跳轉到主要內容
類別: 效應
類型: 一種資訊流機制。以互動為目標的推薦會獎勵並反覆推送「我們對他們」的內容，讓中間地帶越來越難被看見
來源: 這個說法是描述性的，查不到明確的提出者。它把 1970 年代 Henri Tajfel 等人的社會認同研究，與 Eli Pariser、Cass Sunstein 的過濾氣泡和回音室討論連在一起。被實際測量過的部分，來自 2015 年以後的互動與曝光研究
別名: networked tribalism（網路部落化）；政治心理學裡的近鄰概念是政治宗派主義。本頁不把兩個名字當同一個用
快速回答 — 演算法回音壁的部落化（Algorithmic Tribalism）指的是這樣一條鏈路：按互動排序的資訊流獎勵攻擊對立群體的貼文，把同一陣營的內容反覆推回給它，於是兩個陣營之間的中間地帶從視野裡掉了出去。證據最紮實的部分，是什麼內容更容易被轉發、什麼內容更容易被推薦、憤怒能換回什麼。從這些曝光走到「世界觀被固化、永久敵對」，這一步真實存在，但並不均勻，規模最大的幾次實地實驗甚至互相矛盾。

​
什麼是演算法回音壁的部落化？

演算法回音壁的部落化，是指以互動為目標的資訊流會獎勵「我們對他們」的內容，再把它推回各自的陣營，讓陣營之間的中間地帶越來越難被看見。
政治宗派主義由三種成分構成：他者化，即把對立陣營看作與自己本質不同甚至異類；厭惡，即不喜歡、不信任對立陣營；道德化，即把對立陣營看作不義之人。
這句話出自 Eli Finkel 與同事 2020 年發表在《Science》上的文章。它描述的是終點，也點出一個早於任何 App 的模式：群體認同硬化成輕蔑。演算法回音壁的部落化，是這套模式在今天的投遞系統，而不是新的人性。 機制分兩步。第一步，按互動排序的資訊流會學到什麼內容能讓人停下、反應、轉發。在大型貼文樣本裡，指向對立群體的語言是互動最強的預測變數，強過憤怒詞，也強過道德語言。第二步，資訊流重複那些有效的內容，於是每個陣營收到更多自己一側的材料，也收到更多對另一側的抨擊。回音室效應說的是把一邊反覆放大的社會封閉，資訊繭房說的是個人靠選擇搭起來的環境。演算法回音壁的部落化，是給這兩者供給最響內容的排序規則。 接下來講清楚哪些環節被測量過，哪些環節證據很薄。簡短版是：敵意能換來互動，已有充分記錄；曝光出現傾斜，在一些平臺上已被記錄；而「曝光轉化為持久敵意」這一步最弱，也最有爭議。 部落式的拉力本身並不新。內群體偏見本就會偏向自己一方，唯我獨尊偏差本就認為自己的看法才客觀。排序規則加上的，是速度與重複：它可以把一個吵鬧的範例展示得足夠頻繁，頻繁到它代表了一整個群體。

​
演算法回音壁的部落化的三層理解

  • 入門: 當你發現資訊流遞給你一個乾淨的敵人時，先停一下。如果一個話題的每條影片都只展示同一方的醜態，你看到的是篩選，不是全景。寫下一條不符合這條影片的立場。
  • 實踐: 反應之前，先把主張和陣營分開。按順序問兩個問題：對方到底斷言了什麼？什麼證據會讓我改變看法？第二個問題答不出來，說明資訊流給你的是身分，不是論點。
  • 進階: 把演算法當作多個原因之一，並說清你測的是哪一個。Meta 平臺上的學習測驗發現，關掉排序平均不會改變態度；而 X 上的隨機實驗發現，演算法流會帶來持續的政策態度偏移。差別指向平臺設計、內容供給和習慣，而不是一個對所有人都一樣的效應。

