蒋忠波、师雪梅等：人机传播视域下算法新闻可信度的感知研究-基于一项对大学生的控制实验分析

本刊官方网站：

http://cjjc.ruc.edu.cn/

蒋忠波，四川大学文学与新闻学院教授。

师雪梅，西华师范大学新闻传播学院硕士研究生。

张宏博，西华师范大学新闻传播学院硕士研究生。

本文系教育部人文社科规划基金项目“智能传播中人机交互的过程、用户感知与心理效应研究”（项目编号21YJA860006）的阶段性研究成果。

一 研究背景

人工智能已进入新闻传播领域，并正在“改写”或“重塑”传统新闻传播业态，这一新的媒体发展趋势被称为“智能化”（或“智媒化”）（彭兰，2016）。智能传播的核心特点在于人工智能扮演了传播者的角色，跻身于传播者的行列，这一特征被认为构成了对传统传播实践和传播理论的根本挑战，因为传统的传播实践与理论将媒体作为人与人进行信息传播及意义生成的“中介”，但智能传播中智能机器不仅是中介，而且其本身就是传播者，就是人类交流的对象。因此，学者们提出，既有传播理论已不足以解释当下的智能传播实践，需要重新划定传播研究的学科边界、提出新的传播研究范式(Gunkel，2012；喻国明，2019；张洪忠等，2019；Broussard et.al.，2019)。正是在这一背景下，“人机传播”（Human-Machine Communication，简称HMC）被重新发现出来用于对智能传播中的新象进行研究和整合，并在2016年的国际传播学会(ICA)上被正式承认（牟怡，许坤，2018）。

在Andrea L. Guzman看来，人机传播是指人与那些被设计为能够实现传播者功能的机器/技术之间的信息交换以及在这种交换过程中意义的生成过程，其核心理念是：（1）将机器视为传播者；（2）将人与机器之间的意义生成作为人机传播研究的焦点（Guzman，2018：16-18；Lewis，Guzman & Schmidt，2019；Guzman & Lewis，2020）。人机之间的“意义生成”必将建立在人对机器的感知和理解的基础上，其中人对机器的信任将会是感知和理解的核心，也应该是建立有意义的人机关系最为重要的因素。这种信任既应包括对机器专业能力的信任(如对机器人生成内容的准确性的信任等)，也应包括对机器移情能力的信任（主要是指机器在情感上是值得信任的，比如不会泄露个人的隐私，能够对人的情感做出合适的回应等）。

在当下的智能传播实践中，算法生成新闻(简称算法新闻，也常被称为机器人新闻)的广泛应用为人机传播的研究提供了契机。Andreas Graefe（2016）指出，在初始的算法编程以后，软件或者算法能够在没有人工干预的情况下完成从数据采集、分析到新闻生成和刊发的整个流程，这种由算法自动生成的新闻则被称为算法新闻。算法新闻的出现，使得认为只有人类才能够拥有新闻写作能力的传统观念遭到了挑战。智能算法实现了人类写稿的功能，成为了人机传播意义上具有传播者特性的技术。如果说在新闻的智能推荐中，人工智能是隐身于幕后而不易为受众所感知的话，那么对于算法新闻来讲，人工智能则以显性的方式呈现在受众面前。人们对算法新闻的感知与评价，不仅仅是对新闻文本的感知与理解，而且也融入了他们对人工智能的期盼、感知与理解。如上文所述，人机之间的“意义生成”离不开人对机器的感知与理解，因此算法新闻为我们探讨人机传播中“意义生成”的基础——人对机器的感知——提供了一个合适的对象。一方面，人们对人工智能的认知与理解可能会影响他们对算法新闻的感知和评价；而另一方面，人们也在对算法 新闻的感知和理解中强化或改变他们对人工智能的认知与理解。正是在这种双向互动中，人与机器之间才有可能建构起“有意义的”人机关系。由于人对人工智能的 信任是认知和理解机器的一个关键因素，同时也是建构人机传播中有意义的人机关系的构成要件，因此，本文将人对算法新闻的可信度感知作为研究的对象，不仅可以准确把握受众对算法新闻可信度的感知状况，而且还可以为深入理解智能传播中的人机关系提供经验性论据。

