构建算法权威：多频道网络（MCN）如何治理中国直播劳动

《Proceedings of the ACM on Human-Computer Interaction》：Constructing Algorithmic Authority: How Multi-Channel Networks (MCNs) Govern Live-Streaming Labor in China

　　

**摘要**

本研究考察了算法的话语建构及其在中国直播行业劳动管理中的作用，重点关注中间组织（多渠道网络，MCN）如何积极构建、稳定并部署对平台算法的特定解释，将其作为劳动管理工具。本研究基于为期九个月的民族志田野调查以及对44名主播、前主播和MCN工作人员的访谈，考察MCN如何在不同组织环境中生产和传播结构化的平台算法解释。研究发现，MCN表达了两种非对称但相互关联的算法解释形式。在内部，MCN管理者将算法视为不稳定和不确定的系统，并采用概率性策略来管理绩效和风险。在外部，在与主播的互动中，MCN传播简化和规范性的算法叙事，将平台系统描绘为透明、公平且对个人努力有所回应。这些组织层面产生的算法解释被嵌入到培训材料、直播绩效指标和日常管理实践中。通过这些机制，主播内化了结果的责任，强化了自我约束，并增加了对设备、表演技能和日常流程的投入，以维持主播与受众之间的关系，同时不可预测结果的问责制逐渐从管理者和平台转移出去。本研究通过展示话语建构的算法知识如何作为软控制的中间基础设施发挥作用，从而影响平台劳动在实际中如何被规制、道德化和治理，为CSCW和平台劳动研究做出了贡献。

---

**1 引言**

随着算法系统日益成为数字劳动的核心，骑手电召、电子商务和直播等领域的从业者需要在不透明、不稳定且难以解读的绩效和评估系统中运作。算法通过将管理逻辑嵌入平台基础设施中，塑造什么变得可见、绩效如何评估，以及哪些形式的劳动获得认可或回报[9, 33, 71]。对从业者而言，日常劳动在不确定性条件下展开，结果似乎与不断变化的算法信号密切相关。这些条件催生了持续的诠释工作，因为从业者在努力理解算法系统如何运作以及他们的活动如何被评估。

HCI、CSCW和数字研究领域的学者们记录了从业者如何通过经验发展出对算法系统的实用理解。在这类文献中，这些诠释过程使用了如算法想象[9]、心智模型[50]和算法民间理论[22]等概念进行理论化。实证研究表明，从业者如何在同行网络中交换解释[45, 79]，如何利用共同的经验和解释来合理化算法结果[16, 53]，以及如何使他们的实践与感知到的算法偏好保持一致[7, 36]。近期研究进一步强调了这些诠释过程的集体性质，展示了算法的理解如何在社区中传播，并通过重复互动得到稳定[77, 83]。这些研究共同确立了算法诠释作为当代平台劳动的核心组成部分。

此外，先前的研究还将算法视为话语建构的对象，考察机构如何通过其解释来阐述和框架化对算法系统的特定理解[4, 13, 56]。Lin（40）引入了"算法的话语建构"这一术语，以捕捉算法解释的话语生产特征。Lin（40）表明，抖音的官方账号突出算法的公平性和努力-回应性，同时淡化不确定性，从而减少用户对不公平的怀疑，并使用户行为与平台的盈利模式保持一致。虽然这一视角阐明了平台如何塑造用户对待算法系统的态度，但我们对于这种话语建构如何通过中间组织融入劳动管理仍知之甚少。

在平台化劳动市场中，中间组织通常处于面向平台的话语和日常工作实践之间。通过培训项目、指南和管理层沟通，这些组织策划算法解释，并为从业者定义可信的知识。这些动态凸显了算法的诠释权威如何在组织中组织起来，以及话语建构的算法知识如何在制度中成为劳动管理的一部分。

本文通过考察中国直播行业中多渠道网络（MCN）的角色来弥补这一差距。MCN是运营在独立主播和平台公司之间的中间组织。它们帮助主播开设频道、改善内容、建立个人品牌并获利，同时也影响着主播生产什么以及他们如何工作[38, 69, 81, 82]。虽然MCN在西方语境中（如YouTube作为服务提供商）已被广泛研究[27, 59]，但对其在算法诠释中的认识论角色关注较少。我们通过将MCN理论化不仅是经济中介，而是积极诠释和制度化算法知识的组织行为者，来推进这一文献。这一转变凸显了算法诠释如何在大规模上被生产和传播。中国的直播行业为此分析提供了一个特别富有生成性的场域。中国的直播规模庞大、高度工业化且劳动密集[62, 80]，MCN对劳动和可见性具有强有力的控制。尽管MCN对西方市场的影响力正在减弱[3]，但它们在中国仍然具有影响力，影响着主播如何理解和应对算法系统。鉴于直播工作中的信息不对称，以及许多主播对平台算法可靠解释的有限获取——包括许多来自农村地区、接受正式教育有限的女性[63, 75]——MCN可能在塑造什么是可信的算法知识方面拥有不成比例的认识论权威。

基于这种研究潜力，本研究调查中国MCN如何话语建构算法，并将这些建构整合到组织实践中的劳动管理。基于为期九个月的民族志田野调查以及对44名主播、前主播和MCN工作人员的访谈，我们提出以下研究问题：

- **RQ1：** MCN如何建构组织的算法解释？
- **RQ2：** 这些解释如何嵌入日常劳动管理实践中？
- **RQ3：** 主播如何对MCN的算法诠释做出反应？

针对RQ1，我们发现MCN通过双重框架建构组织的算法解释。在内部，MCN员工将算法视为不稳定和不确定的系统，依赖概率推理来管理绩效和组织风险。在外部，在与合作主播的互动中，MCN推广简化和规范性的叙事，将平台算法描绘为透明、公平且对个人努力有所回应。

针对RQ2，我们展示了这些内部和外部算法解释如何嵌入日常劳动管理实践中。MCN将算法叙事转化为培训项目、绩效排名、美学和行为标准、空间安排和财务依赖。通过这些机制，算法不确定性变得可管理，成功或失败的责任通过有纪律的劳动实践传递给个人主播。

针对RQ3，我们展示了主播对MCN算法诠释的反应沿着一种有模式的轨迹展开。虽然许多人最初将MCN的指导作为一种应对不确定性的务实反应而予以配合，但其他人随着承诺的结果未能实现而产生了怀疑，一些人最终与MCN脱离关系或完全退出直播行业。这些反应说明了算法诠释如何在不同程度上被接受、质疑和抵制。

因此，本研究对CSCW和HCI研究做出了三点贡献：

- 第一，它强调了中间组织作为组织算法权威建构的关键场所，影响着平台经济中算法知识如何被构成和操作化。
- 第二，它展示了话语建构的算法诠释如何作为组织劳动管理的工具发挥作用。
- 第三，它通过突出中间组织在调解算法权威和治理算法劳动方面的作用， lprovided了设计和政策方面的启示。

**2 背景与相关工作**

首先，我们考察与算法诠释相关研究，如民间理论、心智模型、算法想象和算法的话语建构（第2.1节）。其次，我们分析了从直接的算法管理（例如任务分配或绩效指标）向更柔和和更具情感形式的控制转变（第2.2节）。第三，我们着重回顾多渠道网络（MCN）及相关直播行业研究文献（第2.3节）。

**2.1 算法的诠释框架**

本节回顾了考察算法如何在日常实践中被理解的研究。在HCI、CSCW和数字研究领域中，学者们开发了一系列概念框架来捕捉这些诠释过程，包括算法民间理论、心智模型、算法想象以及对算法话语建构的最新研究。这些框架强调了算法系统如何获得意义，塑造用户在算法不透明和不确定性条件下如何定位其行动。

**2.1.1 以用户为中心的算法诠释**

大量研究考察了从业者如何通过经验发展出对算法系统的实用理解。在这一文献中，几个密切相关的概念被用来捕捉以用户为中心诠释的不同维度。算法民间理论描述了用户为解释算法行为而发展出的非正式、基于经验的解释，通常依赖于试错、轶事证据和同行交流[22, 23, 30]。心智模型强调了用户关于算法系统如何运作形成的内部表征，突出了这些认知结构如何指导期望和与复杂系统的互动[50]。算法想象强调了算法理解的情感、文化和象征维度，关注算法如何在更广泛的社会意义中被想象[9]。

实证研究表明，这种理解往往在同行网络中传播，从业者在那里交换解释、比较结果并完善对算法行为的共同解释[16, 45, 53, 79]。通过这些过程，算法的诠释变得稳定，并指导日常决策，包括生产什么、何时工作以及如何回应算法反馈[7, 36]。关于平台劳动的研究进一步表明，这些诠释资源如何指导跨领域的内容创作、审核和骑手电召等常规工作实践，即使这些解释仍然停留在推测层面[5, 6, 12, 21]。

近期研究还强调了这些诠释框架的效用。例如，Mayworm等人[44]展示了用户如何将共享的内容审核算法解释作为诊断工具，利用它们来调整策略、预判执法并决定何时脱离参与变得必要。在这些叙述中，以用户为中心的算法诠释作为实用资源发挥作用，使不透明的系统在日常工作中变得可操作。

**2.1.2 算法的话语建构与制度中介**

除了以用户为中心和以劳动为中心的方法外，不断扩大的学术研究考察了算法理解如何通过制度话语和沟通实践被塑造。在更广泛的算法想象传统中，这些研究关注算法如何通过在政策声明、业务透明度报告和教育材料中被公开阐述和解释，这些材料由平台、设计师和监管机构制作[4, 13, 56]。这类工作不仅关注个体的意义建构，还追踪了算法的权威叙述如何通过正式渠道被组装和传播，从而促成关于算法如何运作以及奖励或惩罚哪些行为的共享期望。

这一文献的一个关键理论贡献由Lin（40）提出，他引入了"算法的话语建构"概念以系统化这些制度过程。Lin[40]将算法概念化为其意义通过话语被积极生产出来的对象。随着制度行为者越来越多地发布算法操作的说明，算法通过标准化词汇变得可读，这些词汇突出了某些原则、因果逻辑和评估标准。在这一框架中，算法被理解为"通过话语塑造的动态、情境化建构[40]"，反映了其意义通过沟通被稳定的情境性和偶然性方式。

这一视角将注意力引向话语实践如何围绕算法建立诠释边界。Lin[40]总结道，通过选择性强调、简化和抽象，制度叙述有意突出算法系统的特定维度，同时将其他维度保持在模糊或不确定状态。这些过程促成了特定诠释的规范化，塑造了被视为关于算法的常识性知识的内容，以及哪些形式的不确定性对用户来说是可接受的。

新兴研究将这一分析扩展到平台公司之外，考察算法的话语建构如何通过连接制度叙事与日常劳动实践的中间行动者传播。对MCN、粉丝社区和其他第三方组织的研究表明，算法解释如何被转化为优化建议甚至集体行动框架，以引导用户行为[59, 77]。

