【摘要】由于算法本身的复杂性与不透明性，用户在长期的日常实践中，逐渐将算法经验转化为一种具有普遍意义的社会性民间知识形态。研究发现，算法的民间知识演进可分为个体和集体两个不同的阶段。其中，“算法意识”与“算法想象”是个体阶段的两个重要环节；“算法八卦”是从个体过渡到集体算法归纳的关键性步骤。进入集体阶段后，社会性算法知识可进一步分化为操作性知识与规范性知识两大维度。其中，“算法审计”作为一种规范性知识，在其形成过程中对算法偏差与算法歧视进行的反身性思考，揭示出算法技术、网络平台与用户之间呈现出复杂的互动关系。研究认为，平台的新制度主义导致人与算法技术的关系逻辑和过程逻辑被重构，而其中的公共价值导入值得重视与思考。
【关键词】社会性；算法知识；算法归纳；算法审计；平台新制度主义
近年来，学界和业界特别关注用户如何在深入理解和应用算法的过程中，实现对其更为高效的利用与批判性反思这一议题。对它的讨论催生出两类重要的知识范畴——算法专业知识与算法民间知识。算法专业知识指的是算法平台工程师所精通的、高度专业化的技术知识，它涵盖了用户行为的深度分析、复杂机器学习模型的构建，以及个性化算法推荐等多个维度。这些技术被用以优化平台性能，通过定制推送用户最感兴趣且高度相关的内容，从而增强用户黏性与促进平台的商业目标达成。
而在社交平台另一端的活跃使用者们往往会依据个人经验及对算法运作的有限理解，构建起另一套独特的“民间知识”或称“民间理论”。它是一种去中心化和去专业化的社会集体性经验分享。学者麦克·德维多（Michael DeVito）明确定义了算法的民间知识，认为它是一种直观的、非正式的知识，包括关于算法如何工作的朴素的因果解释，以及对算法运行效果的看法和态度[1]，是一种非正式但广泛传播的社会性认知。与算法的专业知识相比，算法的民间知识是一套针对社交平台前台的操作知识体系，是用户间不断交流、验证与重构的操作指南。由于算法推荐机制的不透明性和黑箱化，从经验角度对算法进行社会性解释，已成为当下社会应对算法不可知性的共同路径。这一过程不仅体现了用户自主性的发挥，也揭示了技术与社会相互塑造的深刻关系。
算法民间知识领域内诸多概念如算法意识、算法想象、算法八卦、算法审计、民间理论、算法知识及社会性知识等，在现有文献中常出现混用与重叠现象，且缺乏明确的关系架构与逻辑脉络，这阻碍了我们对算法社会性的深入理解。因此，本文希望对这些基础性概念进行系统性的梳理与阐释，以摆脱概念的冗余与模糊，构建清晰的概念框架与演进路径。这有助于进一步推动算法的社会性研究，并反思算法技术、网络平台与用户之间的复杂互动关系。
一、算法民间知识形成的两个阶段
尽管算法的民间知识并不总是正确，但却对指导用户在算法中介下进行的新媒体实践至关重要。这种指导作用的根源，恰恰在于算法民间知识本身的形成与发展过程。它不仅源自个体对算法运作的初步认知与体验积累，更在于这些个体经验如何通过互动与交流，最终汇聚成社会集体层面的共识与理解。在此基础上，算法民间知识的形成演变历经从个体认知的微观层面向集体知识的宏观层面转化的过程。在个体认知的微观层面，用户基于其在社交媒体环境中的具身体验，逐步构建出关于算法功能性的初始认知框架与知识雏形。在集体知识构建层面，个体间的算法认知与实践经验，在复杂的社会互动网络中经历着知识交换、碰撞与整合的过程。这不仅是对算法技术社会化进程的洞察，更是对公众如何在技术变迁中协商意义、构建社会共识并实现知识再生产的社会探讨。
（一）个体阶段：算法意识到算法想象
在集体层面的算法知识体系系统化之前，个体用户普遍会经历“算法意识”的觉醒与“算法想象”的拓展这两个重要环节。在“算法意识”的觉醒环节，用户逐步认识到算法在特定媒体环境中的存在，及其对信息消费与体验的根本性影响。这一过程是技术感知从无意识向有意识转变的标志，意味着用户开始从被动接受算法影响转向主动理解其工作机制。例如，个体在使用社交媒体时，会注意到页面上的内容推荐不时能与他们的兴趣点相契合，从而意识到算法在背后发挥着筛选与推送信息的作用。
