新闻聚合语境下新闻生产、分发渠道与内容消费的变革*

□文│陈昌凤　王宇琦

（作者单位：清华大学新闻与传播学院）

新闻聚合类媒体（news aggregator）是一种新型的新闻内容供应商，通常是指抓取互联网上各种渠道的信息，并以特定方式进行整合的网站或新闻客户端。[1]传统意义上的聚合类媒体，包括了谷歌、雅虎等门户网站，这些网站以特定主题分类整合新闻内容，并为用户提供指向特定新闻内容的链接。[2]

近年来，以Buzzfeed（嗡嗡喂，美国新闻网站）、今日头条为代表的技术类公司依靠技术手段追踪、分析用户行为，凭借用户真正感兴趣的内容吸引读者，赢得了较为广泛的用户群体和市场份额。据介绍，截至2016年9月底，今日头条的用户数量已经增长至5.8亿，日活用户超过6300万，单用户日均使用时长超过76分钟。[3]这意味着用户注意力正在日益被聚合类媒体所吸引，聚合类媒体得以更深刻地改变用户接受新闻的习惯，并对传媒业格局产生了颠覆性的影响。

本文在分析新闻聚合类媒体一般运作逻辑的基础上，探讨聚合类媒体对传媒生态的影响。具体而言，新闻聚合类媒体的发展，对传统的新闻生产流程形成了怎样的冲击？又如何改变了信息分发方式和渠道？对于受众而言，聚合类媒体又如何影响了他们的信息接受方式？

一、新闻聚合类媒体的运作逻辑

创立于2006年的社交新闻聚合网站Buzzfeed，某种程度上可以被认为是聚合类媒体的早期代表。Buzzfeed最初是一家研究网络热门话题的实验室，它通过技术手段采集用户行为数据，分析用户感兴趣的话题，并推送相关信息。

通过基于社交网络的用户行为分析，Buzzfeed发现，轻松、诙谐、娱乐化的内容更容易获得转发和传播。因此，该平台上所呈现的信息，有很大一部分聚焦于这类娱乐化信息。Buzzfeed平台甚为流行的“清单体”文章，如《77项看似荒诞不经但实则千真万确的事实》，以及各种小测试，都为平台积聚了大量人气，其中一些内容甚至在互联网上获得了病毒式的传播速度和影响力。2015年年初，由Buzzfeed发布的一则关于裙子是蓝黑条纹还是白金条纹的帖子，不仅在该平台上广为传播，甚至扩散到全球各地，也成为当时微博、微信等社交平台上的热点新闻。

除了对基于社交网络平台的用户行为进行信息生产，Buzzfeed的内容分发也与各大社交平台进行了广泛的连结。对于每条内容，用户都可以将其分享到自己的各个社交媒体账号上，包括推特、脸书、谷歌+等，借助这些成熟社交平台，Buzzfeed得以进一步拓展自身的影响力。

如今日头条、一点资讯等国内的新闻聚合类媒体则更为注重信息与受众个人兴趣的匹配性和定制化。

今日头条借助机器推荐引擎技术，在分析用户兴趣和行为的基础上，向用户推送个性化信息，核心是基于内容的算法推荐。在用户第一次使用今日头条时，该产品会对用户的社交媒体账号进行分析，对用户身份、职业、兴趣爱好等进行定位与标签化，并推送与之相符的信息。此后，用户每次的阅读行为都会被精准记录，这不仅包括用户感兴趣的新闻主题，也包括下滑、上拉、停留时间、开机启动次数等具体的行为细节，因为这些细节同样体现出用户对产品所推送的内容以及对产品本身的态度和兴趣。

一点资讯的运作逻辑与今日头条较为相似，都是通过机器算法匹配用户兴趣，进行个性化的推送。但一点资讯的推荐机制中，增加了用户搜索订阅的机制，即用户可以主动搜索自己感兴趣的内容并进行订阅。而今日头条的推荐，则更多的是通过机器算法对用户兴趣和行为的自动分析，进行用户兴趣识别和信息推送。

