🧒 初中生也能看懂的版本
① 研究背景（为什么要做？）
很多德国地方报纸已经不再完全靠编辑手动往脸书上发新闻，而是把挑稿、定时和发帖交给一种人工智能自动发布工具来完成。你可以把它想成一位不知疲倦的“值班小编”：报社把自家网站的新闻订阅源（RSS）接给它，它用报社过去的数据训练出来的打分系统，预测哪篇稿子什么时候发最容易传播，给出推荐，甚至可以完全自己动手发。这类工具里最典型的一款叫 Echobox，《卫报》澳大利亚版、《世界报》、《南华早报》和《新闻周刊》都是它的客户。
为什么要担心？因为社交媒体有它自己的“游戏规则”，学者称之为社交媒体逻辑：平台算法奖励的是流行度、连接和能变现的用户行为，而不是传统的新闻价值。为了追流量，新闻可能会“变软”——少报选举、立法、政党这类“硬新闻”，多报名人、体育、娱乐这类“软新闻”；或者把硬新闻写得更煽情。可是，已有研究对脸书上到底有没有“变软”争论不休：有的综述发现没有普遍的软化趋势，编辑为了守住品牌口碑仍然发大量硬新闻；也有研究发现德国地区报纸在脸书上的政治内容比印刷版少、政治帖里的情绪词比网站导语多。
地方和区域报纸的处境尤其尴尬：收入下滑、合并裁员、人手紧张，又离不开脸书带来的曝光和网站流量。作者把这叫作“算法依赖”和“资源稀缺”的双重压力。当编辑的一部分决定权被交给算法，新闻会不会被推着往“软”的方向走？此前关于这类工具的研究几乎都是访谈、问卷和个案，还没有人用大规模的真实帖子检验过。
② 研究问题（要回答什么？）
这项研究想弄清楚，报社把发帖交给人工智能工具之后，脸书上的新闻是不是变得更少谈政治、更爱用情绪化的字眼、也更能吸引互动。作者先提了三个“摸底”问题，再提出三个有明确方向的假设。具体如下：
- 问题一 · 采用：用这种自动发布工具的报社，是不是越来越多？
- 问题二 · 占比：通过工具发出的脸书帖子，在全部帖子里的比例是不是越来越高？
- 问题三 · 放手程度：用工具时，是以“编辑挑选、可以修改的半自动”为主，还是以“完全交给机器的全自动”为主？
- 假设一 · 话题：工具发的帖子，比人工发的帖子更少涉及政治话题。
- 假设二 · 语气：在政治类帖子里，工具发的帖子情绪词更多，正面、负面都算。
- 假设三 · 互动：在政治类帖子里，工具发的帖子能拿到更多点赞、评论和转发——毕竟这些工具就是为提高互动和流量而设计的。
作者的推理链条很清楚：工具从新闻订阅源里取稿，用“爆款分数”排序，追求的是互动和流量，却没有人类编辑那种判断力，所以理应会放大社交媒体逻辑。也就是说，三条假设其实都押在“机器会让新闻变软”这一边——后面的结果会告诉你，押错了。
③ 研究方法（怎么做的？）
数据从哪来？作者用 Meta 公司的数据工具 CrowdTangle 里预设的“德国地方媒体”名单，收集了 44 家德国地方和区域新闻媒体在 2018 年到 2023 年间发布的 260 多万条脸书帖子，分 2022 年和 2024 年两次采集。分析时只保留“链接帖”，也就是带着新闻网页链接的帖子，视频帖、图片帖都不要。为什么从 2018 年开始？因为那一年脸书大改算法，新闻的自然触达量大跌，报社才更需要自动化工具。为什么到 2023 年底截止？因为 CrowdTangle 在 2024 年 8 月停用了。
怎么知道一条帖子是不是机器发的？这是全文最巧妙的一步。Echobox 发帖时，会自动在新闻链接后面挂一个“行李牌”——网址参数 utm_campaign=Echobox，而且用户删不掉。如果链接上还挂着 utm_term=Autofeed，说明是全自动发出的；只有第一个牌子，就算半自动，即编辑从机器推荐的列表里挑选、可能还改过文字。作者还抽查了一些帖子，确认它们和报社网站上的文章一模一样或几乎一样。
怎么判断帖子谈不谈政治？请大语言模型当“阅卷老师”。先给它一条定义（选举、立法、调查委员会、政党、政府机构，以及试图影响政治和舆论的社会组织），再给四道示范题（两道政治、两道非政治）。为了检验它靠不靠谱，两位人工编码员独立标注了 600 条帖子当“标准答案”，两人之间的一致性（克里彭多夫 α）是 0.79。在几款模型里，微软的 14B 参数模型 phi4 成绩最好：F1 值 0.83，和标准答案的一致性 α 为 0.78。让它把 1000 条帖子再判一遍，前后一致性 α 为 0.86。之后它批改了随机抽出的 61 万多条帖子。
