孩子为什么越来越难沟通？算法告诉你一个残酷真相！|大模型|实验|算法|维度

No.0192

Science Partner

Bring you to the side of science

导读

家里有小朋友的伙伴儿们，你们有没有这样的困惑——给孩子买了最新的iPad，开通了所有学习App的会员，以为这样就能弥补自己陪伴的缺失。但你可能不知道，那些看似"懂孩子"的推荐算法，正在悄无声息地把孩子推进一个狭窄的认知隧道。更可怕的是，孩子会对错误的认知深信不疑，而你全然不知。

俄亥俄州立大学的研究发现,那些看似聪明的推荐算法,正在把孩子困在一个扭曲的认知世界里——他们看得越多,了解得越少,却越觉得自己什么都懂。这项发表在国际顶级心理学期刊上的研究,揭开了一个让所有家长后背发凉的真相！这到底是怎么回事？对我们育儿又有什么样的启发？

走，跟伙伴君来！

今日主笔 | 恒意

孩子为什么越来越难沟通？算法告诉你一个残酷真相！

一、那个让你夜不能寐的场景

晚饭时,你想跟孩子聊聊最近的社会新闻,孩子头也不抬:知道知道,我在抖音上都看过了。

你问他具体怎么回事,他说得模棱两可,却坚持自己的理解没问题。

周末你带他去博物馆,他兴致缺缺:这些网上都有,还不如看up主讲得有意思。

期中考试,作文跑题了,孩子还振振有词:我写的没错啊,我朋友圈里大家都这么说的。

你突然发现,孩子并不是不聪明,而是活在一个越来越窄的世界里——他接触的信息越来越多,但对世界的理解却越来越片面。更可怕的是,他完全意识不到这一点。

二、一个藏在算法背后的认知陷阱

2025年11月,美国俄亥俄州立大学心理系的研究团队在国际权威期刊《实验心理学:综合》(Journal of Experimental Psychology: General)上发表了一项重磅研究。这项研究的第一作者Giwon Bahg博士(现为宾夕法尼亚州立大学博士后研究员),与俄亥俄州立大学的Vladimir M. Sloutsky教授和Brandon M. Turner教授合作,用一个精巧的实验,揭示了个性化推荐算法如何悄无声息地扭曲人类的认知。

研究团队找来346名参与者,让他们学习一些虚构的外星生物分类。这些外星生物有6种不同的特征,总共分为8个类别。关键来了——研究者设计了不同的学习环境:

对照组:老老实实把所有信息都展示给参与者,就像传统课堂那样,该学什么学什么。

算法组:模拟抖音、快手、小红书这些平台的推荐机制,根据参与者的偏好来推送学习内容。

这个算法不是研究者随便设计的,而是改编自YouTube 2016年发表的真实推荐算法(Covington等人提出的协同过滤推荐算法)。也就是说,这是你的孩子每天真实面对的那套机制。

结果让所有人都震惊！

三、越学越窄:算法如何“训练”出片面认知

第一个发现:信息摄入的隧道化

在算法推荐环境下学习的参与者,平均只关注了6种特征中的2-3种,而对照组会均衡地关注所有特征！

更可怕的是,随着学习的进行,算法组的探索范围越来越窄——就像一个人越走越深入地钻进一条死胡同。

这就像你的孩子刷短视频:最开始可能还看看不同类型的内容,但很快,算法就把他培养成了某个领域的专家——要么全是游戏视频,要么全是搞笑段子,要么全是某个明星的八卦。表面上看他每天接触大量信息,实际上都是同一类信息的重复。

研究用香农熵(Shannon entropy)这个数学指标量化了信息多样性。数值越高,说明接触的信息越均衡;数值越低,说明越偏食。结果显示,算法组的香农熵持续下降,说明参与者的信息摄入越来越单一。

第二个发现:扭曲的认知地图

你以为这就完了？naive了伙伴！更可怕的还在后面：学习结束后,研究者测试参与者对这些外星生物的分类能力。

对照组的参与者虽然不是百分百准确,但错误分布比较随机——该懂的懂,不懂的知道自己不懂。

算法组呢？他们的错误有明显的系统性偏差。研究者用混淆矩阵(confusion matrix)分析发现,他们会把从未见过的类别,硬套进自己熟悉的那几个类别里。就像一个只见过动作片的人,看到任何电影都往动作片上靠——文艺片？那肯定是慢节奏动作片;恐怖片?那就是暗黑系动作片。

研究者用贝叶斯统计方法(Bayesian rank-sum test)对比两组的表征距离(representational distance)——简单说就是认知偏差的程度。

结果显示,算法组的偏差是对照组的数倍,而且统计学上强有力地支持了这个结论(Bayes因子log₁₀ BF₁₀ > 1.0,达到了强证据级别)。

第三个发现:危险的迷之自信

最带劲儿的发现来了！

当测试那些从未在学习阶段出现过的外星生物类别时,算法组的参与者不但大胆分类,而且信心满满。研究者让参与者对自己的答案打分(0-10分的信心度),结果发现:

答对的时候:

信心随着熟悉度上升(这是正常的)

答错的时候:

越是没见过的类别,反而越自信!

