■陈阳 吕行
　　【本文提要】在数字时代，青少年已经逐渐成为与平台算法互动的重要群体。既往研究很少关注到青少年用户在日常“遭遇”算法时发挥自身能动性所做出的抵抗。本研究聚焦作为干预性数字能动实践的“算法抵抗”，通过整合心理状态、个人能力与人际互动等影响因素，提出了基于“理性—非理性”二分处理路径的双重中介路径模型，并用于考察河南农村青少年（N=3573）在短视频平台的日常使用过程中对于推荐算法的抵抗心理与行为反应。结果表明，感知自由威胁、算法素养和同伴影响显著增强了青少年的算法抵抗意愿与抵抗意图；而孤独感、对算法机制的依赖性心理则产生了削弱作用；抵抗意愿与抵抗意图在上述影响因素与抵抗行为之间存在不同的中介效应；同时，作为控制变量的媒介使用时间、年龄在青少年的算法抵抗路径中呈现出显著差异。本研究为进一步理解青少年与算法互动过程中的能动性提供了量化实证证据。
　　【关键词】算法抵抗 推荐算法 青少年 短视频平台
　　【中图分类号】G206
　　
一、引言
　　平台社会的到来使得推荐算法日益成为数字媒体与用户开展有效互动的关键基础设施。与主动但耗时的内容搜索行为相比，推荐算法平台通过基于大数据的精准推荐，使用户更加便捷高效地获得他们感兴趣的多元海量内容，完成从“人找信息”到“信息找人”的转变。然而，尽管推荐算法为用户提供了诸多便利，其也存在不少“阴暗面”，既往研究表明，作为一种制约用户能动性的结构性力量，推荐算法带来了一系列问题，诸如可见性霸权（Swart， 2021）、偏见与歧视（Kulshrestha et al.， 2017）、信息过载（Lin et al.， 2020）、隐私泄露（Lam et al.， 2006）等，有可能导致平台用户产生负面心理与行为反应，例如社交媒体疲劳（Bright et al.， 2015）、错失焦虑（Roberts & David， 2020）、被迫断联（Nguyen， 2021）、平台迁移（Luqman et al.， 2017）等。
　　虽然上述研究尝试从“结构”角度探讨推荐算法对用户使用行为的形塑，但此类对于算法负面作用的批判性反思大多仍然遵循了“算法中心主义”（赵司空，2021）的考察路径，少有研究致力于探索算法所连接的“另一端”——平台用户对于推荐算法的感知体验，以及在遭遇算法时发挥自身能动性与算法展开的互动性实践（Karizat et al.， 2021）。这就使得在现存有关算法文化的研究中，用户的能动性往往是被忽略的一方（Velkova & Kaun， 2021）。然而，现实生活中，除了平台方与算法技术工程师之外，算法的使用者也是建构算法输出结果的关键性行动者（Ettlinger， 2018），其在与算法互动过程中的能动性的发挥始终呈现出两面性，一方面体现为对算法结构性规则进行有意识的积极配合，例如为了获得可见性的“奖励”而积极地按照算法设定的规则使用，另一方面体现为更激进的对于算法输出结果的“改写”与“颠覆”（Siles et al.， 2020）。从这两方面入手，探究用户在“遭遇”算法过程中与算法展开的互动性实践，对于更加深入地理解用户日常使用过程中的能动性具有重要意义。有研究者借鉴吉登斯的结构化理论提出数字时代“控制的辩证法”，这一概念强调了用户与算法互动过程中的“互构”可能：“在算法利用规则‘结构’用户的同时，用户也在利用作为‘资源’的算法规则，通过积极布局战术实践的方式来重塑算法的逻辑”（Schwartz & Mahnke， 2021：3）。综上，在对“算法—用户”关系中用户主体性与能动性重新思考的基础上，Couldry 和 Powell（2014）认为，目前算法研究的重心应该从“算法中心”转向“算法—用户互动”，即由探讨算法的单向结构性塑造霸权，转向日常社交媒体使用中用户与算法的双向博弈实践。
　　在算法研究整体视角转向的背景下，近年来国内外越来越多的研究开始将目光聚焦于用户，考察他们如何理解、感受算法和参与算法实践，并提出诸如“解码算法”（Lomborg & Kapsch， 2020）、“算法想象”（Bucher， 2017）、“算法民间理论”（Karizat et al.， 2021）、“算法游戏”（Cotter， 2019）等一系列概念用以理解不同情境下用户与算法的互动。 其中，“算法抵抗”这一概念被提出用以表征社交媒体用户对推荐算法的一种干预性数字能动实践（Karizat et al.， 2021）。结合日常抵抗理论（De Certeau， 1984）、逃逸与生成理论（德勒兹，加塔利，2010）以及数字行动主义理论（Klinger & Svensson， 2018），算法抵抗关注到了社交媒体平台的用户在遇到平台算法时利用其认知和实践能力对算法进行的积极抵抗实践。“当算法性能无法提供良好的用户体验时，受众开始构建自己的战术实践空间，对算法文本进行逃离、重组、嵌入与反噬等一系列‘底层运作’”（张萌，2022：156），进而“逃逸”了算法的原始设定逻辑。在这一过程中，用户虽然“偏离”了算法的设定，但却通过训练“生成”了更加满足自己偏好的“算法系统”。在这一概念的驱动下，不少研究探讨了社交媒体用户中算法抵抗的多样化形式，如尝试利用社交媒体的内容推荐规则来驯化算法（Leong， 2020）；利用算法排名规则来使自己想要显示的内容权重上升变得“可见”（Velkova & Kaun， 2021）；通过更改个人偏好设置来“戏弄”、“迷惑”算法达到“意外”的推荐可见性效果（Cotter， 2019）、通过变更用户身份权限设置来对抗推荐算法对边缘群体的歧视（Mittmann et al.， 2021）等。张萌（2022）通过访谈法对算法抵抗实践做了初步分类：（1）对算法产品的空间隔绝，例如采用卸载、平台转移等方式来表达对于平台算法的抵抗；（2）对算法规则的自我重组，例如对平台算法提供功能的选择性接触；（3）对算法规则的主动嵌入，例如通过“点赞”来刺激算法的推荐；（4）对算法逻辑的反向规训与控制，最典型的就是用户通过有意识地“投喂自身偏好”来训练算法。然而，上述分类并不能够对算法抵抗行为进行绝对的区分，例如“主动嵌入”与“反向规训”的行为之间就存在交叉点，同时，仍然可能存在未被捕捉或者无法纳入上述类别的算法抵抗形式。
　　尽管如此，上述有关算法抵抗或者类似的研究仍然存在若干不足。首先，一些研究仍然局限于对于抵抗意识层面的探索（Siles et al.， 2020），缺乏对于抵抗意识与进一步抵抗行为之间关联的考察，而本研究试图探索这一问题。其次，现有的关于用户对平台推荐算法的负面反应的研究更多集中在用户的心理因素对抵抗的影响上，而缺乏对个人能力、人际关系等因素的全面考虑。因此，本研究试图提出一个明确的研究模型，能够整合上述涉及的影响算法抵抗的因素。第三，虽然一些研究探讨了用户对推荐内容、算法的某一特性（例如“贪婪”）的负面反应（Ma et al.， 2021），但算法推荐机制本身在一定程度上被忽视了。本研究则明确指向了用户对于短视频平台的推荐算法系统的抵抗。第四，之前从用户角度“解码算法”的研究大多采用质化方法，如半结构化访谈与自我报告（Swart， 2021；张萌，2022）以及框架分析（皇甫博媛，2021）。这类方法对于考察影响用户的算法抵抗的普遍性因素的效果相对有限，因此本研究试图构建量化模型来探讨影响算法抵抗心理与行为的具体影响因素。最后，导致用户实施算法抵制行为的因素不一定是理性的，也就是说，用户很可能在没有明确抵抗意识的情况下“跟风”其他社交媒体用户实施类似的抵制行为（Ettlinger，2018），同时用户本身在行为过程中也可能会受到自身情绪的影响（Geber et al.， 2021），这意味着用户的抵抗行为本身也存在非理性的触发因素。然而，许多研究并没有仔细区分这两条路径。因此，本研究整合计划行为与原型意愿模型两种理论资源，通过将抵制意愿（非理性路径）与抵制意图（理性路径）分开，试图建立理性与非理性的双重中介模型。
