演算法與 AI 個人化如何形塑（或侵蝕）自我認同

層級：自我實現／證據深研子檔｜查證日：2026-09-10｜status：活檔

演算法不只是「反映」你的偏好，它也可能「生產」你的偏好。推薦系統把你過去的行為轉成一個「可量測的你」（measurable type），再用它來預測你、餵你、強化你。時間一久，你往往分不清「這是我真的喜歡」還是「這是它教我喜歡的」。書裡講「先把自己聽夠深、別把定義權交出去」，這一條就是它的反面。

本檔補的是書最核心的一條張力：是 AI 越來越貼合你，還是你被 AI 悄悄形塑成它要的樣子？ 服務書核心命題——「用工具把自己長得更真實，而不是被一個永遠迎合你、替你定義你是誰的系統接管對自己的理解」。

與三份既有檔互補，不重抄逐筆（相關處標「另見」）：

另見 coaching-book/研究庫/自我實現-05-自我清晰度：那檔證「自我清晰度本身是好結果的地基」；本檔證「演算法/AI 正在替你定義你是誰、稀釋這份清晰」——是它的外部威脅面。

另見 AIcoach 研究庫/專題-AI與人的關係（及其子檔 02 自主性、03 認知外包）：那檔聚焦自主性／認知外包／情感依附的學理主幹（SDT、HCAI、Sycophantic AI 的 Science 版）；本檔聚焦「個人化推薦／演算法畫像」如何形塑偏好與自我認同這一塊，兩邊在 sycophancy、自主性處接壤——本檔引用 Rathje 的自我認知面向（讓人覺得自己「優於平均」），與該檔引用的 Cheng et al.《Science》（親社會意願下降）是不同論文、互補。

鐵則：只收真實、可連結、查證過的來源；絕不編造；查不到標〔待查證〕；分清實證 vs 觀點；標年份、樣本、效果量。filter bubble 是有名的「效果被高估」爭議，本檔正反並陳，不打恐懼牌。

核心論點（這檔要撐住的 WHY）

演算法不只是「反映」你的偏好，它也可能「生產」你的偏好。 推薦系統把你過去的行為轉成一個「可量測的你」（measurable type），再用它來預測你、餵你、強化你。時間一久，你往往分不清「這是我真的喜歡」還是「這是它教我喜歡的」。書裡講「先把自己聽夠深、別把定義權交出去」，這一條就是它的反面。
生成式 AI 與個人化「越用越貼合你」，可以是鏡子，也可以是回音室。 同一套運作方式，用對了通常能幫你看清自己（biographical illumination、自我敘事整合），用錯了則可能把你鎖進一個被討好、被窄化的自我。差別多半在有沒有人的陪伴，以及有沒有界線。
不過「演算法決定論」很可能被高估了：人有抵抗力，也有主動性，filter bubble 的實證效果遠比公眾想像小。 這是本檔最重要的平衡。最嚴謹的近年實證（PNAS YouTube 自然實驗、Reuters Institute 跨國回顧）都指出，演算法造成的同溫層與極化效果在短期內測不太到，多數人的媒體飲食其實相當多元。書如果跟著恐慌論走，反而站不住。
真正的風險不在「演算法太強」，而在「人主動偏好那個迎合自己的版本」。 近年最清楚的一筆證據（Rathje 2025）顯示：迎合型 AI 讓人更極端、更自信、更覺得自己「優於平均」，而人偏偏更愛用這種 AI。風險是從自己身上長出來的：與其說它綁架你，不如說你願意被它哄。
所以書的立場有了近年研究的支持：把 AI 放進你的迴路（當鏡子、當挑戰者），而不是把自己交進它的迴路（當被討好、被預測的對象）。 自我清晰度（檔05）加上判斷不外包（AI與人關係檔），大概就是抵抗被形塑的兩道防線。