二 研究问题的提出

可信度是衡量新闻质量的最重要指标（Clerwall，2014），因此也是算法新闻相关研究的焦点。算法新闻可信度感知研究的结论并不完全一致。多数研究发现，受众对于算法新闻和人类记者新闻在可信度感知方面并没有显著差异(Clerwall，2014；Zheng，Zhong & Yang，2018；Wölker & Powell，2018)。部分研究表明，受众对算法新闻的可信度感知要显著高于人类记者新闻（Jung，Song，Kim，Im & Oh，2017；刘茜，2018）。也有研究发现受众对算法新闻可信度感知要显著低于人类记者新闻（Waddell，2018）。还有一类研究发现，在不同的条件下，受试者对算法新闻和人类记者新闻可信度感知呈现为不同的差异模式。比如Van der Kaa等（2014）的研究发现，当由算法生成的两则新闻被署上不同的作者(算法或者是人类记者) 时，普通受试者对可信度的感知没有显著差别，但是身份为记者的受试者对署名为算法的新闻可信度感知要显著低于署名为人类记者的新闻可信度感知。Mario Haim等(2017)则发现，当受试者只看一篇新闻时，他们对人类记者写作的新闻和算法新闻可信度的感知无显著差异；然而，当受试者同时阅读两则分别署名为算法和人类记者的新闻时，则他们对算法新闻的可信度评价更高。Andreas Graefe等（2016）的研究表明，当同一篇新闻被署名为不同的作者时，受试者对其可信度的感知并不具有显著差异，然而，将受试者的感知评价按照新闻的实际作者进行分类比较时又发现，受试者对实际作者为算法的新闻的可信度评价都显著高于对实际作者为人类记者的新闻。

从整体上看，关于算法新闻可信度感知的研究已经取得了一定的成效，但是现有研究结论并不一致，也还有不少地方需要进一步探讨。

从文化语境来看，现有算法新闻可信度的相关研究主要立足于西方文化语境。然而，诸多研究已经证实，文化语境的差异（不同的政治制度、媒介制度、媒介运营方式等）可能带来人们对媒介信任度感知的差异（Various Sources，1955；Glock，1952；Maslog，1971；Ho，Leong，Looi & Chuah，2019；Zhang，Du & Wang，2019），而人们对当下媒体信任度的感知则有可能影响他们对算法新闻可信度的感知。同时，不同国家对人工智能的强调程度与媒体对人工智能的报道方式有所不同，这也可能在一定程度上影响人们对算法新闻的可信度感知。一项基于韩国语境的研究初步证明了这一点。该项研究指出，由于韩国主流媒体在世越号渡船沉没等事件中的拙劣表现，韩国民众对媒体可信度的评价大幅下降，加之韩国政府近年来对人工智能发展的积极态度，韩国民众便对算法新闻具有更高的可信度感知 （Jung，Song，Kim，Im & Oh，2017），这一结论同多数欧美国家的研究的结论不一致。就中国而言，由于媒介体制、媒介运营方式等与多数西方国家存在较大差异，受众对媒体的可信度感知也与西方有所不同（Zhang，Du & Wang，2019），这也可能进一步影响人们对算法新闻可信度感知。同时中国媒体对作为国家战略的人工智能发展所采取的报道方式同西方媒体采取的报道方式有所不同，因而所呈现出来的人工智能的媒介形象也有所差异(郭珂静，张悦晨，2020)，这可能影响到受众对人工智能及算法新闻可信度的感知。然而，立足于中国文化语境的相关研究相当稀少，在仅有的几项涉及中国语境的研究中，其中的两项研究用于实验刺激的新闻材料都是来自于美国媒体（Zheng，Zhong & Yang，2018；郑越，杨帆，2019）。因此，有必要立足于中国文化语境来对受众关于算法新闻可信度的感知进行深入研究。

基于此，本文提出的核心研究问题是：

RQ1：在中国语境下，受试者对算法新闻和人类记者新闻可信度的感知是否存在差异？如果有，这种差异主要体现在哪些内在要素上？

有学者指出，在今后的智能传播中，“人机联姻”或“人机共生”可能是一种趋势（彭兰，2016；喻国明，杨雅，2020；Grafe，2016），体现在新闻生产方面，则可能是算法和人类记者合作生产新闻。因此，面对智能传播时代由算法和人类记者共同生产的新闻，受众对其可信度的感知会有什么样的变化呢？这方面的研究也相当稀少，仅有如下两项。Anja Wölker等(Wölker & Powell，2018)的研究发现，当新闻署名为人机合作时被感知到的可信度，与署名为算法或人类记者时被感知到的可信度间并无显著差异，因而人机共同署名的方式并不能显著提升或降低受试者对新闻可信度的感知。然而，Franklin Waddell（2019）的研究却发现，与单独署名为算法或者人类记者的情况而言，采用人机共同署名的方式可以提高新闻的可信度感知。这种结论上的不一致需要更多的研究来加以检验。

