算法模型推荐对新闻真实的消解与建构

段 鹏

(中国传媒大学,北京 100020)

一、 问题的提出

算法是技术神话吗?回答这一问题首先需辨明,算法是否是绝对中立且准确无误的。算法是由人设计的,算法的决策系统也是如此,以网络管理为例,算法需自动区分仇恨言论、虚假信息或恐怖主义宣传与新闻等,所有这些系统都使用价值判断来得出结果。因此为了执行任务,算法需要“知道”要区别对待哪些数据包。此类定义总是由人类设计者出于某些意图制定,显然此类定义并不能被限定为是中立的,同时基于它们的算法也不是中立的。算法要么直接由人类设计,如果是自学,则在人类控制和设计过程的基础上发展它们的逻辑。它们既不是“客观的”也不是“中立的”,而是人类深思熟虑和权力斗争的结果。之后,算法将所有输入都置于同一组指令之下,对所有数据对象无差别运行,且没有任何自己的意图,因此对于其“神话”的解读,仅能在数据采集、模型设计、价值判断等内容以外加以探讨。

2020年10月与2021年10月和12月,欧盟网络与信息安全局(ENISA)分别发布了《人工智能网络安全威胁图谱》(ArtificialIntelligenceCybersecurityChallenges:ThreatLandscapeforArtificialIntelligence)、《ENISA威胁图谱2021》(ENISAThreatLandscape2021)、《安全机器学习算法》(SecuringMachineLearningAlgorithms)等报告,这些报告以海量数据资料为依托,旨在提升欧盟在人工智能领域的网络安全性。以人工智能、算法等技术为土壤的假新闻首次进入ENISA的威胁图谱,虚假信息甚至在一些网站中成为了能够攫取利润的网络服务模式(Disinformation as a service, Daas)。ENISA称,数字技术和社交媒体使用频次的不断增加颠覆了人们一直以来获取新闻资讯的方式。(1)ENISA Threat Landscape 2021, https://www．enisa．europa．eu/publications/enisa-threat-landscape-2021, May 27, 2022.社交平台不同于传统媒体形式,其“把关人”不再严苛,“过滤器”缺乏核查,任何一次虚假新闻的生产和传播都可能引起重大舆论事件,而恰是以算法为代表的新兴模式为此类现象提供了技术基础。

算法作为信息技术、数学模型、媒体后台等交叉领域的“复合体”,一直以来存在于各类“运行”的内在逻辑中。从本体论角度出发,算法早已不能被简单定义为基于数据经验的推导模型,其暗含的对现实社会的控制力、渗透力,使其成为“技术无意识”(Technological Unconscious)的构成部分。社会的结构在一定意义上被算法支持,而其运行逻辑往往仅被其设计者管窥,以技术黑箱形式存在。之所以说设计者也仅能够“管窥”,是出于对机器学习内容片面性的考量,文中也将对这一点加以详述。当下,算法的运行不仅表达着代码的数学语言,也嵌入了不同意识形态、国家力量、身份背景的博弈逻辑,甚至包含着设计者自身潜在的喜好和偏向。以算法为技术基础的算法新闻不仅影响着传统新闻生产机制,也在智能媒体传播的宏观大背景下对人与社会产生着潜移默化的影响。大至国际传播领域,传统意义上不同主体间的霸权与反霸权行为正在以算法的形式被改写和重释,这引发了不同国家和地区对算法及网络安全问题的重视;小至日常生活,社交平台算法锚定、迎合、形塑人们的“个性化喜好”。

在媒介智能化及全球化大背景下,一些由算法虚假新闻引起的社交平台舆论事件造成的影响极有可能从微小的IP地址所在地蔓延至全球,刨除由于客观信息传播误差等原因造成的虚假新闻,恶意的数据收集、钓鱼链接、信息诽谤等事件通过算法这一技术双刃剑撼动着国际局势,如在全球性事件新冠肺炎疫情发生前期,大量的海外网站以算法为驱动,在没有事实根据的情况下捏造新闻消息,对中国加以污名化。再如俄乌冲突前后,以美国为代表的西方国家利用自身智能化媒体技术优势,在全球范围内借由社交媒体掀起的对俄谴责,无不将新闻传播领域中的算法新闻问题推至选择“左”还是“右”的伦理两难境地,其中最为显性的则是算法新闻的新闻真实问题。区别于传统新闻生产,算法的介入使得新闻产品在“技术价值无涉”的大观点下似乎带有天然的真实和客观属性,然而从现实来看,算法假新闻已成为不能回避的问题。算法新闻的勃兴为何挑战了新闻专业主义及新闻真实问题?本文对这一问题的回答将追溯至算法数学模型本身所具有的数学缺陷,试图在算法新闻应用之便以外剖析技术内隐之恶。

