1. 引言
1.1. 研究背景
随着数字经济的深度发展，电子商务已成为我国居民消费的核心场景之一。据中国互联网络信息中心(CNNIC) 2024年发布的《第53次中国互联网络发展状况统计报告》显示，截至2023年底，我国网络购物用户规模达10.7亿，占网民总数的96.4%，其中20~24岁的大学生群体占比超28%，是电商平台的核心用户之一[1]。电商平台依托大数据与算法技术，实现了“千人千面”的精准营销，但其衍生的“大数据杀熟”问题却逐渐引发消费者不满——即平台利用用户消费历史、浏览轨迹、支付能力等数据，对不同用户实施差异化定价，尤其对忠诚度高、消费频次高的用户收取更高费用。
大学生群体作为电商消费的“主力军”，具有独特的消费特征：经济来源以家庭支持为主，消费预算有限，对价格敏感度高；熟悉互联网技术，善于利用社交平台获取信息；维权意识较强，但缺乏成熟的维权渠道与经验。在大数据杀熟现象频发的背景下，大学生并未被动接受不公，而是主动采取一系列行为对抗平台算法，这类行为被学界称为“反向驯化”——即消费者通过主动调整自身行为、规避算法追踪、甚至集体行动，改变平台算法对自身的不利影响，实现对算法权力的“再平衡”[2]。然而，当前学界对大数据杀熟的研究多聚焦于现象批判、法律规制，对消费者反向驯化行为的系统性研究较少，尤其缺乏针对大学生群体的心理动机与行为效果的深入分析。
1.2. 研究意义
1.2.1. 理论意义
首先可以拓展“驯化理论”的应用边界。传统驯化理论源于技术社会学，聚焦于用户对技术的“正向驯化”(如家庭对智能设备的接纳与使用)，本文将其延伸至“反向驯化”场景，分析消费者对电商算法的对抗性驯化，丰富了驯化理论的内涵；其二，完善大学生消费者行为研究体系。现有研究多关注大学生的消费偏好、冲动消费等，本文结合大数据时代的算法背景，揭示大学生在算法不公下的主动行为逻辑，填补了该领域的研究空白[3]；其三，构建“算法权力–消费者响应”的分析框架，为后续研究提供理论参考。
1.2.2. 实践意义
对大学生而言，本文可帮助其清晰认知自身反向驯化行为的动机与效果，优化行为策略，减少被“杀熟”的损失；对电商平台而言，研究结果可倒逼平台优化算法透明度，改善用户体验，提升用户粘性；对政府与监管部门而言，可为制定针对大数据杀熟的监管政策提供依据，推动行业规范发展。
2. 核心概念界定和理论基础
2.1. 核心概念界定
2.1.1. 大数据“杀熟”
本文将大数据“杀熟”界定为：电商平台利用大数据技术收集用户的消费历史、浏览记录、设备信息、会员等级等数据，通过算法分析用户的价格敏感度、消费能力与忠诚度，对不同用户实施差异化定价，且对“高价值用户”(如长期会员、高频消费者)收取更高价格的行为。其核心特征是“数据驱动的价格歧视”，区别于传统的“地域歧视”“时间歧视”，具有更强的隐蔽性与精准性[4]。
2.1.2. 大学生消费者反向驯化行为
结合驯化理论与电商消费场景，本文将“大学生消费者反向驯化行为”界定为：大学生在感知到电商平台的大数据杀熟行为后，为改变自身不利地位，主动采取的一系列对抗性、适应性行为，旨在减少算法对自身消费决策的控制，降低经济损失。其核心特征是“主动性”与“对抗性”，区别于被动接受或直接放弃消费的行为。
2.2. 理论基础
2.2.1. 理论支撑
驯化理论最早由英国学者西尔弗斯通和赫希于2002年提出，核心观点是“技术并非孤立存在，而是被用户纳入日常生活并主动调整的过程”[5]。传统驯化理论聚焦“正向驯化”，即用户通过学习、适应，将技术转化为符合自身需求的工具(如老年人学习使用智能手机)。随着算法技术的普及，学者们开始关注“反向驯化”——即当技术(如算法)对用户产生不利影响时，用户通过主动行为对抗技术控制，重构技术与自身的关系。例如，VanDijck (2022)指出，社交媒体用户通过“清除浏览记录”“关闭个性化推荐”等行为，规避算法对个人信息的过度采集，即为典型的反向驯化[6]。
