新闻消费中的算法厌恶：有关推荐文本主观评价偏差的实验研究

本刊官方网站：

http://cjjc.ruc.edu.cn/

摘要

本文聚焦新闻消费情境中“算法厌恶”，采用对照实验，系统考察新闻消费者对算法推荐与人工推荐文本的主观评价差异，并进一步探讨人口学特征与内容偏好对推荐偏好的调节作用。实验共有800名参与者，通过李克特量表度量推荐意愿、个性偏好和整体评价三个维度，采用独立样本t检验、多元线性回归及路径分析进行统计处理。结果显示，整体上人工推荐显著优于算法推荐，在用户整体评价维度上表现出更高的主观满意度，验证了“算法厌恶”在我国新闻消费领域中的存在。尽管在推荐意愿和个性偏好维度上，算法组得分普遍偏低，但差异未达到统计显著水平。多元线性回归及交互效应分析显示，职业、性别、每日阅读新闻时间及是否主动搜索新闻等变量对不同推荐方式下的主观评价均有显著影响，特别是在“职业×推荐方式”和“内容偏好×推荐方式”方面，部分维度呈现显著或接近显著的交互效应，表明职业和新闻内容偏好能够调节用户对不同推荐方式的主观评价。例如，对国际新闻偏好高的用户，算法与人工推荐组间的满意度差距有所减小。三维度路径分析显示，整体评价在个性偏好对于推荐意愿的影响中起到部分中介作用。当算法推荐展现出对用户兴趣的精准理解时，用户更可能容忍算法的不透明性，提升整体评价，而单纯的技术优化效果有限。

作者简介

张萌，中国社会科学院新闻与传播研究所副研究员，中国社会科学院大学新闻传播学院硕士生导师。

王靖凯（通讯作者），中国人民大学新闻学院博士研究生。

杨家明，中国人民大学新闻学院博士研究生。

基金项目

本文为国家社科基金一般项目《大国博弈中算法认知战与计算宣传机制研究》（项目号为：23BXW053）成果。

一

引言

一直以来，算法都被看作是克服人类认知局限的一种辅助手段（Burton，Stein & Jensen，2020；Dawes，1979），甚至在部分领域中算法提供的判断和决策被认为比人类更为优秀（Diab et al.，2011），具有更高的效率和便捷性（Grove et al.，2000），如预测员工绩效（Highhouse，2008）、医学诊断（Beck et al.，2011）等。但即使人们认识到算法性能的平均表现优于人类，用户却依然更愿意相信人类主体（human agents）的判断，这种现象被称为“算法厌恶”，即一种“相对于人类主体来说，对算法的负面行为和态度的偏见性评估”（Jussupow et al.，2020）。

用户对算法的接受程度取决于任务的性质，尤其是任务的主观性和客观性。人们倾向于不使用算法做主观判断，例如推荐浪漫伴侣或礼物；而做客观判断时，例如诊断疾病、投资理财或驾驶飞机，则更愿意依赖算法（Casteloe，Bos & Lehmann，2019；Kaufmann，2021）。在新闻推荐领域，算法逐渐成为继记者和编辑之后出现的、更常见的“新闻守门人”（gatekeepers to the news）（Solon，2016），但该任务属性不能简单地以客观性或主观性来界定，算法和编辑各有优势：算法通过“数据理性”提供推荐，而编辑则可能基于经验和判断进行内容筛选。新闻机构越来越多地雇佣推荐人（recommenders）为用户提供更好的服务和更多选择，解锁长尾内容（BBC，2017；New York Times，2014），并创建混合推荐系统，如Netflix的推荐系统影响了平台上80%的视频流选择（Gomez-Uribe & Hunt，2015）。

新闻推荐场景随着算法的发展产生了新的问题：如果受众有选择的机会，他们在新闻推荐这个任务中更需要记者、编辑的帮助还是算法的服务？目前关于算法厌恶的研究更多地集中在管理学、心理学和行为经济学等学科，研究重点包括算法的准确性、用户对算法的信任度以及如何提高算法的接受度。不少研究通过实验验证了一些领域存在算法厌恶现象，而一些领域并不存在。对于新闻推荐这一领域，尤其是国内新闻语境下，关于算法厌恶的讨论较少。本文的研究重点并非考察用户在“算法决策”与“个人判断”之间的取舍，而是将算法与人类（如记者、编辑）作为两大推荐主体，比较用户对这两者的依赖程度，从而理解中国新闻消费语境中用户对不同新闻推荐方式的信任度与接受度。

二

文献综述

（一）算法厌恶

算法厌恶作为一种评估倾向，对组织和个人在使用算法开展更准确的预测和决策时产生了新的影响——即使算法在许多情况下可以提供更准确的判断和决策，人们仍然更愿意依赖人类专家的意见（Burton，Stein & Jensen，2020），特别是在算法出现错误或不可控制的情况下（Dietvorst，Simmons & Massey，2015）。伯克利·狄伏斯特（Berkeley Dietvorst）等学者将这一现象概括为“算法厌恶”（algorithm aversion）（Dietvorst，Simmons & Massey，2015），它指的是即使用户认识到算法性能比人类平均表现更好，或者认识到算法建立在大量证据和数据的基础上，但人们依然更倾向于更加信任和偏好来自人类的建议。而且，除了在将算法决策与人类专家的决策进行比较时表现出厌恶外，人们将自身决策与算法决策进行比较时也会表现出厌恶（Mahmud et al.，2022）。上述现象在多个研究中得到了验证，用户对于人工智能所提供的建议和服务表现出负面情绪、消极态度和回避倾向（Burton，Stein & Jensen，2020；Dietvorst，Simmons & Massey，2015；Germann & Merkle，2023）。

