400-123-6666

　　j9九游近年反复考的「算法」到底有多少种考法？这篇笔记告诉你答案！。今年的专题笔记将加入更全、更新的知识内容，旨在为小伙伴们提供更好的阅读体验。「高频考点专题笔记」共

　　要注意的是，「专题笔记」专栏是为了让同学们对每个高频考点的知识框架有更清楚的认识，因此，我们会列出知识框架，并对部分较难理解的内容进行简要讲解。如果同学们在阅读时还有不理解的地方，可以参照文末的文献来源，自行查找原文进行精读。

　　本篇阅读提示：为了给大家提供更丰富的学习参考内容，且保证每个小版块的逻辑完整，本篇笔记的每个板块都呈现了较多的内容。因此，在具体内容阐述过程中，板块与板块之间可能有交叉或相通的地方，大家可以上下文结合起来学习，整理出自己的“万能答题模板”，不用对笔记全文进行死记硬背。

　　4.算法推荐（南开大学学硕，2022）5.谈谈算法对新闻传播的影响（同济大学专硕，2022）

　　4.名词解释：算法新闻（北京师范大学专硕，2021）5.请论述算法新闻伦理困境和解决方法（北京师范大学专硕，2021）

　　4.算法新闻会不会导致信息窄化？（华东政法大学专硕，2020）5.新媒体技术引发了哪些传播伦理问题，如何应对？（上海交通大学专硕，2020）

　　算法可以理解为利用计算机（程序设计）来解决问题的方法，是一组定义严谨的运算程序规则。新闻传播领域的算法可以理解为信息自动处理方法。

　　算法推荐是指网站平台通过算法模型将用户信息数据与内容信息数据进行匹配，实现内容高效聚合、精准分发的一种手段，现已广泛运用在移动新闻客户端、即时通信工具、论坛社区、音视频、直播等各类网站平台。虽然不同网站平台采用的算法模型存在差异，但主要都是

　　，实现个性化推送。随着算法推荐技术日益成熟，该方法可以有效地提高内容分发效率，增强用户黏性，使得内容生产者（包括传统媒体和自媒体账号等）高效实现商业变现。同时，自媒体的海量内容资源，丰富了网站平台稿池，给平台带来大量流量和广告。二者互相借势、共生壮大，满足了用户对原创内容数量、多样性、个性化的需求。

　　黑箱理论源于控制论，指不分析系统内部结构，仅从输入端和输出端分析系统规律的理论方法，这里的“黑箱”是一种隐喻，指的是“为人的不知的、那些既不能打开，又不能从外部直接观察其内部状态的系统”。而算法“黑箱”与理论上作为系统的“黑箱”又有所区别，算法“黑箱”本质上归属于技术“黑箱”，技术“黑箱”特指作为知识的人工制造品，“其特点是部分人知道，另一部分人不一定知道”。在这个意义上，算法“黑箱”指的是算法运行的某个阶段“所涉及的技术繁杂”且部分人“无法了解或得到解释”。

　　在人工智能时代下，算法被应用在人类生活的方方面面，而作为无可避免的弊端之一的算法黑箱亦是紧跟而来。例如在商业领域中，算法黑箱不透明与不可解释的特征必然导致开发使用者与消费者之间存在信息不对等；在个人征信情境下，算法黑箱所带来的歧视与偏见会操纵个人信用评分等等。有学者认为，算法黑箱的威胁贯穿于数据采集，算法运行以及应用于社会服务三个层级，在此三个层级中存在三重法律危机，即：数据采集阶段的个人信息数据侵权危机，算法计算运行阶段的结果偏见危机，算法应用于社会服务阶段的救济危机。

　　。事实上，这些算法都是人编写出来的，人们可以把所有的偏见与观点植入其中。换言之，计算机在运行算法时可能是不带有任何偏见的，但是，这并不意味着算法在编写过程中没有受到人类偏见的影响。

　　在传统新闻业务链中，人是主体。记者和编辑是把关人，依靠职业新闻工作者的感知洞察、经验判断和价值偏好选择特定信息，刊登适合的新闻。

　　：在生产环节运用算法工具自动生成新闻内容，在分发环节引入推荐算法，在销售环节实现了传者、受众和消费者的聚合，造就了流程更清晰、作业更高效、销售更精准、目标更明确、成本更低廉的业务链条。