这完全违反常识。一个正常人面对陌生事物,应该谨慎才对。但算法组的参与者表现出一种诡异的过度泛化(overgeneralization)——他们相信自己有限的知识可以解释一切。

研究团队用混合效应逻辑回归模型(mixed-effect logistic regression model)深入分析这种关系,发现当测试项目的代表性分数(representativeness score,即该类别在学习阶段出现的频率)为零时,算法组参与者答错的概率很高,但信心却达到峰值。这种错得越离谱,越自信的模式,在统计模型中得到了稳健的证实。

这解释了为什么你的孩子会那么自信地说出一些明显片面的观点——算法环境让他们产生了一种幻觉,以为自己局部的、碎片化的知识,就是对世界的完整理解。

四、这不是科幻,这是你家客厅正在发生的事

你可能会说:这不过是个实验室研究,跟现实能一样吗？

恰恰相反,这个实验的设计精妙之处,就在于它剥离了所有干扰因素,直指问题本质。

研究者故意使用了虚构的、参与者完全不认识的外星生物,就是为了排除先入之见的影响。这意味着实验中观察到的认知扭曲,完完全全是算法推荐机制导致的——不是因为参与者本来就有偏见,而是算法从零开始培养出了偏见。

Turner教授(研究的共同作者)在接受采访时说了一句让人警醒的话:

如果你有一个genuinely(真心实意)想要了解世界的小孩,而他在网上与那些优先让用户消费更多内容的算法互动,会发生什么？消费相似内容往往与学习不一致。这会给用户带来问题,最终也会给社会带来问题。

想想看,这跟你家孩子每天的生活多像:

他打开B站,算法根据他之前看过的视频,推送更多类似内容
他刷抖音,不到三天,首页就被某一类视频占领
他玩游戏,推荐系统只会推送他熟悉类型的游戏
他查资料,搜索引擎记住了他的偏好,只给他想看的结果

日复一日,他接触的信息范围越来越窄,但因为信息量很大,他误以为自己很了解世界。等到真正需要理解复杂问题、需要多角度思考时,他发现自己除了那几个熟悉的套路,其他都是盲区——但他还浑然不觉,依然自信满满。

五、为什么会这样？算法与大脑的“合谋”

这项研究还揭示了一个更深层的机制:算法推荐与人类注意力系统的正反馈循环(positive feedback loop)。

人类的注意力本来就有选择性。认知心理学早就发现,我们倾向于关注那些有诊断价值(diagnostic)的信息——也就是说,能帮我们区分不同事物的信息。这本身是一种高效的学习策略。

但问题来了:什么信息有诊断价值,取决于我们接触到什么样的材料。

在传统学习环境中,老师或课本会确保你接触到完整的信息集。但在算法环境中,你接触的信息本身就被筛选过了。于是出现了一个恶性循环:

算法根据你的初始偏好推送内容
你从这些内容中学到某种模式
你的注意力进一步聚焦在这种模式相关的信息上
算法检测到你的聚焦,推送更多类似内容
循环往复,越陷越深

研究中的数据清晰地展示了这个过程。算法组参与者的信息采样模式,从最初的相对均衡,逐渐变成高度个性化的指纹——每个人都发展出了独特的偏向,并且彼此之间差异巨大。而对照组和主动学习组(可以自由选择学习内容的组别)则保持了相对均衡的信息摄入。

这说明:不是人本身有问题,是算法主导的环境在塑造人的认知习惯。

更可怕的是，这种注意力的选择性一旦形成,就很难改变。认知科学的大量研究(Best et al., 2013; Blanco & Sloutsky, 2019; Hoffman & Rehder, 2010)都表明,选择性注意一旦建立,会让进一步的探索和注意力重新分配变得困难——即使后来意识到需要纠正错误认知,大脑也已经习惯了原来的模式。

六、你能做什么？不是逃离算法,而是打破茧房

读到这里,你可能会想:那就不让孩子接触这些平台了？

不现实,也不应该。

Turner教授团队的研究并不是要妖魔化技术，而是要让我们清醒地认识到算法的局限性。基于这项研究，我给几个可操作的建议：