“针对算法带来的社会影响，我不赞成泛泛而谈所谓的正面影响、负面影响来进行价值评判。”在近日一场由复旦大学新闻学院、复旦大学全球传播全媒体研究院举办的“智能传播与算法推荐”线上研讨会上，复旦大学新闻学院传播与数据科学实验室主任、教授孙少晶这样说。

在他看来，算法推荐在传统媒介时代也有表现，只不过它的表现形式更加初级，只是局部实现了自动化或者智能化。比如电视时代基于用户的收视习惯数据和节目竞争市场数据来进行分众化的节目投放和改进，这在某种意义上就体现出算法推荐的雏形，只不过算法在那个时代还没有发挥现在的强势和广泛影响。

至于算法推荐带来的社会影响，有短期、长期之分，也有显性、隐性的区别。人们如何更科学地去理解算法推荐可能给用户带来的影响？孙少晶认为这需要更加多样的经验性数据来支持验证。

“现在对算法影响的考察，更多是停留在调查数据或者行为数据，而真正的算法推荐如何影响人们深层次的心理、生理、认知等，这一块的数据是需要我们去积累的，对其深入的理解需要研究方法和研究设计的创新，从而突破在感性层面上评价算法。”孙少晶说。

他提到，用户对算法推荐信息的消费，既具有习惯性重复性的消费，也具有冲动性生成性的消费。问题是短期冲动性的信息消费（比如由信息的感官冲击力带来的吸引性）有可能转化为习惯性的信息消费，虽然这种发生概率和模式因人而异。用户之间既具有信息需求方面的群体共性（比如对新信息的渴求），又具有信息消费和处理方面的个体异质性。研究需要同时考察用户群体共性和个体差异性，并挖掘共性与差异性之间的互动转化，才能更好揭示平台算法推荐的深层次影响。

从传播学的角度来看，孙少晶提出：算法推荐的流行在某种意义上预示着一种传播范式的革命性改变。在传统的传播学时代，传者、媒介、受众之间界限清晰，呈现多环节的链条；而算法推荐带来的传播形式从根本上来讲，意味着传者和媒介渠道之间的界限模糊甚至融为一体。传播过程中，算法既是媒介又是传者，在某种意义上还是受众（接受用户的反馈信息进一步调试自己）。这些传播变化挑战传播学传统意义上对媒介、信息、传者等核心概念的界定与理解。

此外，孙少晶认为，如何看待算法和用户的互动关系也尤为重要。一方面算法利用用户数据不断优化，另一方面用户也可以利用算法来不断满足自己的需求，但双方在彼此的互动影响方面并不一定对等。因此从用户角度来讲，如何能够在使用过程当中不断去反思算法可能对其带来的影响非常关键，需要提升其自身的媒介素养和信息素养。

他提到，很多的算法推荐，尤其是在新闻领域，在社会信息领域，社会数据具备显性和隐性的双重特征。对于数据的显性特征，较容易进行标签归类，把它融入到算法里；但是大量的信息隐性特征，抽象性高但是内涵意义丰富，这对算法实现提出更高的要求。

“算法跟数据之间的关系，如何能更好挖掘其中深层次社会属性的信息，把数据与文化和社会语境进行勾连，这是最大的挑战。” 孙少晶提到，这种挑战需要不同专业领域的专家学者一起，通过跨学科的合作来突破。