--- schema_version: "library-reader-v1" source_type: "original_book" title: "算法权力与政治" author: null edition: null publisher: null year: null isbn: "9780190493042" library_document_id: "00b53386-166c-4d03-bcf3-987d55c93423" source_sha256: "693660f347146f5b6285c809cbebcbf0e0ffb4e420778a05937e327003964be1" pdf_physical_page_count: 200 pdf_physical_page_index_base: 0 range_start: 30 range_count: 10 html_url: "https://workshop.closeclaw.top/api/ai/read/00b53386-166c-4d03-bcf3-987d55c93423?start=30&limit=10" markdown_url: "https://workshop.closeclaw.top/api/ai/read/00b53386-166c-4d03-bcf3-987d55c93423.md?start=30&limit=10" previous_url: "https://workshop.closeclaw.top/api/ai/read/00b53386-166c-4d03-bcf3-987d55c93423.md?start=20&limit=10" next_url: "https://workshop.closeclaw.top/api/ai/read/00b53386-166c-4d03-bcf3-987d55c93423.md?start=40&limit=10" --- # 算法权力与政治 > 页码规则：PDF_PHYSICAL_PAGE_INDEX 是从 0 开始的权威文件物理页索引；PRINTED_PAGE 是页面中识别出的印刷页码，可能为空，二者不得混用。 ## PDF_PHYSICAL_PAGE_INDEX=30 | PRINTED_PAGE=20 本章提供了我认为必要的概念基础，以了解算法在技术和理论上存在和运行的多个层面。本章的第一部分从更技术的意义上解释了什么是算法，特别是在机器学习方面，因为大多数在媒体领域运行的算法都依赖于能够从数据中学习并做出预测的系统。这应该为读者提供足够的背景知识，以便在更哲学和社会学的尺度上理解算法如何与权力和政治相交的问题一一这是本章第二部分所关注的问题。虽然我的意思不是说算法可以从技术或社会学的角度来理解—一就好像存在一个被称为“算法”的单一对象，我们可以从不同的角度来理解—一目的是展示算法的概念和它们所培养的关注是如何动态的，以便引入让读者了解算法权力和政治的复杂性。本章的第三部分使用福柯的权力概念化来描绘权力和政治如何与作为新兴社会关注的算法相交。我提出的论点是，算法不仅具有权力和政治;它们从根本上产生了新的秩序世界的方式。重要的是，算法不能单独工作，而是需要作为更广泛的关系和实践网络的一部分来理解。我在本书中订阅的观点(我将在下一章中进一步阐述)将算法视为纠缠的，多重的和多事的，因此，不能仅以一种方式理解为强大的东西。 A Beginning 历史和技术细节 让我们后退一步。(大多数)人在提到“算法”这个词的时候，到底是什么意思?根据标准的计算机科学定义，算法是按照精心规划的顺序顺序解决问题或完成任务的一组指令(Knuth,1998)。虽然算法是计算机科学中的一个关键概念，但它的历史可以追溯到中世纪的“算法主义”(algorism)概念，被理解为用自然数进行计算的一种方式。“算法”这个词可以追溯到9世纪，当时波斯天文学家兼数学家阿卜杜拉·穆罕默德·本·穆萨(约780-850年)间接创造了这个词。