基于此，我们提出了第二个研究问题：

RQ2：人机合作署名是否会影响受试者对新闻可信度的感知？

Jaemin Jung等认为，受试者对算法新闻的可信度感知值高于或接近于人类记者写作的新闻，可能并不是因为算法新闻真的比人类记者新闻好，而是因为他们对算法新闻的期待值更低而对人类记者新闻的期待值更高（Jung，et.al.，2017）。所以，当他们阅读署名为算法的新闻时，会觉得这已经超出了他们的期望值因而给予高的评价，而当他们阅读署名为人类记者写作的新闻时，会感觉低于自己的期望值，因此给予较低的评分。但是Mario Haim等的研究却发现，受试者对算法新闻的期待值更高，但对算法新闻可信度的实际感知值也更高，因此该研究并不支持对可信度的高期待值导致相对较低的实际感知值这一假设（Haim & Graefe，2017）。因此，在期待值是否影响实际感知值这一点上，还需要有更多的研究来加以检验。同时，在不同的文化语境中，人们对算法新闻和人类记者新闻的期望值也可能有所不同，这有可能对算法新闻的实际感知值产生影响。

因此，本文提出的第三个研究问题是：

RQ3：受试者对不同署名新闻可信度的期待值是否会影响他们对这些新闻可信度的实际感知？

Hille van der Kaa等提出，未来关于算法新闻可信度感知的研究应该关注当算法被用于不同主题、不同类型的新闻故事以及具有观点的新闻故事时，受试者对其可信度的感知会有什么样的变化（Van der Kaa & Krahmer，2014）。然而，就当下相关研究的实际情况来看，已有研究仍基本局限于体育、财经等新闻主题，只有很少的研究涉及到了其他主题的新闻（Waddell，2019；Waddell，2018；Liu & Wei， 2019）。这一研究情况与当前算法新闻主要使用于体育新闻、财经新闻等具有结构化数据的新闻领域的现实是一致的。但是随着技术的发展，今后算法也很有可能应用到政治新闻、社会新闻等领域。在这方面，David Caswell等提出了基于事件驱动的叙事2.0的算法写作系统，实验室也正开展将算法写作应用于体育新闻、财经新闻等领域之外的研究（Caswell & Dörr，2018）。因此，算法写作用于其他领域或许在不久的将来成为现实。由于政治新闻、社会新闻包含更多的冲突性、价值观念、意识形态等要素，如果算法写作用于这些主题，将可能对整个社会带来更为深刻的影响，受众对这些新闻的敏感程度可能也会远远高于对体育新闻和财经新闻的敏感程度，他们对这类主题的新闻可信度的感知或许会表现出不同的模式。基于此，本研究将一则社会新闻作为实验材料，与另一则作为实验材料的体育新闻进行比较，以探讨受试者对不同作者写作（或署名）的社会新闻、体育新闻可信度感知存在何种差异。

因此，我们提出的第四个研究问题是：

RQ4：新闻主题的差异是否会影响受试者对新闻可信度的感知？

三 研究方法

本研究采取控制实验法，来研究受试者对不同主题、不同署名方式的新闻可信度的感知。

(一)受试者的选取

算法新闻是人工智能技术在新闻传播领域的新应用，大学生群体因知识文化水平较高而更容易理解本实验中所指的算法、算法新闻等，因此本研究以大学生作为受试者，能够更有效地测量出算法新闻的可信度感知。我们在某大学招募了201名大学生(本科)作为受试者，学生的专业分布较广，年龄均数为20.6岁，男生86人，女生115人。完成实验的人数为188人。