怎么量情绪？用德语版 LIWC 词典，数“愤怒”“负面情绪”“正面情绪”三类词在帖子里占多大比例。编辑专门为脸书写的那句“帖子正文”，和多半直接取自订阅源的“链接标题和描述”，分开计算。互动是点赞、评论、转发和各种表情反应的总数，再除以发帖时的粉丝数，免得大报天然占便宜。
用什么模型？贝叶斯多层模型：给每家报社一条自己的“起跑线”，把各家本身的风格差异扣掉。情绪和互动这类数据有个特点——很多帖子是零，不是零的又分布得很偏，所以用两段式模型：先问“有没有”，再问“有的话有多强”。
④ 结果（发现了什么？）
结果和研究者原本的担心正好相反，交给人工智能工具发布的新闻帖并没有变软，反而略微更常谈政治。下面把六个问题的答案逐一摆出来。
用 Echobox 的报社从 2018 年的 18 家（占 41%）增加到 2023 年的 25 家（占 57%）；机器发出的帖子占比从 2018 年的 28% 升到 2022 年的高峰 64%，2023 年为 62%。时间趋势在两个模型里都“可信为正”。
在 28 家用过 Echobox 的报社、125 万多条 Echobox 帖子里，94% 是半自动，全自动只占 6%。不过全自动在 2023 年明显升温，2023 年 12 月达到 21%。
各家差别很大。44 家里有 14 家六年间从没用过，5 家六年一直在用，还有的中途开始、中途放弃或断断续续。Volksstimme.de 是唯一一家大部分帖子（93%）都交给全自动发布的报社。
61 万多条被判定的帖子里，接近四分之一（24%）是政治新闻。机器发的帖子略微更可能是政治新闻：系数 β = 0.031，95% 可信区间 [0.014, 0.049]，区间不含 0。意思是“差别很小，但相当确定”。
政治类帖子里有 70.9% 完全没有情绪词。编辑写的帖子正文：机器发的更常“一点情绪都没有”（愤怒、负面情绪两项的区间都不含 0），有情绪时强度几乎一样。链接标题和描述则出现“两极化”：机器发的更常完全中性，可一旦有情绪词，情绪反而更浓。
机器发的政治帖更常一个互动都没有（系数 0.459），有互动的话互动也更少（系数 −0.097），两个区间都不含 0。唯一的例外是 Merkur.de，用 Echobox 后平均每帖互动约翻了六倍，原因不明。
所有模型的收敛诊断都很好（R̂ 接近 1.00），说明这些估计是稳定的。一句话总结：机器没有让新闻变软，但也没有兑现“互动更多”的承诺。
⑤ 讨论（这些发现说明什么？）
这说明，“机器一上岗，新闻就变软”的直觉并不成立，至少在“人机合作”的模式下不成立。作者给出了三个可能的原因。第一，Echobox 的稿源是报社自家网站的订阅源，而订阅源里本来就以硬新闻居多。第二，绝大多数报社用的是半自动模式，编辑可以优先挑政治新闻，等于把把关权留在了人手里。第三，工具可以设置关键词规则，而且用每家报社自己的历史数据训练，这些配置本身就能护住政治类内容。不过作者也提醒，拿历史数据训练有风险：像新冠疫情这种反常的新闻周期，可能把内容模式带偏。
情绪那部分怎么理解？编辑写的正文反而更平和，这和“编辑会故意把政治帖写得更煽情来博算法”的理论预期不符，作者推测编辑可能并不常用工具里改写文案的功能，这一点有待继续研究。链接标题和描述是订阅源里写好的、编辑改不了，它们出现“两极化”，很可能反映了工具的选稿逻辑：情绪平淡的稿子被略过，情绪强烈的稿子被优先挑中。
互动为什么反而少？作者提醒，研究只看了链接帖，而链接帖的主要目的是把人导回报社网站，不是在脸书上刷互动；可惜没有点击数据，工具对网站流量到底有没有帮助，仍然不知道。
更深一层，这类工具给新闻发布加了“两道筛子”：先由工具打分、预选，编辑可以介入；再由脸书自己的排序算法决定用户最终看到什么。预选会影响编辑的判断、挑战编辑自主，但也能帮忙在时间紧张时不漏掉重要稿件。作者还担心：全自动的比例正在上升，说明对人工智能的信任在增长，这可能带来“自动化偏误”——不加批判地相信机器的输出；以及“去技能化”——记者慢慢丢掉判断受众和平台的能力。
⑥ 结论（最终结论 + 启示）
这篇研究的结论是，只要编辑仍然把关，人工智能自动发布工具并没有让德国地方新闻在脸书上变得更软。在政治相关性上，它甚至可能起到一点加强作用；算法效率和新闻质量，并不像很多人以为的那样天生对立。