“算法意识”作为一个多维度的学术概念，涵盖了算法认知、算法态度、算法交互等多个方面。从算法认知的视角看，它要求用户能够准确识别算法的存在及其功能；算法态度则反映了用户对算法介入的情感倾向与接受程度；而算法交互则强调了用户与算法之间动态、互动的关系。现有关于“算法意识”的研究可分为四类，包括内容过滤意识（对个性化推荐机制的认识）、自动决策意识（对算法决策过程的理解）、人机交互意识（探索与算法有效沟通的方式）以及道德考虑意识（思考算法应用中的伦理问题）。
“算法想象”的拓展进一步推动了用户对算法的理解。用户不再满足于算法作为“黑箱”的存在，而是开始想象其内部运作机制，探索算法如何塑造他们的信息获取与社交互动方式。这种想象不仅仅是技术层面的好奇，更包含了用户对于算法潜力、限制及社会影响的深刻思考。用户可能会设想通过改变自身行为模式来影响算法的推荐结果，或者质疑算法在特定情境下的决策公正性。如某些热衷健康饮食的用户，在长期使用某电商平台的个性化推荐功能后，开始想象算法如何根据他们的浏览记录、购买历史以及健康偏好，为其量身打造一系列营养均衡的食品推荐。如果能更深入地了解算法的偏好体系，是否可以通过特定操作，如增加对某种健康食材的搜索与点击，来“引导”算法在后续的推荐中更多地呈现这类内容。这种尝试不仅体现了用户对算法潜力与运作机制的探索欲，也预示着他们在与算法互动的过程中，逐步寻求一种更为积极、主动的角色定位。
“算法想象”概念的提出者泰纳·布赫（Taina Bucher）将其赋予了作为媒介实践的核心地位，认为“算法想象”是以一种前所未有的方式挑战了算法黑箱的不透明性，为用户揭示了一条通往算法内在逻辑的间接而富有创意的路径。[2]与深入算法代码与模型的专业知识研究路径不同，“算法想象”聚焦于用户如何凭借自身经验和对算法的理解，发展出个性化的应对策略。用户通过与算法的互动，逐步积累了关于如何有效使用，以及在必要时干预算法运作的私人知识。例如，他们可能会利用截图代替直接收藏来避免算法过度追踪，或调整观看视频的时间以影响推荐内容的多样性。这些实践不仅是用户基于自身情况的灵活应对，也体现了他们对算法规则的深入理解和创造性应用。有学者指出，“算法想象”被认为是在个体阶段产生的关键性突破概念，突出了“算法想象”的社会组织，呈现出自下而上的话语策略，同时也使得对抗算法权力成为可能[3]。
“算法想象”作为“算法意识”的深化与拓展，反映了用户从简单认知算法到主动策略构建的转变。用户通过实践，逐步理解算法的运作机制，并尝试以个性化的方式应对其影响，形成了一套独特的应对策略与技巧。这些策略与技巧，虽然源于个体用户的经验积累，却蕴含着普遍的智慧与洞见。它们不仅帮助用户更好地适应算法环境，还体现了用户在技术变迁中的主动性与创造力。随着用户之间的交流与分享，这些个性化的策略逐渐汇聚成一种对算法技术的集体感知与理解。相比专业的算法代码与模型知识，算法的民间知识源自用户实践，更广泛地代表用户需求与体验，促使人们更加关注用户在算法技术中的角色与地位，有助于缩小数字鸿沟，增强用户对算法技术的理解与使用。
（二）集体阶段：算法八卦到算法归纳
随着个体用户算法意识的普遍增强，他们开始积极地进行算法想象与实践。最终，在集体层面，这些基于用户经验的策略与技巧将形成一种关于算法技术的社会性民间知识。[4]这一过程催生了集体层面的一种独特现象——“算法八卦”。正如学者苏菲·毕肖普（Sophie Bishop）所揭示的，这是一种在网络社区中内容生产者之间广为流传的行为，他们分享关于如何优化算法策略的心得与技巧。[5]比如，在视频创作社群中，内容创作者们会交流哪些标签和描述能更有效地吸引目标观众，哪些时段发布内容能避开竞争高峰等。这些“算法八卦”不仅为内容生产者提供了绕过算法专业知识的谜团，也为相对边缘的生产者搭建起了解算法规则的桥梁，使他们能够更快地适应并利用算法逻辑提升内容的可见度。通过这种方式，原本零散分布于个体之间的算法经验与技巧，开始在社区内汇集成一股强大的信息流，促进了内容生产者与受众之间基于共同兴趣的算法经验交流。
