材料一：
①2016年，“后真相”被《牛津词典》选为年度热词，“后真相”的释义为：诉诸情感和个人的信念要比客观事实对形塑公众舆论的作用更大。很多学者把它与社交媒体和个性化推荐技术联系起来，认为社交媒体使用者不经查证分享来路不明的内容，推动了假新闻的泛滥；同时社交媒体所使用的算法技术，导致了“过滤气泡”效应，使公众更不易接触到与自己想法相左的信息，加剧了群体偏见。
②“过滤气泡”最早由互联网活动家帕里泽提出。他发现两个人使用谷歌检索同一词语，得到的结果页面可能完全不同；不同政治立场的人浏览同一个新闻事件，看到的新闻倾向也可能完全不同。互联网时代，搜索引擎可以精准掌握用户偏好，为用户过滤掉异质信息，打造个性化的信息世界。但同时，信息和观念的“隔离墙”也会筑起，令用户身处在一个“网络泡泡”的环境中，阻碍多元化观点的交流。帕里泽将此称为“过滤气泡”。
③尽管“过滤气泡”受到高度关注，但事实上仍属于“新瓶装旧酒”。早在十多年前，有关“信息茧房”“回音室效应”“协同过滤”等问题已经引起了学界的广泛讨论。传播学家桑斯坦认为，信息的协同过滤会造成信息窄化，使群体成员倾向于加强与本群体的联系，忽略同外部世界或者其他群体进行信息交流，导致群内同质、群际异质现象，促使“信息茧房”的产生。处于“信息茧房”之中的公众有如把自己封闭在自我设计的回音室里，每个人听到的只是自己的回音，相同的意见会不断被重复，异质的观点会被过滤掉。也有学者把“回音室”效应与虚假新闻联系在一起，认为社交媒体上聚合了相似的信息和同样的观点，使人们原本的态度不断被印证和强化，隔离了其他领域的信息和异己的表达。人们听到的只是封闭空间内被放大的回声，而不是网络空间中全面而真实的声音。
④问题在于，随着算法推荐时代到来，大数据公司通过智能技术手段获得用户的阅读搜索痕迹，总结用户的心理、习惯、兴趣和偏好，投放其感兴趣的信息，现在为特定群体实现精准内容发放已经成为一种常态化操作。新闻传播概念实现了从“人被动寻找感兴趣的内容”到“内容主动定位到感兴趣的人”的转变。用户的兴趣习惯成为内容推荐的核心要素，用户不再需要手动选择自己感兴趣的内容，机器算法代替用户完成了选择的过程。
⑤正是由于对被左右的选择权的忧虑，人们尝试开展一系列“戳泡运动”来进行矫正，但这些措施总体上看只是一些算法逻辑上的技术调整，针对的是那些已经认识到“气泡”并意图解决“气泡”的用户。事实上，“过滤气泡”的形成非常复杂，有算法推荐技术的推波助澜，也有人性和情感结构的内在需求，还与社会结构和权力息息相关，我们对此既不能过于乐观，也不必过于夸大“过滤气泡”的负面影响。一方面如果没有算法过滤技术，我们注定会被信息洪流所淹没。另一方面从前那种传统的、非定制的新闻也未必能保证多样性。“我们必须要弄清楚，是经过滤的媒体世界造就了我们所见的在线集结，还是本来就拥有不同信念的人建构了自我增强的过滤器。”“戳泡运动”不仅需要不断改进算法技术，使用户可以接触到多元化的观点，还需要借助一个平等、自由、开放而理性的公共领域平台，开展协商对话、凝聚共识，这才是真正意义上的治本之道。
（摘编自郭小安、甘馨月《“戳掉你的泡泡”——算法推荐时代的“过滤气泡”的形成及消解》）
材料二：
①针对过滤气泡是否存在，过去西方学者从不同视角展开实证研究。我们则认为过滤气泡是否存在应关注的是单个用户的信息结构是否存在偏倚，将单个用户信息结构的均衡性作为衡量过滤气泡的指标，更符合对这一概念的定义。而当个性化推送超过用户整体信息占比的50%，该用户的结构存在失衡。值得注意的是，平台为吸引流量，在作算法推荐时可能对某些特定内容存在偏好。而对某些投放基数较大的内容而言，推荐数量的小幅增加也可能导致用户信息结构的失衡。鉴于此，我们计算个性化内容的占比对“过滤气泡”的影响就要观察个性化推送是否满足以下条件：第一，个性化推送超过用户整体信息占比的50%；第二，在既有推送基数水平上，相应内容的个性化推送的增量显著，一般超过10%。同时满足上述两个条件，则过滤气泡存在。
②为进一步探究微博在算法推荐下的过滤气泡现象存在情况，我们将微博中规模庞大的用户群体分为有代表性的四类：用户A，28岁硕士单身爱美北京女青年（生活穿搭人设）；用户B，22岁中专学历的剧综述、追星女粉丝（剧综文娱人设）；用户C，38岁高收入陆家嘴金融行业男博士（财经人设）：用户D，34岁本科毕业后参加工作的新手爸爸（科教人设）。
③首先对四个账号的用户进行为期一周的训练。每天重复如下操作：在“微博搜索”中搜索与用户兴趣相关的5个关键词，根据推荐结果点击前5条内容；点击微博推荐中5条与用户兴趣相关的内容：使用微博账号登录抖音、小红书等任意一款应用，点击或转评与用户兴趣相关的内容。
④训练结束后，进入记录阶段。连续4天记录用户ABCD在微博推荐中的前40条内容，并按照时事、财经、科教、文娱、生活和体育六个类别进行分类。
⑤为排除微博既有的信息推荐结构对结果的影响，设立一个中立账号作为对照组，以访客身份选择“随便看看”登录微博。中立账号反映了未经任何训练的情况下，微博对信息内容的初始偏好。计算个性化内容在用户账号和中立账号中的占比，两者之差为个性化内容的增量，如增量显著，证明过滤气泡存在。
（摘编自陈逸君《微博算法推荐的过滤气泡现象探究》）
用户账号与中立账号的内容推荐占比统计表（单位：%）
内容用户 | 时事 | 财经 | 科教 | 文娱 | 生活 | 体育 |
用户A（生活穿搭人设） | 4.8% | 3% | 7.8% | 38% | 45.8% | 0.6% |
用户B（剧综文娱人设） | 2.6% | 0% | 7.1% | 53.5% | 32.9% | 3.9% |
用户C（财经人设） | 8% | 31% | 6% | 28.5% | 26% | 0.5% |
用户D（科教人设） | 7.5% | 0.6% | 34.4% | 15.6% | 33.8% | 8.1% |
中立账号 | 7.5% | 1.25% | 4.4% | 47.5% | 38.1% | 1.3% |
