1. 引言
当今社交媒体中算法推荐技术的影响力不容小觑。算法推荐通过对用户浏览历史、搜索记录、点赞评论等行为数据的分析，实现用户兴趣偏好与内容推送的精准匹配，大幅改变了人们的媒介使用习惯和信息传播模式(张淑芳，2025)。微博、抖音、微信等平台利用算法提升了传播效率和用户黏性：截至2024年底中国网民规模达11.08亿，人均每日上网时长增至5小时37分，社交媒体用户占比超过95%。在这一庞大用户基础上，协同过滤等算法实现的精确推荐与用户在线时长呈正相关。由此可见，算法推荐已成为网络传播的核心驱动之一。
与此同时，情绪通过社交媒体迅速传播并引发心理社会影响。研究指出，不同用户对算法推荐内容的接受程度受其使用技能和心理效能影响(范梓腾，宁晶，魏娜，2021)，然而有关算法推荐逻辑下用户情绪传播的研究仍较为缺乏。社交媒体因虚拟匿名而成为用户表达情绪的集散地，尤其愤怒、焦虑等负向情绪更易聚集传染，引发共鸣效应，对用户心理和行为产生巨大影响。若任由负向情绪蔓延而缺乏引导，可能导致群体众怒、舆论极化等严重次生问题(Wang et al., 2019)。因此，迫切需要深入研究算法推荐下社交媒体情绪扩散的特征和机制，并从多维视角提出干预路径，以有效规避负面情绪传播，促进社交媒体的良性发展。
本文围绕“算法推荐如何塑造网络情绪扩散”这一核心问题，以微博平台为例展开讨论。首先梳理相关理论与研究现状，阐明网络情绪扩散的规律及算法推荐的传播逻辑；其次分析算法如何通过特定机制影响情绪扩散，以及这种影响在不同情绪类型和用户群体中的差异表现；接着探讨识别算法影响情绪传播因果效应的方法与挑战；随后结合微博平台的案例，具体说明算法推荐在现实舆情中的作用和后果；最后总结全文，提出加强算法治理和提升用户媒介素养的建议，并展望未来研究方向。
2. 理论综述
2.1. 网络情绪扩散理论基础
情绪在社会网络中的扩散可以通过“情绪传染”(emotional contagion)来解释，即一个人的情绪状态能够影响他人并在群体中传播蔓延。在传统面对面情境中，人们通过表情、语调等线索会感染彼此的情绪；在网络环境中尽管缺乏肢体语言，情绪传染效应依然明显。研究表明，网络情感传染需要个体的认知参与：在文字为主的社交媒体交流中，用户通过对帖子内容线索(如用词、语气)和非内容线索(如他人评论、点赞数量)的认知加工，以及社会评价机制的影响，来模仿并传递他人在帖子中表达的情绪，从而形成强烈的线上情感传染(杨洸，2020)。Blake等人针对Facebook新闻推送算法进行的大规模实验提供了网络情绪传染的直接证据：通过随机减少用户看到的正面或负面帖子，发现当用户新闻推送中的正向内容被减少时，用户自己发表的状态帖文中负面用词显著增多；反之当负向内容被减少时，用户发表的内容更倾向正面(Hallinan et al., 2020)。这一实验说明，仅通过改变算法推荐的信息情绪倾向，就会影响用户情绪状态的表达，证明了大规模在线情绪传染的存在。
另有研究关注社交网络中不同情绪的扩散差异。例如，对新浪微博海量用户数据的分析发现，好友关系网络中愤怒情绪的相关性显著高于快乐情绪，而悲伤情绪的相关性极低(Yao et al., 2019)。这意味着在微博等平台上，带有愤怒等高唤醒度情绪的内容更容易在社交网络中传播，引发广泛共鸣，相比之下低唤醒的悲伤情绪则不易扩散。总体而言，能够激发强烈情绪反应的信息才更具传播力。
2.2. 网络情绪扩散理论基础