造成算法厌恶的原因是多样的，目前学界对于其原因和影响因素的解释主要集中在人类认知特点解释、人类决策自主性本能解释和违背预期与任务不匹配解释等三个进路（杜严勇，2022）。人们期望算法的建议是完美的，当这种期望被打破时，人们会减少对算法的依赖（Bhattacherjee & Lin，2015；Dzindolet et al.，2002）。因此，算法厌恶可能是因为算法不够完善（Dietvorst，Simmons & Massey，2018），例如一些人并不存在初始的算法厌恶，但是当观察到算法的不完美表现后会表现出明显的算法厌恶（Bergeret al.，2021；Dietvorst & Bartels，2022；Dietvorst & Bharti，2020；Dietvorst, Simmons & Massey，2015）。对算法的信心被认为是影响算法厌恶的中介变量，当预测者感知到算法表现不佳时，他们对算法的信心会下降，从而增加算法厌恶（Al-Htaybat & von Alberti-Alhtaybat，2017；Appelbaum et al.，2017；Quattrone，2016）。算法厌恶不仅仅是由于观察到的错误，还可能受到其他因素的影响（Burton，Stein & Jensen，2020），如任务的主观性或客观性（Casteloe，Bos & Lehmann，2019）、预测者能否修改算法结果（Burton，Stein & Jensen，2020）、算法理解力（the algorithm's understandability）（Yeomans, Mullainathan & Kleinberg，2019）等，甚至有的用户可能尚未体验算法性能就存在厌恶（Longoni，Bonezzi & Morewedge，2019）。

基于对算法厌恶原因的分析，研究者开始关注如何缓解和避免算法厌恶的出现。一项研究引入三种环境变量——时间压力、“尽力而为”目标和数据输入决策权来探讨算法排斥的缓解。实验结果表明，时间压力能缓解算法厌恶，尤其是当预测者在时间压力下失去对自己预测的信心时，而“尽力而为”目标和数据输入决策权则未产生显著影响（Jung & Seiter，2021）。为了克服算法厌恶，有研究者提出为用户提供一定的控制权，允许人们对算法的预测进行微调，结果表明，即使只允许人们进行小幅度的调整，也能显著增加他们使用算法的意愿，并提高他们对算法的满意度和信心（Dietvorst，Simmons & Massey，2018）。此外，也可以通过反复的任务、持续的反馈和经济激励，使人们逐渐认识到算法的优势，从而减少对算法的厌恶（Filiz et al.，2021）。

（二）用户对新闻推荐来源的偏好差异研究

随着平台对用户黏性与信任的追求，新闻推荐系统（News Recommendation Systems，NRS）被广泛应用，将个性化偏好与内容多样性纳入分发流程，主要包括围绕用户对推荐来源的偏好差异（算法 vs. 人类编辑），以及算法厌恶的变量与作用路径两大研究方向。算法欣赏与算法厌恶的边界可被界定为：相较于人类编辑，用户对算法推荐在信任度、选择意愿与持续使用意向方面所表现出的差异。既有研究表明，个性化分发在缓解信息过载的同时，可能放大自我选择并强化“回音室”与“过滤泡”（Bodó et al.，2019；Pariser，2011；Sunstein，2001）。用户出于规避认知压力的动机，倾向于接触与其既有立场一致的内容（Sears & Freedman，1967），算法对这种选择的放大虽能短期提升满意度与停留，但长期却可能累积为对算法的怀疑与厌恶，削弱社会共识。

个体层面的受众差异也是一个影响用户对新闻推荐偏好的因素。受众在新闻涉入与消费倾向上呈现明显分化，部分人群是“新闻回避者”，而另一些是“新闻追求者”，不同类型的群体对算法推荐的接受度不同（Elvestad，Arild & Toril，2014）。可以推断，高信息涉入者往往更重视议题多元、信息质量与公共性，因此更强调编辑把关的价值；低信息涉入者则更看重便捷与个性化匹配，可能对算法持更高的工具性评价。但这种偏好并非稳定不变：当算法持续推送高度一致、情感强化的内容时，即便是低信息涉入者亦可能产生反感或信任流失，出现从“算法欣赏”向“算法厌恶”的反转。人口学与能力因素（如年龄、学历与数字素养）也可能影响来源偏好形成的路径。数字素养较高的用户常对系统的可解释性与可控性提出更高要求；若平台提供清晰的推荐理由与可调参数，其对算法的信任更容易建立；而数字素养较低者则更多依赖“编辑推荐”等来源线索形成启发式信任判断。有实证研究显示，感知不透明性本身即构成“主体类型与态度／意向”的关键中介：相较人类主体，算法主体更易被视为“黑箱”，进而削弱信任、喜爱与利用意愿（赵一骏等，2024）。

