美国传播学者帕帕查里西提出的“情感公众”理论为理解这一现象提供了一种视角。在数字媒介环境中，愤怒、同情与不满等共同的情感体验，能够使原本彼此陌生的个体通过评论、转发与分享个人经历建立联结，围绕公共事件形成具有情感认同的群体。当人们看到一条充满情绪的消费评价时，可能因自身的类似经历产生共鸣，并在相互回应中形成共同的情感倾向。然而，情感联结的迅速形成，也可能使人们在尚未充分了解事实时便产生鲜明立场。随着相似观点不断聚集，原本复杂的个体事件容易被纳入简单的道德评价框架，公众的情绪共鸣也可能逐渐转化为对特定对象的集体谴责。
今天我们每天看到什么、反复看到什么，在很大程度上受到平台推荐算法的影响。当用户观看一条批评某个人的视频，因好奇而停留、评论或搜索相关内容时，这些行为可能被算法识别为兴趣信号，进而影响后续的信息推荐。即使用户最初只是想弄清事情经过，系统也可能继续向其推送围绕同一人物、同一事件的相似内容。这就形成了值得警惕的信息陷阱：我们看到的内容越多，却未必意味着我们掌握的事实越完整。如果反复接触的是同一种负面评价，人们往往容易把重复出现的观点误认为经过多方验证的结论。
算法推荐还可能进一步改变公众对于舆论环境的认知。一个人如果持续看到批评某位摊主的帖子，可能逐渐产生“大家都在批评她”的印象。但平台上高度可见的意见，并不一定代表真实的社会多数。我们以为自己正在观察整个社会的态度，实际上看到的可能只是算法筛选后的局部图景。“沉默的螺旋”理论指出，当人们认为自己的意见属于少数时，可能因为担心受到孤立而选择沉默。在算法传播环境中，如果批评和谴责占据了用户的信息界面，那些对事件尚有疑虑、希望了解更多事实，或者持有不同看法的人，可能更不愿公开表达。
值得注意的是，在很多人对舆论受害者产生同情心后，部分网络舆论会转而指向施加舆论暴力的人，比如批评发布差评的顾客。这展现出情绪化公共讨论的另一重困境：公众的同情与愤怒可以迅速改变方向，但集体审判的方式却可能始终如一。如果每一次事件的发展都只是促使公众寻找新的谴责对象，那么反对网络暴力也可能成为新一轮网络暴力的起点。
要打破这一循环，首先应当重新认识公共批评的边界。公众有权质疑，但批评应当基于事实、针对具体行为，而不能以多数人的道德判断代替事实调查与正当程序。即使批评的理由正当，也不意味着集体围攻的方式具有正当性。公共讨论应当推动事实澄清与问题解决，而非不断制造新的谴责对象。面对争议事件，保持必要的审慎，主动了解不同信息来源，区分事实陈述与情绪评价，允许自己在证据不足时暂缓判断，都是算法时代不可或缺的媒介素养。
平台也不能仅仅把网络暴力归结为用户的情绪失控。算法参与了公共信息的筛选、排序与传播，就应当对其可能产生的社会后果保持警觉。特别是在针对具体个人的负面内容集中出现时，平台有必要加强异常流量识别、重复攻击治理和当事人保护，避免争议性内容仅仅因为能够激发互动与流量，就获得持续扩散的机会。最新研究发现，与按照时间顺序展示内容相比，根据互动情况推荐内容的算法，更容易放大充满道德愤怒、群体对立与攻击性的内容，而通过调整推荐机制、降低极端用户的影响，则能够减少此类内容的曝光。这表明，算法设计既可能放大舆论中的负面情绪，也可以成为改善公共讨论环境的手段。平台应通过更合理的信息推荐与讨论机制，为事实澄清和不同观点提供必要的可见空间，防止单一情绪在持续强化中演变为集体审判。
当一条差评可以迅速发展为一场公共审判，我们更应意识到算法时代需要守护的，是每一个普通人都不会被轻易推上集体审判席的基本尊严，是一个允许批评而不纵容围攻的公共舆论空间。
近日，四川宜宾高县33岁炸串摊主胡女士，因顾客消费后在网上发文差评，引来大量负面评论，遭遇网络舆论压力而轻生，引发广泛关注。一次普通的消费纠纷，为什么会演变成众多陌生人参与的集体声讨？
