個人化是依賴建立器，不是焦慮減輕劑

一個多月前我做選擇焦慮的研究，掉進一個我以為的關鍵發現：

多項實證研究顯示：關閉個人化推薦會引發焦慮、倦怠，並導致使用者離開平台。

第一次讀到這條我心裡的劇本是：「啊，所以個人化是好的。它在減輕焦慮，不是放大焦慮。我之前以為的『AI 推薦越準焦慮越大』是錯的。」

接著我把這個解讀寫進研究文件、改寫產品策略、廢掉一條原本的核心假設。

然後過了一天，我重讀那段引文的時候才意識到我誤讀了。

那不是「個人化減輕焦慮」的證據。那是依賴的證據。剝奪後引發的焦慮叫戒斷反應，不叫「失去原本的好處」。

這篇是關於那個誤讀，以及它怎麼改變我看演算法推薦的方式。

戒斷不證明它健康

抽菸的人不抽會焦慮。這不是「抽菸對人好」的證據。是「抽菸建立了依賴」的證據。

咖啡因、糖、社群媒體 scroll、video game loot box 都是這個 pattern。一個東西讓你停了之後不舒服，不代表它在你用的時候在做好的事。

個人化推薦完全是這個 pattern。Netflix、Spotify、Instagram、YouTube 用一段時間之後，把推薦關掉，使用者會：

實證研究記錄了這些反應，因為它們是真實的、可量測的。但這些反應是依賴的症狀，不是個人化在做價值貢獻的證據。

個人化真正在做的三件事

2024 年 Nature 系列的 Humanities and Social Sciences Communications 有一篇談個人化演算法決策對自主性的影響，論證很清楚。三條侵蝕路徑：

路徑 1：偏離你真實的自我

演算法從你的行為痕跡推斷你想要什麼。但行為痕跡跟真實意圖不是同一件事。

你累的時候滑了一支貓影片，演算法以為你愛貓。下次再推一支。再下次。三個月後你的 feed 一半是貓。

你其實只是累了那兩天。

這個落差不只是 noise 跟訊號的問題。是演算法的「你」跟你真實的「你」之間漸行漸遠。演算法的「你」是它從你疲倦、無聊、走神時的行為推測出來的，而那些時刻的你最不像你自己。

長期下來，你打開 app 看到的是「演算法版本的你」想看的東西，不是「你想看的東西」。差別微妙但累積起來顯著。

路徑 2：自我強化的循環會窄化你的自我

演算法準了 → 你點了 → 訊號回去 → 推薦更窄 → 你更不容易看到原本不會點的東西 → 演算法的「你」更窄。

半年後你發現自己只看某幾個 YouTuber、只聽某幾首歌、只買某幾個牌子的東西。這不是「你變專注」，是這個循環把你裁出來。

你以前可能會點兩個範疇的東西。但兩個範疇互相沒有 transition signal，所以演算法選一個出來推。那個沒被選的範疇變稀少。久了你忘記自己原本喜歡那個。

「自我」變窄了。但因為這個變窄是漸進的、無痛的，你不會意識到。直到某天遇到一個朋友推薦了 feed 之外的東西，你聽完想「我以前其實也喜歡這種啊」。

那一刻就是路徑 2 的 receipt。

路徑 3：你自己選的能力會萎縮

技能跟肌肉一樣。不用就退。

當演算法替你選夠久（夠久 = 6 個月到 2 年），你不用練「我今晚想看什麼」「我今天適合什麼音樂」這些判斷力。它退化。

等你某天想自己選——關掉演算法、看一個沒推薦的目錄——你會發現選不出來。

這個選不出來的感覺很糟，所以你會立刻打開推薦。這就是戒斷反應。但這個戒斷不是因為「沒推薦就活不下去」，是因為你的判斷力被外包出去太久了。

外包出去的判斷力可以收回來，但要時間。三個月的離線使用後，多數人的判斷力會慢慢恢復。但很少人撐得了三個月。

Hedonic vs eudaimonic

ScienceDirect 2024 一篇關於問題性網路使用的研究有個關鍵發現，我第一次看的時候沒看懂：

高風險使用組在 hedonic（享樂） AND eudaimonic（活得有意義、有成長）兩種 well-being 都最低。

Hedonic well-being 是「當下開心嗎」。Eudaimonic 是「活得有意義嗎、有在成長嗎」。

「個人化讓你開心，但讓你活得沒意義」是一種版本的批評（hedonic 高、eudaimonic 低）。但這篇研究找到的是更糟的版本：高度依賴推薦的人連短期開心都拿不到。

