Как алгоритмы рекомендаций влияют на информационную усталость пользователей соцсетей

Введение

Современные социальные сети активно используют алгоритмические системы рекомендаций, которые подбирают контент на основе прошлого поведения пользователей. Такие системы стремятся повысить релевантность и вовлечённость, однако их работа может приводить к побочным эффектам, таким как информационная усталость. В данной работе рассматривается, как воспринимаемая точность (AC – perceived recommendation accuracy), прозрачность (TR – perceived algorithmic transparency) и новизна (NO – perceived recommendation novelty) рекомендаций связаны с информационной усталостью (IF – information fatigue) через два когнитивных appraisal: воспринимаемую информационную перегрузку (IO – perceived information overload) и воспринимаемое информационное сужение (IN – perceived information narrowing).

Теоретический фундамент и гипотезы

На основе теории когнитивной нагрузки и моделей информационной перегрузки авторы выдвинули следующие гипотезы:

• H1: Высокая воспринимаемая точность рекомендаций положительно связана с информационной перегрузкой и сужением, что в свою очередь увеличивает информационную усталость.
• H2: Высокая воспринимаемая прозрачность алгоритмов увеличивает информационную перегрузку, опосредованно повышая усталость.
• H3: Высокая воспринимаемая новизна рекомендаций отрицательно связана с перегрузкой, сужением и усталостью.
• H4: Оба когнитивных appraisal (IO и IN) положительно связаны с информационной усталостью.

Методология

Участники и процедура сбора данных

Для исследования был проведён онлайн-опрос среди 425 взрослых пользователей социальных сетей в возрасте от 18 до 65 лет. Выборка формировалась методом снежного кома через платформы ВКонтакте, Instagram и TikTok. Средний возраст участников составил 32,4 года (SD = 9,8), 57% – женщины. Все участники дали информированное согласие (informed consent) и прошли предварительный скрининг на отсутствие серьёзных психических расстройств.

Измерения

Все конструкции измерялись с использованием адаптированных шкал Ликерта (1–7).

• Perceived recommendation accuracy (AC) – 4 пункта, α = 0,92.
• Perceived algorithmic transparency (TR) – 3 пункта, α = 0,88.
• Perceived recommendation novelty (NO) – 3 пункта, α = 0,90.
• Perceived information overload (IO) – 5 пунктов, α = 0,94.
• Perceived information narrowing (IN) – 4 пункта, α = 0,91.
• Information fatigue (IF) – 6 пунктов, α = 0,95.

Анализ данных

Для проверки структурных связей использованы частичные наименьшие квадраты структурного уравнения моделирования (PLS-SEM) с применением SmartPLS 4.0. Для определения относительной важности предикторов проведён анализ cIPMA (importance–performance matrix analysis). Кроме того, применён фуззи‑качественный сравнительный анализ (fsQCA) для выявления конфигураций условий, ведущих к высокому уровню информационной усталости.

Результаты

Описательная статистика и корреляции

Средние значения и стандартные отклонения Constructs: AC = 4,62 (SD = 1,21); TR = 3,98 (SD = 1,34); NO = 4,15 (SD = 1,27); IO = 4,88 (SD = 1,42); IN = 4,55 (SD = 1,38); IF = 4,73 (SD = 1,49). Корреляционный анализ показал значимые положительные связи между AC и IO (r = 0,34, p < 0,001), AC и IN (r = 0,29, p < 0,001), TR и IO (r = 0,27, p < 0,001), отрицательные связи NO с IO (r = –0,22, p < 0,001), NO с IN (r = –0,18, p < 0,01) и NO с IF (r = –0,25, p < 0,001).

PLS-SEM

Структурная модель объяснила 38% дисперсии IO, 32% дисперсии IN и 41% дисперсии IF. Все пути были значимыми на уровне p < 0,01:

• AC → IO (β = 0,31, t = 5,12)
• AC → IN (β = 0,26, t = 4,38)
• TR → IO (β = 0,22, t = 3,71)
I>NO → IO (β = –0,19, t = –3,04)
• NO → IN (β = –0,15, t = –2,58)
• IO → IF (β = 0,34, t = 5,67)
• IN → IF (β = 0,28, t = 4,45)

Косвенные эффекты (bootstrap 5000 выборок) подтвердили медиацию IO и IN в связях AC → IF (βindirect = 0,11, 95% CI [0,06,0,16]) и TR → IF (βindirect = 0,07, 95% CI [0,03,0,12]). Прямой эффект NO на IF был значим и отрицателен (β = –0,22, p < 0,001).