感知风险理论由Bauer于1960年提出，认为消费者在决策过程中会感知到“损失可能性”，这种感知会影响其消费行为。Jacoby (1972)延申了该理论，将感知风险分为财务风险(如价格过高)、隐私风险(如信息泄露)、时间风险(如决策耗时)等维度[7]。
计划行为理论由Ajzen于1991年提出，认为个体行为受“态度”“主观规范”“感知行为控制”三个因素影响：态度是个体对行为的正面或负面评价；主观规范是个体感知到的社会压力(如他人是否支持该行为)；感知行为控制是个体对自身能否完成该行为的信心[8]。
社会认同理论由Tajfel于1979年提出，认为个体通过归属某一群体(如“大学生群体”)获得自我认同，并会采取符合群体规范的行为[9]。
2.2.2. 社会、计划与感知风险驱动反向驯化行为的理论机制
从理论基础看，驯化理论强调“人主导技术适配”，而反向驯化是该过程的反转，核心驱动力源于感知风险理论中的“负面结果预判”——当个体感知到在电商消费中存在隐私泄露、信息茧房等风险时，会启动行为调整机制。这一机制需通过计划理论的核心维度“态度”与“感知控制”传导：其一，态度转变是基础，个体对大数据以及电商消费的态度会从“便利有用”的积极认知，转向“风险大于收益”的负面评价，例如在互联网冲浪中遇到自己感兴趣的事物却下一刻就在消费软件上看见相关商品的推荐，个体会因担忧个人隐私泄露，对大数据的态度从认可转为警惕，这种态度转变会直接削弱“继续正常使用技术”的意愿，为反向驯化铺垫认知基础；其二，感知控制调节是关键，若个体认为风险可控(如通过关闭权限、选择可信平台降低隐私风险)，会产生“理性应对”的感知控制，反向驯化行为更温和(如调整使用设置而非放弃)；若觉得风险不可控(如算法黑箱无法监督)，感知控制会弱化，进而引发极端反向驯化(如彻底停用技术)。
社会认同理论则会强化这一过程：当个体所在群体(如社交圈、社群)普遍感知某技术风险并采取反向驯化行为(如集体减少某APP使用)，个体因追求社会认同，会进一步强化对技术的负面态度，同时提升“集体应对风险”的感知控制，最终推动反向驯化行为的扩散与固化。
综上，感知风险通过重塑TPB中的“态度”与“感知控制”，在社会认同的强化下，最终驱动反向驯化，完成从“人驯化技术”到“人被技术风险倒逼调整”的行为转向。
3. 反向驯化行为的表现与特征
本文将大学生反向驯化行为分为“信息获取类”“行为对抗类”“群体协作类”“需求调整类”四类，并总结其核心特征。
3.1. 反向驯化行为的具体表现
3.1.1. 信息获取类行为：主动搜集价格与算法信息
信息获取是反向驯化的基础，大学生通过搜集信息判断是否被“杀熟”，并制定应对策略。具体表现为：
多账号比价：使用不同账号(如本人账号、父母账号、同学账号)查询同一商品/服务的价格，对比是否存在差异。
浏览第三方测评：通过小红书、微博、知乎等平台，搜索其他用户分享的“杀熟案例”与“避坑技巧”。
分析算法逻辑：部分技术能力较强的大学生，通过观察平台推荐规律、清除浏览记录前后的价格变化，推测算法的定价逻辑。
3.1.2. 行为对抗类行为：主动规避算法追踪与控制
这类行为旨在通过改变自身行为模式，减少平台对个人数据的采集，从而避免被算法标记为“高价值用户”(即“杀熟目标”)。具体表现为：
卸载重装APP与清除数据：定期卸载电商APP并重新安装，或清除APP的缓存与浏览记录，切断平台对用户行为的持续追踪。
更换支付方式与设备：使用不同的支付方式(如从支付宝切换到微信支付)、不同的设备(如从手机切换到电脑)查询价格，避免平台通过支付账号或设备ID关联用户身份。