与此同时，现有研究对于中介组织如何将话语建构的算法解释整合到劳动管理中，提供的实证洞见有限。

### 2.2 算法管理

算法管理是指利用计算系统来分配、监督和评估劳动，在数字和平台中介的工作环境中，它日益取代或补充传统的管理职能 [33, 45, 47]。该领域的早期研究主要集中在平台如何利用算法自动化关键的管理程序，如任务分配、绩效评估和行为纪律，尤其是在网约车、外卖配送和内容审核等零工经济部门 [46, 48]。这些研究强调了算法的不透明性和数据访问的不对称性如何强化结构性不平等，使工人受制于透明度有限的刚性系统 [16, 55]。在这一视角下，算法成为管理控制的基础设施，将等级逻辑嵌入看似中立的技术系统中。

最近的研究将分析视角从技术自动化扩展到算法管理的社会、情感话语动态。学者们记录了平台不仅通过直接的口头命令进行治理，还通过“软性控制”即通过游戏化仪表盘、奖励系统、绩效指标和激励性叙事来微妙地塑造工人行为 [10, 31, 72]。这些系统鼓励工人内化平台价值观，如精英主义、效率和可见性，往往在不稳定的条件下促使他们进行 aspirational 的自律。文献的这一转向强调了算法权力如何在主体建构层面运作，即使在缺乏显性胁迫的情况下，也能生产出顺从、充满希望且承担责任的工人 [11, 19]。

然而，大部分研究集中在平台与工人之间的直接关系上，相比之下，较少关注中介组织（如第三方服务提供商、外包公司或管理经纪人）如何中介算法系统。这些行动者日益充当不透明平台和碎片化劳动力之间的认识论和组织桥梁，在塑造算法控制如何落地方面发挥着显著却理论化不足的作用。

### 2.3 MCN 与主播

本研究探讨中介组织如何在中国直播行业中策略性地建构算法解释。我们关注直播行业作为一个特别重要的场域：主播在高度波动的算法环境中运营，面临变现的极大不确定性，且通常缺乏解读塑造其可见性和收入系统的技术知识 [29, 62, 64, 78]。这些认识论条件使主播特别依赖外部提供的关于平台算法如何“运作”的解释，为算法解释的出现和操纵创造了情境。

与围绕离散任务构建的传统零工工作不同，主播必须在实时情况下为观众持续表演，往往持续到深夜，同时调整自己的外貌、情感和人格以满足平台和观众的期望 [26, 48, 80]。平台环境进一步加剧了这种不稳定性。主播必须依赖不透明的算法推荐系统来获得可见性，然而他们对这些系统如何运作缺乏安全保障、知识或控制权 [62, 78]。成功取决于被算法浮现，但算法的波动性意味着可见性是不均衡且不可预测的。收入机制主要基于礼物：大多数主播没有基本工资，而是依赖观众的自愿打赏或粉丝礼物，意味着数字交易更像微捐赠而非稳定报酬 [29, 62]。鉴于平台保留这些礼物的很大一部分，且观众没有义务贡献，主播独自承担变现的风险和不确定性 [64]。许多主播，特别是在全球南方或低收入地区的主播，进入这个劳动力市场时数字素养和教育资源有限 [48, 63, 75]。他们往往缺乏解读算法行为、分析平台指标或优化参与策略的技术背景。这种有限的算法理解进一步加剧了他们的不稳定性，使主播在平台表现不佳时易受错误信息、过度工作、自责和自律的影响 [65, 80]。

在此背景下，MCN（多频道网络）已成为算法知识建构和劳动中介的核心，这是我们研究算法话语建构的一个绝佳案例。起源于 YouTube 等西方市场，MCN 模式最初为个人创作者和频道集体提供变现支持、品牌策略和分析服务 [42, 54]。虽然 MCN 在 YouTube 上的影响力有所波动，但研究表明这些实体通过聚合人才、调解知识产权索赔以及在各频道间标准化美学和技术规范，帮助整合和工业化早期创作者劳动 [14, 17]。即使没有正式嵌入平台治理，西方的 MCN 也通过品牌脚本、内容配额和聚焦算法的咨询等软性控制机制，在规训创意劳动方面发挥了重要作用 [59]。

我们选择中国作为主要情境，基于其快速蓬勃发展的直播行业和新兴的中介公司。在中国，MCN 在抖音、快手和虎牙等平台的运营逻辑中变得更加结构性嵌入。与此同时，中国的 MCN 已被制度化地纳入平台治理框架，积极协助平台管理、监控和优化主播的生产 [38, 41, 69, 82]。与 YouTube 和其他西方直播平台不同（那里大多数创作者保持相对自主 [3]），中国直播平台严重依赖 MCN 来协调招聘、培训和日常绩效评估。因此，独立主播面临更高的竞争，通过 MCN 中介的平台劳动既充当基础设施支持，也充当非正式管理者 [27]。这些 MCN 往往宣传其技术和分析能力，通过解码和利用算法机制来“制造”成功，将自己品牌化为精通算法的“人才孵化器” [81, 82]。

MCN 在算法时代充当解释性基础设施。它们的权威并非源于雇佣安排，而是源于它们解读不透明平台系统的能力、训练主播满足算法期望的能力，以及定义什么是可取劳动的能力。张和通最近提供了中国 MCN 生态系统历史发展的系统描述，并认为中国内容平台高度依赖 MCN 来吸收专业内容生产的风险 [82]。他们还承认 MCN 在帮助创作者熟悉平台算法并相应优化内容方面发挥了积极作用 [82]。然而，关于调查关键问题的文献仍存在空白：MCN 具体如何建构和传播关于算法的知识，以及它们为何以特定方式这样做？因此，我们的研究旨在探索 MCN 作为解释者和执行者，在塑造创作者与平台算法的认识论关系中的作用。

### 3 方法

在本研究中，我们主要在中国北京和长沙进行了广泛的田野调查，重点关注 MCN 公司和主播。从 2023 年 4 月到 12 月，我们进行了为期九个月的深入民族志调查。我们的田野工作涉及观察三家公司（案例中的 A、B、C）的日常运营——为了保护参与组织的匿名性而使用的化名——包括他们如何设置直播环境、提供技术和情感支持，以及管理经理、技术人员和主播之间的互动。我们还跟踪主播更广泛的日常作息，以了解其劳动条件和平台实践的情境。所有观察均在 MCN 公司和个别参与者的同意与合作下进行。

为了补充这项民族志研究，我们进行了面对面线上访谈，对象包括 24 名主播、7 名前主播和 13 名 MCN 从业者。虽然我们的沉浸式田野工作基于三家 MCN，但我们的访谈样本扩展至包括来自总共七家 MCN 公司（A、B、C、D、E、F、G）的参与者。

本研究获得了大学机构审查委员会 (IRB) 的批准。在整个研究过程中，我们透明地说明了研究者的角色，并获得了所有参与者的知情同意。

#### 3.1 参与者：主播（N=24），前主播（N=7），MCN 从业者（N=13）

我们访谈了 24 名活跃于来疯、陌陌、YY、抖音和花椒等主要中国平台的主播 (L1–L24)。参与者年龄从 21 岁到 34 岁不等，来自多样化的性别、教育和地理背景（见表 1）。约三分之二 (n = 15) 是全职主播，其余为兼职，通过美甲沙龙、理发店、按摩院、超市、电子工厂或健身教练、模特和销售人员的工作来补充不稳定的直播收入。我们还访谈了 13 名来自七家公司的 MCN 从业者 (M1–M13)，这些公司处于不同的组织发展阶段，包括初创公司、成长期公司和成熟 MCN（见表 2）。他们的角色包括高管 (n=5)、经理 (n=6) 和技术人员 (n=3)，其中一名参与者担任经理 - 技术员的双重职位。高管制定战略决策；经理协调排期和绩效；技术人员提供技术支持和培训。我们还访谈了七名前主播 (F1–F7)，他们曾隶属于 MCN 并已离开直播行业（见表 3）。值得注意的是，F1 和 F7 最初离开其所属的 MCN，在没有 MCN 的情况下独立直播了一段时间，最终退出了该行业。F5 在离开前曾在两家 MCN 公司之间切换。

截至 2023 年 12 月，中国约有 1508 万人将直播作为其主要职业，57.1% 的人表示经济收入是进入该行业的主要动力。68% 的职业主播报告平均月收入低于 3000 人民币（约 420 美元）[15, 51]。

**表 1. 主播参与者信息**

| ID | 性别 | 年龄 | MCN | 工作年限 | 教育 | 平台 | 粉丝 | 雇佣形式 | 收入 | 领域 |
| :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- |
| L1 | 女 | 21 | A | 8 个月 | 本科 | 来疯 | 3 千 | 兼职 | ￥1000-2000 | 聊天 |
| L2 | 男 | 24 | A | 6 个月 | 硕士 | 来疯 | 2 千 | 兼职 | ￥1000-1500 | 聊天 |
| L3 | 女 | 21 | D | 3 个月 | 本科 | 来疯 | 1 千 | 兼职 | ￥3000-4000 | 音乐 |
| L4 | 女 | 25 | B | 3 个月 | 硕士 | 来疯 | 1 千 | 兼职 | ￥2000-3000 | 音乐 |
| L5 | 女 | 22 | C | 7 个月 | 高中 | 来疯 | 23 千 | 全职 | ￥2000-4000 | 音乐 |
| L6 | 女 | 26 | C | 8 个月 | 高中 | 来疯 | 1 千 | 全职 | ￥1500-2500 | 舞蹈 |
| L7 | 男 | 24 | B | 3 个月 | 大专 | 来疯 | 1 千 | 全职 | ￥1500-3000 | 聊天 |
| L8 | 女 | 24 | B | 9 个月 | 大专 | 来疯 | 1 千 | 兼职 | ￥2000 | 聊天 |
| L9 | 女 | 18 | D | 2 年 | 大专 | 来疯 | 6 千 | 全职 | ￥3500-4000 | 聊天 |
| L10 | 女 | 23 | C | 5 年 | 高中 | 来疯 | 148 千 | 全职 | ￥10000-15000 | 音乐 |
| L11 | 女 | 26 | C | 4 年 | 本科 | 来疯 | 98 千 | 全职 | ￥10000-12000 | 音乐 |
| L12 | 女 | 28 | C | 2 年 | 高中 | 来疯 | 57 千 | 全职 | ￥8000-10000 | 舞蹈 |
| L13 | 女 | 20 | G | 3 年 | 大专 | 陌陌 | 12 千 | 全职 | ￥3000-6000 | 聊天 |
| L14 | 女 | 28 | G | 1 年 | 高中 | 陌陌 | 1 千 | 全职 | ￥4000-4500 | 聊天 |
| L15 | 女 | 26 | G | 1.5 年 | 大专 | 陌陌 | 1 千 | 全职 | ￥3000-5000 | 聊天 |
| L16 | 女 | 24 | F | 2.5 年 | 大专 | YY | 2 千 | 全职 | ￥1000-3500 | 音乐 |
| L17 | 女 | 28 | F | 1 年 | 本科 | YY | 1 千 | 全职 | ￥2000-4000 | 音乐 |
| L18 | 女 | 23 | C | 1 年 | 本科 | 抖音 | 2 千 | 全职 | ￥1500-2000 | 音乐 |
| L19 | 男 | 21 | C | 1.5 年 | 本科 | 抖音 | 83 千 | 兼职 | ￥2000-3000 | 音乐 |
| L20 | 男 | 24 | F | 2 年 | 本科 | 抖音 | 75 千 | 兼职 | ￥3000-4000 | 健身 |
| L21 | 男 | 34 | E | 3 个月 | 本科 | 抖音 | 2 千 | 兼职 | ￥1000-1500 | 音乐 |
| L22 | 男 | 26 | E | 4 个月 | 硕士 | 抖音 | 9 千 | 兼职 | ￥2000-2500 | 聊天 |
| L23 | 男 | 29 | F | 2 年 | 大专 | 抖音 | 15 千 | 全职 | ￥4000-5000 | 舞蹈 |
| L24 | 女 | 32 | F | 1 年 | 硕士 | 花椒 | 3 千 | 全职 | ￥3000-3500 | 音乐 |