　　值得注意的是，在短视频平台使用普及化的今天，青少年逐渐成为“遭遇算法”的主要群体，短视频平台的推荐算法正在成为塑造他们日常数字实践的基础设施。尽管一些研究从批判的角度研究了算法霸权对青少年社交媒体用户的认知与使用的各种限制，但是，在日常的媒介使用过程中，青少年运用他们的能动性来理解、参与、体验算法的可能性并没有得到充分的关注，而对于青少年如何基于他们对算法的经验进行更进一步的算法抵抗更是知之甚少。
　　在上述讨论的基础上，本研究围绕“算法抵抗”这一概念，将研究视角从“算法批判”转向算法与用户的互动，通过考察我国农村地区青少年在日常使用短视频App过程中与推荐算法的互动实践，进而探究他们在短视频平台的日常使用过程中产生的算法抵抗意图、抵抗意愿与抵抗行为之间的关系。本研究提出如下两个核心问题：
　　研究问题一：哪些具体因素影响了中国农村青少年对短视频平台推荐算法的抵抗？
　　研究问题二：影响因素与抵抗行为之间是否存在不同的中介路径？它们的区别与联系分别是什么？
　　
二、文献回顾与研究假设
　　（一）算法素养、算法抵抗意图与抵抗意愿
　　算法素养可以被理解为用户在日常接触社交媒体时感知、体验算法的能力，包括了用户对算法的基本认知、对算法的批判性意识以及他们与算法互动的基本能力三个主要方面（Dogruel et al.， 2021）。社交媒体用户在推荐算法提供的个性化交互界面进行互动的过程中，也会在上述三个层面有所区分，这种认识和实践能力的不同又会使他们对于算法的抵抗意识呈现出差异（Lomborg & Kapsch， 2020）。
　　算法素养对用户的抵抗心理具有促进作用。既往研究表明，社交媒体用户在遇到算法时并非被动的旁观者，而是主动的参与者，他们会在与算法的日常“交往”中逐渐认识到算法的阴暗面（Ma et al.， 2021），以及自己干预算法连接、形塑算法输出结果的可能性（van der Nagel， 2018），这种认知则进一步增加了他们通过使用各种策略积极实施算法抵制行为的可能性（Velkova & Kaun， 2021）。在认知层面，用户的算法批判意识的增强有助于他们在与算法的互动中做出更明智的决定（Lomborg & Kapsch， 2020）。而在行为层面，当用户意识到算法运行结果可以通过个人干预来改变时，他们会积极地制定策略来“欺骗”算法，使其偏离原有推荐可能，朝着他们所希望的目标运行（Bucher， 2017）。上述研究都说明用户对算法的批判性认知与实践能力对其抵抗心理状态产生与强化具有促进作用。
　　具体来说，社交媒体用户的算法素养对他们的算法抵抗意图与算法抵抗意愿都有积极影响，存在着“理性—非理性”两种不同的作用机制。根据Gibbons等人（1998）对行为意愿（Behavior Willingness）与行为意图（Behavior Intention）的区分，抵抗意愿（Resistance Willingness）和抵抗意图（Resistance Intention）分别代表了“非理性”与“理性”两种不同驱动抵抗行为实践的前因变量。其中，抵抗意愿（Resistance Willingness， RW）更多地被认为是用户情感化的、相对非理性的行动倾向（Pomery et al.， 2009），这种心理状态下的用户对于行为本身可能造成的后果并没有经过深思熟虑，而是更多受到同龄人的影响与自己对算法的负面情绪的影响。而抵抗意图（Resistance Intention， RI）可以被定义为用户在日常使用过程中对自己的能力、可能的抵抗结果以及算法造成的正负面影响进行充分评估后的更理性的行为倾向。本研究的对象是处于成长阶段的青少年，他们的行为同时具有非理性与理性的特征。因此，对这两个变量的区分是必要的。基于上述讨论，本研究提出以下假设：
　　H1：算法素养与青少年对短视频应用推荐算法的抵抗意图呈正相关。
　　H2：算法素养与青少年对短视频应用推荐算法的抵抗意愿呈正相关。
　　（二）感知自由威胁、算法抵抗意图与抵抗意愿
　　感知自由威胁被用来描述个体的自由被外部力量破坏时的心理状态（Brehm， 1966）。当个体感到自身认知或者行动的自由受到外部种种限制性或者威胁性因素阻碍时，很可能会产生对于它们的反抗心理，并可能进一步有意识地采取一些积极行动来重新获得自由。
　　实际上，作为一种广泛存在的支配性媒介权力，推荐算法对信息可见性与平台功能使用的控制也很可能给用户带来某种不自由感，进而导致用户对推荐算法产生抗拒性心理。Lomborg和Kapsch（2020）发现，个性化推荐算法强加给他们的歧视性标签所导致的部分内容不可见会引发其强烈负面情绪反应（例如愤怒、不安等），进而导致他们对算法的主动抵抗。对青少年来说，这种由算法机制威胁所引发的心理抗拒同样存在。Karizat等人（2021）在研究TikTok青少年用户时发现，当感知到推荐算法限制他们获取与使用内容的自由并对其进行“身份压制”时，青少年用户会对算法产生强烈幻灭感，而这又进一步增强了他们抵抗算法偏见的潜力。此外，对Spotify的研究表明，当青少年认为Spotify的推荐算法在未经他们允许的情况下进行推送时，他们会将该平台视为“一个非常讨厌的家伙”，并产生尝试禁用其功能与关闭权限的想法，这也是抵抗心理的一种表现形式（Siles et al.， 2020）。因此，基于上述有关算法对使用者自由的威胁与抗拒性心理之间的关系，本研究提出以下假设：
　　H3：感知自由威胁与青少年对短视频应用推荐算法的抵抗意图呈正相关。
　　H4：感知自由威胁与青少年对短视频应用推荐算法的抵抗意愿呈正相关。
　　（三）同伴影响与算法抵抗意愿
　　同龄人的认知与行为实践是影响青少年认知和行为的重要因素（Maxwell， 2002）。作为青少年平台用户算法意识的重要来源，同龄人对于算法的基本认知、态度以及行为实践（例如知识分享）都能够影响青少年对推荐算法进行抵抗的行为意愿。一方面，青少年与朋友日常有关算法知识的交流会对他们对算法的基本认知产生影响（例如，通过朋友了解到算法机制如何使一些内容不可见，同时给予一些内容强烈的曝光）（Yau & Reich， 2019），如果个体用户从他人那里获得了关于算法造成的负面问题的更多信息，那么他们对算法的整体看法也可能是相对负面的，并进一步产生颠覆算法原有逻辑的想法（van der Nagel， 2018）。另一方面，如果个体并没有那么强烈的对于算法的负面认知，但却处于一个对算法整体持否定态度并积极发展算法抵抗策略的同伴群体中，那么即使他们对算法的批判意识不强，但由于在群体中观察到他人进行抵抗后带来的使用便利，他们也可能有意识或者无意识地选择跟从他人的看法和决策，最终强化自身的算法抵抗意愿（Lomborg & Kapsch， 2020）。需要说明的是，此前有关青少年风险行为的研究表明，同伴是导致相对非理性或者情绪化的行动意愿产生的特定因素（Gibbons et al.， 1998；Pomery et al.， 2009），因此，本研究选择将同伴影响作为抵抗意愿而不是抵抗意图的前因变量，用以作为区分抵抗意愿与抵抗意图中介作用的一个重要方式，并提出以下假设：
　　H5：同伴影响与青少年对短视频应用推荐算法的抵抗意愿呈正相关。
　　（四）依赖性心理、算法抵抗意图与抵抗意愿