但作者明确说，这不是给工具开的“无条件好评”。政治类的机器帖互动更少；工具背后的选稿和排序算法是个黑箱；报社在结构上仍然依赖脸书的排序逻辑。再加上 Meta 宣布从 2025 年起重新更多地推送政治内容，怎样负责任地使用这类工具就更值得认真对待。
给新闻业的启示：不管自动化程度高低，报社都应该定期检查工具的配置是否符合编辑标准，检查训练数据有没有偏差，并对算法给出的结果保持批判。对资源有限的地方报社来说，这类工具能省下排期和管理的人力，但替代不了编辑判断，合格的专业人员仍然不可或缺。另一个现实问题是，软件授权费本身可能把最小、最穷的报社挡在门外。
放到“新闻自动化”和“新闻软化”这两个大议题上看，这项研究的核心提醒是：决定新闻会不会变软的，不是有没有用机器，而是人把关到什么程度、机器怎么被设置。
🎓 专业 IRMaD 结构解读
I. Introduction（引言）
议题源流：尽管 Meta 在考察期内有意降低政治内容的权重，Facebook 仍是传统新闻品牌的关键分发平台（Newman et al. 2025）。面对市场压力与不透明的推荐算法，新闻机构纷纷采用 Echobox 一类的 AI 自动发布服务（automated publishing services, APSs）来简化流程、提升互动与网站流量（Petruccio, Neilson, and Stöcker 2025）。APS 帮助新闻机构适应以平台利益优先于传统新闻规范的社交媒体逻辑（DeVito 2017），而这种适应常被认为导致“新闻软化”——Facebook 上的政治相关内容少于新闻网站，或硬新闻呈现更情绪化（Klein et al. 2025）。
既有证据的矛盾：Anter（2024）的综述未发现社交媒体上普遍的软化趋势，这可能反映编辑在平台压力下仍在维护新闻标准与品牌声誉；Hase, Boczek, and Scharkow（2023）发现名人新闻在 Facebook 上并不比政治相关文章更常见。另一方面，Lischka and Werning（2017）发现三家德国地区报纸的 Facebook 帖子比印刷版政治内容更少、人情味内容更多；Steiner（2020）发现德国媒体政治类 Facebook 帖子中的情绪语言多于网站导语；Verstappen and Opgenhaffen（2026）则指出各编辑部对社交媒体文本的改写程度差异很大。
文献空白：关于 APS 的研究多依赖访谈、问卷或个案（如 Nielsen and Cherubini 2022；Petruccio, Neilson, and Stöcker 2025），揭示了编辑的动机与顾虑，却无法评估 APS 使用如何转化为发布行为与内容特征；同时考察 APS 扩散及其与内容系统性变化之关联的大规模分析仍付之阙如。不同自动化程度（半自动 / 混合 / 全自动）是否会系统性地改变 Facebook 新闻的政治相关性与情绪基调，也未经经验检验。
本研究贡献：（1）把 APS 视为一种可能塑造社交媒体新闻选择与呈现的结构性生产条件；（2）利用 Echobox 自动附加、用户无法删除的 URL 参数，在帖子层级识别 APS 使用并区分半自动与全自动，以行为痕迹替代自我报告；（3）覆盖 44 家德国地方与区域媒体 2018–2023 年逾 260 万条 Facebook 帖子的纵向数据；（4）结合 LLM 少样本编码、LIWC 词典测量与贝叶斯多层（零膨胀 / 跨栏）模型。案例选择理由：与全国性或国际新闻编辑部相比，地方与区域媒体承受算法依赖与资源稀缺的双重压力（Bleyer-Simon et al. 2024），是观察 APS 效应的特别有启发性的案例。
I. Theoretical Framework & Hypotheses（理论框架与假设）
社交媒体逻辑 vs. 大众媒体逻辑（Van Dijck and Poell 2013）：大众媒体逻辑以编辑把关、专业规范、公共相关性与新闻价值为导向；社交媒体平台优先算法优化、流行度、用户与内容的连接性以及用户数据的实时分析，其推荐算法偏好可变现的内容与行为（Walters 2022）。“这些算法价值不同于传统新闻价值”（DeVito 2017, 757）。两种价值体系的张力体现在话题选择、风格改写与情绪语言等修辞策略上（Hågvar 2019；Hermida and Mellado 2020；Lamot, Kreutz, and Opgenhaffen 2022），新闻软化是其关键表现。
