摘要：随着智能推荐算法技术的发展，个体信息茧房效应呈现出快速聚集与动态分散的特征。研究基于多元互动视角，通过对用户行为、算法机制与外部环境的综合分析，探讨智能推荐算法背景下信息茧房边界的形成与演化过程。通过半结构化访谈，研究提出用户行为调整、算法反馈机制和外部资源共
文献卡片
随着智能推荐算法技术的发展，个体信息茧房效应呈现出快速聚集与动态分散的特征。研究基于多元互动视角，通过对用户行为、算法机制与外部环境的综合分析，探讨智能推荐算法背景下信息茧房边界的形成与演化过程。通过半结构化访谈，研究提出用户行为调整、算法反馈机制和外部资源共同构建了信息茧房“弹性化边界”这一新观点。在长期交互过程中，个体信息接触边界表现出交替性的扩展与收缩，维持一种相对稳定的动态平衡状态，该边界既具有结构上的可调节性，也体现出感知层面的波动性。“弹性化边界”重新定义了信息茧房的动态特质，突破了其单向封闭的传统理解，为理解智能传播环境中的信息生产与流动提供了新视角。同时，研究指出用户能够通过多元管理策略发挥主体性，动态调适个体信息茧房的边界，尽管这一过程仍受限于算法的隐性再控制。
# 观点精粹
1
在智能传播时代，算法与用户的关系呈现出复杂的博弈关系，超越了传统“单向性视角”研究框架。
2
智能传播时代的信息茧房不应仅被视为需要消解的束缚，而是算法计算机制与用户策略性实践之间的动态调适与多方共塑的结果。
3
弹性化边界并非指信息边界可以被任意操控，而是认为个体的信息流推送具备一定的调整空间与响应能力，在系统长期建模下，形成了一种个性化的可扩展、可收敛的内容结构逻辑。
4
信息茧房的“弹性化边界”不仅体现了用户在技术环境中的主体性，也揭示了算法在数据优化中的隐性再控制。
# 关键词
信息茧房；推荐算法；弹性化边界；管理路径
# 引用格式
①黄玉波，李梦瑶.弹性化边界：智能推荐算法中信息茧房的动态调适与管理路径[J].传媒观察,2025(08):73-83.
②黄玉波，李梦瑶.(2025).弹性化边界：智能推荐算法中信息茧房的动态调适与管理路径.传媒观察(08),73-83.
扫描二维码获取原文
论文正文
一、引 言
推荐算法旨在通过精准信息推送提升用户体验，其解决过往信息过载难题的同时，也引发了人们对“信息茧房”效应的担忧。随着信息传播进一步向智能化方向发展，个体信息茧房效应的形成与演变呈现出更复杂的动态特征。这种复杂性源于信息生成和传播机制的变化：一方面，人工智能技术的发展为内容生产者提供了强大的工具，使其能够在短时间内生成大量但同质的内容，颠覆了传统内容生产模式；另一方面，平台利用智能算法逻辑细化用户行为数据、优化算法对用户偏好的响应速度和预测能力，提供更个性化的“过滤气泡”信息投放机制。这种基于智能传播技术的内容生产与投放模式不仅催生了个体层面的“个性化茧房”，也进一步加速了信息茧房的复杂演绎。
尽管学界对信息茧房现象的普遍性仍存争议，但许多研究指出推荐算法是其形成的关键影响因素之一。然而，既有研究大多采用“驯化”或“抵抗”的单向路径，并未充分揭示用户与算法之间复杂的互动关系。事实上，随着智能推荐算法的广泛应用和用户网络接触时长的增加，个体对算法运作逻辑的认知逐渐提升。用户发现，其试图摆脱算法控制的行为往往被算法捕捉并重新纳入分析框架。这表明，算法并非仅是单向度的控制工具，用户也能通过主动行为干预推荐逻辑，改变自身的信息接触，从而构建更符合自身需求的信息场域。因此，本研究立足于多元互动视角，探寻智能推荐算法下个体信息茧房边界之演化，并探索其管理方略。
二、文献综述与研究问题
（一）信息茧房的存在性争议
信息茧房（Information Cocoon）概念由桑斯坦提出，用以描述个人信息需求和信息选择趋向窄化、封闭化的现象。然而，学界对信息茧房的存在性、普遍性及其潜在影响存在争议。部分学者认为，算法通过追踪用户行为习惯和偏好，形成用户画像，并不断加强内容与用户兴趣的匹配度。这种高精准度的个性化推荐算法可能在无形中将个体信息接触范围限制于既定的偏好轨道中，削弱了其多样化信息摄取的可能性，使信息茧房效应不可避免地出现。相反地，亦有学者主张，信息茧房只是一种隐喻而非事实，研究中构建的实验室式“纯粹信息环境”并不存在，现实生活中人们处于多元、复杂的信息生态中，能够多渠道交叉获取信息，使得茧房效应的实际影响存在不确定性。