微博的算法机制并非单一逻辑，而是在不同场景下以不同目标函数驱动的复合体系。本文将其划分为两类：其一是以个体黏性为导向的信息流推荐，依赖用户画像、互动权重与新鲜度排序，主要在社群内部放大高唤醒情绪；其二是以话题热度与突发性为导向的热搜榜，依托话题搜索量、增长率与时效窗口，在短期内推动跨社群的集中曝光。二者共同塑造了“内扩散–外爆发”的情绪传播轨迹，但在触发条件、扩散半径与持续时间上存在系统差异(Alshaabi et al., 2021)。
就信息流推荐而言，其个性化排序机制侧重提升个体层面的停留与互动效率，使高唤醒、具有道德指涉或强立场线索的内容更容易跨越算法阈值获得重复曝光，从而在相对同质的社群内部持续累积情绪强度(Berger & Milkman, 2012)。该机制的情绪效应主要体现为同温层强化与再传播概率提升，表现为内容在“曝光–互动–再曝光”的微循环中半衰期较长，但跨社群的溢出半径有限。与此相对，热搜榜以“上榜”为离散冲击，迅速将原本局部性的讨论推送至平台级公共注意力中心，触发跨社群的涌入与集中围观。其情绪效应常表现为极性与转发速度的陡峭上升与较短半衰期的回落，即在较短时间内形成高峰并完成向更广人群的情绪聚焦与二次扩散。该机制不依赖个体画像，而依托全网层面的聚合指标与治理规则，对情绪叙事起到“点火器”与“聚光灯”的作用。
2.3. 社交媒体算法推荐及其影响
社交媒体平台的算法推荐系统根据用户偏好对内容进行个性化筛选和排序，在提高信息匹配效率的同时也带来了“信息茧房”和“回音室效应”等问题。当用户主要接收算法推送的同质信息时，可能陷入与自身观点相似的内容圈子，难以接触不同声音，造成认知偏狭和情绪极化(范红霞，孙金波，2022)。研究指出，由于社交网络的社群同质化叠加算法过滤，用户在社交平台上偶遇与自身观点相左的信息概率极低，且只有极少部分人会选择点击查看(赵祥如，2024)。由此可见，算法推荐在提供定制化内容的同时，也在无形中减少了用户接触多元信息的机会，这种信息窄化趋势会进一步强化用户原有立场和情绪倾向。
算法推荐的商业逻辑往往以用户黏性和平台流量为导向，倾向于优先推送能引发用户强烈反应和长时间停留的内容。这种机制可能放大情绪化、极端化信息的传播隐患(匡文波，王天娇，2023)。商业利益驱动下的算法难以保持中立价值立场，甚至可能削弱舆论中主流价值和公共利益的声音。值得注意的是，算法在极大提升信息传播效率的同时，也显著增加了情绪驱动型信息(如夸张煽情的谣言、激进言论)的扩散机会。一项研究指出，强情绪动因的虚假信息在社交媒体上更容易传播，而精准算法推送大幅提高了用户对这类信息的可达性，为网络空间情感共鸣提供了土壤(Schreiner et al., 2019)。换言之，算法通过强化用户对某类情绪内容的反复曝光，无意中助长了特定情绪的持续传播和累积。
2.4. 算法推荐与情绪传播的交互作用
社交媒体算法与情绪扩散之间存在复杂的交互关系：一方面，用户心理机制决定了高唤醒度情绪更易被分享传播(Maryam et al., 2022)。积极情绪通常比消极情绪更容易在网络中广泛传播，但前提是情绪唤醒水平足够高。研究发现，引发敬畏等强烈正向情绪的内容比引发愤怒的负向内容更易实现病毒式传播，而引发愤怒的内容又比引发悲伤的内容更具传播性，因为悲伤属于使人行为抑制的低唤醒情绪。另一方面，算法机制影响着哪些内容更容易获得高曝光和广泛扩散。许多平台的推荐算法会根据帖子获得的社交反馈信号(点赞、评论、转发数)来提升其权重，从而使得已引发用户强烈情绪反应的帖子被更多用户看到(Li & Cao, 2025)。例如，微博的信息流排序算法对帖子互动量赋予较大权重，评论和转发数最多的帖子通常排名靠前，获得更高可见度。这意味着引发群体情绪共鸣的内容会因为算法的放大效应而加速传播，情绪扩散的范围不断扩大。
