随着算法推荐技术在新媒体平台中的深度嵌入,部分用户产生了算法厌恶,影响了健康的用户—算法的关系。本研究基于创新抵抗理论,构建算法负面口碑对算法厌恶的影响机制模型,并在模型中引入创新采用障碍和技术准备度。研究发现,算法负面口碑对算法厌恶的影响受到多种障碍因素差异化的中介作用。在算法负面口碑影响用户算法态度的过程中,使用障碍的作用相对较弱,而传统障碍的影响更为显著,风险障碍、价值障碍和形象障碍也扮演了重要角色。技术准备度中的乐观性和创新性有助于减轻这些障碍对算法厌恶的影响,而不舒适感会加剧风险障碍与形象障碍对算法厌恶的影响。本研究为算法设计者通过优化设计减少用户算法厌恶,提升人机互动体验提供了建议。
本研究系国家社科基金后期资助重点项目“数字时代人机互动及其媒介实践研究”(项目编号:23FXWA002)阶段性成果。
平台基于算法推荐技术实现了内容的个性化推送,在一定程度上提高了人们获取内容的效率,满足了用户的内容获取需求。在讨论算法推荐技术如何影响用户对内容的获取和决策时,可以发现用户对算法的态度是多维度的。Logg等(2019)通过实证研究表明,当受众缺乏专业背景知识时,普遍表现出对算法决策结果的显著偏好与信任倾向,这一现象被定义为算法欣赏(algorithm appreciation)。值得注意的是,在强调结果精确性的专业领域中,当专家自身的判断与算法建议产生分歧时,虽然其算法欣赏程度呈现边际递减趋势,但这种欣赏并未完全消失(Yang,Li & You,2022)。Filiz等(2021)也认为,随着人们对算法的深度使用,用户更能准确地评估自身的预测能力,更倾向于使用算法进行预测而不是依靠自己的直觉。然而,尽管算法决策可能优于人为决策,但用户在进行决策时可能存在消极选择算法技术的倾向,这种现象被称为算法厌恶(algorithm aversion)(Dietvorst,Simmons & Massey,2015)。例如,自2016年Twitter引入算法推荐以来,用户通过创建列表、按时间顺序浏览来抵抗算法,保持控制感和参与度(Chung,2020)。这种从算法欣赏到算法厌恶的转变,揭示了用户对算法技术的复杂心理和行为反应,表明用户在接收算法推荐内容时,其态度并非一成不变,而是受到多种因素的影响。
这种态度的复杂成因引出了对用户如何接受或抵抗算法创新技术的进一步探讨。由于现状的改变与现有信念体系存在偏差可能带来的变化,用户开始逐渐对算法创新的接纳和使用进行理性思考,甚至在决策行为上会产生一定的障碍,即对算法的创新抵抗(Hew et al.,2019)。创新抵抗的原因是复杂的,它可能源于用户对算法效果的不确定性、对现有习惯的依赖、对隐私泄露的担忧,亦或是对算法可能带来的社会或经济影响的恐惧。口碑是影响用户采用算法的重要影响因素,可以划分为正面口碑和负面口碑(Sundaram,Mitra & Webster,1998)。与正面评价相比,负面口碑对消费者决策的影响更大(Chang & Wu,2014),也更有可能引起用户的算法厌恶。现有研究多集中于正面评价和用户接纳算法的影响因素,而忽视了负面口碑对用户决策的关键作用。负面口碑可能通过社交媒体、用户评论或个人经历传播,从而在用户群体中形成一种普遍的不信任感。而用户对算法推荐这项创新技术的开放性和适应性,以及他们如何利用算法技术来改善平台的使用体验,即为用户对算法推荐的技术准备度(Parasuraman & Grewal,2000)。技术准备度是衡量用户对新技术接受和使用意愿的关键指标,研究技术准备度在创新抵抗过程中对算法厌恶的作用,可以提高创新抵抗理论对算法厌恶现象的解释力。
有鉴于此,本研究以创新抵抗理论为基础,针对抖音平台用户的实际使用情境,探讨用户算法负面口碑感知、创新采用障碍、技术准备度与算法厌恶之间的关系。研究将算法负面口碑作为自变量,将创新采用障碍作为中介变量,将算法厌恶作为因变量,构建影响机制模型,并加入技术准备度作为这一过程的调节变量。本研究旨在解决以下问题:(1)推荐算法负面口碑如何通过不同的创新采用障碍影响用户算法厌恶?(2)技术准备度的不同维度如何调节创新采用障碍与算法厌恶之间的关系?本研究为算法设计者提供了降低用户算法厌恶的针对性设计策略,同时也帮助用户在面对创新技术时采取更有效的接受与使用策略,以建立良好的人机互动关系。
