社群內容為什麼越來越像「指責競賽」？

 

社群內容為什麼越來越像「指責競賽」？——問題、證據與行動手冊

重點先看：互動至上的排序，確實偏愛高情緒、誇大與貼標內容，讓我們的注意力從「解方」轉向「怒氣」。但演算法多是擴音器，不是唯一成因。研究也指出多種可行的微調（準確性提醒、加摩擦、預先識讀 prebunking、審議式討論）能把討論拉回解決問題。 (PNAS)

---

一、目前所碰到的問題（Problem）

1. 互動驅動的排序把「高喚起情緒」推到眼前
   　平台依讚、分享、留言、停留等訊號排序；結果，憤怒與道德情緒語彙更容易被擴散，創作者與使用者也會「學會」用更強烈的語氣以博取回饋。 (PNAS)

2. 誇大與錯誤更容易衝散
   　Twitter（現 X）的多年資料顯示，假訊息比真訊息傳得更快、更深、更廣，主要來自人而非機器人。這讓「誇張、指責、妖魔化」在注意力競賽中吃香。 (Science)

3. 參與式排名放大對立與敵意
   　隨機對照研究比較「按互動排名」與時間序，發現前者更放大黨派性、情緒性、對外群的敵意，而且不一定符合使用者自述偏好。 (PMC)

4. 平台權重設計曾明顯獎勵「憤怒」
   　臉書一度把表情回應（含「怒」）的權重視為按讚的五倍，後續才調整。這類設計會間接鼓勵更刺激的內容。 (The Washington Post)

5. 同溫層與「錯位的跨群接觸」
   　演算法與自選追蹤都會限制跨觀點接觸；更棘手的是，硬塞對立觀點有時會適得其反，讓部分族群更極化。 (PNAS)

6. 「退社群」有代價，也非萬靈丹
   　隨機實驗顯示，短期停用 FB 提升主觀幸福感但降低新聞知識與政治參與；最新整合研究對「社群戒斷是否改善福祉」給出混合結果。 (American Economic Association)

---

二、研究的證據告訴我們的（Evidence）

A. 內容為何「越情緒越擴散」？

• 道德情緒語彙 → 更高擴散（Twitter/Facebook 實證）。 (PNAS)

• 高喚起情緒（敬畏、憤怒、焦慮） → 更易病毒式傳播（《JMR》分析 NYT 文章）。 (SAGE Journals)

B. 假訊息與聳動更有利於擴散

• 假訊息比真訊息傳得更快更遠，主因是人偏好新奇、情緒性內容。 (Science)

C. 排序與設計的可觀察影響

• 參與式排名放大外群敵意與負面情緒（隨機實驗）。 (PMC)

• 表情權重＞讚曾刺激更挑動情緒的貼文被推播。 (The Washington Post)

D. 不是全靠演算法：大型實驗的「界線」

• 2020 美國大選的跨平台研究：演算法強烈影響看到的東西、出現意識形態分隔；但短期改動排序未顯著改變受試者的政治態度/極化。 (Science)

E. 有哪些有效干預？

• 準確性提醒（accuracy nudge）：在分享前把注意力拉回「正確性」，提高分享品質、降低錯誤（含 Twitter 田野測試）。 (Nature)

• 加摩擦（讀再轉、限轉發）：Twitter 的「先閱讀再轉推」讓點擊增加 40%；WhatsApp 的限次轉傳與「停用多媒體」在選前降低錯訊曝露。 (The Verge)

• 創作前提醒粗言：X/Twitter 的「重想一下」提示，34% 使用者因此修改或放棄發送；被提醒者之後冒犯性回覆減少 ~11%。 (TechCrunch)

• 預先識讀 Prebunking / 免疫接種：短片或遊戲先曝光常見操弄手法，可在 YouTube 廣告情境與跨文化樣本中降低受騙易感性。 (Science)

• 審議式討論：如 Stanford「America in One Room」的審議民調，多次顯示降低情感極化、找到交集。 (Cambridge University Press & Assessment)

• 解方導向新聞（solutions/constructive journalism）：系統性回顧顯示，能改善情緒與參與動機，但不一定提高分享或留言。 (SAGE Journals)

F. 也要看到限制

• 跨群校正誤解有時可減少敵意（更準確的「對方其實沒那麼極端」），但不是萬靈丹：最新研究對其降低極化/反民主態度的效果呈弱或不穩定。 (PNAS)

