審計 TikTok 評論區的演算法個性化現象研究
arXiv - Computers and SocietyYueru Yan, Siqi Wu
本研究透過演算法審計發現，TikTok 的評論排序會根據用戶的政治傾向進行個性化調整，且此現象受影片互動數據影響。
AI 幫你先抓重點
AI 重點 1
演算法個性化不僅影響「看什麼影片」，更會影響「看什麼評論」。
滑鼠懸停看 AI 判斷理由
過去研究多聚焦於推薦內容（影片）的過濾泡泡，但本研究揭示了社交互動層面（評論排序）也存在資訊繭房風險，這對於理解數位公民的認知偏差至關重要。
AI 重點 2
評論排序的個性化具有高度的情境依賴性（Context-dependent）。
滑鼠懸停看 AI 判斷理由
這意味著演算法並非無差別地對所有內容進行政治極化，而是受影片本身的互動特性影響，這提醒研究者在評估演算法影響時，必須考慮內容本身的屬性。
核心研究發現
- 1
研究成功訓練出具備左翼或右翼政治傾向的傀儡帳號，並驗證其推薦內容與預期傾向一致。
- 2
不同政治立場帳號看到的評論排序差異，在某些影片中顯著高於同一政治群體內的帳號差異。
- 3
評論排序的差異性與影片層級的指標高度相關，包括評論總量、參與度不平等程度及評論區的黨派偏向。
- 4
初步案例研究顯示，個性化演算法可能導致用戶接觸到的評論內容與其政治傾向保持一致，但此現象具備情境依賴性。
對教育工作者的啟發
對於教育工作者而言，這項研究強調了在數位素養（Digital Literacy）教學中，應將重點從「內容推薦」擴展到「互動環境」的批判性思考。建議在課程設計中加入「演算法透明度」的討論，引導學生理解社交媒體不僅會決定他們看什麼，還會透過評論排序形塑他們對議題的認知。教育者可以設計探討實驗，讓學生觀察不同帳號在相同議題下的評論差異，藉此培養學生辨識資訊繭房與數位偏誤的能力，從而提升其批判性媒體素養。
原始文獻資訊
- 英文標題：
- Auditing Algorithmic Personalization in TikTok Comment Sections
- 作者：
- Yueru Yan, Siqi Wu
- 來源：
- arXiv - Computers and Society
- AI 摘要模型：
- /models/gemma-4-26B-A4B-it
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。