创新抵抗理论(innovation resistance theory,IRT)由Ram(1987)提出,用以解释为什么人们会变革和带来变革的创新。用户在塑造算法创新的成败方面可以发挥重要作用(Ram & Sheth,1989)。Ram和Sheth(1989)认为存在多种阻碍用户采用创新的障碍,这些障碍主要分为两类,即功能障碍和心理障碍。功能障碍进一步分为使用障碍、价值障碍和风险障碍,心理障碍分为形象障碍和传统障碍。
使用障碍是指认为某项创新使用起来很复杂、难以使用而造成的障碍,包括使用的复杂性、易用性等方面;价值障碍指的是用户认为新技术没有足够的价值或收益,不足以弥补其使用成本或带来的不便;风险障碍指的是用户对新技术可能带来的不确定性和潜在风险的担忧,比如数据隐私问题、系统故障等;传统障碍指当某项创新与用户的现有习惯、文化或认知不一致时,可能导致用户对创新产生抵触情绪;形象障碍是指用户认为创新形象不好时产生的障碍,比如算法推荐方式让用户产生不信任感,认为算法推荐的内容无用或低俗(Chen,Chang & Hsiao,2022;Ram & Sheth,1989)。El Mhamdi等(2011)认为,当消费者感受到创新带来的变化时,功能障碍会产生影响,而当创新与既定价值观或信念相矛盾时,心理障碍会被激活。
口碑传播是人与人之间关于产品或服务信息的非正式传播方式,也是创新传播的重要渠道之一,能够对消费者的采纳创新、信息搜寻、态度变化以及购买决策等方面产生深远影响(Helm,2000)。Kawakami等(2013)研究了口碑传播对创新采用的影响,发现口碑通过创新采用的多样性影响使用强度。口碑相关信息影响用户的创新采用感知因素。Calbay(2019)调查虚拟现实(VR)等新兴技术的用户参与线上讨论的行为,发现参与在线讨论论坛是他们接触和向志同道合的社区学习新技术的功能和工作原理的一种方式,包括口碑交流在内的线上产品讨论对用户创新采用的使用障碍有影响。Kawakami和Parry(2013)发现口碑信息的感知可信度与感知有用性呈正相关,而感知有用性与购买意向呈正相关,口碑信息可能通过感知有用性影响创新采用的价值障碍。Zhang等(2022)发现AI口碑影响感知风险,感知风险在AI口碑对购买行为的影响中起中介作用,而感知风险增加创新采用的风险障碍。Sari和Yulianti(2019)发现电子口碑可以对购买习惯产生显著影响,负面口碑可能对创新采用的传统障碍产生影响。
综上,算法推荐技术的算法负面口碑可能会对用户使用推荐算法时的功能障碍(风险障碍、使用障碍、价值障碍)和心理障碍(传统障碍和形象障碍)产生影响。
算法厌恶最早由Dawes等(1989)在医学领域提出,指医学专家对于更有效的算法决策持有一种回避与抗拒的倾向。Dietvorst等(2015)提出算法厌恶是一种人们不愿使用优于人类但存在不足的算法的倾向,人们意识到算法的不完美后会产生一种排斥与回避倾向,因此宁愿相信人类的决策也不愿意相信算法的判断。Logg等(2019)将算法厌恶定义为不管人们是否具有使用算法的经验,都一致认为人类的可信性大于算法。罗映宇等(2023)提出了人工智能时代算法厌恶的解释,即算法厌恶是一种人类对算法技术以及算法赋能的机器人所提供的建议与服务呈现出的消极、回避倾向。
创新采用障碍可能促使用户对数字技术等创新技术产生消极态度。使用障碍对多种数字技术的采用意愿有负面影响,如互联网银行(Laukkanen,Sinkkonen & Laukkanen,2008)和移动购物(Moorthy et al.,2017)等技术的感知使用难度对于技术采用意愿的负向影响。其次,Ponte等(2015)研究在线旅游网站使用行为发现,与信任因素相比,感知价值对消费者在线旅游网站的购买行为影响更大。戚娅玮等(2023)发现当用户感知到ChatGPT对简单问题回答准确性偏低时,可能会产生ChatGPT的算法厌恶。可见价值障碍是用户产生消极创新采用态度不可忽视的原因之一。