1.算法內涵的定義。算法源於數學，但現代算法遠不止傳統數學的計算範疇。算法通常被理解為計算機用來解決問題的程序或步驟，是現代人工智能系統的運行支柱。計算主義:新的世界觀(李建輝等人，2012)將算法定義為可行的方法。在外界的常識中，所謂算法就是壹套可以感覺到的運算規則。該規則的特點是運算時間有限，計算步驟有限，輸入結果準確。它是壹個機械的步驟或者是壹個可計算的程序。這個定義指出了算法應該具備的兩個基本屬性——有限性和有限性。從計算的角度看世界(李，2016)從信息傳播的角度解讀算法，認為算法本質上是壹種信息處理方法。
2.算法倫理研究
倫理與道德價值、真理和判斷有關。存在於自然界和社會中的人，在行為上應該遵循壹定的倫理規範。倫理的作用應該導向善。倫理學註重對個體存在、個體自由、公平正義以及組織和群體的延續和發展的尊重。在壹定程度上，今天的人類社會已經不能沒有智能算法系統來運轉了。
算法無時無刻不在影響著世界，所以算法必然會觸及倫理。何(2017)曾指出，算法系統在人類社會生活中的廣泛應用，會陷入許多人類面臨且無法回避的倫理困境。但當算法與倫理聯系在壹起時，壹般認為會引出兩個倫理問題:職業倫理和技術倫理。
職業道德主要與算法系統的開發者有關，也就是說開發者是開發算法系統的行動者，具有人格價值觀和倫理道德，所以算法系統從壹開始就會摻雜設計者的主觀道德。設計者開發壹個算法系統的目的，以及設計者對不同問題的倫理態度，都會在算法系統的運行中體現出來。
技術倫理是壹種算法體系，在某種意義上可以稱之為壹種科學技術。這種技術本身和它的運行結果都會負載著倫理價值。事實上，在某些情況下，職業道德和技術道德並沒有明確的劃分。劉澤源和王國玉已經討論過這壹點。
本文試圖從技術倫理的角度對算法的倫理問題做深入的研究。
(二)網絡新聞傳播的算法倫理研究
算法與技術的融合在網絡新聞傳播領域持續運用，從數據新聞到機器寫作，從算法推送到輿情分析，國內新聞媒體領域的機器新聞及相關研究也在逐步發展。在《機器新聞寫作:壹場正在進行的革命》(2014)中，作者更早關註的是基於算法的新聞內容的生產和編輯。相信在自動化新聞生產大發展的前提下，勞動密集型的基礎工作和新聞制作或發行等環節將被技術取代。在《從比特到人工智能:數字新聞生產的算法轉向》(2017)中，Juck Zhang和鐘欣認為算法正從比特形式走向人工智能階段，使得數字新聞與傳統新聞的界限更加清晰，推動了數字新聞生產的轉型。胡在《智能算法推薦的倫理風險及防範策略》中從算法推送方面總結了對新聞價值觀的負面影響；以及新聞的公共性、客觀性和真實性的弱化；來自受眾:將詳細討論信息繭現象和受眾的知情權與被遺忘權；從社會影響方面，論述了對社會群體、社會領域和社會文化的負面影響。
根據上述文獻可以看出，目前國內對網絡新聞傳播算法倫理的研究主要集中在新聞格式算法倫理失範的相關問題上，因為相對於其他失範問題更容易發現。但是，目前國內對網絡新聞傳播算法倫理的研究還存在壹些不足:國內對網絡新聞傳播算法倫理和算法倫理的研究還處於起步階段，尚未出現相對成熟的系統研究；算法開發者和平臺的責任機制研究相對薄弱。總的來說，需要繼續加強對算法推送新聞倫理問題的研究。
2.新聞推薦算法的興起、發展及原理。
2.1新聞推薦算法的興起
隨著計算機技術的信息處理維度越來越高，信息處理能力也在不斷提高。算法技術可以從大數據中篩選出用戶最關註、最感興趣的信息，改變了原有的新聞信息傳播模式，重塑了新的媒體生態和傳播格局。