二、 算法新闻与新闻真实

首先需对算法新闻概念加以溯源和澄清。算法新闻(Algorithm News)是运用智能算法工具自动生产新闻并实现运营的过程、方法或系统,包括信息采集、储存、写作、编辑、展示、数据分析及营销等的自动化实现。(2)於春: 《算法、权力与治理: 智能时代美国新闻自由与民主政治的反思》,《当代世界与社会主义》2022年第3期,第117—122页。算法新闻不应单单被理解为一项技术、一种类型或一个对象的指称,相反,算法新闻是新闻领域内以算法模型为内核的系列技术程序。有研究者将算法新闻定义为利用算法在无人干预情况下自动生成(automatically generate)新闻消息的过程,侧重于强调算法协助下新闻生产的自动化(automatically)。此类理解往往与生产概念紧密结合,同时对算法新闻范围的认定根据不同主体和侧重点包含了“机器(人)新闻”(Robot Journalism)、“自动化新闻”(Automated News)、“数据驱动新闻”(Data-Driven Journalism)、“计算新闻”(Computational Journalism)等模式,更聚焦在对算法新闻技术层面的探讨。

从社会空间生产角度出发解剖算法新闻,算法新闻的生产被认为包括了人工设计模型自动生产新闻的机器人算法新闻,传统媒体新闻内容产品及自媒体生成内容,根据新闻要素、地理特征、人口学特征、个性化特征实现的新闻算法的分发。(3)郭洁: 《算法新闻的空间视角研究》,《青年记者》2021年第14期,第22—23页。在此类认识视角下,算法新闻实际上将人、企业、社会在网络社会空间的物质或精神生产力纳入了自身的生产机制,也包括了用户接受新闻产品后对新闻产品的指导反馈过程。同时,也有学者从更广义和全面的视角出发,置算法新闻于社会的应用和辐射层面,将其定义为“大数据、算法与社会科学的结合模型”,也同时强调了算法新闻模式下人力的“缺席”“在场”及新闻问责的重要性。新闻生产原本是一项完全“人为”的工作,而在算法新闻问世后,技术与人的劳动分工问题也在学界和业界范围被广泛讨论,其中不乏对新闻生产自动化伦理问题的批判声音。

新闻真实可以称作是新闻业的“元问题”(Meta-Question)之一,一直以来,新闻真实被认为是新闻从业人员工作实践的核心原则、要求、底线。就本质而言,新闻真实要求新闻报道与客观事实具有一致性。20世纪90年代,郑保卫认为新闻真实性就是新闻报道对客观发生的事实如实进行报道和反映,这一说法体现着传统新闻生产领域中学界对于新闻真实的大体看法。对于事实和报道“一致性”的追求更多倾向于一种“结果真实”,新闻记者作为新闻信息的挖掘者和传递者也承担了信息核查的责任,这也关乎新闻媒体权威性和相应的公众信任问题。可以说,从新闻真实绝对论视角出发,新闻真实被认为是与所报道对象完全符合或存在同一性,但基于现实考量,“绝对真实”往往很难实现,这也引发了学界对新闻真实绝对论的诟病。从新闻真实认识论视角出发,并不存在完全符合客观情况的新闻真实,新闻真实仅被认为是经过新闻生产者主观判断后认定的事实。反观当前数字技术背景下的新闻业,以算法新闻为例,新闻实践活动的核心主体不再仅是记者,它也被多样化的技术主体从不同角度介入,因而对新闻真实的要求出现了一定的“过程真实”转向。新闻真实这一传统媒体时代的道德要求与职业准则在数字时代又遇到了新问题,在迅速变化的媒介生态中,新闻的角色也正发生相应的变动,“新闻真实”这一合法性根基也受到动摇。(4)白红义、王嘉怡: 《数字时代新闻真实的消解与观念重构》,《新闻与写作》2022年第7期,第14—25页。对于公众而言,新闻报道中的“事实”大多时候与自己有着空间间隔,因而需要新闻记者前往现场并与事实直接接触。从源头挖掘、被加工和查证的信息体现了新闻的真实性,并且最后成为被公众消化的新闻产品。而算法新闻的出现改写着这一机制,一方面,生产主体从“人”转向“机(由人设定的模型)”;另一方面,算法新闻的信源是载有海量信息的网络数据库。从一般逻辑出发,这样的转变似乎能够使得新闻以更加中立、客观、真实的方式被呈现和传播,然而事实并非如此。由此,本文从算法新闻的核心技术基础算法出发,剖析导致算法新闻真实性存疑的部分弊端源头。

