介绍
我们日常生活中越来越多的方面是由算法来调节、增强、产生和调节的（Davenport 等，2017）。引文2020 年；德布鲁因等人。引文2020 年；基钦引文2017年；威尔森引文2017）。社交媒体中使用算法向每个用户呈现最适合他们的内容，包括品牌消息。例如，算法不仅确定呈现给消费者的广告集，还确定这些消息的具体外观（Susser引文2019）。这种算法说服（Zarouali、Boerman 和 de Vreese引文2021）带有问题的暗示，因为大多数消费者并不完全意识到算法在社交媒体广告中所扮演的角色，从而反映了隐藏的影响和/或操纵（Susser、Roessler 和 Nissenbaum）引文2019）。使用个人数据和算法来确定每个人看到的内容有可能利用特定消费者的敏感性（Susser引文2019），可能导致数字不平等（Gran、Booth 和 Bucher）引文2021 年；哈吉泰等人。引文2020）。为了能够识别更容易受到算法说服的消费者群体，一个起点可以是定义消费者需要什么来授权自己有效地处理算法说服。利用说服知识模型（弗里斯塔德和赖特引文1994），今天的社交媒体用户需要发展和增强他们对算法说服策略的了解，以便能够识别和评估它们，以及保护自己免受此类策略影响的应对技巧。

因此，我们的探索性研究从理论上植根于说服知识模型，识别并绘制了不同消费者群体在算法说服方面的流行程度（RQ1）。通过对荷兰消费者的调查，我们根据认知（算法说服的意识）、情感（对品牌使用算法的批判性评估）和行为（应对行为）指标绘制了消费者群体的脆弱性。此外，我们还探讨了哪些个人特征（例如人口统计、技能和隐私问题等个人看法）可以预测每个消费者群体的成员身份（RQ2）。

本文为发展基于理论的消费者类型学算法说服方面迈出了第一步，为广告文献做出了重要的理论贡献。我们的研究通过将说服知识模型应用于社交媒体上的算法说服来扩展它，并连接不同领域的算法研究。例如，这项研究建立在“关键算法研究”（Gillespie 和 Seaver引文2016），讨论了算法在社会中的力量和政治，但几乎没有触及消费者对使用算法进行营销传播的品牌的反应。此外，该研究建立在有关数字鸿沟的文献的基础上（例如 Hargittai引文2001年；卢茨引文2019年；谢德尔、范德尔森和范戴克引文2017年；范德尔森和范迪克引文2014），重点关注数字基础设施和数字技能获取方面的不平等，但到目前为止，几乎没有关注算法（一个显着的例外是 Gran、Booth 和 Bucher）引文2021）。从不同学科角度研究这一现象对于进一步推进算法说服理论至关重要。

还需要深入了解算法说服方面的弱势消费者群体，以制定有助于提高每个消费者群体赋权的未来策略。由于不同群体的脆弱性以及导致这种脆弱性的原因可能存在很大差异，因此可能无法实现一刀切的赋权策略。例如，一项关注消费者对社交媒体广告中使用算法的意识的扫盲计划将使尚未具备这种意识的消费者群体受益，但不会使那些意识到但不关心或不批评的群体受益。这样的做法。提高弱势消费者群体的消费者赋权对于广告商和消费者政策制定者来说非常重要（Martin、Borah 和 Palmatier）引文2017）。部分受丑闻影响（例如 Cambridge Analytica、Frances Haugen 公开的“Facebook 文件”，以及 TikTok 算法通过如此快速且准确地了解用户的偏好来恐吓用户），一些组织（例如 ProPublica 和 AlgorithmWatch）已实施举措来让消费者意识到并帮助他们应对算法说服和相关的数据收集实践。广告商还应该关心消费者在社交媒体中使用算法的说服知识，因为透明度和控制力对信任一家公司有很大的影响（Martin、Borah 和 Palmatier）引文2017）并可能影响社交媒体广告的有效性（例如 Morimoto引文2021 年；尹和申引文2020 年；塞吉恩等人。引文2021）。最后，消费者法还特别关注弱势消费者（Helberger 等，2016）。引文2022），这项研究根据说服知识模型为广告商提供了一些关于存在哪些群体的见解。

理论背景
算法说服
数字技术的兴起和社交媒体的广泛采用极大地增加了针对个人接收者定向和定制有说服力的信息的可能性。这种个性化基于在线大规模收集的个人用户数据，例如在线行为和个人特征（Boerman、Kruikemeier 和 Zuiderveen Borgesius引文2017）。算法使复杂的个性化成为可能，例如，通过根据过去的行为选择最容易接受的个人显示的内容，并且由于算法的自学习能力，它们能够不断提高自己的表现（Ricci、Rokach 和 Shapira）引文2015年；范戴克、波尔和瓦尔引文2018年；瓦苏代万引文2020 年；扎鲁阿利等人。引文2022）。算法说服可以定义为“说服者通过算法介导的在线交流来影响人们的信念、态度和行为的任何故意尝试”（Zarouali、Boerman 和 de Vreese）引文2021）。算法说服无处不在，不仅在社交媒体上，而且在智能电视、数字广告牌和所谓的“智能”对象（例如语音驱动的 Google Assistant 或亚马逊的 Alexa）上（Zarouali 等人，2017）。引文2022）。它还用于许多领域，从新闻和政治传播到品牌传播（Van Dijck、Poell 和 Waal引文2018）。在本文中，我们重点关注社交媒体上的品牌传播，因为算法在塑造这些平台上的内容方面发挥着重要作用（Helberger 等，2017）。引文2020）。还有“关键算法研究”（Gillespie 和 Seaver引文2016）主要关注新闻和政治以及民主进程可能产生的后果，而不是品牌传播（Gran、Booth 和 Bucher）引文2021）。

