摘要: 后信息时代，社交媒体平台借助算法推荐较为有效地实现了用户信息需求的精准预测及投送，用户也实现了信息接收、情绪表达和沟通反馈的传播闭环。本文以情绪传播为视角，探讨了推荐算法辅助下社交媒体用户分别在描述性、对抗性和煽动性话语中的情绪表达，展现出情绪模糊化、两极化和工具化的传播特征；同时，基于SIPS模型，借以情绪传染理论，阐述了社交媒体用户负向情绪的传播机理，包括共鸣、确认、参与和分享四个方面，展现了推荐算法下用户情绪的传播逻辑；并进一步从用户、技术、平台与社会四个维度提出规避措施建议。
Abstract: In the post-information era, social media platforms have effectively leveraged algorithmic recommendations to achieve precise prediction and delivery of user information needs, while users have formed a closed communication loop encompassing information reception, emotional expression, and interactive feedback. From the perspective of emotional communication, this paper explores how social media users express emotions under algorithmic recommendations in descriptive, confrontational, and inflammatory discourses, revealing emotional communication characteristics such as ambiguity, polarization, and instrumentalization. Furthermore, based on the SIPS model and emotional contagion theory, the study elucidates the dissemination mechanisms of users’ negative emotions on social media, including four aspects—resonance, validation, participation, and sharing—thereby clarifying the emotional propagation logic under algorithmic recommendations. Finally, recommendations for mitigation measures are proposed across four dimensions: user, technological, platform, and societal perspectives.
1. 引言
在信息不确定语境之下，算法推荐技术的影响力不容小觑，悄无声息地改变了我们在媒体上的使用行为和习惯，从而重塑了当下的媒介生态和传播形态。算法推荐技术的应用，使得社交媒体平台如抖音、微博和微信的传播效率得到了显著提升。这些平台通过收集和分析用户的浏览历史、搜索记录、点赞评论等行为数据，能够精准推送用户感兴趣的内容，从而提高用户的活跃度和停留时间，进而提升平台的传播效果。第55次《中国互联网络发展状况统计报告》显示，截至2024年12月，我国网民规模达11.08亿人，日均使用互联网时长增至5小时37分钟，社交媒体用户占比超95%，年增长率降至2.3%，已进入存量竞争阶段。在这其中，以协同过滤推荐算法为平台运作逻辑所达成的用户喜好与内容推送的精准匹配，与用户在线时长存在正相关关系。