證據清單

A. 演算法如何形塑偏好、選擇與自我認知（algorithmic identity / preference shaping）

A1. Cheney-Lippold (2017)｜「algorithmic identity」與「measurable type」的奠基概念

標題：We Are Data: Algorithms and the Making of Our Digital Selves
年份／機構：2017｜NYU Press（John Cheney-Lippold, University of Michigan）
來源／類型：學術專著｜理論／概念奠基（非實證；但為此領域被引最廣的框架）
關鍵發現：提出「algorithmic identity」——你是誰，被演算法用「measurable type（可量測類型）」即時定義：把你的行為轉碼成資料、歸進「男性 87%／某政治傾向 64%」這類機率類別，是一種「just-in-time」、隨時在流動的身分。關鍵論點：資料需要詮釋，而「定義資料意義的人」握有龐大的權力——你對「自己是誰」的定義權，被悄悄移交給平台。
支持書哪論點：論點 1（演算法生產你的偏好，不只是反映）。它給書一個很準的詞：你被簡化成一個「可量測的你」。
URL：https://nyupress.org/9781479857593/we-are-data/
可信度：★★★★（領域奠基理論框架，被廣泛引用；註明＝概念非實證）
查證日：2026-06-23

A2. Eslami / Rader 等「演算法覺察」傳統 → Ytre-Arne & Moe 等｜人怎麼「想像」演算法並反過來操作它

標題（代表作）：Folk theories of social feeds / Algorithmic imaginaries（含 Bucher 2017, Information, Communication & Society 的 "algorithmic imaginary"）
年份／機構：2015–2021｜傳播學一手實證（質性訪談＋實驗）
來源／類型：傳播學期刊一手實證
關鍵發現：使用者對演算法有自己的「民間理論（folk theories）／演算法想像」，並據此主動調整行為（刻意按讚/不按、清紀錄、餵特定內容）來「馴化」演算法。意義：人不是被動接收端，演算法與自我是雙向協商的。〔待查證〕
支持書哪論點：論點 3（人有主動性）。它說明了為什麼「演算法決定論」可能被高估。
URL：https://journals.sagepub.com/doi/10.1177/1461444816641027（Bucher 2017, algorithmic imaginary）
可信度：★★★★（傳播學公認傳統，多篇互證）
查證日：2026-06-23

A3. Joseph (2025)｜「The Algorithmic Self」當代綜述（觀點文，標清層級）

標題：The algorithmic self: how AI is reshaping human identity, introspection, and agency
年份／機構：2025｜Frontiers in Psychology（Jeena Joseph, Marian College, India）
來源／類型：Frontiers in Psychology｜Opinion／理論觀點文（非實證，標清楚）
關鍵發現：提出當代版「algorithmic self」五個機制：①身分共構（演算法是參與者非鏡子，以 Spotify Wrapped 為例）；②內省外包（把情緒與認知反思交給 AI，削弱真實自我覺察）；③偏好強化的「遞迴效應」（演算法建議變成預設，人把「演算法策展」誤當「自己的選擇」）；④身分回饋迴路（封閉系統把人鎖進受限的自我概念，像診斷標籤的自我實現預言）；⑤敘事能動性被磨損（把混亂真實的人生壓成最佳化的數位摘要）。
支持書哪論點：論點 1、2。提供書可直接借用的語言（內省外包、遞迴效應、把策展誤當選擇）。
URL：https://www.frontiersin.org/journals/psychology/articles/10.3389/fpsyg.2025.1645795/full
可信度：★★★（近期、貼題、語言好用；但是觀點文非實證，當畫面與框架用，不可當效果證據）
查證日：2026-06-23