此外,如果用户认为与创新相关的风险更大,他们将推迟采用该创新,直到该风险被解决(Molesworth & Suortti,2002)。一项基于零工员工对平台算法态度的研究表明,零工员工对平台算法的担忧心理会使他们选择不使用算法的企业,但当平台向员工解释算法透明度,告知他们算法平台将如何收集和使用其隐私信息时,可以减轻零工的隐私担忧和算法厌恶(Liang et al., 2023),可见算法侵犯隐私等风险障碍也可能激发算法厌恶。另外,有关MOOC(大规模开放在线课程)在发展中国家推广的研究发现,学习习惯的改变障碍,即采用MOOC时出现的传统障碍,是阻碍发展中国家学生使用MOOC的主要阻碍之一(Ma & Lee,2019)。最后,一项基于老年人身份与辅助技术采用的审查综述发现,老年人对展现独立、自力更生等身份形象的渴望,直接影响他们采用辅助技术的决策模式(Astell,McGrath & Dove,2020),说明用户对技术的形象认同程度也是技术接受与否的直接影响因素。Celik和Kocaman(2017)使用来自银行/金融机构管理人员的调查数据分析了管理决策中算法厌恶的产生原因,发现算法厌恶受到价值障碍、传统障碍和形象障碍的显著影响。
综上,用户使用平台时的功能障碍(风险障碍、使用障碍、价值障碍)和心理障碍(传统障碍和形象障碍)可能对算法厌恶产生影响。由此,提出以下假设:
H1:算法负面口碑通过使用功能障碍的中介作用,包括风险障碍(H1a)、使用障碍(H1b)和价值障碍(H1c),影响用户的算法厌恶。
H2:算法负面口碑通过使用心理障碍的中介作用,包括传统障碍(H2a)和形象障碍(H2b),影响用户的算法厌恶。
技术准备度(technology readiness index)由Parasuraman和Grewal(2000)提出,用来衡量人们接受和使用新技术来实现家庭生活和工作目标的倾向。技术准备度由四个维度构成:乐观性(optimism)表示个体对技术的积极态度,相信技术为人们的生活提供了更大的控制力、灵活性和效率;创新性(innovativeness)表示个体成为技术先锋和创意领袖的倾向;不舒适感(discomfort)表示个体对技术的失控感;不安全感(insecurity)表示个体对技术的不信任,怀疑其能否正常运作(Parasuraman & Grewal,2000)。其中,乐观性和创新性是技术接受的激励因素,而不舒适感和不安全感是技术接受的抑制因素。四维结构的技术准备度广泛应用于解释用户对技术的态度及采用行为的研究中。Flavián等(2022)分析北美机器人顾问潜在客户的数据集发现,客户的技术乐观度增加,不安全感减少,他们使用机器人顾问的意愿增加,还意外发现不舒适感对机器人顾问的采用产生了积极影响。
Parasuraman和Colby(2015)指出技术准备度可以作为涉及多变量框架的研究中重要调节变量。Yi等(2003)将技术准备度的四个维度作为调节变量纳入技术接受模型,发现技术准备度的创新性和乐观性分别与感知有用性相互作用,影响人们接受新技术的意愿,证明技术准备度可作为调节变量参与到解释用户接受度和使用行为的模型中。Mahmud等(2023)将技术准备度与创新抵抗模型结合,研究管理决策环境中的算法厌恶因素,发现技术准备的激励因素减轻了价值障碍对算法厌恶的影响。Lyu等(2024)同样结合技术准备度和创新抵抗模型,研究用户使用和推荐自动驾驶配送车的关键因素,发现积极的技术就绪降低了用户对价值障碍、传统障碍和形象障碍的感知,而消极的技术就绪则增加了用户对使用障碍、价值障碍、风险障碍、传统障碍和形象障碍五类创新障碍的感知。Blut和Wang(2020)通过对技术准备度的元分析发现,技术准备度的各维度通过质量—价值—满意度链和技术接受模型提出的中介因素对技术使用行为产生强烈的间接影响,其中激励因素的影响比抑制因素更强。
可见,从现有研究中可推测技术准备度对创新采用障碍和算法厌恶可能存在影响,并且常作为调节变量在用户技术接受或使用的分析模型中发挥作用。由此,提出以下假设:
H3:用户使用算法推荐技术的激励因素,即乐观性(H3a)和创新性(H3b),在用户使用障碍(功能障碍和心理障碍)和算法厌恶之间起到缓冲的调节作用,也就是激励因素越强,使用障碍对用户算法厌恶的影响越弱。