目前已有研究表明，社交媒体用户对算法推荐内容的接受倾向可能会受到其使用技能和心理效能的双重影响(范梓腾，宁晶，魏娜，2021)。但有关社交媒体算法推荐逻辑下用户情绪传播的研究相对较少。随着新媒体技术的广泛应用，社交媒体平台已成为用户情绪传播的集散地，由于虚拟环境的嵌入，用户也更容易参与互动交流，以表达愤怒、焦虑、紧张、悲伤等负向情绪。此类负向情绪信息对用户群体的心理和行为产生巨大影响，可能会引发情绪传染和共鸣效应，如果不及时进行疏导和平息，可能会导致严重的次生社会问题。因此，只有研究算法推荐下社交媒体用户负向情绪的传播特征和传播机理，以多维度视野提供路径建策，才能有效规避负向情绪传播，实现社交媒体的良性发展。
2. 算法辅助：社交媒体用户负向情绪的传播特征
情绪可以是信息本身携带的，也可以是传播者主观表达所致，它常常伴随着信息而传播。情绪作为一种态度，对传播效果产生影响，不仅塑造着人们对信息的认知，还直接左右着他们的行为。根据情绪效价，即情绪属性的自我评估，我们可以将情绪分为正向情绪和负向情绪。负向情绪也称为消极情绪，与积极情绪相对，通常包括：忧愁、悲伤、愤怒、紧张、焦虑、痛苦、恐惧、憎恨等。在社交媒体的信息传播过程中，情绪已经成为描述信息传递有效度和用户满意度的重要衡量标准。而用户负向情绪的催生和传播，并不是杂乱的、无序的、偶然的，其与传播信息存在一定的附属性和关联性，具体体现在以下方面。
2.1. 描述性表达中的情绪模糊化
在社交媒体中，用户模糊化负向情绪的行为可以被理解为社交适应和自我保护的表现。在错综复杂的互联网环境中，用户可能面临来自他人的负面评论或信息过载、社交比较带来的压力，因此有时会选择模糊化负向情绪以防止产生冲突或遭受不必要的困扰。所谓描述性表达，是指通过语言或其他媒介对某个事物、现象、场景等进行准确、客观地描绘和呈现的方式。这一表达形式强调了信息客观性，给人以严肃、谨慎的中立色彩，也正因如此，用户可以将自身负向情绪隐匿于此类话语表达中，以防被外部感知察觉。
在社会化过程中，个体必须恪守群体规则，通过结合共同理念、分享个人见解以及交流独特感受，以确保在群体中稳固立足，实现持久生存。通过对自我呈现、社会压力和社会规范这三个方面的探讨，验证了在社交媒体用户的描述性表达中，负向情绪的模糊性是无法回避的。首先，许多用户希望在社交媒体上呈现积极、乐观的形象，以获得认可和赞同。因此，他们可能不愿意公开展现负向情绪，而选择模糊化以维持自己的正向形象；其次，在社交媒体上，用户可能感受到来自他人的评判和观点，因此为了避免引起争议或不愉快的对话，他们可能选择将负向情绪模糊化；最后，社交媒体平台通常强调正能量和友好互动，因此用户可能会有意识或无意识地抑制负向情绪，以符合平台所倡导的社会规范和氛围。尽管模糊化负向情绪在某些情况下可以带来一定程度的社交和心理保护，但这种行为也可能导致情绪不畅、交流不清晰和自我表达受限等问题的出现。
2.2. 对抗性表达中的情绪两极化
根据群体极化理论，互联网使得人们能够筛选掉那些与自己意见相左的信息，更倾向于与持有相似观点的人群进行互动。原本只是轻微持有某种偏见的人们，在经过彼此间的交流与讨论后，他们的观点往往会变得更加坚定，更容易形成或加深原有的偏见。以群体极化来解释社交媒体用户在对抗性表达中的情绪激化与极化，不仅考察了用户负向情绪上的分化，也关注到了算法推荐背后的信息推送机制。算法推荐犹如磁铁，吸引着拥有相似价值结构和兴趣的个体，共同塑造群体认同，使其愈发深入人心。然而，随着事态的推进，这种群体认同如同双刃剑，使个体在观点之争中纠缠不休，反而忽略了对事件本质的关注。当一个用户发表对抗性言论时，其他用户往往会以相同或更激烈的方式回应，形成一种情绪共振的循环，例如，社交媒体用户可能会使用硬性标签和批评来对抗对立观点，给对方贴上贬低的标签，如“愚蠢”、“无知”等，以此削弱对方的观点，如此一来，社交媒体用户负向情绪便呈现出两极分化的态势。
2.3. 煽动性表达中的情绪工具化