“算法八卦”这一术语尽管初听起来带有非正式的日常闲聊意味，但毕肖普却认为它承载了深厚的社会关怀，紧密连接了社会各界的民间智慧。她强调，这一概念不仅涵盖了数字领域的核心参与者，更广泛纳入了一些社会边缘群体的声音。当“算法八卦”进一步渗透到更广泛的集体社区讨论中时，它推动了算法讨论的深化与升华，从个体层面的零散探索迈向了社会性的算法集体归纳阶段。在这个过程中，基于社区成员的共同实践与反思，一套社会建构的算法民间性知识逐渐成形。这些知识虽非出自专业算法工程师之手，却凝聚了无数用户的民间智慧与经验，对算法技术的应用与理解产生了深远影响，更为对抗算法潜在的不平等与操控性提供了可能。
二、算法民间知识的两种类型
“算法八卦”的演进标志着从个体化实验性探索到集体性知识累积与体系化构建的深刻转型。学者凯利·科特（Kelley Cotter）的区分为我们理解“算法的社会性知识”提供了更明晰的视角，她将这一复杂领域划分为操作性与规范性两大类型。前者指向对算法的实然解释，后者指向对算法的质量、重要性和影响的应然解释。[6]操作性知识以其具体、可复制的特性，成为数字劳动者提升工作效率、优化内容传播的关键。它涵盖了从内容创意、标签优化到发布时机选择等多个维度，为用户提供了一套详尽的行动指南。这些知识的传播与应用，不仅促进了个人或品牌在平台上的快速崛起，也推动了整个数字内容生态的活跃与繁荣。
与此同时，规范性知识作为社会性算法民间知识的另一重要支柱，强调了公平、伦理与可持续性。由于算法对受众短期、即时及浅层需求的过度迎合，促使泛滥的感官刺激内容生成，这些内容往往忽视道德标准，呈现出快餐文化特质。这一现象加剧了深层次、富有社会价值的创作被边缘化的趋势，导致该类内容在平台上变得越来越“不可见”[7]。因此，规范性知识关注如何在追求效率与流量的同时，保证具有非歧视性、非偏向性的内容得到推荐，以促进用户间的公平竞争与和谐共处。这两类知识的交织与融合，不仅体现了数字时代劳动者对算法技术的洞察与驾驭能力，也展现了社会群体在面对技术变革时的智慧凝聚与协作创新。
（一）算法的操作性知识：算法规则
算法的操作性知识根植于用户日常使用的丰富经验之中，是对民间算法偏好性规则的洞察与适应的产物。该知识体系不仅揭示了平台劳动者如何通过细致观察与实践，逐步发现并总结算法运作的内在逻辑，还阐述了他们如何运用这些算法知识，策略性地提升内容在平台上的可见度与影响力。用户揭示算法规律的过程往往依赖于两种核心方法：“数据监测”与“A/B测试”。
一方面，“数据监测”作为一种量化分析手段，聚焦于互动率、内容质量以及关系链构建三大维度。其一，互动率分析涵盖了点赞、评论、转发、收藏及完播率等多元化传播效果指标，这些指标直接反映了受众对内容的接受程度与参与热情。深入理解并精准把握各平台的互动数据优先级，成为相关从业者提升内容曝光率的核心算法操作性知识，也是其专业能力的重要体现。其二，内容生产中的数据监测，其核心聚焦于内容的更新质量与速度，这二者在不同社交平台的算法推荐机制下呈现出差异化的影响效应，而流量的分配机制直接影响了内容生产者的生存策略与激励机制。其三，在基于关系链的数据监测中，微信视频号展现了独特的推荐逻辑，其不仅重视内容质量与传播效果，更将社交关系链置于核心地位。作为以熟人社交为基础的平台，视频号通过私域流量向公域流量的转化，构建了一套与抖音、小红书等兴趣导向平台截然不同的内容分发机制。
另一方面，为进一步验证上述算法知识的稳定性与适用性，数字劳动者会采用“A/B测试”。该测试通过对比不同策略或内容版本在相同条件下的实际表现，为优化算法适应性提供了客观、量化的数据支持。在测试过程中，数字劳动者可以灵活调整内容形式、发布时间、推荐标签等因素，观察并分析其对用户互动率、内容传播效果及社交关系链的影响。这一过程不仅加深了数字劳动者对算法运作机制的理解，还促进了算法操作性知识的持续迭代与升级，确保了内容生产策略的有效性与时效性。
（二）算法的规范性知识：算法审计