在算法说服的背景下识别消费者群体
为了针对社交媒体上的算法说服现象识别不同的消费者群体，我们使用说服知识模型作为理论基础。说服知识模型（弗里斯塔德和赖特引文1994）是一个从说服主体和目标的角度概念化说服的理论框架。代理人代表那些被认为负责说服尝试的人，可以是广告商、发言人或创建说服性信息的广告专业人士。目标代表那些试图说服的人。该模型提出，主体和目标都有自己的关于说服的知识结构、主体/目标知识、主题知识和说服知识的存在，并且这些知识可以在说服尝试期间进行交互（弗里斯塔德和赖特）引文1994年；汉姆和纳尔逊引文2019）。尽管说服知识模型最初是为了了解目标和代理如何相互作用而开发的，但大多数研究都集中在目标（即消费者；Ham 和 Nelson引文2019）。消费者的说服知识是个人的，包括一个人所知道的关于说服的一切，以及代理人的目标和策略。这些知识随着经验和教育而发展，可用于应对说服尝试。因此，研究经常考察消费者的说服知识在说服过程中的作用。当本研究调查消费者如何应对算法说服时，我们重点关注说服知识模型的目标视角。

消费者的说服知识包括他们对说服的认知理解，也包括情感反应（例如个人对营销人员策略的有效性和适当性的信念）和应对知识和机制（即对为达到目标而采取的认知、情感或身体行动的信念）。管理说服性尝试对他们的影响）。因此，学者们区分了概念性的、认知性的说服知识（例如对意图和策略的理解）和态度性的说服知识（例如感知的适当性；Boerman等人，2011）。引文2018年；哈姆等人。引文2015年；罗森达尔、奥普雷和布伊曾引文2016）。此外，有的还包括概念说服知识的实际运用作为说服知识的第三个维度（即广告素养表现；Rozendaal、Opree和Buijzen）引文2016）。因此，为了真正理解消费者如何理解、评估和应对品牌在社交媒体上的算法说服，我们认为关注认知、情感和行为变量非常重要。

意识
认知说服知识体现在一个人的算法意识上。算法意识可以定义为“个人了解如何以及为何使用算法来选择和呈现相关信息的程度”（Zarouali、Boerman 和 de Vreese引文2021）。这种意识可能涉及算法介导的媒体内容的不同元素（Zarouali、Boerman 和 de Vreese引文2021）。消费者可以意识到，算法可以针对个体消费者过滤和定制媒体内容（即内容过滤），并用于做出自动化决策（自动决策）；个人行为影响所呈现的内容（人与算法的相互作用）；在以算法为媒介的内容中可能存在道德考虑，例如隐私问题和缺乏透明度的担忧。

人们对社交媒体上的品牌信息可以通过算法调节并基于人们的个人数据和在线行为这一事实的认识程度可能因消费者而异。少数研究调查了用户在品牌传播以外的领域对算法的总体认知（Bucher引文2017年；埃斯拉米等人。引文2015年；格兰、布斯和布赫引文2021 年；克拉维特和哈吉泰引文2018年；雷德和格雷引文2015）。这些研究大部分集中在非常具体的平台或算法上，例如 Facebook 的新闻推送（Eslami 等，2017）。引文2015）或 Twitter 的热门话题（Klawitter 和 Hargittai引文2018）。Gran、Booth 和 Bucher 的研究（引文2021）是为数不多的关注人们自我报告的算法意识的论文之一。在挪威一般人群的代表性样本中，认识水平相当低（40% 的人没有知识，20% 的人知识水平低），并且来自不同背景的人的认识存在很大差异。

这些结果与相关领域的研究一致，例如在线行为广告（OBA），该领域目前通常依赖算法来个性化在线广告。总体而言，消费者对 OBA 知之甚少，并对这种做法存在误解（Boerman、Kruikemeier 和 Zuiderveen Borgesius）引文2017）。例如，美国关于 OBA 的早期研究表明，人们对 OBA 有一定的了解，但对某些方面也感到困惑，特别是 cookie（麦当劳和 Cranor）引文2012）。欧洲的一项早期调查显示，用户群体对这种做法的认识和了解存在差异（Smit、Van Noort 和 Voorveld）引文2014）。最近，美国、德国和英国的一项调查显示，大多数人（德国：70%，英国：58%，美国：50%）意识到算法正在用于定向/个性化广告（Kozyreva 等）等人。引文2021）。尽管如此，尽管大多数人目前可能至少对算法说服实践有一定的了解，但我们预计有些人的知识仍然有限（Kozyreva 等人，2017）。引文2021）。因此，个人意识可能是消费者之间存在差异的重要因素，并可用于识别社会中的不同群体。Ham 和 Nelson 强调了消费者意识的重要性（引文2016）发现，当人们认为自己了解 OBA 的运作方式时，他们更有可能看到 OBA 对他人的影响，而不是对自己的影响。

适当性
消费者的说服知识还包括对特定说服策略的适当性（例如公平性、操纵性）的信念（弗里斯塔德和赖特）引文1994）。因此，我们纳入了消费者对社交媒体上算法说服的适当性的信念。我们预计消费者对于品牌使用算法在社交媒体上策划信息的适当程度的看法会有所不同。

先前的研究表明，对数据驱动广告的态度和批判性评价往往是混杂的（Aiolfi、Bellini 和 Pellegrini）引文2021 年；博尔曼、克鲁克迈尔和祖德文·博尔赫休斯引文2017）。根据隐私计算，消费者承认个性化广告具有重大风险（例如隐私侵犯；Plangger 和 Montecchi）引文2020 年；尹和申引文2020）和好处（例如相关性；Hayes 等人。引文2020年，引文2021 年；尹和申引文2020）。同样，美国行业研究发现，不仅 43% 的消费者认为广告个性化很重要，而且 32% 的消费者欣赏个性化广告（Innovid引文2020）。

因此，尽管消费者明白个性化广告与个人更相关，但他们也持怀疑态度，认为它具有侵入性且“令人毛骨悚然”（Smit、Van Noort 和 Voorveld）引文2014年；乌尔等人。引文2012）。此外，挪威消费者对算法驱动的广告主要持中立（39%）到消极（25%）的态度（Gran at al. 2021）。最近，美国行业研究发现，近 70% 的消费者担心公司收集的数据量（KPMG.引文2021）。此外，对消费者监视的研究发现，除了隐私计算等更理性的过程之外，不太理性的过程也在对监视实践的态度形成中发挥了作用，例如从过去的经验和态度发展而来的启发法（Plangger 和 Montecchi）引文2020）。

