算法时代梦游的协商：能动性、解释与日常适应

《Sociology of Health & Illness》：Negotiation of Sleepwalking in the Age of Algorithms: Agency, Interpretation and Everyday Adaptations

　　

数字技术，包括睡眠追踪设备和智能床垫，在获取对梦游（sleepwalking）等无意识行为的确定性和洞察方面日益普及。梦游，也称为睡行症（somnambulism），由于具有发作性（episodic）和不可预测性，因此难以诊断。研究人员借鉴在睡眠医疗设施和专注于睡眠追踪的在线社区中进行的民族志研究，探讨了算法系统如何塑造研究人员对梦游的理解以及应对梦游的方法。研究结果揭示了三个关键动态：算法权威的协商（negotiation of algorithmic authority）、测量和分类梦游的局限性，以及将算法数据与个人经验相结合的重要性。研究人员的发现表明，算法系统并非简单地检测梦游；相反，社会技术过程（sociotechnical processes）、临床常规和知识、自我追踪实践以及用户解释之间的关系构成了梦游。因此，只有通过数据、叙事和具身体验（embodied experiences）的协商才能理解梦游，这揭示了标准化算法测量的局限性以及整合多样化认知资源（epistemic resources）的必要性。这些发现通过阐明医疗保健中人类行动与算法影响之间的关系，为社会理论（sociological theory）做出了宝贵贡献。

**论文解读：算法时代梦游的协商——能动性、解释与日常适应**

**研究背景与问题**
梦游（sleepwalking，亦称睡行症somnambulism）作为一种阈值现象，模糊了觉醒与睡眠的边界，具有发作性、不可预测性和复杂性。患者对自身行为无直接控制力且事后多遗忘，导致其在临床诊断中难以明确识别。尽管数字技术（如睡眠追踪设备和智能床垫）和算法系统被广泛用于健康监测，但梦游因其不产生稳定的生理信号，而表现为需外部解释的行为，故难以被算法直接检测。现有研究多聚焦于失眠等可量化睡眠障碍，忽略了梦游作为异态睡眠（parasomnia）的独特挑战。为此，本研究旨在探讨算法系统如何塑造对人类梦游行为的理解，以及人们如何在医疗和日常情境中应对梦游，从而揭示算法知识生产的社会技术局限性。

**研究开展与结论**
研究人员基于2020–2025年间的多地点民族志数据，结合睡眠医疗设施中的参与观察、在线社区（论坛、博客、社交媒体）的内容分析，以及对梦游患者和专家的访谈，系统分析了算法系统在临床和自追踪场景下对梦游的映射（mapping）过程。研究结论指出：算法系统并非被动检测梦游，而是通过社会技术过程、临床常规与知识、自我追踪实践及用户解释之间的动态关系，共同构成梦游现象。梦游只能通过数据、叙事和具身体验的协商（negotiation）来理解，这揭示了标准化算法测量的局限性，并强调了整合多样化认知资源的必要性。该研究发表在《Sociology of Health》期刊，为社会理论贡献了关于医疗保健中人类行动与算法影响之间关系的深刻洞见。

**关键技术方法**
本研究采用多地点民族志方法，数据来源包括：在德国两家主要睡眠医疗设施（另加8家短期停留设施）及两家欧洲睡眠研究机构的田野工作（2021–2025年），涉及62天参与观察、24次田野对话、10名患者案例、11次访谈；以及在线民族志，包括25篇博客、62个Reddit子论坛帖子、29个睡眠追踪视频、40个梦游论坛主题、80个相关Reddit线程、60个TikTok/Instagram/YouTube视频。此外，两位作者共同进行了20次访谈（9名梦游患者、11名专家）。材料通过“潜伏”（lurking）和搜索功能公开获取，遵循理论抽样原则。

**研究结果**
**5.1 通过睡眠映射进行的梦游算法协商**
研究发现，睡眠医疗设施和自追踪技术均通过算法将生理信号转化为标准化睡眠阶段，从而构建“正常睡眠”作为参照框架。梦游作为偏差，只有在与这一框架对比时才能被识别。在临床中，视频辅助多导睡眠图（PSG^?）通过脑电图（EEG）、眼电图（EOG）、肌电图（EMG）等信号的算法评分，预先标记潜在事件，但最终诊断仍需临床人员结合患者叙述和视频录像进行人工解读。自追踪设备（如Oura戒指）的算法基于PSG金标准校准，但同样无法直接检测梦游；用户只能通过自我数据解读（如觉醒阶段异常）来推断梦游，且常因算法将梦游动作误判为浅睡或觉醒而面临不确定性。结论：梦游并非被算法直接发现，而是通过算法映射与人类解释的协同过程被协商构成。

**5.2 算法映射的挑战**
尽管算法系统承诺客观性，但梦游的检测在临床和自追踪中均面临系统限制。在临床中，自动评分需技术人员手动调整，因为算法数据集主要针对睡眠相关呼吸障碍（SRBD）优化，忽略异态睡眠。在自追踪中，用户虽能通过偏离正常模式的异常数据（如心率升高、运动峰值）怀疑梦游，但无法区分真实事件与技术伪影。一位用户论坛求助显示，其数据中的运动模式引发对梦游的猜测，但缺乏确定性。梦游者实验表明，无任何自追踪设备能可靠检测其梦游。结论：算法映射在标准化与模糊性、自动化与体验之间产生张力，梦游只能通过磋商实践而非稳定指标才可知。

**5.3 视角整合**
研究强调，梦游的临床诊断和日常理解必须整合多种视角：第三方的目击叙述、房间与身体上的痕迹、音频/视频记录，以及自追踪数据。在临床中，医生依赖患者带来的视频材料和亲属报告来补充PSG数据；在自追踪中，用户结合音频记录和追踪数据重建夜间行为。一位受访者通过自追踪数据寻找觉醒时段，再听对应音频判断是否发生梦游。这些实践表明，梦游作为“边界对象”（boundary object），其意义仅通过医学分类、技术痕迹与日常解释的协调才得以显现。结论：整合并非消除不确定性，而是通过多元知识来源的协调，使梦游在实践中变得可理解。

**总结讨论与结论翻译**
在总结讨论部分，研究人员指出：梦游通过暴露算法理性的局限，凸显了算法环境中知识的相对性、情境性和协商性。在临床中，算法检测不足，需结合患者叙述和视频；在自追踪中，协商从机构层面转向个体层面，用户通过日常实践赋予模糊数据意义。两种情境相互映射，展示了分布式能动性：机构校准与个人实验。研究结论提出：梦游揭示了算法系统产生“认知不对称”（epistemic asymmetries）——临床基础设施偏好效率与标准化，而自追踪将解释责任转移给个体。检测梦游需要综合生理信号、社会技术观察和叙事，并建立有意义连接。算法操作因此可被理解为“提供-构型”（affordance-in-figurations），其意义仅通过情境化、关系性实践才得以展开。最终，研究人员强调梦游案例表明，医疗保健中的算法系统并非简单成功或失败，而是参与持续的知识、责任与能动性分配过程。要赋予梦游意义，需要一种多元主义认识论，珍视关系性知识，允许不确定性，并考虑用户和专家的生活现实。对梦游中的算法系统，既不应拒绝也不应理想化，而应进行情境化：理解其逻辑，处理其盲点，并定位其权威与数据。