社交媒体用户在煽动性表达中的负向情绪工具化是一个复杂的现象。而算法推荐本身的价值逻辑决定了它无法保持真正的中立，必然带有特定的价值倾向(匡文波，王天娇，2023)。首先，负向情绪具有强烈的驱动力，特别是愤怒和厌恶，这种情绪的爆发往往表现为网民对冲破道德、规则、法律的极端行为表现出的激烈反对态度。而在网络环境中，数字情感作为一种新颖而实用的情感表达方式得到了推广。它利用各种符号形式在网络上再现和模拟人类情感，实现了情感的数字化表达。这种传播方式破坏了个人独特的情感体验，同时也引发了人们对科技领域中人类主动性的质疑。一方面，虽然得到朋友圈的关怀和支持能缓解生活中的负面事件，但大多数人还是更倾向于在现实中的亲密朋友倾诉。另一方面，负向情绪的传播可能引发“众怒”，导致社会分裂和极端化，如家暴案件、性侵案件、未成年人恶性犯罪案件、暴力执法案件等，都曾激发舆论场强烈愤慨和批评谴责。这种情绪工具化的行为对于公共讨论和社会和谐并不利，因此，用户应该对这种行为保持警惕且理性对待信息。
3. 社交媒体用户负向情绪传播机理——基于SIPS模型
网络情感传染是一个需要意识参与的过程。在信息分享为主的社交平台上，由于缺乏面对面的交流环境，大量的文字内容成为了网络社区的主要表达形式。网民依靠对主帖的内容线索和非内容线索的认知加工以及社会评价机制，模仿和传递情绪，形成了强烈的情感传染(杨洸，2020)。SIPS模型的整体框架提供了一个系统性的方式来解读社交媒体传播过程中的核心环节，有助于我们深入理解商品和服务信息是如何通过一系列社交媒体渠道传递给公众，并建立起有效的信息联系。因此，在算法推荐的环境下，基于SIPS模型来探讨社交媒体用户负向情绪在共鸣(Sympathize)、确认(Identify)、参与(Participate)和分享(Share Spread)四个维度上的传播机理具有充分合理性。
3.1. S. Sympathize共鸣——基于用户信息的基本过滤
当社交媒体平台的算法推荐内容传递给用户时，通常会根据用户的兴趣、偏好和行为历史等信息进行个性化的筛选和排序。在这一过程中，用户的个人信息起到了基本过滤的作用。社交媒体平台还会根据用户的好友关注信息、信任信息等来补充用户的行为信息，以确保用户更有可能对推荐内容感兴趣。如Facebook的朋友动态过滤、Twitter的话题订阅过滤以及Instagram的兴趣标签过滤等强大功能，使得用户能够更为精确地浏览到符合自身兴趣的内容，从而优化他们的在线体验。然而，由于算法推荐的复杂性和个性化过程的不透明性，会存在一些潜在问题。例如，如果用户的偏好倾向于消极或争议性的内容，那么算法推荐可能更多地向用户推送这类内容，进而增加用户接收负面情绪信息的机会，进而导致用户更容易受到负向情绪的影响，并通过社交媒体传播负向情绪。
社交媒体平台以算法运作内容推荐和投放，会影响用户接收到的信息刺激，进而可能引发负向情绪的传播，强调了用户信息过滤在社交媒体情绪传播中的高度参与性。
3.2. I. Identify确认——基于流量内容的堆砌推荐
社交媒体平台经常基于用户的在线行为和兴趣进行内容推荐。这种基于流量内容的堆砌推荐机制可能导致用户更多接触到负向情绪的内容。例如，YouTube作为一个视频分享网站，其推荐算法会根据用户的历史观看记录、搜索行为、对视频的评价等信息，推荐与用户兴趣相关的视频。然而，由于该算法过度依赖流量、缺乏多样性，不可避免会出现推荐内容过于相似、重复或者偏向极端化的情况，由此引发用户负向情绪蔓延。当用户在社交媒体上浏览或与负向情绪的内容互动时，算法会将更多类似的内容推送给他们，形成了一个循环反馈的闭环过程。这种循环可能使用户暴露于更多的负向情绪刺激，进而影响其情绪状态和情感体验。在此逻辑之下，平台可能会更频繁地向用户展示与负向情绪相关的帖子，或者将这些帖子放置在用户的关注列表或首页上，从而引起用户更多的注意和互动。
但值得注意的是，具体推荐机制因平台而异，部分社交媒体平台已经意识到了负向情绪传播对用户的潜在影响，并采取了措施来平衡推荐内容的情绪性质，以提供更加健康和多样化的用户体验。