**表 2. MCN 参与者信息**

| ID | 性别 | 年龄 | MCN | 工作年限 | 教育 | MCN 阶段 | 职位 |
| :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- |
| M1 | 男 | 42 | B | 4 年 | 硕士 | 成熟 | 高管 |
| M2 | 女 | 35 | D | 2 年 | 大专 | 初创 | 经理 |
| M3 | 女 | 42 | A | 5 年 | 本科 | 成熟 | 高管 |
| M4 | 男 | 40 | C | 4 年 | 大专 | 成长期 | 经理/技术人员 |
| M5 | 女 | 40 | A | 1 年 | 本科 | 成熟 | 经理 |
| M6 | 男 | 48 | C | 5 年 | 大专 | 成长期 | 高管 |
| M7 | 女 | 46 | F | 2 年 | 博士 | 初创 | 高管 |
| M8 | 男 | 53 | E | 2 年 | 本科 | 初创 | 经理 |
| M9 | 男 | 25 | G | 2 年 | 大专 | 成熟 | 经理 |
| M10 | 女 | 35 | F | 2 年 | 硕士 | 初创 | 经理 |
| M11 | 男 | 30 | G | 3 年 | 大专 | 成熟 | 高管 |
| M12 | 男 | 24 | C | 1 年 | 大专 | 成长期 | 技术人员 |
| M13 | 男 | 22 | C | 6 个月 | 本科 | 成长期 | 技术人员 |

**表 3. 前主播参与者信息**

| ID | 性别 | 年龄 | MCN | 工作年限 | 教育 | 平台 | 粉丝 | 雇佣形式 | 收入 | 领域 |
| :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- |
| F1 | 女 | 22 | / | 1 年 | 本科 | 抖音 | 34 千 | 全职 | ￥4000-5000 | 聊天 |
| F2 | 女 | 31 | A | 6 个月 | 本科 | 来疯 | 2 千 | 兼职 | ￥2000-3000 | 聊天 |
| F3 | 女 | 28 | F | 1.5 年 | 高中 | YY | 6 千 | 全职 | ￥3000-5000 | 音乐 |
| F4 | 女 | 26 | F | 8 个月 | 高中 | YY | 5 千 | 全职 | ￥3000-3500 | 舞蹈 |
| F5 | 男 | 29 | G | 2 年 | 高中 | 陌陌 | 23 千 | 全职 | ￥4000-5000 | 聊天 |
| F6 | 男 | 23 | E | 6 个月 | 大专 | 抖音 | 52 千 | 兼职 | ￥1000-3000 | 健身 |
| F7 | 男 | 21 | / | 6 个月 | 本科 | 抖音 | 28 千 | 兼职 | ￥2000-3000 | 健身 |

注：直播数据反映的是离开行业时的账户信息。

#### 3.2 研究设计

**3.2.1 北京和长沙为期九个月的民族志研究**

我们在位于北京和长沙的三家 MCN（A、B、C）中进行了为期九个月的民族志研究（2023 年 4 月–12 月），积极参与其直播实践。选择这两个城市是因为它们代表了中国直播经济中独特却具影响力的枢纽：北京作为首都，是数字创业和政策话语的中心 [18]；长沙虽然规模较小，但已崛起为一个领先的文化生产枢纽，由于其蓬勃发展的直播行业，吸引了大量农村移民主播 [75]。

在为期九个月的民族志田野调查过程中，我们重点关注 MCN 和主播如何围绕平台算法互动。在头三个月，我们采取开放和探索的方式，了解主播如何起步、他们的日常作息是怎样的，以及 MCN 如何提供支持或介入指导他们的工作。在此期间，我们也学习了一些基本的直播技能，并与主播和 MCN 员工建立了信任。在田野工作的中期，我们开始注意到 MCN 和主播经常谈论“算法”。算法成为日常实践的关键部分。MCN 用它来设定绩效期望、提供建议并解释成功或失败。反过来，主播们也发展出了自己对算法如何运作的非正式信念，通常基于 MCN 的指导。在最后四个月，我们将注意力完全转移到这个过程上。我们仔细研究了 MCN 如何解读模糊和不可预测的算法信号，并将其转化为主播遵循的具体规则和常规。这一转变使我们理解了 MCN 既是商业管理者，也是将平台不确定性转化为结构化劳动期望的算法中介。

**3.2.2 与主播和 MCN 从业者的访谈**

在为期九个月的民族志研究之后，我们在研究结束时对 24 名主播和 13 名 MCN 从业者进行了半结构化访谈，以进一步调查 MCN 如何中介算法动态。

参与者招募始于田野调查涉及的三家 MCN，这帮助我们接触到了更广泛的主播网络和相关 MCN，最终样本扩展至七家 MCN，使我们能够在初始田野地点之外多样化样本。这一扩展是必要的，原因有两点。首先，MCN 在规模、专业化和平台依赖程度上差异很大，这可能导致各种算法策略和劳动实践。其次，扩大样本有助于我们识别跨组织的共同模式，从而更稳健地理解算法知识如何在 MCN 生态系统中建构和流通。

我们有意纳入了新手和资深主播，以及来自不同岗位和组织层级的MCN员工。访谈提纲在既往关于主播[14, 67, 70, 74]和MCN[39, 59, 66]的研究基础上制定，随后聚焦于几个核心领域：平台算法相关的挑战、主播对算法系统的理解和应对方式、MCN施加的算法引导或控制形式，以及MCN提供的旨在促进合规或成功的基础设施性或诠释性支持。针对主播，示例问题包括："你如何判断算法是在对你有利还是在对你不利？"；"你的MCN是否曾就算法向你提供过解释或建议？"；"在应对平台挑战时，你从MCN获得的支撑——技术、情感还是诠释方面——是怎样的？"针对MCN从业者，我们提问："你如何及时了解平台算法规则的变化？"；"你是否就如何'迎合算法'对主播进行培训或提供非正式指导？"；"你如何描述你在平台算法方面对主播所扮演的角色？"每次访谈持续约60至90分钟。在整个过程中，我们鼓励参与者批判性地反思平台算法如何塑造他们的日常劳动，以及MCN作为组织行为者和算法知识与期望的中介者如何影响这些体验。

3.2.3 对前主播的访谈

为应对平台劳动研究中可能存在的幸存者偏差，在田野调查和主播及MCN员工访谈之后，我们还与七名前主播（F1–F7）进行了半结构化访谈，这些受访者此前曾隶属于MCN，并已退出直播行业（见表3）。我们意识到，活跃且相对成功的从业者的叙述可能过度代表因持续参与和组织认同而形成的视角，从而遮蔽了幻灭体验。纳入前主播使我们能够考察在参与者不再嵌入持续的管理关系后，MCN的做法和算法诠释是如何被重新审视的。每次访谈持续约60至90分钟。

前主播提供了回顾性叙述，涵盖其活跃参与期间和退出后的反思。这些访谈聚焦于MCN如何解释平台算法、这些解释如何塑造主播的期望和劳动决策，以及参与者在离开行业后如何评价这些叙事。示例问题包括："回顾过去，你现在如何解读MCN提供给你的建议和信息？"；"算法相关期望以及你接触过的MCN在你决定离开这一过程中扮演了怎样的角色？"

3.2.4 研究设计的反思

鉴于MCN管理的直播劳动具有评价性和层级性特征，我们始终保持对组织条件如何塑造参与者在田野观察和访谈中的叙述的敏感性。我们注意到，MCN对主播的收入、可见性和未来机会的获取施加了不同层度的控制，这可能影响在研究场域中经历的叙述方式。我们也认识到，一些MCN员工可能不愿或犹豫表达对组织做法的批判性反思，尤其是当此类讨论可能被视为专业上敏感时。

为确保研究结果的可靠性，我们采用了多种互补的方法论策略。首先，我们在访谈中强调保密性，并将研究活动与组织评估或绩效考核流程分开。我们鼓励参与者从日常工作流程的详细描述入手，使算法指导和MCN做法的叙述通过情境化案例逐渐浮现。

其次，我们进行了相对广泛的访谈集，使反复出现的主题得以跨越各个叙述浮现。我们的受访者包括MCN中担任较高职位的员工，如高管，他们受即时权力依赖的约束较小，更愿意坦率地谈论组织战略。我们还访谈了不再与MCN维持合同或财务关系的前主播，从而减少了报复或声誉风险的顾虑。这些访谈提供了较少受持续依赖关系影响的视角。

第三，我们依赖跨多数据源的系统化三角验证。访谈数据与长期田野观察、非正式对话、内部培训材料以及MCN从业者、主播和前主播的叙述一起考察。田野调查的纵向性质也提供了反复观察算法叙事如何在实践中被实施、通过培训和评估得到强化，并在日常互动中不断再生产的机会。

3.3 数据分析

所有访谈均以中文进行和录制，以确保参与者能够舒适有效地沟通。三位研究人员随后将这些录音转写并翻译成英文用于分析。我们进行了主题分析，结合演绎和归纳编码方法。演绎编码受理论框架和访谈提纲启发，围绕算法治理、中介、风险转移和基础设施性支持等构念。归纳编码通过开放性阅读转录文本和田野笔记而产生，捕捉参与者意想不到的实践、隐喻、张力与表达。我们将田野笔记和访谈转录文本一起分析，而非视为独立数据集。这种整合方法使我们能够跨不同形式的数据进行三角验证——参与者在访谈中所说与我们的现场观察相结合，从而产生更丰富的语境化和诠释深度[77]。借鉴诠释人类学和定性HCI传统，我们将访谈视为受田野工作期间观察到的持续组织和算法条件塑造的情境化反思[57]。

