S2E34 Threads 演算法為什麼有毒？看完直接免疫！

重點摘要

• Threads 日活躍用戶突破 1.3 億，已超越 X（前 Twitter），臺灣占全球流量 21.83%，人均使用強度全球第一
• Threads 仿效 TikTok，以使用者在 App 內的即時行為（而非社交追蹤關係）驅動推薦，反應速度遠快於 Facebook 與 Instagram
• 社群媒體刻意推送極端對立內容，因為情緒波動能延長停留時間、提升廣告收益，且情緒低落時用戶更容易衝動消費
• 人類大腦歷經幾百萬年演化，本能將「異見」解讀為生存威脅，社群媒體正是利用這個演化弱點製造成癮
• 最有效的反制是：察覺情緒被勾動的瞬間、停止與負面內容互動，同時在現實生活中尋找更有意義的多巴胺來源

詳細內容

Threads 的爆發與臺灣現象

Threads 自 2023 年推出後快速壯大，日活躍用戶近期突破 1.3 億，在某些時段已超越 X。最值得關注的是臺灣：雖非用戶人數最多的國家，卻貢獻了全球 21.83% 的流量，代表臺灣人均使用強度遠超其他市場。主持人分析兩個原因：其一，Threads 與 Facebook、Instagram 同屬 Meta 生態系，既有 IG 用戶可無縫導流；其二，臺灣人對新科技的接受度高，Clubhouse 當年在台引爆熱潮即為先例。

Threads 演算法的核心差異

Facebook 和 Instagram 的推薦邏輯以社交圖譜（追蹤關係）為核心，需同時考量親疏遠近、多種瀏覽介面等複雜因素。Threads 則從一開始就仿效 TikTok，聚焦於使用者在 App 內的即時行為——按讚、留言、停留時長、瀏覽軌跡——作為演算法輸入訊號。加上介面相對單純（一條動態牆），演算法能夠快速學習並幾乎即時調整推薦內容。

推薦演算法的運作機制

推薦系統大致分為四個步驟：

1. 持續收集行為資料：所有在 App 內的操作（按讚、留言、分享、點擊個人頁、觀看時長）全數納入訊號
2. 候選內容篩選：採用兩種方法——「內容式過濾」根據歷史互動的主題推相似內容；「協同過濾」找出與你品味相似的用戶，把彼此未看過的內容互相推薦
3. 多輪排序：從粗排到精排逐步提高準確度，同時控制算力成本
4. 後處理：調整極端言論比重、增加動態牆內容多元性（避免同類型貼文連續出現）

值得創作者注意的是：演算法以用戶為中心，先判斷用戶喜歡什麼，再決定是否展示某篇內容——創作者的作品只是「貨架上的候選品」，能否被選中取決於是否符合用戶興趣，而非創作者本身的影響力。

為什麼看 Threads 會讓人情緒變差

平台推送極端對立內容有明確的商業動機：激起情緒能延長用戶停留時間，進而放置更多廣告；研究也顯示，情緒低落時用戶更容易衝動消費。而用戶之所以難以抵抗這些刺激，根源在於人類大腦的演化設計——幾百萬年的演化使我們高度敏感於社交排斥與異見，大腦本能地將「立場不同的聲音」解讀為生存威脅，觸發壓力與情緒反應。這在遠古群居社會是生存優勢，在現代社群媒體環境中卻成為被演算法利用的弱點。

如何對抗社群媒體成癮

主持人提出幾個可操作的策略：

1. 建立後設覺察：情緒被勾動的當下，提醒自己「這是演算法在利用大腦的演化漏洞」，降低反應強度
2. 停止負面互動：只要不對極端內容按讚、留言、回覆，演算法就會停止推送類似內容——這是最核心的建議
3. 主動訓練動態牆：只與正向、有知識性的內容互動，推薦結果會逐漸淨化
4. 在現實生活中補充多巴胺：運動、創作、實體社交提供更持久的滿足感，能降低對社群媒體的依賴
5. 從被動接收轉為主動使用：主動搜尋想學的內容、以平台作為創作工具，而非純粹的滑動消遣

精選語錄

「這不是你玻璃心，而是你的大腦還停留在遠古時代。」

「社群媒體最重要的事情，是廣告主要給他錢，所以他再來要去滿足用戶的興趣……創作者產生的這些內容，只是貨架上的某一個東西。」

「你要先承認察覺這件事情，然後想辦法告訴自己：這件事情是假的、是不重要的，然後離開這樣的內容，不去跟這些煽動情緒的內容做互動。」

時間軸

本集逐字稿未包含時間戳記，無法列出時間軸。