算法机制对媒体社会责任的影响

【导语】算法的中立策略,是一条修正媒体社会责任理论的新思路,尽管随之而来也有许多新挑战,但这并不会成为放弃中立性的理由,因为算法机制在媒体中的渗透已然成为不可逆转的趋势

2017年4月16日,广州,第121届广交会,广州智能制造展示区首次亮相。展示区的五子棋机器人,通过算法计算出机器人的最优下棋位置,通过运动控制执行下棋动作,从而实现人机对弈。供图/CFP

越来越多的资讯聚合类客户端运用算法机制进行新闻分发,这些没有新闻采集制作资质、不做原创新闻而以算法推荐机制为主的新型信息分发平台,日益成为新闻业主力军。艾媒咨询发布的《2016Q4中国手机新闻客户端市场研究报告》显示,资讯聚合类客户端今日头条(34.8%)、一点资讯(6.4%)和Zaker(6.2%)的活跃用户总量占据所有新闻客户端人数的47.4%。资讯聚合类客户端,促使原本纵向整合的“采制-编排-出版”的专业化新闻生产流程分崩离析,重塑着新闻生态,并冲击着传统的新闻理论。其中,媒介社会责任理论作为新闻理论构成中的核心概念之一,自然难以摆脱这轮变化的影响。

媒体社会责任的“破、立”之争

争论一方认为媒体必须要有特定的价值坚守,这需要人工加以干涉(坚守派);另一方认为媒体应当保持中立,不应拘泥于特定的价值观,人工不应加以干涉(破除派)。虽然在主观意愿上破除派在否定资讯聚合类客户端的媒体属性,但事实上,从用户和业界的认知,以及这类产品实际发生的作用来看,它们都有着不可否认的媒体属性。

透过喧哗的表面,双方争论的核心可以归结为一点——媒体应该坚持固定价值还是多元价值?这一问题直指媒介规范理论本身。目前,人类社会的媒介规范理论总的来说可以分成六个基本类型:“极权主义理论”“自由主义理论”“社会责任理论”“民主参与理论”“发展中国家理论”和“社会主义国家理论”。除极权主义理论已经被大多数国家抛弃外,其他五种类型的媒介规范理论仍在新闻实践中发挥着不同程度的指导作用,其中社会责任理论是目前的主流。

社会责任理论是一种以西方为本位、以传统媒体为背景的传媒指导理论,主张通过新闻界的自律、政府的干预和公众的监督,促使新闻界履行负责任的自由,认为新闻媒体不仅担负着即时传播真实新闻的责任,更承担着舆论监督及道德导向的义务。

随着技术的进步,新闻行业均在不同程度上采用了算法机制,因此围绕算法机制的优劣而产生的关于媒体社会责任的思索和讨论在业界和学界便一直断续有之。透过社会责任理论的核心要义,我们发现坚守派在手段上坚持的依然是社会责任理论的精神内涵,试图通过媒体对特定价值观的坚持和引导,达成社会共识从而实现社会和谐进步的目的;破除派则声称不应坚持特定价值观,而应充分尊重受众一方,通过多元价值的相互博弈来消解掉一个绝对力量的存在,这才是促成社会和谐进步的有效方式。

那么破除派的思路有没有可行性呢?算法机制给我们提供了一种多元化参与的可实施途径,然而问题在于,机器算法宣称坚持价值无涉,“不干预用户喜好,不干预在社会和法律容忍下的多样性内容”,在实际操作过程中,这一决策下的方案能否如它所言,真的保持中立?