　　。在大数据技术和算法软件的耦合作用下，算法新闻生产运作的高效性优势凸显，在时效性上实现了即时生产、实时发表，

　　。（3）算法新闻揭示了新一代新闻的运作框架算法新闻包括新闻生产和发行营销前后关联的两个框架。算法新闻以算法程序对整个新闻传播产业链进行重塑，构建全新的新闻传播业态。在新闻生产框架中以算法工具取代或部分取代记者及编辑劳动，实现自动化生产；

　　平台依靠算法筛选内容，定向发布，既为新闻媒体提供了大量的资源，提升传播效率，却又限制了媒体的编辑决策，攫取了大量广告收入。近年来最新的趋势是，

　　已经开始重塑世界新闻业的版图，社交媒体的推荐算法对于传统媒体的内容导流效应明显，并且拿走了大量的数字广告；而一批工具类的应用也开始入场内容变现，其依靠场景化的内容推送可以强化用户黏性，完善用户画像，提升定向广告的变现能力。

　　田心说：这一部分内容需要重点把握，可用于回答“算法对新闻传播的影响”“算法新闻的行业影响”等题目，建议背诵小标题~

　　算法推荐将在线内容的供需问题进行了简单化处理，单向迎合用户偏好，偏重以“浏览记录”“热度”“兴趣”等维度来判断用户喜好，连续推送同质化内容。这种思路将新闻简单化、一律化为彼此没有差别的代码、符号或公式，讲究新闻多种要素在可量化方面的传播效率，比如阅读量、渗透率、日活等等，刻意地将信息去意识形态和去价值化，追求一种机械的平均和平等。

　　不同于人类决策，理论上嵌入算法中的计算理论总是可以被充分描述的，除非是有意结合随机性，否则都应该可以重复验证。但是现实的问题在于，一般情况下大型科技公司

　　，而随着算法越来越复杂，从有监督计算到无监督计算，后期可能即便是程序员本身也无法了解机器对于数据到底做了什么，而这样的过程又可能是带有偏见、歧视、以及错误性信息的，因此j9九游，

　　算法依然是一种“人造物”，因此，在其过程中不可避免地会带上人为的痕迹。宣称算法没有价值观或者“绝对中立”，实际上忽视了算法本身的来源以及所处的社会环境。

　　算法虽然可以协助人类发现规律进行决策，但算法高度依赖导入数据的结构性特征。在个性化内容推荐领域，如果整个传播生态系统中的内容质量不高，仅仅依靠算法是无法进行更高水平的内容生产的。而且

　　。此外，目前内容市场版权规范混乱，很多平台对于内容的聚合处于掠夺式状态，这从一定程度上限制了高质量内容的流动。

　　一系列的调查与报道显示，脸书、谷歌、推特、YouTube、Tumblr等平台曾经被有组织地利用来散布虚假新闻，扰乱信息秩序，造成信息污染。根据相关调查报告显示，整个精确宣传的“工具箱”包括行为数据收集、数字广告平台推送、搜索引擎优化、社交媒体管理软件参与以及算法广告技术。这些技术可以被单独或者组合起来使用，目标是尽可能多地收集潜在受众的数据，在各种媒体渠道定制多样化的内容，在网络平台有针对性地投放广告，最终操纵用户的观念和行为。

　　田心说：这一部分内容需要重点把握，建议背诵小标题~也请和“算法治理”部分结合起来学习。（一）建立科学合理的算法推荐模型

　　按照价值观正确的总体要求，优化算法推荐权重配比，关注内容来源规范、文章评价评分、自媒体信用评级、用户反馈意见等质量类要素，辅以用户浏览历史、所在位置及文章阅读量、转发量、评论量等兴趣类要素。

　　对于平台媒体一些头部栏目，如“推荐”“热点”“头条”“要闻”“新时代”等，默认开启重点频道分区管理制度，依次设置置顶区、要闻区、个性化区，置顶区和要闻区要按比例推送时政新闻；控制个性化区中刷新的自媒体内容、明星娱乐类内容占比；限制同质化内容的出现频度；对于用户感兴趣的话题，同时提供“不再推送此类内容”“减少推送此类内容”以及违法违规不良内容举报等功能选项。

　　进一步规范时政新闻稿源，依照《网络安全法》和《互联网新闻信息服务管理规定》等法律和规范性文件进行内容聚合；完善自媒体账号认证和信用管理制度，根据信用评级将自媒体内容分类归入等级，保证优质的自媒体内容得到优先推荐，对于未认证和信用评价不达标的自媒体实施内容监控。