H4:用户使用算法推荐技术的抑制因素,即不舒适感(H4a)和不安全感(H4b),在用户障碍(功能障碍和心理障碍)和算法厌恶之间起到增强的调节作用,也就是抑制因素越强,使用障碍对用户算法厌恶的影响越强。
本研究以抖音用户为研究对象进行问卷调研。QuestMobile数据显示,截至2025年3月,抖音月活跃用户规模突破10亿,成为国内新媒体平台中用户规模最大的平台之一,是用户获取信息和日常娱乐的重要途径。抖音的成功离不开它的智能内容推荐系统,通过推荐算法向用户推荐符合其兴趣的个性化内容(周葆华,2019)。
本次调查通过问卷星平台设计与回收问卷。2024年1月1日至3月15日,通过滚雪球的方式,在微信群、微信朋友圈、小红书、微博等线上社交平台进行问卷发放,在填写结束后予以2元微信红包奖励。本次调查共回收问卷1132份,剔除未使用过抖音APP、答题时间小于2分钟、明显逻辑错误、雷同答卷等问题的答卷,得到有效样本1097份。样本人口特征如表1所示,男性占43.7%,女性占56.3%,年龄主要集中在31岁至43岁,受教育水平以大学本科为主(54.3%),月收入5000元以下和5000元~10000元的占比最高,分别为35.1%和34.2%。
为确保研究具备足够的统计效能,本研究在数据收集前使用G*Power软件(版本3.1)进行样本量预测分析。根据Cohen(1988:410-414)提出的效应量标准,设定效应量f2=0.02(小效应),显著性水平为0.05,统计功效设定为0.80。在模型中,纳入了14个自变量(包括主要效应、自变量与调节变量的交互项及相关控制变量)。在“Linear multiple regression: Fixed model, R2 increase”模式下进行计算,结果显示所需最小样本量为929人。研究实际样本量(1097人)超过此标准,满足统计检验要求。
问卷包括11个变量,共41个题项,所有变量设计均来源于已有成熟量表。考虑到聚焦于抖音平台算法推荐这一具体情境,本研究结合抖音平台的特点和中国用户的使用习惯,在原量表基础上进行了针对性的调试(表2见原文)。在大规模收集问卷之前,进行了小范围的预测试。根据预测试的反馈结果,进一步调整和优化问卷,修改可能存在歧义或不易理解的题项,确保问卷能够准确地测量本研究的变量。问卷采用Likert七级量表,以数值从“1”到“7”代表受访者从“完全不符合”到“完全符合”的观点。
对各变量的量表进行信效度检验,平均方差提取量(AVE)均大于0.5、组合信度(CR)与Cronbach’s α 系数均超过0.7(见表3),表明量表的信度和效度较好。
各变量两两之间存在较为显著的相关性( p<0.01)。为检验各变量之间是否存在多重共线性的可能,进行了方差膨胀系数(VIF)和容忍度(tolerance)检验,结果显示VIF最大值为1.880,均值为1.348,各变量的VIF值均小于10,Tolerance值均大于0,说明各变量之间不存在多重共线)。
通过多元线性回归分析,从简到繁对比了四个模型的拟合优度,以验证基于创新抵抗理论的算法负面口碑——算法厌恶模型的解释力和预测能力。从仅包含负面口碑的基础模型,到逐步加入创新采用障碍、抑制因素,最终在完整模型中同时纳入激励因素和抑制因素,模型拟合优度显著提升。结果表明,综合考虑激励因素和抑制因素的原假设模型具有最优解释力,能够更全面地解释算法负面口碑与算法抵抗之间的复杂关系,为后续假设检验提供了可靠基础。
使用SPSS Process(Model 4)进行中介效应分析,算法负面口碑对算法厌恶具有显著的总效应(0.191),各中介变量的间接效应占比为风险障碍14.66%、使用障碍10.99%、价值障碍25.65%、传统障碍40.84%、形象障碍17.80%,因此,各中介检验的假设H1a、H1b、H1c、H2a、H2b成立,即算法负面口碑通过创新采用障碍五个维度的中介作用显著影响算法厌恶(表5)。
