当社会冲突变成推荐信号：为什么推荐算法无法保持中立

2026 年 8 月 17 日晚，重庆南岸区长江国际写字楼下发生人员聚集。警方通报称，现场个别人员因口角发生争执，出现泼水、追逐等行为；警方随后制止冲突、疏导人群，并对多名涉事人员进行法治教育[1]。

该地是偶像经纪公司时代峰峻在重庆的办公和训练场所，长期以来都有年轻粉丝在楼下等候或打卡。媒体对现场视频和公开信息的梳理显示，事发前后还有一些男性主播到场直播，高喊粉丝反感的网络梗，双方随后发生争吵和肢体冲突[2]。这些细节主要来自媒体报道和网络视频，不能全部视为警方已经确认的事实。

对现场参与者而言，这是一场挑衅、反击与失控；而对直播间来说，它同时也是不断变化的观看、评论与转发。粉丝反应越激烈，直播越具有戏剧性；围观者越多，主播越有动力继续拍摄。这并非意味着推荐算法制造了现场冲突，也没有公开数据证明平台具体放大了哪些直播，但流量激励已然开始影响参与者的行为模式。这场最初围绕粉丝打卡与男主播猎奇心态引发的街头争执，在进入网络平台分发后，迅速被贴上“极化粉丝”与“厌女挑衅”的性别标签，发酵成为一场男女对立的公共事件。

长江国际楼下的冲突不能代表中国男性或女性的整体，却生动展示了社会矛盾如何被改造为内容。现实中的性别不满为冲突提供了情绪基础，主播将情绪转化为可供围观的表演，而用户的反应又成为平台能够记录的信号。平台并未创造住房、彩礼、生育和家庭分工等根本问题，却可能改变不同经验的可见度，并把这种被改变的行为送回下一轮推荐。

因此，理解现代男女对立，既要解释现实中成本和责任为何没有平均分配，也要追问平台如何参与塑造人们对矛盾的理解，以及工程师应承担何种责任。

一、流量的双重逻辑：线下冲突如何异化为线上生意 #

警方确认的事实包括人员聚集、口角、泼水和追逐。至于谁最先挑衅、哪些人专门为了流量来到现场，以及网上流传的受伤和处置细节，不同来源的说法并不完全一致。分析平台机制，既不需要替任何一方补齐尚未确认的事实，也不应将现场参与者视为整个性别的代表。

这个案例真正值得关注的，是直播改变了冲突的收益结构。原本发生在现场的争吵，经由手机镜头传到网上，每一次挑衅和反击都可能带来新的观众。直播间的评论、停留和转发还会即时告诉主播，哪些动作最能维持注意力。主播不必认同某种性别立场，也可能因为观众有反应而继续扮演挑衅者。

粉丝的反击同样会进入这个循环。对当事人来说，回骂或泼水可能是在维护偶像和自身尊严；对内容传播来说，越激烈的反应越容易成为下一段视频的高潮。反击可能迫使挑衅者停止，也可能为其提供新的内容。平台能够记录互动强度，却很难理解其中的厌恶、恐惧和被迫回应。

这并非“男性天然敌视女性”或者“女性追星必然失去理性”的证明。最初围绕偶像、直播和公共秩序的冲突，进入网络以后才逐渐被概括成男女对立。具体的人和行为被压缩成群体标签，复杂的现场也被剪辑成适合站队的短视频。

技术在这里不是社会之外的旁观者。视频下方的网民之所以会分裂为两大阵营进行激烈的言语对攻，看似是在评判写字楼下的具体口角，实则是在借题发挥，将自己在现实生活中积压的性别利益委屈与长期焦虑，投射到了这起具体事件中。平台算法通过推荐系统捕捉这种投射情绪以换取点击与停留，但要解释这股能够源源不断为冲突提供流量燃料的“现实委屈”究竟从何而来，我们必须推开互联网的直播间，走入现实中最核心、也最普遍的两性合作契约——婚姻。

