از «تولید رضایت» تا «رضایت هدایتشده»: در عصر الگوریتم، دروازهبان عوض شده یا فقط ابزارش؟
در سال ۱۹۸۸، ادوارد هرمان و نوام چامسکی در کتاب «تولید رضایت» (Manufacturing Consent) مدلی ساختند که بعدها «الگوی تبلیغات» (Propaganda Model) نام گرفت. حرفشان این بود که رسانههای بزرگ برای اینکه صدای قدرت باشند، نه به دستور نیاز دارند و نه به سانسور مستقیم؛ کافی است خبر خام از پنج صافی بگذرد: مالکیت رسانه، آگهی بهمثابه منبع اصلی درآمد، اتکا به منابع رسمی برای خبر، فشار و واکنش سازمانیافته (Flak) برای انضباط رسانه، و ایدئولوژی ترس — که در نسخهٔ اصلی کتاب «ضدکمونیسم» بود. هرچه از این پنج صافی رد نمیشد، اصلاً به خبر تبدیل نمیشد. دروازهبان، بیرونِ در ایستاده بود و راه نمیداد.
حالا یک ویدیوی تحلیلی یوتیوبی — با عنوان «The Vid They'll Get Me For: Curated Consent»، از کانال portableorange، منتشرشده در اکتبر ۲۰۲۶ و به مدت حدود ۹۵ دقیقه — میگوید آن جهان دیگر عوض شده است. تز ویدیو، که سازندهاش آن را «رضایت هدایتشده» (Curated Consent) مینامد، این است: در عصر شبکههای اجتماعی، قدرت دیگر لازم نیست چیزی را حذف کند؛ کافی است تصمیم بگیرد چه چیزی تقویت شود و چه چیزی در جریان بیپایان محتوا گم شود. دروازهبان از بیرونِ در به اتاق رتبهبندی کوچ کرده است؛ سانسور جایش را به دیدهشدن و دیدهنشدن داده است. این پرونده همین تز را — با نام صاحبش — روی میز میگذارد، شواهد موافق و مخالفش را کنارش میچیند و داوری را به خواننده میسپارد.
«رضایت هدایتشده» اصطلاح جاافتادهٔ دانشگاهی در مطالعات رسانه نیست. در جستوجوی ما، کاربرد دانشگاهیِ همین عبارت دقیق فقط در حوزهای کاملاً دیگر پیدا شد (مقالهای در سال ۲۰۲۶ دربارهٔ تصمیمگیری باروری زنان دارای معلولیت ذهنی در اسپانیا، در Scandinavian Journal of Disability Research). پس در این پرونده، این عبارت «تزِ سازندهٔ ویدیو» خوانده میشود، نه مفهومی تثبیتشده در ادبیات علمی؛ آنچه میشود سنجید، مکانیزمهایی است که ویدیو زیر این نام ردیف میکند.
لایهٔ اول — بهینهسازی تعامل. سامانههای رتبهبندی پلتفرمها برای این ساخته نشدهاند که محتوای «خوب» را جلو بیندازند؛ برای این ساخته شدهاند که کاربر را نگه دارند و تعامل را بالا ببرند. اینکه چنین هدفی چه محتوایی را جلو میاندازد، پرسشی تجربی است و پژوهشها بخشی از پاسخش را دادهاند: بردی و همکاران (۲۰۱۷، PNAS) روی ۵۶۳٬۳۱۲ توییت دربارهٔ سه موضوع مناقشهبرانگیز نشان دادند هر واژهٔ اخلاقی-احساسی در یک پیام، انتشارش را بهطور میانگین ۲۰ درصد بیشتر میکند — هرچند این انتشار عمدتاً درون شبکههای همفکر میماند. راتجه، ونباول و وندرلیندن (۲۰۲۱، PNAS) در ۲٫۷ میلیون پست فیسبوک و توییتر یافتند که اشاره به «گروه مقابل» قویترین پیشبینیکنندهٔ اشتراکگذاری است؛ هر اشاره، شانس بازنشر را حدود ۶۷ درصد بالا میبرد. البته بازتحلیلهای بعدی — از جمله بازتحلیل برتون و همکاران (۲۰۲۱) — اندازهٔ این اثر را کوچکتر از عدد مشهور اولیه برآورد کردهاند؛ اصل اثر سر جایش است، اندازهاش محل اختلاف.
لایهٔ دوم — تقویت گزینشی بهجای حذف. در مدل قدیم، ابزار اصلی «نگفتن» بود. در محیط تازه، دو ابزار دیگر همان کار را کمهزینهتر میکنند: تقویت هدفمند (تبلیغ، پیشنهاد الگوریتمی، بازنشر سازمانیافته) و غرقکردن (آنقدر نویز و حجم که موضوع ناخواسته دیده نشود). برای همین پرسش اصلی عوض شده است: دیگر این نیست که «این محتوا اجازهٔ انتشار دارد؟»؛ این است که «اصلاً دیده میشود؟» همین جابهجاییِ پرسش، قلب تز ویدیوست — و با سازوکار رتبهبندی پلتفرمها سازگار است، حتی اگر نتیجهگیریهای بزرگترش را نپذیریم.