在同温层(echo chamber)内部，由于观点和情感趋同，带有强烈道德情绪色彩的言论特别容易获得共鸣并被快速转发(Brady et al., 2019)。研究表明，包含道德化情绪词汇的政治推文在同阵营网友中的转发率显著提升，每增加一个道德–情绪相关词可使转发次数增加约20% (Brady et al., 2017)；但在立场不同的用户群中传播有限。可见，算法主导的个性化信息流往往强化了同质社群内的情绪共振，却难以跨越不同价值观社群实现有效扩散，这在无形中加剧了不同群体间情绪和认知的隔阂。总之，算法推荐在塑造网络情绪扩散方面扮演着助推器的角色。它选择并放大那些最能激发用户情绪的内容，影响着网络舆论场的情绪基调和走向，同时也衍生出情绪两极分化和信息茧房等问题。
3. 情绪扩散机制分析
为了深入理解算法推荐如何影响情绪在网络中的传播过程，可以借鉴SIPS模型对用户负向情绪传播机制的解析(Weidlich & Bastiaens, 2017)。该模型将情绪传播划分为连续的四个环节：共鸣(Sympathize)、确认(Identify)、参与(Participate)和分享(Spread)，反映了算法推荐环境下情绪扩散的渐进逻辑。下面结合这一框架，对算法推荐下网络情绪扩散的具体机制进行分析。
3.1. 共鸣(Sympathize)
社交媒体平台通过算法对内容进行个性化过滤，将用户可能感兴趣的帖子优先呈现。这一环节中，用户的历史行为和兴趣偏好起到了基本过滤作用。用户倾向于看到与自身兴趣、立场相符的信息，由此在情感上产生共鸣。如果某用户平常偏好消极或争议性内容，算法就可能更多地推荐此类信息，增加其接触负面情绪内容的机会。这会提高用户产生类似情绪反应的概率，形成情绪上的同质共振。换言之，算法驱动的定制化信息流使得持有相似情绪倾向的用户和内容更加容易相遇，从而为情绪扩散奠定了基础。
3.2. 确认(Identify)
算法不仅根据个人偏好推荐内容，还会根据全网的流行度提升热点内容的曝光。这种基于流量的推荐机制导致用户更频繁地接触到那些已经引发大量关注和讨论的帖子。例如，微博等平台的算法会依据历史观看和搜索行为推荐类似视频，但由于过度依赖流行度，可能出现推荐内容高度同质、重复甚至极端化的问题。在社交媒体上，当用户浏览并互动某一带有强烈负面情绪的主题时，算法会持续向其推送更多类似内容，形成反馈闭环。用户反复受到相同倾向信息的刺激，其原有观点和情绪便得到不断确认与强化。这种内容堆叠效应使用户逐渐沉浸在单一情绪调性的舆论场中，促使情绪朝极端方向发展。值得一提的是，一些平台已意识到负面情绪过度聚合的风险，尝试在推荐中平衡内容的情绪倾向，以提供更健康多元的用户体验。
3.3. 参与(Participate)
人们对消极信息往往更加敏感，愤怒、恐惧等负面内容常常能更快激发用户响应。当用户被算法推送大量负面或煽动性帖子时，可能感到不满或愤慨，从而更加积极地参与评论、转发等互动。这些互动行为被算法捕捉并作为用户偏好的一部分，进一步推动更多类似内容的推送。就这样，一个负向情绪循环被点燃：负面内容引发用户强烈情绪和参与，互动数据又驱动算法强化此类内容的推荐，继而促使更多用户卷入其中。此外，大量同质负面信息的轰炸还可能降低用户理性思考的能力，产生所谓“回火效应”，即信息过载反而激发更强的情绪化反应和行动冲动。总体来说，在算法与用户行为的互动反馈下，负面情绪得以迅速蔓延并扩大影响。
3.4. 分享(Spread)
