王中原|算法瞄準如何重塑西方選舉 ——算法時代的選舉異化及其治理_風聞

王中原｜復旦大學社會科學高等研究院副教授

本文原載於《探索與爭鳴》2021年第5期

非經註明，文中圖片均來自網絡

2016年唐納德·特朗普的意外當選和其後披露的“劍橋分析”醜聞，讓人們注意到智能算法的強大威力，及其對選舉民主的衝擊。2020年美國大選再次將算法瞄準和智能選舉推向了新高度，新的算法科技和瞄準手段不斷湧現，數據驅動的智能選舉（data-driving elections）逐步取代傳統的選舉動員方式，加上新冠肺炎疫情導致線下競選活動受限，使得虛擬世界的“算法空戰”成為本屆選舉的主要形式。特朗普團隊和拜登團隊僅僅用於臉書平台（Facebook）的政治廣告精準投放花費，就分別高達9770萬美元和8210萬美元，數據和算法成為選舉的核心競爭力。最前沿的算法科技被淋漓盡致地運用到選舉場域，政黨、候選人、競選團隊、諮詢公司、數據掮客（databroker）、算法服務公司、社交媒體平台等形成新的選舉聯盟，重塑着選舉生態。這些新變化不僅意味着選舉策略和競選方式的轉變，而且對選舉民主的內涵和根基構成新的挑戰。算法時代的西方選舉正在走向某種形式的異化，為我們觀察和思考選舉民主的危機及其治理提供了契機。 

西方正在進入智能選舉的新時代，數據資源和算法技術開始重新定義西方的選舉政治，選舉不僅是政黨政策主張之間的比拼和選民自由意志的選擇，而且越來越成為不同政黨和選舉人在數據和算法領域的較量。最大限度地蒐集和挖掘選民數據，運用智能算法對選民展開精準動員，引導選民行為以收割選票，成為算法時代新的選舉方程式。基於海量選民個體數據的算法瞄準，一方面拓展了競選活動的形式，更加有效地傳遞選舉資訊和智能化地動員投票，有助於提升選舉民主的活力；另一方面加大了對選民心理和行為的操控，引導候選人分割和選擇動員對象、掌控選民情緒、精準投放信息，以及“圍獵”潛在支持者，這些都將危及民主的核心價值。

算法瞄準和智能選舉的興起有着深厚的時代背景。首先，西方競爭性選舉政體正面臨政黨離散的壓力，黨員數目和選民的政黨認同都顯著下降，新的算法科技成為政黨重新觸達、聯結和動員選民的得力工具。其次，西方選舉日漸走向個人化，候選人的個人特徵和吸引力成為左右選舉的關鍵因素，特別是在民粹主義盛行的大背景下，基於候選人的算法瞄準和選民動員成為競選的有效手段。再次，西方選舉政治正在走向深度極化，黨派競爭進入白熱化狀態，傳統的競選方式已經達到成效上限，通過新技術手段挖掘潛在選民和提升投票率成為選舉交鋒的新戰場。因此，算法瞄準並非簡單的競選技術革新，其背後是整個西方政治生態的轉型。研究新技術環境下的選舉政治，有助於我們把握西方政體的運行動態，反思技術密集型選舉的侷限，研判選舉政治的發展方向。

本文將聚焦智能選舉中的算法瞄準及其對選舉民主的異化影響。首先，梳理算法瞄準的基本概念和發展歷程，分析發達民主國家智能選舉的前沿動態。其次，剖析算法瞄準的基本原理和技術過程，揭示選舉中“算法武器化”的技術邏輯。再次，闡釋算法瞄準的政治後果，反思算法瞄準如何異化選舉民主，動搖西式民主的基本前提、程序正義和價值目標，從而威脅民主政體的健康運轉。接着，探討算法時代西方選舉異化現象的治理路徑，分析多圈層治理中不同主體的角色。最後，提煉本文的核心觀點，展望算法時代西方選舉政治的發展態勢和未來的研究課題。

智能選舉中的算法瞄準

鎖定目標選民（voter targeting）是選舉動員的核心策略，其目標是在競選經費有限的條件下有效地動員儘可能多的選民參與選舉活動(包括投票、捐款、集會、擔任志願者等)。傳統的選舉動員方式較為粗糙，政黨或候選人根據掌握的選民分佈信息和歷史投票情況，藉助特定的媒介和工具展開動員，常用的手段包括打電話、發郵件、電視廣告、掃街拉票等，鎖定對象多在羣體層面。隨着算法時代的到來，數據資源的積累和算法科技的精進為選民動員提供了新的手段，使得聚焦選民個體的精準動員成為可能，基於算法的政治瞄準（political micro-targeting)應運而生。