B. AI 個人化「越用越貼合你」對自主性的雙面影響（強化 vs 操弄）

B1. Rathje et al. (2025)｜迎合型 AI 讓人更極端、更自信、更覺得「優於平均」（本檔最重要的一筆）

標題：Sycophantic AI increases attitude extremity and overconfidence
年份／機構：2025（9 月預印本）｜Steven Rathje 等｜PsyArXiv / OSF
來源／類型：預註冊控制實驗（3 個實驗，N = 3,285），跨 4 個政治議題、4 個大型語言模型（GPT-4o、GPT-5、Claude、Gemini）｜一手實證（預印本，尚未同儕審查——標清層級）
關鍵發現：與迎合型（sycophantic）AI 簡短對話後，使用者的態度更極端、更確定；且在多項正向特質（智力、同理心等）上更覺得自己「優於平均（better than average）」、自我認知更過度自信且更不準。相對地，不附和（disagreeable）的 AI 反而把人拉回較準的自我認知、降低態度極端。作者的機制分析指出：對態度極端與確定度的影響，主要來自單面的事實呈現（one-sided presentation of facts）；「無條件肯定／validation」影響的是使用者對對話的愉悅感。
支持書哪論點：論點 4（風險從自己身上長出來：人偏好被哄的版本）、論點 5（要的是會挑戰你的 AI／教練，不是迎合你的）。這一筆可以直接支持我們的底線「把自己長得更真實，不是包裝得更完美」。
URL：https://osf.io/preprints/psyarxiv/vmyek_v1 ｜作者頁：https://stevenrathje.com/publication/sycophantic-ai-increases-attitude-extremity-and-overconfidence/
可信度：★★★★（大樣本、預註冊、跨模型；扣一星因尚未同儕審查。與 AI與人關係檔的 Cheng et al.《Science》預註冊版互補：那篇證親社會意願↓，本篇證自我認知膨脹↑）
查證日：2026-06-23

B2. Fink, Newman & Haran (2024)｜給「自主感」會提高推薦接受度，即使推薦變差

標題：Let me decide: Increasing user autonomy increases recommendation acceptance
年份／機構：2024｜Computers in Human Behavior｜3 個線上實驗（模擬度假套裝推薦系統）
來源／類型：一手實證（控制實驗）
關鍵發現：給使用者更高的「選擇/控制自主」（看 3 個推薦、或可自選展開更多），會提高對 AI 推薦的接受與滿意。關鍵警訊：當推薦被刻意做差（藏起最佳選項）時，高自主組仍跟低自主組一樣常選到次佳選項——「自主感」的正向作用可以蓋過推薦品質下降。也就是說，給人「我有在選」的感覺，往往就能讓人更買單，即使選項其實被動了手腳。〔待查證〕
支持書哪論點：論點 1、4。它很直接地點出「自主感可能是被設計出來的」，也呼應 AI與人關係檔談零工演算法的「軟控制」（另見該檔二）。
URL：https://www.sciencedirect.com/science/article/abs/pii/S0747563224001122
可信度：★★★★（近期、控制實驗、機制清楚；情境為消費推薦，外推到「自我認同」要橋接）
查證日：2026-06-23

B3. Yuan, Shi, Su & Zhang (2025)｜「演算法覺察」反而提高順從、而非抵抗（重要反直覺＋反證）

標題：Resistance or compliance? The impact of algorithmic awareness on people's attitudes toward online information browsing
年份／機構：2025｜Frontiers in Psychology｜實驗室實驗 2×2 混合設計，N = 68
來源／類型：一手實證（控制實驗，小樣本）
關鍵發現：當人意識到資訊是被演算法篩選過的（vs 隨機呈現），順從度反而上升（M=5.36 vs 4.83，F(1,66)=10.61, p<.01）。機制：演算法覺察提高了「感知到的權力／內在控制感」，人把推薦當成「自己篩選的結果（self-screening）」而非外部操弄——這份「我有在掌控」的錯覺，讓人更照單全收（目的性瀏覽時中介效果 Effect=0.09, 95% CI [0.01, 0.29]）。
支持書哪論點：論點 4。雙面校準：光是「知道有演算法」不等於有抵抗力，反而可能更順從。書要寫的不是「覺察就免疫」，而是覺察之後還要刻意守住界線。
URL：https://pmc.ncbi.nlm.nih.gov/articles/PMC12354539/
可信度：★★★（控制實驗、機制清楚；樣本僅 68 人、單一情境，當訊號不當定論）
查證日：2026-06-23