内容与平台机制也干预着算法厌恶的强弱和演化。情感强度被证明显著影响传播表现，强情感内容更易获得点击与分享（Hsu et al.，2019），而负面情感常与偏见或党派性报道相关（Stieglitz & Dang-xuan，2013）。在推荐环境中，情感强化的持续暴露虽然短期内可提高互动，但会通过情感极化与偏见知觉的提升削弱用户对算法来源的信任。相对地，平衡情感的推荐策略在时间维度上有助于降低意识形态极化（Ludwig et al.，2023），缓解算法厌恶。与此相关的是个性化与公共性之间的权衡，若个性化推送完全替代编辑把关，公共议题的覆盖与社会共同知识可能受损，多数受众仍期待“每个人都应接触到的大致相同的要闻”（Bodó et al.，2019）。平台层面的可解释性与控制感同样关键，当系统明确标注来源、说明推荐理由，并允许用户调节多样性、新颖度或立场平衡时，用户更倾向把偏差视为可配置结果而非“黑箱偏见”。

时间与交互过程可能会改变关系的强度与方向。有研究从时间序列视角，揭示新闻媒体在不同时段使用带偏见词汇的频率与趋势所存在的规律（Rozado，Al-Gharbi & Halberstadt，2023），发现推荐系统的极化效应也可能随着用户处理信息时间的增加而增强。换言之，用户行为数据与模型更新之间形成的动态反馈循环，会在“短期满足—长期信任”的张力中，逐步固化偏好或累积反感。因此，对推荐来源偏好及算法厌恶的评估不宜停留在单一时间节点（Bodó et al.，2019），而应纳入长期观测或多时点设计，以捕捉路径强度的演变。

现有研究从多个角度探讨了新闻推荐系统对用户与社会的影响，也发现用户对于算法推荐与人类编辑推荐之间的偏好呈现出复杂性，人们在某些情境下对算法展现出更高的欣赏度（Logg，2017；Logg，Minson & Moores，2019；Neil et al.，2019）。但整体来看，现有研究仍存在两方面不足。其一，大多数研究集中于算法推荐系统可能存在的潜在风险和负面效应，而针对新闻消费中用户对算法推荐与人类编辑推荐的具体偏好差异缺少对比性研究。其二，既有研究更多关注推荐系统中算法对用户行为的群体性影响，未能深入剖析不同受众类型（如不同年龄、职业、地域、学历、性别、新闻消费习惯的用户），以及用户对不同新闻类型的关注度，如何在特定推荐情境下影响其对推荐方式的主观评价和偏好。基于此，本研究将重点聚焦用户在新闻推荐领域对算法推荐与人工编辑推荐的偏好及其影响因素，并进一步探讨影响用户偏好的决定性因素以及背后的潜在机制。本文关注以下核心研究问题：

1.新闻推荐方式（算法 vs. 人工编辑）是否会对用户的主观评价产生显著影响？

2.人口变量及其与推荐方式的交互作用，是否会调节用户对新闻推荐系统的评价？

3.用户的内容类型关注度是否可以预测其对推荐系统的主观评价？

在此基础上，本文提出具体研究假设如下：

H1：在控制其他变量的前提下，新闻消费者对算法推荐的多维主观评价（如接受度、满意度等）显著低于人工编辑推荐，即存在算法厌恶的主效应。

H2：不同人口学属性（性别、学历、职业）及新闻消费行为特征（每日阅读新闻时间、是否主动搜索新闻）的参与者，对新闻推荐方式的主观评价存在显著组间差异；其中女性、每日阅读新闻时间更长、有主动搜索新闻习惯的参与者对推荐方式的评价显著更高。

H3：推荐方式与用户的职业背景、新闻内容偏好之间存在显著的交互作用；不同职业群体因信息需求特征的差异，对算法与人工推荐的评价偏好呈现显著分化；用户对特定垂直领域新闻的强内容偏好，能够显著调节（如缩小）其对算法与人工推荐的主观评价差距。

H4：用户对不同新闻类型的关注度正向预测其对推荐方式的主观评价和偏好。

三

研究方法与设计

本文采用实验法对用户在新闻推荐领域中的潜在偏好进行测量，采用随机分组方法将参与者分配到两个实验组，即“算法推荐组”和“人工编辑推荐组”，通过对用户引导语、推荐文本来源的操纵与控制，以两组受试者在相同新闻内容基础上的主观评价差异为核心变量，探讨推荐方式在用户心理预期和行为中的潜在效应。本研究在内容设计上对实验材料进行了严格的一致性控制，两组参与者接触的新闻内容、新闻数量、新闻类别等客观变量完全相同，仅操控引导语中新闻推荐来源的描述作为实验的独立变量。人工编辑推荐组的参与者被告知阅读的新闻为“由资深编辑李华基于多年从业经验与专业知识精心挑选推荐”，而算法推荐组中，受访者被告知阅读的新闻为“由一个成熟的推荐算法根据用户浏览行为、兴趣和数据分析后智能推荐”。