　　算法推荐的重要稿件必须实行人工审核，落实总编辑负责审核制；增加对弹窗、热点推荐等重要板块内容的审核频次，实现问题稿件快速召回、反馈信息快速回应、推荐模型快速修正；建立科学合理的算法推荐人工干预指标体系，度规范文章质量标签的衡量标准，降低文章阅读量、转发量、评论数、点赞数等热度阈值上人工复核的数量要求。

　　要求平台媒体需要加快升级内容监测技术系统，健全内容监测预警机制，强化对负面、有害信息的监测和识别能力，加强对行为主体和行为过程的监管，强化稿源、推荐规则、推荐举报的验证、核查和违规预警。

　　扶持优质稿源，尤其是时政类新闻，对提供优质稿源的媒体给予政策和资金上的支持；建立算法推荐激励机制，在重大事件报道中，利用算法推荐发挥积极作用；平台也可出台内部管理措施和办法，鼓励自身平台上生产原创优质稿源。

　　国家和地方网信办负责监督平台媒体是否依照相关法律落实在线内容算法推荐治理机制，对违规从事新闻信息内容生产的网站和用户依法进行处理，平台用户也可以向网信办举报和提出各类违规问题。

　　进一步细化和明确平台媒体对于用户身份信息、通讯信息、交易信息、行为信息等个人信息的收集使用保护规范。督促平台在收集使用用户信息时，遵循合法正当、最少必要的原则，公开收集使用规则，明示收集使用信息的目的、方式和范围，并且获得用户同意。严禁平台在使用算法推荐时滥用用户个人信息、侵犯用户隐私。

　　2021年9月17日，国家网信办等九部委联合印发了《关于加强互联网信息服务算法综合治理的指导意见》（以下简称《指导意见》），这部旨在

　　网络算法应用的《指导意见》，是我国首个多部委联合针对算法监管与发展的法律性文件。《指导意见》所称的算法并非仅局限于网络内容推荐和自动化决策领域，包括电子商务、舆情安全、打击犯罪、技术创新、网络安全、数字孪生等度在内，都纳入算法监管范围。

　　在网络生态大背景下，以安全保障创新，以创新促进安全，形成了算法生态规范相互依托，互为表里的四大关键点：正确导向、公开透明、创新发展和防止滥用。算法的正确导向体现在价值观层面，主要分为正确的方向、导向和价值取向三方面；算法的公开透明体现在个人信息保护与网民自我决定权层面；鼓励创新是算法规范发展的目标；防范算法滥用风险是算法经济的底线。

　　（二）《互联网信息服务算法推荐管理规定》2022年3月1日，国家互联网信息办公室、工业和信息化部、、国家市场监督管理总局4部门联合发布的

　　（以下简称《规定》）即日起正式施行。《规定》明确，不得利用算法实施影响网络、规避监督管理以及垄断和不正当竞争行为。

　　近年来，算法造成的社会负面事件层出不穷，首要问题是算法自动决策中的“黑箱作业”。算法不透明使算法开发者和消费者之间的信息鸿沟被不断放大，加剧市场主体地位不平等。对于大多数接受算法推荐的用户来讲，其决策过程不易被理解，决策机制如密不透风的“黑匣子”，其发挥作用最终可能与设计初衷背道而驰。在治理算法过程中，通过立法推动建立公开透明的算法机制，成为各国治理算法的首要问题。

　　。我国新近出台的《关于加强互联网信息服务算法综合治理的指导意见》中明确，“研判算法应用产生的意识形态、社会公平、道德伦理等安全风险，提出针对性应对措施”。智能化的算法超越了常规技术，产生类似于人的分析和决策，因此，算法科技伦理规范的意义在于找到人机协同的契合点，使得人机合作能够朝着人类追求的价值目标共同前进。

　　。如事前设立算法备案和准入制度。针对使用算法的应用场景，在产品正式上线时，开发者应对算法预期后果进行提示，并对运行可能导致的结果承担相应责任。事前审查备案不能排除的风险，需要事中政府部门动态监测和算法提供部门主动上报有机结合。对于事后惩戒来说，美国等国出台了《算法问责法案》，规定了算法造成的损害结果的救济方式和相应的惩戒措施，最大程度维护利益受损者的权益。

　　当前，我国算法规制仍处于起步阶段，推进算法公开要兼顾社会知情需要和开发者知识产权保护的需求，算法推荐服务提供者应

　　，以合理保护算法开发者的知识产权。针对算法使用，应当为用户提供便捷的“拒绝服务”选择方式，使算法开发者提供的信息既能有效保证推送效率，满足用户需求，又能保障用户选择的权利。