我们采用了反思性主题分析[8]，遵循传统定性HCI路径[34, 76, 77]，该方法聚焦于研究人员的诠释工作，将知识生产视为迭代性和情境化的。首先，三位研究人员独立编码转录文本和田野笔记的子集以生成初始编码。这些编码在定期团队讨论中比较，我们在讨论中协商编码定义、添加新涌现的类别并细化共享编码手册。我们没有计算编码者间信度，而是遵循定性HCI最佳实践，通过对话、澄清和记录分歧性解读来强调诠释一致性。在完成开放性编码阶段后，我们将相关编码聚类为更高层级的概念类别。我们使用亲和图[28]来组织编码、识别跨领域主题并映射概念之间的联系。

3.4 位置性声明

我们的研究团队带来了通过多年研究与行业经验与中国直播生态系统互动所形成的情境化视角。团队成员对平台劳动和数字经济进行了广泛研究，包括多篇关于MCN、主播和平台政策的已发表论文。这一背景使我们敏锐地关注日常劳动惯例以及平台劳动组织的非正式规范。

研究团队与MCN公司的接触使我们获得了观察组织会议、培训活动和内部文件的机会，这些在通常情况下难以触及。在这次参与过程中，研究团队的一位成员为多家MCN公司贡献了专业技术报告和分析材料，这项工作促成了持续合作，并一度收到加入某MCN作为正式员工的邀请。这一经历使我们亲身体验了内部流程、绩效考核逻辑以及算法相关知识在组织中的流转。这种角色沉浸也是田野调查的特征之一，研究者通过持续参与组织实践来获取访问权和洞察力[24]。

与此同时，这种接近性要求我们持续关注权力不对称和角色边界问题，尤其是在解读管理叙事和绩效导向叙述时。在整个研究过程中，组织视角与田野观察以及对在职和前主播的访谈一同考察。这种分析三角验证有助于确保机构观点被置于更广泛的视角领域中，而非主导对算法实践和劳动关系的诠释。我们定期进行反思性讨论，检视先前的田野关系和对平台劳动的假设如何影响我们的研究。这些讨论为访谈提纲的完善和关键分析概念的表达提供了指导。

4 研究发现：MCN对算法的话语建构（研究问题1）

直播平台极少公开披露其推荐系统的运作方式。因此，主播必须在一个不可预测、持续变化且难以解读的系统中导航。对主播而言，这种不透明性往往导致挫败感和无力感。他们无法理解为何一场直播能获得成功而另一场却被忽视，或为何平台可见性毫无预警地下降。对于正式教育或过往工作经验有限的主播来说，这种不确定性尤为突出——这是直播从业者群体中的常见画像。由于缺乏技术或专业指导的替代来源，这些主播往往严重依赖MCN对算法运作方式和曝光提升方法的解释。因此，MCN成为理解算法结果的首要诠释权威。

与此同时，在我们的田野调查和访谈中，我们发现MCN本身也并不占据特权性的内部位置。与它们管理的主播一样，MCN也无法获取平台算法的内部机制，必须通过推断、观察和积累经验来运作。为了理解这种算法不确定性，MCN观察绩效趋势、跨多位主播比较结果，并发展相关的算法"知识"——关于算法如何运作、奖励何种内容以及如何可能受到影响的非正式经验性信念。这些知识建立在试错和模式识别之上，而非经过验证的机制。从这些信念中派生的指导在MCN内部被广泛理解为有可能在总体层面改善算法可见性。MCN从业者通常将此类建议描述为"大体有帮助"（M6）或"可能对大多数主播有效"（M7），同时承认其在实践中的局限性。他们无法判断某项推荐是否会对特定主播有效，也无法具体说明其效果的大小或持久性。正如我们研究中许多MCN受访者坦承的，即使主播严格遵循建议，也没有公式能保证算法成功。尽管存在这种内部共享的不确定性，MCN在与主播沟通及指导主播如何应对算法时，往往以自信和清晰的方式呈现其算法解释。内部不确定性与外部确定性之间的这种不对称构成了MCN在直播行业中建构和传播算法诠释的基础。因此，本文聚焦于MCN如何有意建构其算法诠释。

在此，我们决定使用"算法的话语建构"这一术语来描述MCN的算法相关解释，因为这些叙述作为对主播行为的有意识和策略性干预而发挥作用。与民间理论不同——民间理论通常是用户试图理解不透明系统时产生的朴素尝试——MCN的算法解释是在组织层面制定和部署的。它们旨在协调多位主播的行为、标准化内容生产实践并正当化管理指令。算法解释成为治理劳动的工具，而非个人用户持有的主观诠释。同样，虽然"算法想象"概念强调用户如何构想算法及其社会含义，但MCN的实践超越了想象层面。它们的话语建构选择性地放大某些算法属性，如可奖励性，同时淡化不确定性。这种选择性强调服务于具体的组织目标，尤其是对主播劳动的管理和利润增长的追求。

MCN对算法的话语建构包括内部管理劳动和增加利润的内外两种诠释。在接下来的章节中，我们将展示MCN如何建构这两种诠释——一种是面向内部的概率性诠释（第4.1节），另一种是面向外部的指令性诠释（第4.2节）。本第4节聚焦于这些诠释的实质内容，即在此解释框架下MCN员工和主播对算法如何运作形成了怎样的信念。在接下来的第5节中，我们扩展分析，考察这些算法诠释如何在劳动管理实践中被动员运用。

4.1 内部算法诠释：MCN内部的不确定性与风险管理

正如著名MCN高管M1所述，MCN对算法的理解最初旨在提升旗下主播的算法可见性，从而带来更高的流量、更长的观看时间和最终更大的直播收入。主播绩效的提升转化为更高的佣金收入、与平台更强的议价能力和MCN自身更高的盈利能力。为实现这一目标，MCN积累了运营经验并推动非正式行业知识的流转。员工在多位主播中持续测试不同的内容形式、直播时间安排和互动风格，同时通过个人网络、平台传言和同业组织交换观察结果。

这些多元化的信息来源被综合转化为可操作性的理解，即在算法透明度不足的情况下，如何提升算法曝光度。这些关于算法的内部理解通过经验规则和行为规范表达出来，在组织内部通常被称为"公式"或"追踪逻辑"。典型示例包括对开播频率的建议（例如"每周至少播三次"）、最低开播时长要求（例如"时长低于40分钟不会被算法推荐"），以及情感基调要求（例如"前五分钟必须保持兴奋状态，否则系统会判定为低互动"）。除行为规范外，许多MCN还制定了他们认为能增强算法可见性的美学与基础设施规范。工作人员经常强调高清画质、稳定的音质、灯光条件甚至直播环境的物理布局的重要性。这些元素被框定为算法据信能够识别并给予奖励的信号。

然而在实践中，尽管这些算法解读提供了一种掌控感，但大多数MCN工作人员都坦承其局限性——无论MCN在理解算法方面投入多少努力。M9说道："即使你遵循了所有最佳实践，有时平台就是不会给你任何算法曝光。"算法优化的承诺与其不可预测的现实之间的这种张力，促使许多MCN转变了关注重点。与其试图完全破解算法，MCN越来越多地将重点转向变现逻辑。

MCN仍然期望提升旗下每位主播的可见度，并为实现该目标提供支持。与此同时，他们完全清楚算法的根本性不可预测性。因此，MCN采取了一种统计学的盈利方式，将不确定性视为可以管理而非消除的对象。通过大批量招募新主播并为每位主播投入最少的资源，MCN降低了单个主播失败所带来的风险。目标不是确保每位招募者都成功，而是确保有一部分人能够被算法"选中"。正如M9所阐述的："这个过程随机性很强。我们招募外貌有吸引力的新人，为他们提供一些设备，然后让他们开始直播。但我们不知道谁会成功。我们所知道的是，如果人数足够多，就会有百分之几的人能够成功。然后我们会把资源分配给那些被算法'选中'的人。"这种批量招募模式使MCN能够在降低前期投入的同时，最大化注意力回报并实现劳动力扩张。

但这种逻辑并不止于内部风险分配。正如MCN在内部构建算法解读以管理不确定性一样，它们也在外部构建简化的算法解读——面向主播。与在MCN员工之间流通的试探性、概率性的平台行为解读工具不同，外部解读是为主播构建的简化版且充满自信的理论。这些外部投射的解读服务于两个战略目的：首先，通过将算法成功描绘为可预测且可实现的，来吸引和留住劳动力，从而鼓励新人加入并让现有主播继续下去；其次，通过说服主播购买服务、设备或培训课程——让他们相信这些投资将提升其算法表现——来刺激资金投入，从而使MCN从这些销售中获利。

在本研究中，我们并不试图全面考察MCN如何发展出对平台算法的复杂理解以操控算法——事实上，在我们的田野调查中，MCN很少投入大量精力去破解或直接操控算法，它们在很大程度上认为这是不可行的、回报微薄的，且鉴于高度的不确定性和低回报，不值得付出努力。相反，我们的关注点在于MCN如何构建并动员算法的话语建构——即作为组织叙事——来管理算法不确定性、规范劳动实践，并在直播生态中维持对主播的控制。这一策略在我们的中国MCN样本中，代表了一条比算法操控更为直接和普遍的盈利路径。

最终呈现的是一种关于算法解读的双重认知实践体系：在内部，MCN认识到算法是波动且不可控的；在外部，他们将算法重新框定为可预测且可提升的。这种不对称并非偶然——它是MCN商业模式的基础。通过在特定情境中选择性地动员算法解读，MCN管理了劳动的不稳定性，维持了劳动力供给，并在中国直播产业中扩展了其权威。接下来在第4.2节中，我们将进一步分析MCN如何战略性地为主播构建这些面向外部的算法解读。

4.2 外部解读：用于管理和规训主播的简化叙事

与MCN员工持有的概率性和推测性的内部算法解读不同，这些面向主播的外部算法解读被包装为自信而简化的规则，使算法看起来可理解且可控制。我们识别出两种主要方式，即MCN战略性地部署这些算法解读：（1）将算法逻辑转化为具体可观察的指标，如外貌和设备质量（第4.2.1节）；（2）将算法成功框定为通过自律、投入和遵从即可实现（第4.2.2节）。此处我们更侧重于这些信念的内容，我们将在第5节中进一步分析MCN为何以这种方式构建这些解读以服务劳动管理。

