面對數位科技的自動化，如何保有處理雜訊的能力

自動化，是為了能讓我們保有更多「非自動化」的價值

（編按：這是一篇寫於 2019 的舊文；先講結論，自動化時代，練習「非自動化」能力是我們最大的價值。）

今天寫這篇，起因於《博恩夜夜秀》近期訪問了 2020 總統候選人韓國瑜先生。網上有人擔憂，因節目的性質，以及它的代表性與受眾，讓韓國瑜接觸到了原先觸及不到的選民觀眾。甚至，可能透過娛樂化的節目場域，以及橋段設計，加上強大的話術、表演功力與感染力，「洗白」了韓國瑜過去的不當發言，甚至讓選民忽略了政治需要被嚴肅以待的面相，例如政見與施政表現。

這些憂心，再再反射出網路空間的開放性本質，以及在這樣場域裡互動的行為者（政治人物、網紅、網友、選民…等等）跟平台（社群媒體）對於我們生活的影響。小至消費選擇，大至投票意向。《博》節目的案例，是政治網紅化的表現，但隨著選舉節奏越來越緊湊，暗藏在各類資訊管道的資訊流動，越來越難以捉摸。

當許多的內容產品跟廣告，透過網路環境的開放特性，以及社群媒體演算法的擴大效果，不受邀請的就進入到我們眼前，或是被導進它的受眾群前，我們到底該用怎樣的心態面對，或採取何種行動來回應？

2017 年，當時還在媒體工作的我，親眼目睹媒體被社群演算法牽著走；這些年進入到科技新創產業，認識不少數位工具、SaaS 服務，更強烈感受到數位科技「自動化」的方便與威力。自動化幫我們代勞許多事， 但作為被代勞的一方，也多了一個你我都要有意識培養的能力：處理雜訊的能力。

我與搭擋 Titan 在 podcast 節目《星箭廣播》第 14 集裡，曾提過「保有處理雜訊能力」的概念——¹

相較於無法徹底分離訊號和雜訊的類比時代，我們身處的數位時代可將訊號和雜訊分離，而雜訊常常被工程師、科技公司捨棄，如今我們有了 MP3、藉由演算法整理出來的 Facebook 時間軸和 Spotify 推薦歌曲⋯⋯

這邊所講的「自動化」，指涉的不只是優化工作流程、提升效率的數位工具，也包含上述引言中所提的，平台的演算機制。它們是種透過程式設計，協助我們減少搜尋、研究、整理、閱讀跟思維切換等費時費力的數位設計。

演算法曾被我視為毒蛇猛獸，而借助演算法之便跑入眼前的新聞，或所推薦產品，亦被我視為不請自來的一種雜訊——我並不真的需要他們，可是他們就是會來。

今年（2019）初，我曾嚷嚷刪除 Facebook，最後決定不這麼做，原因是，用「抵制」表達對該公司在道德與社會責任上的不信任，對我而言不是最好的作法。

儘管抵制是一種強而有力的表態。但我要自我訓練的是以其人之道還治其人之身的「反制」能力，而非「抵制」。

如前述所說，網路的本質是開放性的。社群媒體也是遵循流動、互惠、互享、交流這樣的良善的理念而生，並建立在網路的開放性基礎上。

當兩者匯集，爆發力跟效果極強。當然，量也很多，雜質也多。

社群與搜尋的演算法說穿了，就是在幫企業跟消費者，先行處理與過濾這樣的量與雜質：引導資訊流向至特定方向，誘發特定預期的行動跟思考。站內的推薦機制，亦有著同樣作用。但當你不想要這些推到你眼前的資訊時，它也會矛盾地成為干擾性極強的雜訊。

儘管網路社群是開放本質，卻也不是沒有侷限性。例如，你我熟悉的同溫層、例如，Facebook 的貼文就算是開地球，也難以被 Google 搜尋。也因此，我也會建議政治人物們、想講話的人們，若有東西想分享時，不要放 Facebook 上。盡可能架設自己的網站、開放 RSS。因為，儘管 Facebook 是台灣主要的社群平台，也是許多個人品牌跟傳播的集中地，但長期來看，要思考的是：你的分享有沒有辦法更廣泛傳出去？有沒有辦法保存？有沒有辦法不受社群平台政策變動干擾？放 Facebook 都不是好選擇。

這一段是題外話了。那麼回歸「處理雜訊的能力」。到底可以怎麼做？我自己有些小練習：

1.「主動自己積極搜尋」是相當重要的行為跟態度。

不管 Facebook, YouTube, Netflix 或 Spotify，都要當成像是在使用 Google 搜尋一樣 — — 自主搜尋、自主選擇、自主篩選、自主淘汰、自主強化。

Google 吐出來的搜尋結果，已是經由一定規則篩選所產出的，但依然需要人類執行兩個步驟，一是主動丟要查詢的關鍵字，二是要搜尋者自己滑下去找最符合需求的內容連結。