关闭个性化推荐：在电商APP设置中关闭“个性化推荐”“位置权限”等功能，减少平台获取的用户偏好数据。
3.1.3. 群体协作类行为：依托群体力量放大对抗效果
大学生善于利用群体优势，通过协作提升反向驯化的效果，具体表现为：
社群分享与信息互助：在班级群、宿舍群、大学生社交社群(如豆瓣“大学生省钱小组”)中，分享杀熟案例、比价结果与避坑技巧。
集体投诉与舆论施压：当遭遇严重杀熟行为时，大学生会联合其他用户向平台客服投诉，或通过微博、抖音等平台发布相关视频，形成舆论压力。
联合采购与团购：通过“拼团”“团购”等方式，以群体名义与平台协商价格，避免个体被“杀熟”。
3.1.4. 需求调整类行为：通过改变需求减少依赖
这类行为是反向驯化的“兜底策略”，当上述行为效果有限时，大学生会通过调整自身消费需求，减少对特定平台的依赖。具体表现为：
减少高频消费：对容易被“杀熟”的高频消费场景(如外卖、共享单车)，减少使用频率，转而选择线下消费或替代平台。
选择替代平台：放弃存在杀熟行为的平台，转向价格更透明、口碑更好的小众平台。
降低消费档次：在预算有限的情况下，选择低价替代品，避免购买容易被“杀熟”的高价商品。
3.2. 反向驯化行为的核心特征
3.2.1. 主动性：从“被动接受”到“主动对抗”
由24年国家数据得知，与中老年消费者相比，大学生对算法技术的认知度更高，且更愿意主动采取行动改变不利地位[10]。这种主动性源于大学生对“自主权”的追求——他们不愿被算法“操控”消费决策，更倾向于通过自身行为掌握消费主动权。
3.2.2. 群体性：依托社群强化行为效果
大学生处于集体生活环境中(如宿舍、班级)，且善于使用社交工具，使得反向驯化行为具有明显的群体性特征。一方面，社群为大学生提供了信息共享的渠道，降低了个体获取信息的成本；另一方面，群体协作(如集体投诉)的效果远优于个体行动，能对平台形成更强的压力。
3.2.3. 技术性：依赖互联网技能实施行为
Mazman & Usluel (2010)提出了“数字移民–数字原住民”理论。根据该理论，我们可以得出反向驯化行为的实施需要一定的互联网技能，如多账号管理、清除数据、分析算法逻辑等，而大学生作为“数字原住民”，具备较强的技术能力[11]。这种技术性使得大学生的反向驯化行为更具针对性与有效性，区别于中老年消费者“单纯比价”的初级行为。
3.2.4. 有限性：受经济与能力约束的行为边界
尽管大学生的反向驯化行为具有主动性与技术性，但其效果仍存在明显边界：其一，经济约束。大学生的消费预算有限，难以通过“大量消费”积累数据以对抗算法；其二，技术约束。多数大学生仅掌握基础的互联网技能，无法深入破解平台算法；其三，时间约束。反向驯化行为(如多账号比价、社群分享)需要消耗大量时间，而大学生的核心任务是学习，难以长期投入。
4. 大学生消费者反向驯化行为的心理动机
基于计划行为理论、感知风险理论与社会认同理论，本文将大学生反向驯化行为的心理动机分为“感知不公的补偿动机”“风险规避的防御动机”“自主掌控的需求动机”“群体认同的归属动机”“成本效益的理性动机”五类，各类动机相互关联，共同推动反向驯化行为的发生[12]。
4.1. 感知不公的补偿动机：对“算法歧视”的心理反抗
“感知不公”是大学生采取反向驯化行为的核心触发点。根据亚当斯的公平理论，个体会将自身的“投入–产出比”与他人对比，若发现自身投入更高(如长期使用平台、购买会员)但产出更低(如支付更高价格)，则会产生不公平感，进而采取行为寻求补偿。在大数据杀熟场景中，大学生的不公平感主要源于“会员身份与价格的倒挂”——即支付会员费后，反而被收取更高价格。这种对不公的感知，转化为大学生通过反向驯化行为寻求“经济补偿”与“心理平衡”的动机，是反向驯化行为的核心驱动力。