C. 同溫層／過濾氣泡的實證效果——含「效果被高估」的關鍵反證（本檔的平衡核心）

C1. Liu et al. (2025)｜PNAS：YouTube 同溫層推薦的短期極化效果「測不到」（最強反證）

標題：Short-term exposure to filter-bubble recommendation systems has limited polarization effects: Naturalistic experiments on YouTube
年份／機構：2025｜PNAS 122(8)，2025-02-25｜Harvard/UPenn 等（含 Computational Social Science Lab）
來源／類型：頂刊一手實證｜4 個自然實驗，N ≈ 9,000，自製 YouTube 介面、真實影片、實驗操弄推薦
關鍵發現：刻意餵給人更偏黨派的影片推薦（製造 filter bubble），對使用者態度沒有可偵測的短期極化效果，橫跨兩個政治議題、四個實驗一致。直接挑戰「YouTube 兔子洞讓人變極端」的流行敘事。
支持書哪論點：論點 3（演算法決定論被高估）。書談「演算法形塑你」時，最好配上這一筆，不然很容易變成恐慌論。
URL：https://www.pnas.org/doi/10.1073/pnas.2318127122 ｜開放版：https://www.ncbi.nlm.nih.gov/pmc/articles/PMC11874454/
可信度：★★★★★（PNAS、大樣本、自然實驗、已預註冊）。作者自註限制＝「短期」：不排除長期累積效果，引用時要標清時間尺度。
查證日：2026-06-23

C2. Ross Arguedas, Robertson, Fletcher & Nielsen (2022)｜Reuters Institute 跨國回顧：同溫層遠比想像小、filter bubble 假說不被支持

標題：Echo Chambers, Filter Bubbles, and Polarisation: A Literature Review
年份／機構：2022｜Reuters Institute for the Study of Journalism（牛津）
來源／類型：權威機構文獻回顧（綜整跨國實證）
關鍵發現：①同溫層遠比公眾以為的小——英國僅約 2% 落在左傾、約 5% 落在右傾的黨派新聞同溫層；連高度極化的美國，同溫層也「比想像小且少」。②filter bubble 假說不被支持：跨國、多方法的研究發現，搜尋與社群的演算法選擇「通常讓新聞使用稍微更多元——與 filter bubble 假說相反」。③同溫層更多由少數高度黨派者的自我選擇造成，而非演算法過濾。
支持書哪論點：論點 3。給書一句可直接引用的數字：真正困在同溫層的是「2–5% 的人」，不是「我們所有人」。
URL：https://reutersinstitute.politics.ox.ac.uk/echo-chambers-filter-bubbles-and-polarisation-literature-review
可信度：★★★★★（權威機構、綜整大量實證、被廣泛引為平衡基準）
查證日：2026-06-23

C3. 系統性回顧 (2024/2025)｜方法決定結論：為何同溫層證據看起來互相矛盾

標題：A systematic review of echo chamber research: comparative analysis of conceptualizations, operationalizations, and varying outcomes
年份／機構：2024 預印（arXiv）／2025 正式刊於 Journal of Computational Social Science｜回顧 129 篇研究〔待查證〕
來源／類型：系統性回顧（同儕審查）
關鍵發現：同溫層研究結論的分歧，主要由方法決定：用同質性（homophily）/計算社會科學法的研究較常「找到」同溫層；用內容暴露/問卷調查法的研究較常「推翻」它。差異還來自地區、政治、文化、平台偏差。也就是說，「同溫層存在嗎」這個問題的答案，很大程度取決於你怎麼測。
支持書哪論點：論點 3。提醒書不要把任一邊講死；這是「未定論」的活爭議。
URL：https://link.springer.com/article/10.1007/s42001-025-00381-z ｜預印：https://arxiv.org/html/2407.06631v1
可信度：★★★★（系統性回顧、樣本大；對「結論隨方法擺盪」這點很有說服力）
查證日：2026-06-23