相比之下，规范性算法知识则站在了一个更高的道德与社会责任层面，它源于对算法偏差、算法歧视等问题的深入审查与批判性反思。“算法审计”概念的提出者克里斯蒂安·桑维（Christian Sandvig）发现，美国的黑人用户使用谷歌搜索时，有关逮捕记录的广告推送出现概率比白人用户高出25%。这种算法偏差现象不仅暴露了技术背后的不平等与偏见，更凸显了算法在塑造社会认知、影响个体行为方面的潜在风险。因此，规范性算法知识不仅是对现有算法实践的应然评判，更是对未来算法技术发展的规范性指引。
为应对算法中存在的偏见和不公，算法审计提出了一套专门针对算法系统及其推送内容的审计方法。该方法的核心在于采用模拟实验组与对照组的策略，对可能影响算法决策的变量进行假设与审计。即便算法技术本身具有高度的动态性与多变性，算法审计仍可通过实验设计，模拟出个体用户与算法之间的真实互动过程，从而捕捉到接近实际使用情境的算法行为表现。这一方法论使得算法审计在揭示隐蔽的伦理问题上展现出独特的优势。它超越了算法黑箱的局限，让审计者能够深入剖析算法在决策过程中的潜在偏见与不公，为算法的公平性与透明度提供基础保障。
算法伦理问题目前主要体现在歧视偏见、隐私侵犯、信息失真以及结果误判这四个核心方面[8]。首先，歧视偏见最引人关注，它指的是算法在输出结果时展现出对特定群体的不公平待遇，如排斥、限制或边缘化等消极倾向。算法歧视偏见的一个典型例证是搜索引擎中的图像搜索结果偏差。其次，隐私侵犯作为算法应用中的一大隐忧，揭示了技术在便捷性追求与个体隐私权保护之间的紧张关系。这一现状迫使用户在便利性与隐私保护之间做出抉择，多数情况下，用户因工作或社交需求而不得不妥协，让渡部分个人隐私权利。在此过程中，个人用户相较于算法技术及背后的企业平台，明显处于弱势地位。再次，信息失真即指算法驱动的片面真实传播，通过优先展示或推送特定信息片段，构建了“信息茧房”现象。这一现象深植于商业利益的土壤中，算法倾向于最大化输出符合平台利益的信息，从而偏颇地影响公众的认知与议程，实现对个体的无形规训与操纵。最后，与结果误判作为算法应用的另一隐忧，源于设计缺陷或数据偏差，导致预测结果偏离实际情况。例如，风控系统可能因算法局限而误将合规用户判定为违规，引发资金冻结；或在内容审核时，无辜内容被错误地贴上“违规”标签，如“杀猪盘”误判，导致用户账号无端受限。这些误判不仅损害了用户的正当权益，也质疑了算法的公正性与可靠性。
三、结语
本研究以“算法意识”为基础，系统构建了算法民间知识演化路径中核心概念的逻辑递进框架。该框架明晰了从个体认知到集体共识的两个重要阶段。在个体层面，用户与社交平台的互动催生了“算法意识”的觉醒，进而引发“算法想象”，这一过程深刻影响了用户对算法运作机制的理解与构想。随着“算法八卦”作为群体间交流现象的兴起，个体的算法想象跨越边界融入集体语境，推动了社会性算法知识的初步形成，这一过程被定义为算法归纳。进入集体阶段后，社会性算法知识可进一步分化为操作性知识与规范性知识两大维度。
操作性算法知识根植于用户的日常实践，聚焦于提炼高效互动的惯习性策略，特别是针对互动频率、内容策略及关系网络构建的优化技巧与规则。与之相对，规范性知识则站在行业自律与社会责任的高度，专注于审视算法运行中的伦理偏差与潜在歧视问题，这一过程又可称为算法审计。算法审计聚焦于四大核心领域：识别并纠正算法中的歧视偏见、保护用户隐私免受侵犯、确保信息传递的真实性与准确性，以及预防结果误判以维护公正性。这些均是算法伦理与道德建设中不可忽视的环节。
算法归纳与算法审计，作为集体智慧与互助合作的结晶，其核心在于算法知识动态构建的过程而非静态的成果展示。鉴于算法内在的不透明性与黑箱化特点，这种集体性建构的专门知识持续在演进与迭代中前行，其核心驱动力始终聚焦于平台劳动效率的最优化。在此过程中，算法归纳及其内在的逻辑推演，不仅深化了用户与社交平台之间主体与客体间性的交融，更促使双方进入一个相互询问、相互规训的紧密互动循环。