4.2.1 通过可观察指标简化算法逻辑

面对算法的不透明性和不稳定性，MCN首先向主播提供简化的但充满自信的解释，将平台的黑箱逻辑转化为具体、可观察的指标。例如，M2通常向新主播解释说，外貌在获取算法曝光方面起着决定性作用，因为它能增加早期观众留存率："观众只会给主播三秒钟的时间来展示自己并留住他们。当主播特别有吸引力时，她们更容易获得观众好感。这导致更高的观众留存率和涌入率，从而让推荐算法将她们归类为热门主播，进而给予更多曝光。"这种逻辑虽然未经证实，但已被主播广泛内化。

MCN强调的另一个常见指标是设备质量。M4解释说，许多平台对直播质量设有技术门槛，设备不足可能导致直播被算法过滤掉："如果你的音质和画面很差，观众就会很快掉线，这会损害你的留存率。算法会捕捉到这一点。所以我们总是建议至少配备基础设备，比如灯光、麦克风、稳定的网络连接。"主播们附和了这种感知到的必要性。L5指出，即使是租用设备，也是获取基本可见度的必要条件："不管是租还是买设备，至少能让你有机会获得一些推荐关注和赚到一点钱。如果不投资设备，几乎不可能被观众看到。"如图1所示，MCN以分级方式分配技术音频设备，将制作质量与算法可见度在象征层面联系起来，强化了这种外部施加的算法解读——将设备上的资金投入等同于成功。

图1. MCN机构部署的分级技术音频方案，作为直播经济中专业地位和算法价值的物质标志。（a）为签约主播提供的标准入门级手持麦克风，为Blue E300的仿制品，生产成本为60-70元人民币（约8美元）。（b）与直播间配套提供的中端电容麦，包括故障免费更换服务；该设备复制了Neumann TLM 193，制造成本在300-400元人民币（约50美元）之间。（c）MCN机构为拥有稳定受众基础的脱口秀主持人、配音演员和声乐表演者推荐的Shure SM7B麦克风；主播被鼓励通过MCN以4000元人民币的一次性费用购买该设备（市场价值约2500元人民币），包含配套的调音台和技术支持服务。（d）旗舰级音频广播系统，通常保留给签约的知识类/教育团队或专业歌手；主播可以以每小时约300元人民币（40美元）的价格临时租用该设备进行翻唱或原创歌曲录制，后期制作和技术协助需额外付费。该高端设备主要用于展示MCN的专业能力，不对外出售。

四幅面板对比图展示了MCN机构使用的麦克风与音频设备分级。面板a展示了为签约主播提供的入门级手持麦克风。面板b展示了与直播间配套提供的中端电容麦。面板c展示了推荐给更具经验的主播的Shure SM7B麦克风。面板d展示了保留给专业或知识类团队的旗舰级音频广播系统。

通常从改善单个技术要素的建议开始，比如音频清晰度或灯光，逐渐扩展为对"理想"直播设置的更宏大愿景。MCN不仅推广单个工具，还鼓励主播将整个直播环境视为一种算法货币。环形灯、单反相机、隔音背景、多角度支架、品牌滤镜和LED氛围灯都被框定为专业性和算法就绪的标志。随着主播内化这一逻辑，技术达标与美学完美之间的界限变得模糊。一个基本设置不再被视为足以"达到算法的底线"（M9）；相反，主播感到压力要不断升级设备，以便在持续提高的标准下保持竞争力。

MCN持续将算法构建为一个可控的投入产出系统：如果主播遵循正确的步骤、保持特定的视觉风格、升级设备、播足够长的时间并使用正确的标签，他们就会被赋予可见度和增长奖励。这种框架将算法复杂性简化为一列行为特征清单。

由于这种MCN构建的算法解读具有可操作性，大多数主播往往不加质疑地接受它。他们内化了一种观念：如果他们没有获得 traction（起量），是因为其中某个变量不足。也许他们的灯光不够专业，背景不够美观，直播时长太短，或表现太平淡。这种信念体系让MCN可以不断提高绩效标杆，总是指向另一个可以优化的指标。

4.2.2 将算法成功框定为可达成且可控制的

MCN解释算法的另一种常见方式是将其框定为可达成且可控制的，一个公平的系统，奖励努力、自律和正确的技术配置。这种解读是MCN在招募和入职过程中积极构建的。新主播被告知算法是可以驯服的，他们的成功取决于他们遵循MCN建议和技术标准的程度。这种框架将注意力从平台偏见或结构性不平等转移开，转向个人行动与责任。

MCN通常将直播平台及其算法基础设施描绘为比其他形式的劳动或面向公众的机构更少歧视、更加开放。特别是，我们在中国的MCN样本中强调，来自农村、流动工人或女性背景的主播可能在线上找到比在传统工作场所更多的机会。与线下行业不同，在后者的阶级、性别、口音或教育可能限制流动性，MCN将算法系统描述为对这类特征"视而不见"，优先考量表现、坚持和技术。几位主播受访者（n=7）回忆说，在入职培训期间被告知"算法不在乎你是谁，每个人的才华都值得被看见"，这一信息与来自边缘化背景的主播产生了深刻共鸣。

这种认知有助于解释为什么尽管直播行业充满不稳定性，却仍然不成比例地吸引了大量流动工人和年轻人，尤其是女性。算法中立性的承诺——经MCN的信息强化——既提供了心理吸引力，也是一种感知到的从其他地方根深蒂固的歧视中逃离的途径。

正是这种算法可以被驯服信念维持了主播的持续投入。主播被告知成功不是随机的，而是努力的结果。与人类雇主或传统守门人不同，MCN将算法描绘为客观且有回应的。对于许多主播，尤其是那些被排斥在稳定或向上流动的劳动力市场之外的人，算法公平的承诺既感觉赋权，又值得追求。这种认知为持续购买设备、采纳表演规范和牺牲时间与情感能量提供了正当性。即使结果不尽如人意，这种解读依然完整：如果一次直播失败了，下一次也许能成功。

5 发现：MCN对算法的话语建构所导致的劳动管理（RQ2）

基于第4节所考察的MCN如何构建算法的内部和外部解读，我们现在转向这些解读如何被制度化为劳动控制。

首先，MCN将算法期望嵌入到日常流程中——通过入职培训、指导和评估，反复传达这样一个信息：努力、情感和持续性将得到算法的回报。这种道德化框架与外部解读相一致，即成功是应得的，从而激励主播们进行自律并坚持不懈。与此同时，MCN在内部承认算法的波动性，并通过这种道德框架将失败的责任转移给主播，使主播们责备自己而非系统的不透明性（第5.1节）。其次，MCN通过结构化的时间表和美学标准将这些信念制度化，强化了算法成功可以通过优化来实现的观念。主播们被鼓励升级设备、优化流程并购买服务——所有这些外部解读都为这些做法提供了正当理由。然而，MCN依据内部解读，深知算法并不提供任何保证。它们的利润并不依赖于主播的成功，而是依赖于维持对付费服务的信念和依赖（第5.2节）。

**5.1 将平台投机转化为道德化劳动期望**

正如前一节4.2所述，MCN通过对不透明且不稳定的平台算法进行解读，将其转化为简化的规则和可操作的建议。这些解读服务于特定的组织利益，营造了一种幻觉——算法成功可以通过纪律、努力和优化来实现。在本节中，我们将展示这些解读是如何被系统地运用于劳动管理中，从而塑造主播的工作方式和自我评估的。

这一现象的一个重要体现方式是将关于算法的投机性想法转化为道德化劳动期望。诸如"算法奖励长时间直播"或"画面质量保证推荐"等信念被表述为确定无疑的事实。这些说法在入职材料、群聊指导和非正式辅导中被反复强调，逐渐获得了常识真理的权威地位。久而久之，它们被主播们内化为专业行为的标准。

MCN并非仅仅帮助主播理解平台如何运作，而是利用这些信念来定义主播应该如何行为。可见性的负担被完全转移到了个人身上：如果主播没有被推荐，那就是因为他们不够努力、在设备上投入不够，或者不够有吸引力或表现力——即将责任转化为个人努力的问题。L6回忆道："我联系的MCN告诉我，我只需要每天直播就行了。你只要出现，算法就会注意到你。我当时就想，好吧，那一切就取决于努力了。"

这种框架将结构性不透明合理化为个人失败。M2解释道："大多数主播觉得这是自己的错。正是这种想法让他们继续坚持下去。他们一直在追逐那个算法'注意到'他们的时刻。"即使结果没有改善，许多主播仍然继续责怪自己。L7描述了自己的应对方式："他们说如果我每天直播并保持更多积极的情绪表达，就会获得算法推荐。所以我即使在筋疲力尽的时候也在笑，因为也许今天就是算法看到我的那一天。"

由于主播们相信系统会奖励正确的行为，他们愿意忍受疲惫、自我怀疑和经济风险。这使得MCN的工作更加容易。正如M11所说："我们MCN不需要花太多钱。如果主播们相信算法，他们就会免费努力工作。不需要其他激励措施或严格的管理。这对任何公司来说都是最佳情景。"

主播们根据他们所认为算法期望的行为来行动，但这些信念在很大程度上是由MCN的解读所塑造的。在L22的案例中，MCN将她的化妆选择标记为不足，并非因为任何明确的平台规则，而是因为MCN已经灌输了一个观念——视觉表现在算法成功中至关重要。正如L22所说："他们没有强迫我，但我觉得如果我不改进妆容，那就是我在偷懒或不专业。"

这些内化的期望不仅维持了主播的劳动，还战略性地与MCN对算法不确定性的内部理解相一致。在内部，MCN知道自己无法保证任何单个主播的成功，因为推荐算法的波动性。因此，将失败的责任外包成为一种必要的管理策略。这使得MCN能够避免因表现不佳而承担责任，同时维持支持和指导的外观。

MCN的解读对于劳动控制至关重要，因为许多主播正是通过这种希望驱动的劳动形式留在这个行业中的。没有这种希望的视野，许多主播会更早地退出行业。F1作为一名主播工作了整整一年，最初与一家MCN合作了六个月，然后独立直播了另外六个月。在MCN期间，她坚信成功是可以实现的，算法会以公平的方式回报努力。即使与MCN发生冲突后，这种信念仍然存在。结果，她继续独立直播了另外六个月，保持着持续劳动终将得到回报的期望。直到持续的低表现和收入下降后，她才决定离开这个行业。F1解释道："我们很多人留在行业里，是因为我们相信有赚钱的希望。MCN总是说其他行业不如直播公平。"

值得注意的是，大多数平台（包括抖音）都允许主播独立直播。按照一般原则，主播不需要MCN就可以参与直播。然而，许多主播选择加入MCN，是因为他们在职业生涯早期缺乏必要的设备、技术知识和实践经验。MCN将自己定位为指导、资源和诀窍的提供者，它们关于算法成功的简化叙事使直播看起来值得持续努力。这些易于传授的解读也是MCN吸引和留住足够大主播群体的核心能力。重要的是，主播几乎总是可以自由离开。尤其是在2022年之后，退出成本变得相对较低，MCN描述的违约金为"基本上是一个月的工资"（M11）。通过将成功描绘为可以通过努力实现的，MCN鼓励主播加入组织，并留在组织中足够长的时间来产生额外的收入来源，例如此文后文讨论的设备租赁费用。