三、 算法弊端探源

诚然,算法作为“技术之技术”赋能社会生活的方方面面,在大多数情况下,其以数学模型为核心、以技术为手段为人类的发展提供了极大的便利。本文无意对其积极的能力架构或技术功能进一步阐释,也并非全然批判地对技术加以批驳抗拒,相反,本文试图侧重于通过解剖算法的架构逻辑,把握其在数理层面的先天缺陷,并据此谈及当前算法新闻在生产机制中所先天具有的缺陷。

简单化而言,算法实际上可以看作设计者计算机语言交流下的机器学习和基于学习的机器判断,其本质实为一种数学模型。模型的逻辑隐晦不明,或者说只有设计者掌握着其运行的大体路线,却不能百分百确定不会有偶然性事件或数据歧视和谬误发生,而诸如歧视、错误、有害事件的后果却由“被运行”了算法的用户承担,更多时候这种有害后果是用户甚至不曾察觉的隐性侵害。为了在非计算机专业背景下进一步阐明侵害发生的路径,本文从较为直接的数学与常识视角出发,对算法中最可能对客观性造成侵害的三段流程加以解释:

(一) 数据搜集: 盲点处的谬误及片面性强化

算法的实质即为模型,而模型的要义则是简化一切事件与问题。以我国经典体育运动乒乓球为例,熟练的球手在攻防过程中往往会预判对手的来球方向并以适当力度的反作用力将球击回对方台面,教练往往也会在制定策略时,通过观看赛事回放的方式观察对手的运球轨迹,并基于此作出己方在赛场上的战术应对。事实上,寻找对手赛事回放、大量观察对手运球轨迹,可以类比为算法模型建立的前提——机器数据挖掘与机器数据学习,而基于个人判断击球则类似于算法模型推导出建议并被接纳。这一类比一定程度上有助于我们更清晰地勾勒算法本质并为其祛魅,也正如段首所言: 算法模型是对一切事件和问题的简化。然而,人类社会万千事件皆具细微差别,模型是否能识别、定义一切事件,而不遗漏对社会细微方面的考量呢?

《美国新闻》(U．S．News)(5)后更名为《美国新闻与世界报道》(U．S． News &World Report)。杂志在1983年开展了一个教育评估项目: 为全美1 800所大学及学院进行“优秀度”排名,大学质量的排名将为即将进入大学的年轻人提供数据参考。为了形成一个评估“优秀度”的模型,《美国新闻》的编辑根据自己的直觉判断向各个大学发送了评估问卷,然而编辑仅挑选了一些看似与大学“优秀度”相关的变量,如高中生SAT成绩、学校的师生比例、毕业校友捐款比例等,但诸如学生在学习过程中的获得感、幸福度、终身学习能力、社交能力等评估因素均未得到考量,编辑们较为主观的评估变量被数学模型包装,共同推导出了1988年的全美大学优秀度排名。尽管大多读者对这一排名表示认可,然而杂志社仍然收到了海量的投诉和批驳,被指控评判因素有失客观性。

值得注意的是,未能考虑到细微方面的算法模型推导出了大学优秀度排名,这一排名影响着年轻人的择校选择,排名靠后的大学少有人选择,更不利于大学的数据表现,从而造成了一定意义上的“恶性数据循环”。由此可见,由于设计者的数据盲点,算法有时会片面地证明自己的内置逻辑和输出结果是合理的,并不断在运行过程中自我巩固、自我发展,却侵蚀了相关方的特定利益。