日常常用的NRS主要包括内容推荐（Content-Based，CB）、协同过滤（Collaborative Filtering，CF）、人口统计过滤（Demographic Filtering，DF）、知识推荐系统（Knowledge-Based Systems，KB）等。本文的实验设计主要使用内容推荐，因为它们使用范围最广，并且匿名的实验参与者没有人口统计数据或其他先验知识可用。在内容选择方面，本研究于2024年7月10日至7月18日，对4909名受访者日常获取新闻资讯的习惯和偏好进行了前期调研，搭载问卷通过“企鹅有调”线上平台发放。最后收回有效问卷4661份，受访者对不同类别的新闻关注度排序依次为社会新闻（39.9%）、娱乐新闻（32.7%）、时政新闻（28.7%）、科技新闻（27.1%）、教育新闻（25.7%）。基于此，我们选择了2024年8月19日至8月20日间，微博、知乎、腾讯新闻等平台的5条热搜新闻组成阅读材料，5条新闻分别对应不同的新闻类别（表1）。实验通过问卷筛选实现对参与者人口学变量与新闻消费特征（新闻消费频率、新闻类别等）的严格控制，阅读完成后，采用5级李克特态度量表量化参与者的主观评价，量表维度包括整体评价、个性偏好、推荐意愿。

四

研究发现

本研究通过腾讯“企鹅有调”平台及数据库合理配置参与者，共招募800名受试者参与实验，最终收回有效结果算法组n =368、人工推荐组n =397。参与者数量超出95%置信度和4%误差率条件下所需的最低样本量，符合统计学有效性要求，具备统计学代表性。对算法和人工两组样本进行组间方差分析，发现两组样本在职业、性别、年龄、学历、城市等级等人口统计学变量，以及新闻消费渠道、新闻阅读时长、新闻消费类型等新闻消费行为变量上均无显著性差异，表明实验随机分组及变量控制情况良好。

（一）人工推荐的主观优势与算法厌恶

本研究量表参考赵一骏等（2022）并微调，经因子分析提取出整体评价、个性偏好与推荐意愿三个维度。效度方面，量表KMO值为0.929，Bartlett检验显著（p <0.001），各题项因子载荷均大于0.6，建构效度良好；信度方面，三个维度的Cronbach’s α 系数分别为0.814、0.751和0.836，各题项CITC值均大于0.4且删除任一题项后信度无显著提升，表明量表内部一致性与结构稳定性良好（表2）。

为了进一步验证新闻推荐方式（人工推荐与算法推荐）对用户主观评价的影响，本研究对整体评价、个性偏好和推荐意愿三个维度变量进行了均值处理。其中，“整体评价”变量反映用户对新闻推荐质量的总体感知，“个性偏好”变量反映推荐内容是否符合用户个性化需求，而“推荐意愿”变量衡量用户基于推荐方式产生的接受度与意向度。变量数值越高，分别意味着用户对推荐方式的整体评价越好、推荐内容越符合个性化预期、推荐吸引力与接受度越强。

通过独立样本t检验（df =763）对人工推荐组与算法推荐组在上述三个变量上的组间差异进行分析得到的结果显示，算法推荐组的用户在推荐意愿、个性偏好、整体评价各维度的得分均低于人工推荐组（表3），具体数值表现如下：在整体评价维度上，算法推荐组的均值显著低于人工推荐组（M算法 =3.57，SD =0.70，M人工 =3.70，SD =0.70，t (763)=2.555，p =0.011）。用户对算法推荐新闻的总体主观评价显著低于人工推荐新闻，Cohen’s d （效果量）=0.184接近0.2，属于小效应量，表明两组间的整体主观评价差异虽显著，但效应强度偏弱。此外，在推荐意愿和个性偏好两个维度上，虽然算法组的得分普遍偏低，但尚未达到统计显著性，更多体现出一种趋势性差异（推荐意愿：M算法 =3.58，SD =0.80，M人工 =3.67，SD =0.81；t (763)=1.607，p =0.108；Cohen’sd =0.116。个性偏好：M算法 =3.63，SD = 0.79，M人工 =3.71，SD =0.78；t (763)=1.407，p =0.160；Cohen’s d =0.102）。

以上实验结果支持了研究假设H1，即在部分维度上，用户对算法推荐新闻的主观评价显著低于对人工推荐新闻的评价。这一差异并不意味着算法推荐缺乏技术合理性或应用价值，主要反映了用户在心理和情感层面对不同推荐方式的复杂反应特征。

上述结果证明，实验在控制新闻内容一致的前提下证实了推荐方式（算法vs. 人工）本身显著影响用户的感知评价。算法推荐在“整体评价”上显著低于人工推荐，这种主观偏差可能主要源于用户的认知偏见——相比于人类编辑推荐所具备的“社交透明性”（social transparency）、专业经验与价值判断，用户往往对算法的内在机制缺乏信任，容易质疑算法的透明度与纯粹性。值得注意的是，在“个性偏好”和“推荐意愿”维度上，两组差异并未达到统计显著。这符合近年来相关研究体现的技术发展趋势，即随着机器学习技术的持续优化，算法在理解用户个性需求和提高推荐命中率方面已逐渐缩小了与人工的差距。然而，尽管技术不断成熟，用户固有的心理防线与认知偏见依然限制了他们对算法推荐的全面接受，从而在“整体评价”层面拉低了总分。