最近一项关于人工智能自动决策的研究调查了人们是否认为它对整个社会潜在有用、公平和/或有风险（Araujo 等，2017）。引文2020）。人们对有用性持稍微乐观的态度，对公平性持更为批评的态度，而对所涉及的风险则持最批评的态度。然而，个体之间以及自动决策的背景（健康、新闻或正义）之间存在很大差异。Kozyreva 等人在最近的跨文化研究中也观察到了环境之间可接受性的差异。（引文2021 年），人们对政治广告和新闻的个性化比对娱乐和购物的个性化更加挑剔。最近一篇关于算法厌恶和欣赏的文献综述表明，对算法的厌恶和欣赏并存（Schwienbacher引文2020）。一方面，人们欣赏算法是因为算法的合理性、客观性和透明性；另一方面，人们也因为算法的合理性、客观性和透明性而欣赏算法。另一方面，由于潜在的错误和滥用而存在厌恶。最终，使用算法的环境很重要，并且消费者对这些环境存在不同的看法。

最近一项关于智能手表的研究支持了消费者的批判性评估对于识别不同消费群体的有用性，该研究表明，人们对与智能手表使用相关的好处和隐私风险的看法在识别矛盾用户、利益导向用户和中性用户方面发挥着关键作用。用户（Kang 和 Jung引文2021）。

应对能力
最后，我们认为，人们应对社交媒体上的算法说服性消息的能力是与消费者脆弱性相关的重要行为因素。在说服知识模型中，应对反应可以指消费者在处理和管理说服尝试时的认知、情感或行为努力（Eisend 和 Tarrahi引文2022 年；弗里斯塔德和赖特引文1994）。一项关于市场上说服知识的荟萃分析表明，说服知识主要导致情感和行为应对反应，而不是认知反应（Eisend 和 Tarrahi引文2022）。更具体地说，说服知识的激活大多会导致负面情绪以及避免和减少说服影响的行为行动。应对能力也至关重要，因为它可能与消费者的感知控制有关。在个性化广告的文献中，消费者的感知控制通常被发现与消费者对个性化广告和数据收集实践的接受程度有关（例如塔克引文2014年；张和桑达尔引文2019），人们的控制能力和欲望被证明是解释消费者对各种形式的个性化广告的反应的一个重要变量（Marathe 和 Sundar）引文2011年；扎鲁阿利等人。引文2018年；塞吉恩等人。引文2021）。

在这项研究中，我们将回避作为衡量消费者应对社交媒体上品牌算法说服的能力的指标。在数字环境中，避免广告被定义为“任何减少曝光或“关闭”[数字]广告的行为”（Kelly 等人，2017）。引文2020 年，第 17 页 488；切利克等人。引文2022）。其他研究已证实回避是抵制说服的关键策略（Baek 和 Morimoto）引文2012年；弗兰森等人。引文2015年；范登布罗克、波尔斯和瓦尔拉夫引文2018年；森本引文2021）。可以通过物理或机械方式避免（例如，通过关闭在线视频广告的声音，或在看到广告时向下滚动，确保您不再看到或听到有说服力的信息（Çelik 等，2017）。引文2022 )) 和认知上（例如不注意；Fransen 等人。引文2015）（Youn 和 Kim引文2019）。在社交媒体上以算法为媒介的说服背景下，回避似乎尤为重要，因为之前的研究表明，人们通过避免这些类型的广告和展示这些广告的网站来抵制个性化广告（Boerman、Kruikemeier 和 Bol）引文2021）。最近，使用广告拦截软件等实用、具体和用户友好的工具成为避免广告的流行手段，因为它们承诺对在线广告具有绝对的主导地位（Verlegh、Fransen 和 Kirmani）引文2015年；切利克等人。引文2022）。不幸的是，对于社交媒体，用户需要依赖其他应对策略，因为安装广告拦截器以确保用户不会看到任何广告对于社交媒体应用程序来说在技术上是不可能的（Brinson 和 Britt）引文2021 年；夏勒，nd）。因此，社交媒体用户必须依赖不太“主导”的方法，例如在看到广告时向下滚动，这是一种“故意缺席”（Cho 和 Cheon）引文2004 年，第 17 页。91），或关闭社交媒体设置中的个性化广告。

隐私领域的研究表明，消费者之间的应对能力存在很大差异。尽管有些人能够很好地保护自己，但另一些人则认为他们只是缺乏保护隐私的知识和技能（Boerman、Kruikemeier 和 Bol引文2021）。这也可能适用于算法说服：一些消费者可能觉得他们能够忽略算法说服尝试；其他人则可以通过删除cookie、使用隐私增强软件和启用“不跟踪”功能来完全避免它们；而其他人则没有保护自己的技能或知识。

关于广告回避的文献（Speck 和 Elliott引文1997）还指出了人们应对算法说服的方式可能存在差异。研究表明，人们会通过感知个性化、隐私问题和广告刺激来避免个性化广告（Aiolfi、Bellini 和 Pellegrini引文2021 年；白和森本引文2012年；森本引文2021）。感知个性化会导致更少的广告回避，而对隐私和广告刺激的担忧会导致更大的回避。研究表明，社交媒体广告的结果类似，因为隐私问题、感知个性化和广告回避似乎受到消费者个性特征的影响（Dodoo 和 Wen）引文2021）。因此，研究表明，个体对社交媒体中算法介导的品牌传播的回避程度可能有所不同。

我们建议，我们可以根据消费者的意识水平、感知的适当性以及应对社交媒体上算法说服的能力将消费者组织成组。通过将消费者的应对能力作为聚类变量，我们的研究补充了 Gran、Booth 和 Bucher 进行的研究（引文2021），他根据一般背景下自我报告的算法意识和态度确定了以下群体：无意识的、不确定的、肯定的、中立的、怀疑的和批评的。由于这是一项使用聚类分析的探索性研究，我们不知道会形成什么样的组或有多少个组，因此我们提出以下研究问题（RQ1）而不是假设：

RQ1：(a) 根据对算法说服实践的认识、品牌使用算法的感知适当性以及应对算法说服的能力，可以区分多少个不同的消费者群体，以及 (b) 这些群体的流行程度是多少？