尽管学界对此问题尚无定论，但现实情境中个体却广泛感知到信息茧房现象的存在。中国青年报社会调查中心对1501名受访者的一项调查显示，62.2%的受访者认为“大数据+算法”的精准推送方式使自己陷入了“信息茧房”。这一调查结果从个体主观感受的角度为信息茧房研究提供了实践层面的必要性证据。在智能传播时代，个体信息茧房产生的边界条件及其动态演绎仍是需要进一步探讨的重要议题。
（二）算法与用户关系的传统研究路径
推荐算法被视为理解数字媒介环境中信息茧房形成条件的关键因素。过往对于推荐算法与用户关系的研究，主要遵循“驯化”或“抵抗”两条路径：驯化理论自上而下地描述了算法如何逐渐嵌入到人们的日常生活中，将算法视作技术规则的体现，对用户行为具有高度控制力，用户在算法环境中扮演被动接受者的角色；抵抗理论则自下而上地探讨了用户在算法主导环境下如何规避、反抗甚至打破算法。但这两种单向性视角将用户与算法对立化，未能全面揭示用户与算法之间更为复杂的互动关系。
事实上，信息生态传播理论强调，信息传播是一个多层次、多要素交织的复杂系统，技术机制与用户行为是其中不可或缺的构成，共同影响个体所处的信息接触。在自上而下的驯化过程中，用户仍保持一定的主体性，能够有意识地干预智能推荐算法的运行逻辑；在自下而上的抵抗过程中，智能算法仍会捕捉用户行为，并纳入其分析系统，使原本意在“摆脱”控制的行为，重新被纳入推荐逻辑的迭代中。这表明，在智能传播时代，算法与用户的关系呈现出复杂的博弈关系，超越了传统“单向性视角”研究框架。因此，要准确理解算法与用户之间的复杂互动关系，从多元互动视角出发成为必要。
（三）智能推荐算法下用户与算法的调适与共塑
在应对推荐算法环境中个体信息接触范围狭窄化的问题时，传统研究提出了“破茧”概念，主张通过技术改进或用户行为干预，彻底消解信息茧房的封闭性。然而，这一概念过度强调用户能动性且将人机交互权力化，在动态协作的复杂语境中，其适用性受到质疑。
智能传播时代，推荐算法从单一规则驱动逐步过渡到深度学习和跨平台联动的复杂系统，通过不断捕捉和分析用户行为数据，动态优化推荐路径。具体而言，用户通过行为调整尝试更新信息接触范围，而算法则捕捉这些行为信号，将其纳入分析框架并不断迭代推荐策略，随着算法系统持续强化对用户偏好的识别，用户信息获取往往再度趋于收窄。这种动态机制使得个人获取信息的场域呈现出流动性与适应性。这种流动性与适应性不仅体现为推荐内容的快速匹配与更新，还表现在用户信息接触范围的频繁扩展与收缩。由此，智能传播时代的信息茧房不应仅被视为需要消解的束缚，而是算法计算机制与用户策略性实践之间的动态调适与多方共塑的结果。“破茧”概念需向平台主导与用户主体性之间的互动博弈过程更新。这种调适与共塑的动态循环机制在智能传播时代具有重要意义。
社会-技术系统理论指出，技术发展是人类行动共同演化的。用户通过对信息茧房的策略性行为管理，推动自身的信息接触范围产生变化，进而构建出更适合自身需求的“积极茧房”，实现与算法之间的动态适应。由此，理解智能推荐算法环境下信息茧房的形成与演变，需重新审视用户行为与算法机制之间的互动博弈过程，提出如下研究问题：
1.智能传播时代个体信息茧房的边界形成与演化方式是什么？
2.在无法摆脱推荐算法的背景下，个体如何主动通过策略性实践管理信息茧房，并与算法的“反吸收”机制进行动态调适？
三、研究方法
本研究采用目的性抽样与滚雪球抽样相结合的方式，选取了11名受访者参与半结构化访谈。受访者来自不同职业背景，包括学生、内容创作者和算法工程师等，具有广泛的代表性。其纳入条件如下：（1）年龄≥22岁；（2）自愿配合研究；（3）无语言、意识或表达障碍；（4）社交媒体周均使用≥35小时；（5）各类社交媒体软件使用≥5年；（6）具备一定信息素养，对推荐算法逻辑有基本了解，并能够清晰描述其信息接触行为。
