模型”(Schutz, 1970;肯普顿，1986)，“解释框架”(Bartunek & Moch,1987)，或者简单地说“民间理论”(Hirschfeld, 2001;Johnson-Laird &Oatley,1992;Johnson,1993)。为了与技术互动，人们必须理解它们，并且他们以各种方式做到这一点-例如，通过可视化，类比到更熟悉的领域，或者通过使用隐喻。媒体话语、文化文物、故事、轶事和共享的文化信仰可以“为人们提供解释力，并指导人们使用特定技术的行为”(Poole等人，2008)。在电影和流行图像中描绘人工智能和机器人等不熟悉的现象的日益普及和流行，可以说使这些现象更容易用于公众推理和辩论(见Suchman,2007)这在算法方面也没有什么不同，算法很少以数学或技术形式出现。当人们遇到或“看到”算法时，它通常是以公式(例如EdgeRank公式)的简化图像的形式出现，或者是关于最近争议的报纸报道，例如，在最近对Facebook及其“算法”的审查指控中，删除了标志性的“战争恐怖”图像，或者通过其他文化中介手段，如电影和各种艺术作品。
不出所料，也许，即使对计算机科学家来说，算法也很难表现出来或进行文化调解然而，正如Sandvig(2015)所指出的那样，为了使算法更容易被公众理解，我们正在看到一种认识论的发展，“算法现在有了自己的公共关系”。也就是说，超越了早期算法特征的技术或教育意象，算法在不同的表征设置中实现。算法已经成为营销的对象，以商业化的数学公式形象表现出来，并在各种第三方营销顾问、技术博客和其他行业新闻出版物中传播。使算法成为公共关系产物的过程与查尔斯·巴泽曼(2002)所说的“代表性休息点”的产生并没有太大的不同。在研究爱迪生电灯的文化历史时，巴泽曼认为，在这项发明“能够创造出它自己的体验和意义的新世界”之前，至关重要的是要发展出被接受的电灯的表征，作为稳定的参考点(2002:320)关于算法和机器学习，这些表征的静止点究竟是什么还有待探讨，但简化的数学公式或半机械人图形肯定是其中的一部分。虽然这个公式可能会把算法描绘成科学的对象和中立的管道，但这可以说不是人们在日常生活中所经历的。正如Michael和Rachel的故事所表明的那样，人们所经历的并不是数学公式，而是算法产生的情绪、影响和感觉。因此，心智模型的概念只给我们带来了目前的结果，这并不是因为人们构建的关于不熟悉的技术和隐藏过程的理论往往被证明是不准确的(Adams&Sasse,1999;Wash,2010)，而是因为这些理论是否正确并不一定重要。
Affective Landscapes
97