　　依赖可以被定义为：在一方的需求满足或目标的实现取决于另一方的资源的情况下，双方形成的一种持久的、稳定的联系（Baier， 1986）。数字时代对媒介依赖的研究扩展到社交媒体，一些研究特别强调了信任感（Pop et al.， 2021）与互动性（Kaye & Johnson， 2017）对用户社交媒体依赖产生的重要性。类似地，用户对算法的依赖心理也可以被理解为用户在与算法的日常互动中与推荐算法保持持续稳定关系的需求，这种依赖产生的基础是用户相信推荐算法能够为自己提供稳定、持续、有趣的互动内容。用户对于算法的依赖感很有可能会削弱他们对于算法诸多问题的不满，进而减弱他们的抵抗意愿。在认知层面，对Facebook页面排名算法的研究表明，算法给青少年带来的便利感、参与感与沉浸式心流体验（Lin et al.， 2020），加强了他们对算法的依赖，使他们对算法的阴暗面视而不见，导致了算法批判意识的缺乏（Schwartz & Mahnke， 2021）。同样地，有关抖音短视频App推荐算法的研究也同样证实了依赖性、沉浸感对于青少年用户持续性使用的激励作用（熊开容，刘超，甘子美，2021）。对青少年来说，推荐算法可以通过将内容可见性作为“奖励”来促进他们积极与算法互动，进而培养他们的依赖心理。这种对推荐算法的依赖很可能导致青少年用户在使用社交媒体时将其视为一种“必需品”，最终减少他们对推荐算法的疲劳感和抵触感。综上所述，以下两个假设被认为是合理的：
　　H6：依赖性心理与青少年用户对短视频应用推荐算法的抵制意图呈负相关。
　　H7：依赖性心理与青少年用户对短视频应用推荐算法的抵抗意愿呈负相关。
　　（五）孤独感、算法抵抗意图与抵抗意愿
　　孤独感被理解为个体由于缺乏必要的社交关系与情感联系而引发的主观负面情绪（Bonsaksen et al.， 2021）。既往研究表明，青少年的孤独感容易导致更加频繁的、甚至是有问题的社交媒体使用（例如社交媒体成瘾）（Fabris et al.， 2020）。当青少年感受到较少的线下社会互动与社会支持时，他们会转而到虚拟世界中排遣由此而产生的孤独感（Lisitsa et al.， 2020）。而作为社交媒体重要基础设施的推荐算法，恰好能够提供丰富海量的内容，给用户带来便捷高效体验，从而帮助青少年用户有效排遣孤独感，使他们将算法看作 “玩伴”或者“朋友”（Leong， 2020；Siles et al.， 2020），进而抵消他们对于算法的恐惧感和偏见，因此，基于上述讨论，研究提出如下假设：
　　H8：孤独感与青少年用户对短视频应用推荐算法的抵抗意图呈负相关。
　　H9：孤独感与青少年用户对短视频应用推荐算法的抵抗意愿呈负相关。
　　（六）抵抗意图与抵抗意愿的中介作用
　　既往有关用户对社交媒体与推荐算法的反应的研究主要将行为看作是理性意图下的自然反应，倾向于将用户接受刺激、产生相应心理并引发相应行为实践视为无差别的过程，没有明确区分用户在不同理性状态下的行为意图与行为意愿。然而，“并非所有的人类行为都是合乎逻辑或理性的”（Gibbons et al.， 1998：1164），正如近年来一些研究者所认为的，媒介实践正在经历 “情感转向”（Orgeret，2020），用户的社交媒体使用往往是理性与非理性并存的（Branley & Covey， 2018；Oh et al.， 2021），其行为意图（BI）与行为意愿（BW）共同塑造着他们与社交媒体的互动实践。特别是，本研究的对象是一群尚处于心理成熟期的青少年，他们的认知和行为选择更加具有理性与非理性相结合的内在特征。因此，具体到对算法抵抗的研究中，研究者有必要将用户对算法抵抗的心理反应拆分为两个相互区分的变量进行探讨，也就是区分“理性—非理性”两种不同的心理中介路径。
　　其中，理性路径的中介变量是基于充分理性思考、评估与选择后形成的抵抗行为意图（RI），这一概念依托Ajzen（2011）提出的计划行为理论（TPB）。它假设人们的行为选择是基于自身理性的，是对行为可能结果、自身条件以及外部社会规范进行综合性评估后在行为意图（BI）上的集中反应，进而影响用户的行为选择（Rivis et al.， 2006）。因此，算法抵抗意图指向的用户在理性地权衡其自身所处的使用情境（如算法对于用户使用自由的威胁、自身对算法的依赖状况、个人孤独感）与使用能力（如算法素养）以及可能产生的抵抗结果后，对推荐算法产生的抵抗性心理反应，并最终可能转化为抵抗行为实践。本研究认为抵抗意图在感知自由威胁、算法素养、依赖心理、孤独感与抵抗行为之间的关系中可能起到中介作用。
　　而非理性路径的中介变量则是基于情感化的、相对非理性选择、较少进行为后果考虑产生的抵抗意愿（RW）（Pomery et al.， 2009）。根据Gibbons等人（1998）提出的原型意愿模型（PWM），抵抗意愿指向了用户对推荐算法相对缺乏计划或预谋以及可能性结果考虑的抵抗心理状态。个体的算法反抗并不总是基于充分理性思考后的明确反抗意识，也可能是基于一种从众心理或者未经思考的非理性、情绪化心理状态，最终同样有可能导致抵抗行为的产生，“用户的在线行为实践很可能是从他们自身的无意识欲望中流露出来的”（Ettlinger， 2018：4）。与抵抗意图所不同的是，影响抵抗意愿的因素中着重强调了青少年对同伴行为的非理性模仿对他们抵制算法的意愿的强化作用。因此，本研究假设抵抗意愿在感知到的自由威胁、算法素养、依赖心理、同伴影响与抵抗行为之间的关系中可能起到中介作用。
　　值得注意的是，基于上述两种理论的综合模型（Rivis et al.， 2006）还讨论了行为意愿与行为意图之间的关系问题，证实了意愿对意图的积极促进作用。一些关于青少年吸烟与醉酒驾驶等危险行为的研究表明，青少年执行该行为的愿望越强烈，越有可能刺激他们将该行为的实施纳入他们的理性计划，从而转化为他们基于理性的行为意图（Pomery et al.， 2009）。因此，本研究同样将抵抗行为意愿与意图之间的关系纳入假设中。基于以上讨论，本研究共提出以下三组假设（概念模型如图1所示）：
　　H10：抵抗意图在（a）算法素养（b）感知到的自由威胁（c）依赖性心理（d）孤独感与抵抗行为之间起到中介作用。
　　H11：抵抗意愿在（a）算法素养（b）感知自由威胁（c）同伴影响（d）依赖性心理 （e）孤独感与抵抗行为之间起到中介作用。
　　H12：抵抗意愿通过正向影响抵抗意图来中介（a）算法素养（b）感知自由威胁（c）同伴影响（d）依赖性心理（e）孤独感与抵抗行为之间的关系。
　　（七）作为控制变量的性别、年龄、媒介使用时间、使用类型与青少年算法抵抗
　　在以往有关青少年社交媒体使用的相关研究中，青少年的年龄、性别、媒介使用时间、使用类型对于它们的社交媒体心理反应与使用实践同样存在影响（Odgers et al.， 2020；Swart， 2021），因此本研究将上述四类控制变量纳入考察范畴。
　　
三、研究方法
　　（一）研究对象与数据收集
　　本研究的调查对象是河南某县一所初中的七至九年级学生以及一所高中的十一年级学生。面向四个年级的学生共发放问卷3740份，获得3573份有效回复（回收率为95.10%），被调查对象的平均年龄为15.3岁。其中，七年级435人，八年级557人，九年级499人，十一年级2082人。