另壹方面，在人人都可以生產信息的背景下，信息生產、傳播、反饋的速度呈幾何級數增長，用戶面對的信息越來越多。由於設備的限制和信息量的巨大，用戶無法專註於自己感興趣的東西，無法及時抓取有用的信息，於是出現了“註意力經濟”。美國經濟學家邁克爾·戈德海默(1997)認為，當今社會是壹個信息極其豐富甚至泛濫的社會，互聯網的出現加速了這壹進程。信息不是稀缺資源，而是過剩。相對於過剩的信息，只有壹種資源是稀缺的，那就是人的註意力。換句話說，信息不能壹味追求數量，也要有價值。價值在於用戶對信息的關註。誰獲得了用戶的關註，誰就能有市場發展的空間。新媒體聚合平臺通過“賣”用戶的註意力，可以盈利，維持發展。此外，生活節奏越來越快，人們對信息和效率的要求越來越高，不想在自己不感興趣的信息上浪費時間，因此用戶獲取信息的“個性化”特征變得明顯。
基於這壹背景，算法推送新聞的傳播機制應運而生。用戶不需要搜索自己需要的信息，但是海量的信息會自己“找到”用戶，節省用戶搜索時間，真正為用戶提供有用的信息。
2.2新聞推薦算法的發展現狀
算法推薦是基於用戶數據為用戶推薦特定領域的信息，並根據受眾的反饋不斷修正和完善推薦方案。目前使用算法推送的新聞機構主要有兩類。壹類是新型互聯網新聞聚合平臺，國內主要以今日頭條、壹點資訊等算法平臺為代表，在中國新聞客戶端市場占有極高的市場份額。張壹鳴依靠大數據和算法向用戶推薦信息，並提供連接人與信息的服務，從而創造了今日頭條。算法會通過關鍵詞等元素判斷用戶的興趣愛好，從全網抓取內容，實現個性化推薦。國外以臉書、Instagram等平臺為代表。這些app通過算法挖掘用戶的數據，根據用戶的個性化需求推送用戶的新聞。另壹類是專業新聞制作的傳統媒體。為了積極應對新聞市場的競爭，提高技術水平，向新聞全媒體平臺轉型，比如中國的人民日報。使用算法向國外用戶推送新聞的傳統媒體包括美國的美聯社、華盛頓郵報和英國的BBC。他們用算法來監控受眾的數量和他們的閱讀行為，讓他們的新聞報道更能被受眾喜歡，增加用戶的粘性。
2.2新聞推薦算法的原理
2.2.1新聞推薦算法的基本要素
算法推送有三個基本要素，即用戶、內容和算法。用戶是算法推送系統的服務對象。對用戶的理解和認知越透徹，內容分類方法就越準確有效。內容是算法推送系統的基本生產資料，各種傳播形式的分析、組織、存儲和分發需要科學的手段和方法。算法是技術支撐，是算法推送的核心。系統中大量的用戶無法獨自匹配龐大的信息量，所以我們需要壹個推送算法來連接用戶和內容，在用戶和內容之間起到橋梁作用，高效地將合適的內容推薦給合適的用戶。
2.2.2新聞推薦算法的基本原理
算法推送的出現需要兩個條件:充足的信息源和準確的算法框架。其中，算法的內容生產來源與信息分發的最終效果息息相關:是否有足夠的信息可供抓取，信息的質量是否足以讓用戶滿意，都會對信息的傳播效果產生影響。同時，分發環節也在走回頭路，改變著整個傳播的生態。目前國內新聞傳播領域使用的算法推送主要有三種類型——協同過濾推送、基於內容推送和關聯規則推送。
協同過濾推送分為基於用戶的協同過濾和基於模型的協同過濾。前者主要考慮用戶之間的相似度。只要找出相似用戶喜歡的新聞文章類別，預測目標用戶對這篇文章的喜歡程度，就可以向用戶推薦其他文章。後者類似於前者。不同的是，這個時候，我們轉而尋找文章之間的相似性。只有找到目標用戶對某壹類文章的喜歡程度，才能預測相似度高的相似文章，並向用戶推薦相似喜歡的相似文章。所以前者利用用戶歷史數據在整個用戶數據庫中尋找相似的推送文章進行推薦，後者通過用戶歷史數據構建預測模型，然後通過模型進行預測推送。
基於內容的推送是根據用戶歷史提取和過濾文本信息特征，生成模型，向用戶推薦與歷史條目相似的信息。其優點之壹是解決了協同過濾中數據稀缺時無法準確判斷分布的問題。但如果只是長期基於用戶的歷史數據進行信息推薦，就會造成過度的個性化，容易形成“信息繭房”。