新闻软化的操作化：依 Klein et al.（2025），硬新闻对应政治与经济话题，软新闻对应人物、体育、娱乐等人情味话题；Reinemann et al.（2012）补充焦点与风格维度——硬新闻主题式报道、关注社会后果、风格较少个人化与情绪化。由于并非所有维度都必须同时出现，本研究聚焦两个最关键的维度：政治相关性（话题选择）与情绪语言（风格要素）。软化本身具有双重性：既可能威胁新闻标准、减少平台上的政治信息，也可能吸引原本难以触达的受众（Klein et al. 2025；Reinemann et al. 2012）。
APS 与“双层算法影响”：Echobox 以新闻机构的内容源（如 RSS）为输入，用基于客户历史数据训练的 AI 打分系统预测最佳发布时间与频率、选择或推荐内容，NLP 可选自动生成标题。Petruccio, Neilson, and Stöcker（2025）区分了半自动、混合、全自动三种用法；全自动即 Echobox 的 “Autofeed”。在半自动流程中，编辑决策依赖 Echobox 生成的推荐列表，随后内容再经 Facebook 的排序系统处理，形成双层算法影响；同时 APS 也提供关键词规则、多内容源等配置以支持编辑方针。
| 编号 | 研究问题 / 假设 | 对应理论 |
|---|---|---|
| RQ1 | 使用 APS 发布 Facebook 帖子的新闻机构数量是否随时间增加？ | AI 驱动效率的行业趋势；APS 扩散 |
| RQ2 | 新闻机构经 APS 发布的 Facebook 帖子比例是否随时间增加？ | 同上（帖子层级） |
| RQ3 | 经 APS 发布的帖子是否以半自动而非全自动为主？ | 自动化光谱；human in the loop（Milosavljević and Vobič 2019） |
| H1 | APS 发布的帖子比非 APS 帖子更不可能涉及政治相关话题 | 社交媒体逻辑 → 话题维度软化 |
| H2 | APS 发布的政治相关帖子含有更高程度的情绪语言（正负皆然） | 风格维度软化；情绪框架提升算法可见度（Steiner 2020；Welbers and Opgenhaffen 2019） |
| H3 | APS 发布的政治相关帖子获得更高用户互动 | APS 以互动为优化目标 |
M. Materials & Methods（材料与方法）
- 设计：多方法计算内容分析 + 描述性分析 + 贝叶斯（分层）多层建模。
- 数据：CrowdTangle 预设名单 “GermanLocalMedia”（List ID 187865），44 家德国媒体、2018–2023 年、逾 260 万条 Facebook 帖子，分 2022 与 2024 年两期采集。起点 2018 年对应大幅削减新闻自然触达的 Facebook 算法更新；终点 2023 年 12 月因 CrowdTangle 于 2024 年 8 月停用。仅分析 link 类型帖子（排除视频、照片等），理由：文本内容分析框架 + 关注 APS 如何基于 RSS 内容源选稿 + link 帖的 URL 参数才能在帖子层级检测 APS。44 家媒体粉丝数约 1.6 万（Prenzlauer Berg Nachrichten, 16,400）至 29.1 万（Berliner Morgenpost, 290,947），见补充材料 Table A3。
- 数据质量：2023 年第四季度帖子数骤降 42,580 条（较上季度少 38%），作者归因于 2023 年 11 月 Meta Content Library 上线取代 CrowdTangle 造成的检索限制，并指出缺失与政治内容、Echobox 使用或特定媒体无系统关联，所有媒体全期可观测、末季互动保持稳定。
- APS 识别：含
utm_campaign=Echobox→ Echobox 帖；另含utm_term=Autofeed→ 全自动；只含前者 → 半自动（编辑可能从推荐中挑选并改写文本；部分半自动帖未经修改）。两参数由 Echobox 系统自动附加、用户无法移除（Echobox Query Parameters 2026）。合理性检验：抽查 Echobox 帖，确认其与媒体网站文章相同或近乎相同。分析文本列包括帖子 message、链接 title 与 description。全样本中has_echobox均值 0.47、has_autofeed均值 0.03（Table A4）。 - 政治相关性编码（LLM）：少样本提示，系统提示给出政治新闻定义（政治过程、政治机构与行动者，以及试图影响政治过程与舆论形成的社会机构与行动者），4 个示例（2 政治、2 非政治），非政治示例特意选为理论上相关的边界案例（无政治决策的经济、法律新闻），以提升构念效度、同时承认存在提示诱导偏差的权衡。