意思是依賴個人化推薦的使用者：

為什麼？因為依賴本身耗心力。每次打開 app 都有一點「不知道該看什麼」的焦慮（即使一秒）。每次被推薦演算法選中你不真想看的東西都有一點失望。每次滑了 30 分鐘起來覺得「啊我又浪費時間了」都有一點羞愧。

這些微小的負面情感累積起來，比演算法給你的短期愉悅更多。淨值是負的，但因為單次體驗看起來是「方便、節省判斷力」，使用者自己常常意識不到淨值。

那「對抗演算法」是答案嗎

讀到這裡你可能會想：「所以解法是關掉所有個人化推薦？」

我曾經這樣想。後來發現這個答案太簡單了。

第一，對抗演算法的成本高到多數人受不了。你要從零學會「自己挑」。從零建立 mental model。三個月戒斷期。多數人撐不了一週。

第二，演算法本身不是邪惡的。Spotify 的 Discover Weekly 在我週末整理歌單時很有用——它告訴我「跟你最近聽的類似的，可能會喜歡」。亞馬遜建議我這顆鏡頭也許要買個對應的清潔組合很合理。演算法作為「工具」是好的。

第三，真正的問題不是演算法本身，是演算法的位置。當演算法被定位成「我幫你決定」，它跨過了那條線。當它被定位成「這幾個選項提供參考」，它在線的另一邊。

兩者的差別不在技術，在敘事跟介面。同一個推薦演算法，配「為你推薦」標籤就傷人，配「你可能想看看」標籤就沒事。前者把使用者放在被動接收的位置。後者把選擇權留給使用者。

一個可操作的測試

我給自己訂了個測試，每次用一個個人化推薦產品時問：

「如果我把這個推薦關掉用一個月，我的生活會變好還是變差？」

如果答案是「變好（會看到更多範圍的東西）」→ 這個推薦是淨負，該關 如果答案是「變差（會錯過真正有用的）」→ 這個推薦是淨正，留著用 如果答案是「我不知道，我從來沒試過」→ 這就是依賴的訊號，至少試一個月看看

實際試之後我關掉了 YouTube 首頁推薦（淨負）、Netflix 自動播下一集（淨負）、Spotify Discover Weekly（淨正，留著）、亞馬遜 frequently bought together（淨正，留著）。

不是所有推薦都關，也不是都留。是看那個推薦對「我選什麼」這件事是補強還是替代。

對產品設計的含意

如果你做產品，這條規則延伸出幾個設計選擇：

1. 個人化要明確標示是「建議」不是「答案」：

「為你推薦」改成「你可能想看看」是小調整大差別。前者把使用者放在 passive recipient，後者把選擇權留下。

2. 提供「stop personalizing」的明確路徑：

很多產品的個人化是默認開、深埋設定才能關。改成第一次使用就讓使用者選「要不要個人化」是禮貌（但會掉一些 metric，所以多數產品不做）。

3. 不要懲罰使用者切換：

當使用者關掉個人化，戒斷期很難。如果你的產品在那段時間什麼都不顯示（「沒有推薦了，自己挑吧」），使用者會立刻打開回去。

替代設計：戒斷期顯示一個 randomized 或 curated（人類編輯）內容池。給使用者「重新練習選擇」的腳手架，而不是直接丟進無重力空間。

4. 量測 eudaimonic 不只 hedonic：

純看 NPS、retention、session length 抓不到我們在意的 well-being。要量測：

這些 metric 難量但重要。如果你做的是長期跟使用者真實關係的產品，這些 metric 比 DAU 重要。

結語：你想要什麼樣的依賴

人對工具產生依賴是正常的。我依賴 Google Maps，依賴 iPhone，依賴我的眼鏡。這些依賴讓我能力外延。

不健康的依賴讓我能力萎縮。社群媒體 scroll 讓我注意力萎縮。短影片讓我耐心萎縮。某些個人化推薦讓我審美萎縮。

兩種依賴從外面看一樣（都是「離不開」），裡面完全不同。差別在：你停下的時候，你的能力跟著保留還是消失。

下次當你在判斷一個工具值不值得用時，這個問題比「它好用嗎」更重要：

如果我用了它一年後停下，我的能力會比一年前更強還是更弱？

如果答案是更強，那它是好工具。如果是更弱，那它是依賴建立器。

個人化推薦的真實價值，要用這個尺去量。

Bright Raven 寫的是關於決策疲勞、能動性、跟遊戲。沒有電子報，用 RSS 訂閱，或想到再回來。