3.3. P. Participate参与——点燃用户负向情绪
由于人们对负向情绪的敏感度较高，因此带有负向情绪的内容往往能够更快地传播开来，形成情绪传播效应，进而引发更多用户的负向情绪，甚至形成一种情绪“舆论场”。这可以被理解为用户负向情绪的点燃机制，因为用户的负向情绪会通过用户的互动行为(如评论、点赞、分享等)进一步传播到其他用户，形成一个负向情绪的“传播链”。
此外，算法推荐系统的“回火效应”，表现为提供信息过多，会影响快速行动的能力和结果，也会加剧这一现象。当用户看到大量的负面内容时，他们可能会感到不满或者愤怒，从而更主动地参与到互动中来。这种参与行为会被算法捕捉到，并作为用户偏好的一部分，进一步推动更多的负面内容被推送给用户。
3.4. S. Share Spread分享——助燃群体负向情绪
在社会群体中，个人的判断和决策往往受到群体决策的影响，并据此作出决定。在群体驱力作用下，各种移动端应用中将建立各类网络社群，在群体中个体倾向群体认同下的去个性化(仇家宝，朱志勇，2020)。社交媒体作为连接大量用户的平台，用户的言论和情绪可以迅速传播和扩散。当一个用户流露出负向情绪时，这种情绪可能会对其他用户产生传染效应，导致负向情绪在群体中迅速传播并可能进一步加剧。基于算法推荐，用户不间断陷入“负向情绪的漩涡”，不断地接触负面内容，也进而加剧他者负向情绪。
伴随着虚拟社群的扩大，人们倾向于在社交媒体上与情绪相似的用户互动，形成情绪共鸣。当用户的意见和感受得到认可或强化时，他们更有可能积极参与并分享内容。6·15巴以冲突中，双方支持者在社交媒体上展开了激烈的论战，双方用户发布了大量互相攻击、挑衅和仇恨性的言论和信息，以此助燃了冲突情绪。这表明社交媒体用户在面对社会热点事件和敏感话题时，往往会表达自己的情绪和立场，但一些用户也会散布负向情绪并加剧对立，从而引发更多的冲突和紧张。但算法也会根据用户的行为记录来过滤和筛选内容，其中包括用户的情绪反应。如果用户习惯性地对负面内容做出积极反应，算法会更多地向他们推送这类内容。所以说，这并不意味着社交媒体平台有意促进负向情绪的传播，而是算法和用户行为之间达成的相互作用效应。
4. 算法推荐下社交媒体用户负向情绪的规避方法建议
4.1. 用户维度：以显性反馈行为驯化算法
在算法语境下，用户在算法实践中观察、寻找、筛选、判断环境信息，并思考算法逻辑，形成不同的思考模式，称为感知模式，这一模式会驱动后续反馈行为(晏齐宏，2022)。通过精用户行为调整和优化算法，我们能够有效地抑制用户负向情绪的传播与影响。这种方法的核心在于充分利用用户提供的明确反馈，如评分、评论、点击等行为，以深入洞察其需求和偏好。据此，我们可以针对性地调整算法结果，使之更符合用户的期望，进而提升用户的整体满意度。例如，用户可以主动设置个人偏好和兴趣，选择感兴趣的主题、屏蔽不感兴趣的主题，主动点击“喜欢”与“不喜欢”，在bilibili平台中相当于“顶”和“踩”，让算法更准确地理解用户的兴趣领域，从而避免推送用户不感兴趣或者引发负向情绪的内容。再者，用户可以举报或标记不良、负面的内容，如垃圾信息、令人不快的言论等。此类反馈可以辅助算法过滤和排除不适宜的内容，提升用户体验。另外，用户可以通过控制推荐程度来规避负向情绪。若平台无用户反馈系统，可提供设置推荐频率、推送数量的选项，让用户根据自身需求和心理状态进行调整。
用户通过以上显性反馈行为，可以有效地驯化算法，使其更好地适应用户的需求和情感偏好，从而规避用户负向情绪的触发。同时，用户也要保持积极的心态，学会有效处理负向情绪，以维护自身的心理健康。
4.2. 技术维度：优化推荐算法模型
技术条件的丰富性为私人情绪转变为社会情绪提供了更多可能，但这并不意味着所有的个人情绪都会无条件地引发全体社会的共鸣(隋岩，李燕，2022)。梅塞尼指出，在人与媒介技术的互动中，既需要媒介技术的使用者提升媒介素养，以抵制强大媒介技术对人的心理和行为产生的影响，也需要技术开发者把握技术意向，处理好工具理性和价值理性的关系。