在这些条件下，话语建构成为劳动控制的关键机制。由于主播可以随时退出，控制无法依赖正式胁迫。相反，它依赖于主播愿意留下来、继续投入劳动，以及继续相信成功的可能性。

**5.2 将算法信念嵌入物质与合同结构**

上一节所述的解读工作并不止于激励。MCN将它们的算法解释延伸到定义主播工作方式的物质、美学和合同安排中。起初作为投机性信念——例如视觉清晰度或一致性表现会带来更高算法可见性的想法——逐渐被制度化为约束性的惯例和财务承诺。

某些设备升级确实可以改善技术条件，例如图稳定度或图像清晰度。然而，MCN积极放大这些改善的重要性，将它们框定为算法识别和成功的决定性因素。通过这种框架，渐进式的技术增强被转化为持续的投资要求。

MCN经常告诉主播，更清晰的视觉和更流畅的音频将改善他们的排名，并通过正式或非正式的期望来强化这种信念。L19描述了他的经历："我花了1万元人民币买了一台索尼相机，因为MCN说这能帮助我的算法可见度排名更高。但什么都没有改变。他们继续说，也许我需要改进妆容或换一个背景。"

这种期望远远超出了相机范围。环形灯、麦克风、调音台、反光背景和LED面板都被视为必不可少的。在某些情况下，MCN分发内部的"技术评估报告"来推动主播进行升级。M12解释说这种解读如何为公司服务："大多数主播不会一次性购买所有设备。他们先从我们这里租。如果他们开始赚钱了，他们会投入更多。如果他们不行，至少我们从租赁中赚钱。"

除了硬件，MCN还标准化主播的美学呈现。指南通常不仅规定语调、姿态，还包括妆容、相机角度甚至服装周期。M9描述了一个典型协议："她们不允许在两周周期内穿同一件衣服。我们甚至建议哪些颜色在镜头前更好看。有些人从我们这里租衣服。"

这些要求通过工作室规则、绩效评估和监控系统以合同形式执行。即使在家工作的主播也受到监控。M4解释道："我们要求他们将直播链接分享给一位经理，经理会检查灯光、摄像头、背景是否符合预期。如果不符合，他们会收到警告，我们建议他们升级。"

在某些情况下，MCN还管理劳动的物理布局。许多MCN运营共享工作室空间，直播室按表现等级分层。排名较高的主播获得更好的基础设施和服务。L16描述了空间与表现如何关联："最初，我和另外三个女孩共用一个地下室房间。设备经常卡顿或无响应，难以操作，而且空气流通很差。当我排名提高一个月后，我搬到了楼上的私人房间。但我得付更多费用，每月近3000元人民币。"这些分层期望创造了成本和绩效压力不断升级的循环。L20回忆道："我把大部分早期收入都花在房间租金、衣服和器材上。直到第三个月我都没有意识到自己已经负债了。但到那时，我不敢辞职了；我已经投入太多了。"主播们通常被告知，这些是对未来算法可见性的必要"投资"。但平台算法并不提供任何保证。L22分享了他的经历："我向表弟借钱来重新装修我的直播间。我告诉自己，如果看起来更专业，就能获得更好的曝光。但什么也没发生。现在我只是觉得被困住了。"如图2所示，工作室空间的物质差异反映了可见性和专业性的管理性等级，强化了MCN对外部施加的信念——算法成功取决于美学和技术升级。

**图2.** 不同设备条件和价位点的直播工作室对比分析。所有工作室都提供基本的空调、网络连接和工作台家具，但在设备质量和装饰元素上存在显著差异。（a）一个简陋的地下室舞蹈直播工作室，配有一个面对混凝土墙的假窗户，每月约2,500元人民币，不含电脑设备、灯光系统或专业背景板，仅有一块简陋的流苏窗帘。（b）一个紧凑的地下室工作室，专为唱歌和谈话直播设计，特点是狭小的无窗空间、基础室内装修和一把粉色旋转椅，每月约2,200元人民币。（c）一个位于一楼的多用途直播工作室，配备基本灯光设备和计算机系统，设有专用窗户，每月约3,100元人民币。（d）一个位于二楼的高端宽敞工作室，配有独立衣架、基础灯光设备、带支架的专业麦克风、室内音频监听音箱、专用窗户和化妆镜，每月3,500元人民币，额外优势在于靠近技术支持人员办公室，可即时获得协助。

MCN机构提供的不同价位点的直播工作室房间四联对比图。图a展示了一个简陋的地下室舞蹈工作室，装饰最少，无主要设备。图b展示了一个小型无窗地下室工作室，用于唱歌和谈话直播。图c展示了一个一楼工作室，配备基础灯光、电脑设备和专用窗户。图d展示了一个更宽敞的二楼工作室，配备更好的设备，包括衣架、麦克风、音箱、镜子，以及更接近技术支持人员办公室。

正如4.2.1节所示，MCN构建了主播的信念——算法成功取决于可见的表现线索和技术打磨。M12概括了这种算法解读的规训效果："我们不强求任何人留下来。但当你租了设备、装修了房间、签了平台合同后；就很难离开了。"

这些行为和自我理解的形式几乎完全是由MCN构建和推广的算法解读所塑造的。在实践中，直播本身只需要最低限度的技术基础设施，通常只需要一部带有内置摄像头和麦克风的智能手机。许多平台在如此基本的条件下基本就能正常运行。

设备购置的升级、工作室的改造以及美学投资的增加，只有在主播接受MCN（多频道网络）关于"算法成功依赖于可视化的专业形象与持续升级"的说法后，才会真正发生。MCN很少通过直接胁迫迫使主播做出此类购买。相反，它们通过一套解释框架来鼓励投资，将花钱与算法的识别以及未来的成功联系起来。这种行为逻辑与MCN内部对算法不可预测性的认知是一致的。在内部，MCN承认算法的成功在个体层面无法被可靠地制造出来。因此，它们倾向于将风险分散在大量主播身上，以最小化对单个主播的投入，同时通过规模效应和服务变现来最大化回报。主播越相信"努力就能获得曝光"这一叙事，就越愿意花钱。由此，外部构建的算法解读——即"可见性是通过自律和精致获得的"——服务于内部的解读——即"成功是概率性的且不可预测的"——从而确保MCN无论主播成功还是失败都能获利，前提是这种信念得以维持。

6 对MCN算法话语建构的反应：主播的顺从、怀疑与退出（RQ3）

在前述各节中，我们考察了MCN如何建构关于算法的解读（第4节），以及这些解读如何被动员为劳动控制的机制（第5节）。需要指出的是，MCN治理主播劳动的能力在很大程度上依赖于算法话语，更关键的是，依赖于主播对这些话语的接受。在中国大多数主流平台上，主播在技术上完全可以独立开播，无需隶属于MCN。直播本身所需的设备也很少，并不必然需要投资专业设备或工作室设施。然而在实践中，许多主播是在接触到MCN那些乐观的职业期望宣传叙事之后，才进入直播行业的。加入后，这些期望又通过日常的指导和培训不断被强化。带着对未来的承诺，大量主播进入行业、与MCN合作、持续投入劳动，并自愿升级设备，以期获得更好的直播表现和更高的算法可见性。

由于劳动控制是通过信念而非强制来实现的，主播对MCN算法解读的反应并非千篇一律。有些人顺从这些期望，并将其内化为职业规范（第6.1节）；另一些人开始在承诺的成效未能显现时质疑其有效性（第6.2节）；还有一些人最终退出MCN乃至整个直播行业（第6.3节）。下文我们将分析这些不同的反应，以展示算法话语如何在主播的日常劳动实践中被差异性地接纳、协商和抵抗。

6.1 对MCN劳动管理的顺从

在我们研究的受访主播中，顺从是最为常见的反应。对许多参与者而言，接受MCN的算法解读是在算法不确定性条件下心理和认知负担最小的选择。与其不断质疑平台机制或组织指导，顺从在这样一个不透明且动荡的环境中提供了一种方向感和情感上的宽慰。

这种顺从倾向与中国直播行业的人口构成密切相关。该行业以女性为主，且不成比例地吸引了来自农村的年轻女性，其中许多人在其他行业面临有限的就业机会[75]。对这些劳动者而言，直播往往似乎是少数几条可以获取灵活收入或实现向上流动的可行路径之一。在这一背景下，MCN关于算法公平、以努力换取成功和最终获得认可的说辞显得尤其具有说服力。

因此，对许多主播来说，顺从并非一种被动或天真的选择，而是在有限选择面前的一种务实回应。正如多位参与者强调的那样，当日常生活被经济上的不安全和不确定性所笼罩时，任何哪怕只带来微小改善可能的选项，都会显得值得尝试。这一模式在关于中国直播行业的既有研究中已被记录[75]，在我们的民族志田野调查中也得到了印证。多位参与者（例如L1、L4、L6、L13、L16）提到，即使他们离开直播行业，也不知道自己还能现实地从事什么其他工作。

这种受限的选择感也反映在我们参与者的群体特征中（表1），尤其是与他们的教育背景和收入相关。仅完成高中学业的L6这样描述了自己感知到的有限选项："在电子厂上班太累了，但送外卖或者开滴滴则需要租车，前期投入非常高——而且这两个行业都是男性主导的。"在这种情况下，顺从MCN的指导并继续在直播中投入努力，可能比彻底退出行业显得更加合理。

6.2 对MCN算法叙事的怀疑

当主播开始注意到MCN的算法解释与自身实际结果之间持续存在的不一致时，怀疑便随之产生。当承诺的曝光在持续的努力和投资之后仍未能显现，一些主播便开始质疑算法是否真的像她们被告知的那样对努力敏感。

这些怀疑往往由反复的停滞或倒退所触发。主播们描述了这样的情况：她们严格按照MCN的指导——保持长时间直播、升级设备、调整形象、优化互动——却几乎没有看到流量或推荐的变化。随着时间的推移，这类经历逐渐侵蚀了她们对MCN叙事中所宣扬的因果联系的信心。正如L9所说："他们让我做的事我都做了。我直播时间更长了，买了更好的灯，笑得更多了。但数据就是不动。过了一阵子，我开始怀疑他们说的是否真的管用。"

怀疑并不必然立即导致抵抗或退出。对许多主播而言，质疑算法解释的同时仍会继续顺从。她们可能私下怀疑MCN的指导有所夸大或存在选择性呈现，但在实际操作中仍然照做。这种矛盾心态反映了退出的高风险：离开行业意味着不仅放弃未来收入，也放弃了成功或许仍会到来的可能性。正如L12所解释的："我知道有些不对劲，但我还在继续。如果我停下来，那之前的努力就真的白费了。"

