不久前才和同事提到，社交媒体的按赞功能，以及以表情语（emoticon）或表情符号（emoji）来表达不同情绪的功能（如伤心、生气等），其实是在助推（nudge）用户以快捷的虚拟情绪宣泄，来替代留言。以往在部落格时代，我们没有这些表达第一时间直观感受的功能，所以即使再亢奋，也会乖乖的先爬帖，看完原文还有既有留言，才通过文字来表达认同、反对或申论看法。
现在，这些速食表情符号和表情包让充满惰性的我们，贪方便的掠过书写，直接诉诸情绪的表态。这造就了面子书上拼人气、互相取暖、不顺眼就block和unfriend的不交流、不讲理世代。
封锁于同类资讯围墙
从诺贝尔经济奖得主丹尼尔卡纳曼（Daniel Kahneman）的行为经济学中的助推理论（Nudge Theory），我遂联想到社交媒体的按赞等功能，也是造成资讯受众群思维和行为改变的缘由。
社交媒体机器学习演算法（Machine Learning Algorithm）可怕的地方在于，你所按赞或表达情绪的每一个帖，至少都有一个标贴（label/tag）来归纳你的属性。不管你的帖子或留言多有见地、哲理和深度，你只会被一个或多个你喜好和反感的帖、图像或视频标签来定义你。
这些人工智能演算法的模式匹配程式（pattern matching），最后会把你放在不同信息流（news feed）的结论数组。每一个结论数组的信息流会供给你预先认定你会喜欢看的帖，把你锁死在演算法（algorithm）赋予的资讯围墙中。与你同属同一个信息流组的朋友们会接触同样的帖子，你们会在这些帖子中相互取暖、确认彼此的观点、偏好和偏见。
机器学习演算法会把一个人和与其观点和趣味有别的网友区隔开来，因此他们很少会在同样的信息流页面中碰头，也鲜少有交流不同意见的机会。
默认值设定
美国知名媒体人艾兹拉克莱恩（Ezra Klein）以及钻研科技社会学的北卡罗来纳大学副教授泽伊内普图费克奇（Zeynep Tufekci），在去年8月的一次播客（podcast）对谈中畅谈社交媒体对阅听人的影响。他们不约而同的指出，在资讯爆炸的年代，媒体和商品无时无刻在抢占群众的注意力。
为了获取群众的点击率，社交媒体会建议一些用户可能感兴趣的视频或主题。而用户的每一次点阅，都是在印证社交媒体对个体喜好的揣摩。当系统拥有了充裕的数据来捕抓每个用户的好恶后，它会主动建议我们接触更激进、更深沉的同好观点，而大部分人也乐于遵循或至少见识系统的提议。至此，我们不再是资讯系统内容的主导者，反而牢牢的被社交媒体掌握我们的资讯视野。
播客对谈也提到了社交媒体默认值设定（default setting）的助推作用。因为人都习惯于直接选用被赋予的既有选项，默认设定所呈现的内容其实是在变相隐藏或剥夺我们没看到的选项。由于大部分用户极少会主动更改系统的默认设定，社交媒体的默认值设定，一早就预定了我们所接收的资讯，和阅听资讯后随之而来的行为。
广大阅听人的视野和喜恶，被个性化演算程序扭曲和偏狭化的怪象，是近年来才发生的事。较早以前，传统的资讯传递系统，内容同时涵盖了我们喜好，以及主观上觉得排斥、不舒服的信息；然而惊喜往往发生在我们接触了原本不想亲近的事物后，发现了我们喜欢的东西、领略新的观点。
偏狭化口味
反之，实行背驮式反馈演算法（piggyback feedback algorithm）的社交媒体信息流，却不会给我们带来这种陌生相遇的惊艳。因为系统只会以我们过往的阅听记录来判断我们的好恶，然后不断的优化个性化演算法的运算准确度，重复提供日益符合我们偏狭口味的资讯内容。
也许，牛津大学哲学家尼克博斯特罗姆（Nick Bostrom）在2015年TED演讲中所提出的观点是值得我们借鉴的。他在《当电脑比我们聪慧时我们该如何是好？》的主题演说中指出，智能发展是一个具有目标导向的优化过程，当我们用超级人工智能来优化流程时，我们最好能确保优化的结果会以人为本，并妥善的顾及所有我们深刻在乎的事物。否则，结果将如同《点石成金》寓言中的国王一般，所有触及的事物和人都变成了珍贵却冷冰冰的黄金，包括他最在乎的亲人。
