行为数据叠加加剧信息同质化， 线下社群则因数据割裂呈现内容分散特征。

青年群体展现出对算法的敏锐感知与灵活应对， 并发展出梯度化的算法应对范式： 适应型用户接受算法提供的便利性， 调试型用户通过跨平台搜索来打破限制， 抵抗型用户则通过数字身份隔离策略来建构数据防火墙。Z世代将平台过滤机制转化为可操纵的认知装置， 通过“寄生式创新”实现人机权力关系的动态协商。

本研究也存在一定的研究局限。研究样本主要集中在Z世代大学生群体， 难以完全代表全部Z世代用户， 后续研究仍需拓展至大学生以外的Z世代青年群体。研究以个人社群的邻居节点为样本进行了6个月的跟踪观察， 与线上调研相呼应， 但受限于个人社群空间容量， 后续可进一步通过社交媒体线上的邻居进一步补充样本， 以深化对数字原住民技术认知规律的阐释。

参考文献

[1] 刘友芝， 胡青山.基于算法推荐模式的社会性反思：个体困境、 群体极化与媒体公共性［J］.传媒经济与管理研究， 2021（1）： 192-212.

[2] PARISER E. The Filter Bubble： What the Internet is Hiding from You［M］. London： Penguin UK， 2011.

[3] DJAFAROVA E， BOWES T. “Instagram made me buy it”： Generation Z impulse purchases in fashion industry［J］. Journal of Retailing and Consumer Services， 2021， 59： 102345.

[4] 洪杰文， 陈嵘伟.意识激发与规则想象： 用户抵抗算法的战术依归和实践路径［J］.新闻与传播研究， 2022， 29（8）： 38-56.

[5] 算法应用的用户感知调查与分析报告［EB/OL］.2022-11-03［2025-01-14］.

[6] DAHLGREN P. A critical review of filter bubbles and a comparison with selective exposure［J］. Nordicom Review， 2021， 42 （1）： 15-33.

[7] GESCHKE D， LORENZ J， HOLTZ P. The triple-filter bubble： Using agent-based modelling to test a meta-theoretical framework for the emergence of filter bubbles and echo chambers［J］. British Journal of Social Psychology， 2019， 58（1）： 129-149.

[8] MOISALA M， SALMELA V， HIETAJÄRVI L， et al. Media multitasking is associated with distractibility and increased prefrontal activity in adolescents and young adults［J］. NeuroImage， 2016， 134： 113-121.

[9] MCPHERSON M， SMITH-LOVIN L， COOK J M. Birds of a feather： Homophily in social networks［J］. Annual Review of Sociology， 2001， 27（1）： 415-444.

[10] BAKSHY E， ROSENN I， MARLOW C， et al. The role of social networks in information diffusion［C］//Proceedings of the 21st International Conference on World Wide Web， Lyon France， 2012.

[11] BOUTYLINE A， WILLER R. The social structure of political echo chambers： Variation in ideological homophily in online networks［J］. Political Psychology， 2017， 38（3）： 551-569.

[12] VINOKUR A， BURNSTEIN E. Novel argumentation and attitude change： The case of polarization following group discussion［J］. European Journal of Social Psychology， 1978， 8（3）： 335- 348.

[13] 周葆华. 算法、 可见性与注意力分配： 智能时代舆论基础逻辑的历史转换［J］. 西南民族大学学报（人文社会科学版）， 2022， 43（1）： 143-152.

[14] EIRINAKI M， GAO J， VARLAMIS I， et al. Recommender systems for large-scale social networks： A review of challenges and solutions［J］. Future Generation Computer Systems， 2018， 78： 413-418.

[15] 薛子凡.社交媒体个性化推荐机制下“信息茧房”效应研究： 以新浪微博为例［J］.中北大学学报（社会科学版）， 2019， 35（4）： 94-96.

[16] 中国青年网民社会心态调查报告（2024）［EB/OL］.2025-01-17［2025-01-24］.

[17] 王军利， 毕若旭， 施胜齐. 近八成受访大学生认为需要减少对算法推荐的依赖［N］. 中国青年报， 2024-12-16（03）.

[18] 陈逸君.微博算法推荐的过滤气泡现象探究［J］.青年记者， 2022（24）： 43-45.

[19] 姜婷婷， 许艳闰.国外过滤气泡研究： 基础、 脉络与展望［J］.情报学报.2021， 40（10）： 1108-1117.

[20] 李艳馨， 冯沛雅.“搭子社交”视域下大学生交友观探析［J］.中北大学学报（社会科学版）， 2025， 41（6）： 145-150.

[21] 赵甜芳.计算传播研究的知识地图与实证框架： 基于12 991篇中外核心文献的对比分析［J］.新闻与传播研究， 2023， 30（3）： 40-59.

[22] 赵龙轩， 林聪.“黑箱”中的青年： 大学生群体的算法意识、 算法态度与算法操纵［J］.中国青年研究， 2022（7）： 20-30.

[23] 黄忻渊.用户对于算法新闻的认知与态度研究： 基于1075名算法推荐资讯平台使用者的实证调查［J］.编辑之友， 2019（6）： 63-68.

[24] 薛堯云.算法推荐机制下的短视频“过滤气泡”问题研究： 以抖音为例［J］.新媒体研究， 2019， 5（14）： 21-22.

[25] SIMPSON E， SEMAAN B. For You， or For“You”？Everyday LGBTQ+Encounters with Tiktok［J］. Proceedings of the ACM on Human-Computer Interaction， 2021， 4（CSCW3）： 1-34.

基金资助

2022年教育部人文社会科学研究项目： 社交媒体“圈层化”的群体行为动力机制研究(22YJC860037)