人机传播 · 平台算法
你以为是你在刷 TikTok,
其实你们在互相训练
——机器代理、用户代理与“停不下来”的参与度
AI agency vs. human agency: understanding human–AI interactions on TikTok and their implications for user engagement
原文信息:Kang, H., & Lou, C. (2022). AI agency vs. human agency: understanding human–AI interactions on TikTok and their implications for user engagement. Journal of Computer-Mediated Communication, 27(5), 1–13. https://doi.org/10.1093/jcmc/zmac014
人工智能深刻重塑了社交媒体上的用户体验,而 AI 社交媒体的效果,很大程度上取决于用户如何与行使代理能力的 AI 协作。本文通过对 TikTok 用户的深度访谈,考察用户在使用 AI 社交媒体时如何与 AI 协作,以及这种动态如何塑造用户参与。研究发现,TikTok 用户对机器代理带来的个性化体验持开放态度;但用户代理与机器代理在相互影响中,也形成了人机协同(user–AI synergy):用户会刻意影响内容策展算法,使它更精准地服务自己的需求;AI 同时降低了内容创作与社交联网的成本。这种人机协作显著影响媒介参与与社交互动参与。研究由此推进了对人类代理与机器代理动态关系的理解,也推进了对“AI 如何改变社交媒体体验”这一问题的回答。
关于短视频,最常见的两种解释是:用户自控力不够,或者平台的设计太“上瘾”。这两种说法都把一个更基本的问题跳过去了——在刷视频的这几十分钟里,到底是谁在做决定?
本文的切入点是两个概念。机器代理(machine agency)指算法能够做出高度序列化、情境化的决定,而这些决定会牵动用户的社会、政治与经济后果(Beer, 2017; Kitchin, 2017; Willson, 2017)。用户代理(user agency)则是社交媒体研究长期的理论支点:用户不只是受众,而是能够创作、导航与联网的行动者(Sundar, 2008)。
作者的主张是:这两者不是此消彼长的关系,而是共同构成了平台体验。算法学习你的停留、点赞、评论、分享与关注,据此决定下一条推什么;你又在使用中不断给算法投喂信号。要理解 AI 怎样改变体验,就必须去看这个“一起做决定”的过程,而不是只看用户对 AI 的态度。
三个被拆开的活动域
研究把社交媒体使用拆成内容消费、内容创作、在线联网三件事(Alhabash & Ma, 2017; Carr & Hayes, 2015; Ellison & boyd, 2013)。这个拆法很关键——后面会看到,人在三件事上让渡出去的东西,并不一样。
换句话说,本文问的不是“算法有没有影响你”,而是“在哪一件事上,你把决定权交了出去,又在哪里留了一手”。
框架来自 Sundar(2020)的 HAII-TIME(Theory of Interactive Media Effects for the Study of Human–AI Interaction)。它区分了两条路径:线索路径(cue route)是用户把 AI 当作一个“来源”来感知,触发脑中的启发式与刻板印象;行动路径(action route)则是用户真的在使用中与 AI 的可供性互动。
本文选的是后者。理由很实在:线索路径解释的是“用户怎么想 AI”,而行动路径解释的是“用户和 AI 一起做了什么”——后者才留得下持久的效果。
在这个框架里,代理配置有两种形态。一种是协商(negotiation):用户要么接受算法的引导,要么用自定义与控制功能夺回决定权(Reviglio & Agosti, 2020 称之为“算法主权”)。另一种是互增(mutual augmentation):人和机器各自放大对方的能力,形成 Wilson(2017)所说的“人与机器的协同融合”。
这是一项质性研究,作者没有提出可检验的假设,而是给出两个开放的研究问题。这一点值得先说清楚——它决定了后面所有结论的性质:是机制描述,不是效应估计。
RQ1 代理如何协作
在内容消费、内容创作与在线联网中,用户与 AI 如何通过代理协商和/或相互增强展开协作?
RQ2 代理动态如何塑造参与
这种人机动态,如何影响(a)对媒介本身的参与与(b)社交互动性参与?