预测组成员资格
根据相关领域的研究结果，人们对算法的认知、感知的适当性以及对算法的应对可能取决于特定的因素；因此，这些因素在消费者群体之间也可能有所不同。

社会人口变量
在社会人口统计方面，对互联网使用和数字不平等的研究表明，性别、年龄和教育程度是人们如何使用互联网的重要预测因素（有关概述，请参阅 Van Deursen 和 Van Dijk引文2014）。在一项研究中，教育和年龄在预测算法策划的新闻使用方面发挥着重要作用：老年人（1970 年之前出生）和受教育程度较低的人比年轻人和受教育程度较高的人更经常接触算法策划的新闻（Möller、Helberger、和马霍尔蒂赫引文2019）。自动化决策研究（Araujo 等，2017）引文2020）发现年龄和性别可以预测对有用性和风险的看法，年轻人发现通过算法进行自动决策更有用（但总体而言，女性认为它不太有用），而老年人则认为它风险更大。一项关于性别与在线技能之间关系的研究表明，尽管男性和女性之间没有很大差异，但男性对自己技能的自我评价高于女性（Hargittai 和 Shafer）引文2006）。格兰、布斯和布赫（引文2021）关于对算法的态度和算法意识的研究发现，最年轻的年龄组对算法最了解和最积极，男性不仅比女性更了解算法，而且往往有明确的态度（即对他们非常积极或非常消极），而女性则可能持中立态度。

这些发现表明，男性和年轻人总体上对算法说服的批评程度低于女性和老年人。然而，有研究表明，老年人比年轻人更信任决策支持系统（Sanchez、Fisk 和 Rogers）引文2004），以及发现年龄方面没有任何差异的研究（Logg、Minson 和 Moore）引文2019）。因为关于年龄和性别在这一领域所扮演的角色，目前还无法得出明确的结论（Schwienbacher引文2020），确定这些对意识、适当性和应对能力的看法如何在特定人口群体中相互作用是很重要的。

知识和技能
另一组可能影响消费者群体构成的预测因素包括他们对算法和数字技术的了解和经验。一般来说，了解算法是了解算法在品牌传播中具体作用的先决条件。关于说服知识模型的广泛研究（弗里斯塔德和赖特引文1994）表明消费者需要一些关于说服策略的知识才能识别说服性信息（例如 Jung 和 Heo）引文2019）。越来越多的研究表明，数字/互联网技能和处理算法的能力在我们的在线社会中变得越来越重要，而缺乏任何一项都容易加剧新的数字鸿沟（Gran、Booth 和 Bucher）引文2021）。同样的想法也适用于算法说服。人们需要了解在线内容中算法的存在和功能的基本知识，然后才能识别此类品牌信息。因此，尽管荷兰几乎每个人都在家中可以上网（97%），并且 87.4% 在数据收集时使用社交媒体（荷兰统计局）引文2019），消费者之间的技能和经验水平差异很大（Van Deursen 和 Van Dijk引文2014），这影响了人们对算法作用的认识以及应对能力。如果消费者缺乏足够的互联网技能，他们不仅会更难识别算法生成的品牌信息，而且也会因为缺乏技能而避免这些信息（Gran、Booth 和 Bucher）引文2021）。因此，与拥有足够或高级技能的消费者相比，互联网技能有限的人避免算法内容的能力可能较小。

个人感想
最后，个人看法也可能有助于确定消费者属于哪个群体。隐私问题和感知个性化等认知在塑造消费者对数据驱动广告技术的反应方面发挥着重要作用（Martin、Borah 和 Palmatier）引文2017）。由于算法使用个人数据来选择品牌消息，因此人们对这些消息的评估可能取决于他们对自己隐私的关注程度。研究表明，个人在隐私问题上存在差异（Phelps、D'Souza 和 Nowak）引文2001）并且关注程度受到个体特征的影响，例如认知需求、风险取向（Taylor、Ferguson 和 Ellen）引文2015）、文化、性别（Baruh、Secinti 和 Cemalcilar引文2017）和年龄（Kezer 等人，2017）。引文2016）。此外，个人对隐私的关注程度与隐私素养（即意识和技能）和隐私相关的保护行为有关（Baruh、Secinti 和 Cemalcilar引文2017）。因此，与隐私问题相关的个人特征可能是因消费者群体而异的重要因素。

此外，研究表明，感知个性化的水平与人们如何应对算法说服以及感知个性化的适当性有关（例如Baek和Morimoto）引文2012年；杜杜和文引文2021）。因此，人们认为自己的在线内容个性化的程度也可能是不同消费群体的重要预测因素。

由于不可能对所有上述意识、适当性和应对能力的潜在预测因素制定具体期望，因此我们制定了以下 RQ：

RQ2：a) 社会人口统计、b) 知识和技能以及 c) 个人看法在多大程度上影响消费者在群体中的成员资格？

方法
参与者和程序
鉴于算法说服在社交媒体上的广泛采用，我们决定重点关注它并在荷兰进行在线调查。2020 年 1 月，Qualtrics 在线研究小组的 509 名荷兰语成员参与了我们的研究。在提供知情同意后，参与者被询问是否每周至少使用一次社交媒体脚注1 . 感谢不符合此要求的人抽出时间并指示结束调查。我们要求小组公司抽取分层样本，以确保参与者的教育水平和年龄各不相同，以代表荷兰人口。为了保证数据质量，人们只能在桌面上完成调查问卷。那些有资格参与的人首先回答了一些人口统计问题并自我评估了他们对算法的了解，然后他们完成了评估他们的算法说服意识的量表。随后，我们测量了可能的预测变量和控制变量。

由于这项研究的重点是社交媒体上的算法说服，因此我们排除了所有每周至少使用一次社交媒体的参与者 ( n  = 33)。此外，26 名参与者被排除在分析之外，因为他们表示没有认真回答问题。此外，未通过注意力检查的参与者（即以“完全同意”回答此问题以监控质量）被引导到最后并且从未完成调查。不幸的是，这些不完整的回复数据并没有被专家组公司共享。其余 450 名参与者中，60% 是女性。我们样本的平均年龄为 45.13 岁（SD = 16.24）。教育水平通过九个回答类别来衡量，范围从没有受过教育（1）到大学学位（9）。大多数人受过中度（51.8%）到高等（37.8%）教育水平。我们的参与者每天在社交媒体上花费的平均时间（101 分钟）接近全国平均水平（98 分钟；Van der Veer、Boekee 和 Hoekstra）引文2020）。