二、婚姻的成本错配：男女各自承受的不可通约账单 #

在关于亲密关系的网络对立中，人们最常宣泄的怨怼与敌意，往往围绕着彩礼、婚房、生育和家务分工展开。这些极化的争论并非无中生有，它们本质上折射出男女双方在进入和维持婚姻这一契约时，所承受的截然不同的成本与风险。

男性谈及婚姻成本时，最常列举房产、彩礼、婚礼、汽车和稳定收入。这些支出多发生在婚前或婚姻早期，金额明确，也经常被公开比较，因此就像一张不断涨价的入场券。一项使用 2000 至 2005 年中国城市数据的研究发现，在其模型和样本内，房价每上涨 1%，初婚率下降约 0.31%[3]。较早时期的城市数据不能代表今天所有地区，也不能说明住房压力只由男性承担，但支持了一个有限判断：住房一旦成为结婚前提，房价上涨就可能抬高婚姻门槛。

女性担心的成本更多分布在婚姻持续期间：生育带来身体风险，育儿影响工作连续性，照料占用时间，长期离开职场还会影响收入、晋升和退休保障。针对中国劳动力市场的研究也观察到“母职惩罚”（Motherhood Penalty）：成为母亲会对女性的劳动结果产生负面影响；祖辈照料可能缓解部分压力，但母职惩罚的严重程度在过去数十年间有所上升[4]。研究不能决定每个人的职业轨迹，却说明生育风险确实可能转化为经济成本。

国家统计局 2018 年全国时间利用调查显示，居民每日家务劳动平均为 1 小时 26 分钟，男性为 45 分钟，女性为 2 小时 6 分钟[5]。全国平均数不能代表每个家庭，却表明无偿劳动总体上仍未平均分配。

两类成本很难直接相加。房产、彩礼和婚礼支出可以立即标价，生育、照料和职业中断却包含未来风险。市场又把住房、学历和工资变成可比较的择偶指标，却没有为家务和情感支持给出公认价格。彩礼也有不同含义。Wan 对十万余份裁判文书的研究区分了两种常见框架：家庭之间对女性劳动与生育的补偿，以及父母赠予新婚夫妇的代际财产[6]。如果双方从一开始就把同一笔钱理解成不同安排，关系破裂后自然会争论返还责任。

问题不是哪一方“总体上更吃亏”，而是婚姻把不同成本分给了不同的人，又没有一套双方都认可的衡量方式。男性看到已经支付的显性成本，女性担心尚未兑现的长期风险，争论于是变成两份互不相认的账单。

三、契约的结构性滞后：当权利意识与家庭分工脱节 #

与上一代相比，今天的中国女性拥有了更完整的教育和职业机会。一孩政策在其中产生过复杂影响。人类学家 Vanessa Fong 对城市独生女的研究发现，当女儿不再与兄弟竞争家庭资源时，一些家庭会把教育投入和上升期待集中到女儿身上[7]。这项研究不能代表所有地区和阶层，却揭示了人口政策如何意外改变家庭内部的资源分配。

与此同时，偏高的出生人口性别比留下了另一种结构性影响。第七次全国人口普查显示，全国总人口性别比为 105.07，2020 年出生人口性别比为 111.3，后者较 2010 年下降 6.8，但仍然偏高[8]。人口比例不能决定个人能否结婚，但在部分年龄、地区和群体中，人数失衡确实可能加剧男性的婚恋竞争。

问题在于，两性在权利意识、职业机会与家庭责任上的调整并不同步。女性进入大学和办公室以后，社会并未自动重新分配生育和照料责任；男性失去部分传统家庭权威以后，也没有同步摆脱提供住房、收入和安全保障的期待。越来越多的人强调个人权利，却仍可能要求对方履行传统义务。