为什么选 TikTok?论文给的理由是平台逻辑的差异。Facebook、Twitter 的推荐建立在社交图谱上——你看到的多半是你关注的人;TikTok 的“For You”建立在兴趣推断上——你看到的多半是陌生人,由算法判断你会喜欢。后者把算法权力放到了更显眼的位置,也把用户能动性逼到了更窄的空间里。
论文引用的规模数据是:8.5 亿次下载、6.89 亿月活、每日逾 10 亿次视频播放,2020 年全球下载量第一(Omnicore, 2021)。另一句常被引用的话是,TikTok 的算法“能在不到 40 分钟内学到用户的兴趣与弱点”(Lovejoy, 2021)——这个数字来自业界报道,不是本文的测量,读的时候要分清。
研究在新加坡招募了 25 名 TikTok 活跃用户做一对一深度访谈。招募通过访谈者的个人网络与滚雪球抽样完成,达到理论饱和后停止(Morse, 1995)。访谈以英文在 Zoom 上进行,每次 40–60 分钟,录音后逐字转写。
样本构成
族裔构成:华裔 60%(n = 15)、马来裔 20%(n = 5)、印度裔 12%(n = 3)
报酬:每人约 15 美元 | 访谈:Zoom,英文,40–60 分钟
分析遵循 Tracy(2013)的三步编码协议,两名访谈员各自独立编码全部转写稿:先做开放编码(逐行给初始代码,如“browsing habit”“addictive use”),再做轴向/层级编码(把初始代码归并为二级解释性主题,如“使用模式”“用户代理”“机器代理”),最后进入理论化阶段,决定每个主题如何回答研究问题。整个过程采用扎根理论中的常数比较法(Glaser & Strauss, 1968)。
需要说明这套设计的代价:它不建立变量间的因果关系,也不追求样本代表性。作者自己在文末承认了这一点,后面第九节会展开。但正因为它不急着量化,才有可能捕捉到“点赞其实是收藏”这类用行为日志永远看不出来的东西。
在消费端,25 名受访者无一例外地依赖“For You”页面。他们几乎不主动关注谁,也不挑选来源,就是往下滑。个性化与省力是两个主要理由——这既是算法在起作用,也是用户在主动选择“不被要求做选择”。
“TikTok 满是创作者,一旦它跑起来,就相当贴合你,所以从来不觉得陌生、外来或无聊。”(Linda,21 岁,女)
“就是很直觉地一直往下滑,看这个,再看下一个。”(Robert,22 岁,男)
有意思的是创作端。按常理,功能越多、可控性越强,人应该越愿意创作。但研究发现恰好相反:TikTok 那套精细的剪辑工具,对不少用户构成了一道心理门槛。
“(功能太多)反而让我很难创作,入门门槛相当高。你得想配乐去哪儿找、转场怎么做、要加什么特效。”(Joyce,22 岁,女)
这与“自定义需要认知成本”的既有结论一致(Kang & Sundar, 2013; Sundar & Marathe, 2010)。另一位受访者 Kyle 说,他有朋友觉得“在 TikTok 上做内容太难了”。
分享与互动端同样“低度行使”。多数人很少点赞或评论,因为看到的多是陌生人——关注一个陌生人被体验为一种“承诺”。而点赞的功能也被改写了:它不再是表态,而是书签。
“我会点赞那些想留着以后看的视频,所以不一定是我真喜欢的,除非它真的太好笑。”(Jessica,21 岁,女)
“关注他们(创作者)感觉像是很大的承诺。”(David,23 岁,男)
一句话总结这一节:用户不是不会用能动性,而是在消费场景里主动放弃了它,在创作场景里被界面劝退了。
论文用“矛盾情感(ambivalent feelings)”来描述用户对机器代理的态度。他们享受被安排得妥帖的信息流,但几乎所有人都提到:保留控制感,是继续使用的前提。
“一般来说,除非我能真的看见 TikTok 在怎么控制我,否则我就继续用。”(Linda,21 岁,女)
“如果他们能因为我们喜欢就控制我们看到什么,他们也能控制我们看不到什么。这有点可怕——它可能影响一个人的政治观点,这里有很多大问号。”(Joan,22 岁,女)
