研究背景

Bots指的是互联网社交媒体上的机器人账号，例如自动搜集发布信息的营销号、自动刷评论的水军等。它们在散播假消息、煽动激进分子、操纵政治进程等方面都“大有作为”。在Twitter，这些机器人账号会自动发布、转发、回复内容，传播信息的速度非常快，影响范围很大，传播机制比较复杂。

目前对社交媒体机器人的研究还局限于对事实的描述，而缺少理论化、过程性的机制解释。本文提出了名为“算法传声筒中介”的新理论框架，所要回答的研究问题就是：Twitter上的bots散播信息的行为是怎样的？在“算法传声筒中介”框架中，包含了算法社会警觉和算法社会传播这两个相互交织的过程。下面就为大家详细介绍其中的理论概念，让我们一起来揭开社交媒体机器人的作用机制吧。

社交媒体机器人（Bots）

目前对bots如何散播信息的研究还比较少，现有研究更多地在讨论Twitter机器人对政治事件的影响。近几年最广为人知的案例是，在2016年美国大选中，bots发布、转发、评论了大量不可靠的信息，加剧了社交媒体的政治冲突，并起到了操纵用户政治倾向的作用。有人把bots分为两类，信息聚合者和错误放大器。这两类账号发布内容的频率都很高，区别是信息聚合者有大量粉丝（即，机器人营销号），而错误放大器的粉丝数则比较少（更接近于中文社交媒体中的水军）。在本文的研究中，这两类bots均有涉及。

传声筒中介（Conduit brokerage）

传声筒中介（Conduit brokerage）是指中间人设法在两个人群之间传递信息的现象。简单而言，就是中间人充当信息的搬运工，而信息的来源可以是人、组织，甚至是bots。与传声筒中介有关的研究已经覆盖了许多问题，例如个人绩效、对话式信息扩散、创新等。在这些研究中，信息源、接收方，以及中间人通常都是人类。但是，已有研究没有考虑信息传递整个过程的复杂性，每个角色在面对信息时的主观能动性常常被忽略。

理论发展：信息重组、润色，以及算法级传声筒中介

传声筒中介将信息组织在一起，会对信息进行一定程度的重组和润色，这一过程也是bots设计中必不可少的。本文作者对此给出了明确的定义：信息重组是指在不引入新信息的情况下，改变已有信息的表达方式；信息润色则是向已有信息中添加新内容，以此来吸引更多关注。

由于bots的自动化行为是由算法决定的，本文提出了“算法传声筒中介”的框架，即，在算法作用下，bots自动充当传声筒中介的过程。其中，两个重要的子过程分别是算法社会警觉（algorithmic social alert）和算法社会传播（algorithmic social disseminate）。对于行为模式类型不同的bots，上述子过程的执行存在差异。下表列出了该框架中的关键概念。

研究方法

本文利用2013年巴西联合会杯期间的抗议活动来研究bots散播信息的过程。当时大量巴西民众参与了线上和线下的抗议示威，反对巴西政府花重金举办体育赛事而不顾民生。短短几天，诸如#ChangeBrazil、#MudaBrasil的抗议话题标签在Twitter上大量涌现，在世界范围内产生很大影响。下面介绍本文采用的研究方法。

（1）数据收集

本文作者收集数据的过程分为两个阶段：

阶段1：利用抗议相关的话题标签，通过Twitter提供的API来收集原始数据。接着对这些原始数据进行处理，采用机器学习算法和人工相结合的方法从中识别bots。本阶段一共识别出8个bots。

阶段2：重点关注识别到的8个bots在抗议期间的活动，收集相关的Twitter消息。

（2）数据分析

本文的数据分析包括逆向工程和质性研究两个部分。

逆向工程：即通过收集到的数据反推bots行为逻辑的过程。作者对bots发布的Twitter消息文本进行预处理后，针对消息的类型、数量等统计特征进行可视化，并计算了消息中各个词汇的词频，以此推断出bots的行为触发关键词。在这个分析过程中，作者有了意外的发现——原本数据收集所用的话题标签是抗议相关的，找出来的8个bots中却只有1个以抗议关键词作为触发。这说明bots可以在其设计逻辑之外的社交领域非常活跃地传播信息。这可能是由于传播信息源本身为了获得更高热度，故意加入了其他话题标签。

质性研究：作者对阶段2收集得到的文本数据进一步展开质性研究，识别到了bots的两种典型行为模式。下面为大家介绍本文的主要发现，以及提出的新理论框架。

研究发现

作者识别出的两类bots典型行为模式即为表格中列出的“扩增”与“跨界”，下面分别介绍它们在充当算法级传声筒中介时的行动。

（1）扩增型

这一类bots收集来自Twitter站内的消息，有些主要检索话题标签，例如全球及本地的抗议活动、体育赛事、明星等；有些则检索特定的关键词，通常是名词或动词（例如“分享”、“毛毯”等），也包括关键词在不同语言中的形式（例如Brazil和Brasil）；甚至还有些bots会把自己的ID作为检索目标。一个bots可以在短时间内处理大量的Twitter信息，其信息源能涵盖上千Twitter用户。