当他的手稿在12世纪被翻译成拉丁语时，他的名字被翻译成“Algorithmi”。1这些文字描述了印度-阿拉伯数字系统中的基本算术方法，这些方法后来形成了计算机处理器的基本操作(宫崎，2012)。正如沃尔夫冈·托马斯所描述的，从花华兹米的文本“用印度数字计算”中翻译出来的许多段落都以“Dixit Algorizmi”开头，其中算法指的是“符号操作的过程”。 20 IF . . . THEN ## PDF_PHYSICAL_PAGE_INDEX=31 | PRINTED_PAGE=21 (2015:31)。在17世纪，德国哲学家戈特弗里德·威廉·莱布尼茨(1646-1716)通过发展“计算真理(真实陈述)的愿景”，为符号计算增加了一个新的维度(宫崎，2012)就算法的史前历史而言，莱布尼茨通过“算术化逻辑”和使用if/then条件来计算真理，为后来被称为布尔代数提供了基础(托马斯，2015)。在托马斯的叙述中，起源可以追溯到布尔(1847)和他的布尔代数理论，并继续到弗雷格1879年引入的一种可以表达数学语句的形式语言(参见托马斯，2015)。然而，对于许多历史学家来说，算法的真正历史始于大卫·希尔伯特(DavidHilbert)和所谓的Entscheidungsproblem，即算法是否存在以决定给定逻辑公式的普遍有效性或可满足性的挑战(Sommaruga & Strahm, 2015):1936年，艾伦·图灵通过将问题简化为符号计算的概念，以否定的方式解决了这个问题，这就是后来众所周知的图灵机。尽管图灵本人很少直接提到“算法”这个词，但当代数学家如阿朗佐·彻奇(Alonzo Church,1903-1995)或斯蒂芬·c·克莱因(Stephen C. Kleene, 1909-1994)却提到了(宫崎，2012)。在追溯“算法”一词的历史起源及其在计算史上的作用时，宫崎新太郎(2012)认为，随着科学计算和高级编程语言(如Algol58及其衍生语言)的兴起，“算法”在20世纪60年代首次进入普遍使用。到了20世纪中期，“算法被理解为一组定义好的步骤，如果按照正确的顺序执行，将在计算上处理输入(指令和/或数据)以产生期望的结果”(Kitchin,2017: 16)。 也许最常见的定义算法的方式是将其描述为一个配方，将其理解为一个循序渐进的指南，规定如何在给定特定参数的情况下获得某个目标。如果将算法理解为处理数据的程序或方法，那么将其作为食谱就类似于用面粉、水、糖和鸡蛋制作蛋糕的操作逻辑。例如，如果没有关于如何混合鸡蛋和面粉或何时加入糖或水的具体说明，这些成分将只是这些。对于从未烤过蛋糕的人来说，如果他们想烤蛋糕，一步一步的指导将是至关重要的。任何计算过程要想可操作，算法必须被严格定义，也就是说，以一种适用于所有可能情况的方式来指定。一个程序只有在满足某些条件的情况下才会执行某一段代码。否则，它会选择另一条路径，这意味着特定的未来情况已经被“if”的条件构造所预测。Then语句”，这是大多数算法所依赖的。“如果……”Then语句是所有控制流语句中最基本的语句，它的任务是告诉程序，只有当条件被认为是“真”时，才执行特定的代码段。然而，为了能够测试和计算一个“假”的条件，“if…”Then”语句需要包含一个“else”语句，它本质上提供了执行的次要路径。在other中 The Multiplicity of Algorithms 21 ## PDF_PHYSICAL_PAGE_INDEX=32 | PRINTED_PAGE=22 单词，而“如果”…Then”语句只能计算“真”语句，而“if…”然后…Else”构造也将能够执行另一条路径算法本质上表明什么时候应该发生什么，程序员称之为“控制流”的原则，它在源代码或伪代码中实现。程序员通常通过编程语言指定某些过程和参数来控制流程。原则上，该算法“独立于编程语言，独立于执行程序的机器”(Goffey,2008: 15)。相同类型的指令可以用C、c#或Python语言编写，但仍然是相同的算法。这使得“算法”的概念特别强大，因为算法所表示的是所有软件设计中关于顺序、序列和排序的固有假设。