発瘋就是流量密碼？Threads失物文揭演算法獎勵衝突：當惡意比善意更有流量，社群是否正在把我們推向對立？

一名 Threads 使用者在「遺失物招領」標籤下發文，說自己在台北捷運文德站的 YouBike 車籃裡撿到一台 MacBook，藍色的很漂亮，猶豫要自己留著還是拿去賣，「後來想想還是賣掉好了，就立刻拿去估價了」，結尾附上「嘻嘻 意外之財」。 這則貼文得到約 2,400 個讚、53 次轉發、71 次分享。 同一名使用者稍早發了一則貼文，說明筆電已經送交文德站詢問處。那則貼文得到 355 個讚、7 則留言、22 次轉發、4 次分享。 兩則貼文的按讚數差距接近 7 倍，分享數差距接近 18 倍。整串討論串在發文十二小時後累積約 100 萬次瀏覽。 這組數字之所以值得記錄，在於它罕見地把一個平常只能靠推論的問題，變成一組可以觀察的貼文對照。兩則內容由相同發文者在相近時間發布，主題與事件相同，最大的敘事差異，在於發文者把自己描述成打算侵占失物的人，或描述成把東西送交招領的人。 一名使用者把兩則貼文的互動數截圖並排，標題只寫了五個字：「此時此刻的流量差」。這則對照圖本身拿到 5,872 個讚。 另一名使用者留言說這個案例很適合拿來研究 Threads 演算法有多荒謬，拿到約 1 萬個讚。「頭一次看到用激將法找人的」，拿到約 1.1 萬個讚。原發文者自己回覆：「因為這個破演算法 好像不發瘋就沒流量」，這句話拿到 9,031 個讚，是整串裡互動最高的內容之一。 有位網友的總結更直白：「果然發瘋文學就是流量」。 値得注意的第二層現象は，批評演算法の留言本身也成了高流量內容。整串討論裡互動最高的幾則留言，全部是對演算法の抱怨或嘲諷。對平台の批評同樣獲得大量互動，並可能再次成為推薦系統可利用の訊號。この迴圈說明了問題の頑固之處：抵抗の姿態同樣可以被計價。 發文者最後在置頂更新裡寫道，再去問了一次詢問處，早班人員說送回遺失物時沒有看到筆電，推測失主已經領走。 三份研究指向同一個結構 台灣使用者在留言區歸納出の觀察，與近年の研究方向高度一致。 2021 年發表於《美國國家科學院院刊》（PNAS）の研究分析 Facebook 與 Twitter 共 273 萬則貼文，發現提及政治對立陣營の內容，分享率約為提及己方陣營の兩倍，每增加一個對立陣營詞彙，分享機率提高 67%。2023 年《自然人類行為》（Nature Human Behaviour）の隨機對照研究則發現，每增加一個負面詞彙，新聞標題點擊率提高約 2.3%。 平台設計也可能放大這種效果。根據 2021 年《華盛頓郵報》揭露の Facebook 內部文件，平台曾提高表情符號回應在排序中の權重，後續雖逐步調整機制，內部研究仍發現，高比例憤怒反應與錯誤資訊、毒性內容及低品質新聞具有較高關聯。 三份研究來自不同資料來源，卻都指向相同現象：容易引發強烈情緒、衝突或對立の內容，更容易獲得使用者互動，也更可能被平台持續放大。 被獎勵の是表演，不是行為 這件事裡沒有人被證實真的做了壞事。筆電送回去了，失主可能已經領走。發生の事情比較接近一場成功的行為藝術。 問題也正在這裡。當「表演出惡意」の報酬穩定高於「陳述善行」，理性的內容生產者會學會表演惡意。這不需要任何人真的變壞，只需要每個人都學會在敘事層面加上一點刻薄、一點挑釁、一點讓人想留言糾正の破綻。原發文者那句「不發瘋就沒流量」，是內容生產者對這套定價機制の準確描述，也是一份自白。 一旦這種表演成為預設語法，代價會落在第三方身上。閱聽人無法從敘事語氣分辨誰在演、誰是真的；長期暴露在演出來の惡意裡，對社會現實の估計會被拉偏。這不是單一使用者の道德問題，問題更可能出在計價方式。當一個系統只能測量「引發了多少反應」，它就會系統性地高估所有具備冒犯性の東西。 這串 100 萬次瀏覽の討論串，會繼續是台灣網路上關於演算法獎勵結構最生動の一份公開紀錄。而它的紀錄者，是那些自己算出流量差、然後把截圖並排貼上來の一般使用者。 這組貼文無法證明 Threads 排序機制刻意獎勵惡意，但它清楚呈現了一個值得研究の現象：同一事件被包裝成道德衝突時，取得の互動遠高於其他。既有研究も顯示，負面語言、政治對立及強烈情緒確實更容易引發點擊與分享。 憤怒會讓人留言，荒謬會讓人轉發，道德爭議會讓人選邊站。當越多人爭吵，平台就把內容推給更多人；當內容被推給更多人，爭吵又變得更激烈。於是，演算法雖然沒有親自製造衝突，卻建立了一套明確の獎勵機制：越誇張，流量越高；越偏激，傳播越快；越能激怒別人，越容易被看見。 久而久之，使用者也會學會這套規則。平鋪直敘沒有人看，那就把故事說得更荒唐一點；正常討論沒有互動，那就故意留下一句挑釁；觀點不夠鮮明，那就把世界切成非黑即白の兩邊。 每個人の行為，都在被平台演算法反覆強化；也許我們早已在不知不覺間，被社群媒體訓練成更偏激、更對立，也更難好好理解彼此の人。 資料來源： Threads 公開貼文。https://www.threads.com/share/BAYCx_Oq9N/​ Rathje, S., Van Bavel, J. J., & van der Linden, S. (2021). Out-group animosity drives engagement on social media. PNAS, 118(26), e2024292118. Robertson, C. E., Pröllochs, N., Schwarzenegger, K., Pärnamets, P., Van Bavel, J. J., & Feuerriegel, S. (2023). Negativity drives online news consumption. Nature Human Behaviour, 7(5), 812–822. Merrill, J. B., & Oremus, W. (2021, October 26). Five points for anger, one for a 'like': How Facebook's formula fostered rage and misinformation. The Washington Post. Masnick, M. (2021, October 28). Let me rewrite that for you: Washington Post misinforms you about how Facebook weighted emoji reactions. Techdirt.