(二)实验材料

如同上文所述，算法新闻在未来可能会被用于体育、财经等之外的其他领域。基于本研究的目的，本文选择了一则由腾讯公司的Dreamwriter自动生成的一篇体育新闻《“此刻是金”林跃/陈艾森强势登顶 中国夺4连冠》（首刊于2016年8月9日，以下简称“新闻A”），和一篇新京报记者采写的社会新闻《男子泰国浮潜溺亡 旅行社被判赔56万》（刊于2018年7月21日，以下简称“新闻B”）作为实验材料。前者离实验进行的时间较远，受试者对该事件的了解应该会很少；而后者则为一篇非热点的报道，受试者对此的了解也很少，如此可以较好地避免受试者因为熟悉或者阅读过相关新闻而影响研究效度。每则新闻的署名作者被操纵为三个版本，分别标注为“Dreamwriter”（算法）、“陈思”（人类记者）、“陈思、Dreamwriter合作”（人机合作）。因此，这两则新闻一共形成了六则实验材料：A1(署名作者为算法的体育新闻)、A2（署名作者为人类记者的体育新闻）、A3（署名作者为人机合作的体育新闻）、B1(署名作者为算法的社会新闻)、B2（署名作者为人类记者的社会新闻）、B3（署名作者为人机合作的社会新闻）。将署名作者相同的两则新闻组合在一起，共形成三种组合：即A1B1、A2B2、A3B3。为确保实验中相应的受试者知道Dreamwriter是一种智能写稿机器人，在A1B1、A3B3这两组实验材料的首页专门对Dreamwriter进行了解释，明确向受试者说明Dreamwriter是一款能够自动写作新闻的软件，并简要介绍了其工作原理。

(三)新闻可信度的构成与测量

该实验中所探讨的因变量是受试者所感知到的新闻可信度（perceived credibility of news）。Chris Roberts（2010）指出，信息可信度和信源可信度相互关联，内部具有十分复杂的关系，数十年来的关于可信度的研究表明，新闻机构(信源)之所以被感知为可信与否，是因为他们传递了是否可信的信息；反之亦然。信息可信度和信源可信度之间的这种复杂关系使得难以准确区分二者，这在测量的量表中也体现出来。Philip Meyer（1988）设计了测量信源可信度的量表；Andrew J. Flanagin等（2000）开发了一套测量信息可信度的量表。这两个分别用于测量信息源和信息可信度感知的量表都由五个题项组成，其中都包含“准确”“可信”“偏见”这三个题项。Alyssa Appelman等（2016）则开发了由“准确”“真实”“可信”为核心的三个题项构成的测量信息可信度的量表。考虑到本实验所测量的是相同新闻不同署名情况下受试者对新闻可信度的感知，受试者对新闻可信度进行评价时很有可能融入了对信源可信度的认知，因此我们将测量信息可信度的四个题项“准确性”“可信”“偏见”“真实”，加上测量信源的常用题项“权威性”，构成了由五个题项组成的五分制李科特量表，用于本实验测量受试者对所阅读新闻的可信度感知。用受试者对算法新闻和人类记者新闻的初始期待值，对量表进行因子分析，结果表明，这五个题项聚合为一个因子，量表的Cronbach’s α系数分别为0.713、0.761，量表的信度可以接受。

（四）实验过程

实验分为预备实验和主体实验两个阶段。预备实验阶段主要用于测量参与实验的受试者对算法新闻和人类记者新闻可信度的期望值。采用电话调查的方式进行测量，原因在于两个方面：一是因为口头提问，而且要求受试者即时回答相关题项，受试者来不及对该问题进行仔细思考便需要做出回答，更不能去查阅了相关资料或者和同伴进行讨论后再作答，因此能够较为有效地测量出受试者对算法新闻和人类记者新闻的真实期望值；二是这种测量方式相对而言给受试者留下的记忆较少，因此能够在主体实验时较好地减少前测效应。

在预备实验结束一周以后进行主体实验。受试者被随机分为三个组（算法组、人类记者组、人机合作组），被安排在三个独立的实验室中进行实验。三个组分别阅读A1B1（署名为算法的新闻）、A2B2（署名为人类记者的新闻）、A3B3（署名为人机合作的新闻）三种组合的新闻。受试者先阅读新闻（算法组、人机合作组的受试者被要求先阅读实验材料上关于Dreamwriter的说明，之后再阅读新闻），然后被要求用简短的一段文字概括新闻的内容，并写下该新闻的署名作者，以确保受试者仔细地阅读了新闻并知道该新闻的署名作者。此后，再填写对该新闻可信度测评的量表。最后测量受试者对算法新闻的了解程度(最高分为5分，最低分为1分)。整个实验过程中，受试者均被要求独立阅读新闻材料和填写测量问卷。实验完成后的核查表明，所有受试者都准确知道自己所阅读新闻的署名作者是谁，表明本实验对新闻署名作者的操作是有效的。

