算法是怎么撕裂中国男女关系的？
算法没有凭空制造两性矛盾，却会筛选最刺激的真实案例，让男女在见面之前就开始防备彼此。
晚上十一点多，林溪刷到一条视频。
画面里，一个女人坐在屏幕前侃侃而谈，标题写着：
“生完孩子，你才知道什么叫丧偶式育儿”
林溪没点赞，也没评论，只是停了十几秒，又点进主页看了两条。
后面出现的内容越来越相似：婆媳冲突、男人婚后变脸、全职妈妈被抛弃。
她今年二十八岁，未婚，也没有被男人背叛过。男朋友对她还不错，两个人已经谈到明年领证。
但那天晚上，她第一次认真怀疑：
他现在的好，会不会都是装的？
同一时间，城市另一边，周远也在刷视频。
第一条是三十八万元彩礼。
第二条是一个男人讲自己婚后工资全部上交，买盒烟都要报备，评论弹幕铺天盖地的嘲笑。
第三条标题更直接：
“普通男人最大的风险，就是娶错一个女人。”
周远今年二十九岁，没有被女人骗过钱，也没遇到过所谓的“捞女”。现实中，他认识的大部分女生都有工作，生活也很正常。
但如果只看他的推荐页，你会觉得婚姻已经变成了一场针对普通男人的围猎。
林溪害怕被牺牲。
周远害怕被掏空。
他们从未见过，却已经开始防备彼此。
两个人都没有受过对方的伤，却被别人的故事提前武装了起来。
这就是算法撕裂两性关系的第一步。
一
很多人以为，推荐算法只是“猜你喜欢”。
其实它一直在测试你。
你在哪条视频前停下来，看没看完，有没有打开评论区，是否回看，都会成为下一轮推荐的依据。
你嘴上说“视频内容太胡扯了”，算法看到的是停留。
你写下几百字反驳，算法看到的是深度参与。
你越生气，越忍不住看，它越容易继续推，就像伤疤刚刚愈合，那种埋在骨头里的痒。
2025 年发表于《PNAS Nexus》的一项算法审计发现，以互动为目标的推荐机制，比按照用户事后明确表达的偏好排序，更容易放大情绪强烈、攻击外部群体的内容。用户参与最多的内容，也不一定是他们冷静以后真正想看的内容。
这项研究分析的是海外平台上的政治内容，不能直接证明国内平台如何处理婚恋话题，但它解释了一个关键问题：
平台知道什么能刺激你，却不在乎什么对你有益。
林溪最初可能只是偶然看完一条婚姻纠纷。
算法发现她有反应，便多推了几条。她看得越多，越觉得婚姻危险；越觉得危险，越会关注类似内容。
周远也是如此。
他原本只是觉得成家成本不低。几个月后，他的首页已经被彩礼、房产和离婚财产纠纷占满。
算法先通过反应认识你，再用推荐结果影响你。
最后，你会把它替你挑选的样本，当成自己看清世界后的结论。
二
算法最强的地方，不是制造假新闻。
它根本不需要造假。
十几亿人的生活里，每天都会发生背叛、家暴、骗婚、彩礼纠纷和婆媳冲突。平台只需要把最刺激、最容易让人停下来的那些挑出来。
每一条都可能是真的。
连续看上一万条，得到的也未必是真实世界。
2026 年，北京师范大学与相关社交媒体开展的一项青年婚恋观调查覆盖 2823 名 18 至 35 岁青年，其中 76.6% 的受访者表示，自己的婚育观受到社交媒体影响。
参与调查的学者把算法影响概括为三层：婚恋话题越来越单一，相同观点的人互相强化，用户形成某种认知后，算法继续推送同类内容，让这种认知越来越牢固。
放在林溪身上，就是：
她先看到几个失败案例，随后开始担心婚姻，最后又因为担心而更关注失败案例。
平台没有直接告诉她“男人不可信”。
算法没有观点，它只是不断把最不可信的男人送到她眼前。
周远看到的是另一套现实。
他很少看见普通夫妻怎样分担房贷，也很少看见多数女性怎样工作和生活。那些内容没有冲突，很快就会被更极端的案例挤下去。
一个丈夫十年没有背叛妻子，不会每天拍视频证明自己。
一个妻子和丈夫一起还房贷，也很难登上热榜。
于是，正常关系沉了下去。
一个个极端案例，被一次次捞起来，代表了整个性别。
算法没有撒谎。
它只是把真实世界剪掉了大部分。
三
两性关系特别适合被算法放大。
它涉及房子、金钱、生育、家庭和尊严，每个人都能代入。只要把一个具体矛盾改写成性别战争，评论区很快就会失控。
“这个男人伤害了妻子”，只是一个人的问题。
“男人结婚以后都会不负责任”，立刻变成几亿人的问题。
“这个女生提出了过分要求”，只是一场具体纠纷。
“现在的女人都拜金”，就有了共同敌人。
2021 年发表在《传播与社会学刊》的一项研究分析了知乎平台 4440 条有关“田园女权”的问答。研究发现，网络讨论常常把复杂问题压缩成“真女权”和“假女权”的二元对立，彩礼、生育和子女冠姓等话题也更容易激化性别评价。
这正是网络两性内容常用的处理方式：
删掉背景，只留下立场。
隐去具体的人，只突出他的性别。