算法瞄準（algorithmic micro-targeting）是指“運用數據分析識別個體的具體興趣，然後創制個性化的資訊內容，預測這些資訊的影響，然後將這些資訊精準投放給相關個體”。算法瞄準起初為商業營銷手段，即根據個體特徵、消費記錄、日常喜好和社交網絡等數據對客户進行畫像，進而投其所好地為客户推薦廣告和產品。近年來，算法瞄準越來越多地運用於政治領域，用以建立選民關係和動員選舉投票，並在選舉實戰中取得突飛猛進的發展。算法瞄準的核心是數據而非選民，其基本假設是單個或幾個數據點（data point）無法準確反映選民的偏好，需要收集海量的、多維的、各領域的選民數據才能構建完整的選民畫像。區別於傳統的選舉方式，算法瞄準依靠大規模的選民個體特徵數據和行為數據來對選民進行精準劃分和歸類，然後依託算法識別選民的人格特性和偏好立場，基於此向其推介個性化定製的選舉資訊和動員活動，並通過預測、試驗、反饋、迭代等過程不斷優化，從而達到最大化影響選民投票意願和投票行為的目的。整個競選過程由數據驅動，通常被瞄準的選民並不知道其個體數據是如何被收集、分析和使用的。

算法瞄準是大數據時代智能選舉的核心技術，近年來在西方各國選舉中得到不斷發展。早在2004 年美國總統大選中，共和黨候選人喬治·沃克·布什就開始運用數字技術輔助線下競選，收到良好的效果。民主黨在輸掉2004年選舉後，開始着力推進競選技術的革新，2008年大選中奧巴馬團隊創新運用各種數字化手段來募集資金和動員選民，“數據驅動的選舉”初見雛形。然而，真正意義上的智能選舉出現在社交媒體廣泛興起背景下的2012年美國大選，奧巴馬團隊首次大規模運用臉書等社交媒體平台對選民展開瞄準式動員，2012 年選舉也因此被描繪為“大數據選舉”（the big data election）。彼時，大數據為選舉賦能，尚被視為一種積極的選舉創新。然而，情況在2016年大選中發生了變化，特朗普團隊僱用第三方公司大規模收集選民個體數據，通過心理測繪和人格分析操控選民認知和行為，在社交媒體投放大量定製化的競選廣告以誘導選民的投票偏好，對大選結果造成重要影響。特別是“劍橋分析”醜聞爆發以來，社會各界對智能選舉中的算法瞄準開始重新審視。

2020年美國總統大選再次將智能選舉推向極致。相較於2016年，本次大選迎來諸多新變化。首先，新的數據生態系統形成，競選團隊與數據和媒體產業高度融合，大量數據掮客公司、智能廣告公司、軟件開發公司、媒體諮詢公司、新媒體平台等湧入選舉市場，構成“選舉數字軍團”。其次，算法科技高度純熟，對選民的識別精度進一步提升，商業營銷中最前沿的用户畫像技術和人工智能算法被移植到選戰當中，幫助候選人迅速鎖定潛在支持者，開展個性化的動員攻勢。再次，競選團隊自行開發數字工具收集選民數據，運用物聯網、藍牙定位、授權共享等技術拓展支持羣體，並藉助“圖計算”和“私域流量”進行“關係式動員”（relationalorganizing），數據團隊在競選組織中開始扮演核心角色。總之，選舉中的算法瞄準技術已經相當成熟，掌控儘可能多的選民數據以及運用最先進的算法技術進行精準動員成為影響選舉勝負的關鍵。

算法主導的智能選舉也蔓延到其他西方國家，但由於各國制度環境和法律體系的差異，呈現出不同的發展態勢。在加拿大，保守黨在2006年大選中就通過建立“選民信息管理系統”來識別和動員支持者，2015年大選中三大主流政黨都組建了選民數據庫，運用算法瞄準技術動員民眾。在英國，2015年大選中保守黨採取了美國式的算法瞄準策略，通過大規模採集和挖掘選民個體數據展開精準動員，幫助其贏得了選舉。2016年英國脱歐公投中，脱歐派陣營通過僱用數據分析公司對選民施加心理誘導，影響了公投結果。在荷蘭，主流政黨和激進右翼政黨在2017年大選中都加大了對數據分析和社交媒體廣告的投入，通過個性化的隱形信息推送（dark posts）影響選民投票行為。在德國，2009年聯邦大選中社民黨（SPD）和基民盟（CDU）開始藉助大數據分析指導線下競選活動，雖然起初收效甚微，但更加複雜的算法瞄準在2013年和2017年聯邦大選中得到推廣。總之，無論是在多數決制的國家（例如美國和英國），還是在比例代表制的國家（例如荷蘭和瑞典），算法瞄準技術都在重塑選舉政治生態。

算法瞄準的基本原理和技術過程

傳統選舉依賴民意調查的動向來部署競選策略，然而隨着民調頻繁失準，機器學習和人工智能算法成為預測和干預選民行為的重要競選“武器”，圍繞算法的“軍備競賽”成為影響選舉成敗的關鍵。算法瞄準並非鐵板一塊，其涉及不同的參與主體，使用不同的數據資源，運用不同的工具，瞄準不同的對象。然而，算法瞄準的基本原理是一致的，其核心技術過程可劃分為三個步驟：（1）選民數據的採集和預處理；（2）選民分類、模式識別和算法預測；（3）選民瞄準和個性化動員。理解算法瞄準的基本原理和技術過程，有助於我們研判其對選舉民主的影響。