四 数据分析与讨论

在进行正式数据分析之前，我们首先分析了各组受试者对算法新闻的了解程度、对算法新闻可信度的期待值、对人类记者新闻可信度的期待值是否会因为组别而具有显著差异。单因素方差分析的结果表明，各组对算法新闻的了解程度基本一致（M算法组=2.17，M人类记者组=2.11，M人机合作组=2.20，F=0.160，p=0.852）；各组对算法新闻可信度的期待值之间没有显著差异（M算法组=3.18，M人类记者组=3.37，M人机合作=3.37，F=2.241，p=0.109），对人类记者新闻可信度的期待值也没有显著差异(M算法组=2.79，M人类记者组=2.88，M人机合作组=2.87，F=0.601， p=0.549) 。这表明，在可能会影响到算法新闻可信度感知的几个变量上，三组受试者都处于基本一致的水平。

(一)受试者对算法新闻和人类记者新闻的可信度感知

采用单因方差分析对算法新闻组、人类记者组、人机共同署名组的受试者所感知到的体育新闻、社会新闻可信度分别进行分析，其结果如表1所示。

由表1可见，无论是体育新闻还是社会新闻，当其署名作者为算法时，受试者所感知到的可信度均显著高于当其署名作者为人类记者时的可信度。那么这种情况的内部差异在哪里呢？我们对新闻可信度感知量表的各构成要素做了进一步分析。

如表2所示，就体育新闻而言，当其署名作者为算法时，受试者对“偏见少”和“准确性”这两个题项的评分都要显著高于当其被署名为人类记者时，而受试者对其他三个题项的评分则没有显著差异。其中，这两组受试者在“偏见少”这一题项上的差异最大，均值相差达到了0.59分。对于社会新闻而言，署名为算法和署名为人类记者时在所感知到的可信度上的差异，主要体现在受试者对“偏见少”“真实性”这两个题项的感知上，其中，差异最大的仍然是“偏见少”这一题项，均值相差0.51分。

因此，无论是体育新闻还是社会新闻，受试者在对新闻可信度进行感知时，“偏见”是最重要的考量要素，受试者普遍的感知是算法生成新闻的偏见要显著低于人类记者写作的新闻。其中，社会新闻被感知到的偏见程度要高于体育新闻，特别是对于署名作者为人类记者的社会新闻而言，受众所感知到的偏见程度最高。

此外，对于体育新闻而言，“准确性”是造成算法新闻可信度感知高于人类记者写作新闻可信度感知的另外一个重要指标；然而对于社会新闻而言，“真实性”则是导致算法新闻可信度感知同人类记者新闻可信度感知之间差异的另一重要因素。体育新闻和社会新闻在这里的差异，原因可能在于：体育新闻涉及到较多数据，因此受试者会觉得和人类记者相比，算法可能更不容易犯错，会更准确；而由于社会新闻不像体育新闻那样有很多的数据，因而准确性可能不是重要的感知要素，但是社会新闻会涉及到多方面的事实，其中也可能包含着一些冲突，因此人们可能会更在意新闻是否如实地报道了这些各方面的事实，因而受试者对其真实性的重视程度更高。

(二)人机共同署名对新闻可信度感知的影响

由上述的分析可见，受试者对署名作者为算法的新闻所感知到的可信度要显著高于署名作者为人类记者的新闻，其内在原因主要在于受试者认为算法新闻的偏见性最低。那么人机共同署名的方式是否会提升单独署名为人类记者的新闻可信度呢？我们对此进行了分析。