---

三、使用者行動手冊：挑選內容／參與討論／發文（Practice）

目的不是「少看網路」，而是把注意力對準解決問題。以下每一條都附上能支撐它的實證脈絡。

A. 挑選內容：用「低誤導、高可驗證」取代「高喚起」

1. 三步快篩：
   來源（是否具名、可追溯）→ 證據（數據/研究/方法）→ 情緒（是否用憤怒、羞辱來帶動）。高喚起≠高品質。這能避開演算法對情緒的偏好陷阱。 (PNAS)

2. 主動預防（prebunk）：看過 1–2 支「識別操弄手法」短片或玩一次 Bad News 類遊戲，能在日常滑動時提高識別力。(University of Cambridge)

3. 多元但有結構的資訊飲食：關注跨光譜來源沒錯，但要以議題與方法為中心（例如同題的資料法、政策評估），避免只追看「反方情緒貼」。跨群暴露若未設計，可能反效果。 (PubMed)

4. 注意「社群戒斷」的取捨：短期停用可能較快樂，也可能較不知情；與其全停，不如定時、定量與定源。 (American Economic Association)

B. 參與討論：把衝突導向協作

1. 慢一秒再回：平台的小摩擦能改變行為；你也可以自加摩擦——先開文再回、先重讀再送。(The Verge)

2. 用「鋪路式提問」取代理所當然：請對方補充數據與假設，比貼標有效；幽默與非攻擊語氣在實驗中能降低無禮。 (Oxford Academic)

3. 校正想像中的對方：我們常高估對方極端；在提出結論前，先用一則可靠資料對齊「典型對方」的真實立場。效果有限但方向正確，尤其搭配其他做法。 (PMC)

4. 把討論移至「結構化空間」：若議題重要，嘗試使用審議或共識工具（線上工作坊、投票聚類、議題地圖）；相關研究顯示有助降溫、聚焦方案。 (Cambridge University Press & Assessment)

C. 發文：用「問題—證據—方案」取代「指責—放大—對立」

套用以下8 點清單，把發文轉成能促進集體學習的素材。

1. 問題定義：界定對象、規模、衡量指標。

2. 證據快照：至少兩個獨立來源，並標示不確定性。

3. 方案選項：列出可執行下一步與成本—效益—風險。

4. 少用高喚起標題：避免把「怒氣」當成注意力捷徑。 (SAGE Journals)

5. 避免外群妖魔化：道德情緒語彙雖能擴散，卻會拉高敵意。 (PNAS)

6. 先讀再轉：自己成為那個「先點開文章」的人。 (The Verge)

7. 加上準確性提醒：一句「如果你也在意準確性…」能提高受眾辨識與分享品質。 (Nature)

8. 連結到共識與審議資源：引導讀者到結構化協作空間，而非戰場。 (Cambridge University Press & Assessment)

---

四、我們先前討論「欠缺」而這裡補上的證據（New-to-you）

• 參與式排名的因果證據：隨機實驗直接比較時間序與互動排序，量化了外群敵意與情緒內容的放大。 (PMC)

• 平台權重的設計效應：臉書曾把表情回應權重視為讚的五倍，帶來更情緒性的內容被推播。 (The Washington Post)

• 加摩擦的實際數據：Twitter 的「先讀再轉」與「重想一下」提示，分別拉高點開率 40%、讓34% 使用者收斂或撤回。 (The Verge)

• Prebunking 的場域實驗：YouTube／跨國研究證實，預先識讀影片能在真實曝光下提升識別力。 (University of Cambridge)

• 審議式討論的降溫效果：A1R 與後續州級試點顯示，跨黨派在方案層面找到交集、降低極化指標。 (Cambridge University Press & Assessment)

• 解方導向新聞的邊際效益：改善情緒與內在動機，但對社群互動指標的提升有限，提醒我們要把 KPI 放回「理解與解方」。 (SAGE Journals)

• 「修正誤解」的邊際性：校正對對方的錯誤想像有幫助但效果有限；單靠它難以治癒極化或反民主態度。 (Phys.org)

---

五、結語：把注意力從「誰錯」拉回「怎麼做」

演算法確實為情緒與對立加了油門，但油門可以重新調校，而我們每個人的駕駛習慣也能改：挑內容時避開高喚起陷阱、參與討論時把衝突導向協作、發文時以問題—證據—方案為核心。把公共討論從「指責競賽」轉回「共同解題」，需要平台、創作者與讀者同時調整激勵與行為。今天就從下一則貼文開始。