No.0192

Science Partner

Bring you to the side of science

導(dǎo) 讀

家里有小朋友的伙伴兒們，你們有沒(méi)有這樣的困惑——給孩子買(mǎi)了最新的iPad，開(kāi)通了所有學(xué)習(xí)App的會(huì)員，以為這樣就能彌補(bǔ)自己陪伴的缺失。但你可能不知道，那些看似"懂孩子"的推薦算法，正在悄無(wú)聲息地把孩子推進(jìn)一個(gè)狹窄的認(rèn)知隧道。更可怕的是，孩子會(huì)對(duì)錯(cuò)誤的認(rèn)知深信不疑，而你全然不知。

俄亥俄州立大學(xué)的研究發(fā)現(xiàn),那些看似聰明的推薦算法,正在把孩子困在一個(gè)扭曲的認(rèn)知世界里——他們看得越多,了解得越少,卻越覺(jué)得自己什么都懂。這項(xiàng)發(fā)表在國(guó)際頂級(jí)心理學(xué)期刊上的研究,揭開(kāi)了一個(gè)讓所有家長(zhǎng)后背發(fā)涼的真相！這到底是怎么回事？對(duì)我們育兒又有什么樣的啟發(fā)？

走，跟伙伴君來(lái)！

今日主筆 | 恒意

孩子為什么越來(lái)越難溝通？算法告訴你一個(gè)殘酷真相！

一、那個(gè)讓你夜不能寐的場(chǎng)景

晚飯時(shí),你想跟孩子聊聊最近的社會(huì)新聞,孩子頭也不抬:知道知道,我在抖音上都看過(guò)了。

你問(wèn)他具體怎么回事,他說(shuō)得模棱兩可,卻堅(jiān)持自己的理解沒(méi)問(wèn)題。

周末你帶他去博物館,他興致缺缺:這些網(wǎng)上都有,還不如看up主講得有意思。

期中考試,作文跑題了,孩子還振振有詞:我寫(xiě)的沒(méi)錯(cuò)啊,我朋友圈里大家都這么說(shuō)的。

你突然發(fā)現(xiàn),孩子并不是不聰明,而是活在一個(gè)越來(lái)越窄的世界里——他接觸的信息越來(lái)越多,但對(duì)世界的理解卻越來(lái)越片面。更可怕的是,他完全意識(shí)不到這一點(diǎn)。

二、一個(gè)藏在算法背后的認(rèn)知陷阱

2025年11月,美國(guó)俄亥俄州立大學(xué)心理系的研究團(tuán)隊(duì)在國(guó)際權(quán)威期刊《實(shí)驗(yàn)心理學(xué):綜合》(Journal of Experimental Psychology: General)上發(fā)表了一項(xiàng)重磅研究。這項(xiàng)研究的第一作者Giwon Bahg博士(現(xiàn)為賓夕法尼亞州立大學(xué)博士后研究員),與俄亥俄州立大學(xué)的Vladimir M. Sloutsky教授和Brandon M. Turner教授合作,用一個(gè)精巧的實(shí)驗(yàn),揭示了個(gè)性化推薦算法如何悄無(wú)聲息地扭曲人類(lèi)的認(rèn)知。

研究團(tuán)隊(duì)找來(lái)346名參與者,讓他們學(xué)習(xí)一些虛構(gòu)的外星生物分類(lèi)。這些外星生物有6種不同的特征,總共分為8個(gè)類(lèi)別。關(guān)鍵來(lái)了——研究者設(shè)計(jì)了不同的學(xué)習(xí)環(huán)境:

對(duì)照組:老老實(shí)實(shí)把所有信息都展示給參與者,就像傳統(tǒng)課堂那樣,該學(xué)什么學(xué)什么。

算法組:模擬抖音、快手、小紅書(shū)這些平臺(tái)的推薦機(jī)制,根據(jù)參與者的偏好來(lái)推送學(xué)習(xí)內(nèi)容。

這個(gè)算法不是研究者隨便設(shè)計(jì)的,而是改編自YouTube 2016年發(fā)表的真實(shí)推薦算法(Covington等人提出的協(xié)同過(guò)濾推薦算法)。也就是說(shuō),這是你的孩子每天真實(shí)面對(duì)的那套機(jī)制。

結(jié)果讓所有人都震驚！

三、越學(xué)越窄:算法如何“訓(xùn)練”出片面認(rèn)知

第一個(gè)發(fā)現(xiàn):信息攝入的隧道化

在算法推薦環(huán)境下學(xué)習(xí)的參與者,平均只關(guān)注了6種特征中的2-3種,而對(duì)照組會(huì)均衡地關(guān)注所有特征！