重要的是实际的步骤，而不是措辞本身。 设计一种算法来执行某项任务，意味着对手头的问题进行简化。从工程的角度来看，算法的具体操作很大程度上取决于技术上的考虑，包括效率、处理时间和内存负载的减少，但也取决于所写代码的优雅性(Fuller,2008;高德纳，1984)算法的运行依赖于各种其他元素——最根本的是依赖于数据结构很明显，Niklaus Wirth(1985)在“结构化编程”方面的开创性工作题为“算法+数据结构=程序”。为了实际操作，算法不仅要与数据结构一起工作，还要与整个元素组合一起工作，包括数据类型、数据库、编译器、硬件、CPU等等在解释为什么他以数据结构而不是算法开始他的书时，Wirth写道：“人们有一种直观的感觉，数据先于算法:你必须有一些对象，然后才能对它们进行操作”(2004:7)。此外，Wirth的书名表明算法和程序是不一样的。一个程序，或者软件，不仅仅是它的算法。算法本身并不能使软件具有可计算性。为了进行计算，必须将源代码转换为可执行文件，这不是一步走的过程。转换通常要经过多个步骤，其中包括翻译以及其他软件程序(如编译器和链接器)的参与。编译器创建的“目标文件”是一种中间形式，本身不能直接执行。为了使一个程序被执行，另一种叫做链接器的设备必须把几个目标文件组合成一个可执行(或“。exe”)文件的功能程序软件就是把不同的代码文件收集或组合成一个“可执行文件”。虽然软件可能看起来是一个单一的实体，但它从根本上是分层的，并且依赖于无数不同的关系和设备才能发挥作用。因此，为了有效地计算信息，算法基于数据的特定表示和结构。尽管算法和数据结构相互依赖，但“我们可以将两者视为分析上不同的”(Gillespie,2014:169)。鉴于我的主要兴趣在于对数据-什么的执行的操作 22 IF . . . THEN ## PDF_PHYSICAL_PAGE_INDEX=33 | PRINTED_PAGE=23 Wirth定义的算法-以及这些操作所具有的社会和文化含义，本书的重点几乎完全放在算法上。 虽然没有一致认可的算法定义，但有几个方面被描述为重要的特征。唐纳德·高德纳(Donald Knuth,1998)是计算机编程领域最重要的多卷著作之一，他认为算法有五个广泛定义的属性:有限性、确定性、输入、输出和有效性。一般对算法的要求是它能产生正确的输出并有效地利用资源(Cormen,2013)。从技术角度来看，创建算法就是要尽可能高效地分解问题，这意味着要仔细规划要采取的步骤及其顺序。 以排序问题为例，这是部署算法来解决的最常见任务之一。给定的排序问题可能有很多解决方案;最终得到应用的算法只是一个可能的解决方案。换句话说，算法是被提议的解决方案的表现形式。就像有多种方法可以按照某种明确的顺序对书架进行排序一样—一例如，根据作者的姓氏、类型，甚至是书的封面颜色的字母顺序，不同的排序算法(例如，选择排序、合并排序或快速排序)可以应用于相同的任务。任何曾经尝试过根据书皮颜色排列书架的人都可能能够理解这种特定的组织逻辑是如何产生美学上的愉悦效果的，但同时也带来了寻找某个作者的特定书籍的额外实际挑战(除非你有一个出色的颜色)记忆力)。也就是说，算法被理解为组织逻辑的形式，具有特定的支持和约束。用科学技术研究(STS)的一个著名观点来说，这样的排序从来都不是中性的。算法对它们所处的世界有一定的假设和价值观。与STS中使用的关于工程和城市规划的内在政治的典型例子相比，兰登·温纳(1986)描述了罗伯特·摩西的低悬桥的例子，算法的政治和价值是同样逻辑的一个明显的例子，因为它们明确地决定，秩序，并以特定的方式过滤这个世界。为什么有些人仍然认为算法是中立的，考虑到它们是STS价值负载技术的一个相对简单的例子，这是一个完全不同的问题。最终，算法和所使用的模型都会产生后果。例如，在书架的例子中，颜色编码方案可能意味着，我可能会变得不太倾向于阅读同一作者的书，仅仅是因为我一开始就没有在体裁或作者方面促进我的思考或决策过程。 