後面兩個動作是非自動化的行為，但正是你我都需要訓練，且千萬不可捨去的能力：判斷跟選擇。尤其當我們更進一步走進語音時代，語音助理開始朝向提供單一回答，來做更精準搜尋的對話與訓練時，雜訊更被機器稀釋、剩下「乾淨」的答案。

也正因如此，我們會更難面對最原始、最原生、最真實、本質上本就是相當複雜的現實世界、社會、人類的內心，以及政治。

所以，保有思考、判斷跟選擇，可以說是自動化時代，越來越稀有的「非自動化能力」。我在第 33 集《科技素養，是在哈囉？》² 引用作者 zonble 所寫的〈我所期待的程式教育〉一文，說明學會聰明地運用自動化工具來代勞、從一些不必要的壓力與複雜中解放；但同時，我也同樣認為，學會判斷何時「不需要」自動化、何時需要保留非自動化或拒絕自動化，也是非常重要的訓練。

2. 在「接收」與「整理」資訊上，我練習把資訊分散開處理，而非放在同一個籃子裡。

有些資訊選擇使用 RSS 接收；有些內容放到 Facebook 去與人互動；有些人讓則留在 Twitter 發酵；有些資訊以電子報方式閱讀與儲存；手機只開啟少數新聞 app 的推播功能，避免不必要的訊息不請自來。

接收訊息的同時，也有意識的養成，順手整理與歸檔的習慣。

例如，我選擇將 Facebook 維持其政治同溫層的屬性。暫時不想打破它，是因為想保有日常生活的歸屬感；在 Twitter 上則頻繁談 podcast 跟科技，也確保追蹤者，至少三分之二是工程師或相關領域，方便我發問跟了解這個生態圈的狀態；另外再透過 Twitter 的 List，進行特定人物跟產品的追蹤，且確保不與 Facebook 重疊；RSS 跟 電子報應用程式 Stoop，則是處理不可能擴散到 Facebook 跟 Twitter 的內容；有需要花時間詳細閱讀的內容，存到 Pocket，且一定順手貼上 #hashtag，確保事後方便撈資料；Facebook 上分享的貼文，也一定置入關鍵字跟 hashtag，以便後續紀錄。

簡言之，我把自己的「資訊圈」利用不同的數位平台跟工具分類與分開。這麼做有時確實會感到麻煩，因為四散在不同的地方。但一個開放性的空間，寧可透過其特性，讓自己掌握更多主導權、自行捏塑，而不是成癮與濫用其便利性，讓他人決定你接收資訊的單一場域。

3. 除非有需要或真的想知道，不然不點選站內的「推薦」、「喜歡這個人也喜歡這個產品」、「閱讀這篇文章的人也閱讀了這篇」。

原因是，許多時候，我們並非真的需要這些推薦。我們只是懶得查、只是無聊，或一時的好奇心，就掉進去了，無形中給予該物件更多曝光，幫演算法做了更多訓練。

由於自己做過新聞媒體，深知「系統推薦」常限制了編輯台認為更需要被推廣的內容。

4. 學會與演算法共處。

注意自己貼文置入了哪些關鍵字，觀察往後出現在板上的內容，以及來互動的人。可以時不時換關鍵字來玩，來養互動、來請演算法吐給你這段期間，你期待看到的訊息。

使用 Facebook 時，多觀察它是否又調整演算法了。每隔一陣子，Facebook 就會改變規則，你可能會發現有些朋友消失了，或是好幾天前的貼文與舊文，像時差一樣好久才浮出。那麼這個時候，你可以有意識的自己「動手」去找想看的資訊。 

5. 隔一段時間重新調整對粉絲頁、對象及朋友的追蹤權重。例如換一批「搶先看」、換一批你常按讚的貼文、換一批你互動的朋友。

執行 4 跟 5 在對於剛進入一個新領域，想快速精準融入該領域有顯著幫助。我自己過去一年多，就是透過這種刻意利用演算法特性，來養自己的知識圈，讓自己快速熟悉工作的產業的狀態，模仿圈內人都說什麼、都關注什麼…。只是這些都需要一小段時間，才測試出結果。

6. 無痕視窗跟跳換使用搜尋引擎、跳換使用瀏覽器。

我不會全然希望這些科技產品都不掌握我任何資訊，因為它做一些追蹤，能幫我省一些時間，也能幫助金魚腦的我，紀錄可能忘掉的足跡；但我也不希望授權跟集中給特定的服務。

思考、判斷、選擇、省思、自主，是自動化時代留我們非自動化行為最大的價值。

註 1：《星箭廣播》#13 不科技行為」第 2 輯：處理雜訊的能力（https://ubin.io/QCkb3v）

註 2：《星箭廣播》#33 科技素養，是在哈囉？（https://ubin.io/zYSmMp）