　　根据算法推荐服务的内容类别、用户规模等对算法推荐服务提供者实施分类分级管理，以有序的分级分类管理，促进算法良好生态环境的形成。《互联网信息服务算法推荐管理规定（征求意见稿）》首次细化明确五类常用内容算法推荐方式：生成合成类、个性化推送类、排序精选类、检索过滤类、调度决策类。此外，特别提出具有属性或者社会动员能力的算法推荐服务提供者应当按照国家有关规定开展安全评估，完善页面版面生态管理，完善人工干预和用户自主选择机制，积极呈现符合主流价值导向的信息内容。

　　算法监管既要充分利用现有法律法规，也应积极适应算法智能化发展特点，利用大数据、智能化等技术优势，提升监管的效率和精准性，实现“以技术管技术”“以算法管算法”。既

　　。大数据等技术快速发展为建立平台态势感知系统提供了便利，要有效利用大数据对算法平台实现态势感知，动态监测预警，并对算法平台进行安全测试和风险提示，避免系统性算法偏见对用户决策的影响。

　　算法领域的创新成为人工智能领域的重要创新之一。在智能化时代，算力某种程度上是国家核心竞争力的体现，要积极支持算法技术创新，扶植行业优秀企业，提高我国算法的核心竞争力。

　　算法推荐早期实践是在电子商务平台。用户在线购物时，会在网页上同时浏览到基于其历史检索、浏览和购买等用户行为推荐的相关商品，以起到个性化的广告投放作用。这种推荐算法就是协同过滤算法，其本质是基于行为进行计算推荐，围绕着“用户”和“产品”展开。协同推荐算法后来又被应用于内容平台，YouTube和Netflix也开始使用算法进行内容推荐，只是在这一语境下，“产品”被替换成了“内容”。

　　一是成长性良好，随着数据增多，计算会变得更加精准；二是个性化程度高，基于用户自身的历史数据不断进行反馈，推荐产品与用户高度相关、精准匹配；三是应用范围广，既可以用于物品推荐，还可以用于内容推荐。

　　一是协同推荐算法高度依赖用户行为数据，头部平台优势巨大；二是协同推荐算法面向的是“历史”，新用户、新产品、新内容遭遇“冷启动”问题。

　　一是高效精准，无需预先累积用户历史数据；二是一定程度上解决了数据稀疏和冷启动问题；三是依据内容进行分类学习的算法发展较为成熟。基于内容的推荐算法存在的问题：一是基于内容的推荐算法主要应用于文本特征提取，对于音频、视频等多媒体形式，自动提取内容特征存在一定困难。二是高度同质化的资讯引发学界对于信息茧房、主流价值缺乏导向、算法审查对用户知情权的控制、风格缺失、数据安全等诸多伦理风险问题的普遍忧虑。三是随着数据增多、用户偏好复杂化，特征提取会更加困难，精准程度可能下降。

　　一是能够提供十分丰富的信息和多样化的推荐，避免传统算法信息高度同质化的弊端；二是语义网络不仅能够提取用户的行为，还能够通过语义和情感分析推断用户行为背后的动机，实现对用户行为的预测，挖掘用户潜在的需求。当前，算法推荐实践中趋向于

　　。但随着技术的不断发展，系统算力的损耗、算法冗余问题，也将成为下一阶段基于语义和知识图谱的推荐算法所要面临的挑战。

　　在算法推荐中，哪些新闻内容能够进入传播渠道、用户阅读什么样的内容，都由算法说了算，以单篇文章为单位带来的点击率来评判文章的价值，而忽略文章本身带来的社会效果。对于平台媒体来说，新闻内容带来的流量比质量更重要。在这种信息传播模式下，

　　伴随着移动互联网的发展以及算法推荐的应用，有些网络媒体或自媒体为了吸引受众注意力，迎合受众情绪、提升点击率，刻意营造出一种

　　新闻的泛娱乐化是对媒介娱乐功能的过度使用。算法推荐机制下给用户过度推送娱乐化新闻，从资本的角度来看能满足受众的娱乐需求，提高收视率，增强用户粘性，带来巨大的经济利益。但是

　　在以用户兴趣爱好为唯一价值标准的情况下，媒体引导功能缺位，忽略个体的社会存在性，呈现出以自我为中心的较少或者不考虑其是否符合道德伦理准则，或者正确的社会价值导向道德相对主义。算法推荐机制将不同价值观的内容通过机器分发给不同用户，缺乏对事物理性的思考和主流价值的引导，传统媒体建构的主流价值观、坚守的新闻理想被算法推荐消解。