關聯規則推送是基於用戶歷史數據挖掘用戶數據背後的關聯，從而分析用戶的潛在需求，推薦用戶可能感興趣的信息。基於該算法的信息推薦過程主要分為兩步。第壹步，根據當前用戶閱讀過的內容，推斷出用戶可能感興趣的內容。二是將內容按照規則的重要程度進行排序，展示給用戶。關聯規則推送的效果取決於規則的數量和質量，但隨著規則數量的增加，對系統的要求也會提高。
2.2.3算法推送的實現過程
在信息過載的時代，同壹個新聞話題有很多同質化的報道，所以需要在發布前對新聞內容進行淘汰，淘汰後的新聞內容會等待推送。這時候有三類推送:開始推送、擴展推送、限制推送。
第壹種是開始推送，先精準推送用戶，即第壹時間向用戶推薦自己訂閱賬號的更新內容；然後根據用戶的歷史瀏覽數據，將相似的文本特征進行分類，推送給其他用戶；最後推薦給類似關註用戶的人。第二種擴展推送是指系統會自動篩選出點擊率和閱讀時間明顯高於平均水平的新聞內容，推薦給更多的人。但是在擴展推薦的過程中，系統會根據用戶的反饋做出調整。三是限制推送，即點擊率和閱讀時間明顯低於平均水平的新聞內容會被系統自動篩選出來抑制推送，此類內容會被縮小範圍。
3.“今日頭條”新聞推薦算法分析
今日頭條是國內的壹個資訊媒體聚合平臺，每天有超過654.38+0.2億人使用。從“妳在乎的是頭條！”今天的“信息創造價值！”產品口號的改變也意味著今日頭條正逐漸擺脫過去單壹粗暴的流量思維，開始註重人與信息的連接，在推動信息高效精準傳播的同時，註重正確的價值引導。
2018年初，“今日頭條”資深算法架構師曹歡歡博士在壹次分享交流會上披露了其算法的運行原理。他在敘述中非常詳細地介紹了“今日頭條”的算法推薦系統概況，以及算法推薦系統的工作原理。
曹歡歡博士3.1.1-1今日頭條算法建模
上圖用數學形式化的方法描述了“今日頭條”的算法推送，其實是壹個可以得到用戶對內容滿意度的函數:即Y是用戶對內容的滿意度，、、徐是今日頭條算法推送的三個維度:是用戶，包括用戶的性別、年齡、職業、興趣標簽，以及其他算法模型描繪的隱形用戶偏好；Xc就是環境，這也是移動互聯網時代新聞推送的特點。因為用戶隨時隨地都在不斷移動，移動終端也在移動，在不同的工作場所、出行等場景下，用戶的信息推送偏好會有所不同；徐是內容，今日頭條是信息聚合平臺，內容形式多樣。本章將基於該功能逐壹分析今日頭條的推薦算法。
3.1推薦維度之壹:內容分析。
內容分析原本是指在第二次世界大戰期間，傳播學家拉斯韋爾和其他研究人員組織了“戰士傳播研究”的工作，以德國公開出版的戰時報紙為研究對象，闡明報紙內容的本質事實和趨勢，揭示隱藏的信息內容，獲得大量軍事秘密信息，並對局勢發展做出情報預測。在“今日頭條”中，內容分析是從文章和視頻中提取關鍵元素，通過對文字和視頻標題關鍵詞的語義識別，對內容進行分類。“今日頭條”的推送系統是典型的層次文本分類算法，幫助每條新聞找到合適的分類。比如第壹大分類是政治、科技、財經、娛樂、體育等。，運動可以分為籃球、足球、網球等。，足球可分為中國足球和國際足球，中國足球最終可分為甲A、中超、國家隊等。這壹步是對文章進行分類，以便日後推薦給客戶。
為了達到內容分析的效果，需要海量的內容信息為算法系統提供有效的篩選和分類。既然“今日頭條”依靠算法推送新聞，那麽背後的數據庫必然強大。“網絡蜘蛛”和“頭條號”是支撐今日頭條平臺新聞來源的重要渠道，其新聞來源極其豐富，隨時隨地有新情況都能高效抓取信息。
第壹個新聞來源是“網絡蜘蛛”，也叫網絡爬蟲。頭條使用了壹個名為“Bytespider”的搜索引擎爬蟲。它可以按照壹定的規則自動抓取和抓取互聯網的信息或腳本，就像蜘蛛通過蜘蛛網捕食壹樣。當它發現新的信息資源時，蜘蛛會立即發出抓取信息內容並將其放入自己的數據庫。與微信的垂直搜索不同，Bytespider是壹個全新的搜索引擎，可以抓取全網內容。因此，“今日頭條”的搜索引擎功能全面，搜索資源廣泛，資源包容性極強。