美国传播学者帕帕查里西提出的“情感公众”理论为理解这一现象提供了一种视角。在数字媒介环境中，愤怒、同情与不满等www.kaiyun.com共同的情感体验，能够使原本彼此陌生的个体通过评论、转发与分享个人经历建立联结，围绕公共事件形成具有情感认同的群体。当人们看到一条充满情绪的消费评价时，可能因自身的类似经历产生共鸣，并在www.kaiyun.com相互回应中形成共同的情感倾向。然而，情感联结的迅速形成，也可能使人们在尚未充分了解事实时便产生鲜明立场。随着相似观点不断聚集，原本复杂的个体事件容易被纳入简单的道德评价框架，公众的情绪共鸣也可能逐渐转化为对特定对象的集体谴责。
今天我们每天看到什么、反复看到什么，在很大程度上受到平台推荐算法的影响。当用户观看一条批评某个人的视频，因好奇而停留、评论或搜索相关内容时，这些行为可能被算法识别为兴趣信号，进而影响后续的信息推荐。即使用户最初只是想弄清事情经过，系统也可能继续向其推送围绕同一人物、同一事件的相似内容。这就形成了值得警惕的信息陷阱：我们看到的内容越多，却未必意味着我们掌握的事实越完整。如果反复接触的是同一种负面评价，人们往往容易把重复出现的观点误认为经过多方验证的结论。
算法推荐还可能进一步改变公众对于舆论环境的认知。一个人如果持续看到批评某位摊主的帖子，可能逐渐产生“大家都在批评她”的印象。但平台上高度可见的意见，并不一定代表真实的社会多数。我们以为自己正在观察整个社会的态度，实际上看到的可能只是算法筛选后的局部图景。“沉默的螺旋”理论指出，当人们认为自己的意见属于少数时，可能因为担心受到孤立而选择沉默。在算法传播环境中，如果批评和谴责占据了用户的信息界面，那些对事件尚有疑虑、希望了解更多事实，或者持有不同看法的人，可能更不愿公开表达。
值得注意的是，在很多人对舆论受害者产生同情心后，部分网络舆论会转而指向施加舆论暴力的人，比如批评发布差评的顾客。这展现出情绪化公共讨论的另一重困境：公众的同情与愤怒可以迅速改变方向，但集体审判的方式却可能始终如一。如果每一次事件的发展都只是促使公众寻找新的谴责对象，那么反对网络暴力也可能成为新一轮网络暴力的起点。
要打破这一循环，首先应当重新认识公共批评的边界。公众有权质疑，但批评应当基于事实、针对具体行为，而不能以多数人的道德判断代替事实调查与正当程序。即使批评的理由正当，也不意味着集体围攻的方式具有正当性。公共讨论应当推动事实澄清与问题解决，而非不断制造新的谴责对象。面对争议事件，保持必要的审慎，主动了解不同信息来源，区分事实陈述与情绪评价，允许自己在证据不足时暂缓判断，都是算法时代不可或缺的媒介素养。
平台也不能仅仅把网络暴力归结为用户的情绪失控。算法参与了公共信息的筛选、排序与传播，就应当对其可能产生的社会后果保持警觉。特别是在针对具体个人的负面内容集中出现时，平台有必要加强异常流量识别、重复攻击治理和当事人保护，避免争议性内容仅仅因为能够激发互动与流量，就获得持续扩散的机会。最新研究发现，与按照时间顺序展示内容相比，根据互动情况推荐内容的算法，更容易放大充满道德愤怒、群体对立与攻击性的内容，而通过调整推荐机制、降低极端用户的影响，则能够减少此类内容的曝光。这表明，算法设计既可能放大舆论中的负面情绪，也可以成为改善公共讨论环境的手段。平台应通过更合理的信息推荐与讨论机制，为事实澄清和不同观点提供必要的可见空间，防止单一情绪在持续强化中演变为集体审判。
当一条差评可以迅速发展为一场公共审判，我们更应意识到算法时代需要守护的，是每一个普通人都不会被轻易推上集体审判席的基本尊严，是一个允许批评而不纵容围攻的公共舆论空间。