收入增长、就业稳定时，家庭还能用未来收益消化矛盾；当收入预期减弱、就业不确定性上升，男性对资产升值的预期和女性对长期保障的信任都会下降。经济压力不只是让人“没钱结婚”，还会削弱旧婚姻契约的履约基础。现代男女对立的结构性来源，正在于个人权利、职业机会、人口结构和家庭责任各自改变，却没有共同形成一份新的婚姻契约。进入互联网后，这些矛盾又会变成可计算的行为信号。

四、生气不等于喜欢，算法却未必分得清 #

推荐系统很难直接衡量用户是否更理解另一群体、获得了更准确的信息，或者更有能力建立稳定的关系。平台更容易观察点击、停留、完播、评论、转发和回访。这些无需主动评分的行为被称为隐式反馈（Implicit Feedback），工程团队用它们推断兴趣，决定下一轮展示什么。

但行为不等于偏好。一个人长时间观看“天价彩礼”视频，可能因为认同，也可能因为愤怒、怀疑或准备反驳。推荐系统无法直接判断内容是否帮助用户理解社会，只能用点击率、观看时长和互动率作为代理指标（Proxy Metric）。代理指标并非无用，危险在于团队忘了它只是近似：系统可能把愤怒当成兴趣，把争论当成满意，把停不下来当成还想再看。

这会形成反馈循环（Feedback Loop）：用户只能对已经看到的内容作出反应，系统再把反应送入下一轮推荐。冲突内容获得更多曝光，更容易积累停留和评论；新增互动又让模型继续加大曝光。我在上一篇文章中讨论过，用户选择影响推荐，推荐又决定用户接下来有机会选择什么。平台观察到的“偏好”，其实是原有倾向、内容供给和曝光决策共同作用的结果。

2025 年发表在 PNAS Nexus 的一项预注册算法审计比较了 Twitter 的互动排序与时间排序。在政治内容实验中，互动排序更多放大了愤怒、党派倾向和外群体敌意（out-group hostility），而用户事后未必更喜欢这些推文[9]。研究不能直接代表中国平台的性别话题，但揭示了一个可迁移的机制：最能引发反应的内容，不一定是用户反思后真正想看的内容。

因此，“算法只是迎合用户”的说法并不完整。用户提供行为信号，平台却决定记录什么、如何加权、哪些内容进入候选集，以及怎样处理负面互动。这些都是产品和工程选择，不是自然规律。

五、反馈循环的代价：当曝光决策污染了偏见数据 #

人们常把算法偏见理解成数据质量问题：社会数据有偏见，模型照着学。这只说对了一半。推荐数据来自平台已经安排过的曝光：内容没有进入候选集，用户就不可能点击；某种观点排序更高，便更容易积累互动；创作者看到什么能获得流量，也会调整下一轮生产。模型学到的不是未经处理的社会，而是文化观念、真实需求、历史曝光和创作者适应共同塑造的社会。

在男女话题中，这个循环尤其明显。住房压力、家庭分工和生育风险产生不满；内容生产者把不满压缩成“捞女”“普信男”等标签；推荐系统根据互动扩大其可见度；反复曝光又让用户更容易把极端个案当成普遍现实。

用户和创作者也会学习什么样的表达更容易获得反馈。Brady 等人分析 Twitter 数据并开展受控实验后发现，道德愤怒（moral outrage）获得越多正向反馈，参与者以后越可能继续这样表达[10]。研究不能直接外推到中国的性别讨论，但说明点赞、转发和评论不只测量表达，也会反过来训练表达者。

内容生产还受点击竞争影响。Robertson 等人利用 Upworthy 的大规模随机标题实验发现，在该网站的实验条件下，标题中的负面词语会提高点击率[11]。这不能证明所有平台都奖励负面内容，却解释了为什么将原本混杂了饭圈与流量博弈的“写字楼下口角”，剪辑并冠以“男女街头大战”的极化标签，会比报道“现场因口角出现泼水和追逐”的程序事实更适合做标题：程序事实要求读者保留不确定性，冲突叙事却立即给出情绪和角色。