访谈于2024年10月至12月期间以面对面或视频会议方式进行。正式访谈提纲主要分为三大部分：受访者的个人信息与社交媒体使用习惯，受访者的社交媒体推荐内容感知与信息茧房概念理解，受访者对算法的评价与信息接触管理方式。每次访谈时长为30至60分钟，部分受访者根据研究需要进行了二次补充访谈。所有访谈内容均转录整理为文本后，识别并归纳平台与用户互动的关键要素，提炼出信息茧房的边界形成与演化机制，分析信息茧房的动态特性及用户信息管理策略。
四、智能推荐算法中信息茧房的
边界形成与动态演化
信息茧房的边界视为用户在推荐算法环境中接触到的信息范围及其变化的界限。不同于传统推荐算法中依赖简单标签的被动性信息推送，智能推荐算法下用户的信息接触范围边界并非一成不变，其形成与演化受到多重因素影响，如用户行为、平台算法逻辑和外部环境等，呈现出动态性和阶段性。本研究将信息茧房的边界形成与演化过程划分为初期阶段、中期阶段、模糊边界阶段和持续动态演化阶段。
（一）初期边界：用户兴趣标签与授权驱动
初期阶段的信息边界由用户的兴趣标签与平台算法的初始推荐逻辑共同塑造。用户进入平台之初，通过授权个人数据和选择兴趣类别，快速建立基础的兴趣画像，成为平台推荐逻辑的关键参考点，从而快速触发平台的泛兴趣内容推荐。访谈中有用户提到：“刚开始的时候，我选了旅游和美食，平台马上推了很多相关视频。”（访谈4）这表明兴趣标签在初期推荐中扮演了基础性的角色，通过用户兴趣标签与内容池的匹配，平台快速实现了用户与内容的初步连接，完成了信息边界雏形的构建。
用户在初期阶段通常以自我需求为核心进行内容探索，对平台信息流的感知具有相对独立性。这种独立性体现在两个层面，其一，用户尚未意识到推荐内容的来源或机制，受访者表示：“刚开始用平台的时候，我没有特别在意这些内容是怎么来的，只是觉得它们正好是我想看的。”（访谈4）其二，由于用户尚未在平台内建立起成熟的社交圈，缺乏与他人信息流的对比基础，其内容选择更多围绕自身兴趣展开，另一位受访者提到：“刚开始用的时候，其实没有特别关注别人刷什么内容，主要是看自己喜欢看什么。”（访谈3）这种感知独立性一方面反映出用户在早期互联网接触阶段（即传统推荐算法时期），对推荐算法的了解尚浅，更多停留在“满足个人需求”的逻辑框架内；另一方面也体现了用户更倾向于根据自身需求或兴趣进行内容探索，而较少关注推荐内容的多样性或生成机制。这种以自我兴趣需求为导向的探索行为以及对平台不同程度的个人数据信息授权奠定了信息边界的基础雏形。
（二）中期边界：推送内容细化和情绪化吸附效应
随着用户的持续使用，其行为数据（如点赞、评论、收藏及浏览时长等）不断累积。浏览时长能够反映用户对某类内容的关注程度，而点赞或评论行为则强化了算法对用户具体兴趣点的判断。平台通过对这些数据的特征提取与权重分配，调整推荐内容的类型、主题和情绪特征等，从而推动平台算法对用户兴趣模型的逐步校准和优化。当用户对某一类内容表现出较高的互动频率，算法会逐步增加该类内容的推荐比例，并减少与用户近期行为不相关的内容推送。一位受访者观察到：“当我连续看了几个《再见爱人》（某综艺节目）的片段后，老刷到和这个节目有关的帖子，其他类型的推荐都少了很多。”（访谈3）这些行为数据不仅反映了用户的显性兴趣，也为算法深度学习挖掘用户的隐性偏好提供了基础。正如受访者所述：“有时甚至让我觉得它已经知道我下一步要看什么。”（访谈6）在这一过程中，平台对个体的个性化过滤气泡（Filter Bubble）逐渐形成，个体行为数据对算法的持续反馈使其信息推荐范围趋于收窄。
这带来了中期阶段的一个显著特征，即信息推送的内容颗粒度逐步细化。算法通过切割用户兴趣维度，将推荐内容从泛兴趣类别逐步过渡到更细分的话题或主题中。有用户提到，“平台会推荐一个大主题下的各种方向的内容，但大主题始终未变，几乎感觉不到跨主题的跳跃。”（访谈7）内容颗粒化推荐使用户长期停留在某一固定的内容框架中，难以跳脱出已有的话题或主题的限制，受访者表示：“我刷了很久一个系列视频之后，发现平台推送的几乎都是同类型的内容，换个话题要费很大劲，甚至要专门搜索才行。”（访谈4）内容颗粒化推荐不仅影响用户的内容选择，还可能在潜意识层面塑造其对信息探索的态度，“有时候我知道自己可能需要看看别的内容，但打开平台就会被推荐的东西吸引，最后还是刷老一套。”（访谈2）这表明，内容颗粒化可能抑制用户的探索欲望，使其沉溺在“温暖茧”之中，与其他主题领域的信息接触显著减少。