措施
聚类变量
这三个聚类变量直接源自说服知识模型，代表说服知识的认知、情感和行为组成部分（参见理论框架），以保证我们的方法与相关文献中的方法非常相似。

社交媒体中的算法意识使用 13 项算法媒体内容意识 (AMCA) 量表（Zarouali、Boerman 和 de Vreese）进行测量引文2021）。与早期仅依赖于自身操作的研究不同，这种经过验证的量表使学者能够深入了解人们以标准化方式正确理解在线平台中的算法的能力。这些项目应用于营销传播（品牌信息）的背景下；例如，“算法用于在我的社交媒体上为我定制某些品牌消息”和“算法在我的社交媒体上向我推荐的品牌消息取决于我的在线行为数据”（1 = 我根本不知道这，7 = 我完全意识到这一点；Cronbach's α = 0.97； M  = 4.74； SD  = 1.60）。

使用根据 Boerman 等人建模的 7 点语义差异量表来衡量品牌使用算法的感知适当性。（引文2018）。我们要求参与者指出“我发现品牌在他们的信息中使用了算法……”：不适当/适当、不可接受/可接受、不可取/可取以及不公平/公平。四个项目的平均值用于衡量感知适当性（Cronbach's α = 0.96； M  = 3.37； SD  = 1.58）。

处理品牌消息中算法策划内容的能力是通过询问参与者对这些项目的同意程度（1= 完全不同意，7= 完全同意）来衡量的：“如果我愿意，我能够避免基于品牌的帖子关于算法”；“我知道足以避免基于算法的品牌帖子”；“即使周围没有人告诉我怎么做，我也能够避免基于算法的品牌帖子”（Cronbach's α = 0.79；M  = 3.58；SD  = 1.48；基于 Ham引文2017）。

预测因素
参与者的性别编码为 0 = 男性或 1 = 女性。年龄记录范围为 18 至 86 岁（M  = 45.13；SD  = 16.24）。教育程度从 1 = 未完成教育到 9 = 大学学位（M  = 6.45；SD  = 1.85），我们询问了每个家庭的月净收入（范围从 1 = ≤ 500 欧元到 8 = ≥ 6,000 欧元；M  = 4.00，SD  = 1.54）。

互联网技能使用 Van Deursen、Helsper 和 Eynon 开发的 23 项互联网技能量表 (ISS) 进行测量（引文2016）。该量表评估不同领域的计算机和互联网相关技能（例如操作技能和信​​息导航技能）。尽管该量表依赖于自我报告，但它已在多个国家得到验证，并在有关数字鸿沟的文献中常用。项目包括“我知道如何下载/保存我在网上找到的照片”和“我发现在进行在线搜索时很难决定什么是最好的关键词”（1 = 完全不符合我的情况，5 = 非常符合我的情况））。所有量表均经过编码和重新编码，以确保高分表明高级互联网技能（Cronbach's α = 0.89； M  = 4.03； SD  = 0.63）。

为了深入了解人们自我报告的算法知识，我们要求参与者回答“你对算法了解多少？” （1 = 绝对没有，7 = 我是专家；M  = 2.95；SD  = 1.60）。

为了衡量参与者感觉自己接触算法品牌信息的程度，我们问道：“您在 [Facebook、YouTube、Instagram] 上看到来自使用算法的品牌的信息的频率如何？” （1 = 从不，2 = 每年，3 = 每月，4 = 每周，5 = 每天，6 = 每天多次）（Thorson 等人，2017）引文2021）。所有三者的平均分用作自我报告暴露的衡量标准（ M  = 4.45； SD  = 1.22）。

一般隐私问题是使用 Kruikemeier 等人的方法进行测量的。(2020) 5 项量表。我们询问参与者对诸如“我担心我的个人数据（例如我的冲浪和搜索行为、姓名和位置）被他人滥用”等陈述的同意程度（1 = 完全不同意，7 = 完全同意） ”（克朗巴赫α = 0.92；M  = 4.72；SD  = 1.36）。

Baek 和 Morimoto 测量了感知个性化（引文2012）4 项量表。我们要求参与者评估诸如“我通过社交媒体从品牌收到的信息是根据我的情况量身定制的”之类的陈述（1 = 完全不同意，7 = 完全同意；Cronbach α = 0.89； M  = 3.50； SD  = 1.38）。

分析方法
聚类分析是一种探索性统计技术，可识别数据集中具有相似模式的个体组或“聚类”（Norušis引文2012）通过检测数据中比分类组中的实体内部更同质的组。该技术在 60 年代和 70 年代开始蓬勃发展，但在当今数据丰富的环境中仍然是营销分析师工具箱的重要组成部分，并在许多情况下使用，例如社交营销 (Tkaczynski引文2017），移动互联网的采用（冈崎引文2006），并使用智能手表（Kang 和 Jung引文2021）。路透和丹（引文2021）全面概述了该技术在营销环境中的多种用途和方法。

为了根据消费者的算法意识、感知适当性和应对能力 (RQ1a) 来分析可以将消费者分为哪些集群，并确定这些集群的流行程度 (RQ1b)，我们使用 IBM SPSS Statistics（版本 25）执行两步聚类分析。在分析的第一步中，根据我们的变量将原始案例分组为预集群（Norušis引文2012年；冈崎引文2006年；特卡钦斯基引文2017）。对数似然距离度量用于决定是否应将观察到的案例与先前形成的预聚类合并或开始一个新的预聚类。在第二步中，标准层次聚类算法产生了一系列解决方案，然后根据施瓦茨贝叶斯信息准则（BIC；Norušis）将其减少到最佳聚类数量。引文2012年；冈崎引文2006）。我们让算法自动确定簇的数量。根据 BIC 和 BIC 变化，我们确定最佳解决方案是集群数量（参见在线附录）。

