一篇号称发表在《美国科学院院刊》（PNAS）上的研究，最近被大量转述为"X的算法专门用愤怒内容喂民主党用户"。故事讲得很顺：714人的全国代表性样本，19维价值观量表，算法优先学习"回复"这种稀有互动，形成越吵越推、越推越吵的循环。
但按报道给出的DOI去查，这篇论文对不上号。检索不到与该DOI匹配的确切文章，无法确认标题、作者列表和发表状态。这不是小事——一篇支撑"X系统性伤害民主党人"这种重判断的论文，如果连出处都对不上，后面的解读就都成了悬空的推理。
6.8%回复撑起的"愤怒循环"叙事
报道里的核心机制其实很精巧：用户点赞、转发是常规互动，算法照常推同类内容；但回复只占互动的6.8%，却被算法当作更强的信号加权学习。你越回怼一条让你生气的帖子，系统越觉得你"喜欢"这类内容，接着推更多。研究说，这个循环在自称民主党人的用户身上更明显，但作者自己也说不清是X上右翼内容本来就多，还是民主党用户更爱下场吵架。
这个机制听起来合理，也符合过去几年对社交媒体算法的普遍怀疑——从Facebook到早期Twitter，"情绪化内容更容易被算法放大"早已不是新闻。问题是，合理的机制猜想和坐实的因果结论，是两件事。
可查证的另一篇论文，说的是另一件事
与论文作者Ziv Epstein相关、且能查到的一篇公开论文（arXiv 2509.14434），讲的其实是另一套实验。它不是714人的观察性研究，而是两组受控实验，样本分别是141人和250人，测的是"按用户价值观重排序后的feed，和X原始排序差多少"。结果是两者的相关系数（Kendall's τ）只有约0.06——重排序确实能明显改变内容，用户也能感知到差异。
但这篇可查证的论文，没有直接测量ragebait，也没有做民主党和共和党的对比检验。换句话说，"民主党用户被愤怒循环困住"这个具体结论，在能核实的那篇论文里根本找不到对应证据。它更像是把一个机制性猜想，套上了一个听起来更耸动的党派叙事。
同一批研究者的另一篇文章还提到，人类评委之间、以及人类和GPT-4o之间，对帖子"价值表达"的判断一致性并不高——这意味着用大模型给帖子打19维价值分本身，信效度就存疑，拿它做因果推断的地基并不牢。
一项独立的Nature实验，方向反着来
更值得对照的是另一项方法更严格、样本更大的研究：2026年2月发表于《自然》的《The political effects of X's feed algorithm》，用的是真正的随机对照实验，基线调查超过六千人，主分析样本近五千人，时间点是2023年7到9月。
它的结论是：打开算法feed会让用户整体观点更趋向保守——更认同保守政策议题、更反对对特朗普的刑事调查、在乌克兰战争上更偏向亲克里姆林宫立场。但这项实验没有发现党派认同或情感极化出现统计显著变化。方向和"民主党人专门被愤怒内容围猎"完全不是一回事。
两项研究测的都是"X的算法",却在关键结论上各说各话。这不代表哪一方在造假,更可能说明,用观察性数据和用严格RCT得出的"算法效应",本身就不是一回事,读者不该把任何一份单独拿出来当定论。
- 风险.把"机制上合理"直接读成"因果上坐实"，是这类算法研究报道最容易踩的坑。
读者该怎么看这类"算法有偏见"的研究
对普通用户来说，实际能确认的部分不多：算法确实倾向放大能带来互动的内容，回复、争论这类强互动更容易被系统学习，这一点在多篇研究里方向一致。但具体到"哪个党派被伤害更多"，目前证据链并不闭环——一篇引用信息核实不了，另一篇设计不同、没测党派差异，第三篇独立RCT方向还相反。
对做政治传播或者社媒运营的人，更实际的提醒是：在X上回怼一条让自己生气的帖子，大概率会换来更多同类内容，这个操作层面的建议，比"哪个党派更受害"的结论更可靠，也更值得记住。
至于X本身，报道方多次尝试联系置评，都没有回应——算法排序权重到底怎么定，外部研究者仍然只能靠插件采集数据去猜。