使用SPSS Process(Model 1)进行调节效应分析,通过对比主效应和交互效应的回归系数差异可以看出,乐观性在五类障碍对算法厌恶的影响过程中起到缓冲的调节作用,表明乐观性削弱了这五类障碍对算法厌恶的影响强度。高乐观性的个体相较于低乐观性的个体,其创新采用障碍对算法厌恶的影响程度更小,支持了假设H3a的成立(表6)。
使用SPSS Process(Model 1)进行调节效应分析,通过对比主效应和交互效应的回归系数差异可以看出,创新性在使用障碍、价值障碍和形象障碍对算法厌恶的影响过程中起到缓冲的调节作用,表明创新性削弱了这三类障碍对算法厌恶的影响强度。高创新性的个体相较于低创新性的个体,其使用障碍、价值障碍和形象障碍对算法厌恶的影响程度更小,支持了假设H3b的部分成立(表7)。
使用SPSS Process(Model 1)进行调节效应分析,通过对比主效应和交互效应的回归系数差异可以看出,不舒适感在五类障碍对算法厌恶的影响中起到增强的调节作用,表明不舒适感加重了这五类障碍对算法厌恶的影响强度。高不舒适感群体相较于低不舒适感群体,其使用障碍、风险障碍、价值障碍、传统障碍和形象障碍产生的算法厌恶会更强,支持了假设H4a的成立(表8)。
使用SPSS Process(Model 1)进行调节效应分析,通过对比主效应和交互效应的回归系数差异可以看出,不舒适感在价值障碍、传统障碍和形象障碍对算法厌恶的影响中起到增强的调节作用,表明不舒适感加重了这三类障碍对算法厌恶的影响强度。高不舒适感群体相较于低不舒适感群体,其价值障碍、传统障碍和形象障碍产生的算法厌恶会更强,支持了假设H4b的部分成立(表9)。
为应对调节效应检验中潜在的内生性问题,本研究采用工具变量法(IV)与两阶段最小二乘法(2SLS)进行估计。选取“对抖音推荐技术的了解程度”作为工具变量,该变量与各调节变量显著相关( p0.10),同时弱工具变量检验显示F统计量大于10,满足工具变量的相关性和外生性条件。IV-2SLS回归结果显示,大多数调节效应仍然显著。具体而言:乐观性对五类障碍的调节作用均显著;创新性显著调节使用障碍、价值障碍及形象障碍;不舒适感对所有障碍均具有显著增强效应;不安全感对价值障碍、传统障碍和形象障碍仍具有显著调节作用。结果表明,在控制内生性后,调节效应检验结果总体保持稳健。
为进一步考察技术准备度中激励因素与抑制因素间的交互作用,通过引入多重变量交互项进行分析。结果显示,激励因素间存在显著协同效应:乐观性与创新性在风险障碍、使用障碍、价值障碍和形象障碍上交互作用显著,表明高乐观和高创新的用户更能够抵御多种障碍引发的算法厌恶。抑制因素则呈现一致的叠加效应:不舒适感与不安全感在所有五类障碍上交互项均显著,显示高不舒适感与高不安全感共同加剧了用户的负面反应。另一方面,激励因素与抑制因素之间的交互作用均不显著。乐观性与不舒适感、创新性与不安全感在所有障碍中的交互项p值均大于0.05,表明激励因素和抑制因素在影响算法厌恶的过程中主要独立发挥作用,未发现显著的相互抵消或增强效应。这一结果进一步明确了技术准备度不同维度的影响机制,显示同类心理特质(同属激励或同属抑制)之间才存在交互效应。
本研究基于创新抵抗理论,以抖音平台用户为研究对象,构建了算法负面口碑对算法厌恶影响的研究模型,具体影响机制阐述如下。
用户对算法的机制具有差异化,其中使用障碍和传统障碍的差异化表现尤为突出。虽然使用障碍在算法负面口碑与算法厌恶之间具有中介作用,证实了负面口碑与使用障碍的相关性(Calbay,2019)以及使用障碍对数字技术采纳意愿的负面影响(Laukkanen,Sinkkonen & Laukkanen,2008;Moorthy et al.,2017)。但是本研究发现使用障碍的中介效应较弱,这一结果与技术接受模型中使用障碍的强效应不完全一致,例如系统和服务质量是决定医生是否愿意使用云端系统的重要因素(Hsieh & Lin,2018)。这种相对较弱的使用障碍的中介效应可能源于使用障碍具有可克服性与可被平台设计机制消解的特征,使用障碍通常指用户在操作或使用算法推荐功能时遇到的实际困难,例如界面复杂、功能不直观等。这些障碍虽然可能导致用户对算法产生负面体验,但它们往往是技术层面的问题,用户可以通过学习或适应来克服。用户可能因为使用不便而对算法产生短期的不满,但这种不满通常不会转化为深层次的厌恶。平台以“流量”为导向的设计,它们通过构建“用户使用成本最小化”的机制来留住用户(熊开容,刘超,甘子美,2021),利用简化操作流程(如滑动首页即可进入推荐内容)消解了使用障碍。