4.2. 风险规避的防御动机：降低“经济与隐私风险”的心理需求
根据感知风险理论，大学生在电商消费中面临“财务风险”与“隐私风险”两类核心风险，而反向驯化行为本质上是对这两类风险的防御。
4.2.1. 财务风险规避：对“经济损失”的担忧
大学生的经济来源以家庭支持为主，消费预算有限，对价格敏感度极高。大数据杀熟导致的“高价消费”直接增加了大学生的经济负担，较大程度引发其对财务风险的担忧。
4.2.2. 隐私风险规避：对“数据泄露”的警惕
大学生对个人信息的保护意识较强，而电商平台的大数据杀熟依赖于对用户数据的过度采集(如浏览记录、位置信息、支付习惯)，这引发了大学生对隐私风险的警惕。反向驯化行为(如清除浏览记录、关闭权限)不仅是为了避免杀熟，也是为了减少数据泄露的风险。
4.3. 自主掌控的需求动机：对“算法控制”的心理反抗
大学生处于成年初期，具有强烈的“自主掌控”需求——即希望自己的消费决策由自身主导，而非被算法操控。大数据杀熟本质上是算法对消费者决策的“隐形控制”：平台通过精准推荐与差异化定价，引导大学生购买更高价的商品，剥夺了其自主选择的权利。这种“被控制感”会激发大学生的反抗心理，促使其通过反向驯化行为重新掌握消费主动权。
4.4. 群体认同的归属动机：对“大学生群体规范”的追随
根据社会认同理论，大学生通过归属“大学生群体”获得自我认同，并会采取符合群体规范的行为。在反向驯化场景中，“对抗大数据杀熟”已逐渐成为大学生群体的一种“隐性规范”——即群体成员普遍认为“主动比价、分享避坑技巧是正确的行为”，而个体为获得群体认同，会主动参与反向驯化行为。
具体表现为：其一，群体压力推动个体行为。当身边的同学都在比价、分享避坑技巧时，个体若不参与，会产生“被排斥”的感觉；其二，群体认同强化行为意愿。个体通过参与反向驯化行为，强化“我是聪明的大学生消费者”的自我认知，获得心理满足。
4.5. 成本效益的理性动机：对“行为收益”的理性权衡
大学生的反向驯化行为并非盲目冲动，而是基于“成本–效益”的理性权衡。大学生会评估反向驯化行为的“时间成本”“精力成本”与“经济收益”，若收益大于成本，则会采取行为；反之则会放弃。
例如，对于“多账号比价”这类低成本、高收益的行为(仅需几分钟，可省几元至几十元)，82.3%的大学生会频繁实施；而对于“集体投诉”这类高成本、高收益的行为(需花费数小时组织协调，但可能获得赔偿)，仅45.6%的大学生会参与；对于“破解算法逻辑”这类高成本、低收益的行为(需专业技术，收益不确定)，仅12.4%的大学生会尝试[13]。
5. 平台商业模式和算法定价及其经济逻辑讨论
5.1. 平台商业模式和算法定价
现如今的电商平台大多以双边市场理论为基础，通过连接消费者与商家形成价值闭环。具体就是平台通过补贴和流量倾斜吸引消费者，用户规模扩大后反哺商家入驻，形成“用户越多–商家越多–商品越丰富–用户粘性越强”的正向循环[14]。在这个过程中，对于用户需求的精准选择是最为重要的，平台会基于用户画像(浏览历史、购买偏好、设备信息等)，算法实现“千人千面”的商品推荐和广告展示。在算法定价上，电商平台会通过算法实时分析供需、库存、竞品价格等数据调整商品价格[15]。大部分电商平台会根据历史销量和实时点击量预测需求，对热门商品实施阶梯式涨价，同时对滞销商品降价清仓[16]。
5.2. 平台商业模式和算法定价的经济逻辑