（二）用户属性与内容偏好的多重影响及假设验证

1.推荐偏好多元线性回归分析

为控制变量间混杂效应以精准检验人口学特征与新闻消费行为对推荐系统偏好的独立影响，本研究以推荐意愿、个性偏好、整体评价为因变量构建多元线性回归模型，系统分析性别、学历、职业、每日阅读新闻时间及是否主动搜索新闻等变量的作用机制（表4）。回归结果显示，模型整体拟合效果良好，三个维度的回归模型均通过显著性检验（推荐意愿：F (25, 739)=3.319，p <0.001；个性偏好：F (25, 739)=1.969，p =0.003；整体评价：F (25, 739)=2.646，p <0.001），且所有变量的方差膨胀因子（VIF）均介于1.016-1.049之间，无多重共线性问题。

在推荐意愿维度，职业（β =0.085，p =0.043）、每日阅读新闻时间（β =0.123，p =0.015）及是否主动搜索新闻（β =-0.217，p <0.001）对推荐意愿具有显著预测作用，其中主动搜索新闻的用户推荐意愿显著更高（M =3.91），依赖算法推荐的用户推荐意愿最低（M =3.37）。性别接近显著性边界（p =0.019），学历无显著影响（p >0.05）。在个性偏好维度，性别（β =0.097，p =0.009）、职业（β 白领 =0.089，β 个体户／小业主 =-0.103，p <0.05）和是否主动搜索新闻（β =-0.126，p =0.008）的预测作用显著。女性对推荐内容的个性化匹配感知更积极（M =3.73），白领、个体户/小业主的个性偏好评分显著高于行政/事业单位人员参照组，算法依赖者的个性化感知显著低于主动搜索者。在整体评价维度，性别（β =0.091，p =0.013）、每日阅读新闻时间（p =0.051）和是否主动搜索新闻（β =-0.230，p <0.001）均呈现显著影响。每日阅读时长较长的用户整体满意度呈正向趋势，主动搜索者对推荐方式的信任度与综合评价最高（M =3.89），算法依赖者的整体评价显著偏低（M =3.36）。

进一步分析可见，女性用户、每日新闻阅读时长较长及有主动搜索新闻习惯的参与者，在三个评价维度上的得分普遍更高。上述结果充分验证了H2。

在人口学变量和新闻消费行为的多项影响因素中，职业变量的作用尤为复杂且具有代表性。基于多元线性回归分析（控制性别、阅读时长、主动搜索习惯等混杂变量）及推荐方式的交互效应检验结果，职业不仅对推荐意愿、个性偏好维度存在显著的独立影响，还与推荐方式形成差异化调节效应，呈现出清晰的用户分群特征。

在整体评价维度，推荐方式的主效应显著（β =-0.123，p =0.014），人工推荐的整体满意度显著高于算法推荐（M人工 =3.70，M算法 =3.57），进一步验证了H1假设的算法厌恶现象。职业对整体评价的独立影响虽未达统计显著，但呈现明显的分群趋势。法律从业者、设计师、IT从业者等群体对人工推荐的评分普遍更高，而医疗从业者、白领、学生、媒体从业者对算法推荐的评价略高或与人工推荐相当。其中法律从业者对算法推荐的评分降幅最为突出（β =-0.053，p =0.154），成为值得关注的特例，这与该群体对信息准确性、合规性的高要求密切相关。推荐方式与职业的交互效应接近显著（p =0.053），提示不同职业群体对两种推荐方式的整体评价差异存在潜在调节趋势。在个性偏好维度，推荐方式的主效应不显著（p >0.05），但职业的独立影响显著（p =0.003），且推荐方式与职业的交互效应显著（p =0.003），表明不同职业群体对推荐内容个性化匹配的感知存在明显差异。具体而言，白领（β =0.089，p =0.045）、医疗从业者对算法推荐的个性偏好评分高于人工推荐，而行政/事业单位人员、IT从业者尤其是法律从业者（β =-0.062，p =0.097）更倾向于给人工推荐打出更高分数，法律从业者的评分降幅最为显著。这一结果凸显了职业背景对用户个性化感知敏感度的调节作用，即市场化职业群体更认可算法的个性化匹配能力，而体制内或专业严谨型职业群体更信赖人工推荐的个性化适配性。在推荐意愿维度，推荐方式的主效应不显著，但职业的独立影响显著（p =0.022），且推荐方式与职业的交互效应显著（p =0.008），说明职业是调节用户推荐意愿的关键变量。行政/事业单位人员、法律从业者对人工推荐的信赖度更高（均值差达0.5、1.2），而研究人员、白领等群体在算法推荐条件下的推荐意愿更突出；部分职业群体对算法推荐的评价分歧较大。其中法律从业者算法推荐评分的标准差1.29远高于人工推荐的0.58，反映出该群体内部对算法推荐的接受度差异明显。

综上，职业变量通过独立效应与交互效应，在三个评价维度上均展现出复杂且差异化的影响力。职业背景塑造了用户的信息需求特征与信任倾向，进而调节了不同推荐方式下的主观评价。这一发现为精准优化推荐系统、实现分群化服务提供了重要依据。

通过图2可见，不同职业在推荐意愿、个性偏好、整体评价方面走势基本一致，即大多数职业的感知评价较为相近。白领和科研人员（均分3.9以上）两类群体对算法推荐和人类推荐的整体上认可度均较高。而法律从业者评分最低，可能因为法律从业者对在文本表述方面的准确性、合规性和风险控制要求极高，任何推荐带来的信息偏差或失误，都可能影响法律决策或带来潜在合规风险。因此，他们对推荐系统（尤其是算法驱动推荐系统）的信任门槛更高，即便采用人工推荐，也可能因缺乏法律专业背书而被质疑权威性。