然而，当算法被广泛应用并深度嵌入到社会结构的各个层面时，它逐渐超越了单纯的技术工具范畴，展现出了一种近乎独立的、强大的影响力。这种影响力不仅体现在对数据处理与分析的把控上，更深刻地体现在对人们与组织行为模式的重塑与规训上。算法不再仅仅是被动地服务于人类的需求与意愿，而是开始主动地参与到社会运行的各个环节中，以其特有的逻辑与规则引导着社会的发展方向。在这一背景下，“当今平台主导的新制度主义趋势”[9]作为一种全新的治理逻辑与秩序框架应运而生。本文认为平台新制度主义是指在数字时代背景下，由算法与平台规则深度融合所形成的一种新型治理体系。它打破了传统制度主义中“人制定规则、人遵守规则”的固有模式，将算法逻辑提升到了与平台规则同等重要的地位，共同构成了数字时代治理生态的核心要素。
平台新制度主义的核心特征在于其高度的动态性与灵活性。由于算法能够实时处理与分析海量数据，因此它能够对市场变化、用户需求等外部因素做出迅速响应，并据此调整平台规则与治理策略。这种基于数据的决策方式不仅提高了治理效率与精准度，也使得平台规则更加贴近实际、更具针对性。同时，平台新制度主义还强调了算法机制与平台规则之间的相互作用与协同。一方面，算法为平台规则提供了科学依据与技术支持，使得规则制定更加科学合理；另一方面，平台规则为算法的运行提供了制度保障与约束框架，确保了算法在追求效率与精准度的同时不会偏离社会伦理与法律法规的轨道。
在平台新制度主义的语境下，人与算法技术的交互逻辑与进程路径经历了根本性的重构，这促使我们重新审视公共价值与经济效益之间的平衡点。技术的迅猛进步，尽管带来了前所未有的便利与机遇，但也暴露出当前算法治理体系在规范性与前瞻性方面的不足。因此，如何将伦理与价值考量有效地整合到技术发展的全过程中，成为一个亟待深入探讨的议题。技术发展对人和社会带来的正负面影响已经不再是新鲜话题，但如何趋利避害，让技术积极面更多地展现，人在其中更多处于主动而非被动的位置，值得未来更多的讨论。
［本文为2023年度国家社科基金西部项目“国际舆论战中涉华误导信息的扩散机理及干预对策研究”（项目编号：23XXW004）的阶段性成果］
参考文献：
[1]赵龙轩，林聪.“黑箱”中的青年：大学生群体的算法意识、算法态度与算法操纵[J].中国青年研究，2022（7）：20-30.
[2]Bucher T.The Algorithmic Imaginary： Exploring the Ordinary Affects of Facebook Algorithms[J].Information，Communicationamp;Society.2017，20（1）：30-44.
[3]赖楚谣.“算法的社会性知识”：短视频内容创作者的算法解释与知识的集体建构[J].国际新闻界， 2022（12）：109-131.
[4]段世昌.从归纳算法到审计算法：直播电商创业者的非正式算法知识研究[J].国际新闻界， 2024（4）：52-71.
[5]Bishop，S.Managing Visibility on YouTube through Algorithmic Gossip[J].New Media amp; Society.2019，21（11-12）：2589-2606.
[6]Cotter，K.Practical Knowledge of Algorithms： The Case of BreadTube[J].New Media amp; Society.2022，26（4）：2131-2150.
[7]姚建华，刘君怡，胡骞.数字出版平台内容生产的流量逻辑：批判与反思[J].中国编辑，2023（7）：51-55.
[8]徐明华，魏子瑶.算法伦理的治理新范式：算法审计的兴起、发展与未来[J].当代传播，2023（1）：80-86.
[9]黄阳坤，师文，陈昌凤，智能算法如何重构新闻价值？——基于智能推荐平台算法审计的研究[J].新闻大学，2024（6）：18-33+118-119.
作者简介：廖梦夏，复旦大学新闻学院博士后（上海 200433），四川外国语大学新闻传播学院副教授（重庆 400031）。
编校：赵 亮