如表1数据所示，就体育新闻而言，署名为算法和人类记者的新闻可信度之间具有显著差异，但是当将新闻署名为人机合作时，受试者对其可信度的感知得分较单独署名为人类记者时的新闻可信度有所提升，但相较于单独署名为算法时的新闻可信度而言却有所下降，然而其间的差异并未具有统计上的显著性。这意味着对于体育新闻而言，人机共同署名的方式在一定程度上调和了单独署名为算法和人类记者时在新闻可信度上的差异。然而，就社会新闻而言，人机共同署名时受众所感知到的新闻可信度同单独署名为人类记者时的新闻可信度几近相同，并且同时都显著低于单独署名为算法时的新闻可信度。因此，对于社会新闻而言，人机共同署名的方式似乎并不能提升单独署名为人类记者时的新闻可信度。

对构成可信度量表的各题项得分作进一步分析发现（见表2）：就体育新闻而言，在“偏见少”这一题项上，人机共同署名时受众所感知到的分值相较于署名为人类记者时有显著提升；在其他题项上，人机共同署名时的分值只略高于单独署名为人类记者时，并不具有显著差异。然而，就社会新闻而言，在各项指标的得分上，人机共同署名的方式和单独署名为人类记者的方式都基本一致。这表明，对社会新闻而言，人机共同署名并不能降低人类记者单独署名时受众所感知到的偏见程度。对于社会新闻和体育新闻在关于“偏见少”这一题项上所体现出的这种感知差异，可能是因为受众采取了不同的信息加工方式。由于体育新闻较少涉及偏见，而且很多都是以比分等数据为基础，因此受众对“偏见少”这一题项的敏感度较低。当署名为人机合作时，署名作者中的算法所具有的“机器启发性”（Machine Heuristic）可能会通过“精细加工可能性模型”（Elaboration Likelihood Model，ELM）中的边缘路径方式（Peripheral Route）激发受试者的感知，缘于机器具有的无偏见性这一特征的启发而提高了对“偏见少”这一题项的得分。但是，社会新闻更容易涉及到价值观、利益关系等，受众可能更倾向于认为在此类新闻的生产中人类记者更容易带入偏见，因此在进行信息处理时更有可能采取ELM模型中的中心路径(Central Route)来处理信息，对人机共同署名方式下的新闻偏见进行更充分的思考。于是在受试者看来，人机共同署名在实质上仍是人类主导，所以他们在对人机共同署名新闻的可信度及其构成要素的感知同人类记者单独署名新闻的可信度及其构成要素的感知就不会有本质的区别。

(三)受试者的期待值差异是否影响了他们对算法新闻和人类记者新闻可信度感知的差异？

Mario Haim等将期望确证理论（Expectation-Confirmation Theory）用于讨论人们对算法新闻的期待值与实际感知值之间的关系，假设受试者对算法新闻可信度的实际感知值会受到他们对算法新闻可信度的期望值的影响，即受试者之所以对算法新闻的可信度感知高于人类记者新闻，可能是因为受试者对算法新闻的期望值更低，而对人类记者的期望值更高，所以当他们阅读署名作者不同，但内容基本一致的新闻时，就可能给算法新闻以更高的可信度评价，而给人类记者新闻以更低的评价(Haim & Graefe，2017)。这一假设是否能够用于解释本实验中受试者对算法新闻和人类记者新闻可信度的感知差异呢？我们具体分析了受试者对算法新闻、人类记者新闻可信度的初始期望值与实际感知值，结果如表3所示。

就体育新闻而言，受试者对算法写作的体育新闻可信度的期望值要显著高于对人类记者新闻可信度的期望值。因此，按照期望确证理论，当受试者阅读内容相同但署名分别为算法和人类记者的体育新闻时，他们应对署名为人类记者的新闻给予更高的可信度评价。但是，实验发现，受试者对算法新闻的期望值更高，他们对算法新闻的实际感知值也更高；对人类记者新闻可信度的期望值相对较低，对署名为人类记者的新闻可信度的实际感知也相对较低。而且，无论新闻的署名作者是算法还是人类记者，受试者对其可信度的实际感知值都显著超过了相应的预期值。受试者对不同署名的社会新闻可信度的预期值和感知值也呈现出相同的情况。

因此，本实验结果表明，受试者对算法新闻可信度的感知较高并不是因为对其可信度的期望值相对较低；同样，他们对人类记者新闻可信度感知较低也不是因为对其可信度的期望值高。综合该部分和上文的分析，我们认为，受试者对署名为算法的新闻可信度感知显著高于署名为人类记者的新闻，主要原因还是在于受试者相信算法的偏见性要显著低于人类记者，无论是对可信度的期望值，还是实际感知值，都体现出了这一特点。