为进一步检验推荐方式与用户属性的交互效应（假设H3），本研究在多元线性回归模型中纳入“推荐方式×人口学变量”“推荐方式×新闻消费行为”交互项，结论如下。推荐方式的主效应仅在整体评价维度显著（β =-0.123，p =0.014），人工推荐的整体满意度显著高于算法推荐（M人工 =3.70，M算法 =3.57），部分验证了H1假设；推荐意愿、个性偏好维度的主效应未达统计显著，与控制多变量后的精准分析结果一致。关键交互效应中，“职业×推荐方式”交互效应显著，对推荐意愿（β =0.18，p =0.008）、个性偏好（β =0.21，p =0.003）均有显著调节作用。具体而言，行政/事业单位人员、法律从业者对人工推荐的信赖度更高（均值差分别为0.5、1.2），研究人员、白领更接受算法推荐。白领、医疗从业者认为算法推荐更符合个性偏好，法律从业者则对人工推荐的个性化匹配评价更高，这一差异与不同职业的信息需求特征密切相关。对于其他交互效应，“性别×推荐方式”和“阅读时长×推荐方式”交互效应未达显著，但性别主效应在个性偏好（β =0.097，p =0.009）、整体评价（β =0.091，p =0.013）维度显著，女性对推荐内容的个性化感知及整体满意度均高于男性（M女 =3.73，M男 =3.53）；是否主动搜索新闻的主效应在三个维度均显著（推荐意愿：β =-0.217，p <0.001；个性偏好：β =-0.126，p =0.008；整体评价：β =-0.230，p <0.001），主动搜索者的推荐意愿、个性化感知及整体满意度均显著高于算法依赖者（M主动搜索 =3.91/3.90/3.89，M依赖算法 =3.37/3.54/3.36）。

通过更具严谨性的控制性别、阅读时长等混杂变量的回归模型验证，上述结果既支持了H1（推荐方式主效应）与H2（人口学/消费行为主效应），也部分验证了H3（职业与推荐方式的交互效应），明确了不同用户群体对新闻推荐方式的评价差异及调节机制。

2.推荐偏好分层回归

（1）推荐意愿分层回归

为量化阅读新闻类型、新闻推荐方式，以及两者交互作用对推荐意愿的影响，本文以新闻类型、新闻推荐方式为自变量，以推荐意愿为因变量，开展分层回归分析。经分析，拟合的模型p值小于0.001，VIF最大为1.07，模型有统计学意义，且不存在共线性，即拟合的模型成立。为进一步了解各种新闻类型与新闻推荐方式交互作用对拟合模型的影响，回归模型中再纳入各项交互作用作为因变量。经分析，拟合的模型p值小于0.001，VIF最小为7.059，大于5，模型虽有统计学意义但存在共线性，即数据不符合建模要求，拟合的模型不成立。

在自变量中，国内新闻、体育新闻、健康与生活的新闻类型具有统计学意义。国内新闻（β =0.139，p =0.019）、体育新闻（β =0.160，p =0.009）、健康与生活新闻（β =0.156，p =0.007）偏好正向预测推荐意愿。主动搜索新闻的用户对算法推荐的接受度更高（交互项虽不显著，但主动搜索组算法评分提升0.12）。

（2）个性偏好分层回归

为量化阅读新闻类型、新闻推荐方式，以及两者交互作用对个性偏好的影响，以新闻类型、新闻推荐方式为自变量，以个性偏好为因变量，开展回归分析。经分析，拟合的模型p值小于0.001，VIF最大为1.07，模型有统计学意义，且不存在共线性，即拟合的模型成立。

在自变量中，娱乐新闻、体育新闻、财经新闻、健康与生活的新闻类型具有统计学意义。娱乐新闻（β =0.135，p =0.017）、财经新闻（β =0.123，p =0.043）偏好者更认可算法的个性化推荐。国际新闻偏好高的用户中，算法与人工推荐的满意度差距缩小（国际新闻×推荐方式：β =-0.279，p =0.017），即算法厌恶效应减弱。

（3）整体评价分层回归

为量化阅读新闻类型、新闻推荐方式，以及两者交互作用对整体评价的影响，以新闻类型、新闻推荐方式为自变量，以整体评价为因变量，开展回归分析。经分析，拟合的模型p值小于0.001，VIF最大为1.07，模型有统计学意义，且不存在共线性，即拟合的模型成立。

在自变量中，推荐方式、国际新闻、国内新闻、财经新闻、健康与生活的新闻类型具有统计学意义。推荐方式主效应显著（β =-0.123，p =0.014），人工推荐整体评分更高。国际新闻（β =0.103，p =0.047）、国内新闻（β =0.136，p =0.009）偏好正向预测满意度，健康与生活新闻（β =0.182，p <0.001）影响最强。

结果显示，推荐方式对用户整体评价具有显著影响（β =-0.123，p =0.014），即在控制其他变量后，算法推荐在整体评分上显著低于人工编辑推荐，验证了H1假设的成立。此外，职业、每日阅读新闻时间和主动搜索新闻行为等用户属性对主观评价及推荐偏好表现出显著影响，支持了H2假设。当模型中纳入新闻内容关注度及其与推荐方式的交互项时，部分交互项（如国际新闻×推荐方式对个性化偏好，β =-0.279，p =0.017）达到统计学显著，说明推荐方式和用户内容兴趣之间存在交互效应，H3假设得到部分支持。进一步分析发现，财经、体育、健康与生活等新闻类型的关注度能够显著正向预测推荐意愿、个性化偏好和整体评价（如健康与生活对推荐意愿：β =0.156，p =0.007），验证了H4假设。

