如何提高信息判斷力？

我們每天在網絡平臺上看到的信息，很大程度上是由運營平臺的商業公司所編寫的算法決定的。但在工具理性的背後，確實存在著網絡用戶對新聞平臺的不滿與抱怨：點開全文毫無意義的標題黨、缺少「石錘」容易翻轉的假新聞都在影響著網絡媒介的生態。

今年6月，一組來自柏林馬克斯·普朗克人類發展研究所、布裡斯託大學與哈佛大學法學院的研究者，從行為科學的角度分析了相關問題，並給出了他們的幹預措施。這一研究成果發表在了 Nature Human Behaviour 上。

論文題目：How behavioural sciences can promote truth, autonomy and democratic discourse online，論文地址：https://www.nature.com/articles/s41562-020-0889-7

推薦算法越來越強，人的判斷力卻越來越弱

設想一個場景，如果你在社交網站上看到了一個視頻——還是那種黑幕曝光、醜聞揭露的視頻——這樣的視頻可能有上萬的點擊量，以及過千的點讚。你覺得這件事意味著什麼呢？這個視頻是否可信？

全球有超過一半（55%）的網際網路用戶在使用社交媒體、搜尋引擎獲取新聞資訊，這是路透社2019年數字新聞報告（Reuters Institute Digital News Report 2019）提供的數據。

我們可以說，是算法在決定新聞信息流、而信息流決定了公眾輿論（其實是由用戶自發上傳的信息決定算法能抓取到的內容）。而商業網絡平臺的目標是牢牢抓住用戶的注意力，讓用戶長期停留在自己平臺上。

這也能解釋為什麼社交網絡上並沒有一個降權的「反對」機制：用戶上網並不是為了來接受教育的，算法會讓用戶覺得自己永遠都是對的。

該論文的作者之一、布裡斯託大學認知心理學教授 Stephan Lewandowsky 認為：如果我們分享的只是生活趣事，這樣的機制可能沒什麼影響。但當我們面對社會議題信息時，這樣的機制就可能會促進激進觀點的傳播，會扭曲事實。

此外，信息推送算法的基本原理，就是基於用戶以前瀏覽的幾個小圈子之內，這會被視為「常識」。這樣的平臺機制會讓我們忽略個體間的差異，忽略世界的多樣性。其實，這不僅會促成所謂的「信息繭房」現象，也是以「娛樂」、「快樂」為名義對人的操縱，因為在這樣的信息分發機制下，人其實會逐漸缺乏對信息的辨別與選擇能力。

那麼，網絡平臺上的用戶該如何區分信息的真偽？我們又該如何改善平臺的設計？

本論文的另一位作者、馬克斯 · 普朗克人類發展研究所的 Philipp Lorenz-Spreen 研究員認為，他們這項工作的目的就在於：在不依賴於專業審查人士的前提下，讓在線平臺中的用戶能夠明智地做出對的決定。平臺的設計會影響用戶的行為，所以，研究者希望在理解用戶行為的基礎上，通過良好的平臺機制設計來改善用戶的行為。

在這項工作中，研究者通過對行為科學中助推（Nudging）和助力（Boosting）這兩個概念的借鑑，設計出了能改善個人信息判別能力的機制。

怎樣利用助推機制，引導用戶思考？

助推（Nudge）一概念最早可以追溯到1995年，由 James Wilk 在系統論中提出。後來，2017年諾貝爾經濟學獎獲得者、芝加哥大學經濟學家、理察·H·泰勒（Richard H. Thaler）和歐巴馬時期的信息與管制辦公室主任凱斯·R·桑斯坦（Cass Robert Sunstein）的合著圖書《助推：我們如何做出最佳選擇》（ Nudge:Improving Decisions About Health, Wealth, and Happiness ）在2008年問世（中譯本由中信出版社於2009年出版發行），助推理論開始為大眾所接受。

圖1：左圖：理察·H·泰勒（Richard H. Thaler）、中圖：凱斯·R·桑斯坦（Cass Robert Sunstein）、右圖：《助推：我們如何做出最佳選擇》，中信出版社，2009 | 圖片來源：wikipedia.org、douban.com

助推的英文 nudge 原意就是用胳膊肘輕輕碰下，在不經意間給人以暗示提醒。故此，助推理論的思路也就在於通過巧妙的機制設計，在尊重別人意願的前期下，讓人們自然改變自身的行為。關於助推理論最著名也是最有趣的例子就是：在小便池的內壁上畫一隻蒼蠅就可以提高男士的「精準度」。

圖2：蒼蠅是畫上去的 | 圖片來源：wikipedia.org

再比如說，在催繳稅款的信件中，稱該地區的大部分商戶都已繳納稅款，那麼收信人可能會擔心自己成為「個別份子」而更加積極地報稅繳稅。此外，自助餐廳食品的擺放、填表登記時的默認選項設計等案例也都可以從助推理論的角度進行解釋。

在這篇論文中，研究者希望利用助推理論來引導用戶瀏覽信息時的行為，而不是強行去指定規則或者對信息加以限制。

圖3：助推機制設計示意

上圖展示的就是論文作者所設計的一個助推機制。我們可以看到除了正常的信息展示以外，還提供了信息來源、瀏覽量、評論數、點讚數等。

如果用戶發現一條新聞「閱讀量超過百萬，點讚只有100多人」，那麼他就會被啟發思考：這則消息可能不靠譜。依照研究者的設計，如果用戶要分享一些不靠譜的信息，系統也可以彈出一個二次確認的對話框，以提高不實信息的轉發成本。