为了深入了解各组之间在聚类变量方面的差异，我们进行了多元方差分析 (MANOVA)，最后为了研究可能预测组成员资格 (RQ2) 的变量，我们进行了多项逻辑回归。因此，根据最近的早期工作，聚类分析中还包括人口统计和个人特征（例如 Kruikemeier、Boerman 和 Bol）引文2020 年；边引文2019年；奇洪古等人。引文2021）我们选择使用这些因素作为预测变量而不是聚类变量。

结果
识别集群
两步聚类分析确定了四个具有相似模式的不同聚类。由于 BIC 较低且 BIC 变化随着集群数量的增加而减少，因此这种四集群解决方案优于其他解决方案（请参阅在线附录）。簇质量是公平的（凝聚力和分离的轮廓测量 = 0.40），并且簇具有良好的尺寸比（2.70）。表格1和表2（可视化为图1）列出了每个集群中消费者的算法意识、应对能力和适当性结果的平均得分。进行多元方差分析来测试各组之间在聚类变量方面的差异是否显着。

可以区分的第一个也是最大的簇是代表控制悖论思想的组（n  = 178；39.6%）。该组由对社交媒体具有较高算法意识（M  = 5.26）的人组成，在应对能力方面得分处于中点（M  = 4.05），在适当性方面得分最高（M  = 4.67）。只有这一组在适当性方面得分高于中点，并且对于品牌在社交媒体上使用算法的重要性明显低于其他组。这种高算法意识、平均应对能力和高感知适当性的结合代表了控制悖论的思想（布兰迪马尔特、阿奎斯蒂和洛文斯坦引文2013年；斯特里查兹等人。引文2019）。控制悖论群体中的人们发现自己有足够的知识和能力来应对算法品牌信息，但他们对这些信息也不挑剔，反映出一种（虚假的）安全感。

第二个集群（n  = 125；27.8%），疲劳组，对社交媒体上的算法高度了解（M  = 5.42），但感知应对能力最低（M  = 2.22），并认为算法不合适（M  = 2.62）。因此，这个群体中的人知道社交媒体上的品牌使用算法，但相信他们没有能力应对此类信息，并对这种做法非常批评。这种组合非常类似于隐私疲劳的概念，它被描述为一种无用感和放弃在线隐私的感觉，因为以前有过隐私泄露的经历，并且意识到在线潜在的隐私问题（Choi、Park 和 Jung）引文2018）。

第三组（n  = 81；18%）代表不知情但持批评态度的人。到目前为止，他们在算法意识方面得分最低（M  = 1.85），对应对能力的感知也相当低（M  = 3.21），并且与疲劳者一样，在适当性方面得分相对较低（M  = 2.82）。因此，这一群体的人对社交媒体上使用算法的品牌知之甚少，他们不相信自己处理此类信息的能力，并且对品牌在社交媒体上使用算法持批评态度。

第四组是最小的（n  = 66，14.7%），由那些在算法意识（M  = 5.60）和应对能力（M  = 5.33）方面得分最高但在适当性方面得分最低（M  = 1.95）的人组成。因此，有技能和挑剔的人知识渊博，能力很强，而且非常挑剔。

群体特征和集群之间的差异
表格1从社会人口统计、知识和技能以及个人看法方面概述了不同集群的群体构成。为了研究哪些因素可以预测谁属于不同的集群（RQ2），从而深入了解群体是否存在显着差异，我们进行了多项逻辑回归分析，包括性别、年龄、教育、收入、互联网技能、算法知识、接触品牌信息、隐私问题和社交媒体上的个性化感知作为预测因素（参见表3）。最大的簇——控制悖论组——被用作参考类别。

与控制悖论组相比，疲劳组的互联网技能明显较低（p  = 0.018），并且对隐私的担忧更多（p  < 0.001），但他们在社交媒体上感知到的个性化程度较低（p  < 0.001）。不知情但挑剔组的教育水平显着低于控制悖论组（ p  < 0.001），互联网技能也较少（p  < 0.004），算法知识也较少（p  < 0.001）；他们还认为社交媒体上的个性化程度较低（p < 0.001）。这些差异与他们缺乏算法意识有关——不知情但挑剔的群体似乎比其他群体对算法的了解要少得多。最后，与控制悖论组相比，熟练和挑剔组可能是年龄较大（p  = 0.031）的男性（p  = 0.018），他们有更多的隐私问题（p  = 0.005），他们拥有先进的互联网技能（p  = 0.024）和社交媒体上品牌对个性化的看法较低（p < 0.001）。总的来说，我们的结果表明，与人口统计相比，认知因素（例如个性化观念、隐私问题和互联网技能）对于区分集群更有用。

讨论与结论
社交媒体广告和品牌传播越来越受到算法的驱动。我们研究的目的是根据人们对算法说服的认识和看法以及他们应对算法的能力，识别和调查不同用户群体对算法说服的流行程度，并调查这些不同群体的前因。确定了四个消费者群体：控制悖论、疲劳者、无知但挑剔者以及熟练但挑剔者。这四组呈现了关于社交媒体上算法策划的品牌内容的说服知识的认知、情感和行为维度的独特组合。

最大的群体由代表控制悖论的社交媒体用户组成（也见于相关文献领域，例如在线隐私和个性化营销传播；Brandimarte、Acquisti 和 Loewenstein引文2013年；斯特里查兹等人。引文2019）。这些人非常了解品牌在社交媒体消息中使用算法的情况，认为这种做法最合适，并且在某种程度上能够应对算法的说服。与其他群体相比，控制悖论群体在社交媒体上的品牌信息中感受到了更多的个性化，这与他们的高认知度分数相一致。因此，这项研究中的大多数社交媒体用户似乎都相信自己有足够的知识和能力来应对算法品牌信息。由于他们对这种做法并不挑剔，这可能意味着一种（错误的）安全感。这可以通过应用最近开发的透明度-意识-控制框架来进一步理论化（Segijn 等人，2017）。引文2021）。我们的控制悖论小组属于框架的高透明度/意识和高控制部分。然而，根据文献综述，该框架表示，除了意识和控制（即避免）能力之外，控制欲望也很重要。如果人们对修行不批判，很可能就没有控制欲，仅仅有能力并不能帮助他们有效地保护自己。