在内容颗粒度细化的基础上，情绪化吸附效应进一步放大了算法的偏向性。情绪激烈的视频（如极端观点、激烈争论或强烈情感表达）具有更高的注意力捕捉能力。受访者提到：“情绪激烈的视频更容易吸引我点进去，这可能是为什么后面刷到的内容情绪化程度越来越高。”（访谈10）这种吸附源于人类对情绪刺激的敏感性。情绪化内容因点击率、评论率和停留时长等指标显著较高，往往获得算法更高的推荐权重，被优先分配推送资源。然而，这种情绪化吸附在提升平台黏性的同时，也使用户更难接触到多样化视角和理性化内容。
内容颗粒度细化与情绪化吸附效应的叠加，使推荐内容走向同质化。尽管如此，不同用户对同质化内容的接受程度存在差异。部分用户将平台视为满足即时需求的工具，并不会对内容同质化产生明显反感，尤其是在娱乐类平台上。一位受访者坦言：“我刷抖音时就是为了娱乐，能让我开心就好，多样性并不是特别重要。”（访谈1）相反，另一些用户则因内容同质化带来的局限性产生困惑。一位受访者指出：“我发现我看到的内容和朋友的完全不一样，她可以收到很多知识性的内容，这有时候让我觉得困惑。”（访谈9）这种差异表明，用户对同质化内容的接受度不仅取决于内容与兴趣的契合度，还与用户对平台功能的期望和认知目标相关。
中期边界阶段，通过算法与用户行为数据的双向反馈，平台在实现用户兴趣深度挖掘的同时，也在一定程度上固化了信息接触范围。尽管部分用户对同质化内容有所觉察，但更多用户倾向于接受这一状态。这种认知与行为选择表明用户在接触互联网平台一段时间后，逐渐适应了平台推荐内容的逻辑，并对同质化内容有了一定感知，但其主动改变信息茧房边界的动力暂时有限，这也为后续模糊边界阶段的信息扩展提供了契机。
（三）模糊边界：双向信息拓展与跨平台数据流动
尽管在中期边界阶段，用户因平台推荐的精准性和即时满足感而在短期内接受同质化内容，但在长期接触基于同一主题维度的内容后容易引发疲倦感或认知困惑。与以往研究侧重点不同的是，本研究发现，用户在与他人信息流进行对比时，内容窄化感被进一步放大，这成为驱动用户探索的重要心理动因，促使用户开始重新审视自己的信息接触范围。受访者提到：“和朋友讨论时，发现自己和他们刷到的内容完全不一样。”（访谈5）在察觉这种差异后，用户会采取探索性行为，“我会刻意去搜一些和我平时看的完全不一样的内容，或者看看朋友推荐的其他平台，比如B站或知乎，尝试不同的视角。”（访谈5）这体现了用户在长期接触同质化内容后，因信息流差异对比所引发的心理反应。通过主动搜索、调整平台使用习惯或跨平台操作等，用户有意识地拓展信息接触的广度，从而对信息边界进行积极调适，逐步进入模糊边界阶段。
同时，与以往研究关注点一致的是，社会热点事件进一步充当了探索的外部刺激因素，其突发性和强吸引力常常促使用户主动跳脱既有的内容偏好框架。受访者表示：“有突发新闻时，比如沙白白安乐死事件（某名人选择以特殊方式离世），我在那段时间内搜了很多相关内容，这个事件的真假、她父母对她选择的看法之类的，也会观望这个事件的舆论发展。之后的一段时间平台会继续给我推关于安乐死的一些争论话题，不过现在已经不给我推了。”（访谈3）社会热点事件驱动平台根据舆论热度调整推荐逻辑，推送更多相关延伸话题，并通过捕捉用户对延伸话题的兴趣度持续优化推荐。这种机制在一定程度上为用户兴趣标签注入新元素，从而使其信息接触范围在既有框架中出现短暂的多样化和开放性。
试探性推荐成为模糊边界阶段技术层面的重要助推。智能推荐算法通过推送核心兴趣之外但具弱相关性的内容，探索用户新的兴趣点。受访者分享道：“平台开始推荐一些我不太常看的内容，但和我的兴趣并不完全无关，会是我感兴趣话题的延伸讨论，比如我喜欢穿搭就会推荐帅哥美女相关的视频。”（访谈8）尽管试探性推荐仍以用户原有兴趣标签为基础，但显著增强了信息的维度和广度。