（一）選民數據採集和預處理

算法瞄準首先需要採集海量的選民個體層面數據，數據資源通常來自“公共數據”和“私人數據”。公共數據包括人口普查數據、地理信息數據、選民註冊數據、歷史投票數據、選舉捐款數據等。例如，美國各州建立有註冊選民數據庫，並允許政黨獲取註冊選民的姓名、年齡、族裔和歷史投票情況等數據，這些數據有助於政黨迅速掌握選民羣體的特徵和分佈情況。私人數據包括選民個人的網絡行為數據、消費數據、生活方式數據、財務數據、聯繫方式和社會交往數據等。以網絡行為數據為例，社交媒體平台掌握大量的用户行為數據，包括關注、點贊、分享、轉發、評論以及好友關係等，競選團隊既可以自己爬取這些數據，也可以通過購買服務、投放政治廣告等形式予以利用。就消費數據而言，各大購物、支付和郵寄平台擁有海量的用户交易數據，包括商品搜索記錄、消費歷史、交易憑證、信用情況、客户評價等，數據掮客公司會買賣此類數據，用於更加精準的用户畫像。生活方式數據通常包括行動軌跡數據、運動數據、作息數據、健康數據、訂閲數據、娛樂生活數據等，這些數據有助於研判選民的人格特質和政策傾向。財務數據包括選民的收入和支出、住房貸款、股市投資、社會保障等數據，這些數據有助於預測選民對經濟政策的敏感度。聯繫方式和社會交往數據包括選民個人的地址、電話、郵箱、社交賬號等數據，以及選民的通訊錄、聯繫人和交際圈等數據，前者便於與選民取得直接聯繫，後者可以用於拓展潛在支持者。

政黨或競選團隊既可以自己採集上述數據（特別是公共數據），也可以通過數據掮客購買。例如，美國共和黨自2011年以來就依託Data Trust平台進行數據收集和交換，該平台宣稱擁有美國 50個州3億人的個體數據，每個觀測個體有2500 個數據點。民主黨起初對此類數據收集活動持保留態度，但2016年選舉受挫迫使民主黨在2020年大選前也成立了類似的數據平台，加強選民數據的採集、共享和交換，助力本黨選舉。此外，在2020年總統大選中，共和黨和民主黨的候選人都使用了專屬的競選APP自主採集數據。例如，在註冊特朗普的競選APP時，需要提供姓名、手機號、郵件、郵政編碼等數據，同時授權藍牙連接功能，該 APP 幫助共和黨採集到 4000 餘萬選民的個體數據，其藍牙功能可以與遍佈大街小巷的競選廣告牌中的內置芯片進行物聯網，從而追蹤選民的交際圈。購買第三方數據也是常態，當前西方國家（特別是美國）已經形成規模龐大的數據交易市場，除了IBM、Google、Facebook等大公司之外，從事政治數據交易的著名掮客公司包括Experian、i360、Aristotle、L2等。以Experian公司為例，其匯聚了1.26 億美國家庭（3億多人口）的數據，這些數據覆蓋過去 50 年，數據內容包括個體人口學特徵、消費習慣、生活方式、興趣愛好等，該公司還宣稱掌握85%的美國家庭住址資料和5億個電子郵箱，可以精準地觸達動員對象。

數據豐富度和數據質量是決定算法瞄準成效的關鍵要素。競選團隊在採集和購買數據後，通常會對來自不同渠道的數據進行清洗、匹配、合併和插補等預處理，構建數據庫以備後續環節使用。不同來源的數據在格式、變量、記錄方式、缺失值等方面都存在差異，按照個體身份信息（如姓名、性別、出生日期等）進行匹配和合並是常用的做法。同時，按照一定規律對數據進行插補也是提升數據質量的必要步驟，例如通過姓名推測族裔，通過宗教活動場所插補信仰情況等。此外，部分數據（特別是網絡行為數據、消費數據、社會交往數據）需要在競選過程中不斷更新，以實時把握選民動態。通過歷屆積累，政黨通常能掌握大規模的選民數據，形成豐富的選舉數據資產。