另一种解释是，控制悖论组的人发现算法说服，只要他们意识到这一点并且能够应对它，就合适，因为他们认为好处超过了成本。先前对个性化广告的研究表明，人们会体验到收益和成本（例如 Strycharz 等人，2017）。引文2019年；尹和申引文2020）。这种平衡的思想是广泛使用的隐私演算理论的基础（Dinev 和 Hart引文2006），它认为感知的收益和成本都决定了人们是否愿意在网上向广告商等自我披露信息。

第二组（疲劳组）的人与控制悖论组的人一样意识到算法说服，但是，他们发现它不合适并且感觉不太能够应对它。这组回应符合“隐私疲劳”的想法（Choi、Park 和 Jung）引文2018年；唐、阿克拉姆和施引文2021）；也就是说，人们知道存在某种做法，但因为他们觉得自己无法应对，所以不赞成这种做法。我们的研究结果对应于隐私疲劳的两个主要要素：疲惫和批评（Choi、Park 和 Jung）引文2018）。有些人对算法了解得越多，他们就越觉得自己无法避免算法（疲惫），并且对算法越挑剔（愤世嫉俗）。

我们的第三组，即不知情但持批评态度的人，可能是最脆弱的。与控制悖论组相比，这一组的人受教育程度较低，互联网技能较差，对算法的了解也较少。他们在我们所有的聚类变量上得分都很低；意识、适当性和应对方式。这个群体的人发现很难保护自己免受算法说服，但他们也不太了解这种做法，这使他们很容易受到微妙的说服。对于这一群体来说，算法说服显然是一种隐藏的影响或操纵形式。对他们决策权的暗中破坏（Susser、Roessler 和 Nissenbaum）引文2019），侵犯了他们知道何时以及是否进行了说服性尝试的权利（Nebenzhal 和 Jaffe引文1998）。此外，由于现在有很多人可以访问互联网，因此互联网技能（或缺乏互联网技能）是数字不平等的关键指标之一（DiMaggio 等，2017）。引文2004）。

最后一组是“熟练”和“挑剔”，由了解算法说服并发现其不合适但能够应对的人组成。传统上，透明度（意识）和控制（应对）的结合被视为消费者赋权的先决条件（Baker、Gentry 和 Rittenburg引文2005年；马丁、博拉和帕尔马蒂尔引文2017），但我们样本中只有 14.7% 的人属于这一群体。该组的消费者大多是年长男性，他们比控制悖论组的人拥有更好的互联网技能，但也更多地担心隐私问题。他们还获得了社交媒体用户的授权，他们不赞成通过算法进行说服，但能够识别并应对它。他们报告的在线个性化感知较少的发现可能是由于他们采取了充分的保护措施，导致个性化程度较低。这是否属实应该在未来的研究中解决。

理论意义
我们的消费者类型学为有关算法说服现象的理论和文献做出了贡献。利用说服知识模型，我们区分了消费者对说服的认知理解（即算法意识）、对说服策略的情感信念（即品牌使用算法的感知适当性）和应对机制（即避免在广告中使用算法策划的内容）。品牌信息）。这种方法将消费者独特地定位在由说服知识的三个不同相关元素创建的三维空间中，并表明它们的组合形成了四个消费者群体：控制悖论、疲劳、本能但挑剔和熟练且挑剔。我们的研究确立了说服知识模型在算法说服背景下的重要性：它不仅表明消费者之间的说服知识存在差异，而且更重要的是，考虑消费者之间的认知、情感和行为差异的重要性他们的说服知识。

这一发现对说服知识模型具有重要意义。它令人信服地表明，说服知识应该被视为超越“认知知识”。仅查看经常评估的认知说服知识（在本例中为意识）并不能描绘出全貌。例如，属于疲劳型和熟练批判型的人都具有较高的、可比的意识水平，但在批判态度和应对方面存在很大差异，而在适当性方面则有较小程度的差异。这意味着在未来将说服知识模型应用于其他新广告形式和说服技术的研究中，应明确考虑认知、情感和行为成分的作用。

我们对说服知识模型的研究的另一个含义是，它表明该模型可以应用于算法说服主题，因此可能可以应用于涉及算法的其他形式的通信。这是值得注意的，因为当涉及算法时，模型的关键要素（即有关所使用的策略、说服代理和目标的知识）都受到挑战。关于策略，我们的研究已经表明，并不是每个人都同样意识到算法可以做的事情。未来的研究可以进一步调查算法的参与是否以及如何改变有关说服代理的知识，例如，个人可能很难辨别他们通过网络看到的说服尝试的来源。他们的社交媒体账户——是他们的智能手机、广告商、社交媒体平台、社交媒体影响者还是算法系统（古兹曼引文2019年；范德古特引文2022 年；范诺特和梅佩林克，引文2021）此外，进一步理论化和实证研究算法如何改变人们对目标的了解也是很有趣的。人们可能知道他们是目标，但他们不知道由他们组成的个人资料是什么样子，也不知道他们看到的广告是如何针对或调整他们独特的个人资料的。

最后，说服知识模型不是一个“主体/来源”、“策略”和“主题”相互影响和遵循的动态模型。该模型基本上说，一个人应该具备“代理人/来源”、“策略”和“主题”的知识，这有助于应对说服尝试，但算法改变了这个过程的基本原理。如果算法记录到一个人喜欢（或忽略）某个主题，则算法可以改变主题和策略，甚至改变说服尝试的来源/代理（即在一个人的动态中显示哪个影响者或品牌）。传统的说服知识模型没有考虑这些动态，这项研究给出了一些初步迹象，表明需要一种新的、适应性强的理论。

此外，“控制悖论”、“疲劳”、“本能但批判”和“熟练且批判”的类型学与 Gran、Booth 和 Bucher 观察到的模式显示出一些相似之处（引文2021），他在更一般的背景下确定了六个关于算法意识和态度的用户组。在这两项研究中，都确定了一个小的批评群体，由对算法高度了解并对算法驱动的沟通（在我们的研究中为品牌沟通）持消极态度的人组成。