打破算法黑箱：誰在左右你的信息流？

此外，網際網路用戶已經看穿了或者不得不接受的一個事實就是：對於用戶而言網際網路公司所使用的信息推送算法不僅不透明，其實也不那麼「自動」。競價排名、「買熱搜」、「帶節奏」等現象已經屬於網絡時代公開的秘密。自動推送、算法分發的背後其實並不僅僅是工具理性，而是商業收益。所謂「算法中立」不過是人們對新技術的一種理想化烏託邦式的想想。一個算法設計的背後包含著人的立場與決策。

從智慧財產權、商業利益以及輿論影響的角度考量，運營公司可能並不願意正式公開相關的分發算法和推薦機制。不希望信息推送的決策過程接受公眾的審視，在加上專業技術門檻，使得公司的信息分發算法成為了黑箱。

故此，在研究者提出的另一個助推機制設計中，算法排序的結果對用戶透明。提高算法透明度，打破算法的「黑箱」。

圖4：信息來源分類。信息的分數=最新+點讚+引用+朋友轉發

如上圖所示，在新的設計中，平臺的用戶能夠看到信息流排序的背後分數這樣透明公開的機制，能讓人明白自己為什麼會看到這些消息。

從助推到助力：怎樣提供用戶判斷力？

基於前面的設計，研究者進一步提出了新的改進措施，用戶可以自己為信息設定權重、加權打分。

圖5：透明自主的打分排序機制

以此操作使得用戶實際上參與了推送分發算法的設計過程，並且能夠根據自己的偏好對相應的分數權重進行調配。這樣做一方面提高了算法「可理解的透明度」，另一方面也讓用戶意識到自己參與到了網絡社區信息的共建中。

作為網絡社區活動的主體，網際網路用戶並不是單純的「受眾」。傳統新聞生產中生產與消費的二元對立場景，在社交網絡時代已經不再那麼絕對。面對網絡中層出不窮的熱點話題、翻轉烏龍，網際網路用戶除了罵一句「XX藥丸」以外，作為一片「雪花」本身也應承擔主體責任，提高自己的網絡素養、信息素養。

這種讓用戶自己調整權重、有教育用戶作用的機制就是助力（Boost）。

與助推機制相比，助力機制對人行為的影響就要更加明顯直接。助力這一概念是2016年，Ralph Hertwig 和 Till Grüne-Yanoff 在他們合作的論文 Nudging and Boosting: Steering or Empowering Good Decisions 中提出的。（論文題目：Nudging and Boosting: Steering or Empowering Good Decisions，論文地址：https://journals.sagepub.com/doi/abs/10.1177/1745691617702496）

與助推那樣用各種「雞賊」的招數偷偷摸摸地去改變他人行為的策略不同，助力則是要直接、顯式地去改變別人的認知。通過一定的策略去教育他人、提高個人能力，讓個體具備更高的判斷鑑別信息的能力。正所謂「授人以魚不如授人以漁」。在助力機制中，人是主動有意識地作出了改變。

引入行為科學，優化信息分享路徑

為了達成這樣的目的，助力機制會設計一些列簡介的啟發式策略，讓人以此習得新的能力。在該項研究中，研究者利用簡單的網絡級聯模型為讀者呈現出一則信息完整的轉發鏈條。

圖6：可視化的信息分享級聯：一則信息是如何在網絡上發布、轉發並最終被你看到的

信息分享級聯模型，為我們呈現出了完整的信息轉發鏈條。用戶可以看到一則信息從最早的信源發布開始所經歷的時間與轉發關係。網絡用戶可以自行根據信息發布、轉發的時間以及轉發鏈條上的用戶帳號信息，判斷自己收到的信息價值多少。比如，一個用戶如果從社交網絡看到一則聳人聽聞的信息，但同時也發現這則信息其實是幾年前的「冷飯」。或許，這時讀者就要留個心眼，想想為何這碗「陳年舊飯」又被翻炒出來。

除了轉發鏈條的呈現分析外，論文作者也利用廣為人知的決策樹模型為用戶提供了一套簡單易用的信息可靠性評估工具。

圖7：決策樹信息檢測工具

如上圖所示，這一機制設計旨在增強讀者的橫向信息檢索功能。讀者會被要求去檢查信息來源、是否提供了其他的連結引用、引用連結是否可靠、是否有其他獨立報導等項目。如果在引入第三方專業人士進行核查或者程序自動檢查，平臺用戶就可以通過查看別人的判斷結果來提升自己對信息的辨別能力。

未來資訊時代，機器人三定律將要失靈

我們所熟知的「機器人三定律」並非源自嚴謹完備的科學研究，而是由著名的科幻小說家艾薩克·阿西莫夫於1942在其作品《我，機器人》中首次提出的。但與科幻小說、電影所不同的是，我們在現實生活其實很少會真的看到機器「人」。我們所能大量接觸到的「機器人」可能就是運行在千萬伺服器中的程序。

在可預見的未來裡，我們其實並不擔心會有實體的機器人敲開家門、傷害我們。但是，由「活」在伺服器上的推送機器人算法生成的信息流卻能讓我們日日煩惱。或許，來自行為科學的思想能為我們提供更多可以「對抗」算法的新思路。