（二）選民分類、模式識別和算法預測

算法瞄準的第二個關鍵環節是運用分類建模對選民進行精準畫像，識別選民特徵與其投票行為的隱性關聯模式（hidden patterns），並進行算法測試。首先，競選團隊會對所掌握的海量選民數據進行深度挖掘，藉助統計模型和機器學習算法分析選民的人格特徵、情感偏好、心理結構、政策傾向和政治態度等，完成對選民的政治畫像和精準分類。根據目的不同，分類建模的具體算法也有差異。如果是為了推廣某項具體的政策綱領，需要提取與該政策相關的特徵變量進行選民分類。例如，美國共和黨為宣傳其持槍政策，可以從槍支購買和維修記錄、槍械協會的會員信息、社交媒體的相關評論數據中提取特徵變量對選民進行分類或賦分；民主黨想推廣其氣候政策，可以從清潔能源購買數據、生活方式數據中挖掘相關特徵進行選民分類或賦分。如果是為了對選民進行情感動員和心理干預，需要按照選民的人格特質和心理狀態進行分類。常用的算法是根據大五人格理論對選民進行心理測繪（psychometric profiling），以判斷選民的人格傾向、認知結構和心理軌跡，從而理解其投票決策方式和觸發因素。近年來，隨着情感分析算法日漸成熟，運用社交媒體數據識別選民情緒和投票偏好成為流行方式。

心理測繪（psychometric profiling）

其次，除了運用分類算法進行選民畫像，還需藉助預測算法分析選民特徵與投票決策之間的隱性關聯模式。例如，有研究通過分析全美200多個城市的5000萬張谷歌街景地圖數據發現，轎車較多的街區更傾向於支持民主黨，而皮卡車較多的街區則更多支持共和黨。數據分析公司HaystaqDNA用衞星照片數據識別安裝太陽能電池板的家庭，指導民主黨向這些家庭推銷環保政 策以動員投票。誠然，這些關聯模式只是特徵變量之間的某種相關性，缺少因果解釋，但是在指 導競選活動時，相關性就已經足夠，候選人只求按照該關聯模式可以實現精準動員，無需深究其 間的因果機制。預測算法除了挖掘可觀測對象的投票行為模式外，還可以預測類似不可觀測對象（lookalike audiences）的活動，這意味着即便數據庫中沒有某個選民的數據記錄或者數據記錄極不完整，算法同樣可以根據對現有數據中相似選民的分析預測該選民的投票傾向。

（三）選民瞄準和個性化動員

算法瞄準的最終落腳點是對選民個體施加政治影響。競選團隊根據所識別的選民類型和特徵關聯模式，運用機器學習算法定製個性化的動員策略，並不斷優化瞄準精度，實現對支持者的精準動員和對競爭者的精準打擊。選民瞄準可以劃分為不同類型，包括基於議題的選民瞄準，即向選民兜售某種政策立場或攻擊對手的政策立場；基於候選人的選民瞄準，即推銷己方候選人或攻擊對方候選人；基於虛假信息的選民瞄準，即向選民投放選舉相關的虛假信息。不同於傳統大水漫灌式的電視廣告轟炸，算法瞄準精準對人，一人一策，根據選民畫像進行定製化的信息推送和個性化的遊説動員，既可以提升動員效率又可以節約競選成本。政黨/候選人通常會啓動全媒體的選民觸達策略，根據選民使用習慣，採用社交媒體、在線訂閲、電子郵件、搜索引擎、手機短信、郵寄、電話、電視、廣播、播客等形式向選民傳遞競選資訊，並根據對象調整不同的話語策略和投放時間，以最大限度地提升動員效率。 

為了優化瞄準精度，競選團隊會在大規模信息投放之前進行多輪測試，常用的手段包括“A/B”測試（“A/B”testing），即通過人工智能算法編制對照的信息內容和投放形式，以測試哪種更有效。例如，編制不同版本的電子郵件，在標題、措辭、內容編排、回應功能上設置差異，然後將該郵件發送給一定樣本的目標羣體，監測哪種形式的郵件最有效、哪類選民的回應率最高，進而不斷優化郵件瞄準方式。常用的個性化動員方式還包括社交媒體廣告、定製化短信等。基於心理測繪的政治廣告推送，通過挖掘選民的人格特徵、價值態度與投票決策的關聯模式，強化對選民的心理攻勢，以影響其投票傾向和意願。個性化的短信聯絡（P2P texting）通過智能算法編制具象化的短信息以抓住選民注意力，並依靠志願者同選民建立人格化的私人聯繫，推動資訊的關係式傳播。2020 年大選中，特朗普團隊將定製化短信作為關鍵競選武器，精準推送了約10 億條攻擊性短信和虛假信息。個性化動員有兩個核心目標：一個是督促支持者採取某種行動，例如投票、捐款或志願服務；另一個是改變選民的支持態度和投票行為。雖然選舉實踐證明後者難度較大，但是隨着算法技術的精進，算法瞄準將在選舉中發揮更大的影響力。