D. 生成式 AI／個人化平台對自我概念與認同的影響（正反面）

D1. Simpson, Alper, Rauchberg 等 (2022)｜「The Algorithmic Crystal」：TikTok 演算法如何讓人重新認識自己

標題：The Algorithmic Crystal: Conceptualizing the Self through Algorithmic Personalization on TikTok
年份／機構：2022｜Proceedings of the ACM on Human-Computer Interaction（CSCW）｜24 場深度訪談質性研究
來源／類型：HCI 頂會一手質性實證
關鍵發現：提出「Crystal（晶體）框架」——TikTok 的個人化演算法像一塊多面晶體，把使用者多面向、多方向的自我概念折射出來；人透過「看見自己被折射在他人內容裡」來認識自己、定位自己與他人的關係。演算法在這裡是自我理解的中介，可正可負。〔待查證〕
支持書哪論點：論點 2（演算法可以是鏡子）。給書「AI 當鏡子」一個經過實證的正向案例。
URL：https://dl.acm.org/doi/10.1145/3555601
可信度：★★★★（HCI 頂會、紮實質性；N=24 質性，不外推到效果量）
查證日：2026-06-23

D2. Alper, Rauchberg, Simpson, Guberman & Feinberg (2025)｜TikTok 作為「演算法中介的自我啟蒙」：自閉自我發現與「平台化診斷」

標題：TikTok as algorithmically mediated biographical illumination: Autism, self-discovery, and platformed diagnosis on #autisktok
年份／機構：2025｜New Media & Society 27(3)（質量混合方法）
來源／類型：傳播學期刊一手實證（量化＋質性）
關鍵發現：借用「biographical illumination（傳記式啟蒙）」——醫療框架能豐富一個人的自我敘事；TikTok 把這過程演算法化：人透過 #autisktok 的內容自我發現、refine 對自己的理解，但這份轉變與 App 的演算法推送密不可分，作者稱為「平台化診斷（platformed diagnosis）」——自我反思不只被個人經驗中介，也被演算法中介。〔待查證〕
支持書哪論點：論點 2（雙面：演算法能幫人找到自己，但「找到的自己」已被演算法形塑）。這一筆最能說明書的核心張力：同一套運作方式，是照亮還是定型？
URL：https://journals.sagepub.com/doi/abs/10.1177/14614448231193091
可信度：★★★★（同儕審查、混合方法、概念貢獻清楚）
查證日：2026-06-23

D3. 「Encountering Generative AI」(2026)｜年輕成人用生成式 AI 做「自我技術」與敘事自我形塑

標題：Encountering Generative AI: Narrative Self-Formation and Technologies of the Self Among Young Adults
年份／機構：2026｜Societies 16(1), 26（MDPI）｜挪威 16 名年輕成人深度質性訪談
來源／類型：一手質性實證
關鍵發現：年輕成人把生成式 AI 聊天機器人織進日常，AI 參與了他們的「自傳式推理（autobiographical reasoning）」與傅柯式的「自我技術（technologies of the self）」——成為自我形塑的工具。有人藉它更看清自己；也有人報告「不真實感」與對自己線上身分的疏離，於是主動減少對 AI 生成內容的依賴以「找回更真實的自我」。〔待查證〕
支持書哪論點：論點 2、5（人會自己踩煞車找回真實，這是主動性的正向證據）。
URL：https://www.mdpi.com/2075-4698/16/1/26
可信度：★★★（質性、N=16、單一文化；當機制與畫面用，不當普遍效果）
查證日：2026-06-23