当负面情绪在个体层面被触发后，很容易通过社交关系网络扩散成为群体现象。社交媒体上的用户往往因兴趣和立场相近而聚集成社群，在群体认同作用下更易出现情绪共振和传染。当有用户公开表达愤怒等负面情绪时，其好友和粉丝受到感染也纷纷发表类似言论，负面情绪由此在群体中迅速传播、逐步升级。算法推荐在此过程中充当助燃剂：根据用户过往的情绪反应记录，算法会将更多煽动情绪的帖子推送给那些对类似内容反应积极的用户，使其不间断陷入负面情绪漩涡。一个典型案例是某国际冲突事件在微博上的舆论发酵：对立立场的用户各自形成回音室，双方大量转发攻击性和挑衅性言论，助长了群体对立情绪的升级。需要强调的是，这种现象并非平台有意促成，而是算法机制与用户行为互动作用的意外结果。算法根据用户情绪偏好进行内容推送，用户在群体压力和情感共鸣下积极分享，两者共同塑造了网络情绪扩散的规模与走向。
4. 情绪扩散的异质性
算法推荐对网络情绪扩散的影响并非整齐划一，而是因情绪类型、用户特征和社群结构的不同而呈现多样化特征。
4.1. 情绪类型差异
不同情绪在社交网络中的传播效率存在显著差异。总体而言，高唤醒度的情绪比低唤醒度情绪更易扩散。积极情绪中，令人振奋的敬畏、风趣幽默等高亢情绪比温和愉悦的情绪更容易引发用户分享；消极情绪中，愤怒、焦虑等高唤醒情绪比悲伤、沮丧等低唤醒情绪扩散更广。例如，有研究发现微博用户之间愤怒情绪的传播关联度明显高于快乐情绪，而悲伤情绪几乎不产生网络传播效应。又如对新闻报道的分析表明，能够激发读者强烈情绪反应的文章更有可能登上“最常转发”榜单，而令人悲伤的内容往往降低人们分享的意愿。由此可见，算法的放大效应使不同情绪内容的传播潜力存在系统性差异：平台更倾向捕捉和放大那些能激起用户强烈情绪的内容，而温和、低强度情绪的信息则相对难以获得推荐和传播。
4.2. 用户特征差异
不同用户在社交媒体上的使用行为和心理特性各异，使算法推荐对其情绪传播的影响也不尽相同。有研究指出，能够深度使用社交媒体并对其内容有较高自我效能的用户，更倾向接受算法推荐内容。这意味着那些技术技能强、心理自信的用户可能更深地卷入算法构建的信息环境，其情绪也更易受到算法推送内容的影响。相反，缺乏这方面技能或对算法持怀疑态度的用户，则可能部分抵御算法对其情绪的影响。用户在社交网络中的地位和连接程度也带来差异：粉丝众多、处于网络中心地位的意见领袖往往是情绪信息的“超级传播者”。有分析发现，拥有更多好友的微博用户，其情绪状态与邻近用户的相关性更强。这些关键节点发布的一条情绪化帖文可能带动大批跟随者模仿转发，显著放大情绪扩散的范围和速度。此外，不同用户群体对内容的情感反应模式也不尽相同，例如年轻网民可能对社会热点表现出更强的情绪参与度，而年长网民的情绪表达相对克制。这些群体差异值得进一步实证研究以量化评估。
4.3. 社群与情境差异
情绪扩散还受到社群结构和事件情境的影响。在高度同质化的社群内部，情绪传播往往更为强烈。前述研究显示，带有道德情绪的内容在立场相同的用户群中转发率显著提高，但在立场相异者中传播则非常有限。这意味着算法营造的同温层内，情绪共鸣会被放大，而跨群体的情绪传播则可能被壁垒阻断。最后，具体事件情境也会影响情绪扩散模式。重大突发事件往往激起全网范围的强烈情绪传播，而日常话题的情绪扩散通常局限在兴趣相关的人群中。再如，在公共危机中，恐慌和愤怒等情绪可能借由算法之力迅速席卷舆论场，而在娱乐话题下，算法则更倾向推荐激发愉悦积极情绪的内容。不同情境下算法推荐对情绪扩散的作用及差异，有待结合具体案例深入分析。
5. 算法影响的因果识别