- 效度与信度：金标准
n = 600（按 Echobox / 非 Echobox 同比例分层），两名人工编码员独立编码，Krippendorff’s α = 0.79。模型比较中 Microsoft phi4（14B）表现最佳：F1 = 0.83，precision = 0.84，recall = 0.82，α = 0.78。混淆矩阵（LLM × 金标准）：非政治/非政治 462（77.0%），LLM 非政治/金标准政治 22（3.7%），LLM 政治/金标准非政治 19（3.2%），政治/政治 97（16.2%）。分组信度：非 Echobox 帖 α 0.807、F1 0.844、P 0.852、R 0.836；Echobox 帖 α 0.753、F1 0.803、P 0.825、R 0.783（作者称均令人满意但 Echobox 组较低）。模型内一致性：随机 1000 帖以相同提示、示例与模型版本重编码，α = 0.86。随后对随机子样本n = 610,087编码。 - 情绪语言：德语版 LIWC 词典的愤怒、负面情绪、正面情绪三类；预处理为词级切分（R tokenizers 包）、去德语停用词（stopwords-iso）、去标点、数字与 Emoji，计算各类别词占帖子词数的比例。帖子 message（为 Facebook 专门撰写）与链接 title/description（多取自 RSS）分别建模。非零部分近似对数正态（对随机 5000 帖对数值做 Shapiro-Wilk 检验，p > 0.05）。
- 互动：CrowdTangle 总互动（点赞、评论、分享及 Love、Wow、Haha、Sad、Angry、Care 反应），除以发帖时粉丝数得相对互动；无网站流量数据。
- 估计：Stan（rstan，R），4 条 MCMC 链、每链 4,000 次迭代，以 R̂ 与有效样本量判断收敛；以媒体 Facebook 主页为组设随机截距。
- RQ1：每周至少用一次 Echobox 的媒体数 ~ Poisson，预测变量为按周中心化的时间；截距与斜率先验 Normal(0, 1)、Normal(0, 2)。RQ2：
Y ~ BernoulliLogit(α_random + β_time · t)，随机截距按媒体。 - H1：
y_n ~ BernoulliLogit(α_G[n] + β · x_n)，α_k ~ N(μ_α, σ_α)；先验β ~ N(0, 0.5)、μ_α ~ N(0, 2)、σ_α ~ Exponential(1)、α_raw ~ N(0, 1)（非中心化参数化）。 - H2：多层零膨胀对数正态模型（3 个 LIWC 类别 × 2 个文本字段）。零部分
logit(P(y = 0)) = α_z + β_z · has_echobox + u_z,j；非零部分log(y) ~ Normal(μ_j[n], σ_l)，μ_j[n] = α_l + β_l · has_echobox + u_l,j。β_z 越大 → 越可能完全无情绪词；β_l 为有情绪词时强度（对数尺度）的效应。分析对象为n = 147,393条政治帖。 - H3：分层零膨胀对数正态（正文称跨栏）模型，因变量为相对互动。零部分
Pr(y_i = 0) = logit⁻¹(γ_0 + γ_echobox · Echobox_i + γ_time · t_i)；非零部分log(y_i) ~ Normal(μ_i, σ_y)，μ_i = α_j[i] + β_echobox · Echobox_i + β_time · t_i；回归系数先验 Normal(0, 1)，方差参数指数先验；控制时间趋势、受众规模（相对化）与媒体差异。
R. Results（结果）
| 问题 / 假设 | 估计量 | 后验均值（95% CrI） | 结论 |
|---|---|---|---|