　　之所以选取我国农村地区的青少年作为研究对象，本研究出于以下三点考虑。首先，农村地区青少年算法实践有其特殊性，并有待进一步探究。相较于城市地区，农村家庭的经济资本和社会资本较低，很可能影响了作为数字资本一部分的算法认知与使用素养，这又进一步塑造了农村青少年的算法抵抗实践。尽管近年来有多项研究涉及青少年数字媒体素养及其使用（Kim & Yang， 2016；Turner et al.， 2017），但专门关注农村地区青少年ICT应用及其算法实践的研究仍然相对较少。其次，在农村中学相对闭塞、枯燥的环境下，短视频平台是青少年学习和了解外部世界的重要渠道。中国青少年儿童研究中心对农村地区青少年短视频使用特点的调查显示，65.6%的青少年经常使用短视频App，其中初高中生的使用比例最高（70.3%），观看短视频成为课余使用智能手机的主要目的之一（孙宏艳，马铭阳，2021）。同时，与其他类型的社交媒体平台相比，短视频的超视觉格式更有可能给用户创造一种沉浸式体验，但也可能带来身份歧视、内容不可见等若干问题（Karizat et al.， 2021），一定程度上使得短视频的算法抵抗实践结果变得复杂，也使研究的意义得到了进一步的展现。最后，农村青少年的生活特点为研究者考察同伴影响提供了便利。所有研究对象都在寄宿学校学习（近年来农村寄宿中学的比例越来越高），每三周才允许回家一天，他们与同伴相处的时间远比父母长，相应地，他们的认知与行为也更容易受到同伴的影响。综上三点理由，本研究选择农村地区的青少年短视频App用户作为算法抵抗的研究对象。需要说明的是，研究者关注的是短视频平台“常规模式”而非“青少年模式”下的算法抵抗行为，这主要是因为从过往的调研来看，很少有青少年会在缺乏监督的情况下主动开启青少年模式来限制自身的内容获取与功能使用。
　　研究问卷由研究者统一发放给参与者填写，每份问卷的填写时间为10—20分钟。问卷内容主要涉及两个部分：参与者的人口统计学信息与算法抵抗相关变量。为了保证问卷填写的有效性，研究者设计了“你是否使用过抖音或快手等短视频软件”这样的判别性问题来过滤无效的问卷。此外，研究人员跟踪了整个调查过程，以回答参与者在作答过程中可能出现的任何问题。问卷完成后由研究人员统一编号并录入。表1呈现了参与者的性别、年龄、常用的短视频App以及周平均使用时间四种控制变量的描述性统计结果。
　　（二）变量操作化定义与测量
　　本研究的变量测量吸收和借鉴了前人研究成果，所有问题采用李克特五级量表作为选项，1=非常不认同，2=不认同，3=不知道，4=比较认同，5=非常认同（其中控制变量不使用李克特量表，故不在此显示），最终形成了8个概念的操作化与测量依据。
　　感知自由威胁：感知自由威胁的测量量表改编自Hong和Page（1989）开发的心理抗拒量表。这个量表根据Brehm（1966）提出的心理抗拒理论编制，已经被多次通过使用证明具有良好的信度与效度。最终用于测量的量表包含三个问题（例如：“推荐算法让我在使用短视频App时有一种不自由感”）。
　　算法素养：算法素养的测量改编自Dogruel等人（2021）开发的量表，涵盖了两个相互关联的维度（算法认知与算法使用），共11个题项（例如“推荐算法会影响我看到的内容”、“我可以很好地使用推荐算法来寻找我感兴趣的短视频”）。
　　同伴影响：对同伴影响的测量是基于Werner-Wilson和Arbel（2000）开发的同伴对青少年影响的量表，该量表已被证明具有良好的可靠性。最终使用的量表共包含三个问题（例如“我的朋友有时会抱怨推荐算法给他们带来了不自由”）。
　　孤独感：本研究改编了专门用于测量青少年孤独感的UCLA量表（Mahon et al.， 1995），最终用于测量的量表共包含四个问题（例如“我在生活中常常感到无人可以倾诉”）。
　　依赖性心理：依赖心理的测量整合了技术接受与使用的整合模型量表（Williams et al.， 2015）与心流测量量表（Wang et al.， 2017），一共包括四个问题（例如“推荐算法让我在使用短视频软件时感到非常方便”）。
　　抵抗意愿与抵抗意图：对中介变量的测量突出了抵抗意愿与抵抗意图的区别，两者的测量来自对Rivis等人（2006）设计的青少年危险行为综合量表的改编。其中，三个项目被用来测量抵抗意愿（例如“我有时候会产生对抗短视频推荐算法的冲动”），而抵抗意图的测量包含四个项目（例如“我在仔细权衡利弊后会产生关闭推荐算法通知的行为意图”）。
　　抵抗行为：本研究在明确算法抵抗概念并梳理相关实证研究的基础上，整合了相关研究中涉及的算法抵抗行为现象（Karizat et al.， 2021；Leong， 2020；Luqman et al.， 2017）进行量表设计并进行了小范围测试，并获得了良好的信效度。算法抵抗行为量表最终由10个测量题项构成（例如“我会主动搜索短视频App算法推荐以外的内容”）。
　　
四、模型分析与假设检验
　　（一）模型建构方法与常见方法偏差（CMB）检验
　　考虑到研究需要验证研究中多组变量的复杂关系，本研究采用结构方程模型（SEM）来探究各潜变量间的关系，模型构建与进一步的数据分析使用Smartpls 3.0（Hair et al.， 2019）进行。本研究使用Kaiser-Meyer-Olkin（KMO）检验来进行数据抽样的充分性与结构适宜性测试，KMO结果值为0.889，高于公认的0.5的阈值，说明整体数据质量过关，因此可以对问卷题项进行探索性因子分析。另外，Bartlett检验结果也呈现了显著性（P<0.01）。研究同时采用了哈曼单因素方法来检验可能存在的常见方法偏差，结果显示单因素只解释了总方差的21.8%（远低于50.0%的可接受阈值），这表明数据整体不存在共同方法偏差。
　　（二）测量模型的构面信度、区分效度与多重共线性检验
　　本研究的Cronbach's α均>0.7，CR<0.8，说明整个测量量表具有良好的信度。
　　本研究主要使用AVE、Fornell-Larcker（Fornell & Larcker， 1981）与HTMT三类标准来进行收敛效度和区分效度的检验。潜变量的平均方差都大于0.5，说明所有变量均具有较高的收敛效度。同时，所有潜变量AVE值的平方根大于对角线的潜变量之间的相关系数，HTMT值在0.103—0.729之间（低于阈值0.90），说明测量模型的各构面的区分效度均可接受。此外，由于所有问题项目的外部因子载荷值都大于0.7，因此没有需要删除的题项。最后，为了避免出现变量间的多重共线性从而影响模型的质量，研究者还检查了各构面的VIF值。结果显示，所有的VIF值在1.012—2.951之间，小于Hair等人（2019）建议的阈值3，说明模型不存在多重共线性。
　　（三）结构模型的假设与路径检验
　　根据Preacher和Hayes（2008）的建议，本研究采用Bootstrap方法迭代5000次样本来计算各路径系数及其显著性。最终结构模型质量检验的结果见表2。本研究中抵抗行为的调整后R2值为0.402，这意味着40.2%的抵抗行为方差是在感知到的自由威胁、算法素养、同伴影响、依赖心理、孤独感以及抵抗意愿与抵抗意图的共同影响下产生的。这个数值满足了行为领域研究的R2高于0.2基本要求的同时大于0.333，表明该模型具有适中的解释力度（Urbach & Ahlemann， 2010）。除了R2这一衡量标准，本研究还使用q2来评估建构的模型质量。结果显示抵抗行为的q2为0.169>0，且该值在0.15（中预测性）与0.35（高预测性）之间，表明该模型对变量具有中等的相关性预测能力（ Hair et al.， 2019）。同时，评估拟合度指标的另一个指标是标准化均方根残差值（SRMR）为0.065，在标准0—0.08之间，也可以接受。
　　研究最终形成的结构方程模型各路径系数假设检验结果见图2与表3。
　　一方面，所有假设的直接效应验证结果如下：首先，H1得到验证（β = 0.110， t = 3.783， p = 0.000），表明算法素养对算法抵抗意图有明显的正向影响。同时，算法素养正向影响算法抵抗意愿的假设（H2）也得到了验证（β = 0.097， t = 3.251， p = 0.001），并且通过相关系数的比较可以发现，算法素养对抵抗意愿的影响更强。其次，本研究还验证了感知到的自由威胁对算法抵抗意图的正向影响（β = 0.207， t = 5.909， p = 0.000），这意味着H3成立。同样，感知自由威胁对算法抵抗意图也有明显的正向影响（β = 0.234， t = 6.718， p = 0.000），H4得到了验证。实证研究结果显示，同伴影响与抵抗意愿之间的路径系数是显著的（β = 0.382， t = 10.934， p = 0.000），因此，H5得到了验证。此外，研究发现了依赖性心理与抵抗意图（β = -0.167， t = 5.495， p = 0.000）以及抵抗意愿（β = -0.108， t = 3.547， p = 0.000）之间的负相关关系，H6与H7都得到验证。最后，孤独感与抵抗意图（β = -0.042， t = 3.452， p = 0.000）、抵抗意愿（β = -0.076， t = 3.547， p = 0.000）之间的负相关关系也得到了验证，因此H8与H9成立。
