一个反直觉的发现
过去十年，关于推荐算法的主流批评是“信息茧房”：算法不断投喂你认同的内容，把每个人锁进同温层，让公共讨论日益极化。但斯坦福大学等机构研究人员近期发表于《美国国家科学院院刊》（PNAS）的一项研究，给出了一个几乎相反的结论——至少在 X（原推特）平台上，推荐算法更倾向于推送与你价值观不一致的内容（IT之家报道）。
换句话说，算法未必只给你甜头，它同样精于给你“痛点”——因为让你愤怒，比让你舒适更能带来互动。
研究是怎么做的
这项研究的方法论值得单独一提。研究团队招募了 715 名美国 X 用户，让他们安装一个浏览器扩展，从而在真实使用场景中同时收集两路数据：算法驱动的 "For You" 推荐流，以及按时间顺序排列的 "Following" 关注流。
与此同时，参与者填写了基于 Schwartz 基本价值观理论设计的问卷——这是社会心理学中刻画个人价值观取向的经典框架，涵盖自我导向、安全、从众、普世关怀等多个维度。研究人员据此为每位用户建立价值观画像，再比对推荐内容与画像之间的契合程度。
结果相当清晰：
- 推荐流中，与用户自身价值观相左的内容显著更多。用户更容易刷到令自己不舒服、甚至愤怒的帖子，而非自己认同的内容；
- 愤怒驱动互动。这类内容更容易促使用户点下“回复”；
- 形成自我强化的循环：越生气、越回复、算法越认定“这类内容有互动价值”、于是推荐更多类似内容。
斯坦福研究人员 Ziv Epstein 对此的解释一针见血：算法从这种相对少见、但强度更高的互动信号中学习。一次愤怒的回复，在优化目标面前可能比十次平静的点赞更“值钱”。
为什么愤怒成了最优解
这背后并不神秘，是平台经济学的必然结果。
推荐系统的“北极星指标”长期是互动量——回复、转发、停留时长，它们直接对应广告库存与营收。而情绪研究中早已反复验证：愤怒是传播效率最高的情绪之一。当回复被赋予远高于点赞的排序权重时，算法“发现”愤怒内容的互动回报最高，就会系统性地放大它。算法没有恶意，但目标函数决定了它的行为。
这个发现也修正了我们对“极化”成因的理解：撕裂公共讨论的未必只是同温层内的互相强化，还有平台对“对立面”的主动投喂。你看到的不是你想看的，而是让你气的。
值得注意的是，这项研究出现的时点很微妙。就在近期，美国 30 个州诉 Meta 的“成瘾设计”案已开庭，“无限滚动”等机制正站上被告席。如果说那场诉讼审视的是平台的“留住你”的设计，这项研究则从算法层面提供了另一块拼图：什么样的情绪正在被系统性地放大。
众包数据审计的范式意义
研究方法本身同样值得关注。715 名用户 + 浏览器扩展的组合，本质上是一种“分布式审计”——研究者绕过平台的黑箱，直接采集用户端的真实信息流数据。在平台不开放、接口持续收紧的背景下，这类众包式独立研究正成为外部监督推荐算法的主要路径之一。这与欧盟《数字服务法》（DSA）要求超大型平台接受算法审计的监管方向不谋而合：算法的透明与可审计，正在从道德呼吁变成制度要求。
简短点评
这项研究最值得记住的一句话或许是：算法没有价值观，但有目标函数。当目标函数是互动量时，愤怒就是理性最优解。
指望平台“向善”并不现实，真正的抓手在三处：一是改变被优化的指标——把“引发的回复数”换成更健康的质量信号；二是强制透明与独立审计，让“分布式审计”从研究者的自发行为变成常规机制；三是把推荐逻辑的控制权部分交还用户，至少让人知道（并可关掉）“为何给我看这个”。
对我们每个普通用户而言，这项研究也是一个即时可用的提醒：下次在信息流里刷到一条让你血压升高的帖子、手指已经挪到回复框时，不妨停一秒——那一刻的你，正是算法最想要的样本。