| RQ1 采用媒体数随时间 | β_time（Poisson，周） | 0.004 [0.003, 0.004]；neff 925，R̂ 1.000 | 可信为正 |
| RQ2 Echobox 帖概率随时间 | β_time（多层 logit，周） | 0.006 [0.005, 0.006]；neff 7,562，R̂ 1.000 | 可信为正 |
| RQ3 自动化方式 | 描述统计 | 半自动 94% / 全自动 6% | 半自动为主 |
| H1 政治相关性 | β（log-odds） | 0.031 [0.014, 0.049]；SD 0.009，neff 8,197，R̂ 1.001 | 方向相反，不支持 |
| H2 message · 愤怒 | β_z / β_l | 0.072 [0.037, 0.105] / 0.000 [−0.002, 0.001] | 更常无情绪词；强度无差异 |
| H2 message · 负面情绪 | β_z / β_l | 0.040 [0.018, 0.063] / −0.002 [−0.003, 0.000] | 更常无情绪词；强度可忽略 |
| H2 message · 正面情绪 | β_z / β_l（Table A8） | −0.001 [−0.003, 0.000] / 0.015 [−0.007, 0.036] | 区间均含 0（正文两者对调表述，见注） |
| H2 link title/desc · 愤怒 | β_z / β_l | 0.622 [0.583, 0.662] / 0.844 [0.826, 0.863] | 更常中性，但有则更强 |
| H2 link title/desc · 负面情绪 | β_z / β_l | 0.735 [0.703, 0.767] / 0.776 [0.762, 0.789] | 更常中性，但有则更强 |
| H2 link title/desc · 正面情绪 | β_z / β_l | 1.034 [0.998, 1.069] / 0.844 [0.828, 0.860] | 更常中性，但有则更强 |
| H3 零互动概率 | γ_echobox | 0.459 [0.385, 0.533]；SD 0.038，neff 6,695 | 不支持：更常零互动 |
| H3 非零互动水平 | β_echobox | −0.097 [−0.120, −0.073]；SD 0.012，neff 8,167 | 不支持：互动更低 |
- R1 · 扩散（RQ1/RQ2）：使用 Echobox 的媒体从 2018 年 18/44（41%）增至 2023 年 25/44（57%）；作者将 RQ1 系数换算为每周约 0.38%、每年约 20% 的增长。Echobox 帖占比 2018 年 28%、2019 年 27%，此后稳步上升至 2022 年峰值 64%，2023 年为 62%；作者将 RQ2 系数表述为每周约 0.67%、每年约 34% 的增长。两者在 2019 与 2023 年均出现偏离线性的小幅回落。
- R2 · 媒体异质性：14 家从未使用（如 Aachener Zeitung、B.Z.），5 家六年全程使用（如 Berliner Morgenpost、Hamburger Abendblatt）；多家中途采用并持续（Braunschweiger Zeitung、WAZ），有的中途停用（Augsburger Allgemeine、Abendzeitung München、Donaukurier）或间歇使用（Frankfurter Rundschau、Freie Presse、KSTA）；Rhein-Zeitung 仅用 Echobox 发过一帖；Thüringer Allgemeine 2019 年初大幅减少 Facebook 发布，2020 年春起以 Echobox 恢复到原有水平。作者认为采用差异主要取决于编辑策略与可用资源。
- R3 · 自动化程度（RQ3）：剔除 14 家未用者及 2 家 Echobox 帖少于 20 条者（Prenzlauer Berg Nachrichten、Rhein-Zeitung），