　　另一方面，抵抗意愿和抵抗意图的中介作用也得到了证实，包括关于间接效应的共14个假设。首先，检验了抵抗意图在算法素养（β = 0.062， t = 3.673， p = 0.000）、自由感知威胁（β = 0.117， t = 5.336， p = 0.000）、依赖性心理（β = -0.095， t = 4.951， p = 0.000）、孤独感（β = -0.060， t = 5.387， p = 0.000）与抵抗行为之间的中介作用，因此，H10包含的所有假设均可以接受。同样地，研究发现抵抗意愿在算法素养（β = 0.012， t = 2.401， p = 0.017）、感知自由威胁（β = 0.029， t = 3. 618， p = 0.000）、同伴影响（β = 0.013， t = 3.489， p = 0.013）、依赖心理（β = -0.048， t = 3.780， p = 0.000）、孤独感（β = -0.009， t = 6.637， p = 0.002）与算法抵抗行为之间的中介作用，因此证实了H11a、H11b、H11c、H11d，H11e的成立。除此之外，由于抵抗意愿与抵抗意图之间存在正相关关系，因此产生了五个额外的影响路径， H12a（β = 0. 018， t = 3.055， p = 0.002）、H12b（β = 0.042， t = 5.381， p = 0.000）、H12c（β = 0.069， t = 6.712， p = 0.000）、H12d（β = -0.019， t = 3.208，p = 0.001）、H12e（β = 0.069， t = 6.712， p = 0.000）均得到了支持。
　　（四）多群组结构方程模型检验结果
　　由于控制变量（性别、年龄、媒介使用时间、使用类型）主要为分类变量，无法纳入常规结构方程模型进行变量间关系探究，因此研究采用Smartpls3.0提供的多群组比较方法（multi-group analysis method）对上述变量进行多群组结构方程模型分析。具体的假设检验结果见表4。结果显示，青少年的年龄在算法素养对抵抗意愿（意图）的影响路径上产生了显著差异（p意愿=0.012；p意图=0.034），在其他路径上并无显著差异；媒介使用时间在依赖性心理对抵抗意愿（意图）的影响路径上产生了显著差异（p意愿=0.047；p意图=0.024），在其他路径上则没有。性别和媒介使用类型在任何路径上都没有呈现出显著差异。
　　
五、结论与讨论
　　本研究通过对包含3573名青少年参与者的样本进行算法抵抗模型构建，揭示了自由感知威胁、个人算法素养、同伴影响、依赖性心理、孤独感与抵抗意愿、抵抗意图以及算法抵抗行为实践之间的关系。
　　（一）提升青少年的算法素养对算法抵抗具有重要意义
　　H1与H2的结果表明，青少年在社交媒体中的算法素养是影响其抵抗意愿和抵抗意向的重要因素。这意味着，提高青少年的基本知识、批判意识以及驾驭算法的能力，既能使他们在理性评估自身能力情况后增强算法抵制行为的意愿，又能促使他们将算法素养内化为一种可用的数字资本（Lindell， 2020），用来与算法进行更有效的互动。这一发现在印证了算法素养能够促进用户更加积极、有效地进行社交媒体使用（Koenig， 2020）的基础上，进一步证明了这种个人素养转化为能动性抵抗心理与行为的可能。这意味着，对于青少年的数字素养培育应当进一步深入到算法素养层面，这与一些研究者的呼吁相一致（Dogruel et al.， 2021）。同时，平台算法的技术开发者应该通过系统分析用户需求反馈等方法，对青少年用户如何看待和理解算法进行更加深入的了解，以便不断优化自身平台的推荐算法使用体验，更好地满足他们的使用需求。
　　（二）感知自由威胁对青少年算法抵抗的强化作用
　　H3与H4的成立意味着，在使用短视频应用时，推荐算法对青少年感知到的自由的潜在威胁可能会极大地强化他们抵制算法的意图与意愿，用户在面对算法推荐系统带来的威胁时，不一定会做出不利的反应，而是会利用算法规则，通过积极发展战术来抵制它们。这一结论与之前关于算法推荐过载导致用户严重消极反应的发现一致（Ma et al.， 2021；Pang，2021）。进一步来看，虽然推荐算法对用户的限制在两种情况下都会引起一些抵抗，但对自由的感知威胁对抵制意愿的影响相对较小（pPTF→RI　　（三）对同伴建议的采纳与行为模仿促进了青少年的算法抵抗
　　H5预测了同龄人的看法与行为对青少年的算法抵抗意愿的正向影响。这表明，与同伴在日常生活中开展的有关算法的互动（例如知识分享与使用方法传授）潜移默化地影响了青少年对算法的基本态度、参与能力，从而转化为他们的抵抗意愿。还值得注意的是，抵抗意愿经常建立在对他人原型认知与行为的无意识模仿上（Geber et al.， 2021；Rivis et al.， 2006），这是青少年在发展过程中的一个独特特征。这一发现也与之前一些关于青少年使用社交媒体受同伴影响的研究相一致（Trivedi et al.， 2021；Charmaraman et al.， 2022）。因此，在算法素养教育的基础上，应当鼓励青少年适当地进行有关算法知识与使用经验的交流，这对他们更加全面、多元、批判地认知算法、掌握相应的基础性使用技能具有促进作用。
　　（四）作为负向影响因素的依赖性心理与孤独感
　　H6、H7、H8、H9的假设结果表明，依赖性心理与孤独感是算法抵制意愿和行为意向的严重负向预测因素。其中依赖性心理的来源又可以分为使用过程中的便利性和沉浸性两个主要维度。这意味着，尽管青少年用户对于推荐算法可能存在着或多或少的不满以及抵抗意愿，但这种负面情绪很有可能会被他们在内容获取过程中全神贯注地按导航算法流进行浏览时的沉浸感以及长此以往形成的稳定依赖感所削弱。这一结论支持了先前有关青少年社交媒体成瘾研究（Turhan et al.， 2021）的相关发现。对于孤独感与算法抵抗之间负向影响关系的探讨，则说明了线下现实世界的关系缺失会使青少年转向线上数字世界寻求连接，而推荐算法作为连接人与内容、人与人之间的关键性媒介属性恰好满足了这一点，因此能够在一定程度上削弱青少年的抵抗行为意图与意愿。这说明了对于推荐算法的无节制沉浸以及现实生活的匮乏会削弱青少年对算法的批判性意识，降低他们正确看待与使用算法的可能性。因此，一方面，平台应尽到社会责任，按照国家规制设计并投入使用相应的防沉迷机制，尽可能避免算法造成的青少年无节制使用；另一方面，社会、学校、家庭应当充分引导青少年多进行线下的社会交往与人际互动，建立更多现实人际关系、获得更多的人际资本来减少他们的孤独感，而不是将大量时间投入到线上的虚拟实践，避免青少年“困在屏幕中”。
　　（五）并行与交织：抵抗意图与抵抗意愿的双重中介作用
