参与驱动型推荐致用户陷入“过度熟悉”降低长期满意度

近日，多伦多大学罗特曼管理学院市场营销学助理教授桑森·奈特在《文化经济学杂志》发表研究，指出流媒体平台的互动导向推荐算法正将用户困于过度熟悉的陷阱中，严重削弱长期满足感并阻碍文化创新。该研究分析认为，Spotify、Netflix等主流平台为追求短期互动数据，算法高度依赖用户近期偏好并持续推送同质化内容。此机制虽能迅速拉升短期流量，却违背了用户品味长期演化的客观规律。算法常将用户过往行为误判为固定偏好，形成自我强化的数据闭环，最终引发审美疲劳与用户流失。更为关键的是，过度优化短期指标会扼杀实验性艺术与新兴文化运动的萌芽，导致整体文化生态停滞。针对这一困境，奈特提出平台应调整算法逻辑，延长内容评估周期并植入主动探索机制，适时降低高热度内容的推送频次。同时，平台需引入人工策展与编辑精选，以专业判断扶持未经市场验证的优质作品。此举虽可能牺牲部分短期数据，但能有效打破熟悉度枷锁，在保障用户留存的同时，重塑健康多元的文化消费生态。