本文报告了李淑琪（西南大学商贸学院）与李健（西南大学档案馆）的一项关于算法推荐与社交媒体用户行为的原创性研究，该研究成果发表于《农业图书情报学报》，并于2025年12月3日完成网络首发。本研究以计算社会科学与信息行为学为交叉领域，针对算法推荐技术广泛应用背景下社交媒体用户数字囤积行为日益普遍且其影响机制尚不明晰的问题展开。作者指出，数字囤积行为作为一种非理性的信息存储行为，不仅可能导致用户信息过载、认知负荷增加乃至心理焦虑，也对平台的信息生态与长期健康发展构成潜在威胁。现有研究多从用户心理动机或平台技术设计的单向角度进行分析，缺乏对平台策略与用户行为之间动态互动演化机制的深入探讨。因此，本研究旨在填补这一空白，通过构建演化博弈模型，揭示算法推荐强度如何与用户数字囤积行为相互影响、共同演化的动态规律，从而为引导用户合理利用信息、优化平台算法推荐机制、实现平台与用户长期良性互动提供理论参考和实践指导。

本研究的工作流程系统而严谨，主要包含四个核心环节：构建演化博弈模型、模型均衡分析、参数设定与仿真实验、以及结果分析与提出建议。研究并未涉及传统意义上的实验对象或样本，而是将“社交媒体平台”和“用户”抽象为两个有限理性的决策群体，作为博弈分析的主体。

首先，在模型构建阶段，研究者基于演化博弈理论，对平台与用户的策略选择进行了基本假设。用户群体的策略空间为｛囤积， 不囤积｝，选择“囤积”策略的比例记为x；平台群体的策略空间为｛强化算法推荐， 不强化｝，选择“强化”策略的比例记为y。研究引入了多个关键参数来量化双方的成本与收益：对于平台，包括固定收益f、固定成本n、强化算法推荐带来的额外收益r、以及用户囤积行为间接为平台带来的额外收益k（k与用户囤积的额外成本c线性相关，即 k=θc，其中θ为用户额外使用时间带给平台的单位收益）。对于用户，则包括基础信息获取收益p、基础使用成本q、囤积行为带来的潜在收益e、以及囤积行为造成的额外使用成本及心理成本c。一个关键参数φ被定义为“用户使用时间强化系数”（φ>1），用以表征平台采取不同强度算法推荐时对用户使用时长及相应成本收益的放大效应。基于这些假设和参数，研究构建了完整的演化博弈得益矩阵，清晰地列出了在（囤积，强化）、（囤积，不强化）、（不囤积，强化）、（不囤积，不强化）四种策略组合下，平台与用户各自的具体收益表达式。

其次，在模型均衡分析阶段，研究运用复制动态方程来描述群体策略选择的演化过程。通过计算用户群体和平台群体选择不同策略的期望收益及平均收益，分别推导出了用户策略比例x和平台策略比例y随时间变化的复制动态方程：f(x) = dx/dt = x(1-x)[y(c-φc) + e - c] 和 f(y) = dy/dt = y(1-y)(xk/φ + φr - xk)。令两个方程为零，可以求得系统的五个均衡点：(0,0), (0,1), (1,0), (1,1), 以及一个鞍点(x, y)。为了判断这些均衡点的稳定性，研究构建了系统的雅可比矩阵，并通过计算矩阵的行列式（det J）和迹（tr J）来判定均衡点是否为演化稳定策略。分析得出了四条重要的命题，分别定义了系统收敛于不同稳定状态（即(0,0)，(1,0)，(0,1)，(1,1)）的参数条件。例如，命题4指出，当用户囤积的潜在收益e大于强化算法下的囤积成本φc，且平台强化算法的净收益（φr + k/φ - k）大于0时，系统将稳定在(1,1)状态，即所有用户都选择囤积，所有平台都选择强化算法推荐。