一般情况下，用户使用次数越多，机器推荐引擎对用户阅读兴趣的分析就会越准确。因此，以今日头条、一点资讯为代表的这类依托机器算法的新闻聚合类媒体正在凭借其对用户兴趣的准确匹配以及个性化的精确信息分发，迅速在信息分发类媒介产品市场中占据一席之地，并获得远高于传统新闻客户端的用户规模和用户日均使用时长。

总体而言，聚合类媒体的核心运作逻辑，在于通过信息抓取技术从互联网上广泛采集信息，再借助社交关系或算法匹配，向用户推送符合其兴趣或价值偏好的特定信息。借助算法推荐机制，用户得以从互联网的海量信息中高效地获得相对有价值的信息，或得以与有共同兴趣爱好的其他用户进行信息分享。如今，这种算法推荐机制已经成为互联网信息流动的核心逻辑，机器算法在一定程度上决定着信息的意义、信息的流向，以及受众对信息感知的方式。[4]目前较常用的算法包括基于内容的推荐——根据用户过去的浏览记录推荐用户没有接触过的推荐项，基于用户的协同过滤算法——基于一个“跟你喜好相似的人喜欢的东西你也很有可能喜欢”的假设，基于关联规则的推荐——挖掘发现不同内容在售卖过程中的相关性而进行的推荐。

二、“过滤泡”与“回音室”：新闻聚合革新内容消费方式

某种程度上，媒介技术的进步可能使受众更容易和与自己兴趣相投的人产生连结，进而加剧社会价值观念和意识形态的分化。[5]新闻聚合类媒体的兴起，正在创造一种全新的受众信息接收生态。在传统媒体语境下，媒体机构面向大众生产新闻，并依赖人工编辑的方式进行分发，没有明确的细分受众或者个性化定制的意识，因而受众会接受到相似的信息，客观上也有利于受众信息接收的平衡。而新闻聚合类媒体更多地借助机器算法，以用户各自的社交关系或信息偏好为标准进行信息筛选，这有可能使受众陷入“过滤泡”与“回音室”的信息困境中。

注重技术性匹配的聚合类媒体，正在逐渐通过机器学习和推荐引擎技术，向用户推荐与其兴趣和价值观高度匹配的更为个人化的信息，这在一定程度上会使用户陷入由“过滤泡”制造的虚拟信息图景中。脸书于2006年推出的“新闻推送”（News Feed）即带来了相关的批评，甚至有前工作人员披露他们推送时倾向于压制保守倾向的信息、推送自由倾向的信息。[6]

“过滤泡”（filter bubbles）的概念，由以利·巴里瑟（Eli Pariser）于2011年在其著作《过滤泡：互联网没有告诉你的事》（Filter Bubble: What the Internet is Hiding from You）中提出。他指出，以机器推荐算法为代表的互联网技术，正在使得用户获取的信息日益个人化；用户接收到的信息，往往会受到其检索历史、阅读记录等的影响，并受到机器算法的操控。[7]

从这个意义上而言，用户接收到的信息，都是由互联网平台上的机器算法用“过滤泡”过滤之后的产物。过滤泡的存在，会带来两个主要的问题。

第一，经由“过滤泡”过滤的信息，带上了用户个人的价值偏好和阅读习惯，因而会导致一定程度的信息偏向，造成用户接受信息的失衡状态。随着用户使用机器推荐类新闻聚合产品次数的增多，用户将只能接收到与自己的阅读兴趣相符的信息，而与其兴趣不相符的其他重要信息，比如重大新闻、突发事件等，或是与其价值观念和思维方式不完全契合的信息，就很可能被新闻聚合产品自动排除在外。久而久之，用户虽然在新闻聚合类平台上获得了符合自己喜好的信息，但是丧失了获得更全面信息的可能性。这可能会进一步加剧受众的信息失衡状态，并造成受众的价值偏向。皮尤研究中心2014年10月发布的一项研究报告，在检视了美国人的新闻消费习惯后发现：美国人消费什么新闻通常与其政治倾向性相关。[8]

