推薦的自我：真實性與演算法過濾的關係
arXiv - Computers and SocietyEtienne Brown
本文探討推薦演算法如何透過影響使用者的注意力，進而對其「真實自我」的建構產生正負兩面的影響。
AI 幫你先抓重點
AI 重點 1
演算法對「真實性」的雙面刃效應
滑鼠懸停看 AI 判斷理由
這改變了我們對演算法僅是「工具」的認知。它不僅是內容分發器，更是一種形塑主體性的力量，這對於理解數位時代下學習者的自我認同發展至關重要。
AI 重點 2
從行為訊號轉向可解釋性設計的需求
滑鼠懸停看 AI 判斷理由
這點強調了技術設計的倫理責任。若要支持自主學習與自我成長，技術不應只是被動追蹤行為，而應提供透明的機制讓使用者能主動調整其數位環境。
核心研究發現
- 1
演算法過濾不僅影響使用者的行為，更會影響使用者的身份認同，挑戰其展現真實自我的能力。
- 2
推薦系統可能挫敗使用者的「二階慾望」，因為演算法往往僅依賴缺乏資訊量的行為訊號進行預測。
- 3
演算法亦能促進自我理解，透過呈現特定內容激發使用者對自身身份認同的質疑與思考。
- 4
開發具備可控性與可解釋性的推薦系統，是讓使用者能維持真實性的關鍵路徑。
對教育工作者的啟發
教育科技設計者在開發學習推薦系統時，不應僅追求「精準度」或「參與度」，應將「可解釋性」與「使用者控制權」納入核心指標。例如，設計能讓學生理解「為何推薦此內容」的介面，並允許學生調整推薦參數，這能將演算法從單向的行為操縱轉化為促進自我反思（Metacognition）與自主學習（SRL）的工具，幫助學習者在數位環境中更清晰地定義自己的學習目標與身份。
原始文獻資訊
- 英文標題：
- Recommended Selves: Authenticity and Algorithmic Filtering
- 作者：
- Etienne Brown
- 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。