算法由此改变矛盾的形状。针对制度、关系或具体经历的不满，经过标签化和反复推荐，更容易被解释成另一性别的固定本质。私人困境由此变成群体归因。

解决办法也不是把互动排序换成用户明确表达的偏好。前述研究发现，这样做可以减少愤怒和外群体敌意，却也可能减少用户接触不同立场的机会[9]。工程实践面对的不是非此即彼，而是如何在相关性、满意度、多样性、公共影响和用户自主权之间作出可解释的取舍。

仅仅减少同类立场内容，也未必能在短期内改变群体态度。2023 年的一项 Facebook 现场实验将 23,377 名参与者接触同类政治来源的比例降低约三分之一。调整减少了部分不文明内容以及频繁传播虚假信息源的内容，却没有显著改变研究测量的八项政治态度[12]。美国政治实验不能预测中国性别话题，但提醒我们：推荐列表更多样，不等于用户真正理解了不同经验；干预还可能引起抵触、回避或转向其他渠道。

六、个性化说服：生成式 AI 如何瓦解公共共识 #

传统推荐系统主要决定用户看到哪篇文章、哪段视频；单篇内容通常仍是可以共同核对的公共对象。生成式 AI 则能根据历史对话、明确偏好和当前问题选择材料、调整措辞、安排证据，生成完整的因果解释。个性化不再只是“给谁看什么”，还深入到了“同一件事应当怎样理解”的层面。

围绕这起冲突，系统可以回答三类问题：

• 为什么饭圈女性群体会为了偶像失去理性围攻路人？
• 为什么男主播会以猎奇和言语挑衅女性来获取流量？
• 哪些事实已经确认，哪些仍是网络传闻或刻意的性别归因？

前两问都可能引用真实材料，却会挑选出有利于各自叙事的事实；第三问则要求系统保留不确定性和来源边界。如果模型还掌握用户的性别观点、情感经历和语言风格，就能选择用户最容易接受的论证。不同用户得到的可能不只是不同观点，还有不同的事实重点、因果顺序和责任归属。

研究表明，大语言模型（Large Language Model，LLM）已能大规模生成个性化说服（personalized persuasion）内容。Matz 等人的研究发现，基于用户特征生成的信息可以影响参与者的态度和行为意向[13]；另一项 900 人实验显示，在设定的社会议题辩论中，获得参与者基本人口信息的 GPT-4 说服效果更强[14]。这些实验不能证明生成式 AI 已经加剧中国的男女对立，只说明模型能根据用户特征调整说服内容。与长期画像、推荐系统和互动指标结合后，平台可能同时掌握内容选择、事实解释和表达生成。

同一种能力也可以服务于更好的目标。Argyle 等人设计的 AI 对话助手不替参与者选择立场，而是实时建议更容易让对方感到被理解的表达。实验改善了对话质量、互惠感和语气，却没有系统性改变政策立场[15]。另一项研究让“哈贝马斯机器”（Habermas Machine）根据个人意见和后续批评，迭代生成群体声明；在 5,734 名英国参与者中，人们整体上更偏好 AI 生成的版本[16]。结构化政治实验不能证明模型已能调解开放平台的性别冲突，却说明它可以把攻击改写成具体主张、寻找共同事实，并在保留分歧的同时组织公共表述。关键在于系统优化的是说服、互动，还是理解。

生成式回答也更难核对。除“依据哪篇报道”外，用户还需要知道系统调用了哪些个人信息、提示和排序条件。提供链接本身也不够，每个可核查主张都应得到相邻来源支持。ALCE 基准把带引用的文本生成（Generation with Citations）拆成回答质量、引用完整性和引用正确性；2023 年的实验发现，在 ELI5 数据集上，即使表现最好的受测系统，也有约一半回答未获得完整引用支持[17]。对于公共争议，系统还应区分官方确认的事实、当事人主张、媒体转述和模型推断。材料不足时，应保留不确定性，而不是用流畅文字补齐证据空白。