另一方面,传统障碍在算法负面口碑和算法厌恶之间的中介效应最强,表明了传统文化、习惯、经验对算法接纳态度形成的显著影响,验证了传统障碍对创新推广的阻碍(Celik & Kocaman,2017;Ma & Lee,2019;Sari & Yulianti,2019)。究其心理机制,算法负面口碑会削弱用户对算法的信任,而传统障碍可能体现为对传统决策方式的固有信任。这种信任缺失会通过认知失调机制强化算法厌恶,即当用户认为传统方法更可靠时,算法不透明性或算法偏见问题会增强用户的算法厌恶情绪。除此之外,算法负面口碑让用户感知到算法的过度干预后会引发用户的控制感危机,传统障碍下的固有认知会强化用户使用传统方法来重新获得控制权。这说明用户在使用平台时,已经形成了一定的使用习惯和期望。即便在算法控制的环境中,用户可能依然保持自主获取内容的使用习惯。他们习惯于现有的内容推荐方式,对新算法可能持有保守态度,这种保守态度和对现有习惯的依赖构成了传统障碍。这一发现突显了用户在算法主导环境中的主体性追求。
此外,风险障碍、价值障碍和形象障碍在塑造算法厌恶中也发挥了重要作用。风险障碍的中介作用验证了负面口碑对感知风险的正向影响(Zhang,Sun,Wang & Wu,2022)以及风险障碍对技术创新接受程度的负面影响(Molesworth & Suortti,2002;Liang et al.,2023)。较弱的风险障碍中介效应表明中国用户对算法的风险感知较为迟钝,这与(2024)提出的,中国公众沉浸于个性化算法推荐,而较少关注潜在风险的现象一致。价值障碍的中介作用则验证了口碑信息质量对感知有用性的影响(Kawakami & Parry,2013),以及价值障碍降低消费者购买意愿(Ponte,Carvajal-Trujillo & Escobar-Rodríguez,2015)和增加算法厌恶情绪的作用(戚娅玮等,2023;Celik & Kocaman,2017)。价值障碍相对强的中介效果表明,算法推荐内容质量不一导致用户产生倦怠,进而引发厌恶情绪(王大员,李莫言,2023)。形象障碍的中介作用则验证了负面口碑通过改变产品或品牌形象影响形象障碍的机制(Jalilvand & Samiei,2012)以及形象障碍加剧算法厌恶的发现(Celik & Kocaman,2017)。近年来,随着英国脱欧和特朗普当选等事件的发生,公众开始担忧算法推荐系统会加剧信息泡沫与社会两极分化,算法也因为被赋予了“邪恶”的负面形象遭到部分用户的刻意回避(Bruns,2019)。
上述发现不仅为创新抵抗视角下用户对算法的抵抗机制提供了新的见解,还为算法设计者提供了改进用户体验的关键思路。对于算法设计方而言,研究强调了在设计算法时,考虑用户习惯、降低感知风险、提升内容质量和维护正面形象的重要性。对于用户而言,研究则提醒他们在享受算法推荐便利的同时,保持对内容的批判性思维和自主议程,确保自身在算法驱动的平台中保持主体性和参与感。
本研究验证了技术准备度作为调节变量解释技术接受/采用模型的可行性(Lyu,Huang & Chen,2024;Mahmud,Islam & Mitra,2023;Parasurama & Colby,2015)。乐观性对五种创新采用障碍与算法厌恶之间的关系起到缓冲调节作用,表明积极的技术态度能够在一定程度上减轻这些障碍对用户算法厌恶的影响(Flavián et al.,2022)。创新性在使用障碍、价值障碍和形象障碍对算法厌恶的影响过程中起到了缓冲调节作用。具有高创新性的个体通常对新技术持有强烈的好奇心和探索欲望。同时,创新性高的个体通常更愿意成为“技术先锋”和“创意领袖”(Parasuraman & Grewal,2000),他们不太在意他人的看法,更关注自身对新技术的体验和创新,这种独立性和自信使得他们在面对形象障碍时,更愿意接受新技术,认为使用新技术能够提升自身的社会形象和自我认同。