　　H10、H11与H12中包含的14条路径都被证明是成立的，这说明算法抵抗意愿与抵制意图之间既“并行”又“交织”的关系。一方面，二者都能够作为独立的、并行不悖的中介变量，分别表征理性与非理性的抵抗路径，共同起到连接前置影响因素与抵抗行为的作用。另一方面，两者存在交织转化的可能：即青少年的非理性抵抗意愿也可能作为“诱因”，最终推动青少年将抵抗纳入理性计划，最终转化为或者强化了原有理性的抵抗意图路径，这一发现与其他研究者在青少年风险行为中得到的行为意愿与行为意图之间的传递关系一致（Gibbons et al.， 1998；Pomery et al.， 2009）。上述结果的讨论充分说明了青少年在算法抵抗心理与实践过程中呈现出的特殊性，即青少年本身理性与感性并存的思维模式会反映在具体的抵抗实践中，这使得他们对算法抵抗呈现出“又爱又恨”的复杂态度：一方面，算法对他们视野自由及使用权限的结构性限制、对于同伴算法认知和使用的信任会促使他们产生感性的抵抗意愿；而另一方面，当他们已经习惯沉浸于算法提供的便利性之时，对于推荐算法的依赖性心理以及对于现实环境中孤独感的恐惧以及自身算法素养的有限性又迫使他们考虑抵抗算法所要付出的现实成本，最终在利弊权衡下回归抵抗意图的理性路径，进行有计划的算法抵抗。
　　（六）年龄、媒介使用时长对于青少年算法抵抗的显著影响
　　通过对于控制变量影响的多群组分析，本研究发现，年龄和媒介使用时长分别在（1）算法素养→算法抵抗意图，（2）算法素养→算法抵抗意愿，（3）依赖性心理→算法抵抗意图，（4）依赖性心理→算法抵抗意愿四条路径上呈现出显著的差异性。年龄较大组别的青少年更多地选择了基于理性思考后的抵抗意图路径来进行算法抵抗，年龄较小的青少年则趋向选择更多基于情感判断的抵抗意愿路径，说明随着年龄的增长，青少年的思维模式更加趋于理性化，自我决策意识不断增强，对于推荐算法的认知更加具体而且全面（Koenig， 2020），在做出具体的算法抵抗决策之前，他们会更加充分地权衡推荐算法的利弊，并思考进行抵抗行为后可能产生的后果（Siles et al.， 2020）。如果这种算法抵抗行为会严重影响到他们的日常使用体验（例如关掉推送导致错过重要推送），他们有可能重新思考当下进行抵抗行为是否合适。而媒介使用时长在依赖性心理→算法抵抗意图/抵抗意愿影响路径上呈现出的差异性（使用时间越长路径系数越显著），则可以被理解为长时间的推荐算法接触强化了青少年对于推荐算法的依赖，并使他们由于沉浸在虚拟世界中而暂时排遣了孤独感。
　　（七）理论与实践贡献
　　本研究的结果对现有理论文献有所补充。首先，研究人员对算法抵抗这一概念进行了量化实证研究。在此前有关用户接触平台推荐算法过程中能动性研究的基础上，本研究更深入地探讨了更积极的干预性数字实践类型——算法抵抗。其次，本研究的重点从以算法为中心转向以用户为中心，将研究对象从算法推荐内容转向用户与推荐算法互动过程中的用户能动性，并提出了一个同时综合心理因素、个人能力、人际影响的算法抵抗定量模型，从而扩展了推荐算法研究的影响因素范围。最后，通过结合计划行为理论模型（TPB）与原型意愿模型（PWM），本研究区分了作为理性选择的算法抵抗意图路径与更多受非理性因素影响的算法抵制意愿路径，并验证了两条路径之间的影响关系，揭示了算法抵抗行为的实施是在理性与非理性交织的行为选择下进行的。
　　本研究在实践层面同样具有一定贡献。一方面，本研究从多因素入手为青少年算法使用者提供了可行的建议，以改善他们与算法的互动，促进他们基于能动性的抵抗实践。这对于青少年，尤其是低数字资本或存在较大数字鸿沟的农村地区青少年来说是十分重要的。另一方面，本研究也提示了作为算法开发者和收益者的平台方不应当忽视“算法抵抗”现象的存在，而应该在国家政策的统一规范与监管的基础上，通过与青少年用户的不断对话，在他们的能动性反馈中不断完善、优化自身的推荐机制，以便更好地为这一群体提供更加优质的算法体验。
　　（八）研究局限与不足
　　本研究在以下几个方面也有一定的局限性。首先，本研究线下调查了两所农村学校四个年级的青少年短视频用户，这可能导致研究的样本相对集中、缺乏代表性。今后的研究可以采取在线调查的方式，使参与者更加多元化。第二，虽然研究已经证实了心理、个人能力、人际互动等因素对农村地区青少年算法抵抗的影响，但对于个人经济资本与数字资本的差异是否会对他们的抵抗行为产生影响仍然知之甚少（Ren et al.， 2022），因此未来可以通过对城乡地区青少年算法抵抗的对比研究来探讨这个问题。第三，本研究将抵制行为作为一个整体对象来探讨，虽然关注到了算法抵抗在程度上的差异，但缺乏对不同类型抵制行为的明确区分，这可能导致不同抵抗行为类型之间的差异性被忽视了，未来研究可以在细分算法抵抗行为类型的基础上，探讨抵抗意图与意愿对不同类型抵抗行为的影响。第四，多群组结构方程模型检验中，年龄和媒介使用时间对于不同路径的影响虽然在不同群组中呈现出差异性，但差异并不明显，这可能是由于研究的样本选择过于集中所导致的，未来研究应当在细分群体的基础上尽可能地让参与者特征多样化。最后，本研究是一个横断面的研究，缺乏对同一群体在不同时期算法抵抗变化的纵向比较。未来可以采用面板研究以及动态结构方程模型等方法进行多阶段的数据收集与分析来实现这一点。
　　身处数字技术环绕的时代，人与技术、结构与能动的辩证关系逐渐成为“人—媒介”互动研究的核心关切。我们该如何在智能技术平台的“重重围困”中重构人的主体性、能动性？通过对于乡村青少年在与短视频平台算法推荐互动过程中展现出的算法抵抗的考察，本研究为数字时代如何构建和理解“人—技术”的核心共生关系提供了一种新的思路：重新使用“控制的辩证法”、“弱者的抵抗”等理论资源，对于深化理解人在与技术互动过程中所展现出的能动性具有重要意义。它时刻提醒着我们，人与技术互动的另一面不该被忽视，对人的尊严的关切应当被铭刻进技术进化的核心逻辑中去。关注“人”在技术使用过程中的抗争，确立用户与媒介关系中“人”的尊严，是未来人与智能媒介关系研究的题中应有之义。■
　　
参考文献：
（法）吉尔·德勒兹，费利克斯·加塔利（1987/2010）。《资本主义与精神分裂：千高原》（姜宇辉译）。上海：上海书店出版社。
方师师（2018）。算法如何重塑新闻业：现状、问题与规制。《新闻与写作》，（9），11-19。
皇甫博媛（2021）。“算法游戏”：平台家长主义的话语建构与运作机制。《国际新闻界》，（11），111-129。
熊开容，刘超，甘子美（2021）。刷抖音会上瘾吗？——短视频App用户沉浸式体验影响因素与形成机制。《新闻记者》，（5），83-96。
孙宏艳，马铭阳（2021）。《未成年人短视频青少年模式使用研究报告》。检索于http://www.cycrc.org.cn/kycg/seyj/202105/P020210526576438296951.pdf。
赵司空（2021）。算法本体论及其批判探析。《自然辩证法研究》，（6），52-58。
张萌（2022）。从规训到控制：算法社会的技术幽灵与底层战术。国际新闻界，（1），156-173。
Ajzen, I. (2011). The theory of planned behaviour: Reactions and reflections. Psychology & health, 26(9)1113-1127.
Baier, A. (1986). Trust and Antitrust. Ethics, 96(2)231-260.
Bonsaksen, T.RuffoloM.LeungJ.PriceD.Thygesen, H.Schoultz, M.& GeirdalA. ?. (2021). Loneliness and its association with social media use during the covid-19 outbreak. Social Media + Society7(3)1-10.
