跳转到主要内容
类别: 效应
类型: 一种信息流机制。以互动为目标的推荐会奖励并反复推送”我们对他们”的内容，让中间地带越来越难被看见
来源: 这个说法是描述性的，查不到明确的提出者。它把 1970 年代 Henri Tajfel 等人的社会认同研究，与 Eli Pariser、Cass Sunstein 的过滤气泡和回音室讨论连在一起。被实际测量过的部分，来自 2015 年以后的互动与曝光研究
别名: networked tribalism（网络部落化）；政治心理学里的近邻概念是政治宗派主义。本页不把两个名字当同一个用
快速回答 — 算法回音壁的部落化（Algorithmic Tribalism）指的是这样一条链路：按互动排序的信息流奖励攻击对立群体的帖子，把同一阵营的内容反复推回给它，于是两个阵营之间的中间地带从视野里掉了出去。证据最扎实的部分，是什么内容更容易被转发、什么内容更容易被推荐、愤怒能换回什么。从这些曝光走到”世界观被固化、永久敌对”，这一步真实存在，但并不均匀，规模最大的几次实地实验甚至互相矛盾。

​
什么是算法回音壁的部落化？

算法回音壁的部落化，是指以互动为目标的信息流会奖励”我们对他们”的内容，再把它推回各自的阵营，让阵营之间的中间地带越来越难被看见。
政治宗派主义由三种成分构成：他者化，即把对立阵营看作与自己本质不同甚至异类；厌恶，即不喜欢、不信任对立阵营；道德化，即把对立阵营看作不义之人。
这句话出自 Eli Finkel 与同事 2020 年发表在《Science》上的文章。它描述的是终点，也点出一个早于任何 App 的模式：群体认同硬化成轻蔑。算法回音壁的部落化，是这套模式在今天的投递系统，而不是新的人性。 机制分两步。第一步，按互动排序的信息流会学到什么内容能让人停下、反应、转发。在大型帖子样本里，指向对立群体的语言是互动最强的预测变量，强过愤怒词，也强过道德语言。第二步，信息流重复那些有效的内容，于是每个阵营收到更多自己一侧的材料，也收到更多对另一侧的抨击。回音室效应说的是把一边反复放大的社会封闭，信息茧房说的是个人靠选择搭起来的环境。算法回音壁的部落化，是给这两者供给最响内容的排序规则。 接下来讲清楚哪些环节被测量过，哪些环节证据很薄。简短版是：敌意能换来互动，已有充分记录；曝光出现倾斜，在一些平台上已被记录；而”曝光转化为持久敌意”这一步最弱，也最有争议。 部落式的拉力本身并不新。内群体偏见本就会偏向自己一方，唯我独尊偏差本就认为自己的看法才客观。排序规则加上的，是速度与重复：它可以把一个吵闹的例子展示得足够频繁，频繁到它代表了一整个群体。

​
算法回音壁的部落化的三层理解

  • 入门: 当你发现信息流递给你一个干净的敌人时，先停一下。如果一个话题的每条视频都只展示同一方的丑态，你看到的是筛选，不是全景。写下一条不符合这条视频的立场。
  • 实践: 反应之前，先把主张和阵营分开。按顺序问两个问题：对方到底断言了什么？什么证据会让我改变看法？第二个问题答不出来，说明信息流给你的是身份，不是论点。
  • 进阶: 把算法当作多个原因之一，并说清你测的是哪一个。Meta 平台上的学习测验发现，关掉排序平均不会改变态度；而 X 上的随机实验发现，算法流会带来持续的政策态度偏移。差别指向平台设计、内容供给和习惯，而不是一个对所有人都一样的效应。

​
起源

这个说法里”部落”那一半，比互联网老得多。1970 年，Henri Tajfel 报告了一组实验，被试是英国布里斯托一所学校的 64 名 14 到 15 岁男孩。他用极其琐碎的标准把他们分组，只让他们把钱分给不知道是谁的他人。没有历史、没有利害、没有接触，孩子们依然偏向自己那一组。这个结果，以及 Tajfel 后来与 John Turner 建立的社会认同理论，是”群体忠诚很容易被点燃”这一说法的基础。 “算法”那一半，来自过滤气泡与回音室的警告。Eli Pariser 的《The Filter Bubble》（2011）主张，个性化会藏起一个人本来不会选择的内容。Cass Sunstein 的《#Republic: Divided Democracy in the Age of Social Media》（普林斯顿大学出版社，2017）主张，碎片化的媒介环境让共同事实更难维持。两本书讲的是方向，不是对某一条算法的测量。 这个短语本身是描述性的。检索”algorithmic tribalism”，能找到评论和”networked tribalism”这类邻近说法，但找不到明确的提出者，也没有本页可以引用的标准定义。这里把它当作一个工作名称，用来指代一套有可测部分的机制。政治心理学里的近邻概念是政治宗派主义，由 Finkel 与同事 2020 年发表在《Science》第 370 卷第 6516 期、第 533 至 536 页。该文与本文同属一个专题；本页只依赖其中的定义。 可测量的文献开始得更晚。2015 年，Eytan Bakshy、Solomon Messing 与 Lada Adamic 在《Science》上发表了一项 Facebook 内部研究，发现限制跨立场新闻的，更多是用户自己的选择，而不是排序。2021 年，两篇论文把注意力从”人回避什么”转向”人奖励什么”。下一节从这里开始。