学习类型的算法 需要对预编程且行为或多或少具有确定性的算法和具有确定性的算法进行重要区分 The Multiplicity of Algorithms 23 ## PDF_PHYSICAL_PAGE_INDEX=34 | PRINTED_PAGE=24 随着时间的推移，能够“学习”或提高性能。给定一个特定的输入，确定性算法将始终通过相同的步骤序列产生相同的输出。然而，学习类型将根据之前输入数据和输出之间关系的示例来学习预测输出。与正确排序按字母顺序排列的列表的确定性算法不同，今天运行互联网的许多算法不一定有一个容易定义的、正确的结果。我在这里所指的各种算法和技术被称为机器学习，本质上是我们现在可以对计算机进行编程，使其自行学习的概念(Domingos,2015)。与传统编程严格的逻辑规则相比，机器学习是关于编写程序，从示例中学习解决问题。而以前的程序员必须编写所有的“if”’…而机器学习算法让计算机从大量训练样本中学习规则，而无需明确编程。为了帮助达到目标目标，算法在数据语料库上进行“训练”，它们可能会从中“学习”，在没有人类监督的情况下做出某些类型的决策。机器不像人类那样学习，尽管使用的许多算法是基于人工神经网络的，它们的灵感来自于大脑深层架构的结构和功能方面(Hecht-Nielsen,1988)。机器所做的那种学习应该从更功能的意义上理解：“它们有能力通过经验改变自己的行为来提高自己在某些任务上的表现”(Surden, 2014: 89)。 机器学习算法有很多不同的风格。和人类一样，机器本身也以不同的方式学习算法最常用的学习方式之一被称为监督式学习。本质上是一种归纳学习方法，算法被赋予一个训练集，其中包含工程师希望算法检测并与新数据进行比较的特征(Flach,2012)。重要的是，训练集包括关于期望输出的数据。当训练数据不包括关于期望输出的数据时，这种方法被称为无监督学习。通常，机器学习算法可能介于两者之间:数据只包含一些期望的输出，这也被称为半监督学习(Domingos,2015)在将算法应用于从数据中学习之前，必须构建模型来形式化任务和目标，以便计算机可以对其进行处理。例如，在算法能够执行查找最重要的新闻提要故事的任务之前，必须创建模型来表示新闻和相关性之间的关系。正如Mackenzie所言： 机器学习的技术几乎都围绕着对数据进行转换、构建或施加某种形状的方法，并利用这种形状来发现、决定、分类、排序、聚类、推荐、标记或预测正在发生或将要发生的事情。(2015: 432) 24 IF . . . THEN ## PDF_PHYSICAL_PAGE_INDEX=35 | PRINTED_PAGE=25 在社交媒体等数据密集型环境中，机器学习算法已经成为一种标准的学习方式，可以识别数据中的模式，发现知识，预测用户行为和品味的可能性。换句话说，机器学习在很大程度上是通过激增的数据来实现的，模型可以从中学习。在所谓的大数据时代，拥有最大的可用数据池来检测模式通常被视为竞争的必要条件。按照这样的说法，数据库越大，算法检测相关模式的条件就越好。 模型是理解机器学习的核心，因为“它们是从数据中学习的东西，以解决给定的任务”(Flach,2012: 20)。它的工作方式是首先挖掘(自动处理)一个数据池，以识别后续决策可以依赖的规律。然后，发现的关系的累积集产生模型，随后“可以用来自动化对感兴趣的实体或活动进行分类的过程，估计未观察到的变量的价值，或预测未来的结果”(Barocas & Selbst, 2016:7)正如Facebook应用机器学习总监华金Quiñonero坎德拉在谈到该公司的机器学习理念时所说: 1.获取尽可能多的数据，并确保它是最高质量的。将你的数据提炼成可最大程度预测的信号一一这个过程被称为特征工程。一旦你有了最出色的数据和特征工程工具，继续提高你的算法的能力。(坎德拉，2016) 那么，机器学习就是使用数据来制作具有某些特征的模型。特征工程或从数据中提取和选择最重要特征的过程，可以说是机器学习最重要的方面之一。虽然特征提取通常是手动执行的，但深度学习的最新进展现在将自动特征工程嵌入到建模过程本身中(Farias et al, 2016)。