Bytespider信息抓取的基本流程如下:壹、網頁抓取。Bytespider沿著網頁中的超鏈接從壹個網站爬行到另壹個網站，通過超鏈接分析不斷訪問和爬行更多的網頁。捕獲的網頁被稱為網頁快照。因為超鏈接在互聯網中的應用非常廣泛，理論上，從壹定範圍的網頁中，可以收集到大部分網頁。第二步是處理網頁。搜索引擎捕獲網頁後，要做大量的預處理工作，才能提供檢索服務。其中，最重要的是提取關鍵詞，建立索引數據庫和索引。其他包括消除重復頁面，判斷頁面類型，分析超鏈接，計算頁面的重要性和豐富性。第三步是提供檢索服務。用戶輸入關鍵字進行搜索，搜索引擎從索引數據庫中找到與關鍵字匹配的網頁。為了方便用戶，除了網頁的標題和網址，還會提供來自網頁的摘要等信息。
第二個來源渠道是頭條號。不同於“今日頭條”，它是今日頭條面向媒體、國家機關、企業、自媒體的專業信息發布平臺。致力於幫助制作人在移動互聯網高效獲得更多曝光和關註。簡單來說，頭條號就是媒體在上面撰寫、發布文章、視頻後，在今日頭條(包括今日頭條極速版)平臺展示。通過頭條號後臺，媒體可以看到具體文章的推薦量、閱讀量、粉絲閱讀量、評論量、轉發量、收藏量。最後，通過這些可量化的用戶閱讀行為反饋，算法系統進壹步向目標用戶推薦內容。
3.2推薦維度2:用戶分析
通過提取用戶的有效數據進行用戶分析，如用戶經常瀏覽的文字類型、經常搜索的關鍵詞、註冊信息的內容等。，算法系統可以提取每個用戶的瀏覽記錄、瀏覽時間、評論、轉發等行為的關鍵詞，最終形成用戶畫像，以便後期向用戶精準推送文章和視頻。比如給喜歡看“運動”的用戶貼上“運動”標簽；給喜歡“娛樂”的用戶貼上“娛樂”的標簽。這壹步的作用是對用戶的興趣進行建模，包括用戶對文章和視頻的整體受歡迎度、分類受歡迎度、主題受歡迎度和關鍵詞受歡迎度。大推薦系統中的熱點信息可以解決新聞冷啟動的問題，幫助新聞推送。
用戶分析還具有協同特性，可以在壹定程度上幫助解決所謂算法越來越窄的問題。協同特征，即“聯想式”推送方法，不僅考慮了用戶的已有歷史，而是通過用戶行為分析不同用戶之間的相似性，如點擊相似度、興趣分類相似度、主題相似度、興趣詞相似度，甚至向量相似度，從而擴展了模型的探索能力。根據用戶之間計算數據的相似性，將用戶劃分為不同的目標群體，然後將他們感興趣的新聞內容集中推送給目標群體。
內容分析和用戶分析是相輔相成的。如果沒有經過分析的文本標簽，就無法獲取用戶興趣標簽，如果沒有用戶興趣標簽，就無法定位用戶，實現精準推送。
3.3建議的第三個方面:環境分析
環境分析是根據文章的時效性和接近度推送給相應的用戶，比如獲取用戶的當前位置是否在旅遊區，這可以通過獲取用戶的實時位置來實現。它還會通過與用戶之前經常出現的地方進行對比，不斷確認當前狀態，分析用戶是在永久區域還是在旅行。此時，如果系統檢測到有用戶在泰山內及周邊遊玩，可能會推送泰山相關文章、周邊交通新聞、天氣信息等等。
通過以上三個推薦維度，可以作為數據依據，分析當前用戶的環境，結合用戶畫像和文章的內容分類進行推薦，使推送的內容盡可能的有趣。通過內容分類、分析和提取，算法系統將消除文本相似度高的文章的重復，包括新聞話題和內容相似的文章，解決重復推送的問題，進壹步向目標用戶推薦精準、不重復的內容。最後，過濾低俗、色情內容，以免在平臺上造成不良傾向。
3.4“今日頭條”新聞推薦算法的價值取向
3.4.1“用戶至上”