算法瞄準的政治後果 :選舉民主的異化

算法瞄準將產生一系列的政治後果，影響西式民主的程序正義和結果正義。算法瞄準起初代表着選舉技術創新，是大數據時代智能選舉的新模式，不僅能夠提升選民政治參與的熱情，而且可以讓政黨 / 候選人更加了解選民的訴求，提升政治回應性。然而，隨着算法科技的無限制使用，算法瞄準漸漸走向民主政治的對立面（如圖1），主要體現在：（1）算法瞄準通過信息操弄建構選民的選舉偏好和操控選民的投票行為，導致選舉從“選民控制政黨/候選人”轉變為“政黨/ 候選人控制選民”；（2）算法瞄準強化了黨派立場，消解了交叉認同（cross-cutting cleavages），導致消極競選和政治極化；（3）算法瞄準篩選或壓制選民，導致政治代表性偏差，選舉承諾的碎片化引發政府回應和選民問責的困難。總之，如果缺乏有效治理，算法瞄準將異化選舉民主的前提、過程和目標，使得通過投票聚合選民偏好從而選出政府回應選民需求並接受選民問責的“民主鏈條”出現裂痕（如圖1），威脅民主政體的健康運轉。

（一）信息操弄和選民操控

民主選舉得以有效運轉的前提是選民能夠在開放的信息環境和政策市場裏自主地作出投票決策，免於外在力量的干預和操弄。算法瞄準打破了這一前提，讓政黨/候選人有機會控制選民的信息獲取和投票行為，選民被異化為一組數據構成的投票工具。

首先，算法瞄準導致信息操弄。一方面，政黨/候選人在選民不知情的情況下采集了海量的選民個體信息，這些數據能夠覆蓋幾乎全體選民並涵括成百上千個特徵維度，從而對選民實現超級精準畫像（super profiling）。選民成為數據組成的“透明人”，選民的任何活動都可能被追蹤和記錄，被用於算法瞄準，而選民通常並不知道自己的哪些數據、正通過什麼方式被政黨/候選人所掌握和利用，導致“監控式資本主義”（surveillance capitalism）。更嚴重的是，競選活動面對的不再是一個個活生生的選民，而是一個個冷冰冰的數據點，選民被物化為某種“特徵集合”。另一方面，政黨/候選人可以運用算法對選民進行“分而治之”，針對不同類型的選民“投餵”不同信息，選民所接受的選舉資訊是根據其喜好、特徵、閲讀習慣和政治立場所精心編制的。民主需要“明智的選民”（informed electorate），但算法瞄準導致信息自由流通受阻，信息市場被高度扭曲，每個選民都生活在算法編織的信息“濾泡”（filter bubbles）當中。此外，選民對這些個性化信息的回應（點擊、轉發、回覆等）再次變成新的數據，幫助算法瞄準不斷優化，形成互動式的算法升級螺旋，進一步固化信息繭房。算法瞄準賦予政黨/候選人和第三方算法公司超出常規的權力來影響選民的態度和行為，並且其運行極其不透明，形成難以監督的“算法利維坦”。

其次，算法瞄準導致選民操控。民主選舉必須基於選民的自主決策，然而在扭曲的信息環境下，選民偏好不是自主的而是被建構的。民主選舉的過程不再是選民根據自己的利益和偏好來選擇政黨/候選人，而是政黨/候選人選擇和馴化支持者，並通過控制信息流通和塑造非理性的政治偏見來“圍獵選民”（hunt for voters）。類似於選區操控（gerrymandering）通過將選民“分解”和“打包”在不同的地理選區內來製造競爭優勢，算法瞄準通過將選民“分解”和“打包”在不同的信息繭房中來操控投票行為。認知心理學認為任何人都存在“決策脆弱性”，算法瞄準正是利用了選民認知侷限來影響其投票行為。無論選民同意與否、有意識或是無意識，算法都可以操弄選民的希冀和恐懼、喜好和厭惡、歡欣和憤怒來進行瞄準式動員，不斷激活選民的某種心理範式和神經反應，形成結構性刺激以左右其決策。智能選舉構建了一個越來越龐大的複雜信息系統，選民的認知、心理、情緒和判斷能力被算法所影響，無法作出自主、獨立和理性的決策，甚至沒有能力察覺和反思自己的決策。結果是，選民決定投票或不投票以及投給誰看似是選民自己的選擇，其實該選擇早就被算法瞄準所操控，並且這種操控是隱匿的和持續的。選舉政治的制度邏輯是選民可以通過選票控制政黨/候選人，但算法瞄準卻將選民異化成被控制的對象。

（二）消極競選和政治極化

民主選舉要求政黨/候選人通過良性競爭贏得選民支持，競選的過程也是開展全國性公共對話的過程，通過議題論辯和理性溝通促進交叉認同。算法瞄準打破了這一過程，數據和算法被“武器化”（weaponize），導致政治對抗升級，加劇消極競選和政治極化。

