从基本行为到颠覆性可供性：社交媒体算法抵抗量表（SM-ARS）的开发与验证

《TECHNOLOGY IN SOCIETY》：From basic actions to subversive affordances: Development and validation of the social media algorithmic resistance scale (SM-ARS)

　　

**摘要**
随着社交媒体平台日益通过不透明的、基于自然语言处理（NLP）的算法来管控公民可见性和信息获取，用户与技术基础设施之间的权力动态变得高度不对称。对此，用户行为已从间歇性的平台拒绝演变为复杂的、持续的日常数字抵抗实践。然而，现有研究严重依赖采用与弃用的二元模型，缺乏经验工具来捕捉用户在采用后如何重获能动性。为弥补这一缺口，本文概念化、开发并验证了社交媒体算法抵抗量表（SM-ARS）。遵循严格的量表开发范式，一个探索阶段（研究 1：N = 303）确定了一个多维结构，包括三个不同的行为库：回避型抵抗（AR），涉及限制结构性暴露；混淆型抵抗（OR），涉及战略性的数据污染以颠覆画像；以及反策展型抵抗（CCR），涉及重定向算法策展和算法对抗。随后的确认阶段（研究 2：N = 611）验证了这一结构，通过展示与算法意识和感知算法响应性（PAR）之间的显著关联，证明了强大的模型拟合度和效标效度。理论上，SM-ARS 通过引入颠覆性可供性创新了可供性理论，展示了受访者如何战略性地重新利用参与机制以干扰平台数据监控。实际上，该工具提供了一个初步的诊断工具，用于考察社交媒体用户如何协商算法权力并保护他们的数字自主权。然而，其在罗马尼亚语境之外的适用性需要进一步的跨文化验证。

**引言**
近年来，策展和个性化算法已达到前所未有的能力，远超以往仅依赖于用户主动输入的机制。基于 NLP，社交媒体算法可以在使用 40 分钟内预测用户的视觉和听觉偏好（Kang & Lou, 2022）。然而，随着用户在社交媒体平台上花费的时间越来越多，这些算法性能指标已成为问题。

社交媒体平台日益通过不透明的算法系统来管控用户可见性、信息获取和参与度，这些系统旨在优化平台收入，而非用户福祉或社会效益。这些算法作为“黑箱”运行：其决策过程、训练数据和优化目标对公众保密，因此用户难以理解为何某些内容被放大、抑制或推荐给他们。后果是巨大的，并在多个社会类别中有据可查。算法策划的信息流已被证明会加剧两极分化，放大错误信息，使脆弱群体（女性、种族少数群体和饮食失调个体）暴露于偏见或有害内容，并通过歧视性定向和画像延续代表性和分配性不公。此外，可见性权力在算法系统中的集中造成了不对称的信息关系，其中平台拥有对用户行为、偏好和脆弱性的全面了解。然而，用户对其如何被分类、评估和影响 largely 保持无知；这是学者所称的“数据监控”（Daud, 2026; Kim & Zo, 2025; Van Dijck, 2014）的一种形式。

在算法不透明和权力不平等的背景下，用户抵抗的出现不仅仅是一种偏好或态度，而是一种必要的反向行为形式，通过它个体试图重获能动性、保护其自主权并挑战算法治理的无形结构。理解并衡量这种抵抗采取的异质形式，从拒绝参与、混淆数据到战略性地重新策划其算法环境，对于寻求了解用户如何在算法中介的数字生态系统中导航、协商和主张权力的信息管理学者和从业者来说变得至关重要。

在此背景下，多项研究强调了用户用来抵抗控制其社交媒体全部参与度的不透明算法的策略。关于技术接受度、在线劳动和数据正义的现有文献记录了各种抗争实践。然而，它们将抵抗视为权宜之计的结果或残余类别，而不是一个理论上指定的、单一的、可测量的构念。因此，这些研究难以比较不同抵抗形式在不同上下文和平台上的有效性，也无法严格测试抵抗如何与其他相关量表（如算法意识、算法态度或各种感知算法响应）相关联。因此，开发专门的算法抵抗量表将弥补这一缺口，通过将关于抵抗的概念化和实证工作转化为一种标准化工具，捕捉用户对算法权力的模式化反应，并为设计者和监管者提供可操作的工具。

算法抵抗可以理解为个体或集体用户有意挑战、拒绝或颠覆算法系统对其存在、可见性、选择和数据影响的方式，通过选择性地遵守、避免、混淆或故意挑战这些系统的运行方式。尽管对算法的抵抗不是统一的现象，但文献记录了分散且往往无序的形式，用户试图理解算法推荐背后的逻辑。这些抵抗形式可能源于用户相对于计算推理对人类决策的偏好，即所谓的算法厌恶现象（Chacon et al., 2025; Dietvorst et al., 2015; Yeomans et al., 2019）。最近的元分析证据进一步表明，对人工智能的抵抗是异质的，并强烈依赖于技术和环境条件（Zehnle et al., 2025）。

同时，人机交互领域的研究有助于开发单一量表来测量算法意识（Zarouali et al., 2021）、算法态度（Silva et al., 2024）以及感知算法响应性（PAR）和感知算法不敏感性（PAI）（Crasta et al., 2021; Taylor & Choi, 2022）。最近的测量努力也已扩展到算法意识之外，以涵盖推荐系统环境中的多维算法素养（Sotero et al., 2026）。然而，对此类系统的行为抵抗在操作性定义上仍然相对不足。之前的研究表明，更高水平的算法知识和意识有助于间歇性形式的抵抗（Obreja, 2024）或对算法系统的感知权力感（Iordache et al., 2026; Yuan et al., 2025）。同样，当代研究将算法意识概念化为一个过程，用户通过该过程解释算法风险，随后调整其态度和行为（Taylor & Brisini, 2024）。总体而言，这些研究表明，算法不透明可能会在社交媒体用户中引发抗议或抵抗形式。同时，数字和算法平台经常参与内化身份各方面特征的过程（Mirbabaie et al., 2022; Orbaiz & Arce-Urriza, 2024; Wang et al., 2023）。