(二) 数据歧视: 被技术包装的偏见与博弈

如果说《美国新闻》的编辑在制定评估因素时只是受到了个人社会生活背景、知识学历等细微因素影响,其算法仅仅包装了模型设计者的认知,那么对于如种族主义者、资本集团等有着鲜明结果导向和站位立场的设计者而言,算法则是包装人类偏见与资本博弈的技术外衣。就个人层面而言,种族主义类似于存在于种族主义者认知中的算法模型,一切与不同种族人群相关的缺陷、片面、虚假数据都会被种族主义者纳入认知,并推导出一个二元对立的种族认知结论。而一旦个人层面的这一认知模型被置于现实的算法技术中,被应用于具体的社会方面,则必定会造成对部分人群的伤害。以种族主义为代表的算法模型实为最欠缺考量的模型,它被随机的数据采集和假性相关所驱动,被制度不公平强化,又被证实性偏见进一步劣化。(6)凯西·奥尼尔: 《算法霸权: 数学杀伤性武器的威胁》,马青玲译,北京: 中信出版社,2018年,第12页。

以利益为核心的资本博弈也被算法模型所包装。依然以浅显的日常生活案例为切入点,当有心人观察到,商场门口的抓娃娃机每投币n次就会出现故障,娃娃会比较容易掉落,那么一个简单的获利模型就生成了。金融工程师正是通过海量的数据建立算法模型以预测如“娃娃掉落”一般的反常式获利,货币、债券、股票以及国际市场中数以万亿计的美元或黄金正是在算法模型的推演下进入了特定群体的账户。

需要从另一个社会层面反思的是,进入资本家账户的资金并不仅仅是屏幕界面上的简单数字,2008年金融危机爆发时华尔街的对冲基金投资人将其称为“傻瓜基金”,指的就是那些来自“傻瓜”民众的钱。民众真如其所说一般是“傻瓜”吗?事实上这一粗暴的形容,恰是对民众将会被不透明算法模型欺骗的隐喻,由于不清楚黑箱的资本操作逻辑,民众的血汗钱被卷入资本家、机构等多主体的利益博弈中。

(三) 模型弊端:“偶然”变量引发的意义坍塌

关于算法的第三个先天缺陷,正如上文所举的乒乓球轨迹数据学习案例,一般情况下教练和球手凭借认知中已有的模型判断来球方向并基于经验加以应对,然而在一些情况下,对手来球可能是前推、加转、侧转的弧旋球,继续沿用模型中的应对模式反而会使球走向错误方向导致失分,这便是模型中的“偶然”变量。(7)在概率论和统计学中,偶然变量指的是“值取决于随机现象的结果的非独立变量”。更直接地说,算法模型在“房间出现大于n浓度的烟雾就触发火警铃声”的单一变量逻辑中更为直接有效,而面对可能出现偶然变量的事件则可能出现意义的坍塌。

除却偶然性,人类本身所具有的个体差异性、成长性等特殊现象也并非算法模型能够绝对概括的。正如如果缺少精密数据的实时更新,远在外地的祖父祖母并不能在下一次见面时准确地掌握孙辈的饮食口味,而即使时刻掌握着实时反馈的个性化数据,一位母亲也并不能百分百确定精准地烹饪出满足子女特定时刻味觉需求的美食。这也正是算法模型所具有的运行弊端,即变量考量的片面性以及变量自身的变动性可能导致结果出现误差。

四、 模型缺陷的延伸

从上述三段可能出现错误或侵害的流程来看,算法数学模型其实在生成前(制作者的前期设计和数据搜集)、生成时(机器学习和模型判断)、运行后(现实社会对算法的运用)皆存在一定程度上较难避免的先天缺陷。另一方面,在人类主观认知的参与下算法模型难以保证自身是价值无涉的,这就意味着在数学模型的协助下,不同设计者的主观认知从意识层面走向了现实世界,并在算法推导结果的作用下产生了实际的现实影响。对算法本身缺陷性的探讨并非对技术本身的孤立批判,事实上,技术脚本中的缺陷基因在一定程度上延伸至了算法的应用领域,新闻传播实践中算法的应用也体现了上述三段流程的媒介演绎和侵害变体,也由此在一定程度上消解着新闻真实。从算法新闻技术本体出发,它是如何继承了算法这一模式本身的缺陷并影响新闻的真实呈现的?为了探寻问题的答案,需拆解算法新闻生产流程:

(一) 数据采集及处理: 模型盲点再现

算法新闻运行与传统新闻生产的前提实际上是类似的,两者均需获取材料以生产内容。传统的新闻生产中,新闻采集需要相关人员前往新闻发生地或相关主体所在地采集所需信息,而在算法新闻运行中这一流程则体现为核心数据抓取及相关数据挖掘。算法新闻运行的技术基础在于对大数据中新闻信息的抓取与计算分析,而大数据本身是通过汇集存储在数据库里的每一个数据生成的。(8)董天策、何旭: 《算法新闻的伦理审视》,《新闻界》2019年第1期,第27—33页。理想状态下,数据库应当是一个能够为算法新闻的运行提供全面、客观数据信息的完美“粮仓”。

从新闻专业主义角度和对新闻真实的考量出发,“粮仓”的内容物至少需保证两个前提,即客观性和基本价值原则,而这正与算法新闻数据搜集产生一定程度上的相悖。出于材料丰富性和全面性的考量,设计者往往设定模型挖掘海量数据。区别于传统调查性新闻使用的抽样方法,海量数据往往给人以“全面真实”的样本假象。事实上,算法新闻运行过程中的海量数据基础导致了两大问题: 其一是数据信度核查难度大,其二是隐私数据的挖掘引发的伦理问题。

首先,新闻机构在利用算法生产新闻时往往是从第三方数据库购买接入数据的使用资质,而第三方数据库的数据获取则有其自身不透明的数据来源和获取方式,且不谈数据源是否真实可靠,单是经过了中间介质传输和交易往来的数据就已使其可信度下降。另一方面,从模型架构和算法技术层面而言,正如前文所述《美国新闻》在为全美大学进行“优秀度”排名时遇到的问题一样,模型抓取数据的选择依然是由人决定的,而人的片面性及对数据的观照盲点无法被算法自动纠正。

当前,简单的机器人写作仅能够处理结构化数据,如中国地震网在预测到地震信息后立刻发出新闻消息,再如国内很多写作机器人均可以流畅生产财经和体育新闻,并自动对数据内容进行纠错。然而对于涉及深度报道、新闻核查的内容,算法却不具备强大的自动纠错能力。而一旦未被纠错的虚假信息被算法加工,再经由媒介演绎、传播、再释,则将导致盲点谬误的社会性强化。

其次,在社交媒体账号及内容逐渐占据媒体内容市场的今天,算法抓取的新闻数据或多或少将与个人隐私重叠交织。边沁(Bentham)在18世纪提出圆形监狱(panopticon)的理论概念,即全景式、敞视式的监狱。(9)Michel Foucault, Discipline and Punish: The Birth of the Prison, New York: Vintage Books, 2012．在边沁的论述中,圆形监狱类似于一个中心有可向外看的瞭望塔、四周由环形建筑构成的空间单位,环形建筑实为容纳不同类别个体的囚房,囚徒之间由于囚房的隔断具有一种横向的“不可见性”,但处在瞭望塔内的监督者却能够借助环形建筑外侧投入的光线,清楚地注视着每一间囚房内的个体。

边沁提出的敞视式建筑结构与算法新闻的数据挖掘机制存在一定程度的耦合: 瞭望塔与算法技术均可被理解为边沁视域下“可见”但“无法确知”的权力。在算法新闻生产过程中,技术不断试图触碰、透视个体数据,个体用户制造的诸如性别、年龄、当前位置、偏好设置、消费能力等数据均被观看,而自身却如同环形囚房内的囚徒无法横向观看,遑论纵向透视算法权力。而算法新闻在挖掘数据时则等同于置身瞭望塔,能够观看一切,却并未给外界观看自己的机会。

(二) 新闻生产及消费: 技术与人的“导向共谋”

在特定的动机和不同利益目标的驱使下,算法技术、赞助方、技术人员、报道机构等算法新闻相关主体在一定程度上共同引导了新闻导向,实现了人与技术的“导向共谋”。“共谋”的最为重要的促成因素是参与主体有着特定的动机追求,或为既定的利益千方百计地制造、引导舆论,或为娱乐消遣,或为制造轰动效应,或为诱导人们的消费行为。(10)匡文波: 《人工智能时代假新闻的“共谋”及其规避路径》,《上海师范大学学报(哲学社会科学版)》2019年第48卷第4期,第104—112页。

众多共谋之下的算法新闻中,假新闻是煽动社会情绪最为直接、成本最低的形式。事实上,假新闻长期以来一直被利益集团用来左右社会舆论。在数学科学家诺亚(Noah Giansiracusa)看来,诸如算法新闻等新技术和新媒体的兴起,将信息博弈的风险推至人类社会有史以来最高的临界水平。海量数据新闻影响下,现实世界与网络世界的边界正在被不断消解,以算法为代表的技术平台创造了“技术的军备竞赛”(a technological arms race),将假新闻的出现频率、传播速度、影响范围推至高点。