(四)新闻主题对新闻可信度感知的影响

由于政治新闻、社会新闻等主题与财经新闻、体育新闻具有较大差异，而已有研究对政治、社会类主题的新闻关注较少，因此本研究将社会新闻纳入为研究对象，比较其与体育新闻在不同署名方式时受试者对其可信度的感知是否存在差异，以探讨新闻的主题是否对新闻可信度感知产生影响。采取配对样本T检验，分析了受试者在每种署名方式下对不同主题的新闻可信度的感知差异，结果如表4。

由表4可见，在三种署名条件下，受试者对社会新闻可信度的感知值都要显著低于体育新闻。这表明，社会新闻更难以获得更高的可信度感知，人们对其可信度的感知表现得更为谨慎。这一结果也符合预期，因为社会新闻比体育新闻涉及到更多的诸如冲突性、利益关联、价值观念等有可能带来偏见的因素，所以受试者对其的可信度评价相对较为保守。因此本研究表明，新闻主题的差异可能会影响受试者对其新闻可信度感知值的差异（即无论哪种署名，受试者对体育新闻可信度的感知值都要高于对社会新闻可信度的感知值），但是并不影响署名作者对其新闻可信度感知的影响模式(即无论是何种类型的新闻，只要署名为算法，则其被感知到可信度都要更高)。

五 结论与思考

在欧美国家进行的以普通新闻消费者为受试者、以体育或财经新闻为实验材料的该类研究，所得到的结论多是受试者对署名为算法和署名为人类记者的两类新闻可信度的感知没有显著差异（Clerwall，2014；Van der Kaa & Krahmer，2014；Graefe，Haim，Haarmann & Brosius，2018；Wölker & Powell，2018）。然而，本实验的研究结果表明，在中国文化语境下，无论是体育新闻，还是社会新闻，受试者对署名为算法的新闻可信度感知都要显著高于对署名为人类记者的新闻可信度感知。对可信度的深入分析后发现，导致受试者对不同署名方式的新闻可信度的感知差异的主要原因，在于受试者对两种署名方式的“偏见”感知不同，即在受试者眼中，算法新闻具有更少的偏见。

由于多数研究是以体育新闻、财经新闻作为实验材料，对于其他主题的新闻关注较少，因此本文基于未来算法新闻发展的可能，将社会新闻作为实验材料之一，讨论受试者对署名为算法的社会新闻可信度的感知。结果表明：受试者并不会因为社会新闻可能具有更多的复杂性、情感化色彩而更青睐于人类记者，仍然认为署名为算法的社会新闻比署名为人类记者的社会新闻具有更高的可信度。这一结论同国外的研究也具有较大差异。在仅有的四项以非体育财经类新闻主题为实验刺激材料的研究中，有两项研究表明受试者对署名为算法的新闻可信度感知要低于署名为人类记者的新闻（Waddell，2018；Liu & Wei，2018），另一项研究的结论表明受试者对署名为人类记者的新闻和署名为算法的新闻的可信度感知没有显著差异（Waddell，2019）；还有一项研究表明，对于较简短的以报道事实为主的即时性新闻(spot news)而言，署名为算法的新闻被感知到的可信度要低于署名为人的新闻，但是对于相同题材的解释性报道而言，署名为算法的新闻被感知到的可信度则要高于署名为人类记者的新闻（Liu & Wei，2019）。因此，国外该类研究的主要结论是署名为算法的新闻可信度不高于署名为人类记者的新闻，但是本研究的结论却是署名为算法的新闻可信度要显著高于署名为人类记者的新闻。由于未来算法可能更深入地融入到政治、社会等新闻主题的内容生成中，而这些主题的新闻对人们的社会生活而言更为重要，因此深入分析算法新闻应用于这些主题时对人们认知上的影响，及其为当下新闻传播实践带来的反思尤为重要。从这一意义上讲，该类研究数量远远不够，因而本研究与国外研究结论之间的差异是否具有普遍性，原因何在，都需要有更多研究来加以回答。

本研究发现，相对于单独署名为人类记者的情况，人机合作署名的方式并不能有效提高受试者对新闻可信度的感知，这与Anja Wölker等（2018）所得到的研究结论基本一致，但与Franklin T. Waddell（2019）的人机合作署名能够显著提高单独署名为算法或人类记者时的新闻可信度的这一结论有较大差异。