　　，其基本指标和价值逻辑倾向于资讯信息的覆盖、频次、匹配、停留、转发等利于广告价值和价格计算的要素，媒体缺乏动力和必要性去考虑这些资讯信息是否会显著增加社会与公共利益价值。在这个过程中，聚合平台注重的是信息能带来的流量而非内容，注重的是商业利益而忽略新闻的公共性。

　　人工智能是我们已有文化的延伸，算法不可避免地要体现操纵者与设计者的思维逻辑和价值取向。算法虽然是中立的，但其计算过程却包含了很多人为因素，很多算法问题是由数字媒体的经济与商业模式决定的。个性化推荐阅读为读者营造了一个拟真的超真实空间，用户在算法推荐和集群式传播中强化自身观点，异质化的多元的信息被过滤泡阻隔在读者的推荐页之外，

　　，现有的社会不平等和偏见正在以不可预知的方式得到强化。从这个角度来看，个性化推荐下的过滤泡强化了既有阶层偏见。（二）算法推荐下媒介伦理失范的原因

　　理性行为包括价值理性行为和工具理性行为。霍克海默、阿多诺、马尔库塞等继承了理性行为理论，在20世纪40年代之后发展形成了法兰克福学派工具理性批判理论。霍克海默认为，科学技术的发展成了统治人和控制人的技术理性，科学技术本身成为了一种新的意识形态。

　　工具理性能够促进人类现代性的发展，但过度的推崇工具理性会导致技术手段成为目的，最终陷入到“技术牢笼”当中。媒介技术的不断进步以及市场化发展需求赋予算法以权威合法性，很多算法被贴上“中立”“客观”“公正”的标签，构建出自身合法性的神话，将用户的一切社会行为量化，用户很容易被算法控制，不再是传播主体，而沦为技术的客体。

　　算法给受众推送的信息越多样，受众就能通过推荐系统获得更多有益的信息，但个性化过程中的精准度就会降低，推送的信息有效率会下降。这是一个两难问题，很多时候只能通过牺牲多样性来提高精确性。由于多样性缺乏适用的量化指标，目前大多数媒体的算法推荐是精确的信息匹配，其逻辑价值是将信息内容最大化传播，以便获取流量，或者是基于内容的精准营销和传播以便获得更多的用户黏性。信息的精准度虽然相对较高，但打破了用户信息接受的多样性平衡性，导致异质性信息流动性的减弱，没有发现用户真正需要的“长尾”、有思想深度但小众的信息。

　　算法设计程序的背后，是一套试图增加用户粘性和提高点击量谋利的商业逻辑。这种新闻事业的公共性与点击量间的失衡会导致用户身处信息茧房中，缺乏对公共事物的关注。

　　（三）算法新闻下媒介伦理的重构田心说：本部分可结合“算法治理”部分进行学习~如形成一个“万能解答模板”，答题时能根据题干合理变换“模板”即可~

　　现在法律是对平台媒体伦理失范行为的事后惩戒，缺乏对算法技术本身的规范。因此，政府还需制定相关法规对算法技术的应用进行监管。通过相关法律条例的约束，明确算法技术的使用范围及标准，形成健全合理的平台问责机制，通过明确可量化的问责标准要求企业平台在新闻推送过程中承担社会责任，引导正确导向，尊重社会伦理。同时，

　　算法技术只根据内容的相似程度或者点击量向用户推送新闻，缺乏对内容的质量的把控，造成了一系列伦理失范问题。因此要充分发挥新闻媒体工作者的主体作用，加强传统把关人对内容质量的审查和甄别，建立人机结合的内容审查机制，通过编辑辅助算法技术实现新闻价值的回归。

　　目前推荐系统的主要推送指标包括用户的社交关系、基本信息以及浏览记录，因此在推荐系统的算法模型中可以加入用户满意度、内容影响力、专业品质、时效性等指标，向用户呈现经过重新加权的复杂结果，推送的结果可能帮助用户发掘更多有价值的信息，走出“信息茧房”的困境。同时，对于用户画像的分析时要减少低俗、过度娱乐化的画像，突出用户的正面兴趣点，给予用户正确的价值引导。

　　但算法是一种商业利益，拥有大量的商业机密，如果让社会公开审查这个算法的话j9九游，将会损坏企业的商业利益。所以需要有一个不损害其商业利益同时起到监管功能的部门，例如成立一个“算法审查委员会”。这个算法监督委员会可以由政府、相关学者、企业代表、行业代表共同组成。政府、学者等代表用户、代表新闻业，从法律的角度和新闻专业的角度对算法实施监管。