第二，由于算法本身的运行方式以及固有弊端，经由机器算法推荐的信息有可能并不是用户真正需要的信息。在以机器推荐引擎为内核的平台上，用户点击的任何一条新闻都会被记录下来，并经过算法的处理，被认为是用户感兴趣的主题。但是，在一些情况下，用户可能是在特定情境下需要获得相应信息（比如外出旅行时获取目的地的相关资讯），或是出于个人兴趣之外的其他因素而进行信息的获取（比如出于社交需求而进行的转发行为）；而基于机器算法的新闻聚合产品就会将这些信息同样记录为该用户感兴趣的信息，并一直向用户推送相同主题的内容。在这种情况下，用户真正感兴趣的信息，有可能就会被“过滤泡”排除在外，或者在其获得的信息中处于相对不显要的位置而有可能被忽略。

而随着注重社交性的聚合网站的兴起，用户可以接收并分享与他们的兴趣与立场相契合的信息。这类依托社交链传播的关系型分发，则使得用户容易沉浸在自己和朋友组成的“回音室”（echo chamber）中，很大程度上只能接触到符合自身倾向和兴趣的信息。社交性新闻聚合网站助推了“回音室”的形成。这意味着用户很大程度上只能和与自己观点相似的用户进行对话，与他们组成相对紧密的圈子；而与自身价值观相悖的信息，则由社交网站的信息分享机制排除在外。这可能会进一步巩固用户自身现有的立场，使得拥有不同观点和价值观的人群进一步分化，进而加剧社会价值观的分化和对立。

在Buzzfeed平台上，拥有相似政治倾向的人会组成相对紧密的在线社交关系，并通过在线互动，分享与自身政治倾向一致的信息。比如，民主党的支持者会逐渐处于由彼此组成的回音室中，阅读并分享与他们的政治立场相符的政治新闻。

社交媒体还有许多相似的情形。研究表明，在2016年美国总统大选中，脸书上支持特朗普的用户仅有1/4的“好友”是支持希拉里的，而支持希拉里的用户中也只有不到1/5的“好友”是支持特朗普的。脸书的专家还专门研究了意识形态多元化的问题并在2015年的《科学》杂志上发表了研究报告。[9]

三、新闻聚合创新新闻生产方式

在新闻聚合类媒体的运作中，机器算法的加入颠覆了传统的新闻采编流程。在传统媒体机构中，由记者进行新闻采访、写作，并经由人工编辑的方式完成编辑和出版流程。但机器算法的运用，则使得新闻聚合类媒体呈现出与传统媒体截然不同的新闻生产逻辑。新闻聚合类媒体是一个信息分发平台，其大部分内容都是借助网络爬虫技术，从各大媒体、网站等内容生产方那里进行信息抓取，并通过机器算法进行信息的分发。

在新闻生产过程中，新闻聚合类媒体用机器算法代替了人工编辑。在今日头条团队中，编辑的人数非常少，却有约1500名工程师，其中大约800名工程师专攻算法设计和资料分析。[10]机器算法以及爬虫技术对新闻生产流程的介入，不仅大大提高了新闻生产和分发的效率，也增强了新闻生产活动的针对性——针对不同的受众喜好，进行个性化的信息分发。对于传统媒体的人工编辑和规模化分发，无疑具有颠覆性的影响。对于传统媒体而言，按部就班的新闻采编流程和人工编辑，不仅在新闻生产的效率上落后于新闻聚合类媒体，使得传统媒体机构陷入更深层次的内容生产焦虑，也更凸显出传统的新闻生产中受众意识的匮乏。

