可能认为他们是“中立的”，但长期的经验告诉我们，他们在政治、经济和意识形态的森林里是婴儿。(诺顿，2016)
当然，有了机器学习算法，也许有人会忍不住争辩说，因为系统的工程师或设计师不一定是人类，所以对人类价值观或偏见影响的担忧就不那么成问题了。然而，正如算法可能“继承了先前决策者的偏见”一样，它们可能“反映了整个社会中持续存在的广泛偏见”(Barocas & Selbst,2016):1).要了解在Facebook热门话题争议的情况下，偏见可能存在于哪里，了解热门话题算法是如何工作的肯定会有所帮助。例如，它有助于知道，在争议发生时，Facebook依靠一些新闻媒体来确定“一个主题是否有新闻价值”(Statt,2016)。这意味着，像《纽约时报》和cnn这样的重量级媒体——传统媒体机构——在确定某件事是否真的会被认为是一种趋势方面发挥了重要作用。正如Facebook用来指导其热门话题编辑工作的泄露的内部文件所表明的那样，“该文件指定了10家特别中心的媒体，并指示编辑根据这些媒体将新闻放在头版的数量，只将一个话题标记为国家新闻’或‘重大新闻’”(Brandom,2016)。这些指导方针和关于编辑工作实践的信息，以及他们在面临将某件事标记为特别有新闻价值或没有新闻价值时必须做出的决定类型，为在看似中立和客观的决策过程中发挥作用的不同价值观、机制和意识形态提供了重要的启示。此外，它有助于了解用户在塑造算法结果方面的核心作用。正如记者EzraKlein所说，用户是“Facebook最具偏见的策展人”(Klein,2016)。用户很重要，因为是他们的数据、他们的点击行为、偏好、网络关系和交流行为为算法提供了行动的数据。
尽管Facebook的动态消息常常被誉为算法巧妙的典范，但这种动态消息远非简单的自动或没有人为干预。与趋势部分一样，Facebook也对新闻动态进行了人工干预。2014年夏天，Facebook成立了一个“feed质量小组”，由几百人组成，位于田纳西州的诺克斯维尔，公司付钱让他们提供详细的反馈，告诉他们在信息流中看到了什么(Oremus,2016)。后来，Facebook在全国范围内设立了这个小组，付钱给有代表性的用户样本，让他们每天对他们的推送进行评分和评论。他们甚至把这个小组扩展到了海外。最近，Facebook进行了一项调查，要求一部分用户在并排显示的两篇帖子中选择最吸引他们的那篇。Facebook并不是唯一一个将其算法系统“人性化”的平台。例如，Netflix就雇佣了大量的“标签员”，他们的职责是评估电影内容的类型、基调和风格，以帮助确定用户接下来可能想看什么。人类也参与了这个循环
Neither Black nor Box
53