網路上唱衰的人真的比較多嗎?還是演算法讓你以為他們比較多?
商業觀點

網路上唱衰的人真的比較多嗎?還是演算法讓你以為他們比較多?

Max Lu 呂元鐘 ・ 2026-08-15 ・ 原載於 Facebook

先給結論:目前沒有可靠研究能直接證明網路上唱衰的人比支持的人多。

比較能被研究支持的說法是——網路會讓負面、反對、憤怒的聲音,取得遠超過真實人口比例的能見度。

接續槓精的研究,我又跑去研究負面留言的部分,發現也是可以弄個一篇跟大家分享。

你看到的世界,是被發言意願、心理偏誤、社群互動、演算法分發,一層一層加工過的結果。我最近認真查了一輪研究,整理成6層,分享給你。

1.0 人類本來就比較注意壞消息

最底層是負向偏誤。2023 年一篇刊登在《Nature Human Behaviour》的研究,分析了 Upworthy 網站約 10.5 萬則不同標題、3.7 億次曝光,用隨機對照試驗直接測試標題文字改變對點擊率的影響。

結果是:標題每多一個負面詞,點擊率平均增加 2.3%;正面詞則有相反效果,而且負面情緒裡真正驅動點擊的是「悲傷」,不是「憤怒」。網路平台第一個爭奪的資源是注意力,負面內容不必比較多,只要比較容易被看見。

2.0 負面內容還更容易被傳出去,尤其是帶敵意的

2021 年《PNAS》一篇研究分析政治人物與媒體帳號超過 273 萬則貼文,找哪種語言最能預測分享與轉推。結果是:提到政治對手(out-group)的貼文,被分享或轉推的頻率是提到自己陣營貼文的兩倍,這個效果比其他已知的預測因子都更強。

真正把事情炸開的往往不只是負面,是「我告訴你誰錯了」——同時具備負面、衝突、陣營三種燃料。這條規律也有例外:一項考察考古學社群的研究,反而發現正面貼文更容易被分享,說明偏誤強度會被題材影響,不能一概而論。

—-
3.0 憤怒是會被平台訓練出來的

2021 年 Yale 團隊在《Science Advances》發表的研究,分析 Twitter 上的道德憤怒表達,找到兩個機制:一個人過去發憤怒內容得到愈多讚與轉推,之後愈可能繼續發憤怒內容(強化學習);一個人身處的社群環境愈憤怒,他也會學到「這裡這樣講話才正常」(規範學習)。

不能只問「這些人為什麼這麼負面」,還要問「他過去用哪種講法,平台給的獎勵最高」——溫和留言可能只有 20 個讚,聳動指控卻能衝到 2,000,重複幾次,獎勵機制自己就完成了訓練。

—-
4.0 網路把講難聽話的成本壓低了

John Suler 2004 年提出的「網路去抑制效應」,整理出六個讓人更敢在網路上說重話的因素:匿名、看不到對方反應、非同步交流、把網路世界與現實切開、權威感降低等。面對面講完一句重話還得看著對方的臉;在網路上,送出、收起手機,成本幾乎歸零。後續研究持續發現這種去抑制與較高的網路攻擊行為有關——唱衰的成本下降,報酬同時在上升,兩件事疊在一起,威力會被放大。

—-
5.0 你看到的負面,可能只是「最敢講話的人」,不是「最多的人」

這裡有兩層機制疊在一起。第一層是沉默螺旋:Pew Research Center 針對史諾登事件的研究發現,認為自己意見屬於少數的人,公開表態意願會下降,這個效果甚至延伸到線下討論。一篇文章一千人看過,多數人覺得可以但很少留言,少數反對者踴躍發聲,留言區看起來就是「八成人反對」,實際母體可能完全相反——溫和支持者看到留言區吵成一團,往往選擇不淌這渾水,讓可見的負面比例愈滾愈高。