七、重构目标函数：如何将公共利益工程化 #

讨论算法的社会影响，并非要求工程师替公众决定哪种婚恋观正确。排序模型解决不了住房成本、生育负担和家庭分工，也不应压制正常争论。然而，“技术只是工具”同样不能免责。计算机协会（Association for Computing Machinery，ACM）的职业伦理准则把促进社会福祉、避免伤害和优先考虑公共利益列为基本责任[18]。这些责任需要融入目标函数、评估指标、发布流程和组织治理。

互动量不能决定一切 #

如果系统只优化点击率、观看时长和评论数，冲突内容就可能获得结构性优势。团队可以同时引入满意度调查、主题疲劳、主动偏好和长期留存等信号，但任何指标都只是近似。上线前应确定短期互动、长期满意度和负面反馈之间的边界；上线后，若互动上升却伴随满意度下降、举报增加或主题疲劳，就应触发专项检查，而不是直接记为实验成功。

点赞、收藏、举报、愤怒评论和反复返回评论区，表达的意图并不相同。模型虽难准确识别每次行为背后的心理原因，团队仍可区分正向、负向和含义不明的互动，降低明显负面行为对长期画像的权重，并区分临时关注与稳定偏好。

产品还应允许用户查看、修改和删除兴趣标签，告诉系统“我只是临时了解”，或暂时减少某个主题。TikTok 已提供推荐重置、主题频率调整和关键词过滤[19]；Instagram 也允许用户重置推荐，让系统根据新的互动重新判断[20]。这些功能将部分画像控制权交还用户，但其效果仍需评估：用户能否找到并理解设置，重置能维持多久，系统是否还会将愤怒互动视为长期兴趣。

单条内容之外，还要看整个信息流 #

推荐质量不只看点击，还要看内容是否重复、来源是否单一、极端个案是否挤压更有代表性的材料，以及用户能否摆脱某一主题。这不等于机械地给男女双方各分一半流量。团队可以按主题和用户群体审计敌意内容是否逐步升级、外群体攻击是否被视为高价值互动，以及曝光是否过度集中。超过预设风险边界时，再调整互动权重、增加主题多样性或扩大探索范围，并重新评估用户体验。

调整排序并非纸上谈兵。Piccardi 等人在 2024 年美国总统选举期间，对 1,256 名参与者开展预注册现场实验，用大模型识别并重排表达反民主态度和党派敌意的帖子。降低此类内容的排序会缓和参与者对政治外群体的敌意，提高排序则产生相反影响[21]。X 平台的美国政治实验不能直接代表中国性别话题，但给出了较强的因果证据：平台不必删除观点，仅调整曝光顺序，也可能影响群体态度。

另一条路径是把跨群体认可作为排序信号。X 的社区笔记（Community Notes）要求一条补充说明获得平时评价模式不同的用户共同认可[22]。不过，这种机制也有盲区。Bouchaud 和 Ramaciotti 分析约 190 万条注释和 1.35 亿次评分后发现，高度极化的内容更难获得跨群体认可，也更可能无法显示[23]。所以，连接不同群体的信号可以参与排序，却不能替代专业核查、风险识别和人工治理。

对公共争议，生成系统需要区分官方确认的事实、媒体转述、网络传言和模型推断。警方确认长江国际楼下出现人员聚集、口角、泼水和追逐，不等于警方已经确认某一性别有组织地围攻另一性别。系统还应保留来源和版本记录，高争议内容默认显示事实状态；无法区分转述与事实时，应转入人工复核或限制扩散，而不是继续扩写。

美国国家标准与技术研究院（NIST）的 AI 风险管理框架把治理、风险识别、测量和管理贯穿系统生命周期；生成式 AI 配套框架还强调人工复核、跟踪、记录和管理监督[24][25]。目的不只是合规，更是让系统在出错时能够解释、回滚和纠正。