当检索到的消息符合bots脚本逻辑时，就会触发它们的转发行为，把消息散播出去。由于bots的行为高度自动化，这种短时间转发大量信息的行为被作者称为“快速扩展”（rapid scaling）。

（2）跨界型

这一类bots收集Twitter站外的消息，包括文章、图片、视频等多种类型，有时需要对消息进行重构以符合Twitter的规则，例如把站外视频转换为文字+超链接的形式。这些消息的来源通常是与bots的Twitter账号绑定的其他平台，同样以关键词、话题标签等作为触发源。

跨界型bots散播消息的对象主要是自己的粉丝，或通过“@”功能提及特定对象来实现传播。Bots在消息中“@”其他用户，以及向消息中插入新的话题标签，这些行动都属于对信息的润色（embellish）。这些被插入的话题标签通常是当下的讨论热点，因而可以为bots发布的内容吸引更多注意力。跨界型bots每天可以发布上百条消息，影响力同样非常大，也具备“快速扩展”的特点。

经过上述讨论，作者将社交媒体机器人的行为模式汇总为“算法传声筒中介”框架，如下图所示。该框架刻画了bots散播信息过程中完整的算法社交过程，并指出了bots设计当中的重要特性—— “快速扩展”过程（图中黑色粗线）。

来源：MIS Quarterly Vol.46 No. 4/March 2022, pp. 244

在此框架中，“快速扩展”是让bots区别于人类账号的最关键行为，这也是本文提出的一项新概念。快速扩展不单单是指bots发布信息的速度快、范围广，还包含了bots能够短时间内检索海量信息的特性。区别于传统概念上的网络效应，bots快速扩展的结果可能并不一定能让信息真的触达很大规模的受众，而更多是在于短时间内发布了具有很大信息量的内容。

基于此框架，我们还可以比较人类传声筒中介和bots的区别。首先，人类的社会警觉往往受情绪驱使，而bots却不会，同时人类和bots组织信息的原则也是不同的。在社交传播环节中，人类的传播行为通常包含了自身观点，但bots只负责传播而不对信息做任何评判。也正是由于人类将情感和评价引入到了信息扩散中，人类对信息的加工是带有创造力的，而bots只会简单地执行信息的重组与插入。人类的扩散行为具有明显的内在动机，bots则完全是“没有感情的机器”，机器的高度自动化特性也使bots具有远超人类的规模化影响能力。

本文将文本分析技术与质性研究方法相结合，其对理论的阐释基于研究者对文本数据材料的阅读和分析。文章在说理中穿插了许多对bots真实行为的观察，能够让读者更直观地了解社交媒体机器人运作机理。在未来，研究者可以基于此框架对bots的社会警觉和社会传播过程展开更细致深入的研究，例如研究bots行为触发器的特征、bots的拟人化设计、bots对信息的加工过程等等。

参考文献：

Salge, C. A. D. L., Karahanna, E., & Thatcher, J. B. (2022). Algorithmic Processes of Social Alertness and Social Transmission: How Bots Disseminate Information on Twitter.MIS Quarterly, 46(1).

文章链接：https://doi.org/10.5465/amj.2013.0991

作者信息：

Carolina Alves de Lima Salge

Position: Assistant professor of Management Information Systems at the University of Georgia’s Terry College of Business.

Area: Carolina’s research focuses on generating insights to improve social interactions with computer algorithms in ethical ways. Her research has been published in Journal of the Academy of Marketing Science, Academy of Management Discoveries, Journal of Virology, and Communications of the ACM.

Site:https://www.terry.uga.edu/directory/people/carolina-alves-de-lima-salge

Email: calsalge@uga.edu

Elena Karahanna

Position: Research Professor and the C. Herman and Mary Virginia Terry Distinguished Chair in the MIS Department, Terry College of Business at the University of Georgia.

Area: Her research interests include information systems use, health IT, algorithmic coordination, and social bots. She has published in top scholarly journals such as Information Systems Research, Management Science, MIS Quarterly, Organization Science, and Academy of Management Review, as well as in practitioner journals (MIS Quarterly Executive, Business Horizons,Cutter Benchmark Review). She has served as senior editor for MIS Quarterly, Information Systems Research, and Journal of the Association for Information Systems, and serves as associate editor at Management Science. She is a Fellow of the Association for Information Systems and has received the AIS LEO award.

Site:https://www.terry.uga.edu/directory/people/elena-karahanna

Email: ekarah@uga.edu

Jason Bennett Thatcher

Position: The Milton F. Stauffer Professor in the Department of Management Information Systems at the Fox School of Business of Temple University.

Area: Jason’s research examines the influence of individual beliefs and characteristics on technology use, cybersecurity, and strategic issues tied to information technology use in organizations. His work appears in MIS Quarterly, Information Systems Research, Journal of Applied Psychology, Organizational Behavior and Human Decision Processes, and Journal of the AIS. He has served as senior editor for MIS Quarterly, Information Systems Research, and Journal of the Association for Information Systems.

ttps://community.mis.temple.edu/jasonbennettthatcher/

Email: jason.thatcher@temple.edu