第三，在仿真实验阶段，为了使理论模型的分析结果更加直观，并探究不同类型社交媒体平台中的行为演化差异，研究采用了MATLAB软件进行数值仿真。研究者没有使用真实数据拟合，而是基于文献分析和逻辑推演，对四类主流的社交媒体平台（即时通讯平台、公共社交媒体平台、垂直社区社交媒体平台、短视频社交媒体平台）的关键参数进行了合理的赋值设定。这种赋值体现了四类平台在算法推荐收益r和用户囤积成本c上的阶梯性差异：例如，即时通讯平台的r和c值设定为最低（r=[1,2,3]， c=[0.5,1,2]），而短视频社交媒体平台的r和c值设定为最高（r=[10,11,12]， c=[6,8,10]）。其他参数如用户囤积潜在收益e、单位收益θ、强化系数φ等也设定了多个取值以观察敏感性。在仿真中，设定了用户和平台策略初始比例均为0.5，然后在不同的参数组合下，运行复制动态方程，观察x和y随时间的演化轨迹，并绘制成图。

第四，基于仿真结果，研究进行了深入的分析并提出了针对性建议。仿真结果生动地展示了四类平台中用户与平台策略的演化路径。在即时通讯平台，由于用户囤积成本c较低，无论平台是否强化算法，用户囤积的潜在收益e都容易大于成本，因此用户最终倾向于选择囤积；同时平台强化算法能带来额外收益，故也倾向于强化，系统稳定于(1,1)。在公共社交媒体平台，随着c值升高，用户囤积趋势开始放缓，但在大多数参数下仍可能演化为囤积。而在垂直社区和短视频平台，高昂的c值使得用户囤积的负担远超获益，因此用户行为清晰地演化为“不囤积”；但平台因强化算法能获得显著收益，其策略始终强烈地趋向于“强化”，系统稳定于(0,1)。一个关键发现是：随着平台类型从即时通讯向短视频演进，信息密度和复杂度增加，用户认知负荷加剧，其行为会逐步从“无意识囤积”过渡到“理性不囤积”，而平台受利益驱动则始终有强化算法推荐的倾向。

本研究得出的核心结论是：算法推荐强度与用户数字囤积行为之间存在动态博弈关系。适度的算法推荐有助于缓解信息过载，改善体验，可能实现平台与用户的双赢；但过度的算法推荐虽然短期内能增加平台收益，长期却会因极大增加用户的信息处理成本和心理负担，导致用户放弃囤积甚至产生抵触，这可能损害用户体验和平台黏性。因此，合理调控算法推荐强度是实现长期良性互动的关键。

该研究的价值体现在多个层面。在科学价值上，它创新性地将演化博弈论引入信息行为研究领域，为理解人机交互、技术与行为共演提供了动态分析框架，弥补了以往静态或单向研究的不足。在应用价值上，研究结论为社交媒体平台的算法治理提供了直接依据。基于四类平台的仿真差异，作者提出了精细化的治理建议：对于即时通讯平台，应侧重隐私安全和效率提升，避免过度推荐；对于公共社交媒体平台，需采用精细化推荐并增强用户互动与自主权；对于垂直社区平台，应强化专业性与社区属性，避免过度商业化；对于短视频平台，则必须严控内容质量与多样性，并嵌入帮助用户管理信息负荷的机制（如“断点续看”提醒）。这些建议对平台设计算法推荐系统、落实相关算法管理规定具有重要的实践指导意义。

本研究的亮点突出。首先，研究视角新颖，首次从演化博弈的动态视角系统剖析了平台算法策略与用户数字囤积行为的互动机制。其次，方法应用创新，成功地将演化博弈模型与MATLAB仿真相结合，使得复杂的动态交互过程得以可视化呈现和验证。再次，分析具有区分度和指导性，通过参数化模拟四类不同的社交媒体平台，揭示了异质化平台中行为演化规律的差异，使研究结论不是泛泛而谈，而是能针对不同平台类型提出差异化、可操作的建议。最后，研究紧密联系现实问题，回应了国家对算法推荐服务“向上向善”和促进平台健康发展的政策需求，体现了学术研究的社会关怀与应用价值。

此外，作者在文中也坦诚指出了研究的局限性，例如未充分考虑用户个体异质性（如文化背景、信息素养差异）以及用户的跨平台行为，这些都为后续研究指明了可能的深化方向。总体而言，这项研究是一项理论扎实、方法严谨、结论深刻且富有实践启示的优秀学术工作，为信息科学、管理学和社会学交叉领域的发展贡献了新的知识。