跨平台数据流动则是技术层面另一重驱动力，进一步推动信息边界模糊化。在隶属于同一技术生态或商业合作体系的平台中，用户行为数据的共享，使其在多个平台上形成的兴趣标签产生叠加效应。受访者提到，“有时候我在一个平台上点赞的内容，会影响另一个平台的推荐，比如我在淘宝上看了一些家具用品，抖音上也开始推类似的内容或广告，感觉我的行为数据在平台间是共享的。”（访谈3）这种跨平台数据流动模糊了单一平台的边界，使用户在一个平台上的行为成为另一个平台信息推送策略的重要参考。然而，这种扩展更多表现为平台算法标签的叠加，而非原有信息框架的突破，这使得信息边界的复杂性进一步增加。
模糊边界阶段是智能传播时代信息茧房效应动态演化的关键节点，也是智能化推荐算法相较于传统推荐算法的显著区别。在这一阶段，模糊边界体现了一种多维协同的动态机制：个体内因驱动与信息外部刺激共同作用，推荐算法优化与用户主动性相互促进。尽管模糊边界阶段展现了一定的开放性和动态性，但内容推送依然带有路径依赖与偏好黏性，正是在这种扩展性和限制性的张力中，信息边界开始呈现出一定的弹性。换言之，信息边界已初步具备了“可变、可控、可反馈”的潜在属性，模糊边界阶段奠定了信息茧房“弹性化边界”的基础。
（四）持续动态演化：推荐系统长期自适应与弹性化边界
随着用户在平台上的使用趋于长期稳定，信息茧房进入持续动态演化阶段，此阶段的边界表现出明显的弹性特征，即边界在用户行为、平台推荐系统、外部信息输入等多元力量的共同影响下，产生交替性的扩展与回缩，维持一种相对稳定的动态平衡状态。
这种弹性的形成源于推荐系统本身对用户行为的长期自适应。用户行为对推荐算法的影响不再仅仅是单次的反馈，而是长期数据的积累和聚合。受访者纷纷表示：“使用（某个）平台已经四五年了，现在的信息流和一开始完全不一样，肯定回不去了。”（访谈1、2、4）这一用户感知与受访的算法工程师所描述的推荐系统演进趋势是吻合的：“推荐算法系统是长期自适应的。它会随着用户的长期交互行为不断调整推荐策略。这一过程通常依赖于时间加权的行为建模，系统会对近期行为赋予更高权重，同时结合历史行为进行长周期模式的提取。”（访谈6）可见，平台推荐算法将用户的历史行为、近期兴趣、交互频率等数据作为参考维度，通过时间加权与行为聚类，同时保留对新变化的敏感性，长期建构并不断修正偏好模型。推荐算法与用户的个性绑定逐渐加深，达成一种与用户更深入、更精细的深层适配关系。
这意味着用户在使用中呈现出长期兴趣结构稳定、短期关注点波动的双重特征。一方面，在长期交互下，反复出现的行为路径和点击偏好会被系统识别并沉淀为相对稳定的核心内容域；另一方面，社交关系、热点事件或阶段性需求所引发的短期行为，又会通过更高的权重反馈到信息流中，调整内容结构组合，形成短期关注点聚集。此外，这种短期关注点聚集不仅带来边界的即时波动，也可能随着重复行为的累积，被内化为长期偏好的一部分，从而成为持续性内容推送。正如受访者提到：“我刚开始去留学的时候，朋友分享给我一个做饭的教程，之后慢慢菜谱也成了我信息流中的重要部分。”（访谈11）信息边界的弹性特征，正是通过这样识别、响应与调整体现出来的。
值得注意的是，弹性化边界并非指信息边界可以被任意操控，而是认为个体的信息流推送具备一定的调整空间与响应能力，在系统长期建模下，形成了一种个性化的可扩展、可收敛的内容结构逻辑。从用户角度来看，尽管他们并非边界变动的直接制定者，但其行为轨迹与兴趣变化会被算法系统持续读取与响应。在此意义上，用户既不是完全被动的接受者，也不是完全自由的控制者，而是信息茧房弹性化边界的关键参与者和影响因子。
综上所述，回顾信息茧房边界的演化，从初期边界的泛兴趣类别推送、中期的边界收紧与内容细化，到模糊边界阶段的信息拓展与跨平台流动，再到持续动态演化阶段的推荐系统长期自适应与弹性化边界，可以清晰看出，信息茧房已从传统推荐算法逻辑下的“单向收敛、同质化、窄化”，逐步过渡为智能推荐环境下由用户行为、算法机制和外部环境共同作用构建的多层次、动态平衡的自适应系统。正如受访的算法工程师所指出的：“个性化推荐逻辑一般会经历收敛-发散-再收敛的循环，这让信息流边界处于动态平衡的状态。”（访谈6）在这种动态调整中“信息茧房的边界”实际已成为“弹性化边界”，呈现出具备用户状态监测、内容调整和长期演化的能力，这一转变，构成了智能推荐算法语境下个体信息结构的新样态。
五、智能推荐算法中
信息茧房弹性化边界的管理路径