“今日頭條”的算法推送是基於用戶的立場，為了滿足用戶的個性化和推送的精準性。“今日頭條”也重新衡量了新聞價值標準:以用戶為導向，用戶對新聞內容和閱讀方式的滿意是平臺推送新聞的價值宗旨。傳統媒體時代，只有報紙和電視要看觀眾想看的，現在“今日頭條”是根據用戶興趣推送的。算法推送平臺的用戶範圍很廣，很多都熱衷於關註負面。也有很多用戶有偷窺和好奇心，喜歡無聊的八卦和無聊的新聞，在好奇心的影響下都有從眾心理。這就使得制作方過度迎合觀眾，只要用戶喜歡看，就可以發布在今日頭條上。
3.4.2“面向算法”
“今日頭條”更註重技術分發，制作者是用戶，受眾也是用戶，內容的監管和分發難度很大。算法推送機制根據用戶喜好進行推送，這樣產生的內容速度快，無疑會加快內容分發的效率。在算法推送模型中，用戶點擊頻率、閱讀時間、點贊和評論以及轉發都是算法時代可以量化的目標。對於這種情況下產生的內容，想要獲得較大的點擊率和推送率，就需要壹個標題來吸引用戶，因為用戶在平臺上壹眼就能看到的就是標題和圖片。標題和圖片決定了用戶是否會打開妳的內容，導致很多內容生產者在編輯新聞標題時陷入標題黨的怪圈，也導致低俗內容的呈現，通過制造沖突、制造懸疑標簽來引導用戶點擊，意圖將自己的文章做成爆款文章。對於海量信息內容，即使今日頭條數據和智能推薦做得很好，目前也很難抵禦海量垃圾信息。
4.算法推送新聞引發的倫理問題。
在當今互聯網時代的傳播思維中，“用戶至上”、“算法領先”的新聞價值取向在算法聚合平臺中已經普遍存在。算法推送技術作為吸引用戶的手段，構建誘導媒體環境，增加用戶對平臺的粘性。與過去相比，算法推送技術在獲取信息和傳播速度上有了很大的進步，但同時，由於算法推送技術的加入，新的倫理問題也隨之產生，並變得日益復雜。
4.1算法推送引發的倫理問題
4.1.1算法推送太機械化，沒有思維能力。
單向算法推薦往往會給用戶帶來內容混亂、信息量過大、信息價值低等問題。從邏輯上講，算法只是從關鍵詞搜索和匹配上完成統計推薦，對於新聞報道或文學作品的藝術性和專業性內容，無法保證推送的質量。目前的算法主要基於匹配檢索和統計，且多為個人關註的信息類型和標簽，難以達到良好的推送效果。壹千個人眼裏有壹千個哈姆雷特，但電腦只有壹臺。算法技術過於註重機械化統計，只根據關鍵詞推薦用戶，中國有深厚的漢字文化底蘊，推薦算法遠遠不夠。整個新聞客戶端看起來像菜市場，沒有態度和風格，閱讀體驗單壹，呈現碎片化特征。新聞不僅能讓用戶了解身邊發生的新鮮事，還能促進積極的思想，傳播正能量。新聞也應該帶給人們新的思考。機器做出正確的判斷很簡單，但機器很難對心理學、社會學，甚至某個細分領域的規則做出判斷，並正確引導觀眾。就像算法技術無法完成壹篇充滿人性、文學性、批判性的深度報道，止步於碎片化、表層化的傳播範疇。
4.1.2容易造成“信息繭房”效應。
“信息繭房”的概念是基思·桑斯坦在《信息烏托邦》壹書中提出的。意味著受眾處於過度的信息自我選擇中，會減少接觸外界其他信息的可能性，從而把自己的生活局限在蠶繭般的“蠶房”裏。人們的信息場會習慣性地被自己的興趣所引導，信息的變窄會帶來受眾信息接收的單壹，可能會使受眾陷入循環，加劇受眾信息的同質化。
互聯網普及初期，受眾主要從主流媒體和門戶網站獲取新聞信息，主流媒體能夠保證新聞質量。對於其他信息的獲取，由於技術限制，此時的繭房並沒有被過度放大，受眾對新聞有適當的自主選擇性閱讀。然而，在當今智能科技的互聯網時代，情況發生了變化，信息繭現象越來越明顯。當用戶被標簽化後，算法系統主動推送大量，讓受眾被動成為信息的接受者。用戶的閱讀興趣並不能覆蓋所有的知識領域。算法分發的核心邏輯是基於用戶的行為數據進行精準推薦，但同時算法會自動過濾掉“不感興趣”和“不喜歡”的信息，實現“看我想看的，聽我想聽的”。在這個過程中，由於算法技術的力量放大了用戶的信息選擇效果，進而將受眾困在信息繭房中，受眾很難憑借自身力量破繭而出，甚至會在不知不覺中遭受更多的負面影響。