社交媒体平台算法推荐的基本逻辑始终是技术，因此如何规避社交媒体用户负向情绪必然要体现在算法推荐技术层面的改进。以下几方面将说明优化推荐算法模型的逻辑思维。第一，采用多样化推荐算法。不同的推荐算法在考虑因素和权重的不同方面会有所差异，因此融合使用能够提高推荐的准确性和多样性。通过这种方式，我们能够避免单一算法引发的推荐内容过于局限、机械化和易于激起负向情绪的问题，从而为用户提供更为多元、灵活和正向的浏览体验。第二，引入情感分析机制。这可以帮助算法对用户产生的情感做出识别和判断，通过分析用户的实时反馈和历史行为，动态了解用户情感倾向，从而推荐适合用户情感状态和偏好的内容。第三，处理新用户和“冷启动”问题。当算法用于内容推荐时，“冷启动”指系统由于缺失新用户的偏好信息而无法为其提供有效的个性化推荐。“冷启动”问题的处理策略包括算计本身的改进和以其他数据源弥补用户数据缺失(喻国明，杨名宜，2019)，借助“冷启动”技术，能够精准地预测用户的兴趣点和情感倾向，同时结合社交媒体关系、个人资料等多元化信息，为推荐算法提供有力支持，向新用户呈现个性化的推荐内容。这一策略不仅提升了推荐的准确性，还促进了用户间的主动情感交流，为社交媒体平台增添了更多互动与活力。第四，实现用户自主控制。给予用户一定的控制权，让用户根据自身需求和心理状态来调整推荐策略，例如设置推荐频率、屏蔽不感兴趣的内容、取消推荐等，从而阻截用户负向情绪触发的可能性。
4.3. 平台维度：平衡商业性与公共性
用户满意度与忠诚度是社交媒体平台运营的关键之一，而用户负向情绪的传播会对其造成负面影响。对此，平台必须要优化自身的管理机制、算法、用户体验等方面，寻求商业性与公共性的平衡点，以最大程度实现用户转化及留存。一方面，充分注重用户权益保护。平台应当充分尊重并坚决保护用户的隐私权，确保用户对其数据的收集和使用方式有清晰明确的了解，并赋予用户相应的权利，以便他们能够对自己的个人信息进行管理和控制。且当用户利益受到侵害时，平台应当提供有效的申诉和纠纷解决机制，以减少用户对平台商业性的不信任和抵触情绪，规避用户负向情绪蔓延。另一方面，制定明确的社区准则。字节跳动于去年发布《2024字节跳动企业社会责任报告》，报告显示企业重视数字治理，抖音、今日头条全年累计拦截谣言840万条，严格治理网暴、低俗、不实信息等各类违法违规内容，以打造积极生态语境，规范用户行为，如禁止恶意攻击、仇恨言论和谣言等，有效减少用户之间的冲突，在提高社交媒体环境公共性的同时，实现商业目标。
4.4. 社会维度：由算法权力到用户权力
以满足用户当前需求为传播的核心目标，将用户置于中心地位，让用户成为算法推荐的根本动力，才能确保传播内容真正符合用户的期望和需求。而如何实现由算法权力到用户权力的转变，这需要社会各方共同努力。第一，加强监管和法律框架。政府可以通过加强监管和制定相关法律框架来规范社交媒体平台的行为。这要求我们对算法的透明度和公平性进行严密监督，将算法的使用者和运营者置于规制的客体地位，防止他们滥用算法权力。同时确保用户的个人隐私和个人数据权利得到充分保障，并有效制止算法技术性权力的无序扩张，维护一个公平、透明且安全的算法使用环境。第二，推动公私权力的动态平衡。以算法推荐的时代特征为基础，进一步认识算法权力的产生基础、运作规律及其主体特性，在分清利弊的基础上，建构个体走出算法权力规训、实现算法权力规制的有效方案。第三，促进多元化和互动化。“人民好医生”于2016年12月正式上线以来，其客户端积极探索“新闻 + 政务服务商务”运营模式，为用户提供全方位全周期的健康管理服务。截至2023年6月末，“人民好医生”客户端总下载量已突破1.46亿，该平台有效运用社交媒体这一强大渠道，广泛传播信息并扩大受众范围。同时采取多元化的互动策略，旨在满足用户多元化的媒体需求，为用户提供更丰富、更贴心的服务体验。
通过上述措施的综合应用，我们能够实现社交媒体环境的改善，让用户重新成为算法推荐的主导力量，从而减少负向情绪的产生，推动社交媒体的良性发展。