尽管大量迹象表明算法推荐与网络情绪扩散存在关联，要严格识别其中的因果效应却颇具难度。在现实情境中，用户所接触的情绪化信息既受算法推送影响，也与其自身兴趣偏好和社交网络结构密不可分，两者交织使因果推断复杂化。一方面，算法常根据用户过往行为投放内容，情绪扩散的因果方向可能是双向的：用户偏好负面内容会导致算法更多推送负面信息，而算法推送更多负面信息又进一步影响用户的情绪表达。另一方面，社交网络中的同质化交友倾向也会造成用户之间情绪相似，这种情绪同现未必源自算法影响，可能是原有社交选择的结果。因此，在算法介入的社交媒体中厘清算法导致了情绪扩散的因果链，需要谨慎的研究设计和数据分析。
5.1. 实验研究与干预
最直接的因果识别方法是在真实平台上进行对照试验，即操纵算法推荐策略并观察用户情绪反应的变化。Balke等人通过随机改变Facebook用户新闻推送中正负面内容比例，检测到显著的情绪传染效应，提供了算法影响情绪的因果证据(Hallinan et al., 2020)。然而此类实验也引发伦理争议，说明在未经用户知情同意的情况下大规模操纵信息流具有风险，因而类似的情绪干预试验难以广泛实施。近年来，研究者与社交平台合作开展了大样本的算法干预研究。例如，针对2020年美国大选期间微博的信息流实验表明，将推荐算法改为按时间排序并未显著降低用户的两极化程度。这一覆盖数百万用户的研究提示，短期内仅靠调整算法信息流难以逆转既有的情绪和认知极化格局。不过，这些研究也发现算法推荐确实改变了用户接触同温层内容和虚假信息的程度，表明平台设计在塑造用户信息环境方面仍扮演着重要角色。
5.2. 观测数据分析
在无法实施干预实验时，研究者尝试从观测数据中推断算法影响。常用策略之一是寻找平台算法策略的自然变动或冲击事件，例如社交平台突然调整推荐算法规则或推出新功能，比较调整前后的用户情绪传播指标变化。另一种方法是收集用户的内容曝光数据，通过统计模型控制用户特征和网络结构等混杂因素，考察算法参与程度与情绪扩散指标之间的关联。例如，比较主要浏览推荐内容的用户与主要浏览关注内容的用户，其发表情绪性言论或参与舆论风暴的频率是否存在差异。在严格匹配用户属性后，此类比较有助于推断算法的边际影响。当然，上述方法都面临数据和技术挑战：平台通常不公开算法细节和相关数据，限制了独立研究；同时用户行为与情绪表达本身也会反作用于算法，使因果关系难以解耦。未来需要平台与学界加强合作，提高算法透明度并开放更多匿名化数据，以及利用多种因果推断方法互补验证，才能更加清晰地识别算法推荐对网络情绪扩散的因果作用机制。
6. 结论
算法推荐作为社交媒体时代的信息分发引擎，正在深刻地塑造着网络情绪扩散的模式与生态。本文以微博平台为例，从机制、异质性和因果识别三个方面对这一问题进行了综合探讨。分析表明，算法通过个性化过滤、流量优先和用户反馈循环等路径，显著放大了某些情绪的传播强度，弱化了低唤醒情绪的扩散广度；不同情绪类型、用户群体和社群环境下，这种影响呈现出明显的异质性特征；而识别算法影响情绪扩散的因果关系需要严谨的实验和统计方法，目前此领域虽有所进展但仍面临诸多挑战。总体而言，算法推荐与网络情绪扩散之间并非简单的线性因果，而是交织着用户心理、社交互动和技术逻辑的复杂系统。
本研究具有重要的理论与实践意义。在理论上，它呼吁心理学与传播学融合视角，以揭示人机交互背景下情绪传播的新规律；在实践上，它提醒社交媒体平台在追求效率和商业利益的同时，需正视对用户心理健康和舆论生态的影响。未来研究需要紧跟算法技术和媒介环境的发展，不断积累跨平台、跨文化的实证证据，特别是善用平台算法调整所带来的自然实验机会，并运用多学科的方法深化因果推断，以更清晰地理解算法与情绪扩散的动态关系。只有在科学认识的基础上，平台治理者、技术开发者、用户和监管者共同努力，才能既发挥算法推荐的积极价值，又有效防范其可能带来的情绪负面效应，让社交媒体成为促进社会情感良性互动的健康空间。
NOTES
*通讯作者。