​
起源

這個說法裡「部落」那一半，比網際網路老得多。1970 年，Henri Tajfel 報告了一組實驗，被試是英國一所學校的 64 名 14 到 15 歲男孩。他用極其瑣碎的標準把他們分組，只讓他們把錢分給不知道是誰的他人。沒有歷史、沒有利害、沒有接觸，孩子們依然偏向自己那一組。這個結果，以及 Tajfel 後來與 John Turner 建立的社會認同理論，是「群體忠誠很容易被點燃」這一說法的基礎。 「演算法」那一半，來自過濾氣泡與回音室的警告。Eli Pariser 的《The Filter Bubble》（2011）主張，個人化會藏起一個人本來不會選擇的內容。Cass Sunstein 的《#Republic: Divided Democracy in the Age of Social Media》（普林斯頓大學出版社，2017）主張，碎片化的媒介環境讓共同事實更難維持。兩本書講的是方向，不是對某一條演算法的測量。 這個短語本身是描述性的。檢索「algorithmic tribalism」，能找到評論和「networked tribalism」這類鄰近說法，但找不到明確的提出者，也沒有本頁可以引用的標準定義。這裡把它當作一個工作名稱，用來指代一套有可測部分的機制。政治心理學裡的近鄰概念是政治宗派主義，由 Finkel 與同事 2020 年發表在《Science》第 370 卷第 6516 期、第 533 至 536 頁。該文與本文同屬一個專題；本頁只依賴其中的定義。 可測量的文獻開始得更晚。2015 年，Eytan Bakshy、Solomon Messing 與 Lada Adamic 在《Science》上發表了一項 Facebook 內部研究，發現限制跨立場新聞的，更多是使用者自己的選擇，而不是排序。2021 年，兩篇論文把注意力從「人迴避什麼」轉向「人獎勵什麼」。下一節從這裡開始。

​
核心要點

四個發現撐起整套機制：互動獎勵什麼、憤怒如何被學習、資訊流怎樣讓曝光傾斜，以及最後一步為何不確定。
1

互動獎勵的是對對立群體的痛擊

Steve Rathje、Jay Van Bavel 與 Sander van der Linden 分析了 Facebook 和 Twitter 上來自新聞媒體帳號與美國國會議員的 2,730,215 條貼文。關於政治對立群體的貼文，被分享或轉發的頻率大約是關於自己一方的兩倍。每多一個指向對立群體的詞，被轉發的機率大約上升 67%。指向對立群體的語言，強度約是負面情緒詞的 4.8 倍、道德情緒詞的 6.7 倍；在八組資料裡有七組，「憤怒」是使用最多的反應。這是相關性設計，它說明什麼內容傳播得遠，不說明因果。
2

憤怒是被回饋教出來的

William Brady、Killian McLoughlin、Tuan Doan 與 Molly Crockett 研究了 7,331 名 Twitter 使用者、1,270 萬條推文，以及 240 名被試的行為實驗。一條表達憤怒的貼文得到正向社會回饋，會預測這個人之後發更多憤怒內容。在實驗裡，看到「憤怒有回報」的被試表達了更多憤怒，而看到另一種規範被獎勵的被試，會向那種規範靠攏。這是一個學習迴路：資訊流不必發明敵意，只需要為敵意付費。
3

資訊流能讓兩邊的曝光傾斜

Hazem Ibrahim 與同事用機器人帳號在 TikTok 上做了 323 次審計實驗，帳號分別被投餵民主黨和共和黨內容，位置設在紐約、得州和喬治亞州。在 27 週、超過 28 萬條推薦影片裡，被共和黨內容預訓練的帳號，收到的同陣營內容比民主黨帳號多約 11.5%。被民主黨內容預訓練的帳號，收到的跨陣營內容多約 7.5%，而這些內容絕大多數是反民主黨的：它們看到反民主黨影片的比例是 14.2%，而另一側看到反共和黨影片的比例是 5.8%。這次審計測的是曝光，不是信念。
4

