作者：冀翠萍
數字社會中的人與人、人與物、物與物之間的關係與活動產生了大量的資料，如何應對資訊超載和海量資料的危機，“演算法”作為一種技術力量，成為必然選擇。以演算法推薦、演算法分析、演算法決策等方式無縫接入社會生活、深度參與資源配置、拓展調整社會格局，已成為數字社會執行的底層邏輯。
“演算法推薦”成為社會資訊傳播新正規化。“演算法”是網際網路資訊分發的重要工具，圍繞“以使用者為中心”的價值邏輯，把使用者的喜好作為關鍵因素，透過資料、演算法與算力之間的組合動態構建起資訊供給與使用者需求之間的個性化適配關係。這種精準對位的資訊推薦，改變了以往粗放型的資訊分發模式，適配了使用者的個性化需求，使得使用者的主體性得到充分發揮，增強了客戶黏性，提升了社會資訊的流動效率。但是，將“演算法”作為資訊推薦的模式會過濾掉多元資訊，使用者將被困於資訊繭房中。
“演算法分析”改變民眾認知與生活邏輯。民眾的生產生活在產生資料、記錄資料，同時又被演算法分析後的資料所改變。一方面，演算法分析改變民眾的認知邏輯。當前數字社會所積累的大資料以及在此之上的演算法分析，使得商家可以根據以往市場銷售、使用者分佈、使用者興趣點等對未來銷售作出預判，進而有計劃的安排生成和市場推廣，在未來，使用者對於商家來說是可被認知的；對於使用者來說，演算法分析能夠以視覺化的方式清晰呈現演算法幫助規劃的行車路線、交通堵塞點、預計到達時間，未來對於使用者來說是可被認知的。民眾在這樣一些演算法分析的形態下形成了預測未來的認知邏輯。另一方面，算法系統強大而高效，它透過不斷納入和完善影響因素來提高演算法的準確性，使用者慢慢接受並開始享受這種“定製化”生活方式，但同時卻產生了“大資料殺熟”“困在演算法裡的外賣騎手”等演算法偏見問題。
“演算法決策”支撐政府社會治理的向度。演算法與大資料被賦予提高治理的透明性、公平性、有效性等使命，一是演算法決策輔助政府治理的精度。比如大資料演算法輔助精準扶貧，地方政府採用建立人口基數、收入來源、健康狀況、生產能力等多種要素構成的識別模型，做到貧困人口的精準識別。二是演算法決策提升政府治理的效率。在抗擊新冠肺炎疫情中，速度是跑贏疫情的關鍵要素，運用演算法高效率排查四類人員，用看得見的資料迅速控制疫情。然而，在政府依託演算法進行治理的同時，演算法對於個人隱私權保護和安全問題凸顯。同時，演算法鴻溝也會拉大社會距離。
我們正處在一個“演算法無處不在的社會”，演算法在給我們帶來各種福利的同時，相伴而生了資訊繭房、演算法偏見、演算法鴻溝等一系列問題，這是技術風險同時也是治理風險，需要全社會多元力量參與共同進行治理探索。
主流價值導向“引導”演算法。首先，增強主流價值導向在演算法推薦中的優先權。增加主流意識形態內容的有效供給，增強主流價值內容在資訊分發中的比重，用內容的創新性、多樣性對沖使用者個性導致的單一性，為使用者提供多元的資訊環境。其次，用主流價值導向把關演算法推薦的資訊分發。推動將把關的視窗前移，用“防火”理念建立人工和AI合力進行的前置把關，用主流價值導向引領資訊生產和資訊把關。最後，借力演算法推薦進行主流價值導向的傳播。主流媒體、傳統媒體可充分發揮自身優質內容的生產能力，藉助演算法推薦的模式和機制，進行主流價值導向的精準化、個性化、趣味化傳播。
法制規範化解演算法風險。我國已經初步形成了網際網路資訊保安和資訊服務法律規範體系，《網路資訊內容生態治理規定》對網際網路內容生產提出了明確方向和要求，《國務院反壟斷委員會關於平臺經濟領域的反壟斷指南》對“二選一”“大資料殺熟”等問題進行科學有效的針對性監管，但相較於演算法技術的快速發展，演算法的法律規制和制度規範建設依然任重道遠。這其中關鍵是要明確法律規制的客體和本體。其一，明確將演算法使用者、運營者作為規制的客體。演算法本身是一種自動學習、自動決策的技術，但這並不意味著演算法享有“技術中立”的地位，演算法的使用者、運營者賦予演算法一定的使命從而使其產生效用，因此法律規制的前提是要將演算法使用者、運營者置於規制的客體位置，法律規則的設定要圍繞著演算法的使用者、運營者展開。其二，明確將演算法技術性權力的運用作為規制的本體。資料是演算法的“根”和“源”，演算法是透過對資料的利用而形成的規則和權力，這些資料來自於使用者個人的消費、言論、行為等，保障使用者的個人隱私、個人資料權利的主張，劃分釐清資料的權利邊界，制止演算法技術性權力的無序擴張，這是法律法規體系分層、細化的關注點。
技術和倫理消解演算法權力。技術帶來的風險還需要技術的進步來解決。演算法黑箱造成的過濾氣泡和資訊繭房，需要提升演算法的透明度，這裡必須指出的是，提升透明度並不是要公開整套演算法的模型和過程，甚至侵犯其商業隱私和智慧財產權，因為平臺或系統演算法模型複雜，公開演算法原始碼這樣的資料無益於公眾的認知，提升演算法透明度重點是要對演算法進行解釋，提高演算法的可讀性，讓使用者知曉平臺用了哪些資料、做了怎樣的分析，甚至演算法可能導致的後果也要做說明，使得使用者對如何規避演算法推薦的風險有清晰認知。演算法推薦的核心問題是資訊來源的片面性和單一性，要糾偏演算法推薦帶來的認知窄化，就要擴大演算法推薦的資訊範圍，透過反向推薦、嘗試推薦等手段，推薦一些使用者平常不怎麼關注的資訊，增強內容供給的異質性和多元化，進而消解資訊繭房帶來的意識形態極化風險。（冀翠萍）
來源： 學習時報