算法责任不只是工程师的事 #

推荐目标由多方共同决定：管理层选择商业模式和风险容忍度，产品团队定义增长目标，算法团队选择指标并实现模型，治理、合规和审计团队监督执行。要求一名工程师凭个人道德抵抗整套组织激励，既不现实，也会掩盖真正的决策权。

工程师仍有不可替代的专业责任。他们最清楚数据怎样采集、指标如何计算、模型在哪些群体上失效，也最有能力指出“互动上升”可能只是冲突加剧的副产品。社会责任不是替社会选择正确观点，而是知道系统在优化什么、可能伤害谁，出错后能否审计、解释和纠正。

真正有效的算法责任必须成为组织能力：产品评审记录公共风险和责任人，模型上线评估群体与长期影响，异常监控不只覆盖延迟和点击率，事故复盘追问系统是否放大了本可避免的伤害。谁有权暂停实验、要求回滚或接受剩余风险，也应在上线前明确规定。

结语 #

长江国际楼下的冲突，需要由警方根据具体行为依法处理。本文更关心的是另一层变化：现场的挑衅与反击进入直播以后，不再只是人与人之间的争执，也成了能够吸引观看、评论和转发的内容。平台记录了互动，却未必理解人们为什么互动。

个人权利、家庭义务、人口结构和经济条件没有同步变化，为冲突提供了现实基础。推荐系统把停留、愤怒和争论变成互动信号，重新分配不同经验的可见度；生成式 AI 又把零散材料组织成面向不同用户的完整解释。技术从社会中学习，也反过来改变社会。工程师解决不了所有结构性矛盾，却可以通过审慎排序、可验证生成、辅助对话和用户控制，减少本可避免的误解与敌意。

这不是要求技术保持虚构的绝对中立，而是要求设计者承认：数据选择、指标定义和排序决策都在分配注意力。当这种分配足以改变大量用户的信息环境时，公共利益就是工程问题的一部分。技术无法替社会完成和解，却能为更准确、克制和可持续的讨论提供条件。

参考文献 #

[1] 重庆市公安局南岸区分局. 关于南滨路一演艺公司楼下人员聚集事件的警情通报. 2026. https://new.qq.com/rain/a/20260820A0CC3C00.

[2] 联合早报. 下午察：时代峰峻门外的饭圈风暴. 2026. https://www.zaobao.com.sg/news/china/story20260820-9548174.

[3] WRENN D H, YI J, ZHANG B. House Prices and Marriage Entry in China. Regional Science and Urban Economics, 2019, 74: 118–130. DOI: 10.1016/j.regsciurbeco.2018.12.001.

[4] MENG L, ZHANG Y, ZOU B. The Motherhood Penalty in China: Magnitudes, Trends, and the Role of Grandparenting. Journal of Comparative Economics, 2023, 51(1): 105–132. DOI: 10.1016/j.jce.2022.10.005.

[5] 国家统计局. 2018 年全国时间利用调查公报. 2019. https://www.stats.gov.cn/sj/zxfb/202302/t20230203_1900224.html.

[6] WAN Y. Between Money and Intimacy: Brideprice, Marriage, and Women’s Position in Contemporary China. Demographic Research, 2024, 50(46): 1353–1386. DOI: 10.4054/DemRes.2024.50.46.

[7] FONG V L. China’s One-Child Policy and the Empowerment of Urban Daughters. American Anthropologist, 2002, 104(4): 1098–1109. DOI: 10.1525/aa.2002.104.4.1098.

[8] 国家统计局，国务院第七次全国人口普查领导小组办公室. 第七次全国人口普查主要数据结果新闻发布会答记者问. 2021. https://www.stats.gov.cn/zt_18555/zdtjgz/zgrkpc/dqcrkpc/ggl/202302/t20230215_1904005.html.