更可怕的是,隨著學(xué)習(xí)的進(jìn)行,算法組的探索范圍越來(lái)越窄——就像一個(gè)人越走越深入地鉆進(jìn)一條死胡同。

這就像你的孩子刷短視頻:最開(kāi)始可能還看看不同類(lèi)型的內(nèi)容,但很快,算法就把他培養(yǎng)成了某個(gè)領(lǐng)域的專(zhuān)家——要么全是游戲視頻,要么全是搞笑段子,要么全是某個(gè)明星的八卦。表面上看他每天接觸大量信息,實(shí)際上都是同一類(lèi)信息的重復(fù)。

研究用香農(nóng)熵(Shannon entropy)這個(gè)數(shù)學(xué)指標(biāo)量化了信息多樣性。數(shù)值越高,說(shuō)明接觸的信息越均衡;數(shù)值越低,說(shuō)明越偏食。結(jié)果顯示,算法組的香農(nóng)熵持續(xù)下降,說(shuō)明參與者的信息攝入越來(lái)越單一。

第二個(gè)發(fā)現(xiàn):扭曲的認(rèn)知地圖

你以為這就完了？naive了伙伴！更可怕的還在后面：學(xué)習(xí)結(jié)束后,研究者測(cè)試參與者對(duì)這些外星生物的分類(lèi)能力。

對(duì)照組的參與者雖然不是百分百準(zhǔn)確,但錯(cuò)誤分布比較隨機(jī)——該懂的懂,不懂的知道自己不懂。

算法組呢？他們的錯(cuò)誤有明顯的系統(tǒng)性偏差。研究者用混淆矩陣(confusion matrix)分析發(fā)現(xiàn),他們會(huì)把從未見(jiàn)過(guò)的類(lèi)別,硬套進(jìn)自己熟悉的那幾個(gè)類(lèi)別里。就像一個(gè)只見(jiàn)過(guò)動(dòng)作片的人,看到任何電影都往動(dòng)作片上靠——文藝片？那肯定是慢節(jié)奏動(dòng)作片;恐怖片?那就是暗黑系動(dòng)作片。

研究者用貝葉斯統(tǒng)計(jì)方法(Bayesian rank-sum test)對(duì)比兩組的表征距離(representational distance)——簡(jiǎn)單說(shuō)就是認(rèn)知偏差的程度。

結(jié)果顯示,算法組的偏差是對(duì)照組的數(shù)倍,而且統(tǒng)計(jì)學(xué)上強(qiáng)有力地支持了這個(gè)結(jié)論(Bayes因子log?? BF?? > 1.0,達(dá)到了強(qiáng)證據(jù)級(jí)別)。

第三個(gè)發(fā)現(xiàn):危險(xiǎn)的迷之自信

最帶勁兒的發(fā)現(xiàn)來(lái)了！

當(dāng)測(cè)試那些從未在學(xué)習(xí)階段出現(xiàn)過(guò)的外星生物類(lèi)別時(shí),算法組的參與者不但大膽分類(lèi),而且信心滿滿。研究者讓參與者對(duì)自己的答案打分(0-10分的信心度),結(jié)果發(fā)現(xiàn):

答對(duì)的時(shí)候:

信心隨著熟悉度上升(這是正常的)

答錯(cuò)的時(shí)候:

越是沒(méi)見(jiàn)過(guò)的類(lèi)別,反而越自信!

這完全違反常識(shí)。一個(gè)正常人面對(duì)陌生事物,應(yīng)該謹(jǐn)慎才對(duì)。但算法組的參與者表現(xiàn)出一種詭異的過(guò)度泛化(overgeneralization)——他們相信自己有限的知識(shí)可以解釋一切。

研究團(tuán)隊(duì)用混合效應(yīng)邏輯回歸模型(mixed-effect logistic regression model)深入分析這種關(guān)系,發(fā)現(xiàn)當(dāng)測(cè)試項(xiàng)目的代表性分?jǐn)?shù)(representativeness score,即該類(lèi)別在學(xué)習(xí)階段出現(xiàn)的頻率)為零時(shí),算法組參與者答錯(cuò)的概率很高,但信心卻達(dá)到峰值。這種錯(cuò)得越離譜,越自信的模式,在統(tǒng)計(jì)模型中得到了穩(wěn)健的證實(shí)。

這解釋了為什么你的孩子會(huì)那么自信地說(shuō)出一些明顯片面的觀點(diǎn)——算法環(huán)境讓他們產(chǎn)生了一種幻覺(jué),以為自己局部的、碎片化的知識(shí),就是對(duì)世界的完整理解。