第二層更麻煩:2023 年另一篇《Nature Human Behaviour》研究直接找發文者本人,詢問他們當下真正有多憤怒,再讓其他使用者判斷這些人有多憤怒,結果觀察者會系統性高估發文者的道德憤怒程度,愈常使用社群媒體的人高估得愈明顯。連旁觀者都在放大你看到的憤怒。

加上 2014 年 Facebook 那個涉及 68.9 萬名使用者的實驗也證實「情緒傳染」存在——調整動態消息正負面比例,會直接影響使用者自己後續發文的情緒。留言區一旦負面化,它不只反映情緒,還會製造下一波情緒。

—-
6.0 我的判讀:唱衰是一種報酬不對稱的預測

這部分研究比較分散,我把它當成合理的推論整合,不假裝有單一論文證明全部:唱衰在社群上有一種特殊的不對稱報酬。公開說「這一定會失敗」,失敗了你可以說「我早就說了」;成功了,那則留言大概沒人記得。反過來說「這會成功」,一旦失敗,留言很容易被翻出來公開處刑。

在缺乏預測紀錄的環境裡,唱衰是一種成本很低的預測,還附帶一個身份訊號:我沒被騙、我看得比較早、我是清醒的局外人。「我不知道,資料還不夠,再觀察兩年」往往才是比較誠實的答案,但這句話沒有任何社群表演性,永遠不會紅。

但我要在這裡踩一個煞車:我不會說「演算法故意讓大家悲觀」,這個說法目前證據不夠精確。

比較站得住的講法是——許多平台用互動訊號決定分發,而負面、敵對、道德情緒內容在不少情境下更容易取得互動,因此可能取得更高的可見度,但不同平台、題材、演算法規則都不一樣,講成單一陰謀論反而失去了這篇文章原本的嚴謹。

真正值得帶走的想法是:留言區代表的是「最有動機發言的人」,未必代表「最多的人」。

股票漲三成,持有者通常默默賺錢;跌一成,「早說過主力出貨」立刻湧出來。這件事也接回我自己做信任經濟這行的核心判準:真正值得被記錄、被信任的資料,從來不是誰喊得最大聲,是那些願意對自己的判斷留下可追溯紀錄、也願意在沉默時仍然被算進去的人。

資料來源
負面詞每增加一個平均提高標題點擊率 2.3%(Upworthy 約 10.5 萬則標題、3.7 億次曝光、隨機對照試驗):Robertson, Mislove et al., Nature Human Behaviour, 2023,〈Negativity drives online news consumption〉
提及政治對手的貼文分享/轉推頻率是提及自身陣營貼文的兩倍,效果強於其他已知預測因子(分析 273 萬則貼文):Rathje, Van Bavel, van der Linden, PNAS, 2021,〈Out-group animosity drives engagement on social media〉
考古學社群正面貼文較易被分享之反例:相關社群媒體題材研究,說明負向偏誤受題材與社群文化影響
道德憤怒表達的強化學習與規範學習機制:Brady, Crockett et al., Science Advances, 2021,〈How social learning amplifies moral outrage expression in online social networks〉
網路去抑制效應六因素(匿名、不可見、非同步、心理投射、現實切割、權威感降低):Suler, CyberPsychology & Behavior, 2004
認為自身意見屬少數者公開表態意願下降(史諾登/NSA 事件研究):Pew Research Center
觀察者系統性高估社群發文者之道德憤怒程度,重度使用者高估更明顯:相關 Nature Human Behaviour 2023 研究,〈Overperception of moral outrage in online social networks〉
News Feed 正負面內容比例調整後使用者發文情緒隨之變化(68.9 萬名使用者):Kramer, Guillory, Hancock, PNAS, 2014
「唱衰報酬不對稱」「留言區代表最有動機發言的人,未必代表最多的人」「演算法故意讓大家悲觀證據不夠精確」為 Max 本人查證彙整與判讀,已於文中明示為推論整合,非單一論文直接證明
← 看更多 Max Lu 呂元鐘 的文章