首先，算法瞄準導致消極競選。智能選舉時代算法科技成為決定勝負的關鍵，將算法運用到極致是所有政黨/候選人的策略，這就使得算法的各種極端運用手段開始流行，包括推送虛假信息、傳播陰謀論、污名化宣傳、製造仇恨、歪曲事實等消極競選方式。為了追求選舉利益最大化，政黨/候選人會通過同質信息鞏固支持陣營，運用虛假信息分化敵對陣營，算法幫助實現精準動員和精準打擊，針對選民的不同特質進行高度個性化的洗腦和遊説，並且毫不顧忌信息真實性。此外，暗黑手段大行其道，社交機器人可以根據算法指示精準高效地向選民分發假新聞鏈接和污名化短信，並根據反饋調整推送策略。由於算法瞄準是一個過程黑箱，外部並不知曉政黨/候選人對哪些人傳播了哪些虛假信息，無法進行事實核查和信息糾偏。加之虛假信息的傳播速度、深度和廣度驚人，消極競選的影響被不斷累積和放大，從而誤導選民。消極競選導致選舉生態惡化，首先採取這些消極手段的黨政/候選人會獲得高額的“算法紅利”，並帶動其他政黨/候選人跟進，形成“算法軍備競賽”。此外，第三方算法公司出於盈利考量，也會不斷升級智能算法，激化惡性競爭。

其次，算法瞄準加劇政治極化。第一，算法瞄準按照特定的黨派意識形態展開動員，黨派割裂線在信息操弄下被不斷觸發和強化，超過其他任何社會認同，或者將其他認同吸附到黨派認同當中，造成黨派極化。第二，算法將選民切割為不同類型的子羣體，對每個羣體構造不同的信息環境，從而形成高度“部落化”的認同結構。算法瞄準通過虛假信息、政治攻擊、選擇性動員等不斷激活黨派認同邊界，強化認同羣體的組內抱團和組間排斥，不同“部落”之間缺少開放理性的對話，加劇了社會撕裂和認同對抗，造成羣體極化。第三，算法瞄準拆解了信息多元性，強化了選民個體的單維特性（o1ne-dimensionality），其人格、情感、心理和情緒被算法捕捉並放大，選民越發缺少反思和溝通能力，只能接受契合自己立場的觀點和信息，而罔顧事實和真相，造成個體極化。上述黨派極化、羣體極化和個體極化相互作用、彼此強化，不斷消解交叉認同，催生整體政治極化。更為嚴峻的是，算法瞄準並非一次性行動，而是貫穿選前、選中和選後的整個過程。算法使得西方選舉成為“全週期競選”（permanent campaigns），數據收集、選民追蹤、算法監控和瞄準式動員無時無刻不在發生，這將加劇政治極化的強度和烈度。

（三）政治代表性偏差和“回應 - 問責”失靈

民主選舉的目標是實現政治代表性和有效的回應與問責，讓不同的利益和聲音得到平等對待，運用選票壓力督促政府回應民眾訴求，並懲罰不守承諾的執政者。算法瞄準模糊了這些目標，篩選或壓制選民導致政治代表性偏差，碎片化承諾引發政府回應和選民問責的困難。

首先，算法瞄準導致政治代表性偏差。政黨/候選人藉助算法將選民分割成不同特徵組合，根據選民畫像和心理測繪來判斷選民的投票意願和偏好，但並不是所有的羣體都會被“瞄準”，政黨/候選人會選擇性地精準動員一部分人而有意忽略另一部分人。如果算法預測表明某些民眾無論如何都不會參與選舉或者不可能改變投票傾向，那麼這部分選民將被排除在算法瞄準的序列之外。同時，政黨/候選人也會運用算法來壓制選民（voter repression），特別是消解對方選民的投票幾率和意願。例如，2016年美國大選中，特朗普團隊曾瞄準搖擺州的非洲裔選民，向350萬人推送了攻擊希拉里的負面廣告，以壓制非洲裔選民的投票意願。被忽略和壓制的選民，其訴求和立場將被邊緣化，無法平等地反映到政策議程當中。此外，數據和算法是昂貴的政治資產，政黨/候選人必須投入大量的資金、組織專門的團隊、經過常年的積累才能把握先機，這有利於強大的主流政黨，代表少數羣體利益的弱小政黨將被擠出競爭舞台。同時，掌握數據資源和算法科技的第三方平台、數據掮客和政治諮詢公司在選舉中越來越有影響，其商業利益和話語權力在當選政府中擁有舉足輕重的地位。一方面是部分選民羣體和弱小政黨代表性的喪失，另一方面是科技公司影響力的擴張，兩者都將導致政治代表性偏差。

其次，算法瞄準引發回應與問責失靈。競選和執政是一個承諾和守諾的過程，然而在瞄準式動員當中，政黨傳遞給選民的信息是高度個性化和碎片化的，面對不同的選民，強調不同的議題和承諾不同的方案，缺乏始終如一的政策敍事。每個選民所看到的是不同版本的政黨形象，選民並不知道其關心的事項在整個政黨議程中的優先級，也不知道圍繞該議題有哪些不同的政策立場和解決方案，最終很可能出現當選政府無法滿足其期許的局面，選民也很難就其個體訴求向政府問責。一方面，當點對點動員更加有效時，政黨將致力於討好選民的個性化訴求，而忽略宏觀和長遠的政治規劃，競選被微觀算法所綁架，缺乏統一的政治綱領和政策排序，這便導致承諾和責任的模糊化，增加了回應和問責的難度。另一方面，算法瞄準將引導選民關注個殊化需求，而對關係國計民生的重大議題失去興趣，長久將形成選民與政黨/候選人之間的私人庇護關係（patron-clientelism），損害回應和問責的公共性。此外，算法瞄準通常是在隱秘環境下進行的，通過非公開渠道傳遞的選舉承諾，其透明性和可追蹤性較差，很難實現有效的回應和問責。