如果算法对绘制得很差的特征进行操作，那么无论算法有多优秀，结果都会很差。 在计算相关性这样一个抽象的概念时，特征工程将如何工作呢?一种选择可能是考虑特定用户点击的内容的频率和类型。然而，我们也可以想象这样一种情况，其中“最重要的”不是点击的频率，而是观看或阅读某些内容所花费的时间。这里的重点是，确定什么是“最重要”的问题取决于你想要优化的数据和结果。正如Gillespie所建议的那样，“一切都是为了服务于模型对数据及其所代表的东西的理解，以及服务于模型的目标和它是如何被形式化的”(2016a:20)。因此，对数据及其所代表的内容的理解，不仅是机器学习的问题，也是人类首先要指定他们感兴趣的状态和结果的问题在这种情况下。 The Multiplicity of Algorithms 25 ## PDF_PHYSICAL_PAGE_INDEX=36 | PRINTED_PAGE=26 在监督学习中，人类(数据挖掘者和机器学习专家)首先需要指定目标变量(期望的状态和结果)，然后用于定义“类标签”——“模型应该能够区分的不同类别”(Barocas & Selbst, 2016:8).以过滤垃圾邮件的任务为例，这是机器学习通常应用的领域:算法的目标是建立一个内部计算机模型，最终使机器能够做出自动化、准确的分类决策(Surden,2014:91)然而，学习任务相差甚远。对垃圾邮件进行分类是“更容易”的任务之一，因为它通常只对二进制类别进行操作。要么分类为垃圾邮件，要么不分类。但是，我们在本书中所关心的大部分任务都与排名和推荐有关，这些任务不能被分解成二元分类。例如，什么构成新闻价值或相关性的问题并不是一个直截了当的任务。正如我们将看到的——特别是在第4章和第6章—一—没有办法直接衡量新闻价值，因为这个概念是各自行业和平台构建其系统的特定方式的函数无论是对提要中的内容进行排名，还是将电子邮件分类为垃圾邮件，一个有用的模型都依赖于不断输入新数据来优化其性能。 最重要的是，正如麦肯齐所说，有许多不同的算法可以用来“给数据施加形状”。例如，对于预测建模，众所周知的算法技术包括：逻辑回归模型、朴素贝叶斯分类器、k近邻、支持向量机、随机森林和神经网络(麦肯齐,2015)。然而，正如Bernhard Rieder(2017)指出的那样，像朴素贝叶斯分类器这样的算法还不是对该术语更严格理解的算法。相反，它概述了一种通用的方法——一种“算法技术”——用于解决特定的计算问题。如果我们想把它变成可以运行的算法，就必须进一步具体说明。例如，对于随机森林，你必须指定树的数量，以及在每棵树中尝试的分裂次数。对于神经网络，你必须指定隐藏层的深度。所以从某种意义上说，我们离算法还很远。然而，也有算法技术来指定这些所谓的超参数许多软件也自带默认参数。一旦你指定了这些参数，你就有了数据，那么它就是一个狭义计算意义上的“算法”，而没有它们，它就是不完整的。决定是否使用一种技术而不是另一种技术的因素“取决于领域(即贷款违约预测与图像识别)，其在分类中的演示准确性以及可用的计算资源，以及其他问题”(Burrell,2016:5)。以人脸识别问题为例。每天有超过3.5亿张照片上传到Facebook上，人脸识别是Facebook使用机器学习的一个重要领域算法在各种现有数据集上进行训练，以学习如何在野外检测人脸。然而，根据识别的具体任务，可以使用不同的算法 26 IF . . . THEN ## PDF_PHYSICAL_PAGE_INDEX=37 | PRINTED_PAGE=27 部署。为此，最简单、最快的学习算法之一是最近邻算法(Domingos，2015:179)。为了确定一张图像是否包含人脸，最近邻算法通过在Facebook的整个标记照片数据库中找到与该图像最相似的图像来工作。“如果”它包含一张脸，“那么”另一张就假定也包含一张脸。例如，Facebook的自动标签功能就使用了这种方法。鉴于Facebook庞大的数据池，该公司的工程师能够训练算法，以大多数照片分享网站无法做到的方式检测人脸。