Algorithmic Resistance among Chinese University Students on Short Video Platforms
คำสำคัญ:
Short Video Platforms, Algorithmic Resistance, Algorithmic Awareness, Black Boxบทคัดย่อ
The increasing integration of algorithmic recommendation systems in short video platforms has raised concerns about their influence on user autonomy. University students, as active users, may develop varying levels of resistance to algorithmic control, influenced by psychological and social factors. This study aims to examine the relationships between social anxiety, boredom proneness, emotional exhaustion, peer influence, self-control, and algorithmic literacy, and their impact on algorithmic resistance behavior among Chinese university students. The study further investigates the mediating roles of resistance cognition and affective dependence. A structured questionnaire was administered to a sample of Chinese university students using a purposive sampling method. The measurement scales demonstrated acceptable reliability (Cronbach’s α > 0.70). Structural equation modeling (SEM) was employed to assess direct and indirect relationships among variables, with bootstrapping applied to test mediation effects.
The findings revealed that social anxiety, boredom proneness, emotional exhaustion, and peer influence had varying direct and indirect effects on algorithmic resistance behavior. Resistance cognition and affective dependence played significant mediating roles in several relationships. Fit indices indicated an acceptable model fit (RMSEA = 0.054, CFI = 0.884, TLI = 0.871). The study highlights the complexity of user responses to algorithmic recommendations and underscores the importance of enhancing algorithmic literacy, promoting self-control, and reducing negative psychological states to foster healthier digital engagement. The results provide theoretical and practical implications for platform design and digital literacy education.
เอกสารอ้างอิง
Dogruel, L., Masur, P., & Joeckel, S. (2022). Development and validation of an algorithm literacy scale for internet users. Communication Methods and Measures, 16(2), 1–19. https://doi.org/10.1080/19312458.2021.1998300
Fergus, T. A., Valentiner, D. P., McGrath, P. B., Gier-Lonsway, S. L., & Kim, H. S. (2012). Short forms of the Social Interaction Anxiety Scale and the Social Phobia Scale. Journal of Personality Assessment, 94(3), 310–320. https://doi.org/10.1080/00223891.2012.660291
Giddens, A. (1984). The constitution of society: Outline of the theory of structuration. Cambridge: Polity Press.
Karizat, N., Delmonaco, D., et al. (2021). Algorithmic folk theories and identity: How TikTok users co-produce knowledge of identity and engage in algorithmic resistance. Proceedings of the ACM on Human-Computer Interaction, 305, 1–44. https://doi.org/10.1145/3476053
Kulshrestha, J., Eslami, M., Messias, J., Zafar, M. B., Ghosh, S., Gummadi, K. P., & Karahalios, K. (2017). Quantifying search bias: Investigating sources of bias for political searches in social media. Proceedings of the 2017 ACM Conference on Computer Supported Cooperative Work and Social Computing, 417–432. https://doi.org/10.1145/2998181.2998321
Lam, S. K., Frankowski, D., & Riedl, J. (2006). Do you trust your recommendations? An exploration of security and privacy issues in recommender systems. International Conference on Emerging Trends in Information and Communication Security, 6(6), 14–29. https://doi.org/10.1007/11766155_2
Leong, L. (2020). Domesticating algorithms: An exploratory study of Facebook users in Myanmar. The Information Society, 36(2), 97–108. https://doi.org/10.1080/01972243.2019.1685031
Lin, J., Lin, S., Turel, O., & Xu, F. (2020). The buffering effect of flow experience on the relationship between overload and social media users’ discontinuance intentions. Telematics and Informatics, 49, 101374. https://doi.org/10.1016/j.tele.2020.101374
Lomborg, S., & Kapsch, P. H. (2020). Decoding algorithms. Media, Culture & Society, 42(5), 745–761. https://doi.org/10.1177/0163443719855301
Luqman, A., Cao, X., Ali, A., et al. (2017). Empirical investigation of Facebook discontinues usage intentions based on SOR paradigm. Computers in Human Behavior, 70, 544–555. https://doi.org/10.1016/j.chb.2016.12.069
Maxwell, K. A. (2002). Friends: The role of peer influence across adolescent risk behaviors. Journal of Youth and Adolescence, 31(4), 267–277. https://doi.org/10.1023/A:1015493310144
Nie, J. H., & Song, J. Z. (2020). Generalization and bias: Research on algorithmic recommendations and the construction of healthy knowledge environment – A case study of Toutiao. Journalism & Communication Studies, (9), 23–42.