3.因子间关系检验

为进一步研究降维后个性偏好、整体评价、推荐意愿三个因子间关系，构建模型对以上三因子进行路径分析。分析结果表明，个性偏好对整体评价、推荐意愿均存在显著正向影响（整体评价：β =0.618，p <0.001；推荐意愿：β =0.315，p <0.001），整体评价对推荐意愿存在显著正向影响（β =0.518，p <0.001）（见表5、图3）。

整体评价在个性偏好对于推荐意愿的影响中起到部分中介作用，效应占比为50.381%。

用户对推荐内容个性化的感知（如“推荐符合兴趣”）每提升1个标准差，其对推荐系统的整体满意度与信任度（整体评价）将提升0.618个标准差。这表明个性化体验是塑造用户整体评价的核心驱动因素，与“算法透明度不足时，个性化匹配可缓解算法厌恶”的结论一致（Dietvorst，Simmons & Massey，2018）。整体评价每提升1个标准差，用户的推荐意愿（如“愿意继续使用”）提升0.518个标准差。

此中介模型回应了人机信任理论（Hoffman et al.，2013）与算法厌恶研究（Dietvorst，Simmons & Massey，2018），验证了“信任—行为意愿”的经典传导机制。“个性偏好”是用户对推荐系统的初始感知，但需通过“整体评价”转化为“行为意愿”。因为算法厌恶的核心矛盾是技术精准性与心理信任度的割裂，而“整体评价”维度恰好测量了用户对系统的综合信任与满意度，是连接感知价值与使用意向的桥梁。这解释了“整体评价”何以成为中介。

此外，即便控制“整体评价”，个性化感知仍对推荐意愿有直接正向影响，用户可能基于“内容契合度”直接形成使用意愿，无需完全依赖对系统的整体信任。个性偏好对推荐意愿的总效应为0.635，其中通过整体评价的间接效应占比超50%。这表明“个性化感知→系统信任→使用意愿”的路径成立，但个性化本身也具备对使用意愿及推荐意愿的独立影响。

因此，当算法推荐展现出对用户兴趣的精准理解，“个性偏好”指标高时，用户更可能容忍算法的不透明性，进而提升整体评价。这解释了为何国际新闻偏好高的用户中算法厌恶效应减弱——高领域关注度用户更关注“内容匹配”而非“推荐主体”。整体评价维度包含“推荐合理性”“内容信任”等题项，本质上反映用户对算法的“人机信任”。过往算法厌恶研究多关注“推荐方式→意愿”的直接效应（如Neil et al.，2019），而本研究首次在新闻消费场景中揭示“个性偏好→整体评价→推荐意愿”的链式中介路径，补充了“算法厌恶的缓解机制”。中介效应表明，算法若想提升用户推荐意愿，需同时优化个性化匹配（提升个性偏好）与建立信任（提升整体评价），单纯技术优化（如推荐准确率）可能因缺乏信任传导而效果有限。

五

讨论与结论

本研究引入“算法厌恶”概念，通过控制新闻内容一致的实验证实，人工推荐在整体评价维度上显著优于算法推荐（H1），为我国新闻消费情境中的算法厌恶现象提供了实证证据（Elvestad et al.，2014）。进一步分析表明，异质性用户群体在推荐接受度上存在显著差异（Bod ó et al.，2019）：不同人口属性与消费行为的用户在主观评价上呈现显著的组间差异（H2），其中女性、主动搜索者、长时长阅读者以及教研医护群体评价更高，而法律从业者偏低；同时，部分用户属性（如职业）及内容兴趣与推荐方式之间存在显著的交互作用（H3部分成立）。此外，数据表明用户对特定垂直新闻的关注度能显著正向预测其主观评价（H4），尤为关键的是，实证揭示了“国际新闻偏好”在算法接受度中发挥显著调节作用（β =-0.255，p <0.05），即随着该偏好提升，算法与人工组的评价差距显著缩小，高偏好群体的“算法厌恶”被有效削弱。这表明，精准满足个性化内容诉求能显著提升算法认可度，提示平台未来应深度结合性别、职业及兴趣等多维特征以优化算法系统。

（一）用户对新闻推荐方式主观评价的跨文化比较

本研究在一定范围内验证了我国新闻消费情境中的“算法厌恶”现象，这一结果与国际化背景下的相关研究形成了鲜明对比，折射出我国新闻受众在特定文化与媒介生态中对技术中介的独特认知。Neil等人（2019）对26个国家（以西方国家为主）的调查指出，相比于人工推荐，基于用户行为数据的算法推荐在整体上被认为是一种更优的方式。然而，这一普遍性论断可能并未充分考量跨国界、跨文化的媒介语境与社会心理差异。技术接受并非发生于真空，而是深嵌于受众所处的具体媒介环境之中。