隐私的态度更能说明问题。多数人把数据分享当作使用个性化服务的“价格”,甚至带着一种疲惫的犬儒:Jessica 说“我不太在意,反正所有平台都在偷我们的数据”。但一旦感到“失去了对自己信息的控制”,隐私立刻从不是问题变成大问题——同一位受访者 Joan 紧接着要求平台说明数据从哪里收集、用到了哪里。
这一节最有理论意味的地方,是它与自我决定理论(Ryan & Deci, 2000)的紧张关系。自我决定理论说人天生追求自主与控制;但这里的人明明可以自定义,却不愿动手。作者的解释是:社交媒体的主要动机之一是逃避与放松,此时人愿意做“认知吝啬鬼”,主动控制反而消耗心力。
这句话值得记住:用户给出的不是信任,而是一份有条件的授权。条件就是“别让我看见你在控制我”。这也解释了为什么透明度在实践上如此尴尬——它既是用户要求的,也恰恰是会让授权失效的东西。
这是全文最有生命力的一部分。用户并不是被动地“被推荐”,他们在有意识地调教算法,而且方法相当具体。
① 用停留与划走投票
Kevin:“我在那些舞蹈挑战上停留越久,算法就越觉得这些潮流很配我。”
Joyce:“(看到不感兴趣的)我就更快划走,因为我想让 TikTok 知道我不喜欢这类内容。”
② 用关注列表校准
Joan 会有意识地只关注“对的人”,借此告诉算法自己的偏好。Joyce 更极端——她开了三个账号,前两个的推荐都不满意,第三个才“训练”成功。
③ 反向利用推荐规则
Sandra 发现用热门音效能提高曝光,于是总结出一套“让自己的视频更容易进别人 FYP”的做法——她不只是算法的使用者,已经在做算法优化(algorithm optimization)了。
反方向同样成立。AI 降低了行使能动性的成本:Lisa 说选几个片段、挑一首歌,靠自动卡点功能“20 分钟就能做出一条短视频”;Robert 说在 TikTok 上找到同好“容易太多了”,因为内容主要来自算法而非既有社交圈。
理论上,这对应 Bucher(2017)的算法想象(algorithmic imaginary):用户不断试图理解算法是什么、怎么运作,并据此行动。作者进一步用 Bandura(2000)的代理能动性(proxy agency)来解释——人通过影响那些掌握资源与能力的“他者”来扩大自己的能动性。在这里,那个“他者”是算法。
我的读法是:“训练算法”既是一种真实策略,也是一种必要的自我安慰。它的效果很可能被高估——你划走十次,抵不过平台一次 A/B 测试的权重调整;但它维持了“我还在参与”的感觉,而这份感觉正是继续使用的前提。
论文把参与拆成两个维度,这个拆法是全文方法上最值得借用的地方。
① 对媒介的参与:频率、沉浸、分享
受访者描述的是“被吸进去”的状态。Sarah:“你就一直滑,不知道过了多久。”Joyce 的比喻更传神:“像在我面前挂了一根胡萝卜。”Carol:“我发现自己总想往下滑看新东西……很容易几个小时就过去了。”
作者的机制解释是不可预测性:你不知道下一条是什么,但又预期它会合你口味。这种“令人愉快的意外”正是持续滑动的动力。
② 社交互动参与:有社群感,但几乎没有互动
算法把同好聚到一起。Daniel 说 TikTok 是“和志同道合的朋友形成更紧密社群的基础”;Lisa 讲得更具体:“如果我迷史莱姆,这里有一大群玩史莱姆的人已经在发视频,这会让我觉得有一个社群。”
但与此同时,前面说过——他们很少点赞、很少评论。社群感与社交行为,在这里是分离的。
这个悖论是全文最有力的发现。作者据此提出:参与不能只用可点击的行为来测量,还应包括浏览、跳过、以及“没有兴趣”这类消极或不可量化的指标。这也呼应了 Ellison 等(2020)的观点——不点击,也可能是一种经过思考的参与。
一句话:平台让人“沉浸”,但不一定让人“连接”。把这两个东西混在一个 engagement 指标里,测出来的东西就很难解释了。