لایهٔ سوم — اجماع کاذب و محبوبیت ساختگی. روانشناسی اجتماعی از سال ۱۹۷۷ (راس، گرین و هاوس) پدیدهای را ثبت کرده که «اثر اجماع کاذب» نام دارد: آدمها سهم کسانی را که مثل خودشان فکر میکنند، مدام بیشتر از واقعیت برآورد میکنند. شبکههای اجتماعی به این سوگیری خوراک عددی میدهند: عدد بازدید، لایک، ترند و حجم کامنت برای کاربر نقش «سند اجتماعی» را بازی میکند. و این عددها ساختنیاند: «فهرست جهانی دستکاری سازمانیافتهٔ شبکههای اجتماعی» مؤسسهٔ اینترنت آکسفورد (۲۰۱۹) کارزارهای سازمانیافتهٔ دستکاری افکار عمومی را در ۷۰ کشور مستند کرد — در برابر ۲۸ کشور در ۲۰۱۷ — و نشان داد در ۸۰ درصد این کشورها حسابهای خودکار (بات) و در ۸۷ درصد، حسابهای انسانیِ سازمانیافته به کار رفتهاند. یعنی «همه دارند همین را میگویند» گاهی واقعیت اجتماعی است و گاهی محصولی ساختگی؛ و از روی صفحهٔ نمایش نمیشود این دو را از هم تشخیص داد.
بخش بزرگی از ویدیو به چهرهها اختصاص دارد: پیتر تیل، سرمایهگذار فناوری و همبنیانگذار پیپل و پالانتیر، و کورتیس یاروین، وبلاگنویس با نام مستعار «منسیوس مولدباگ» و از نویسندگان جریان نئوواکنشگرا (روشنفکری تاریک). این پرونده دربارهٔ این دو نفر فقط همان چیزی را میگوید که سند دارد:
اما یک خطکش مهم را باید نگه داشت: اینها سندِ «پول، دسترسی و خویشاوندی فکری»اند، نه سندِ «کنترل». میان «سرمایهگذاری در شرکت یک نویسنده» و «گرداندن نظام رتبهبندی پلتفرمها» فاصلهٔ بزرگی است؛ ویدیو این فاصله را با تز پر میکند، سند هنوز نه. این پرونده اولی را گزارش میکند و دومی را پای تز ویدیو میگذارد.
انحصار دروازهبانهای قدیم واقعاً شکست:
همان پلتفرمهایی که به دروازهبانی تازه متهماند، پنج صافی قدیم را هم سوراخ کردهاند: امروز هر کسی میتواند بدون اجازهٔ مالک، آگهیدهنده و سردبیر منتشر کند، و رسانههای مستقل و صداهای حاشیهای — از جمله منتقدان خودِ پلتفرمها — روی همان زیرساخت شنیده میشوند. ویدیوی موضوع این پرونده خودش نمونهٔ همین وضعیت است: یک سازندهٔ مستقل، یک روایت ۹۵ دقیقهای ضدساختار را روی بزرگترین پلتفرم جهان منتشر کرده و دیده شده است.
آزمایشهای میدانی، اثر الگوریتم بر نگرش را کوچکتر از شهرتش یافتهاند:
باکسل، جنتکو و شاپیرو (۲۰۱۷، PNAS) نشان دادند قطبیشدن سیاسی در آمریکا از همه سریعتر در گروههای سنیای رشد کرده که کمترین استفاده را از اینترنت و شبکههای اجتماعی دارند — از جمله سالمندان بالای ۶۵ سال — و سهم اینترنت در این رشد کوچک برآورد میشود. در آزمایش بزرگ انتخابات ۲۰۲۰ آمریکا (گس و همکاران، ۲۰۲۳، Science؛ با همکاری متا و پژوهشگران مستقل)، جای رتبهبندی الگوریتمی را برای دهها هزار کاربر، در طول سه ماه، نمایش زمانیِ ساده گرفت؛ زمان حضور و ترکیب مواجهه آشکارا عوض شد، اما اثر قابل تشخیصی بر قطبیشدن و نگرشهای سیاسی دیده نشد. منتقدان یادآوری میکنند که متا در همان بازه دهها تغییر اضطراری در سامانهاش داده بود؛ پس این نتیجه «بهترین آزمون موجود» است، نه حرف آخر. در همان راستا، آلکات و جنتکو (۲۰۱۷) برآورد کردند که آمریکاییِ متوسط در ماههای پیش از انتخابات ۲۰۱۶ فقط حدود یک خبر جعلی دیده و به یاد آورده است؛ یعنی مصرف واقعی محتوای جعلی بسیار کوچکتر از ترسی بود که از آن ساخته شد.
تقاضا را هم باید دید، نه فقط عرضه را:
سیگنالی که الگوریتم بهینه میکند، از کلیک و بازنشر خودِ کاربران ساخته میشود. پژوهش بردی و همکاران (۲۰۲۱، Science Advances) نشان داد کاربرانی که برای ابراز خشم اخلاقی از همقبیلهایهایشان پاداش اجتماعی (لایک و بازنشر) میگیرند، در ادامه خشم بیشتری ابراز میکنند؛ یعنی بخشی از «موتور خشم» در خودِ شبکههای انسانی میچرخد و الگوریتم بیشتر آینه و تقویتکنندهٔ آن است تا سازندهاش. مدلی که فقط عرضه را توضیح دهد، نیمی از مدار را ندیده است.
