夕岸：新媒體如何「妨礙」集體行動

「Papi醬很火；川普粉遍布美國；中產都支持政府；年輕人不關心政治。」這些觀點表達都具有兩個維度，一是個人態度的表達，二是對群體態度的總結與預測。人們對某種觀點在人群中的支持度，會有基本的事前判斷。

政治社會學關注「社會信息」（social information）與「集體行動」之間的關聯機制，已經有幾十年：「沉默螺旋」解釋多數派聲音如何在傳播中壓過少數派；「第三人效應」指出我們如何低估媒體對自己的影響力；我們有「門檻理論」和「關鍵多數」研究群體事件如何爆發；我們可以藉助「從眾效應」與「級聯效應」，分析觀點如何在社會網絡中傳遞。

這些不同的概念，包含的是相似思路──個人參與集體行為，不僅僅由個人內在動機所決定，更大程度上取決於對周圍情境，特別是對其他人觀點和行為的判斷。

儘管相關假設層出不窮，但要證明人們真實地受到社會信息的波及，卻非易事。

網絡上的從眾效應

網絡空間分布著各式各樣的「算法」（algorithm，台灣稱演算法），讓用戶只看到特定的內容，或是呈現一個扭曲的社會現實。原本象徵平等的互聯網空間，也進化成了充滿偏見的「算法社會」（algorithm society）。

算法社會的降臨，對普通用戶是一場噩夢；而對部分研究者來說，則是觀察社會信息的絕佳機遇。不斷變化的平台功能和算法，裹足不前的網絡立法，加上不斷寡頭化的電子空間，讓互聯網越發成為一個天然的實驗室。用戶不僅僅是為商業社交網絡免費提供內容的「數字勞工」，更慢慢轉化為，免費提供實驗數據的「數字被試者」。

過去三年間，牛津大學網絡研究中心團隊用一系列實驗設計，證明了社會信息對個體在線行動造成的巨大影響。2012年初，英國政府的請願網站對主頁進行了調整，他們將六個最熱門的連署案鏈接放在首頁，相當於 twitter、Facebook 等社交媒體常用的趨勢篩選（trending filter）功能。研究者對比功能調整前後的網站數據，發現在新功能加入當天，首頁的六個鏈接流量就出現大幅增長，同時其它項目的關注度則相應減少；不同項目間的流量變得更不平等。引進的新功能，提供的正是之前欠缺的「社會信息」──這種信息告訴用戶：哪些話題受到多數人關注。

緊接着，研究者用在線對照實驗，更精確地估計社會信息的影響。在某個實驗中，當受試者得知其他人會通過網站給議員寫信後，他們也更傾向於採取行動。在另一個實驗中，研究者搭了一個虛擬請願平台，挑選了六個跨國政治話題，隨機給幾百個實驗對象，並附上這組話題的「公眾支持度」信息。所謂的「公共支持度」其實由研究者編造，分成高中低三組；他們發現，同樣話題若搭配「高支持度」的社會信息，比「低支持度」更能激發用戶的參與熱情。

這些研究，在社會信息與集體行動間，建立了因果解釋。之前研究認為，有效動員需要特定的網絡結構──周圍朋友參與，才可以激勵個人投入運動。然而牛津團隊的研究發現，僅僅提供「大多數人都這麼認為」這種與個體並無直接關係的社會信息，就足以影響其行動。

社會信息如何「反動員」？

某個話題的關注度，或某場運動的參與度，同時也暗示了它們「不受歡迎」的程度。當議題存在爭議時，社會信息可以用來動員，也可以用來「反動員」（demobilization）。當特定議題的倡導者覺得，社會對其訴求普遍無知或反對時，可能壓抑其行動。同時，某個議題的流行，還會擠佔掉其他議題的傳播空間。

該研究選擇的話題，清一色都是民主社會「政治正確」的議題：例如反歧視、抵制戰爭、保護人權、支持環保等。這些議題，最低的公眾支持度也達七成以上，這讓研究者可以忽略反對意見，簡化實驗。