在中国的新闻生产与文化语境下，媒体平台与工作者长期扮演着“把关人”的角色。中国受众对人工推荐在整体评价上的偏好，本质上是对专业主义、社会责任感以及宏观价值判断的深层信任。人工推荐自带一种“社交透明性”，受众倾向于相信人类编辑能够超越纯粹的流量逻辑，提供兼具公共意义与社会营养的新闻内容。

相对而言，我国受众的“算法厌恶”并非主要源于西方语境下极端的隐私对抗，而更多指向对算法“工具理性”膨胀的隐忧。尽管中国用户在日常生活中高频使用算法分发平台，但对其底层逻辑常抱有“技术焦虑”：担忧算法黑箱导致的“信息茧房”与内容窄化，以及警惕过度迎合感官刺激的商业化迷惑。换言之，中国受众在整体评价上对算法推荐的“降级”处理，实则是对算法在剥离了人类专业审视与价值引导后，可能导致内容同质化和公共理性缺失的一种本能担忧。这也提示未来的算法研究必须跳出单一的技术功能视角，将本土的社会文化传统与媒体信任机制纳入考量。

（二）算法推荐中的制度信任与技术信任的“非对称博弈”

在中国互联网新闻消费的情境下，由于互联网内容管理制度、互联网发展模式和用户新闻消费文化存在不同于西方世界的特殊性，考察用户算法厌恶的形成机制需要进一步引入制度信任与技术信任的区分理论。制度信任是公众基于理性思考、实践感知和心理预期，形成的对政治制度、政府及政策的信赖、认同和支持（胡扬，匡远配，祝子丽，2023）。在操作化层面，制度信任可以被视为特定主体对制度运行中的规则体系和专家系统的信任。相应地，在新闻场域中，受众普遍相信人类编辑等专业人士具备把关新闻价值、捍卫公共利益的能力与素养。更为关键的是，信任关系具有情境性与非对称性：人们对人类的失误往往比对机器更为宽容（Hoffman，Johnson & Bradshaw，2013）。面对人工推荐，这种宽容正是制度信任的具象表达；而面对算法，用户往往采用更为严苛的道德与效能标准进行质询。

技术信任是在使用者和特定的技术（包含算法和机器行为）之间建立的信任关系，一般是指用户对技术功能信赖和认可，并且相信通过使用该技术可以实现个人目标，而不会使个人利益受到损害。在新闻消费过程中，技术信任的建立高度依赖于算法的透明度、可追溯性与用户赋权。然而，在高度平台化的新闻消费情境下，推荐算法作为核心商业机密往往被“黑箱化”运作。用户在获取新闻服务时，必须让渡数据权限并被迫接受平台预设的“信任协议”，却无法对机器的运转逻辑进行实质性干预或质询。这种不完全对等的权力关系所确立的协议，难以转化为用户发自内心的“技术信任”，反而容易激化公众对算法权力越界的深层担忧。

此外，人机交互中的“期望违背”进一步固化了算法厌恶（杜严勇，2022）。算法的精准性依赖于长期的数据喂养，在信息获取不充分的阶段极易推送低质、同质化或缺乏审核的内容，这直接打破了用户对“智能技术应高度准确”的预设期待。同时，近年来智能推荐系统出现的信息茧房、偏见歧视及隐性数据滥用等问题（张萌，杨家明，2023），也不断对用户权益造成潜在风险。所以，深厚的“人工制度信任”与脆弱的“算法技术信任”之间形成一定落差，构成了当前受众主观评价中“算法厌恶”的深层社会心理根源。

（三）研究局限及展望

本文虽在一定程度上揭示了新闻消费情境中的“算法厌恶”现象，但受限于高度控制的实验范式与横截面特征，对真实、复杂的动态交互情境解释力仍有局限。未来研究可从以下三个维度作进一步深化。

其一，拓展纵向研究与客观行为追踪。本文聚焦单次新闻推荐场景，未能考察时间维度的累积效应（如用户在长期使用中对算法的适应或依赖）。未来可引入纵向追踪设计，并结合眼动追踪、点击轨迹、阅读深度等客观行为监测工具，弥补单一主观评价的不足，构建从“感知—态度—行为”的完整分析闭环。

其二，深化算法感知变量的机制考察。用户对算法的接受度受多重复杂因素制约。未来研究需进一步纳入算法意识、感知透明度（如算法可解释性、用户控制权）等前置或调节变量，厘清其在新闻消费场景中如何调节算法信任，并明确不同变量的具体影响权重。

其三，关注“人机协同”的真实应用情境。本研究在操作化中将人工与算法某种程度上进行了剥离，而现实新闻生产中往往是人工把关与技术分发的有机融合。探究人类编辑在何种环节介入算法优化、如何进行规则纠偏，以及这种“人机协作”的混合模式将如何重构公众的算法态度与信任体系，是极具现实价值的后续议题。

本文参考文献从略，原文刊载于《国际新闻界》2026年第2期。

本期执编/王檬

订阅信息

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！

您也可通过下方二维码或网址https://mall.11185.cn/h5/#/bkGoodsDetails?spuId=113613&from=imgShare&dsId=zxSWChat&dsModule=c3df4964-af5d-40a8-d6cc-a768b5306e52 ，进入中国邮政微商城订阅本刊。

您还可访问《国际新闻界》官方网站 http://cjjc.ruc.edu.cn/ ，免费获取往期pdf版本。

进入官网下载原文