جمعبندی روایت دوم این است: دادههای تجربی امروز تصویری دوپاره میدهند؛ الگوریتم مواجهه را بهشدت شکل میدهد، اما اثرش بر نگرش در آزمونهای میدانی تاکنون کوچک یا نامشهود بوده است. هر روایتی — از جمله تز «رضایت هدایتشده» — که یکی از این دو پاره را نبیند، ناقص میماند.
مخاطب فارسیزبان هم در همان محیط رتبهبندی زندگی میکند: اینستاگرام، تلگرام، یوتیوب و ایکس برای او هم با منطق تعامل میچرخند و عدد بازدید، شمار دنبالکننده و حجم فوروارد برای او هم همان نقش «سند اجتماعی» را بازی میکنند. فهرست آکسفورد (۲۰۱۹) پدیدهٔ دستکاری سازمانیافته را جهانی ثبت کرده است — ۷۰ کشور، از آمریکا و بریتانیا و آلمان تا ایران — و ایران در هر دو فهرست هست: هم کشوری که عملیات نفوذ برونمرزی به آن نسبت داده شده و هم کشوری که خودش موضوع کارزارهای سازمانیافته بوده است. یعنی این مکانیزم نه «مشکل آنها»ست و نه استثنای ما؛ قاعدهٔ محیطی است که همه در آن نفس میکشیم.
نتیجهٔ عملیاش برای خوانندهٔ خبر در ایران ساده است: پرسش عوض شده است. پرسش قدیم این بود: «آیا این خبر سانسور شده است؟» پرسش تازه این است: «چرا این را میبینم، چرا حالا میبینم، و تقویتشدنش به سود چه کسی است؟» در این محیط، عدد بازدید نظرسنجی نیست، ترند نمونهٔ نمایندهٔ جامعه نیست و «همه دارند میگویند» — تا ندانیم آن «همه» چطور ساخته شده — داده به حساب نمیآید. اینها حکم دربارهٔ هیچ خبر مشخصی نیست؛ ابزار خواندن همین محیط است.
پرسش باز پرونده: وقتی چیزی را همهجا میبینیم، از کجا بدانیم بیشتر مردم واقعاً با آن همراهاند — و از کجا بدانیم فقط دیدهشدنش برای کسی صرف کرده است؟
— ویدیوی مبنای پرونده: “The Vid They'll Get Me For: Curated Consent”، کانال portableorange، یوتیوب، اکتبر ۲۰۲۶ (مشاهدهشده در ۹ آبان ۱۴۰۵).
— Edward S. Herman & Noam Chomsky, Manufacturing Consent: The Political Economy of the Mass Media, 1988؛ مدخل «Propaganda model»، ویکیپدیا.
— Brady, W. J. et al., “Emotion shapes the diffusion of moralized content in social networks”, PNAS, 2017.
— Rathje, S., Van Bavel, J. J. & van der Linden, S., “Out-group animosity drives engagement on social media”, PNAS, 2021.
— Burton, J. W., Cruz, N. & Hahn, U., بازتحلیل مدل سرایت اخلاقی، Nature Human Behaviour, 2021.
— Ross, L., Greene, D. & House, P., “The ‘false consensus effect’”, Journal of Experimental Social Psychology, 1977.
— Bradshaw, S. & Howard, P. N., The Global Disinformation Order: 2019 Global Inventory of Organised Social Media Manipulation, Oxford Internet Institute, 2019.
— Boxell, L., Gentzkow, M. & Shapiro, J. M., “Greater Internet use is not associated with faster growth in political polarization among US demographic groups”, PNAS, 2017.
— Guess, A. M. et al., “How do social media feed algorithms affect attitudes and behavior in an election campaign?”, Science, 2023.
— Allcott, H. & Gentzkow, M., “Social Media and Fake News in the 2016 Election”, Journal of Economic Perspectives, 2017.
— Brady, W. J. et al., “How social learning amplifies moral outrage expression in online social networks”, Science Advances, 2021.
— Peter Thiel, “The Education of a Libertarian”, Cato Unbound, 2009.
— گزارشهای مبتنی بر اسناد کمیسیون فدرال انتخابات آمریکا (FEC) و گردآوری OpenSecrets دربارهٔ کمکهای انتخاباتی ۲۰۲۲؛ مدخل «Curtis Yarvin»، ویکیپدیا؛ Ava Kofman, “Curtis Yarvin’s Plot Against America”, The New Yorker, 2025.
— Gibson, H., “Curated Consent and Reproductive Decision-Making among Women with Intellectual Disabilities in Spain”, Scandinavian Journal of Disability Research, 2026 — برای کاربرد دانشگاهیِ دیگرِ همین عبارت.
— تاریخ مشاهدهٔ همهٔ منابع: ۹ آبان ۱۴۰۵.