曝光不等於轉化

關於態度改變，最嚴格的幾次隨機實驗指向不同方向。在 Meta 平臺上，把使用者切到時間軸排序三個月，議題極化、情感極化和政治知識都沒有顯著變化。另一項實地實驗把同陣營曝光壓低約三分之一，八項態度指標都沒有可測變化，並排除了 0.12 個標準差以上的效應。而在 X 上，演算法流使用七週，把政策態度推向更保守的議程，幅度是 0.11 個標準差。平臺設計是答案的一部分，不是細節。

​
應用場景

下面四個做法，把這條機制變成個人可執行的行動。它們都不要求你退出所有平臺。

審計資訊流，而不是和它爭吵

用一週時間，記下你看到的每條政治或社會類內容，並標註它是「攻擊某個群體」還是「論證某個主張」。如果攻擊佔多數，說明資訊流正在做它被設計來做的事。然後有意改動一個輸入，例如關注兩個立場混合的人，再記錄結果。

回應主張，而不是回應標籤

回覆之前，先用一句話複述對方的觀點，而且要是對方會認可的版本。如果做不到，你回應的就是標籤。這個習慣很慢，但它是防止分歧變成「站隊比賽」的主要防線。

主動把複雜性放回選單

有意去關注那些你部分認同、部分反對的人。一個只由盟友和敵人組成的資訊流，會藏起第三種選項：一個有明確立場、但保留未完成判斷的人。複雜性是一種練習，不是性格。

給網路圍攻按個暫停鍵

網路風暴，是指針對某個人、公司或群體的敵意訊息突然大量爆發。在加入之前，先確認核心指控是否已被核實，以及當事人有沒有回應的機會。當幾十個陌生人已經說出你那句話時，你的貼文增加的是熱度，不是資訊。

​
經典案例

2024 年，紐約大學阿布達比分校的一個團隊想檢驗一個使用者選擇空間很小的平臺。TikTok 的「For You」頁面幾乎完全由演算法驅動，所以其中的系統性格局比使用者自己打理的資訊流更容易被看見。團隊搭了一個手機農場，每次實驗後都把裝置恢復出廠設定，並讓機器人帳號分別虛擬定位到紐約、得州和喬治亞州。 每個機器人先用某一陣營最多 400 條影片做預訓練，然後在「For You」頁面被動刷六天。從 2024 年 4 月 30 日到 11 月 11 日的 27 週裡，共有 323 次實驗達到品質標準。機器人共觀看 91,934 條預訓練影片，收集到 284,093 條推薦，其中 176,252 條是不同影片。 結果是一種不對稱，而不是兩邊對稱的回音。被共和黨內容預訓練的帳號，收到的同陣營內容比民主黨帳號多約 11.5%。被民主黨內容預訓練的帳號，收到的跨陣營內容多約 7.5%，而且這些內容絕大多數是反民主黨的。民主黨機器人看到反民主黨影片的比例是 14.2%，共和黨機器人看到反共和黨影片的比例是 5.8%。也就是說，負面黨派情緒本身就是不對稱的。作者用按讚、評論、播放量和粉絲數建構了 48 個反事實模型，結果顯示這種傾斜仍然大於那些互動指標所能預測的程度。在一項對 1,008 名美國 TikTok 使用者的調查裡，共和黨受訪者比民主黨受訪者更常報告看到令自己認同、且更正面的政治內容。 教訓很窄，也很重要。推薦系統可以讓兩個可比的使用者，對同一場選舉得到系統上不同的畫面，而且差異集中在攻擊性內容上。作者自己寫清了邊界：實驗設計無法判斷傾斜來自演算法規則、內容供給，還是兩者兼有。機器人也只覆蓋一個使用者最初一週的使用，且只有帶字幕的影片被分類。最重要的是，這次審計測量的是「展示了什麼」，不是「誰後來相信了什麼」。它證明的是管道被彎過，而不是它製造了暴民。