用户在平台算法环境中并非完全被动。尤其随着个体网络使用经验的累积，智能传播时代的用户信息茧房警惕意识和批判性思维具有明显的提升。与以往研究一致的是，本研究证实了用户行为对推荐算法具有重要影响，用户主动的策略性实践能够改变信息流多样性。本研究的创新之处在于，提出信息茧房边界是“弹性化边界”。基于前文提出的用户行为-算法机制-外部环境三层互动关系模型，本节深入探讨用户如何通过多元管理策略调控信息流动范围，形成个体信息茧房效应中的“弹性化边界”。
（一）个体层面：行为调整与角色身份切换
在智能传播环境中，用户通过行为调整和角色身份管理来打破算法惯性，能够在一定程度上重新配置推荐内容，实现信息茧房边界的弹性变化。
行为调整是用户探索多样化信息的实践，通过主动输入多样化信号，对算法逻辑产生干预。具体而言，用户会通过接触非惯常内容来扩大信息范围。一些用户在面对单一化信息推荐时，会有意识地点赞、收藏、评论或分享新兴趣领域的内容。受访者表示：“我知道平台是根据我的点赞和浏览记录来推送内容的，所以我会刻意改变这些行为来调整推荐内容。”（访谈3）尤其是具备一定信息素养的群体，他们通常对推荐系统的逻辑更加敏感。从事算法工作的受访者表示：“我对不同平台推荐系统的因素权重有感知，并会利用这一点进行调控，比如抖音和TikTok更看重观看时长和完整度。当推荐内容开始变得单调时，我会特意看完一些科普类视频或其他新领域的视频，希望平台推荐更多有趣的内容。”（访谈6）这种行为有效更新了算法对用户兴趣的判断，为用户提供了更多元的视角。此外，一些用户选择通过“失实交互”来激活异质性信息，即故意隐藏自己的真实偏好，以便平台算法系统根据用户虚假的显性（如点赞、评分、收藏、分享等）和隐性（如浏览时长等）反馈行为数据调整推送范围。有受访者分享道：“我会在一些女性话题下评论一些跟帖子完全无关的内容，比如美食之类的，希望这个帖子能够扩散到更多圈层，不要只有女性看到。”（访谈10）这表明用户具有一定的警惕茧房意识，会在信息环境中发挥主观能动性，通过“伪装式”行为，有意识地干预信息流，以改善信息扩散的圈层。
角色身份管理则是用户构建的多元信息接触身份策略。匿名身份为用户提供了更多自由表达和互动可能性。受访者提到：“匿名身份让我能参与一些平时不敢讨论的话题，得到的回答也更真实直接，而且算法也不会联系到我其他的账号。”（访谈2）匿名性为用户探索敏感或异质性内容提供了心理安全的空间，用户能够更轻松地讨论敏感话题，改变因社交关系或算法标签所造成的信息圈层。此外，多重账号管理进一步帮助用户实现对信息流的精细化控制，有效保持信息来源的多元化。有受访者表示：“我用一个账号专注于专业领域学习，另一个账号关注娱乐新闻，这样可以让每个平台的推荐内容更加聚焦。”（访谈3）这一策略使用户能够在不同时空、不同身份中自由切换，从而避免因单一账号形成的茧房效应。
（二）平台与算法层面：数据管理与反馈功能使用
在智能传播环境中，用户利用平台设置和算法反馈机制，主动管理信息流，是调节算法推荐内容、拓展信息接触范围的技术性手段之一。
数据管理是用户修正算法记忆的方式。部分用户通过更改兴趣标签以调整推荐逻辑，Fu和Jiang提出这主要出于自我防御（避免负面信息、减少信息过载）或自我提升（提高信息质量与效率）两方面动机。受访者提到：“我会定期调整平台（小红书）的偏好设置，加一些现在感兴趣的话题，比如我在学滑板的时候，会把‘体育运动-滑板’加进去，也会删掉那些已经不关心的内容。”（访谈8）这种主动的标签更新管理，能打破推荐路径依赖，促使算法在个性化推荐中加入更多元的内容维度。此外，清理历史数据也是一种重塑推荐算法记忆的方式。另一位受访者分享道：“我偶尔清空浏览记录，发现推荐会变得更随机，这样我能看到以前没有注意到的东西。”（访谈6）用户通过清空浏览记录等操作，为算法记忆提供新的信号。
反馈机制是用户为推荐算法提供态度信号的方式。“不感兴趣”或“推荐给更多人”等按钮成为众多用户直接反馈对具体内容态度的重要工具。受访者提到：“我会对很多重复出现的帖子直接点‘不感兴趣’，希望算法以后就不再推荐这类东西了。”（访谈3）除了对单条内容的反馈，部分用户还通过关闭个性化推送等设置，干预平台对其兴趣的整体判断。受访者描述：“我有段时间关闭了个性化内容推送，会比以前推送的内容范围大一些。不过它依然会根据平台好友的一些推荐来向我推送内容。”（访谈6）这种策略表明用户试图摆脱平台对其兴趣偏好的预设框架，以增加接触非典型内容的可能性。