Branley, D. B.& CoveyJ. (2018). Risky behavior via social media: The role of reasoned and social reactive pathways. Computers in Human Behavior, 78183-191.
Brehm, J. W. (1966) . A theory of psychological reactance. New York: Academic Press.
BrightL. F.KleiserS. B.& Grau, S. L. (2015). Too much Facebook? An exploratory examination of social media fatigue. Computers in Human Behavior, 44148-155.
BucherT. (2017). The algorithmic imaginary: Exploring the ordinary affects of Facebook algorithms. InformationCommunication & Society20(1)30-44.
Charmaraman, L.LynchA. D.Richer, A. M.& Grossman, J. M. (2022). Associations of early social media initiation on digital behaviors and the moderating role of limiting use. Computers in Human Behavior, 1271-11.
CotterK. (2019). Playing the visibility game: How digital influencers and algorithms negotiate influence on Instagram. . New Media & Society21(4)895-913.
Couldry, N.& Powell, A. (2014). Big data from the bottom up. Big Data & Society1(2)1-5.
De CerteauM. (1984). The practice of everyday life. Berkeley: University of California Press.
Dogruel, L.MasurP.& JoeckelS. (2021). Development and validation of an algorithm literacy scale for internet users. Communication Methods and Measures. Advance online publication.
Ettlinger, N. (2018). Algorithmic affordances for productive resistance. Big Data & Society5(1)1-13.
FabrisM. A.MarengoD.Longobardi, C.& Settanni, M. (2020). Investigating the links between fear of missing outsocial media addictionand emotional symptoms in adolescence: The role of stress associated with neglect and negative reactions on social media. Addictive Behaviors1061-6.
Geber, S.BaumannE.Czerwinski, F.& Klimmt, C. (2021). The Effects of social norms among peer groups on risk behavior: A multilevel approach to differentiate perceived and collective norms. Communication Research, 48(3)319-345.
Gibbons, F. X.GerrardM.BlantonH.& RussellD. W. (1998). Reasoned action and social reaction: Willingness and intention as independent predictors of health risk. Journal of Personality and Social Psychology, 74(5)1164-1180.
Gibbons, F. X.GerrardM.OuelletteJ. A.& Burzette, R. (1998). Cognitive antecedents to adolescent health risk: Discriminating between behavioral intention and behavioral willingness. Psychology & Health, 13(2)319-339.
HairJ. F.Risher, J. J.Sarstedt, M.& Ringle, C. M. (2019). When to use and how to report the results of PLS-SEM. European Business Review, 31(1)2-24.
HongS. -M.and Page, S. (1989). A psychological reactance scale: Developmentfactor structure and reliability. Psychological reports64(3_suppl)1323-1326.
Karizat, N.DelmonacoD.Eslami, M.& Andalibi, N. (2021). Algorithmic folk theories and identity: How tiktok users co-produce knowledge of identity and engage in algorithmic resistance. Proceedings of the ACM on Human-Computer Interaction 3051-44.
KayeB. K.& JohnsonT. J. (2017). Strengthening the core: Examining interactivitycredibilityand reliance as measures of social media use. Electronic News, 11(3)145-165.
Kim, E.& Yang, S. (2016). Internet literacy and digital natives’ civic engagement: Internet skill literacy or Internet information literacy? Journal of Youth Studies19(4)438-456.
Klinger, U.& Svensson, J. (2018). The end of media logics? On algorithms and agency. New Media & Society20(12)4653-4670.