​
邊界與失效場景

從「被推薦」到「世界觀固化」這條鏈，會在三個可預料的地方斷開。把這三處講清楚，這個概念才站得住。 第一，曝光不等於說服。兩項大型實地實驗在 Facebook 和 Instagram 上把使用者移出演算法排序，把同陣營曝光壓低約三分之一，隨後在一整組態度指標上都沒有測到變化。而 X 的實驗測到了偏移，這說明效應取決於平臺、資訊流和時期。2024 年還有一項由 Chhandak Bagchi 與同事完成的分析指出，Meta 那次實驗的時間窗與 Facebook 一次臨時的新聞排序調整重疊，所以它的零結果可能只描述了一段特殊時期。任何說「演算法會重寫大腦」的說法，都走出了證據範圍。 第二，演算法只是多個原因之一。自我選擇、精英言論、黨派媒體和產品設計都在往同一方向推，而且即使排序停止投餵，使用者往往還是會回到令自己舒服的內容上。使用者描述裡「失去理解複雜性的能力」是一個合理的假設，不是被測量的量。被測量到的東西更窄：對立群體的貼文傳播更遠，憤怒會被回饋強化，某些資訊流會讓曝光傾斜。 第三，網路圍攻並不自動等於演算法的作品。線上風暴至少在 2010 年代初就已被記錄，它可能起於道德規範、地位競爭，或一條被誤讀的貼文。群體動態本身就能做到這一點：群體極化說的是一個陣營在只和自己人討論之後走得更遠。把每一次圍攻都當成演算法的證據，正是這個概念想糾正的那種過度歸因。

​
常見誤區

關於這條機制，有三種常見想法，證據對每一種都有修正。
被測量到的效應是放大與篩選，不是憑空製造。指向對立群體的內容在排序介入之前就傳播得更遠，因為人們願意轉發它。在 Meta 平臺上，關掉演算法本身並沒有改變態度；在 X 上，它改變了。誠實的說法是：供給與需求已經造成了裂痕，而資訊流的設計可以讓它更深。
看到灰色地帶，不等於把每種說法都當成同樣真實。它意味著把身分信號和事實主張分開，並願意在核查期間保留一個未完成的判斷。一個人可以堅定地評判一個立場，同時準確地說出對方最強的論據。
網路風暴是真實事件，有真實的受害者，也可能毀掉一個人的生活。但它同時也是一種早於短影片排序的群體動態。要檢驗「演算法造成的」這一說法，應當像 TikTok 審計那樣比較不同帳號或資訊流的曝光，而不是用一次喧鬧的一週去推斷因果。

​
相關概念

演算法回音壁的部落化，旁邊是「把一邊反覆放大的封閉」、靠選擇搭起的環境、同溫層討論後的立場移動，以及兩種群體感知習慣。把它們分開，每一個才真正好用。

回音室效應

把一邊反覆放大、把另一邊壓低的社交封閉。部落化在此之上，加了一條按互動挑選最響內容的排序規則。

資訊繭房

個人靠選擇什麼樣的關注對象，搭起的資訊環境。排序規則會在本人沒有決定收窄的情況下，把它收得更窄。

群體極化

在一群本就觀點相近的人討論之後，立場變得更極端。對立攻擊可以助長這種移動，但移動是群體過程，不是一次推薦。

內群體偏見

偏向被標記為自己人的人。部落化把這種偏好變成穩定的身分，於是資訊流有了可以投餵的對象。

外群體同質性偏見

把對方陣營看得比自己這邊更整齊、更一樣。一個只展示對方最糟範例的資訊流，會讓這種壓平更容易發生。

唯我獨尊偏差

堅信自己客觀地看世界，而對方有偏見。貼標籤、立刻開打的習慣，就是樸素現實主義在資訊流裡的速度版。

​
一句話總結

當資訊流遞給你一個乾淨的敵人時，先說清主張、再看陣營，然後去把它漏掉的第三種選項找回來。