　　田心说：算法推荐与信息茧房的关系也很重要哦，这部分内容较多，建议在理解的基础上记忆小标题，能够简单复述即可~

　　霍夫兰很早就在个体差异论中指出，由于个体在需求、信念、价值观、态度上的认知结构差异，相同的大众传播内容在受众之间会产生不同的效果，受众倾向于接触与原有态度较为一致的信息，而尽量回避那些与己见不合的信息，即所谓信息的选择性注意和理解。这种“偏食”行为是个体在与社会互动中形成，并存在于传播的各个阶段。算法则基于个体兴趣爱好，进一步扩散用户自由，用主动推送的方式将用户认为有价值的人或事呈现在眼前（耳边）。说到底，以个体兴趣为核心的“信息茧房”归根还是用户自我信息选择的结果，算法与数据技术也不过是媒介的价值选择机制在数据条件之下的一种“的延伸”。

　　比如，在封闭的山村中，村民对于事物的认知多来源于代际间口口相传，也容易将一些神线.媒介体制的某些特征同样会导致“信息茧房”

　　媒介的所有制和经营机制，以及关于媒介法律与管理制度，也是形成“信息茧房”不可忽略的影响因素。例如纯粹商业逻辑的媒介运作也会在一定程度上误导用户视听。

　　算法把用户感兴趣的主题内容全部予以推荐，里面包含了互相矛盾和对立冲突的信息和观点，实际上反而削弱了“信息茧房”形成的可能性。3.个体的信息决策受到除技术外多种因素的影响

　　个体行为又往往受到了诸多外在环境变量的影响，如个体本身的人口特征偏向、现实生活的环境差异、社会群体压力以及用户能否指导自身实践等等。

　　基于大数据与人工智能的推荐算法系统的引入，对传媒领域来讲，实质上是一种传统的寡头权力逐步让位于技术逻辑主导的用户权力的过程。

　　用户自身在一定程度上成为自己的议程设置者，打破了媒体对传播主导权的垄断。同时，不同用户的需求与个性是各不相同的，经由算法推送的新闻经过用户的分享，使得多种声音同时存在，颠覆了少数者的话语霸权。

　　基于内容的推荐算法可能会“窄化”用户选择，但协同过滤算法则是根据跟你相似的其他人喜欢什么来进行推荐，因此用户可能接触到自己都想不到的多样内容。目前，融合多种算法、关联更大数据的组合推荐系统得到发展与完善。

　　3.可信任的算法推动了用户与内容的友好会话算法技术本身并无“原罪”可言，可信任的算法技术是人文理性与技术理性相交融的产物。实际上，在意识到“信息茧房”存在的影响后，主流媒体机构、互联网公司等都通过诸多尝试优化内容的分发规则，建立可信任算法的伦理框架。

　　二是注重公共议题的新闻专业主义，例如在媒介融合的实践中，今日头条、百度百家号等将时政新闻板块交由主流媒体“打理”；三是在“随机”设计中注入人性关怀

　　随着算法推荐系统的不断完善，深度学习、知识图谱等技术的发展，推荐算法的运行逻辑从“分类”走向“推理”，从提取用户行为转为洞察用户行为背后的动机、意义和目的。（二）传播层面：算法成为新的“把关人”

　　算法推荐的出现改写了新闻业的生态，在“千人千面”的新闻聚合平台中，对于受众需求的精准把握成为人力所不能至，机器代替人工编辑成为新的“把关人”

　　对于受众而言，算法推荐基于网络行为、兴趣爱好等个人数据进行信息分发、广告投放，带来了更加个性化的用户体验。随着技术的升级和算法的完善，混合算法和知识图谱等技术使得推荐进度进一步提升。然而，高度同质化的信息也带来了信息失衡问题，信息茧房、算法隐形歧视等社会问题逐渐暴露

　　在社交媒体的合力下，情绪化的、煽动性的信息经过不断传播，还可能引发群体极化，造成社会管理风险。

　　（一）运算规则设计中的算法偏见通过大数据分析来研究受众的阅读偏好或者搜寻热点新闻的传播情况时，就需要编写一定的算法，在这个过程中就要预设一定的“标准”来对信息类型或受众偏好进行归类