​
核心要点

四个发现撑起整套机制：互动奖励什么、愤怒如何被学习、信息流怎样让曝光倾斜，以及最后一步为何不确定。
1

互动奖励的是对对立群体的痛击

Steve Rathje、Jay Van Bavel 与 Sander van der Linden 分析了 Facebook 和 Twitter 上来自新闻媒体账号与美国国会议员的 2,730,215 条帖子。关于政治对立群体的帖子，被分享或转发的频率大约是关于自己一方的两倍。每多一个指向对立群体的词，被转发的几率大约上升 67%。指向对立群体的语言，强度约是负面情绪词的 4.8 倍、道德情绪词的 6.7 倍；在八组数据里有七组，“愤怒”是使用最多的反应。这是相关性设计，它说明什么内容传播得远，不说明因果。
2

愤怒是被反馈教出来的

William Brady、Killian McLoughlin、Tuan Doan 与 Molly Crockett 研究了 7,331 名 Twitter 用户、1,270 万条推文，以及 240 名被试的行为实验。一条表达愤怒的帖子得到正向社会反馈，会预测这个人之后发更多愤怒内容。在实验里，看到”愤怒有回报”的被试表达了更多愤怒，而看到另一种规范被奖励的被试，会向那种规范靠拢。这是一个学习回路：信息流不必发明敌意，只需要为敌意付费。
3

信息流能让两边的曝光倾斜

Hazem Ibrahim 与同事用机器人账号在 TikTok 上做了 323 次审计实验，账号分别被投喂民主党和共和党内容，位置设在纽约、得州和佐治亚州。在 27 周、超过 28 万条推荐视频里，被共和党内容预训练的账号，收到的同阵营内容比民主党账号多约 11.5%。被民主党内容预训练的账号，收到的跨阵营内容多约 7.5%，而这些内容绝大多数是反民主党的：它们看到反民主党视频的比例是 14.2%，而另一侧看到反共和党视频的比例是 5.8%。这次审计测的是曝光，不是信念。
4

曝光不等于转化

关于态度改变，最严格的几次随机实验指向不同方向。在 Meta 平台上，把用户切到时间线排序三个月，议题极化、情感极化和政治知识都没有显著变化。另一项实地实验把同阵营曝光压低约三分之一，八项态度指标都没有可测变化，并排除了 0.12 个标准差以上的效应。而在 X 上，算法流使用七周，把政策态度推向更保守的议程，幅度是 0.11 个标准差。平台设计是答案的一部分，不是细节。

​
应用场景

下面四个做法，把这条机制变成个人可执行的行动。它们都不要求你退出所有平台。

审计信息流，而不是和它争吵

用一周时间，记下你看到的每条政治或社会类内容，并标注它是”攻击某个群体”还是”论证某个主张”。如果攻击占多数，说明信息流正在做它被设计来做的事。然后有意改动一个输入，比如关注两个立场混合的人，再记录结果。

回应主张，而不是回应标签

回复之前，先用一句话复述对方的观点，而且要是对方会认可的版本。如果做不到，你回应的就是标签。这个习惯很慢，但它是防止分歧变成”站队比赛”的主要防线。

主动把复杂性放回菜单

有意去关注那些你部分认同、部分反对的人。一个只由盟友和敌人组成的信息流，会藏起第三种选项：一个有明确立场、但保留未完成判断的人。复杂性是一种练习，不是性格。

给网络围攻按个暂停键

网络风暴，是指针对某个人、公司或群体的敌意消息突然大量爆发。在加入之前，先确认核心指控是否已被核实，以及当事人有没有回应的机会。当几十个陌生人已经说出你那句话时，你的帖子增加的是热量，不是信息。