人工智能和机器学习的进步导致先进的数字篡改媒体类型的出现,算法在大量的数据训练下也逐渐具备了篡改、操纵音频、视频、图像、文本的技术路径,即所谓的“深度造假”(Deepfake)。一些恶意生成的算法新闻中,主人公甚至以视频形式表现了其本人从未做过的事情,而这项“业务”的技术门槛并不高,甚至往往以模型服务形式出现。比利时的一名社会民主党派人士2018年5月在推特和脸书上发布了一段一分钟的美国前总统特朗普(Donald Trump)讲话的英语视频,配有荷兰语字幕。这段视频的造假技术较为粗劣,主要是对特朗普的讽刺式二次创作,然而社交平台用户对于此视频的海量调侃和评论使很多用户以为这是真实的新闻视频。而在2021年3月,缅甸一家军方运营的电视台播放了一段一名被拘留的前地区首席部长公开认罪的录像。录像中部长谈及自己曾向昂山素季(Aung San Suu Kyi)行贿,并对政变的一些细节加以描述。这段视频被军方作为有罪证据公之于众,但随即招致了大量的驳斥声音——由于声音和视觉效果与一般视频存在差异,人们认为这是由算法深度造假的煽动性新闻。

深度造假部分地构成了算法制造假新闻的证据,另一方面,算法推荐也为假新闻的靶向传播制造了通路。社交平台推特(Twitter)在成立初期仅仅为新注册用户推荐可关注博主,而自2016年起推特就开始了平台的内容推荐。首先,推特通过创建机器学习算法来决定哪些内容能够更好地“提升用户体验”,个人用户的关注列表、阅读过的推文都将成为平台算法学习的内容。这一算法学习步骤看似无害,但当算法决定向用户推荐何种内容时,盲点、模型等技术的天然谬误就可能被无限放大。社交媒体算法通常被设计成能够最大限度提高用户参与度的模型,因此如果一个有害的阴谋论,比如“2020年大选被操纵”等内容有可能引发大量用户参与讨论,那么算法将挖掘这一内容点并向大众传播更多错误信息,而这一模式不仅适用于推特,也适用于脸书的新闻动态,以及社交媒体上的任何其他排名和推荐算法。(11)Noah Giansiracusa, How Algorithms Create and Prevent Fake News: Exploring the Impacts of Social Media, Deepfakes, GPT-3, and More, New York: Apress, 2021, p．76．算法治理按照社会行动网络中的最有效、最便捷、最稳定的原则安排了最佳的行动图绘(Profifiling),(12)蓝江: 《生命档案化、算法治理和流众——数字时代的生命政治》,《探索与争鸣》2020年第9期,第105—114页。而手握智能手机与媒介社会沟通的人们在技术脚本的演绎下,会认为一切内容都是自己的选择。

如上所述,在当前的传播环境下,新闻报道的素材、主体和传播渠道正快速地向隐于事实背后的数据、传感器、物联网和采用了算法推送技术的互联网平台转化,在这个过程中,拥有数据和传感器的数量、物联网和算法技术的成熟程度,以及平台用户的数量逐渐成为衡量传播能力的新标准,同时算法爬取人们的媒介使用痕迹并以标签化形式界定用户行为,形成新闻内容偏好的用户拟象。从个体到群体,从群体到地区乃至国家,算法化的信息传播逐渐占据人们的日常生活和传播活动。从哲学层面出发,算法新闻不过是“万物皆数”哲学图式的副产品,“万物皆数”意欲追求超稳定的世界和谐,其核心概念是模仿、再现与控制,而算法新闻的生产机制正是沿着这样的框架运行的。(13)冯月季: 《反叙述: 算法新闻的符号哲学反思》,《编辑之友》2020年第1期,第74—78页。可以说,算法新闻及其新闻真实问题已不仅仅是新闻专业主义框架下的探讨议题,一定意义上构成了部分的社会拟态。在社交平台信息量剧增的后真相时代,传统新闻专业主义面临业务与伦理方面的双重挑战,然而在数字新闻时代,算法语境下的新闻真实由于先天具有数据盲点、歧视与弊端,在生产看似价值中立的“客观”报道时,也在一定程度上消解着新闻真实。