　　数据分析的结果貌似客观公正，但其实如同所有新闻报道一样，价值选择早已贯穿了从构建到解读的全过程。

　　算法的运行是按照既定的程序输入数据，依据计算法则对数据进行解读，最后输出运算的结果。从表面上看，算法的运行过程不太可能产生偏见，但事实上并非如此。高效、精准的信息推送靠的是算法推荐系统对用户需求和兴趣的认知来实现的，而这里的“认知”则是指推荐系统的智能处理和深度学习能力。深度学习就是通过“学习”大体量的用户行为数据，来把握数据特征以及数据特征之间的关系，进而建立数据模型，实现优质推荐。算法系统进行深度学习的开端是严格按照事先设定的原则来运行，而且数据的筛选、供给是由人工实施的，如果用于训练的数据存在某种倾向性的话，经过一段时间的学习，所形成的算法推荐模型也就会产生偏见

　　算法偏见作为一种预设的态度，将错误或偏颇的判断融入新闻传播活动中，违背了新闻职业规范。（二）挑战了用户知情权和信息选择权

　　算法在社交媒体中的运用使用户接收到的内容是被社交平台筛选过的，一定程度上替用户进行了信息选择，消解了用户的消息选择权。

　　体现了强烈的个性化和利益相关性，削弱了传播的公共性，影响了主流价值观的构建。尤其是在“算法神话”的遮蔽下，非理性的、偏见的、煽动性的信息传播打着“个性化”的旗号，解构了主流的社会共识，埋下了引发公共的潜在风险。

　　算法设计者应积极承担数据可查义务、解释性义务以及恶意操纵责任，算法使用者（尤其是将算法用于商业运行的公司）也同样承担着因算法问题给算法服务对象造成损害的责任。

　　将两类机器学习适度结合。机器学习算法主要分为两大类，即监督学习和无监督学习。目前，大多数算法训练采用的是监督学习，所使用的数据来源于算法设计者选择的标签数据，而算法系统不会质疑这些数据是否存在偏见或歧视，它只是按照既定原则去探寻输入输出的关系，由于这一过程中掺杂了人的活动，难以保证数据做到完全的客观公正。相对而言，无监督训练使用的是没有任何标签的数据，在不给任何额外提示的情况下，算法系统自己对数据实现分类、识别和汇集，在这个过程中，没有人工的参与，有助于消减那些有意识或者无意识的人为偏见，避免干扰训练数据的客观公正性和算法模型的最终产生。因此，可以考虑在算法系统在生成到优化的不同阶段，把两种机器学习方式结合起来。

　　将公正公平原则嵌入机器学习。从技术层面或者说在机器学习过程中嵌入“机会平等”概念和技术公平原则，在人工智能日渐代替人类做出抉择的时代显得非常重要。国外已经有研究团队依据约翰·罗尔斯的公平技术定义及其“机会公平平等”理论，引入了“歧视指数”的概念，提出了设计“公平”算法的构想。最后，提高算法透明度。

　　建立由科研单位、非营利组织等多主体构成的第三方审核机构，制定完整的运行机制，对涉及面广、影响深远和存有争议的算法进行审查和评估，并借助互联网行业的自净功能来保证算法的客观性和公正性。

　　对算法的设计者、运营者、使用者以及用户而言，可以考虑把“算法价值观”纳入专业技能培养和通识教育体系中，帮助大家认清算法运行的基本原理和局限性。

　　算法从设计开始就必然内嵌着价值观，存在着价值负荷j9九游，并且具有正向价值和负向价值双重属性。究其根本，算法推荐看似中立的技术表征下，有着强烈的价值驾驭空间，算法涉及的数据沉淀、用户研究、使用策略等都有鲜明的价值导向和意识形态属性

　　技术和资本裹挟下的算法推荐，在促进新兴业态繁荣的同时，也在不同层面和程度上带来社会价值观的混乱，低级趣味、历史虚无主义等不被倡导的价值观通过算法被强化和放大

　　唯有在价值认同框架下重聚社会主义意识形态价值引领的传播主体，才能有效传播社会主义意识形态，我们应正确认识并主动为算法赋予主流价值，在算法生产的各环节和全过程进行价值引领，实现主流价值对算法的驾驭，让社会主流价值在新技术条件和媒介生态下有序传递。

　　在新型主流媒体建设征程中，主流媒体算法的实践并不鲜见，人民日报客户端2019年9月的7.0版，在全国率先推出了主流算法。央视频倡导的“总台算法”，也在央视频平台“影视”板块上线，将宣传导向、艺术价值和商业价值有机结合，根据用户兴趣喜好，在短视频、长视频、移动直播中实现多业务混合推荐，为用户提供良好收视体验。