但這也意味着，本研究無法測量，存在社會爭議時的大眾動員與反動員機制。

利用社會信息來反動員，並不需要說服人改變立場，它只需要證明另一方聲勢浩大──哪怕其內容並沒有邏輯。網絡水軍、黑客攻擊，社交站點上活躍的各種機器人(Bots)，都遵循這樣的運作思路。它改變的是人們對於網絡生態的原初信任感。這種原初信任感，來源於對互聯網早期發展的認知。在那時，人們相信網絡結構平等，生態蓬勃。過去的互聯網，雖然存在大公司對流量的統治，但小網站和單個用戶憑藉內容，仍然可以無需依附大平台就能有立足之地，甚至可以攀上注意力經濟的快車道。這樣良性循環的生態，如今已經無跡可尋。

「反動員」依賴於創造一種「能見度」(visibility) 的不對等：其讓行動者（activist，這裏指持有異議而發動運動的人）面對龐大對立聲勢而自覺少數，也讓其他人看不見這些行動者。在社交平台上，行動者很容易發現：政權所鼓勵和歡迎的內容被大量閲讀轉發──這類社會信息，很容易抑制和威懾行動者的話語。

在全世界範圍內，信息控制的邏輯都是相似的：將行動者吸引和收編進高度壟斷，政府易於控制的平台，逼迫所有用戶遵循相似的遊戲規則。行動者越是希望適應規則，越被不公平的規則所打敗。

過濾器效應的誇大

提到算法社會，很多人會想到被傳媒熱炒的概念「過濾器效應」──比如臉書的時間軸（timeline）用算法篩選信息。算法傾向顯示符合特定指標的貼文，於是個人信息來源愈發封閉。這樣一種過濾器效應，從搜索引擎到購物網站，在各大互聯網服務平台都廣泛存在。很多人認為，它助長了互聯網信息的極化。

然而，正如我先前在另外一篇文章指出，過濾器效應的威脅始終是被誇大的。現代社會的一大特徵是所謂「交叉認同」的上升，也就是人們可以隸屬於多個性質與邊界不同的社會團體。雖然人們都傾向於與觀點類似的人互動，但交叉認同在一定程度上，會抵消「過濾器效應」。

網絡是否會強化人們對信息的選擇性接受？過往研究並未發現顯著證據。這個結果也可以用交叉認同來解釋。對於互聯網用戶而言，儘管社交算法越發精確地預測他們的喜好，可是「完全將自己封閉在一個小世界」，依然是幾乎不可能實現的想像。我們總會在一些偶然場合，發現自己秉持的價值，是別人眼中的異端。

算法社會下的失望政治

算法社會最深遠的後果，首先來自於用戶對算法本身的感知，存在巨大的差異。2015年的數據顯示，七成的用戶知道臉書社交算法的存在，但仍有一成用戶完全不知情。我們對於互聯網的事實論述如此支離破碎，用戶對於算法的日常體驗，也截然不同。

無知者反而無畏，最先清醒的人也最脆弱。相比那些還在社交過濾器泡沫（filter bubble）裏打滾而不自知的人們，信息習慣更好的知識型用戶，會比其他用戶更早嗅到「網絡空間分裂」
的社會信息，也更容易感受到「他者」力量的威脅。「他者」可以是瀰漫性的大眾，沒有確定的指向；也可以是更具體的「小粉紅」、川普粉；既可以是實名的極端分子，也可以是匿名教微軟機器人種族主義的網絡巨魔（Internet troll）。長此以往，知識性用戶將不再相信網絡規則的公平性，也不會相信由這種公平性保護的，個人網絡表達的力量。

前述的牛津大學團隊，並未用社交網站數據做實驗，而是採用傳統傳播界面的請願網站；沒有過多的算法操縱，所有人看到相似內容，也相信別人能看到一樣內容，減少了實驗的複雜度。牛津的團隊如願做出自己想要看到的結論；然而，當網絡算法進一步侵入到最細微的社會肌理，當越來越多用戶，不再相信自己能看到全部的事實，這時，這些結論恐怕就要失效了。