四、這不是科幻,這是你家客廳正在發(fā)生的事

你可能會(huì)說(shuō):這不過(guò)是個(gè)實(shí)驗(yàn)室研究,跟現(xiàn)實(shí)能一樣嗎？

恰恰相反,這個(gè)實(shí)驗(yàn)的設(shè)計(jì)精妙之處,就在于它剝離了所有干擾因素,直指問(wèn)題本質(zhì)。

研究者故意使用了虛構(gòu)的、參與者完全不認(rèn)識(shí)的外星生物,就是為了排除先入之見(jiàn)的影響。這意味著實(shí)驗(yàn)中觀察到的認(rèn)知扭曲,完完全全是算法推薦機(jī)制導(dǎo)致的——不是因?yàn)閰⑴c者本來(lái)就有偏見(jiàn),而是算法從零開(kāi)始培養(yǎng)出了偏見(jiàn)。

Turner教授(研究的共同作者)在接受采訪時(shí)說(shuō)了一句讓人警醒的話:

如果你有一個(gè)genuinely(真心實(shí)意)想要了解世界的小孩,而他在網(wǎng)上與那些優(yōu)先讓用戶消費(fèi)更多內(nèi)容的算法互動(dòng),會(huì)發(fā)生什么？消費(fèi)相似內(nèi)容往往與學(xué)習(xí)不一致。這會(huì)給用戶帶來(lái)問(wèn)題,最終也會(huì)給社會(huì)帶來(lái)問(wèn)題。

想想看,這跟你家孩子每天的生活多像:

• 他打開(kāi)B站,算法根據(jù)他之前看過(guò)的視頻,推送更多類(lèi)似內(nèi)容

• 他刷抖音,不到三天,首頁(yè)就被某一類(lèi)視頻占領(lǐng)

• 他玩游戲,推薦系統(tǒng)只會(huì)推送他熟悉類(lèi)型的游戲

• 他查資料,搜索引擎記住了他的偏好,只給他 想看 的結(jié)果

日復(fù)一日,他接觸的信息范圍越來(lái)越窄,但因?yàn)樾畔⒘亢艽?他誤以為自己很了解世界。等到真正需要理解復(fù)雜問(wèn)題、需要多角度思考時(shí),他發(fā)現(xiàn)自己除了那幾個(gè)熟悉的套路,其他都是盲區(qū)——但他還渾然不覺(jué),依然自信滿滿。

五、為什么會(huì)這樣？算法與大腦的“合謀”

這項(xiàng)研究還揭示了一個(gè)更深層的機(jī)制:算法推薦與人類(lèi)注意力系統(tǒng)的正反饋循環(huán)(positive feedback loop)。

人類(lèi)的注意力本來(lái)就有選擇性。認(rèn)知心理學(xué)早就發(fā)現(xiàn),我們傾向于關(guān)注那些有診斷價(jià)值(diagnostic)的信息——也就是說(shuō),能幫我們區(qū)分不同事物的信息。這本身是一種高效的學(xué)習(xí)策略。

但問(wèn)題來(lái)了:什么信息有診斷價(jià)值,取決于我們接觸到什么樣的材料。

在傳統(tǒng)學(xué)習(xí)環(huán)境中,老師或課本會(huì)確保你接觸到完整的信息集。但在算法環(huán)境中,你接觸的信息本身就被篩選過(guò)了。于是出現(xiàn)了一個(gè)惡性循環(huán):

• 算法根據(jù)你的初始偏好推送內(nèi)容

• 你從這些內(nèi)容中學(xué)到某種模式

• 你的注意力進(jìn)一步聚焦在這種模式相關(guān)的信息上

• 算法檢測(cè)到你的聚焦,推送更多類(lèi)似內(nèi)容

• 循環(huán)往復(fù),越陷越深

研究中的數(shù)據(jù)清晰地展示了這個(gè)過(guò)程。算法組參與者的信息采樣模式,從最初的相對(duì)均衡,逐漸變成高度個(gè)性化的指紋——每個(gè)人都發(fā)展出了獨(dú)特的偏向,并且彼此之間差異巨大。而對(duì)照組和主動(dòng)學(xué)習(xí)組(可以自由選擇學(xué)習(xí)內(nèi)容的組別)則保持了相對(duì)均衡的信息攝入。

這說(shuō)明:不是人本身有問(wèn)題,是算法主導(dǎo)的環(huán)境在塑造人的認(rèn)知習(xí)慣。

更可怕的是，這種注意力的選擇性一旦形成,就很難改變。認(rèn)知科學(xué)的大量研究(Best et al., 2013; Blanco & Sloutsky, 2019; Hoffman & Rehder, 2010)都表明,選擇性注意一旦建立,會(huì)讓進(jìn)一步的探索和注意力重新分配變得困難——即使后來(lái)意識(shí)到需要糾正錯(cuò)誤認(rèn)知,大腦也已經(jīng)習(xí)慣了原來(lái)的模式。