电商平台的商业模式与算法定价的技术特性，在利润最大化的经济逻辑驱动下，成为大数据杀熟滋生的核心土壤。平台以连接供需形成规模优势，通过广告变现、佣金抽成等方式盈利，天然存在挖掘用户剩余价值的动机，而算法定价则为精准“杀熟”提供了技术工具——依托海量用户数据构建画像，可精准识别老用户、高支付意愿群体的价格忍耐阈值[17]。其经济逻辑本质是利用信息不对称与市场支配地位实施价格歧视：熟客因平台依赖度高、比价意愿低成为目标，算法通过“越看越涨”“会员高价”等隐蔽方式差异化定价；当平台佣金上升或新用户增长放缓时，个性化定价更易滑向“杀熟”以维持利润[18]。这种行为虽短期提升平台收益，却因侵犯消费者公平交易权、加剧市场信任危机，倒逼监管通过算法透明化、反垄断等手段介入，平衡商业效率与市场公平。同样也会导致消费者产生抗拒或者反向驯化行为等手段来维护自身权益[19]。
6. 反向驯化行为的效果评估
本文从“个人层面”“群体层面”“社会层面”三个维度，评估大学生反向驯化行为的效果，既分析其积极作用，也指出其局限性。
6.1. 个人层面：减少经济损失，提升消费能力
6.1.1. 积极效果：降低被“杀熟”的概率与损失
反向驯化行为能在一定程度上帮助大学生减少被“杀熟”的损失。此外，反向驯化行为可以较为显著地提升大学生的“消费能力”——即通过学习比价技巧、分析算法逻辑，大学生的信息素养与消费决策能力得到提升[20]。
6.1.2. 消极效果：消耗时间精力，引发心理压力
反向驯化行为需要消耗大量的时间与精力，对大学生的学习与生活产生负面影响。此外，部分大学生因反向驯化行为效果有限(如比价后仍无法找到低价)，可能会产生“无力感”，会一定程度上影响个人的行动意愿。
6.2. 群体层面：推动平台调整，形成监督力量
6.2.1. 积极效果：对电商平台形成压力，倒逼其改进
大学生的群体协作行为(如集体投诉、社群曝光)在一定程度上能对电商平台形成较强的舆论压力与经济压力，促使平台调整算法与定价策略。此外，大学生的社群分享行为在一定程度上还能形成“群体监督网络”——通过分享杀熟案例，提醒更多同学规避风险，扩大反向驯化的影响范围。
6.2.2. 消极效果：存在“搭便车”现象，协作效率低
群体协作行为中存在明显的“搭便车”现象——即部分大学生仅享受群体协作的成果(如使用他人分享的低价信息)，却不参与协作(如不分享自己的发现、不参与投诉)，这可能会导致群体协作的效率降低。此外，大学生本身存在群体局限性，缺乏统一的组织与协调机制，集体行动易陷入“混乱”，这也会对群体效率产生一定影响。
6.3. 社会层面：促进行业规范，推动消费者权益保护
6.3.1. 积极效果：提升社会对大数据杀熟的关注，推动政策完善
大学生的反向驯化行为通过社交媒体传播，能引发社会对大数据杀熟问题的广泛关注，在一定程度上推动行业规范与政策完善。此外，大学生的反向驯化行为还能为提升全社会的消费者权益保护意识提供助力，推动“算法透明化”成为社会共识。
6.3.2. 消极效果：效果有限，依赖政策与技术支持
大学生的反向驯化行为本质上是“被动防御”，无法从根本上解决大数据杀熟问题。一方面，电商平台的算法技术远优于大学生的反向驯化手段，平台可通过调整算法(如识别多账号关联)规避大学生的对抗行为；另一方面，反向驯化行为缺乏法律与政策的支持，大学生的维权行为易陷入“无法可依”的困境。
7. 优化大学生消费者反向驯化行为的对策建议
基于前文的分析，本文从“大学生个人”“电商平台”“政府监管”“社会层面”四个维度，提出优化大学生反向驯化行为的对策建议，旨在提升反向驯化的效果，保护大学生的消费权益。
7.1. 大学生个人：提升能力，理性驯化
7.1.1. 提升信息素养与技术能力
大学生应主动学习大数据与算法的相关知识，提升对大数据杀熟的识别能力与反向驯化的技术能力。例如，通过在线课程学习“如何分析算法定价逻辑”“如何保护个人数据”，通过实践掌握“多账号管理”“数据清除”等技巧。此外，大学生还应学会利用工具提升反向驯化效率，如使用比价APP (如“慢慢买”“一淘”)自动对比不同平台的价格，减少时间消耗。
7.1.2. 理性权衡成本与收益，避免过度驯化