　　实践证明，在错综复杂的格局中，“家办报”理念在互联网时代仍然有强大的生命力，有着党媒基因的主流媒体算法，价值归属和价值导向显而易见。

　　主流媒体算法可以让内容更加主流，通过对全网热点内容数据进行挖掘，对新闻内容进行分类标识，建立主流价值观评价体系，从源头把控内容品质，同时建立内容风控模型。可以让推荐更具价值，通过对用户和内容的度特征描绘，建立主流媒体算法内容标签和用户标签体系，实现海量具备主流价值观内容与用户个性化需求高效、精准匹配

　　要加快自身的数字化转型，建设大型数据库，加强数据储备、数据筛查、数据清洗等技术建设，因地制宜打造主流媒体算法，精准进行主流传播，扩大主流价值版图。

　　算法不是简单的技术工具，会影响经济生活各个方面和人的成长发展，要在法治化、规范化、制度化的框架下运行发展。

　　目前，国家法律法规不断完善，《数据安全法》《个人信息保》都为算法发展提供了有力的法治保障，国家网信办等九部委印发的《关于加强互联网信息服务算法综合治理的指导意见》，对管理好、使用好、发展好算法应用做出了顶层设计。在具体的实践中，需要各平台坚持“谁主办谁负责”原则，切实履行管理责任，共同为算法发展营造良好环境，促进算法应用主流化。

　　算法新闻最初是由美联社首先采用的一种新闻写作方式，2014年美联社首先采用Wordsmith机器人写作财务报告，伴随着算法技术的不断成熟与发展，算法新闻涉及的领域也从最初的财经、体育类新闻不断拓宽。华盛顿邮报开发的智能机器人Truth Teller专门用于时政新闻写作，洛杉矶时报则研发出自动报道地震新闻的机器人Quakebot。同时，算法新闻也从格式化向着个性化的进程方向发展，2017年名为Custombot的算法工具的诞生，它可以根据消费者个人喜好制定新闻推送的内容，这在很大程度上使者算法新闻朝着个性化进程方向发展。

　　（2）《规定》要求算法推荐服务提供者应当坚持主流价值导向，积极传播正能量，建立完善人工干预和用户自主选择机制，不得利用算法实施影响网络、规避监督管理以及垄断和不正当竞争行为。

　　（4）《规定》要求算法推荐服务应遵循公开透明的原则，鼓励算法推荐服务提供者综合运用内容去重、打散干预等策略，优化规则透明度和可解释性。建立健全算法机制机理审核、科技伦理审查、用户注册、信息发布审核等管理制度，不得利用算法操纵榜单、控制热搜等干预信息呈现。

　　还会偶尔出错，产生不良的社会影响。作为互联网超级平台的腾讯，不仅屏蔽过新华社的文章，还屏蔽过人民网的文章。如：2020年3月2日，人民网文章《给民间中医留一条生路》被该互联网公司屏蔽；2020年2月，新华社的文章《新华社：让人讲真话，天塌不下来!》被该互联网公司屏蔽。2020年2月25日，“今日头条”算法出错，连解读政府文件的信息，审查都通不过。

　　2.当今社会正步入深度算法社会，算法技术影响下的社会结构正发生深刻变革，人与人之间、人与社会之间的连接方式逐渐被重新定义。与算法共生、与算法同行，成为算法社会必然的发展趋势。面对算法时代的新趋势、新现象，社会如何思考算法，个体和文化如何应对“算法化”的生活，是当下人文社会科学界研究绕不开的课题。

　　3.“算法推荐”是媒介技术进步的标志，客观上满足了用户对信息的需求，实现了用户和信息的精准对接，带来了新闻生产格局的新变化。同时，“算法推荐”的普及和运用也增加了各媒体发展的压力，助推各媒体机构必须解放思想、创新思维，勇于突破。只有进一步提升新闻内容的生产质量，改变新闻信息内容供给用户的形式，才能在未来媒体竞争格局中占据有利优势和制高点。

　　5.数据信息的资源化已成为不可逆的趋势，我们生活的空间、行为的情境无一不被数字化、算法所重新定义与塑造。同时，也应该看到，算法从来不是独立的，是人类自身赋予技术权限去记录、读取、分析我们的行为数据，为我们的决策提供意见与帮助，但是在具体使用的过程中难免出现目的与路径错位的现象。认识算法、理解算法、批判算法是善用算法的前提，否则“我们塑造算法，然后算法塑造我们”将不止存在于科幻故事中。