​
经典案例

2024 年，纽约大学阿布扎比分校的一个团队想检验一个用户选择空间很小的平台。TikTok 的”For You”页面几乎完全由算法驱动，所以其中的系统性格局比用户自己打理的信息流更容易被看见。团队搭了一个手机农场，每次实验后都把设备恢复出厂设置，并让机器人账号分别虚拟定位到纽约、得州和佐治亚州。 每个机器人先用某一阵营最多 400 条视频做预训练，然后在”For You”页面被动刷六天。从 2024 年 4 月 30 日到 11 月 11 日的 27 周里，共有 323 次实验达到质量标准。机器人共观看 91,934 条预训练视频，收集到 284,093 条推荐，其中 176,252 条是不同视频。 结果是一种不对称，而不是两边对称的回音。被共和党内容预训练的账号，收到的同阵营内容比民主党账号多约 11.5%。被民主党内容预训练的账号，收到的跨阵营内容多约 7.5%，而且这些内容绝大多数是反民主党的。民主党机器人看到反民主党视频的比例是 14.2%，共和党机器人看到反共和党视频的比例是 5.8%。也就是说，负面党派情绪本身就是不对称的。作者用点赞、评论、播放量和粉丝数构建了 48 个反事实模型，结果显示这种倾斜仍然大于那些互动指标所能预测的程度。在一项对 1,008 名美国 TikTok 用户的调查里，共和党受访者比民主党受访者更常报告看到令自己认同、且更正面政治内容。 教训很窄，也很重要。推荐系统可以让两个可比的用户，对同一场选举得到系统上不同的画面，而且差异集中在攻击性内容上。作者自己写清了边界：实验设计无法判断倾斜来自算法规则、内容供给，还是两者兼有。机器人也只覆盖一个用户最初一周的使用，且只有带字幕的视频被分类。最重要的是，这次审计测量的是”展示了什么”，不是”谁后来相信了什么”。它证明的是管道被弯过，而不是它制造了暴民。

​
边界与失效场景

从”被推荐”到”世界观固化”这条链，会在三个可预料的地方断开。把这三处讲清楚，这个概念才站得住。 第一，曝光不等于说服。两项大型实地实验在 Facebook 和 Instagram 上把用户移出算法排序，把同阵营曝光压低约三分之一，随后在一整组态度指标上都没有测到变化。而 X 的实验测到了偏移，这说明效应取决于平台、信息流和时期。2024 年还有一项由 Chhandak Bagchi 与同事完成的分析指出，Meta 那次实验的时间窗口与 Facebook 一次临时的新闻排序调整重叠，所以它的零结果可能只描述了一段特殊时期。任何说”算法会重写大脑”的说法，都走出了证据范围。 第二，算法只是多个原因之一。自我选择、精英言论、党派媒体和产品设计都在往同一方向推，而且即使排序停止投喂，用户往往还是会回到令自己舒服的内容上。用户描述里”失去理解复杂性的能力”是一个合理的假设，不是被测量的量。被测量到的东西更窄：对立群体的帖子传播更远，愤怒会被反馈强化，某些信息流会让曝光倾斜。 第三，网络围攻并不自动等于算法的作品。在线风暴至少在 2010 年代初就已被记录，它可能起于道德规范、地位竞争，或一条被误读的帖子。群体动态本身就能做到这一点：群体极化说的是一个阵营在只和自己人讨论之后走得更远。把每一次围攻都当成算法的证据，正是这个概念想纠正的那种过度归因。

​
常见误区

关于这条机制，有三种常见想法，证据对每一种都有修正。
被测量到的效应是放大与筛选，不是凭空制造。指向对立群体的内容在排序介入之前就传播得更远，因为人们愿意转发它。在 Meta 平台上，关掉算法本身并没有改变态度；在 X 上，它改变了。诚实的说法是：供给与需求已经造成了裂痕，而信息流的设计可以让它更深。
看到灰色地带，不等于把每种说法都当成同样真实。它意味着把身份信号和事实主张分开，并愿意在核查期间保留一个未完成的判断。一个人可以坚定地评判一个立场，同时准确地说出对方最强的论据。
网络风暴是真实事件，有真实的受害者，也可能毁掉一个人的生活。但它同时也是一种早于短视频排序的群体动态。要检验”算法造成的”这一说法，应当像 TikTok 审计那样比较不同账号或信息流的曝光，而不是用一次喧闹的一周去推断因果。

​
相关概念

算法回音壁的部落化，旁边是”把一边反复放大的封闭”、靠选择搭起的环境、同温层讨论后的立场移动，以及两种群体感知习惯。把它们分开，每一个才真正好用。

回音室效应

把一边反复放大、把另一边压低的社交封闭。部落化在此之上，加了一条按互动挑选最响内容的排序规则。

信息茧房

个人靠选择什么样的关注对象，搭起的信息环境。排序规则会在本人没有决定收窄的情况下，把它收得更窄。

群体极化

在一群本就观点相近的人讨论之后，立场变得更极端。对立攻击可以助长这种移动，但移动是群体过程，不是一次推荐。

内群体偏见

偏向被标记为自己人的人。部落化把这种偏好变成稳定的身份，于是信息流有了可以投喂的对象。

外群体同质性偏见

把对方阵营看得比自己这边更整齐、更一样。一个只展示对方最糟例子的信息流，会让这种压平更容易发生。

唯我独尊偏差

坚信自己客观地看世界，而对方有偏见。贴标签、立刻开打的习惯，就是朴素现实主义在信息流里的速度版。

​
一句话总结

当信息流递给你一个干净的敌人时，先说清主张、再看阵营，然后去把它漏掉的第三种选项找回来。