福柯的贡献至关重要，因为他将权力概念化不是作为一种压制机制，而是一种生产性的、关系性的力量，鼓励各种形式的主体性和异质性的抵抗实践（Foucault, 1978, 1988, 2000）。从福柯的视角来看，算法系统创造了可见性、知识和控制的体制，以不透明的方式确立用户如何被定位和治理。随后，可供性理论提供了相关的中观社会参考，因为它帮助我们理解算法中介的平台如何在物质和象征层面条件化用户，决定什么是可能的、许可的或值得做的（Majchrzak et al., 2013; Norman, 2013; Vaast & Kaganer, 2013）。通过连接这两个理论框架，我们将算法抵抗概念化为个体或集体实践库，位于主体形成、平台权力和感知行动可能性之间，从而使阐述不同但相互连接的抵抗维度成为可能。

当前的测量工具非常有限，因为它们没有捕捉到针对算法推荐的抵抗形式的多样性和异质性。这一讨论尤为重要，因为多项研究强调了社交媒体上人类与人工智能能动性谈判的动态性质（Kang & Lou, 2022; Shanahan et al., 2019）。在他们对 中国用户 短视频使用动机和抵抗的研究中，Xie 等人（2022）仅测量了两种“温和”的抵抗形式：回避和混淆。作者指出：“与生产性抵抗不同，本文关注的两种算法抵抗策略并非破坏性的。用户基于算法规则实现了抵抗的目标”（第 8 页，原文强调）。

算法策展已成为管理用户如何获取信息、构建社会可见性以及参与公民生活的默认基础设施，这意味着仅仅是平台“使用”不能再被解释为直接的接受。然而，传统人机交互文献的很大一部分仍然通过采用与弃用的还原论二元镜头来评估用户行为，将抵抗视为间歇性异常，而不是一个理论化的、持续的行为库。这种二元框架创造了一个关键的社会学测量盲点：一些用户由于社会或经济必要性仍嵌入在这些平台中，同时试图限制、扭曲或战略性地颠覆算法控制。这些复杂的、采用后的谈判代表了至关重要的日常数字抵抗行为，而现有的态度或意识导向的工具无法捕捉这些行为。

当平台推断用户偏好以确定谁获得可见性以及谁的声音被边缘化时，用户参与 OR 或 CCR 的能力（如有意污染其数据痕迹或参与集体反策展），成为一种深刻的重新获取微观政治能动性的练习。如果没有经过验证的行为工具来测量这些策略，社会学家和媒体学者无法经验性地捕捉当前罗马尼亚样本中的用户如何谈判平台资本主义固有的权力不对称。此外，对于政策制定者、数字权利倡导者和监管者来说，这种测量差距至关重要：几乎不可能评估制度干预（如算法透明度强制令或数字素养项目）是否实际上赋予公民改变其数字行为并保护其自主权的能力，还是仅仅改变了用户感知而没有扰乱算法控制的底层逻辑。

因此，信息系统研究长期以来一直认为用户抵抗在理论上与技术接受度不同，特别是在用户评估、协商或反对技术中介变化的背景下（Kim & Kankanhalli, 2009）。

**章节片段**
**算法抵抗的概念**
先前的研究引入了算法抵抗的概念，同时强调了这种抵抗可能通过表达的行为的异质性和多维性。关于技术抵抗的研究同样区分了异质的行为反应，而不是将抵抗概念化为对技术的单一拒绝（Hew et al., 2024）。然而，没有研究开发和验证过一个量表来突出这种异质的存在。

**研究 1：探索性因素分析**
在研究 1 中，我们对一系列经过数字媒体专家审查的项目进行了探索性因素分析（EFA），以确定算法抵抗的三因素结构。这种方法是有用的，因为它突出了普通用户算法抵抗多维性中的一个关键缺口。

**研究 2：确认性因素分析（CFA）**
对于研究的确认部分，我们纳入了包含研究 1 衍生出的 14 个项目的 SM-ARS 版本，以验证量表的三因素结构。为了确保受访者不会将 SM-ARS 评估为脱离语境的测量，我们还通过包括四个额外的量表来评估其信度和效度，以评估效标效度：算法意识量表（AMCA）、算法态度、PAR 和 PAI。使用了综合分数，因为分析集中在

**讨论**
本研究的主要目的是开发和验证一个多维量表，能够测量用户如何抵抗不透明的算法推荐。这种动态从根本上挑战了当代数字社会的不对称权力结构。随着社交媒体平台日益依赖自然语言处理（NLP）来管控可见性并塑造公民话语，用户互动不再中立；它是持续的社会技术谈判场所。

**CRediT 作者贡献声明**
Drago? M. Obreja：撰写——初稿，可视化，软件，资源，调查，正式分析，数据整理，概念化。
R?zvan Rughini?：验证，监督，资源，方法论，调查。
Flavia Oprea：验证，资源，方法论，调查。

**利益冲突声明**
作者声明，他们没有已知的竞争经济利益或个人关系，这些可能看似影响了本论文报告的工作。

Drago? M. Obreja|R?zvan Rughini?|Flavia Oprea
布加勒斯特大学，社会学与社会工作学院，罗马尼亚，布加勒斯特，第五区，Panduri 路 90-92 号，邮编 050663