不舒适感加重了五种创新采用障碍对算法厌恶的影响。不舒适感使得个体对技术的控制感减弱,这种失控感会加剧他们对新技术潜在风险的担忧(Flavián et al.,2022)。同时,这种不舒适感也会放大使用障碍,使用过程中的任何不便都会被无限放大,使得用户对算法推荐内容的价值更加怀疑,愈发依赖传统方式而拒绝算法。最终,种种障碍因不舒适感的催化,共同导致用户对算法的厌恶情绪大幅提升。不安全感未对风险障碍和使用障碍与算法厌恶之间的关系表现出预期的调节作用,其原因可能与使用障碍的弱效应类似。一方面,平台的算法技术成熟、操作简单,使用户无需担心功能失灵带来的影响;另一方面,长期接收到算法负面评价的用户对算法推荐的不安全感产生心理适应进而造成用户对使用障碍与风险障碍的情绪反应钝化,这个结果也间接支持了Blut和Wang(2020)提出的激励因素优于抑制因素的观点。但是不安全感依然可以对价值障碍、传统障碍、形象障碍和算法厌恶之间的关系起到调节作用,说明不安全感如同“催化剂”,会增强用户对平台算法推荐价值障碍的感知,让他们更难认可推荐内容的实用性。同时,它还会加深传统障碍,使习惯传统方式的用户更加排斥算法。在形象塑造上,不安全感促使人们为维护特定形象而抗拒算法推荐,强化形象障碍。
通过观察各类创新采用障碍被显著调节的频率发现,乐观性对五种创新采用障碍与算法厌恶的关系起缓冲调节作用,积极技术态度能减轻障碍影响,高乐观者更易接受新技术、减少厌恶;创新性在使用、价值和形象障碍对算法厌恶的影响中起缓冲调节作用,高创新者好奇探索、不在意形象,更愿接受新技术;不舒适感则加重了五种创新采用障碍对算法厌恶的影响,它像放大器,增强用户对风险和使用障碍的感知,放大对推荐价值的怀疑,提升厌恶情绪;不安全感虽未对风险和使用障碍与算法厌恶的关系起预期调节作用,但能调节价值、传统、形象障碍与算法厌恶的关系,如催化剂般增强相关障碍影响。
而激励因素和抑制因素间的交互效应分析结果,即乐观性与创新性在创新采纳障碍对算法厌恶的影响中表现出的协同作用,以及不舒适感与不安全感在创新采纳障碍对算法厌恶的影响中表现出的叠加效应,说明高乐观性和高创新性的用户在面对算法推荐中的障碍(如信息过载、推荐偏差等)时,表现出更强的适应能力,能够更好地接受和利用算法推荐技术,从而降低算法厌恶感。相反,高不舒适感和高不安全感的用户则更容易对算法推荐产生抵触情绪,尤其是在推荐内容与其预期不符时,这种负面情绪会被进一步放大。因此,抖音在优化算法推荐技术时,除了提升算法的精准性和透明度外,还应关注用户的技术准备度差异,通过增强用户对算法的信任感和控制感,降低不舒适感和不安全感,从而缓解算法厌恶。例如,平台可以提供更多用户可调节的推荐选项,增加算法推荐的解释性,帮助用户理解推荐逻辑,从而提升用户的技术接受度。
本研究通过引入技术准备度变量,对传统创新抵抗理论进行了动态化拓展,融合揭示了创新抵抗并非简单的单向排斥过程,而是由激励因素(如乐观性、创新性)和抑制因素(如不舒适感、不安全感)共同调节的动态机制。这一非线性路径表明,用户对算法技术的态度是内部心理特质与外部社会信息交互作用的结果,突破了传统理论静态、二元的解释框架。因此,本研究不仅丰富了创新抵抗理论的心理维度,也为解释用户面对算法负面口碑时表现出的差异化接受意愿提供了新的理论视角。
此外,通过引入“算法负面口碑”作为外部变量,构建了一个从外部信息输入、经感知障碍中介、受技术准备度调节、最终引发算法厌恶的链式路径模型。该模型表明,创新抵抗并非仅由内部障碍直接驱动,而是外部信息通过风险、使用、价值、传统及形象五类障碍逐层传导,并与个体特质交互作用的结果。这一建构弥补了传统理论忽视外部社会语境与内在心理过程联结的不足,揭示了创新抵抗是从认知到情绪逐步演化的、由外至内的复杂过程,为理解抗拒行为的形成机制提供了新的理论支持。
本研究从用户习惯、风险感知和内容质量三个层面,为算法设计者及平台提供了降低用户抵抗、提升采纳意愿的具体策略。在用户习惯方面,建议通过划分用户阶段(如新手—活跃—倦怠)实施差异化推荐策略,增强可控性设计(如自定义内容类型和排序规则),并动态更新用户画像以减轻使用障碍和“信息茧房”效应。在风险控制方面,需增强算法的可解释性(如标注推荐理由、提供逻辑说明)和用户隐私控制权(如分层设置、实时授权),并引入第三方评估和申诉机制以建立可信闭环。