[9] MILLI S, CARROLL M, WANG Y, et al. Engagement, User Satisfaction, and the Amplification of Divisive Content on Social Media. PNAS Nexus, 2025, 4(3): pgaf062. DOI: 10.1093/pnasnexus/pgaf062.

[10] BRADY W J, MCLOUGHLIN K, DOAN T N, CROCKETT M J. How Social Learning Amplifies Moral Outrage Expression in Online Social Networks. Science Advances, 2021, 7(33): eabe5641. DOI: 10.1126/sciadv.abe5641.

[11] ROBERTSON C E, PRÖLLOCHS N, SCHWARZENEGGER K, et al. Negativity Drives Online News Consumption. Nature Human Behaviour, 2023, 7: 812–822. DOI: 10.1038/s41562-023-01538-4.

[12] NYHAN B, SETTLE J, THORSON E, et al. Like-Minded Sources on Facebook Are Prevalent but Not Polarizing. Nature, 2023, 620: 137–144. DOI: 10.1038/s41586-023-06297-w.

[13] MATZ S C, TEENY J D, VAID S S, et al. The Potential of Generative AI for Personalized Persuasion at Scale. Scientific Reports, 2024, 14: 4692. DOI: 10.1038/s41598-024-53755-0.

[14] SALVI F, RIBEIRO M H, GALLIOTTO C, et al. On the Conversational Persuasiveness of GPT-4. Nature Human Behaviour, 2025. DOI: 10.1038/s41562-025-02194-6.

[15] ARGYLE L P, BUSBY E, GUBLER J, et al. Leveraging AI for Democratic Discourse: Chat Interventions Can Improve Online Political Conversations at Scale. Proceedings of the National Academy of Sciences, 2023, 120(41): e2311627120. DOI: 10.1073/pnas.2311627120.

[16] TESSLER M H, BAKKER M A, JARRETT D, et al. AI Can Help Humans Find Common Ground in Democratic Deliberation. Science, 2024, 386(6719): eadq2852. DOI: 10.1126/science.adq2852.

[17] GAO T, YEN H, YU J, CHEN D. Enabling Large Language Models to Generate Text with Citations. Proceedings of EMNLP 2023, 2023: 6465–6488. DOI: 10.18653/v1/2023.emnlp-main.398.

[18] ASSOCIATION FOR COMPUTING MACHINERY. ACM Code of Ethics and Professional Conduct. 2018. https://www.acm.org/code-of-ethics.

[19] TIKTOK. More Ways to Discover New Content and Creators You Love. 2025. https://newsroom.tiktok.com/en-us/more-ways-to-discover-new-content-and-creators-you-love.

[20] META. Reshape Your Instagram With a Recommendations Reset. 2024. https://about.fb.com/news/2024/11/introducing-recommendations-reset-instagram/.

[21] PICCARDI T, SAVESKI M, JIA C, et al. Reranking Partisan Animosity in Algorithmic Social Media Feeds Alters Affective Polarization. Science, 2025. DOI: 10.1126/science.adu5584.

[22] X. Note Ranking Algorithm. Community Notes Guide. 2026. https://communitynotes.x.com/guide/en/under-the-hood/ranking-notes.

[23] BOUCHAUD P, RAMACIOTTI P. Community Notes Undermoderate Polarizing Content by Design, Creating Risks in Electoral Processes. Science Advances, 2026, 12(27): eaee6932. DOI: 10.1126/sciadv.aee6932.

[24] NATIONAL INSTITUTE OF STANDARDS AND TECHNOLOGY. Artificial Intelligence Risk Management Framework (AI RMF 1.0). NIST AI 100-1, 2023. https://doi.org/10.6028/NIST.AI.100-1.

[25] NATIONAL INSTITUTE OF STANDARDS AND TECHNOLOGY. Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile. NIST AI 600-1, 2024. https://doi.org/10.6028/NIST.AI.600-1.