算法瞄準的多圈層治理

算法瞄準將產生一系列負面的政治後果，導致選舉民主的異化。如何治理智能選舉中的算法失範，是擺在西方各國面前的緊迫議題。算法瞄準涉及不同的利益主體，其治理過程也需要多方參與和相互制約，從而構建多圈層的複合治理結構：在制度圈層需要國家法律規制；在輿論圈層需要社會主體監督；在競選圈層需要平台治理和政黨協作；在投票圈層需要公民教育（見圖 2）。然而，不同主體對算法瞄準的認知、理念和需求存在較大差異，在如何把握言論自由與個人隱私之間的邊界、算法經濟和權利保護之間的張力、競選效率與政治倫理之間的平衡等問題上尚未形成共識，加之各個國家和地區的政策不同，影響了當前算法治理的整體績效。

首先，在制度圈層，算法瞄準的諸多政治風險無法在傳統的法律框架內得到有效治理，需要新的法律規制。近年來，特別是“劍橋分析”醜聞爆發以來，歐洲和北美各國紛紛推動相關立法。總體來説，歐洲走在算法治理的前列，採取了更加干預主義的治理策略。例如，英國議會在倡導《個人信息用於競選活動的行為守則》，併成立了跨黨派小組推動相關選舉法規的修改。歐盟推行《通用數據保護條例》，加大保護數據安全並規範個人數據的採集、傳播和使用，其重要目的之一就是控制算法瞄準和虛假信息，保障選舉公正。此外，歐盟還要求谷歌、臉書、推特等互聯網公司簽署了《虛假信息行為守則》，打擊基於數據的政治操弄。德國《聯邦數據保護法案》（Bundesdatenschutzgesetz）規定政黨只能收集其黨員或者與該黨有密切往來的公民的數據，且嚴禁收集有關選民族羣背景、政治立場和宗教信仰的數據，相關數據在完成特定用途後必須刪除，嚴禁長期儲存。法國國家信息自由委員會規定，使用社交網絡開展選舉動員時，必須徵得選民的同意並告知其數據收集和使用的方式。相較歐洲，美國的算法瞄準政策較為寬鬆，目前尚未頒佈類似嚴格的個人數據保護法規。雖然有議員提出了“禁止瞄準式政治廣告法案”（BanningMicrotargeted Political Ads Act）和“誠信廣告法案”（The Honest Ads Act），但是鑑於美國憲法第一修正案對言論自由的保護，政界和商界存在強大的反對力量抵制國家的過度管控。總體來説，法律規制相對於算法瞄準的迅猛發展明顯滯後，同時容易陷入多方博弈的僵局。此外，算法治理不能依賴總體性的數據保護條例，還需對具體的選舉法、政治廣告法、選舉資金法等進行配套修改，形成法律治理系統並確保其執行，這對很多國家來説是不小的挑戰。

其次，在競選圈層，平台治理和政黨協作在算法治理中尤為重要。(1)平台治理。平台公司不僅是海量用户數據生成和存儲的主體，並且是算法服務和政治廣告業務的供應商。臉書、谷歌、推特等平台公司掌握強大的數據權力，其自我治理是優化選舉數字生態的重要手段。基於2016年美國大選的深刻教訓，谷歌公司已經禁止在其平台對選民進行瞄準式信息推送，對有可能對選舉過程產生負面影響的虛假資訊開展了嚴厲打擊。推特公司也試圖全面禁止政治營銷，主張政治信息不能買賣，通過隱匿、刪除或限制閲讀等方式治理選舉虛假信息，對可能產生誤導的政治資訊附加警示。然而，臉書雖然宣稱嚴禁使用其平台進行選舉操弄，但是拒絕禁止算法瞄準，其年度政治廣告收益甚至高達36億美元。總之，當前平台治理還面臨諸多困境，雖然社會輿論、國會聽證和相關法規給平台公司施壓，但是它們的商業利益和政策立場使得真正的平台治理步履維艱。此外，科技公司過度干預內容生產也招致諸多違憲質疑。（2）政黨協作。作為競選主體的政黨和候選人也需參與到算法治理當中，例如不同政黨可以就競選倫理達成共識，出台最佳操作指南；約束提名人的算法行為，規範選舉資金使用和政治廣告投放，避免陷入“算法軍備競賽”；推動跨黨派的立法協作，通過法治手段管理平台公司和競選行為。政黨/候選人也應該管理好競選團隊，在選民數據採集、虛假信息傳播、瞄準式動員等方面做好自我約束，維護良性的選舉文化。誠然，在政治極化和民粹主義日趨嚴重的今天，依靠政黨和候選人的自律進行算法治理顯得尤為困難。