六、你能做什么？不是逃離算法,而是打破繭房

讀到這里,你可能會(huì)想:那就不讓孩子接觸這些平臺(tái)了？

不現(xiàn)實(shí),也不應(yīng)該。

Turner教授團(tuán)隊(duì)的研究并不是要妖魔化技術(shù)，而是要讓我們清醒地認(rèn)識(shí)到算法的局限性。基于這項(xiàng)研究，我給幾個(gè)可操作的建議：

1. 成為孩子的算法糾偏器

既然算法會(huì)制造信息繭房，你需要主動(dòng)打破它。如果孩子最近特別迷戀某個(gè)話題，不要只是高興孩子終于有興趣了，而要主動(dòng)引入這個(gè)話題的其他維度。

比如孩子喜歡恐龍，你可以問(wèn)：你知道最大的恐龍吃什么嗎？（引入草食恐龍）恐龍為什么滅絕了？（引入環(huán)境變化）中國(guó)發(fā)現(xiàn)過(guò)什么恐龍化石？（引入地理和考古維度）

2.建立認(rèn)知多樣性的習(xí)慣

研究發(fā)現(xiàn)，那些被要求查看所有信息維度的參與者，學(xué)習(xí)效果最好。對(duì)孩子來(lái)說(shuō)，這意味著要培養(yǎng)多角度看問(wèn)題的習(xí)慣。

具體方法：每周固定一個(gè)家庭探索時(shí)間，規(guī)則是必須接觸一個(gè)完全陌生的領(lǐng)域。這周看了動(dòng)物紀(jì)錄片，下周就去聽(tīng)音樂(lè)會(huì)；這個(gè)月讀了歷史書(shū)，下個(gè)月就去科技館。

3.教會(huì)孩子質(zhì)疑自己的自信

研究最恐怖的發(fā)現(xiàn)是過(guò)度自信。你需要幫孩子建立一個(gè)意識(shí)：當(dāng)你對(duì)某個(gè)結(jié)論特別確定時(shí)，要問(wèn)問(wèn)自己我了解的夠全面嗎？

可以用三個(gè)來(lái)源規(guī)則：任何重要的認(rèn)知或判斷，至少要從三個(gè)不同的信息來(lái)源確認(rèn)。而且這三個(gè)來(lái)源必須是不同類(lèi)型的（比如：書(shū)籍、視頻、實(shí)地體驗(yàn)）。

4.控制算法的訓(xùn)練數(shù)據(jù)

算法是靠數(shù)據(jù)學(xué)習(xí)的。你可以和孩子一起，定期重置算法的偏好。比如每月清理一次瀏覽歷史，或者故意點(diǎn)擊一些平時(shí)不看的內(nèi)容，讓算法知道你的興趣是多元的。

5.把陪伴當(dāng)作一種算法免疫力

這項(xiàng)研究最深刻的啟示是：算法最容易控制的，是那些在真空中學(xué)習(xí)的大腦。

你和孩子的真實(shí)互動(dòng)——聊天、討論、辯論、一起探索——這些都是算法無(wú)法模擬的認(rèn)知營(yíng)養(yǎng)。每一次你說(shuō)這個(gè)觀點(diǎn)可能不對(duì)，因?yàn)椤恳淮文阏f(shuō)我們換個(gè)角度想想，都在幫孩子建立算法無(wú)法提供的認(rèn)知復(fù)雜性。

Turner教授在研究中說(shuō)：算法優(yōu)化的是'消費(fèi)'，而不是'學(xué)習(xí)'。這句話值得每個(gè)家長(zhǎng)刻在心上。

恒意說(shuō)兩句：只有父母能做的事情

寫(xiě)這篇文章的時(shí)候，我想起B(yǎng)ahg博士在論文結(jié)尾的一段話：個(gè)性化算法的有害影響令人擔(dān)憂，因?yàn)樗鼘?dǎo)致的選擇性注意可能會(huì)持續(xù)更長(zhǎng)時(shí)間，并且難以糾正。許多研究表明，一旦形成選擇性注意，即使需要糾正錯(cuò)誤的信念和認(rèn)知，也很難進(jìn)行進(jìn)一步的探索和注意力重新分配。

你的孩子正在用生命最初的十幾年，構(gòu)建對(duì)這個(gè)世界的基本認(rèn)知框架。這個(gè)框架會(huì)影響他的三觀、判斷力、創(chuàng)造力，以及未來(lái)幾十年的人生軌跡。

算法可以推薦視頻，但它不會(huì)在意你的孩子成為什么樣的人。

你事業(yè)有成，是因?yàn)槟憧吹搅诵袠I(yè)的全貌。現(xiàn)在，你需要幫你的孩子，看到世界的全貌。

這是算法做不到的事情。

這是只有父母能做的事情。

本文僅作科普分享使用，歡迎小伙伴們點(diǎn)、收藏、關(guān)注，以備不時(shí)之需，當(dāng)然更歡迎您把

介紹給周邊可能需要的更多伙伴們呀。