国外研究也发现，攻击外部群体的内容，比单纯赞扬自己一方更容易获得分享。政治对立不能直接等同于性别关系，但传播逻辑很相似：
告诉人们“谁正在伤害我们”，比解释问题本身更容易带来流量。
平台未必在乎男人和女人谁有道理。
只要双方继续争吵，停留、评论和转发就会继续上涨。
创作者也学会了这套生意。
先讲一个极端案例，再把它概括成性别规律，最后留下一句：
“你们觉得呢？”
剩下的流量，由愤怒的人免费完成。
四
真正严重的后果，不是男女观点不同。
而是他们看到的现实已经不同。
林溪每天看到的是生育代价、家务不平等和丈夫背叛。
周远每天看到的是房价、彩礼和婚后财产风险。
这些压力都是真实、客观存在的。
但当算法长期只展示其中一面时，另一面的痛苦就会显得像借口。
女生谈生育风险，男生觉得她在贩卖焦虑。
男生谈成家成本，女生觉得他只是不愿意付出。
双方都在讲事实，却不再共享同一套事实。
这种防备最终会进入现实关系。
第一次约会，女生随口一句有没有房，男生立刻想起首页里无数个“捞女”。
男生提出婚后共同还贷，女生马上想到那些“抠搜男算计妻子收入”的故事。
眼前这个人还没有做错什么，算法已经提前为他准备好了罪名。
过去，人们在相处中判断一个人。
现在，很多人还没见面，已经先看过几百个关于“这类人有多危险”的案例。
他们不是在认识彼此。
而是在要求对方证明：
你不是我手机里的那种人。
五
其实，把两性矛盾全部归咎于算法，绝不准确。
住房压力、生育成本、家庭责任和传统性别分工，本来就存在。没有这些裂缝，极端内容也不会轻易引发共鸣。
算法更像一台鼓风机。
它没有点燃第一把火，却知道哪里烧得最旺。
2023 年《自然》发表的一项大型实验，将两万多名美国 Facebook 用户接触到的同立场信息减少约三分之一。结果显示，参与者看到的信息来源发生了变化，但多项政治态度没有明显改变。
这说明算法并不能按一下按钮，就重写一个人的思想。
但平台只要改变排序，就能明显改变用户每天接触什么。
算法未必能让林溪彻底拒绝婚姻。
可它能让她想到婚姻时，最先浮现的是背叛。
它未必能让周远永远仇视女性。
可它能让他第一次约会时，先考虑怎样避免吃亏。
人的立场未必立刻改变。
信任却可能先被磨掉。
六
想摆脱这种影响，第一步不是去评论区争个输赢。
愤怒观看仍然是观看。
反复回看、点进主页、阅读大量评论，都会继续向系统释放兴趣信号。
遇到明显制造性别仇恨的内容，直接划走，选择“不感兴趣”，通常比写长文反驳更有效。
我国现行的《互联网信息服务算法推荐管理规定》也要求平台提供不针对个人特征的选项，或者提供便捷关闭算法推荐的功能；用户还有权选择或删除用于推荐的个人标签。
第二步，是重新学会看分母。
刷到一个人索要一百万彩礼，先问这发生在哪里，双方收入和家庭情况如何，它究竟是普遍现象，还是一个特别适合传播的极端案例。
个案可以提醒风险，不能拿来计算一半人类的概率。
性别可以解释一部分结构性困境，却不能替你判断一个活生生的人。
林溪和周远没有在感情中受过伤，
可他们都已经做好了受害的准备。
参考资料与延伸阅读
- 人民日报、新华网：《别让算法“锁”住青年婚育观》
- Milli 等，PNAS Nexus：Engagement, user satisfaction, and the amplification of divisive content on social media
- 甘丽华，《传播与社会学刊》：《父权制、网络厌女与女权主义的中国化诠释》
- Rathje 等，PNAS：Out-group animosity drives engagement on social media
- Nyhan 等，Nature：Like-minded sources on Facebook are prevalent but not polarizing
- 国家互联网信息办公室等：《互联网信息服务算法推荐管理规定》
- Eli Pariser，TED：Beware online “filter bubbles”
创作说明
文中的林溪、周远均为基于常见网络婚恋叙事创作的虚构人物，不对应任何具体个人，相关情节不属于真实采访记录。
本文并不认为算法是两性矛盾的唯一来源。文章讨论的是：个性化推荐如何从现实矛盾中筛选更具情绪性的内容，并通过持续反馈，强化不同群体接触到的信息差异。
文中部分海外研究以政治传播和海外社交平台为研究对象，不能直接作为中国两性关系的因果证据。文章引用这些研究，是为了说明互动排序、群体敌意和同质化信息暴露可能产生的传播机制。