尽管这些策略在一定程度上展现了用户对信息流的控制，但用户与算法的互动关系仍具有明显的局限性。平台在算法优化过程中，往往优先服务于整体流量与用户黏性，而非完全遵从个体反馈。受访者提到：“即使我调整了兴趣标签或者点了不喜欢，算法有时还是会继续推荐类似的内容，感觉我的行为只对它有短期影响。”（访谈8）另有受访者提到，用户的单次搜索行为可能被算法过度放大，造成信息流的长期倾斜：“我有一次查了点和自己兴趣不太相关的内容，只是因为当下需要，结果之后好几天推送的全是这类内容，感觉很烦。”（访谈7）这表明，算法“隐性再控制”的影响始终存在。用户对平台算法干预功能的使用效果往往受制于算法设计的底层逻辑。
（三）外部环境层面：圈层拓展与资源利用
外部环境的多样性与开放性为信息茧房边界的扩展与收缩提供了弹性空间。管理外部环境层面的核心路径可归纳为圈层拓展和外部资源利用。
圈层拓展是用户构建信息交汇场域的方式。通过社交网络连接不同圈层的关系网络，弥补信息接触的盲点。受访者提到：“我加入了一个行业交流群，里面分享的文章经常让我了解到未曾关注的领域，而且都是优质信息。”（访谈3）社交场域跨圈层互动有助于用户跳脱算法设定兴趣推荐轨道，增强信息的多样性来源。此外，多平台视野拓展能够突破单一平台的局限性，“有时候我会特意去不同平台查看大家对某个事件的不同看法，因为平台间氛围不一样，以免带有某种倾向性。”（访谈1）跨平台的信息切换拓展了用户的视野，帮助其辨别潜在的偏见或议程设置，并从多元立场中形成更为全面的认知。
外部资源利用进一步反映用户对信息环境的控制力。平台版本切换是其中一个重要方式。受访者提到：“我选择用微博国际版，广告跟娱乐新闻少了，政治性新闻的比例也更高。”（访谈9）用户通过使用不同版本的社交平台，比如微博国际版或抖音精选版，规避了本地化算法带来的内容封闭。此外，部分用户有意保留与自身观点不一致的“噪音信息”。受访者分享道：“我不会把跟我观点或者价值观相反的信息屏蔽掉，这样平台的推荐会带点新鲜感，让我保留信息的多元化。”（访谈10）这反映了用户对推荐逻辑单一化及极化信息的警惕。用户在外部环境层面的管理策略既体现了对推荐算法局限性的意识，也展现了对智能推荐算法的深度适应能力。这种外部管理的实践效果依赖于用户的媒介素养与资源获取能力。
通过分析用户在个体行为、平台与算法以及外部环境三个层面的管理策略，揭示了用户信息茧房边界管理的多元路径。这一过程展现了在智能传播时代中个体与算法技术互动的主体性，然而，主体性的展现无法脱离算法的底层逻辑，多位受访者提到用户所掌握的是受限主动权，平台与个体交互中，算法仍然占主导地位。算法工程师在二次访谈中也进一步确认：“这种信息管理策略本质上是在利用推荐系统的运作逻辑，用户通过反向适应算法机制，对信息流进行调适。”（访谈6）用户的信息管理行为并非对算法逻辑的完全对抗，而是基于对推荐机制的民间理解在技术约束中找到平衡点，与算法形成一种协同博弈关系。信息茧房的“弹性化边界”不仅体现了用户在技术环境中的主体性，也揭示了算法在数据优化中的隐性再控制。
六、信息茧房弹性化边界的意义转向
本研究通过访谈社交媒体活跃用户，揭示了在智能传播环境中，个体信息茧房是如何形成、演化与被管理的。研究首先梳理了用户信息茧房边界的形成过程，将其划分为初期、中期、模糊边界和持续动态演化四个阶段，并提出“弹性化边界”概念，以描述信息茧房边界具有周期性的扩展与收缩的特性，是一种动态共生、不断调适的弹性场域。其次，研究发现，在智能传播环境下，用户行为、算法机制与外部环境的交互构成信息茧房动态变化的关键驱动力，这打破了传统视角对信息茧房的单向度理解。用户通过主动探索行为、反馈机制和外部资源的引入，调适了个体信息茧房的边界，部分实现多样化与个性化的弹性平衡。然而，这一动态调适受到算法逻辑的深层控制，算法通过收集和分析用户行为数据，预测和塑造用户的下一步行为，使得用户的选择空间被算法逻辑悄然收缩，呈现出“受限主动权”。这反映出在“监控资本主义”框架下，算法逻辑对用户行为的隐性塑造和深度影响。