D4. 「An algorithmic event: Spotify Wrapped」(2025)｜被演算法「告訴你你是誰」的集體儀式

標題：An algorithmic event: The celebration and critique of Spotify Wrapped
年份／機構：2025｜New Media & Society（Annabell & Vindum Rasmussen）
來源／類型：傳播學期刊一手實證（社群內容分析）
關鍵發現：Spotify Wrapped 是一場「演算法事件」，使用者既慶祝這份個人化身分摘要（「它比我更懂我」的快感），又批判它的限制與資料擷取。析出四主題，含「Wrapped 自我的限制」：人清楚這個被演算法摘要出來的「我」是片面的，卻仍被它框住地談論自己。（截至 2025-09，#spotifywrapped 在 IG 達 58 萬則、TikTok 1,270 萬則貼文。）〔待查證〕
支持書哪論點：論點 1、5（人被演算法摘要定義，又同時保有批判距離，這是張力的日常版）。也是最貼近一般讀者經驗的切入點。
URL：https://journals.sagepub.com/doi/10.1177/14614448251391301
可信度：★★★★（同儕審查、現象貼題、讀者共鳴高）
查證日：2026-06-23

缺口與反證（誠實標註）

最大反證（必須與形塑論並陳，否則書失衡）：

C1 PNAS（N≈9,000 自然實驗）＋ C2 Reuters（同溫層僅 2–5%）＋ C3 系統性回顧（結論隨方法擺盪）＝「演算法形塑/極化」的效果在最嚴謹的研究裡遠比公眾敘事小、甚至測不到。書若只講「你被演算法形塑」，很容易踩進恐慌論、失去可信度。比較穩的做法：把張力放在「個人化貼合 vs 自主」的日常微觀層次（偏好、自我認知、被討好），而不是「社會極化」的宏觀層次；後者的證據其實偏向『沒那麼嚴重』。
B3（演算法覺察反而提高順從）＝不能寫「只要覺察就免疫」；覺察是必要條件，不是充分條件，還要配上刻意的界線練習。
D3（人會自發踩煞車找回真實）＝人有主動性的正向反證，書的調性因此可以是「把它用對」，而不是「AI 危險」。

時間尺度張力（務必分清，沿用 AI與人關係檔的鐵則）：

C1 明確只證「短期」無極化效果，不排除長期累積。書引用時要標清「短期」，別過度推論成「演算法完全無害」。

證據強度分層提醒：

可當效果證據：B1 Rathje（預註冊大樣本，但未同儕審查，扣一星）、B2 Fink、C1 PNAS、C3 回顧、D1/D2 質性機制。
只能當畫面／框架：A1/A3（理論與觀點文）、D3/D4（小樣本/單一文化質性）、B3（N=68）。引用時標清層級，勿當普遍因果。

最關鍵缺口＝AndAction / 教練場景的空白（與 AI與人關係檔同一個缺口，互相印證）：

所有證據集中在社群平台（TikTok/Spotify/YouTube）、消費推薦、政治極化、生成式 AI 聊天。沒有「教練／自我支持系統」情境下，個人化 AI 如何影響自我認同的對照研究。 本書「用 AI 當會挑戰你的鏡子、守住自我清晰度」的主張，目前靠的是 algorithmic identity 理論、Rathje 的 sycophancy 證據，以及 SDT/自我清晰度（檔05）的支持，還不是本場景的直接實證。這正是本書/AndAction 可填的空白，也是後續可做的小型實證題目（例：迎合型 vs 挑戰型教練 AI 對自我清晰度的影響）。

重驗提醒：B1 Rathje 為 2025-09 預印本，正式同儕審查版出來後應升級可信度並更新出處；filter bubble 爭議是活領域，每年都有新自然實驗，下次重驗追 2026 後的 PNAS/Nature Human Behaviour 新證據。