n = 28家、Echobox 帖 > 125 万条。全自动功能 2018 年初即可用，但 2020 年底前使用可忽略，2023 年升温，2023 年 12 月达 21%。28 家中 4 家从未用全自动（如 Abendzeitung München、EXPRESS），15 家用过但低于其 Echobox 帖的 1%，5 家低于 10%；领先者 Frankfurter Rundschau 12%、Berliner Morgenpost 16%、Berliner Zeitung 29%，Volksstimme.de 93% 为唯一以 Autofeed 为主的媒体。 - R4 · H1：phi4 编码样本（n > 610,000）中约四分之一（24%，
n = 147,393）为政治帖，Echobox 子集与全集比例相同。随机截距控制媒体间差异后，Echobox 帖政治相关的对数几率略高（β = 0.031）；作者表述为“约 1% 的可能性增加”。补充材料 Table A5 交叉表：政治新闻中 Echobox 79,672（49.47%）/ 非 Echobox 81,381（50.53%）；非政治新闻中 Echobox 253,176（51.07%）/ 非 Echobox 242,561（48.93%）。 - R5 · H2：政治帖中 70.9% 不含任何情绪语言，Echobox 帖“无情绪语言”的比例高于非 Echobox 帖。message：愤怒与负面情绪的 β_z 可信为正，β_l 区间均含 0 且略偏负——作者据此认为 Echobox 帖在有情绪语言时强度略低，但效应可忽略。link title/description：β_z 与 β_l 均可信为正，作者表述为“不含愤怒 / 负面 / 正面语言的可能性分别增加 1.86%、2.09%、2.81%”，以及“有情绪语言时强度约增加 2%”。H2 模型有效样本量 2,263–17,752，R̂ ≤ 1.008（Tables A7–A8）。结论：H2 仅部分支持——status message 的差异可忽略，链接标题/描述则既更常情绪中性、又在出现情绪语言时更强烈。
- R6 · H3：控制时间趋势、受众规模与媒体差异后，Echobox 政治帖更常零互动、非零时互动更低；作者换算为零互动几率增加 1.6%、非零互动水平下降 1.1%。例外：Merkur.de 使用 Echobox 后平均每帖互动约增至六倍，因数据有限原因未明。全样本中
has_echobox与metrics_overperforming的相关为 −0.11（Bonferroni 校正 p < 0.001，Table A4）。
a / D. Discussion & Conclusion（讨论与结论）
- D1 · 采用与自动化方式：APS 采用增长与半自动占优，既符合 AI 驱动效率的行业趋势（Simon 2024），也与“编辑保留编辑控制以守护新闻标准”的研究一致（Milosavljević and Vobič 2019；Wu 2026）。记者欣赏效率，但因对 AI 信任有限而偏好人工监督（Paik 2025；Petruccio, Neilson, and Stöcker 2025）。管理层面，半自动模式的潜力主要在于降低管理与排期成本，而非替代编辑判断；EBU 2025 报告中编辑主管也指出人工监督不可或缺却限制了 AI 的规模化收益（Borchardt et al. 2025）。
- D2 · 政治相关性：对“新闻软化”论的修正：结果支持 Anter（2024）与 Hase, Boczek, and Scharkow（2023）“无普遍软化证据”的判断。作者给出三种解释：Echobox 取稿自往往更多呈现硬新闻的 RSS 源（Lischka and Werning 2017）；半自动模式使编辑能够优先推送政治内容；关键词规则与客户专属历史训练数据等配置支持政治相关内容。风险在于历史训练数据可能被非典型新闻周期（如 COVID-19）扭曲（Paik 2025）。
- D3 · 情绪语言的“极化”：status message 更趋中性，与“编辑为提升互动与算法可见度而刻意情绪化框架政治内容”的理论预设不符，作者推测记者可能较少使用 “Compose Box” 改写文案，有待验证。链接标题/描述由 RSS 预设、编辑不可改，更常中性却在有情绪时更强，作者解读为 APS 的选择逻辑：情绪弱的内容被忽略，情绪醒目的内容被优先选中。
- D4 · 互动：结果与软件商承诺相悖；但研究只看 link 帖，其目标主要是网站流量而非平台内互动（Sehl, Cornia, and Nielsen 2024），缺乏点击数据，对网站流量的影响未知。