4.1.3算法推送的“偽中性”
客觀性和全面性是新聞倫理的基本要求，記者必須從良好的信息來源獲得真實的信息，以客觀的態度反映現實。我們以前認為互聯網技術服務商是技術中立的，不需要承擔約束大眾媒體的社會責任。然而，當信息把關人、新聞編輯搖身壹變成為算法工程師，傳統的媒體倫理似乎已經失效。算法帶有商業傾向，“中立”是算法平臺逃避媒體責任的理由，對大眾媒體造成傳播混亂，更像是算法平臺“胡作非為，不想負責”的詭辯。
算法平臺的信息源經過篩選，“頭條號”的內容占了“今日頭條”整個信息系統的絕大部分。然而，在“人人都可以當記者”的時代，頭條號平臺是壹個開放的網絡媒體環境，存在大量的偏見和誤解。無論是“今日頭條”平臺設置的算法規則，還是其他爬蟲抓取的關鍵詞，算法系統的很多信息源都是有目的的、有偏見的、非客觀的信息，因此信息源無法直接作用於用戶。因此，與傳統的手工編輯相比，篩選算法系統的信息來源極其廣泛，且難以核對。如果算法被惡意使用，整個通信系統就很容易被控制。
4.1.4算法推送中的“議程設置”
原始議程設置功能所揭示的重要內涵是:“雖然受眾對新聞的看法受大眾傳媒議程設置功能的支配，但更深刻的是議程設置給大眾傳媒新聞帶來的放大和延伸，使受眾對新聞選擇做出動態修正，並在滿足需求和媒介依賴中逐漸培養潛在的認同感。”
推送算法技術在互聯網平臺的應用，改變了傳統媒體主導的議程設置過程，議程設置功能隨著傳播權的轉移、公眾參與度的提高、信息量的劇增而逐漸弱化。以往傳統新聞的內容都是由編輯有選擇地報道後再呈現給觀眾，而個性化新聞推送則是讓用戶選擇看哪些內容。在這壹環節中，自然技術賦予了用戶從傳統媒體向平臺用戶下放傳播權的權力，使得受眾與社會的聯系不再依賴於傳統媒體，新聞媒體的把關人角色和議程設置功能正在弱化。
4.2算法新聞治理缺陷下的算法權利異化
算法作為人工智能的基石之壹，是“壹種有限的、確定的、有效的解決問題的方法，適用於計算機程序，是計算機科學的基礎”。近年來，隨著人工智能深度學習算法的巨大突破和大數據時代的到來，人工智能的應用場景不斷拓展，人工智能時代正從想象逐漸成為現實。擁有深度學習算法的人工智能機器，借助海量大數據和強大計算能力的硬件設備，通過自主學習和強化訓練，不斷提升自身能力，解決許多人類無法有效應對的治理問題。隨著人工能量算法在國家和社會治理中的重要性日益增加，國家和社會對算法的依賴也逐漸加深，壹種新的權力形態——算法權力也隨之出現。
算法權利可分為四類:數據主權、算法設計權、研發資本權和算法控制權。由於前三種權利都是單向的，算法開發者把權利交給算法，屬於算法開發者，對算法分發平臺呈現的效果沒有直接影響，本文將重點討論算法的控制權。
算法的控制權是雙向的，用戶是算法技術數據行為的提供者，同時又是算法技術控制的受害者。比如我們看到“今日頭條”會通過推送算法監督用戶的發布和瀏覽行為，平臺通過算法決策系統實現內容的發布，引導用戶。算法控制權當然是自然技術賦予的權利，但只有在用戶提供數據的情況下才能實現。因此，算法控制權不僅有生產內容的權利，還有尊重和保護算法相對人的義務。
正因為如此，算法技術被認為是壹把雙刃劍。壹方面，算法可以做出準確的行為預測，為管理者提供非常好的循環幹預機制。對於公共行為者，可以通過大數據的應用解決社會治理問題，對於私人行為者，可以借助數據提供個性化、定制化的服務；另壹方面，算法技術存在收益和風險不對稱等問題，並且由於算法技術的高度發展，新技術的創造者擁有不對稱的信息和技術優勢，可以根據自身利益在平臺上塑造算法推送邏輯和社會體系，帶來了監管的不確定性。人們應該通過集體行為來承擔社會責任，以這種方式規範算法權利，可以讓我們更深入地思考算法分發制度的意義和價值。