新闻聚合类媒体对传统媒体新闻生产带来的另一个影响则是用户生产内容（UGC）的加入。聚合类媒体的内容生产，同时纳入了用户内容生产（UGC）与传统媒体所生产的新闻内容。以今日头条的“头条号”为例，它在2015年推出“千人万元计划”，宣布至少保证1000个优质头条号每月从平台上获得不低于1万元的收入。2016年9月，今日头条又提出，将在未来一年内至少投入10亿元人民币补贴头条号上的原创短视频创作者，助力短视频创作爆发。

在聚合类媒体平台上，原创自媒体内容正在逐渐获得与传统媒体所生产的内容相匹敌的受众数量。在今日头条日均5.1亿次阅读数中，头条号贡献了3.7亿的阅读数，占比73%；而从数量上看，头条号每天的文章数量却仅占文章总数的30%～40%。[11]这意味着聚合类媒体上的用户原创内容，正在呈现出相比于传统媒体所生产的内容更为强大的用户吸引力。聚合类媒体平台在内容生产过程中对用户生产内容的纳入，正在进一步挤压传统媒体的生存空间。

四、新闻聚合创新分发渠道

对于传统媒体而言，新闻聚合类媒体带来的最大挑战在于对内容分发渠道近乎垄断式的占据。在传统媒体时代，新闻生产和分发都由媒体机构完成；媒体记者和编辑完成新闻采编，再通过媒体自身的发行或播出渠道完成内容的分发。但新闻聚合类媒体的盛行，使得由传统媒体机构生产的内容在聚合类平台上进行了二次分发。

在内容分发过程中，无论是基于社交关系还是基于机器算法的新闻聚合类媒体，都通过其独有的分发逻辑，得以占据更大的市场份额以及更多的用户使用时间。以Buzzfeed为代表的社交性聚合类媒体，通过基于社交平台的用户行为分析与传播机制设计，为用户提供与社交关系紧密相连的信息获取与资讯分享，增强了用户黏性，并得以借助社交网络进一步拓展用户数量。以今日头条为代表的机器算法类新闻聚合平台，凭借精准契合受众阅读兴趣和阅读习惯的个性化推送，实现了信息分发与受众兴趣的高匹配，因而无论是从用户总数还是从用户日均使用时长方面，都远超普通的新闻客户端。

新闻聚合类媒体对内容分发渠道的占据，也同时意味着这类媒体平台对广告商的吸引力增强。以今日头条为例，在成立4年内，今日头条积累了4.8亿用户，成为仅次于腾讯的第二大新闻资讯供应商，2016年的年收入约为10亿美元，其中，广告是其最主要的盈利来源。

聚合类媒体通过社交化、精准化的内容分发，垄断内容分发渠道，并同时吸引广告商。这意味着由传统媒体生产的内容，只有少量在传统媒体自有的渠道中完成分发，而绝大部分内容则流向了这些聚合类媒体平台。

新闻聚合类媒体的发展，正在快速革新现有的媒介生态，并对传统媒体的新闻生产和内容分发产生颠覆性的影响。在新闻生产流程中，新闻聚合类媒体通过纳入UGC内容，使传统媒体与自媒体之间的用户争夺更为激烈；机器算法和爬虫技术的运用，则极大提升了内容生产和分发的效率，使依赖人工编辑的传统媒体面临更大的内容生产焦虑。在内容分发过程中，新闻聚合类媒体通过基于社交关系或机器算法的分发机制，得以获得更多的用户份额，并对传统媒体的内容分发渠道形成了近乎垄断式的占据，传统媒体因而面临受众流失和广告份额减少的困境。此外，新闻聚合类媒体正在使受众的新闻消费方式趋向个人化，并可能使受众陷入由信息偏向导致的“过滤泡”和“回音室”的困境中。与此同时技术“矫正器”开始出现，比如《华尔街日报》推出的“蓝推送、红推送”（Blue Feed,Red Feed），《卫报》的“吹破你的泡泡”（Burst Your Bubble）、健形矫姿器（Lumo lift）的新应用，都在尝试让信息消费更加平衡。