- D5 · 编辑控制与“双层算法影响”：APS 先对内容预选并赋予病毒性分数（编辑可于此介入），再由 Facebook 的专有排序系统决定用户所见。预选影响编辑决策、挑战编辑自主，但也帮助编辑在时间压力下不遗漏相关内容。推荐列表、Compose Box、可配置关键词规则与内容源、客户专属训练数据等功能把新闻标准嵌入自动化流程，契合 “ethics-by-design” 原则（Brey and Dainow 2024）；但底层选择与排序算法缺乏透明度，仍是黑箱。
- D6 · 信任上升的悖论：全自动使用虽低但在上升，作者视之为 AI 信任渐增的迹象，归因于 ethics-by-design 功能改进与 AI、NLP、自动标题生成的技术进步。风险：自动化偏误（Sundar 2020）使训练数据偏差不易被察觉；记者丧失受众互动技能与平台素养的去技能化。
- D7 · 结论（新闻自动化 × 新闻软化）：研究挑战“算法效率与新闻质量根本对立”的假定——多数编辑部采用的、以人工监督为基础的半自动模式在关键方面维护了新闻标准，在政治相关性上甚至可能有所加强。但这不是对 APS 的无条件背书：政治类 APS 帖互动更低、AI 模型不透明、对 Facebook 排序逻辑的结构性依赖仍是未解的张力。在 Meta 宣布自 2025 年起重新加大政治内容权重的背景下（Kaplan 2025；Newman et al. 2025），负责任使用 APS 要求无论自动化程度如何，都定期检查系统配置的编辑相关性、审查训练数据偏差、批判性审视算法结果。对资源有限的地方与区域媒体尤为相关，但 APS 软件授权费本身可能把较小的出版者排除在效率与质量收益之外。
- 局限（作者自述）：仅限 Facebook、德国地方/区域媒体与 Echobox 一种 APS，外推需其他国家、平台、媒体与内容类型；AI 快速演进需要持续的纵向研究；政治相关性只是硬新闻的一个维度，情绪语言只是一个风格要素；只分析产出特征，未比较供给内容（RSS 源）与已发布内容，无法厘清编辑与算法各自的影响；受众效应仅以 Facebook 互动衡量，缺网站流量与点击数据。
- 方法层面的补充观察（延伸解读，非论文原文观点）：（1）LLM 编码在 Echobox 帖上的信度（α 0.753，recall 0.783）低于非 Echobox 帖（α 0.807，recall 0.836），测量误差在处理组与对照组间并不对称，而 H1 的效应量本身很小，解读 β = 0.031 时宜考虑这一点；（2）Table A5 的汇总比例显示政治新闻中 Echobox 帖的占比（49.47%）略低于非政治新闻（51.07%），而含媒体随机截距的模型给出正向效应，提示结果依赖于对媒体间构成差异的控制；（3）识别策略是观测性的帖子层级比较，未利用采用时点做 DiD 等因果设计，结论应读作“关联”，这与作者的措辞（associated with）一致。
- 其他：数据、R 代码、Stan 模型与拟合结果公开于 OSF（osf.io/2p53v）；作者声明无利益冲突；按 Taylor & Francis AI 政策，生成式 AI 仅用于语言润色。
🧠 IRMaD 思维导图
mindmap
root((AI发帖让新闻变软吗))
I 引言
地方报社依赖脸书
社交媒体逻辑施压
软化证据相互矛盾
自动发布工具普及
缺大规模内容证据
R 问题
RQ1 采用媒体增多吗
RQ2 机器帖占比升吗
RQ3 半自动还是全自动
H1 政治话题更少
H2 情绪语言更多
H3 用户互动更高
M 方法
44家德国地方媒体
260万条脸书帖
只看链接帖
UTM参数识别工具
phi4少样本编码
人工一致性0.79
LIWC德语情绪词典
贝叶斯多层零膨胀
R 结果
采用媒体四成升至近六成
机器帖占比升至六成多
半自动占九成四
H1反向 β=0.031
正文情绪更中性
标题情绪两极化
H3不支持 互动更少
a 讨论
无普遍软化证据
RSS源偏硬新闻
半自动保留把关
双层算法影响
伦理嵌入设计
自动化偏误风险
D 结论
效率质量未必对立
人机协作守住标准
定期审查配置数据
授权费挡住小报社
图：本研究的 IRMaD 思维导图。蓝色 I 引言；橙色 R 研究问题；绿色 M 方法； 橙色 R 结果；紫色 a 讨论；红色 D 结论。