智能传播时代，基于用户行为数据的个性化推荐算法确实在一定程度上导致了用户接触信息范围的收窄，即在一定程度上存在信息茧房效应。然而，在智能信息生态之中，信息茧房的边界并非传统观点中的“单向封闭系统”。本研究通过划分信息茧房的形成与动态演化阶段，明确了信息茧房边界因多方互动呈现出“弹性”变化。有趣的是，信息茧房的“弹性”变化并非是线性演进，而是包含了多次反馈、调适与平衡。李锦辉和颜晓鹏所述的“双向驯化”观点启发了这一过程，算法不再只是控制者，同时也是被用户行为所塑造的对象。本研究进一步扩展了这一视角，发现用户的适应性调整、推荐算法逻辑迭代与外部事件的推动共同形成了对信息茧房边界的持续弹性调适。这表明，弹性化边界是用户与算法在智能传播环境中博弈的结果，交织着控制与适应、限制与赋权的多层次协作过程。
调适信息茧房边界过程中，用户的主体性与算法的控制力之间始终处于一种复杂的张力状态。这种状态既非简单的抵抗，也非完全的顺从，而是通过“受限主动权”（Bounded Agency）与“算法的隐性控制”互动实现了动态平衡。用户的受限主动权展现在其对算法规则的部分适应与调整之中。正如蒋晓丽所述，用户通过再定义功能与反思性使用，实现了从“役于物”到“假于物”的主体性转变。这种调适行为使用户在算法逻辑框架下获得了有限的行动空间。然而，算法并非固定不变的规则集合，而是一种不断迭代的技术系统。“算法的隐性再控制”通过对用户行为的持续学习得以强化。正如王登洋所指出的，用户的算法抵抗策略虽能部分减弱控制，但并未完全摆脱技术的隐性束缚，主体性抵抗仍然受制于算法的底层逻辑设计。受限主动权展现与算法学习的动态过程形成了一个复杂的反馈回路。在这一回路中，用户的每一次尝试性干预都可能成为算法优化的素材，进而进一步限定用户的选择。
相比于传统研究将用户主体性定位为“算法控制的抵抗者（Algorithmic Resistance）”的“破茧”概念，本研究提出的“弹性化边界”则超越了“破与不破”这一简单二元逻辑。用户不再是算法的被动接受者，也不必然是激烈的反抗者，而是在算法预留的缓冲地带构建属于自己的“潜隐剧本”，通过那些非正式、非公开的民间操作构成用户实践的“计谋”，展现出弹性化调适信息茧房边界的状态。有效拓展信息接触范围的核心在于，在算法框架内进行灵活调整，实现对算法环境的有效利用，达成更优的信息环境。这一策略展现了用户与技术协商的深层机制：用户在受限主动权下重新分配信息流动的优先级，使算法逻辑中的约束成为促进自我信息需求满足的资源。与传统“破茧”的抵抗逻辑不同，“弹性化边界”强调用户与技术的共生性与适应性，提出了一种更加开放和动态的与算法进行协同共创的信息管理模式。这种协同共创既包含用户在受限条件下的主动权，也反映了算法通过调整规则对用户进行再控制的能力。
然而，研究仍存在若干不足之处。首先，本研究选取的11位受访者均具备一定信息素养，能够较清晰描述其与推荐算法的互动经验，有助于深入探讨信息边界调适的机制。但不同个体在理解、感知与表达上的差异性仍可能影响结论的外延性。其次，尽管研究强调了用户的主体性与行为的能动性，但对于算法技术层面的深度分析仍显不足，未能详尽解析平台内容权重分配机制变化等。再者，本研究主要聚焦于分析式人工智能平台下内容生产与推送对用户信息接触与信息茧房效应的形成与影响，而对逐渐兴起的生成式人工智能背景下的信息茧房效应演化尚有待观察。最后，政策变化等更丰富的外部环境变量对信息茧房形成的影响在本研究中尚未得到系统考察。
未来的研究可以在现有基础上，进一步扩展和深化对于智能时代下信息茧房形成机制的探讨，尤其是在理论模型和实际应用之间建立更紧密的联系。首先，可以通过构建量化模型，验证用户行为、算法逻辑与外部因素对信息茧房形成的影响机制。其次，政策环境等外部变量的引入，能够为研究提供更为全面的视角。最后，可以与技术开发者合作，在真实环境中进行小范围的A/B实验，通过修改各个影响变量，直接观察不同算法设计对用户行为和信息接触多样性的具体影响，验证理论模型的实际效用。
来源：再建巴别塔