大学生应根据“成本–效益”原则，选择高效的反向驯化行为。例如，对于低价商品(如低于50元)，可减少比价时间；对于高价商品(如高于1000元)，可投入更多精力比价。此外，大学生应避免因过度担心被杀熟而产生焦虑，将更多时间投入学习与生活。
7.2. 电商平台：优化算法，保障公平
7.2.1. 提高算法透明度，建立价格公示机制
电商平台应公开算法定价的核心逻辑，尤其是差异化定价的依据，避免算法“黑箱操作”[21]。例如，平台可在商品详情页标注“价格差异原因”(如“会员价为促销价，非会员价为原价”)，并提供“价格历史查询”功能，让大学生了解商品价格的波动情况。此外，平台还应建立“大学生价格保护机制”，对大学生用户实行统一的定价标准，避免针对大学生实施杀熟。
7.2.2. 完善用户反馈机制，重视大学生诉求
电商平台应设立专门的“大学生用户反馈通道”，及时响应大学生的投诉与建议。例如，平台可组建“大学生用户顾问团”，定期收集大学生对算法与定价的意见，并根据意见调整策略。此外，平台还应建立“杀熟赔偿机制”——若证实存在杀熟行为，应向大学生用户退还差价，并给予一定补偿，提升用户信任度。
7.3. 政府监管：完善法规，加强执法
7.3.1. 健全大数据杀熟的法律法规
政府应进一步完善《电子商务法》《个人信息保护法》等法律法规，明确大数据杀熟的定义、认定标准与法律责任[22]。例如，规定电商平台不得利用用户数据实施价格歧视，明确杀熟行为的罚款标准，为大学生的维权行为提供法律依据。此外，政府还应出台针对大学生群体的专项保护政策，如“大学生电商消费权益保护指南”，指导大学生规避风险。
7.3.2. 加强对电商平台的算法监管
政府应建立“算法审计制度”，定期对电商平台的定价算法进行审计，排查是否存在杀熟行为。例如，成立专门的算法监管机构，利用技术手段监测平台的价格差异，对存在杀熟行为的平台进行约谈、罚款甚至责令整改。此外，政府还应建立“大数据杀熟举报平台”，鼓励大学生举报杀熟行为，并对举报人给予奖励。
7.4. 社会层面：搭建平台，形成合力
7.4.1. 高校与社会组织搭建信息共享平台
高校可依托学生会、社团，搭建“大学生电商消费互助平台”，整合杀熟案例、避坑技巧、维权经验等信息，方便大学生获取。例如，平台可设置“杀熟曝光区”“技巧分享区”“维权互助区”，促进大学生之间的信息交流与协作。此外，社会组织(如消费者协会)可定期开展“大学生电商消费教育活动”，通过讲座、海报等形式，提升大学生的维权意识与能力。
7.4.2. 媒体加强宣传，营造公平消费环境
媒体应加强对大数据杀熟问题的报道，曝光典型案例，提升社会关注度。例如，通过短视频、纪录片等形式，解读大数据杀熟的原理与危害，普及反向驯化与维权的方法。此外，媒体还应宣传“算法透明化”的重要性，呼吁电商平台承担社会责任，营造公平、透明的电商消费环境。
8. 结论
本文以大数据杀熟为背景，聚焦大学生消费者的反向驯化行为，通过文献研究、问卷调查与深度访谈，分析了行为的特征、心理动机与效果，并提出了优化对策。研究发现：大学生反向驯化行为分为“信息获取类”“行为对抗类”“群体协作类”“需求调整类”四类，具有主动性、群体性、技术性与有限性的特征；心理动机包括“感知不公的补偿动机”“风险规避的防御动机”“自主掌控的需求动机”“群体认同的归属动机”“成本效益的理性动机”，五类动机相互关联，共同推动行为发生；效果层面，反向驯化行为在个人层面能减少经济损失、提升消费能力，但会消耗时间精力；在群体层面能倒逼平台改进、形成监督力量，但存在搭便车现象；在社会层面能促进行业规范，但效果有限，需依赖政策支持；优化对策需从大学生个人、电商平台、政府监管、社会层面协同发力，提升反向驯化效果，保护大学生消费权益。
NOTES
*通讯作者。