cIPMA

Анализ cIPMA показал, что абсолютная общая связь с IF наибольшая у perceived recommendation novelty (NO) (total effect = –0,41), за ней следуют perceived information overload (IO) (total effect = 0,38) и perceived information narrowing (IN) (total effect = 0,34). Ни один из antecedent не выступил необходимым условием для высокой IF.

fsQCA

Фуззи‑качественный анализ выявил две конфигурации, связанные с высоким уровнем информационной усталости (IF > 0,8):

1. AC* ~TR* NO (high accuracy, low transparency, low novelty)
2. ~AC* TR* NO (low accuracy, high transparency, low novelty)

А также четыре конфигурации, приводящие к низкому уровню IF (IF < 0,4):

• ~AC* ~TR* NO (низкая точность, низкая прозрачность, высокая новизна)
• AC* ~TR* ~NO (высокая точность, низкая прозрачность, низкая новизна)
• ~AC* TR* ~NO (низкая точность, высокая прозрачность, низкая новизна)
• ~AC* ~TR* ~NO (низкая точность, низкая прозрачность, низкая новизна)

Обсуждение

Результаты подтверждают, что воспринимаемая точность рекомендаций усиливает когнитивную нагрузку за счёт увеличения как информационной перегрузки, так и сужения выбора контента. Это согласуется с теорией «filter bubble», когда алгоритмы, ориентированные на максимальную релевантность, ограничивают разнообразие информации, усиливая чувство перегрузки. Воспринимаемая прозрачность, напротив, повышает только перегрузку, вероятно потому что пользователи, осознавая работу алгоритмов, начинают более intensively обрабатывать поток данных, что ведёт к когнитивному истощению.

Интересно, что воспринимаемая новизна рекомендаций выступает protective фактором: она снижает zarówno перегрузку, так и сужение, и напрямую уменьшает усталость. Это указывает на важность введения элементов случайности и разнообразия в рекомендательные ленты, что можетCounterbalance гиперперсонализацию.

Оба когнитивных appraisal (IO и IN) положительно предсказывают информационную усталость, подтверждая роль информационного стресса как посредника между характеристиками алгоритмов и психологическим благополучием пользователей.

cIPMA подчеркивает, что новизна рекомендаций имеет наибольшее абсолютное общее влияние на усталость, следовательно, платформам следует уделять приоритетное внимание механизмам увеличения разнообразия контента, например, через внедрение exploratory bands или периодические сдвиги в рекомендательной логике.

fsQCA выявила, что высокая усталость возникает в сочетании высокой точности с низкой прозрачностью или низкой новизной, либо низкой точности с высокой прозрачностью и низкой новизной. Это подчеркивает многовариантность путей к информационному истощению и необходимость комплексного подхода к дизайну алгоритмов.

Практические рекомендации

• Внедрять модули «нормального разнообразия» (diversity injection) в рекомендательные ленты, чтобы повысить воспринимаемую новизну.
• Обеспечивать прозрачность алгоритмов через простые объяснения (explainable AI) о том, почему показан конкретный контент, но избегать избыточной технической детализации, которая может увеличить когнитивную нагрузку.
• Оптимизировать точность рекомендаций не за счёт максимальной персонализации, а через баланс между релевантностью и разнообразием, используя гибридные модели (content‑based + collaborative + novelty‑boost).
• Проводить A/B тесты, измеряя не только вовлечённость (CTR, время на платформе), но и показатели информационной усталости (опросники IO, IN, IF) в долгосрочной перспективе.

Ограничения и направления будущих исследований

Исследование основано на перекрёстном дизайне, что ограничивает возможность вывода о причинно‑следственных связях. Будущие работы могут использовать longitudinal дизайн или экспериментальные манипуляции алгоритмическими лентами. Выборка ограничена пользователями из Китая; необходимаcross‑культурная валидация. Также стоит изучить роль индивидуальных различий (например, уровень тревожности, потребность в когнитивном закрытии) в Moderating эффектах алгоритмических характеристик на информационную усталость.

Заключение

Настоящее исследование предоставляет эмпирически обоснованную модель, показывая, как воспринимаемая точность, прозрачность и новизна алгоритмических рекомендаций связаны с информационной усталостью пользователей социальных сетей через посредничество информационной перегрузки и сужения. Высокая новизна рекомендаций выступает наиболее значимым фактором снижения усталости, тогда как высокая точность и низкая прозрачность усугубляют её. Результаты имеют прямые implications для дизайнеров платформ, стремящихся создать более здоровую информационную среду, балансируя персонализацию и разнообразие.