KoenigA. (2020). The algorithms know me and i know them: Using student journals to uncover algorithmic literacy awareness. Computers and Composition581-14.
Kulshrestha, J.Eslami, M.MessiasJ.ZafarM. B.GhoshS.GummadiK. P.& Karahalios, K. (2017). Quantifying search bias: Investigating sources of bias for political searches in social media. Proceedings of the 2017 ACM Conference on Computer Supported Cooperative Work and Social Computing417-432.
Lam, S. K. “Tony” Frankowski, D.& RiedlJ. (2006). Do you trust your recommendations? An exploration of security and privacy issues in recommender systems. Emerging Trends in Information and Communication Security (3995)14-29.
Leong, L. (2020). Domesticating algorithms: An exploratory study of Facebook users in Myanmar. The Information Society36(2)97-108.
Lin, J.LinS.TurelO.& Xu, F. (2020). The buffering effect of flow experience on the relationship between overload and social media users’ discontinuance intentions. Telematics and Informatics491-18.
Lindell, J. (2020). Digital Capital: A bourdieusian perspective on the digital divide. European Journal of Communication35(4)423-425.
Lisitsa, E.Benjamin, K. S.Chun, S. K.Skalisky, J.HammondL. E.& MezulisA. H. (2020). Loneliness among young adults during covid-19 pandemic: The mediational roles of social media use and social support seeking. Journal of Social and Clinical Psychology, 39(8)708-726.
Lomborg, S.& Kapsch, P. H. (2020). Decoding algorithms. MediaCulture & Society42(5)745-761.
LuqmanA.CaoX.AliA.Masood, A.& Yu, L. (2017). Empirical investigation of Facebook discontinues usage intentions based on SOR paradigm. Computers in Human Behavior, 70544-555.
MaX.SunY.GuoX.LaiK.& VogelD. (2021). Understanding users’ negative responses to recommendation algorithms in short-video platforms: A perspective based on the Stressor-Strain-Outcome (SSO) framework. [Special Issue]. Electronic Markets1-18.
Mahon, N. E.YarcheskiT. J.& YarcheskiA. (1995). Validation of the revised UCLA loneliness scale for adolescents. Research in Nursing & Health, 18(3)263-270.
Maxwell, K. A. (2002). Friends: The role of peer influence across Adolescent risk behaviors. Journal of Youth and Adolescence31(4)267-277.
MittmannG.Woodcock, K.DorflerS.KrammerI.Pollak, I.& SchrankB. (2021). “TikTok Is My Life and Snapchat is my ventricle”: A mixed-methods study on the role of online communication tools for friendships in early adolescents. The Journal of Early Adolescence42(2)1-32.
NguyenM. H. (2021). Managing social media use in an “always-on” society: Exploring digital wellbeing strategies that people use to disconnect. Mass Communication and Society24(6)795-817.
OdgersC. L.SchuellerS. M.& ItoM. (2020). Screen time, social media useand adolescent development. Annual Review of Developmental Psychology, 2(1)485-502.
OhS.LeeS. Y.& HanC. (2021). The effects of social media use on preventive behaviors during infectious disease outbreaks: The mediating role of self-relevant emotions and public risk perception. Health Communication36(8)972-981.
Orgeret, K. S. (2020). Discussing emotions in digital journalism. Digital Journalism, 8(2)292-297.
PomeryE. A.GibbonsF. X.Reis-BerganM.& GerrardM. (2009). From willingness to intention: Experience moderates the shift from reactive to reasoned behavior. Personality and Social Psychology Bulletin, 35(7)894-908.
Pop, R.Saplacan, Z.Dabija, D. -C.& AltM. -A. (2021). The impact of social media influencers on travel decisions: The role of trust in consumer decision journey. Current Issues in Tourism. Advance online publication.
PreacherK. J.HayesA. F. (2008). Asymptotic and resampling strategies for assessing and comparing indirect effects in multiple mediator models. Behavior Research Methods40879-891.
Ren, W.ZhuX.& Yang, J. (2022). The SES-based difference of adolescents’ digital skills and usages: An explanation from family cultural capital. Computers & Education1771-13.
Rivis, A.SheeranP.& Armitage, C. J. (2006). Augmenting the theory of planned behaviour with the prototype/willingness model: Predictive validity of actor versus abstainer prototypes for adolescents’ health-protective and health-risk intentions. British Journal of Health Psychology, 11(3)483-500.
Roberts, J. A.& DavidM. E. (2020). The social media party: Fear of missing out (FOMO)social media intensityconnection, and well-being. International Journal of Human-Computer Interaction36(4)386-392.
SchwartzS. A.& Mahnke, M. S. (2021). Facebook use as a communicative relation: Exploring the relation between Facebook users and the algorithmic news feed. InformationCommunication & Society24(7)1041-1056.
Sujon, Z.VineyL.& Toker-TurnalarE. (2018). Domesticating Facebook: The shift from compulsive connection to personal service platform. Social Media + Society4(4)1-12.
Swart, J. (2021). Experiencing algorithms: How young people understand, feel aboutand engage with algorithmic news selection on social media. Social Media + Society7(2)1-11.
Trivedi, S. K.PatraP.& SinghS. (2021). A study on intention to use social media in higher education: The mediating effect of peer influence. Global KnowledgeMemory and Communication. Adavance online publication.
Turhan Gürbüz, P.cobano. G.ErdoganA.KopuzH. Y.Adanir, A. S.& onderA. (2021). Evaluation of internet gaming disorder, social media addictionand levels of loneliness in adolescents and youth with substance use. Substance Use & Misuse, 56(12)1874-1879.
TurnerK. H.JollsT.Hagerman, M. S.O’Byrne, W.HicksT.Eisenstock, B.& Pytash, K. E. (2017). Developing digital and media literacies in children and adolescents. Pediatrics, 140(Supplement_2)122-126.
UrbachN.& Ahlemann, F. (2010). Structural equation modeling in information systems research using partial least squares. Journal of Information technology theory and application11(2)5-40.
van der NagelE. (2018). ‘Networks that work too well’: Intervening in algorithmic connections. Media International Australia168(1)81-92.
Velkova, J.& Kaun, A. (2021). Algorithmic resistance:Media practices and the politics of repair. InformationCommunication & Society24(4)523-540.
WangL.YanJ.LinJ.& CuiW. (2017). Let the users tell the truth: Self-disclosure intention and self-disclosure honesty in mobile social networking. International Journal of Information Management, 37(1)1428-1440.
Werner-WilsonR. J.& ArbelO. (2000). Assessment of interpersonal influences on adolescents: The parent and peer influence scale. The American Journal of Family Therapy28(3)265-274.
WilliamsM. D.Rana, N. P.& DwivediY. K. (2015). The unified theory of acceptance and use of technology (UTAUT): A literature review. Journal of Enterprise Information Management, 28(3)443-488.
Yau, J. C.& ReichS. M. (2019). “It’s Just a Lot of Work”: Adolescents’ self-presentation norms and practices on Facebook and Instagram. Journal of Research on Adolescence29(1)196-209.
　　
陈阳系中国人民大学新闻与社会发展研究中心研究员，中国人民大学新闻学院副教授。吕行系中国人民大学新闻学院学生。本文为中国人民大学马克思主义新闻观研究中心“媒体深度融合背景下地方媒体创新转型研究”（MXG202103）阶段性成果。由于篇幅限制，本研究的结果图表未能详尽列出，有需要的读者，请联系作者。