机遇:从算法机制的应用看“中立性”

资讯聚合类客户端的算法主要用于给用户推荐新闻,它根据特定的编程,将用户的兴趣、社交、阅读终端等各类可能影响用户阅读的因素编入公式后,根据计算结果给用户自动推送新闻。从不同算法的设计思路来看,可以分为以下五种:基于内容的推荐机制、基于兴趣的搜索机制、基于社交的推荐机制、基于相似用户的协同过滤机制以及算法和人工混合的推荐机制。

综上可见,在不同的算法机制中,人为因素的影响处处都在。比如就用户特征来说,哪些用户行为可以纳入用户特征这个要素,对各行为重要性的赋分等。因此,所有算法从实质来看终归是人类的创造品,其中蕴含了算法编制者、所在机构的意图、所在机构的管理部分的意志等多种因素,算法“是可以被商业、政治等非技术力量操纵和改变的”。简言之,算法看上去是机器的力量,但决定算法的,是人。算法离不开人,有人的参与便会产生主观倾向,因此算法不可能是绝对中立的。

挑战:算法机制如何靠近“中立性”

通过算法来保持绝对中立,在现实操作层面存在很大困难。但算法的中立策略,是一条修正媒体社会责任理论的新思路,尽管随之而来也有许多新挑战,但这并不会成为放弃中立性的理由,因为算法机制在媒体中的渗透已然成为不可逆转的趋势,更为有益的态度应该是针对这些挑战来给出应对策略,使算法达到越来越“中立”的目的。

企鹅智库2016年的一项调查显示,用户对个性化资讯客户端(即资讯聚合类客户端)的信任度为14.2%,远低于门户网站新闻客户端(46.3%)、电视(40.6%)和传统媒体(24.9%)。这一数据也进一步揭示了用户对算法所谓中立性的不信任。用户的不信任源于算法机制暴露出来的三个主要问题:一是虚假信息的泛滥;二是单纯算法推荐会埋没重要或关键的信息,带来偏见与歧视,造成信息茧房;三是算法黑箱导致信息被操控。因此,有效克服这三个问题,是增强算法中立性的关键所在。

2.破除信息茧房——给予算法控制权。基于内容和兴趣的推荐算法,有一种形象的说法叫母亲算法,即用户喜欢什么样的新闻,便推送给他什么样的新闻。这种方式的一个最大弊端就是造成信息孤岛,只能根据出用户的显性行为来推断他的喜好,因此就有了基于社交和协同过滤的算法。2015年6月,国外公布的一项实验研究表明,当用户能够主动参与调整算法结果时,对整个预测工作更满意。但这一实验只从主观方面评测了用户对算法的满意度,实际上还不能成为推翻信息茧房这一假设的有力证据,尚待进一步的检验。这一实验更重要的意义在于提示我们,让用户参与到算法的制定过程中来,让他们能够对算法进行更多的主动设置,这种策略可以成为我们应对破除信息茧房的重点考虑对象。

3.打破黑箱——算法公开。算法在后台运作的属性无形中赋予了算法制定者隐形而又强大的新闻选择权,随之而来的怀疑就在于:算法制定者们的身份是什么?谁赋予了他们制定的资格和权力?他们带有什么样的价值倾向?哪些内容是被故意挑选出的?那些被屏蔽或删除的内容是什么?由于算法的复杂性,多数人并不能真正明白算法的实际计算原理和过程,这令算法成了无人监管的黑箱。打破这一黑箱的方法便是算法的公开,让用户参与到对算法的检视中,通过用户的监督,来形成对算法制定者权力的抗衡。(董小菲:山东女子学院文化传播学院讲师)