在内容质量与平台形象方面,应构建人机协同的内容评估体系(机器识别加人工审核),引入用户参与治理,并通过正向品牌传播和快速失误响应机制提升算法形象。所有策略的实施效果可通过A/B测试、日志数据追踪和深度访谈进行验证,聚焦于用户控制感、信任度及算法态度等关键维度,从而系统降低算法厌恶、提升用户体验和采纳意愿。
本研究存在如下局限:第一,本研究在微信群、小红书和微博等线上社交平台进行问卷发放,所获得的样本可能整体上存在相对较高的算法技术接受倾向和较少的创新采用障碍,这可能导致测量数据未能完全反映整体情况;第二,尽管本文通过理论驱动的中介分析、调节分析与内生检验支持了变量间的因果假设,但受限于横截面数据设计,无法动态监测和检验用户算法厌恶的程度变化及其影响因素,也无法完全排除反向因果(如算法厌恶加剧对负面口碑的注意偏向)。未来的研究可以从以下几个方面深入探索:首先,通过设计纵向实验来检验变量间的因果关系,验证从负面口碑到算法厌恶的累积效应,捕捉动态过程中的数据临界点,揭示导致算法厌恶动态变化的关键影响因素及其机制;其次,在用户算法态度的基础上探究用户对算法的抵抗方式,包括主动的自主议程和被动的回避算法,以及更为隐蔽的欺骗行为,以更全面地理解算法抵抗的策略和效果;最后,通过实验研究来操纵算法推荐系统的不同特性,观察用户行为和感知的变化,从而提供对算法影响机制的更深入理解。
全国各地邮局均可订阅《国际新闻界》,国内邮发代号:82-849,欢迎您订阅!
1月13日,湖北十堰左先生购买一箱五粮液1618接待亲友,开瓶扫码后抽中现金2万元,一家人喜乐融融,不仅当日宴席、酒水相当于免单,还略有盈余。
春潮涌动,年味渐浓。为切实增强返乡务工人员的法治意识和维权能力,让群众度过一个平安、祥和、法治的新春佳节,湖北各地司法行政机关紧扣务工人员法治需求,精准部署、靶向发力,开展“法治护航返乡路”专项普法宣传活动,将实用法律知识送到群众身边,为返乡务工人员撑起权益“保护伞”。
楚菜之所以为“楚”是长江水润出的鲜美是土地滋养出的香甜每逢年关这千里山河的馈赠化作湖北家家户户的团圆符号交织成最浓的乡愁与最深的年味从江汉平原的鱼米之鲜到鄂西山林的腊味醇厚一桌桌承载着团圆味道的盛宴汇聚归家的信号这些独具湖北特色的年夜饭美食你最想念哪一道?
中央纪委国家监委网站2月14日消息:经湖北省委批准,湖北省纪委监委对十堰市人大常委会原党组成员夏树应严重违纪违法问题进行了立案审查调查。
湖北日报客户端讯(通讯员张纪文、刘旭)腊月二十六,鄂西北寒风裹着年意掠过保康县城,在县消防救援局食堂里,一缕浓郁的辣香悄然弥漫。这是消防员聂颖八年来从未在异乡闻过的味道——远在千里之外的贵州镇远老家味儿。
日方称针对中方就日本安保政策作出的“不恰当发言”已提出交涉,中使馆:所谓交涉歪曲事实、颠倒黑白、纯属狡辩,完全于理不通!已予驳回
2月16日,中国驻日本大使馆发布《驻日本使馆发言人就日方所谓交涉答记者问》:问:日本外务省发表新闻稿称,针对中方在慕尼黑安全会议上就日本安保政策作出的“不恰当发言”,日方已向中方提出交涉。
荆楚网(湖北日报网)舆情数据分析师吴丹2026年2月13日,由荆楚网(湖北日报网)、楚天舆情数据研究院制作的湖北省直微信2026年1月运营亮点发布。“青春湖北”持续领跑湖北省直微信榜单,本期阅读总量较上期增长超67.
“呦呦鹿鸣,食野之苹我有嘉宾,聚于汉滨以礼相待,以和立身无毒青春,众志同行”......
湖北一对夫妻自驾20多小时赶回家过年,凌晨三点才到家门口。本以为家人都已休息,没想到全家亮灯等候,还备好热饭热菜,妻子当场感动落泪。家人的牵挂,从来都藏在默默等待里。我们总怕麻烦长辈,出门常说不用等,可亲人的惦记藏不住。
谁能想象,曾经坐拥千亿身家的湖北首富,竟会在一夜之间跌落神坛,背负起高达806亿的惊人债务。艾路明,这位昔日叱咤风云的资本大鳄,亲手搭建的商业帝国轰然倒塌,不仅让自己落得个“净身出户”的下场,更将上千名债主拖入了绝望的深渊。这场资本大戏并没有赢家,有的只是一地鸡毛和无尽的唏嘘。