怀疑也受到了信息获取不对称的影响。主播很少能获得MCN所提供的解释之外的其他关于表现不佳的解释。平台算法仍然不透明，而同行的比较往往加剧了不确定性而非带来清晰的认识。当其他主播偶尔取得成功时，她们的成功通常被解读为"系统仍然有效"的佐证，而非随机性的证据。这使得怀疑始终处于分散和个体化的状态，而非发展出集体性的批判。

因此，怀疑更多表现为一种脆弱而不稳定的状态，而非对MCN权威的直接挑战。主播们在信念与怀疑、希望与沮丧之间摇摆，却找不到明确的解决路径。这种长期的不确定状态使得MCN的算法话语能够继续发挥作用，即便其可信度正在削弱。怀疑因此代表着对算法控制的中间反应——它标志着信念中出现了裂痕，但主播仍然被绑定在持续的参与中。

6.3 退出直播行业

退出代表着对MCN算法解读的信念已经无法维持，继续参与再也无法被证明合理。与顺从或怀疑不同，退出意味着与MCN以及很多时候与整个直播行业的实质性断裂。这一决定通常发生在长期的停滞、积累的财务压力和情感耗竭之后。

值得注意的是，退出很少是立即发生的。多位参与者描述了一个中间阶段，在这个阶段她们脱离MCN但仍然独立直播。F1和F7都曾在离开MCN后尝试独立直播一段时间，但最终彻底退出了行业。这些转变的动机是想要检验在MCN的控制和指导之外是否仍有可能取得成功。正如F1所解释的："我想看看是不是MCN在拖我后腿，还是我只是需要更多时间。所以我一直自己直播。"当即便在这一转变后表现仍未能改善时，直播中"算法公平"的承诺便失去了可信度。

与此同时，独立直播并不必然意味着无法成功。例如F7，在离开MCN并独立直播后，积累了约28,000名关注者，其中大部分受众增长发生在脱离MCN体系之后。他的案例说明，算法可见性并不天然依赖于MCN的隶属关系。少数独立主播能够形成自己对平台动态的理解，并在没有组织中介的情况下培养相对稳定的受众。

然而，考虑到中国主播整体数字素养普遍偏低的情况，这类案例在中国是例外而非常态。独立成功不仅需要时间和持续尝试，还需要形成自己关于算法可见性、观众互动和平台节奏的民间理论的能力。尽管独立成功在原则上仍然可能，但在实践中对大多数主播而言仍然遥不可及。正如M1所解释的，这种差距也有助于解释MCN在中国的主导地位："MCN在西方语境中可能不那么普遍，因为那里大多数主播的数字素养相对较高，但中国并不是这种情况。"

还有一些主播试图通过更换组织归属来解决怀疑。F5曾在两家不同的MCN之间辗转，最终才退出行业，希望能通过更换资源或指导来获得不同的结果。这一策略反映了对底层算法叙事的持续信念：即在正确的条件下，成功仍然是可以实现的。只有当在不同组织环境中反复遭遇失望后，退出才成为一个可行选项。

这些轨迹表明，退出并非从一开始就是对直播的拒绝，而是持续努力试图让系统运作的结果。主播们通常穷尽了所有可用策略——顺从、优化、更换组织、独立直播——然后才得出结论，认为进一步投资不太可能带来回报。当她们最终离开时，许多人描述的是一种夹杂着清醒的无奈感。正如F7所说："到了某个时刻，我意识到问题不在于是否更努力或者找对了MCN，而是我真的没法再这样下去了。"

我们有意选取了具有不同退出轨迹的主播，以便捕捉退出的这一过程性特征。退出标志着MCN话语控制的极限：当希望、优化乃至更换组织都不再能维持参与时，主播便彻底脱离行业。

总之，顺从、怀疑和退出揭示了一种塑造MCN话语影响力的情境条件。我们研究中的许多主播缺乏正规教育和数字素养，这限制了她们独立解读平台算法的能力。在这种条件下，MCN的算法解释成为她们理解不确定性和表现结果的主要资源。这种限制产生了一种受约束的能动性。主播们自愿依赖MCN的叙事作为应对不透明平台的务实策略，而有限替代选择又使得这种依赖难以避免。信任的维系并非通过显性强制，而是通过对算法知识和解释权威的不对称获取。只要MCN的解释仍然可信，它们便通过塑造主播对努力、投资和未来成功的理解来组织劳动。当可信度崩塌时，主播从顺从走向怀疑，最终走向退出，标志着MCN管理劳动的信念根基的瓦解。

7 讨论

本研究揭示了算法的话语建构——即关于算法系统如何运作的不正式信念——如何被中介性机构主动建构、正式化并利用。基于在中国直播行业的九个月民族志田野调查，我们展示了多频道网络（MCN）如何策略性地发展出关于算法的双重解读：在内部，它们将算法视为不透明且不可预测的；在外部，它们则将算法框定为可学习且有响应的。这些解读不仅仅是在解释算法——它们围绕着算法来组织劳动。

我们的民族志发现揭示了支撑这些机会的组织动态。许多MCN承受着持续的压力，既要招募新主播，又要保持现有主播的活跃度。在实践中，MCN往往采取积极主动的立场面对主播，在接触、招募和说服上投入大量精力。主播们描述与MCN签约是一个相对灵活且低承诺的决定：许多人觉得自己可以在自己偏好的机构中选择，而且退出成本无论在合同上还是经济上都普遍较低。然而，主播的持续参与仍然是MCN自身生存和盈利的核心条件。这种组织依赖塑造了MCN在时间维度上与主播互动的方式。MCN并非主要依赖强制性控制，而是进行持续的话语工作，以维持主播的动力并使主播的期望与组织需求相一致。

算法解释在这一过程中发挥着核心作用。具体而言，MCN构建并传播了一套面向外部的算法叙事，围绕两个核心主张展开：（1）算法是精英主义的，奖励坚持；（2）曝光量遵循可识别的信号，这些信号可以被优化（RQ1）。他们将这些承诺的信号转化为类强制性的常规操作（固定时间表、绩效目标、外貌标准和持续的情感展示），随后将服从行为与产生收入的物质安排绑定在一起。收入来源包括对成功主播收入的分成，以及从大量新人社群中销售服务所获得的更稳定收入，包括培训课程包、设备租赁或销售、工作室费用及平台运营支持。同一套将成功归因于优化的叙事，同时也为持续性购买和递增式投入提供了合法性（RQ2）。主播们的应对方式大致分为三种路径。许多人选择服从，因为这一叙事提供了方向感，并在不透明的环境中减轻了认知负担；加之合同灵活、退出成本低，服从行为也显得风险不大。另一些人在反复努力和投入未能改变流量后产生了怀疑，但怀疑往往与持续的服从行为并存，源于沉没成本和期待逆转的希望。当低回报、债务和疲惫累积到使该叙事无法再支撑持续参与的程度时，便出现退出，有时在尝试独立直播以检验MCN中介是否为瓶颈的短暂阶段之后发生（RQ3）。我们的发现表明，MCN对算法的话语建构不仅是一种解释框架，更是一种通过它来管理劳动的组织基础设施。尽管CSCW领域的许多文献强调算法解释是用户对算法不透明性的自发生长、用户驱动的反应（如民间理论）[20, 37, 58]，我们的研究将分析焦点转向制度性行动者及其在有意建构和工具化此类算法解释中所扮演的角色。为了展开这一论证，讨论分为三个部分。首先，我们关注平台经济中对算法的组织话语建构（第7.1节）。其次，我们分析这些对算法的话语建构如何作为劳动治理的工具，使MCN能够通过软性控制来管理不稳定状态、转移责任并稳定劳动产出（第7.2节）。第三，我们反思这些发现的更广泛的设计与政策意涵。我们呼吁建立支持认知透明度的系统和政策，不仅要让人们看到算法做了什么，还要让人们了解关于算法的知识是如何被建构的（第7.3节）。

**7.1 建构算法权威：MCN对算法的话语建构**

本研究的一项关键贡献在于，将关注点从以用户为中心的算法解释转向算法意义的组织化生产。关于算法解释的先前的学术研究，包括对民间理论的研究，主要考察用户或社区如何发展出非正式的、自下而上的理解来解读不透明的算法系统[9, 22, 25, 77]。这些解释通常被描述为经验性的和自发生长的，通过日常互动、同伴交流和推测而形成。在这一框架下，算法解释作为实践性的意义建构资源，帮助用户应对不确定性和信息不对称。

相比之下，我们的研究聚焦于算法解释如何由组织进行话语建构。在MCN的语境中，算法知识主要并非来自个体的试错，而是通过组织话语被策略性地生产、稳定和传播。这些解释嵌入于日常培训、指导和评估实践中，构成了MCN管理和协调主播劳动的认知基础设施的一部分。这一分析焦点的转移凸显出，算法知识不仅仅是附带性的或解释性的，而是基础设施性的。MCN充当认知中介者，宣称对算法应如何被理解和行动拥有权威，将平台的不透明性转化为与组织目标一致的可操作叙事。因此，对算法的话语建构作为一种运转中的基础设施[32, 43, 52, 61]，塑造了劳动实践、期望和投资，而不仅仅是反映用户的解释。

重要的是，MCN的认知权威并非来自于拥有关于平台算法的"正确"或特权知识。他们的理解是部分的、启发式的和临时的。MCN员工自己也经常承认，他们的建议在某些情况下可能有效，在其他情况下则会失败，他们无法有把握地预测任何特定主播的结果。MCN的权力来自于它们在不透明条件下撰写和制度化算法解释的能力。在这个意义上，劳动控制更多不是由"了解算法"所产生的，而是由控制那些算法结果被解释、归因和行动的叙事所产生的。如果没有对算法解释的基础设施化，MCN将难以维持其组织运作，缺乏招募、留人和创收的可信基础，其中介者的角色将难以维持。尽管现有关于民间理论的文献已丰富记录了算法不透明性下的草根意义建构，但很少考察算法解释如何被制度化为持久的认知基础设施。我们的发现凸显了算法解释的这种组织性转变及其对劳动治理的后果。

其次，我们的发现挑战了CSCW和HCI领域中普遍存在的二分法，即将算法知识区分为正式的（如平台文档、API指南）和非正式的（如用户推测、同伴讨论、网络传言）[5, 35, 77]。在MCN的语境中，这一划分崩塌了。在这些组织内流通的算法知识既非官方认可的，也非随意即兴的。相反，我们将之概念化为MCN对算法的话语建构——一种由缺乏直接获取平台工程化正式知识的中介者生产和稳定的非正式知识。MCN不是平台内部人员；它们在运营中没有与算法开发者的正式联系，也没有系统逻辑的特权访问权。然而，它们建构并传播自己对"算法如何运作"的工作性解释，并将这些解释嵌入入职脚本、辅导会话、排名系统和合同期望中。这些话语建构获得了一种准正式地位——不是通过技术验证，而是通过常规化的组织实践、重复和话语强化。在此过程中，MCN将民间解释转化为一种劳动治理机制。