Rovinelli, R. J., & Hambleton, R. K. (1977). On the use of content specialists in the assessment of criterion-referenced test item validity. Tijdschrift Voor Onderwijs Research, 2, 49–60.
Sundberg, N. D., Latkin, C. A., Farmer, R. F., et al. (1991). Boredom in young adults: Gender and cultural comparisons. Journal of Cross-Cultural Psychology, 22(2), 209–223. https://doi.org/10.1177/0022022191222005
Swart, J. (2021). Experiencing algorithms: How young people understand, feel about, and engage with algorithmic news selection on social media. Social Media & Society, 7(2), 1–11. https://doi.org/10.1177/20563051211008828
Tangney, J. P., Baumeister, R. F., & Boone, A. L. (2004). High self‐control predicts good adjustment, less pathology, better grades, and interpersonal success. Journal of Personality, 72(2), 271–324. https://doi.org/10.1111/j.0022-3506.2004.00263.x
Wang, L., Yan, J., Lin, J., & Cui, W. (2017). Let the users tell the truth: Self-disclosure intention and self-disclosure honesty in mobile social networking. International Journal of Information Management, 37(1), 1428–1440. https://doi.org/10.1016/j.ijinfomgt.2016.11.009
Watkins, M. B., Ren, R., Umphress, E. E., Boswell, W. R., Triana, M. D. C., & Zardkoohi, A. (2014). Compassion organizing: Employees’ satisfaction with corporate philanthropic disaster response and reduced job strain. Journal of Occupational & Organizational Psychology, 88(2), 436–458. https://doi.org/10.1111/joop.12090
Werner-Wilson, R. J., & Arbel, O. (2000). Assessment of interpersonal influences on adolescents: The parent and peer influence scale. The American Journal of Family Therapy, 28(3), 265–274. https://doi.org/10.1080/019261800261782
Williams, M. D., Rana, N. P., & Dwivedi, Y. K. (2015). The unified theory of acceptance and use of technology (UTAUT): A literature review. Journal of Enterprise Information Management, 28(3), 443–488. https://doi.org/10.1108/JEIM-09-2014-0088
Zarouali, B., Boerman, S., & Vreese, C. D. (2021). Is this recommended by an algorithm? The development and validation of the Algorithmic Media Content Awareness Scale (AMCA-scale). Telematics and Informatics, 62, 101607. https://doi.org/10.1016/j.tele.2021.101607
Zhang, M. (2022). From discipline to control: The technical ghosts and underlying tactics of algorithmic society. International Journalism, (1), 156–173.
Zhou, B. (2019). The use and influence of algorithmic recommender APPs: An empirical analysis based on a national audience survey. Journalist, (12), 27–37.
ดาวน์โหลด
เผยแพร่แล้ว
รูปแบบการอ้างอิง
ฉบับ
ประเภทบทความ
สัญญาอนุญาต
จรรยาบรรณผู้เขียนบทความ
ผู้เขียนบทความต้องรับรองว่าบทความนี้ไม่เคยตีพิมพ์ในวารสารใดหรือสิ่งพิมพ์อื่นๆ มาก่อน ต้องไม่คัดลอกผลงานผู้อื่นมาปรับแต่งเป็นบทความของตน และไม่ได้อยู่ระหว่างการเสนอเพื่อพิจารณาตีพิมพ์ อีกทั้งยอมรับหลักเกณฑ์การพิจารณาและการตรวจแก้ไขบทความต้นฉบับโดยกองบรรณาธิการวารสารวิทยาลัยนครราชสีมา สาขามนุษยศาสตร์และสังคมศาสตร์
บทความทุกเรื่องได้รับการตรวจพิจารณาทางวิชาการโดยผู้ทรงคุณวุฒิที่มีประสบการณ์และมีความเชี่ยวชาญตรงตามสาขาของบทความ ซึ่งผู้เขียนต้องแก้ไขตามคำแนะนำของผู้ทรงคุณวุฒิภายในระยะเวลาที่กำหนด หากไม่เป็นไปตามกำหนดกองบรรณาธิการขอสงวนสิทธิ์และยกเลิกการตีพิมพ์โดยจะแจ้งให้ทราบต่อไป
ข้อความที่ปรากฏในบทความของวารสารนี้เป็นความคิดเห็นของผู้เขียนซึ่งไม่เกี่ยวข้องกับวิทยาลัยนครราชสีมาแต่อย่างใด และกองบรรณาธิการขอสงวนสิทธิ์ในการพิจารณาและตรวจประเมินบทความเพื่อตีพิมพ์ในวารสารของวิทยาลัยนครราชสีมา สาขามนุษยศาสตร์และสังคมศาสตร์