Facebook的人工智能团队最近开发了一个名为DeepFace的系统，据称该系统能够以97.25%的准确率识别人脸，仅略低于人类97.53%的平均得分(Taigman et al.，2014)。这个系统使用的是所谓的“深度学习”技术，这种技术目前构成了最领先、最先进的机器学习框架之一。深度学习基于神经网络，这是一种在图像和语音识别中应用最广泛的模型。为了模拟人类大脑的工作方式，神经网络“使用不同的数学处理层来使它们所提供的信息变得更加有意义”(Condliffe,2015)。15在图像识别方面，以神经网络为动力的系统为例，它会在一层分析像素亮度，通过另一层分析形状和边缘，在第三层分析实际内容和图像特征，以此类推。在每一层上使用不同的算法来处理信息，系统将获得对图像更细粒度的理解 正如最近的图像识别失败案例所显示的那样，机器学习并非没有问题，从机器学习出错的案例中我们可以学到很多东西。例如，在2015年5月，谷歌新推出的照片应用程序将照片中的两个黑人标记为“大猩猩”，被指责使用了“种族主义”算法(Barr,2015)。类似的事件也发生过，由雅虎的神经网络提供支持的照片分享服务Flickr，因为一个人的肤色而将其标记为“猿”。虽然像这样的事件是机器学习结果如何非常有问题的完美例子，但它们也很好地说明了媒体如何经常忽略解释为什么会做出某些推断，经常报道算法，从而迎合了对这些系统实际工作方式的肤浅理解。我的希望是，如果我们试图通过承认算法、机器学习和大数据的复杂性和多样性，采取一种更全面的方法，我们可能会更好地理解算法的力量和政治。像这些失败的图像识别任务这样的事件指向了处理算法的一个核心问题，即代理、责任和问责制的问题，我将在下一章中回到这个问题。在这一点上，只要提到训练数据作为理解机器学习的可能性和局限性的另一个元素的重要性就足够了。正如Barocas和Selbst所指出的那样，“模型学习的内容取决于它所接触的示例”(2016:10)。这就提出了一个关于“种族主义”算法的指控的重要问题:b谷歌的初始数据集是什么 The Multiplicity of Algorithms 27 ## PDF_PHYSICAL_PAGE_INDEX=38 | PRINTED_PAGE=28 用来训练它的图像识别算法，它描绘的是谁的脸?它捕捉到了哪些可概括的信号/模式? 算法被理解为指导计算机执行特定任务的一组指令，本质上用于控制操作流程和未来事件。有时，事件的流程或多或少是预先知道的比如算法对按字母顺序排列的列表进行排序。然而，在机器学习的世界里，事件的结果往往仍然是不确定的。机器学习算法通过预测结果的可能性来减少这种不确定性。换句话说，机器学习是基于不断变化的信息，加强某些事件发生的概率。这也是贝叶斯定理的原理：“当你收到新的证据时，更新你对假设的信仰的简单规则”(Domingos,2015:144)那么，按照WendyChun的观点，我们可能会将算法理解为“一种策略，或一种行动计划——基于与展开事件的相互作用”(2011:126)。这意味着算法不会简单地随着事件而变化，而是总是在变化，因为事件不是静态的，而是在展开的。在Facebook等算法驱动型网站中，用户对于底层编码系统的开发和维护至关重要，因为他们不断向系统提供新数据。正如Facebook软件工程师穆昆德·Narasimhan(MukundNarasimhan)所言：“Facebook的一切都在进行中。”Facebook用来设计系统的模型也在不断发展，因为数据在变化。这意味着算法工作的确切方式也不断被员工调整，因为其他一切都在变化(Narasimhan,2011)。 算法不会简单地随着事件而改变;它们还具有改变事件的能力。在大数据和数据挖掘的时代，算法有能力从性能上改变事件展开的方式，或者至少改变事件的解释。谷歌流感追踪器就是一个很好的例子，它从2011年9月运行到2013年8月。b谷歌的流感追踪器经常被誉为大数据的最佳范例，它的设计目的是在流感爆发之前预测流感的爆发，其基础是从大量搜索查询中挖掘数据。