参考文献

1.彭兰:《机器与算法的流行时代,人该怎么办》,《新闻与写作》,2016年第12期,第27页。

2.李沁:《“第三媒介时代”新闻价值的定位与建构》,《新闻与传播研究》,2015年第4期,第42页。

3.曹三省,《新闻机器:智能传媒之路又一程》,《青年记者》,2016年第2期,第26页。

THE END
1.推荐系统基于用户的协同过滤算法(UserCF)的python实现timestamp: 自1970年1月1日零点后到用户提交评价的时间的秒数 数据排序的顺序按照userId,movieId排列的。 movies数据 movieId:每部电影的id title:电影的标题 genres:电影的类别 关于协同过滤算法的知识点总结,见我另一篇文章:https://www.jianshu.com/p/d6b5ee721aea。同时,这篇文章涉及到的python语法、pyt...https://www.jianshu.com/p/45c9010a3083
2.基于流形近邻的协同过滤算法AET针对欧氏距离并不能很好地反应用户之间的近邻关系的问题,一种新颖的基于欧氏距离的最小最大距离的方法被提出,用来发现用户近邻,称之为流形近邻。实验结果表明,基于流形近邻的协同过滤框架(Collaborative Filtering based on Manifold Neighbors, MNCF)与目前的协同过滤算法相比,性能有一定的提高。http://www.chinaaet.com/article/3000016485
3.协同过滤(基于用户)的推荐系统.zip基于协同过滤的论文推荐系统协同过滤算法(Collaborative Filtering)是一种经典的推荐算法,其基本原理是“协同大家的反馈、评价和意见,一起对海量的信息进行过滤,从中筛选出用户可能感兴趣的信息”。它主要依赖于用户和物品之间的行为关系进行推荐。 协同过滤算法主要分为两类: 基于物品的协同过滤算法:给用户推荐与他之前...https://www.iteye.com/resource/qq_44593353-12488115
4.推荐算法——基于物品的协同过滤算法标签: 算法 收藏 基于用户的协同过滤算法在用户增长的时候,相似度计算的计算会越来越困难。基于物品的算法给用户推荐他们之前喜欢的物品相似的物品。 算法步骤 计算物品之间的相似度 根据物品的相似度和用户的历史行为给用户生成推荐列表 相似度公式如下: wij=|N(i)∩N(j)||N(i)||N(j)|...https://www.imooc.com/article/27099
5.协同过滤算法深入解析:构建智能推荐系统的核心技术表示用户V对物品I的评分,s i m ( U , V ) sim(U, V)sim(U,V)表示用户U和用户V之间的相似度。 四、基于物品的协同过滤 基于物品的协同过滤算法的基本思想是:找到与目标物品相似的物品,然后将这些相似物品推荐给对目标物品感兴趣的用户。这种方法主要包括两个步骤: ...https://developer.aliyun.com/article/1267365
1.传统推荐算法——协同过滤用户的历史数据向量往往非常稀疏,对于只有几次购买或者点击行为的用户来说,找到相似用户的准确度是非常低的,这导致 UserCF 不适用于那些正反馈获取较困难的应用场景(如酒店预定、大件商品购买等低频应用)。 基于物品的协同过滤 ItemCF ItemCF 是基于物品相似度进行推荐的协同过滤算法。通过计算共现矩阵中物品列向量的...https://blog.csdn.net/weixin_55210809/article/details/143807593
2.CollaborativeFiltering(协同过滤)算法详解基于用户协同过滤算法的原理图 所以,协同过滤算法主要分为两个步骤: 1、寻找相似的用户集合; 2、寻找集合中用户喜欢的且目标用户没有的进行推荐。 具体实现 一、寻找用户间的相似度 1、Jaccard公式 Jaccard系数主要用于计算符号度量或布尔值度量的个体间的相似度,因为个体的特征属性都是由符号度量或者布尔值标识,因此...https://cloud.tencent.com/developer/article/1085760
3.基于用户动态行为的协同过滤推荐算法研究动态行为 相似度 隐性反馈 特征维度 协同过滤推荐算法https://cdmd.cnki.com.cn/Article/CDMD-10487-1015906210.htm
4.基于机器学习与协同过滤的图书推荐系统(附python源码)四、基于用户协同过滤算法(UserCF) 1、简介 就是把和你相似的用户喜欢的东西推荐给你。 协同过滤:利用用户的群体行为来计算用户的相关性。 计算用户相关性的时候就是通过对比他们对相同物品喜欢的相关度来计算的。 举例: ---+---+---+---+---+ | X | Y | Z | R | ---+---...https://blog.51cto.com/liangdongchang/5996937
5.基于二分网络社团划分的推荐算法图1 基于用户的协同过滤的推荐过程 Fig.1 Recommendation process of user-based collaborative filtering User-based CF算法中的一个关键步骤是获取每个用户的相似用户集合.图2是由用户和项目(比如商品, 电影等)所构成的一个简单的二分网络, 网络中的节点有用户和项目, 连边表示用户对项目的“动作”, 比如购买行...https://xuebao.neu.edu.cn/natural/article/html/2018-8-1103.htm