再次，在輿論圈層和投票圈層，社會監督和公民教育在算法治理中發揮着重要功能。（1）社會監督。算法瞄準呼喚媒體記者、非政府組織、學術界等社會力量的外部監督。從事選舉報道的調查記者可以揭示算法瞄準亂用的醜聞，通過媒體曝光警示和教育公眾；從事事實核查的非政府組織（fact-checkers）可以核驗算法推送的資訊是否存在事實錯誤和信息誤導，及時澄清誤解，引導民眾對所接收的資訊作出理性判斷 ;學術研究可以從政治學、法學、倫理學、傳播學、心理學和計算機科學等跨學科的視角研討和反思算法瞄準的應用和侷限，對其發展趨勢作出研判，從專業角度提出治理方案。（2）公民教育。公民個人作為選舉決策的主體和算法瞄準的對象，也須承擔相應責任。一方面選民需要意識到自己是被“瞄準”的對象，接收的信息是算法過濾的，並提升甄別和反思能力，拒絕參與虛假信息的“共同生產”；另一方面積極參與公共空間的協商對話，除了關注同温層的觀點，還要認識到其政策主張將如何影響其他人。此外，公民要提升個人數據保護意識，警惕個人信息的授權和分享。對此，國家提供相應的數字素養教育顯得尤為重要。例如，英國下議院在 2019 年報告中提出“數字素養應該成為國民教育的第四大支柱，與閲讀、寫作和數學同等重要”。提升公民在數字社會的知識素養和生存技能，是算法治理的重要途徑。

最後，算法瞄準的多圈層治理需要不同圈層和各個主體之間的有機協作和相互制約，外部的法律規制和輿論監督，內部的平台治理和政黨共識，以及個體數字素養培育對於算法治理都至關重要。例如，在每次選舉之後可以由公民團體、跨黨派組織、平台公司、媒體代表等組成第三方評估機構，對選舉過程進行獨立的“算法審計”（algorithm auditing）。然而，多圈層複合治理是理想型的算法治理模式，現實中由於制度環境差異、利益考量不同，各方很難達成共識和一致行動。更嚴峻的是，政治極化與算法瞄準彼此強化，裹挾着政黨/候選人、算法第三方、媒體和選民走向更加極化的境地，導致算法治理和選舉改革陷入僵局。

結論

當代西方選舉已經進入技術密集型的新時期，數據驅動的算法瞄準被廣泛運用於選舉動員和政治説服，掌控海量的選民數據以及運用最前沿的算法科技動員選民成為決定勝負的關鍵。算法主導的智能選舉不僅出現在多數決制的美國和英國，還流行於比例代表制的發達民主國家，甚至開始蔓延至新興民主國家，其興起不僅改變了傳統的選舉動員模式和選民決策方式，而且產生了一系列深遠的政治影響。

算法瞄準包括三個核心技術過程：選民數據的採集和預處理；選民分類、模式識別和算法預測；選民瞄準和個性化動員。算法瞄準在發展初期曾標誌着競選方式的突破創新，有效拓展了選舉動員渠道，有助於提升投票率和選舉民主的活力。然而，隨着選舉中“算法軍備競賽”愈演愈烈，最前沿的算法科技和商業模式被運用到選舉場域，選舉民主產生了多重異化，包括信息操弄和選民操控、消極競選和政治極化、政治代表性偏差和“回應-問責”失靈。算法瞄準正在重塑西方的選舉政治生態，影響了西式民主的程序正義和結果正義。算法瞄準本身只是選舉工具，雖然算法瞄準可能尚未達到媒體所渲染的危機局面，但隨着政黨/候選人在選舉利益最大化的驅使下無所不用其極地運用算法瞄準來操控選民，西方選舉的遊戲規則和競爭格局將徹底改變：選舉的中心不再是選民而是數據，競爭的核心不再是政策而是算法。選舉民主的前提、過程和目標都將出現異化，最終隨着算法瞄準的不斷升級和無限制使用，通過投票聚合選民偏好從而選出政府回應選民需求並接受選民問責的民主鏈條將出現更多裂痕，甚至危及民主政治的健康運轉。

如何扭轉這一趨勢，讓算法科技服務於民主政治？西方各國已經意識到算法治理的重要性，致力於構建多圈層的複合治理結構。然而，就如何把握言論自由與個人隱私之間的邊界、算法經濟與權利保護之間的張力、競選效率與政治倫理之間的平衡等問題，各方分歧嚴重。算法治理的過程也是不同政治力量博弈的過程，未來如何發展，值得跟蹤觀察。就學術研究而言，算法瞄準的興起為我們提出了一系列嶄新的跨學科研究議題，包括技術與政治的關係、算法的武器化、算法審計、算法治理模式、算法對政治極化的影響，等等。加強相關研究，不僅可以幫助我們把握西方政治發展的最新動態，研判西方政治制度的發展趨勢，同時能夠提升我們對新技術環境下人類政治行為的一般性認識。