b谷歌表示，他们“发现搜索流感相关话题的人数与实际出现流感症状的人数之间存在密切关系”(Walsh，2014)。然而，在2013年2月，流感追踪器上了头条，因为事实证明，它预测的“流感类疾病的医生就诊比例是疾病控制与预防中心的两倍多”，在此之前，疾病控制与预防中心一直被用作事实上的预测器(Lazer et al.，2014: 1203)。事实上，追踪器依赖b谷歌的搜索算法，这在扭曲流感趋势的结果中发挥了重要作用。通过自动补全功能向用户推荐搜索词，谷歌本身产生了它试图描述和预测的条件。正如Walsh(2014)所说：“如果数据不能反映世界，它怎么能预测将会发生什么？” 28 IF . . . THEN ## PDF_PHYSICAL_PAGE_INDEX=39 | PRINTED_PAGE=29 算法作为社会关注(Social Concern) 像谷歌流感追踪器这样的事件，或者最近上面概述的数据和算法歧视的例子，可以说鼓励了更多的社会科学家和人文学者去探索这些数字基础设施和系统所具有的伦理、政治和社会含义。由于第一轮关于大数据崛起的炒作和乐观情绪似乎正在逐渐消退，我们现在看到越来越多的学者对塔尔顿吉莱斯皮和尼克西弗所称的“关键算法研究”感兴趣。在过去十年左右的时间里，跨越社会学、人类学、科学和技术研究、地理学、传播学、媒体研究和法律研究的工作已经开始将关键注意力不仅仅集中在软件上，而是更具体地集中在算法上(Amoore,2009;Ananny,2016;Beer,2009;切尼-利波德，2011;迪亚科波洛斯，2015;吉莱斯皮，2014;Introna, 2016;Karppi & Crawford, 2016;Lenglet, 2011;麦肯齐，2015;麦凯维，2014;西弗，2013;Striphas, 2015;Wilf, 2013;Ziewitz, 2016)。尽管计算机科学家通常专注于设计高效的算法，但一种针对算法的社会学或文化方法开始出现，重点关注算法作为情境实践的一部分实际在做什么。事实上，信息处理和传播的算法逻辑在金融等领域已经变得无处不在(麦肯齐, 2015;Pasquale, 2015)，交通(Kitchin & Dodge,2011)，旅游业(Orlikowski & Scott, 2015)，高等教育 (Introna, 2011;Williamson, 2015), 新闻学 (Anderson, 2013;Diakopoulos, 2015;Dörr,2016)，安全(Amoore,2013;切尼-利波德，2016)，监视(布雷弗曼，2014;Introna & Wood, 2004)，流行文化(Beer, 2013)，以及更广泛的媒体行业(Hallinan & Striphas, 2016;Napoli, 2014).18社会科学家和人文学者主要关心的不是算法或其底层系统的技术细节，而是算法系统可能具有的意义和含义。正如吉莱斯皮(2016a)所指出的，批判算法的学者往往更关注作为形容词的算法，将其理解为由算法系统驱动并致力于算法系统的社会现象。 虽然在社会科学和人文科学的背景下，对算法日益增长的关注可能是一个相对较新的现象一一部分原因是受到大数据兴起的刺激一一但潜在的社会关注有着更长的历史。在广泛的社会部门和机构中，算法的更普遍使用应该被看作是一个更长的学术连续体，涉及技术与社会的交集，计算的社会史，以及相关领域，如新媒体研究，软件研究，平台研究，STS，以及人机交互(HCI)。在这些领域的工作贡献了关于计算技术、软件系统和信息基础设施的权力和政治的知识，这些知识与我们目前对算法在当代媒体格局中的作用的关注有关。例如，在软件领域中，人们对软件作为一种文化研究对象的兴趣日益浓厚 The Multiplicity of Algorithms 29 下一段：[继续读取](https://workshop.closeclaw.top/api/ai/read/00b53386-166c-4d03-bcf3-987d55c93423.md?start=40&limit=10)