从总体上看，同欧美国家的相关研究相比较，本研究所得到的结论表明，受试者对算法新闻具有更为积极的可信度感知，在“偏见”这一指标的感知上尤为突出。这在一定程度上反映出中国语境下的受试者对人工智能具有更为积极的期待和正面的认知。这种认知的形成可能与以下两方面的因素有关：一是我国媒体主要是从积极正面的角度去报道人工智能给社会带来的利好，对于可能存在的数据滥用、隐私泄露、数据偏见、伦理风险等的报道相对较少，从而使人们对人工智能形成了积极的、正面的认知；二是也可能与我国受试者对传媒行业(人类记者)存在的“报道偏见”的感知有关，即如果人们认为传统的新闻报道存在较多偏见而怀疑人类记者报道的可信度，那他们就有可能赋予算法新闻以更高的可信度。当然，这两种因素是否真正地影响到了以及如何影响到受试者对算法新闻可信度的感知，还有待进一步研究。

需要指出的是，在本实验中，受试者们所阅读的新闻除署名不同外，其他所有内容都完全相同。因此，受试者关于可信度感知上的显著差异实质上是因新闻的署名作者不同而引发的，由此折射出来的是算法因其更低的“偏见”而更受信任，而人类记者则因更高的“偏见”而受到质疑。即使是人机共同署名，也会明显降低单独署名为算法时的新闻可信度的感知。这似乎体现出受试者有这样一种根深蒂固的认知——“人类记者更具有偏见，而算法则要好得多”。

然而，正如Tarleton Gillespie（2014）所指出的那样：“虽然算法或许看起来是自动的、不会因其提供者的干涉而遭受玷污，然而这不过是一个精心打造的幻象(fiction)。”算法新闻不可能完全脱离人类的主观性，工程师在算法中设定的诸多规则便是人主观意志的一种体现，也不可避免地带有偏见。但问题在于，受试者似乎并没有充分意识到算法新闻的这种主观性，而是认为算法新闻具有更少的偏见从而更信赖算法新闻。其原因可能在于算法新闻的偏见往往是嵌入在算法内部，难以为普通受众所觉察，因而算法新闻貌似显得更为客观。而这是否意味着，在智能传播时代，普通人可能更容易被看似客观的算法所俘获、操控呢？若是，那提升人们对智能传播的认知与理解应成为提升智能传播时代人们媒介素养的重要内容。

雪莉·特克尔(2011/2014)在探讨技术与人的关系的著作《群体性孤独》一书中使用了这样的副题：“为什么我们对科技期待更多，对彼此却不能更亲密”，表达出了对机器人时代人与机器之间正在建构的情感关系涉入并可能影响到人与人之间的情感关系的担忧。而本研究的结果也表明，在智能传播时代的新闻生产领域，受试者对人类记者缺乏信任，但是却将信赖更多地寄托于算法身上，这值得深思。从这一结果中可以看到，在人与智能机器之间建立起一种可信任的人机关系似乎是可以期待的，这对于推进智能机器在人类社会生活中的应用而言无疑是个好消息。然而，我们在保持谨慎乐观的同时，还需要进一步追问“人对智能机器的信任究竟意味着什么”，“这对人类社会本身究竟会带来何种更为深远的影响”等重要问题。

本研究只是从可信度这一特定的视角来管窥人机传播中人对智能机器和人本身的认识和理解，而智能传播时代新型的人机关系及其带来的对人、人类社会本身的深刻影响或许才初露端倪。随着人工智能技术的深度发展，“如何与机器交流……也会成为传播研究的重要话题”（刘海龙，2018），因此，以“站在未来反思今天”的传播学视角(刘海龙，2018)来推进人机传播领域的相关研究，不仅对传播学未来的发展具有重要价值，而且对人类社会为人机传播时代的到来提前做好应对也具有重要意义。

需要说明的是，本研究以大学生作为受试者，研究结论在知识文化水平较高的群体中可能具有较好的普适性。未来的研究可以将受试者拓展到更为广泛的群体，以便获得更为丰富的结论并能够相互参照。

本文系简写版，参考文献从略，原文刊载于《国际新闻界》2022年第3期。

封面图片来源于网络

本期执编/小韩