论文的理论贡献可以归为三点:其一,机器代理在内容消费、创作与联网中主导性地引导了用户体验,而以往的参与研究几乎只关注用户代理;其二,代理配置是流动且复杂的——接受机器安排的人,同时深深在意自主;其三,算法是小众、流动社群的催化剂,它把“兴趣”而不是“既有关系”变成了社交网络的底层结构。
三条实践含义
1. 平台不应完全依赖不可修改的自动算法。用户接受被安排,但要求“能看见、能改动”的余地。
2. 自下而上的推荐给了内容创作者新的机会:好内容可以绕过粉丝量被看见,话题、标签、音效与文案因此成为可操作的变量。
3. 对用户与监管者:持续的低度行使会加剧人机权力的失衡;政策应关注什么内容可以被传播,尤其是色情内容与欺诈广告。
局限有四条,作者写得相当坦率:
① 未做变量中心的因果检验。质性方法换来了整体图景,代价是无法判断某个具体 AI 功能的效果。
② 只从用户一侧看。算法自身“行使了多少代理”、又如何随用户反应演化,没有被观察。
③ 单平台、单一人群。只有 TikTok,只有新加坡 21–26 岁的年轻人。作者甚至提示,TikTok 用户可能本身就具有“自决需求较低”的特点。
④ 偏向浏览者视角。样本以浏览者为主,内容创作者与网红的代理动态可能完全不同。
一、“机器代理”这个词,容易被读成“机器有意图”
论文用 agency 指的是“做出序列化、情境化决定并产生后果的能力”,不是意识、不是意图。但这个词一旦进入公共讨论,几乎必然被拟人化。后果不只是修辞上的:当算法被描述成一个“会做决定的行动者”,责任就悄悄从设计者身上滑走了——“是算法决定的”变成了一句可用的免责声明。中文语境里我更愿意把它译成“机器能动性”,至少在词形上留住那点非人的意味。
二、滚雪球招来的 25 个人,本来就比较容易“接受”
样本通过访谈者个人网络与滚雪球获得,这意味着同质性;作者自己也承认,TikTok 用户可能“自决需求较低”。这两句话放在一起,其实削弱了“用户普遍欣然接受机器代理”的概括力——如果你招来的就是一群不介意被安排的人,你当然会得到“他们不介意”的结论。真正值得追问的是那些删掉 App 的人、那些刻意用两个账号隔离推荐的人,他们不在这 25 人里。质性研究不必代表性,但结论的边界要标清楚。
三、点赞不是态度,这对计算传播是个麻烦
Jessica 那句“我点赞是为了留着以后看”,几乎是对整个“以互动量测量参与”传统的正面质疑。我们做平台研究时,likes、comments、shares 常被默认为态度与投入的代理变量;但在这个平台上,点赞至少同时承载了“喜欢”“收藏”“标记”三种含义,而收藏是私人的、功利的,与公共表达无关。这不是测量误差,是构念错位。若要用行为日志研究参与,至少得先把“这个按钮对用户意味着什么”搞清楚——而这件事,只能靠访谈。
原文信息
Kang, H., & Lou, C. (2022). AI agency vs. human agency: understanding human–AI interactions on TikTok and their implications for user engagement. Journal of Computer-Mediated Communication, 27(5), 1–13.
DOI:10.1093/jcmc/zmac014 | 在线发表:2022 年 8 月 18 日 | 开放获取:CC BY
作者单位:新加坡南洋理工大学黄金辉传播与信息学院(Wee Kim Wee School of Communication and Information, NTU)
关键词:TikTok、社交媒体、人机传播、人工智能、机器代理、用户代理、用户参与
本文摘译并整理自 Journal of Computer-Mediated Communication 原文
摘译/整理:木水青日
版权归原作者与出版方所有,本文仅供学术交流