第三，这些话语建构的一个关键特征在于MCN的组织实践与其公共宣称之间的张力。作为公司，MCN在算法结果的控制方面处于有限条件下。在内部，它们通过批量招募、不均等的资源分配以及不依赖任何个体主播成功的服务型变现来管理风险。然而，在外部，MCN将自己呈现为有能力指引算法的引导者。这种对比使MCN得以调和不确定性与权威性：组织实践面向概率性回报和基于规模的利润，而外部的话语宣称则强调个体化的改进和主播可实现的_SUCCESS_。MCN作为公司所做的与它们关于算法所宣称的之间的差距并非偶然。恰恰是这一差距使得话语建构能够作为劳动治理基础设施发挥作用，尽管结果不稳定，仍维持参与并使其持续投入合法化。

此外，我们论证了，对MCN算法解释的信仰反映了平台化劳动力市场中知识生产能力的不对等。与MCN对算法的话语建构不同，先前的研究表明，经验丰富的内容创作者可以通过长期的参与和实验发展出自己对平台行为的非正式理解[21, 49, 73]。我们的民族志数据表明，MCN管理的直播生态系统中的大多数主播缺乏发展出可比独立解释所需的物质和认知条件。许多参与者进入直播领域时缺乏内容制作方面的先前经验，线下就业不稳定，并承受着快速产生收入的强大压力。在这些条件下，难以持续系统性地实验内容策略或算法反应。MCN通过提供关于算法如何运作以及努力应如何组织的现成解释来填补这一空缺。这些解释之所以具有说服力，并非因为它们被证明准确，而是因为它们提供了一种连贯的叙述，减少了不确定性并分散了责任。对于那些缺乏资源独立测试或验证算法行为的主播来说，信任MCN的解释是对结构性约束的理性回应，而非简单的批判性判断的缺失。

**7.2 算法的话语建构用于劳动管理**

尽管大多数关于算法解释的学术文献强调其适应性或赋能特性，帮助用户在缺乏正式知识的情况下理解不透明的系统[7, 25, 30, 60]，我们的发现表明了一种更复杂且具策略性的功能：算法解释不仅是解释框架，也是劳动治理工具。在直播平台语境中，它们成为机构如MCN指导劳动、管理不确定性和外部化风险的关键机制。

越来越多的CSCW和HCI文献探讨了算法管理的动态，特别是零工经济和平台劳动系统中的算法管理[33, 47]。在此，学者们展示了算法如何分配工作、评估绩效并约束工人，而无需传统的人工监督。然而，这一研究路径通常聚焦于直接的算法反馈（如评分、分数、排名）或自动化决策（如工作分配）。我们的发现在此基础上进一步揭示了一层算法管理：解释层，在这一层中，算法输出并非简单地被接受或抵制，而是由中介者建构的算法解释积极地叙述、框架化和自然化。这些算法解释并非仅仅是算法不透明性的副产品，而是由MCN设计和传播的，旨在与制度性利益对齐并大规模地治理劳动。

这种劳动治理模式的核心是一种显著的认知不对称性，存在于MCN与主播之间。MCN在算法知识的流通中占据特权位置：它们控制关于算法行为的解释何时、以何种方式以及以何种形式向主播提供。尽管MCN并不拥有经过验证或完整的平台算法知识，但它们通过将自己呈现为在不透明系统中最可信的解释来源，从而垄断了解释权威。相比之下，主播通常缺乏独立评估算法主张或发展替代性解释框架所需的资源、比较数据和时间距离。

这种不对称性不仅是信息性的，更是组织性地生产的。MCN对算法不确定性的内部认知在很大程度上对主播不可获取，而外部流通的解释则被选择性地简化、稳定并框定为止可操作的事实。因此，主播通过一个狭窄的解释通道遭遇算法结果，其中不确定性被个体化，责任被本地化。即使结果未能实现，主播往往也缺乏知识论基础来质疑MCN的解释，导致怀疑保持碎片化和个人化，而非集体性或结构性。

通过这种不对称性，MCN能够将有限和推测性的知识转化为持久的权威。控制的行使不是通过完全保留信息，而是通过策展流通的知识形式，并定义什么算是对算法成功与失败的合法理解。在这个意义上，认知不对称性成为话语建构有效性的关键条件：正是因为替代性解释难以被验证、分享或在工作者中稳定，算法解释才能作为治理工具发挥作用。

因此，MCN建构了我们将之称为"解释基础设施"的系统——一种非正式但持久的知识系统，通过信念而非验证/现实进行治理。我们的发现为CSCW日益关注的算法劳动的认知和组织维度作出了贡献。我们论证，算法解释并非边缘性的，而是算法管理在不透明、高风险环境中运作的核心。它们使机构能够通过流通策略性设计的叙事来进行治理。这促使未来的研究深入探究非正式知识如何成为算法工作场所中持久的、制度中介的控制模式。

此外，对外部与内部算法解释之间动态关系的更深入探索也将丰富围绕劳动管理的这一讨论。在我们的研究中，MCN建构的外部算法解释服务于管理利益，通过规范性叙事稳定劳动。相比之下，近期工作凸显了个体用户如何发展出自己的民间理论作为诊断工具，以导航平台逻辑并调整自身实践[44]。这一比较凸显了两条不同的轨迹：MCN等组织性行动者策略性地设计算法解释以管理他人的劳动，而用户则动员民间理论以使不透明系统对自身具有可操作性。未来的探究因此必须更加关注这些算法解释代表了谁的兴趣，以及它们服务于什么目的。重要的是，不应预设算法解释本质上具有赋能性或剥削性；相反，它们处于一种矛盾的位置，可以被工具化为不同的方向。

对于劳动研究者、工会和倡导者而言，这意味着需要认识到算法解释是一种权宜性的工具，其效果取决于权力关系及其被动员时所依托的制度议程。

7.3 设计与政策启示

我们的研究发现表明，在协作环境中设计算法系统需要转变关注焦点：从揭示算法如何从技术上运作，转向阐明算法的意义是如何被建构、传播和制度化的。在实践中，工人所接触的不是原始代码或后台逻辑，而是对算法的解释，这些解释往往通过MCN或在线社区等中介者传递并执行[6, 55]。尤其在算法不透明的条件下，这些解释获得了操作权力，塑造行为并结构化工人的劳动。

因此，设计工作应当支持我们所说的"认识论透明性"：不仅要呈现算法的结果，还要使其产生和验证其意义的底层基础设施可见。我们的研究表明，这些基础设施往往嵌入在看似平凡但极具影响力的组织实践中。例如，MCN通过脚本化的入职培训和辅导流程传播算法"最佳实践"，这不仅指导主播如何行事，还编码了关于算法奖励什么内容的推测性信念。这些信念进一步通过设备销售得以物质化，主播被鼓励购买灯光、摄像头和装饰升级，将其视为对算法可见性的投资。这些实践并非仅具功能性，而是反映并强化了特定算法解释，这些解释有利于中介机构，同时将风险和责任外部化给工人。设计认识论透明性因而需要使这些隐性基础设施及其服务的利益可见，同时也需要促进替代性解释，例如从同伴网络中产生的民间理论，以支持对算法系统更多元和更具争议性的理解。

我们还强调认识论不对称[1, 2]是算法劳动中的一个关键设计与政策关切。对算法可知内容的控制可能与控制算法本身同样强大。为应对这一挑战，未来系统可以允许工人标注、质疑或协作构建算法解释，可视化竞争性解释，或追踪主流叙事随时间推移的变化。从政策角度来看，我们的研究结果呼吁建立围绕算法意义建构的更强问责机制。平台不仅应披露算法逻辑的变化，还应审计第三方（如MCN）如何沟通并操作这些变化。监管框架可以要求平台监控并报告算法知识的中介过程，特别是当这些知识成为劳动纪律或财务剥削的基础时。政策还可以强制要求提供易于获取的解释性资源，并由工人和劳动倡导者参与设计，以减轻对不透明、可能具有剥削性的辅导生态的依赖。

最后，我们的工作邀请计算机支持协作工作研究者、设计者和政策制定者将算法解释视为一种组织性的劳动管理过程。机构不仅仅分配劳动或薪酬，还调节对意义的获取。我们不只是设计工具来提高算法透明度，而是邀请CSCW和HCI学者提出以下问题：谁有权构建算法意义，为谁构建，目的何在？为算法协作设计技术因此需要直面认识论权威的政治经济学，这些问题也为塑造算法工作的未来带来了更广泛的设计与政策挑战。

8 局限与未来工作

与所有定性研究一样，我们的研究结果受到具体情境、参与者和研究解读视角的影响。有以下几个重要局限。首先，本研究基于在中国三家MCN中开展的人种志田野工作，尽管我们在地理位置、主播类型和组织结构上力求多样性，但样本无法代表直播行业的全部异质性。其次，本研究聚焦中国，其独特的社会政治和经济条件影响了平台劳动和算法治理的展开方式。虽然这些条件为理解全球平台中介化动态提供了有价值的见解，但可能无法直接推广到其他语境。第三，我们对MCN内部实践的获取不可避免地受到限制：尽管长期沉浸式参与并建立了信任关系，但组织决策和平台谈判的某些维度仍然不透明。相关地，本研究突出了认识论不对称，但并未系统考察这种不对称在不同组织情境下如何变化，也未探索在实践中如何加以缓解。未来研究可以调查在何种条件下对算法的解释权威被集中或重新分配，以及这些动态对工人能动性的影响。最后，我们的分析聚焦于算法的话语建构，但并未直接评估算法解释本身的技术有效性，也未追踪其对主播成果的长期影响——这些是未来混合方法研究可以探索的领域。

9 结论

本研究考察了除了平台自身之外，中介机构如何通过其解释性和组织性实践来治理算法劳动。我们的分析不仅关注平台权力或个体行为，还突出了中国直播行业中多频道网络（MCN）在构建算法解释中的核心作用。我们识别出一种双重算法解释体系：内部，MCN承认平台系统的波动性和不透明性，采取概率性策略来管理组织风险；外部，它们推广简化的、规定性的叙事，将算法描绘为透明、公平且响应个人努力的。我们主张，这些解释虽然具有推测性、不可验证且往往不准确，但可被动员为劳动控制工具：为主播提供简化的算法成功解释，将平台不确定性转化为可操作的脚本，并将失败责任转移给个体。我们呼吁未来研究关注中介机构在算法管理中的作用，并关注算法的话语建构如何塑造平台劳动的可能性与限度。通过追踪算法解释如何不仅用于解释不确定的算法，还用于管理平台劳动，本研究揭示了在算法时代，解释本身如何成为权力的关键场域。