与 Gran、Booth 和 Bucher 相比（引文2021）研究中，我们的大多数参与者都意识到品牌在说服实践中使用算法。这种差异可能是由于测量意识的方式造成的。衡量算法的认知度非常具有挑战性（Hargittai 等人，2017）。引文2020）。而格兰、布斯和布赫（引文2021）使用一个问题（“你有什么样的意识？”，从“没有意识”到“非常高意识”的 5 点李克特量表）来评估人们对使用算法呈现内容的一般意识在互联网上，我们使用经过验证的 AMCA 量表（Zarouali、Boerman 和 de Vreese）引文2021），其中包括算法使用的多个方面，并将其应用于更具体的环境（即社交媒体上的品牌传播）。

此外，我们的结果扩展了 Gran、Booth 和 Bucher 提供的类型（引文2021），将应对能力作为聚类变量，将互联网技能作为预测变量。这也可以解释集群之间观察到的一些差异。在识别潜在的弱势群体时，意识、态度和应对能力都是重要的变量，在提出弥合这一新的数字鸿沟的措施时必须予以考虑。

最后一个理论含义与社会人口统计结果并不是群体成员资格的关键预测因素这一发现有关。相反，互联网技能和隐私问题等个人因素对于区分不同的消费者群体更为重要。这一发现挑战了关于消费者脆弱性的传统观点，在传统观点中，脆弱性通常是根据年龄、精神或身体虚弱等因素来定义的（Helberger 等，2017）。引文2022）。它部分证实了最近关于数字市场漏洞构成的法律讨论。这种关于数字脆弱性的更现代的观点基本上意味着“消费者脆弱性是情境性的，这意味着消费者在一种情况下可能容易受到伤害，但在其他情况下则不然，并且某些消费者可能比其他消费者更容易受到伤害”（欧盟委员会引文2016 年Helberger 等人。引文2022 年页 180）。

局限性和未来研究
我们的研究有一些限制。首先，我们应该注意到，我们的研究是探索性的，基于来自一个西欧国家（荷兰）的有限样本量，并且是在某种特定的背景下（社交媒体）进行的。这些因素可能会影响消费者群体在其他环境、样本和国家中的普遍性。需要进行验证性研究来测试我们的消费者群体在其他环境下的稳健性，例如使用不同的数字技术（例如虚拟助手和智能电视）、不同的社交媒体平台（例如参见 Buzeta、De Pelsmacker 和 Dens）引文2020 年；哈姆等人。引文2019年；沃维尔德等人。引文2018），以及不同的国家。因为荷兰有资格成为一个所谓的“WEIRD”国家，即西方的、受过教育的、工业化的、富裕的和民主的（亨利希、海涅和诺伦扎扬）引文2010），我们假设我们的发现可以推广到其他 WEIRD 国家，特别是其他欧洲国家。由于《通用数据保护条例》(GDPR)，欧洲公民比非欧洲公民更有可能更了解数据驱动的广告行为，并免受数据驱动的广告行为的影响。例如，早期的研究表明，数据驱动的广告对于高度关注隐私的人来说说服力/效果较差，而且荷兰的这种担忧低于中国（Zhang 等人，2017）。引文2023）。在消费者受到 GDPR 等立法保护较少的国家，人们可能会更担心算法的使用，知识较少，并且感觉保护自己的能力较差。然而，尚不清楚不同国家的集群是否也会有所不同，因为基于美国或亚洲收集的数据的论文中也描述了隐私悖论或隐私疲劳等现象（Gerber、Gerber 和 Volkamer）引文2018年；科科拉基斯引文2017）。通过在多个国家进行相同的调查来复制这项研究的结果将是有用的。尽管如此，我们的研究迈出了重要的第一步，在算法说服的背景下识别不同的消费者群体及其各自的漏洞，并且通过将态度和应对方式与意识水平结合起来，我们获得了对这些漏洞的多方面洞察。

另一个限制与我们应对算法说服的能力的操作化有关。尽管回避——更具体地说，回避的能力——是应对行为的一个重要方面（Fransen 等，2017）。引文2015年；范登布罗克、波尔斯和瓦尔拉夫引文2018），还有其他方法可以应对算法说服，但我们的测量中未包含这些方法。因此，未来的研究应该解决其他应对方法，最好是实际行为，例如主动管理隐私设置或 cookie 接受行为。在未来更深入地调查消费者应对能力的研究中，衡量消费者的感知控制也很重要。用户控制最初由 Marathe 和 Sundar 提出（引文2011）并且它已在最近的一系列个性化研究中被用作预测变量（参见 Segijn 等人，2011）。引文2021 年进行概述）。最近，Segijn 等人进一步概念化了它。他们区分实际控制和感知控制，还区分控制能力和控制欲望。研究哪些应对策略与消费者的控制感最密切相关，以及这与消费者的意识和感知适当性有何关系，是很有趣的。应该提到的最后一个限制是我们研究的关键指标的自我报告性质。对于技能、知识和算法媒体内容认知量表的认知，我们确实依赖于自我报告的措施。尽管我们使用了之前经过验证的量表，但这实际上意味着我们确实衡量的是主观技能、知识和意识，而不是客观技能。

实际影响
目前的研究对于试图保护消费者免受算法说服的政策制定者以及承认消费者赋权重要性的广告商具有重要意义。不同的消费群体需要不同的赋权干预措施；我们的研究展示了如何在了解个人的意识、看法和应对能力的基础上系统地评估不同选择的优点和局限性。在确定旨在增强消费者权能的干预措施的特定目标群体时，互联网技能和隐私问题等个人因素比人口统计数据更重要。这对于从业者来说是重要的知识，

有趣的是，我们的研究表明，大多数社交媒体用户（控制悖论组；39.6%）都知道算法说服，但对此并不挑剔，尽管他们的应对能力只有平均水平。另一大群体（疲劳；27.8%）对算法说服持批评态度，但似乎已经放弃与之抗争，并且不相信自己有能力应对它。从最大的两个群体分析来看，情况是大多数社交媒体用户并不一定需要被告知关于算法说服的存在，但学习如何应对它会受益匪浅。因此，注重意识或知识获取的措施可能不会有效，但教授更好应对技能的措施可能对这些群体更有帮助。

五分之一的社交媒体用户几乎没有意识和应对能力，因此可能非常脆弱（不知情但很关键，18%）。对于他们来说，提供必要的信息并教他们如何应对将是最有效的。应该考虑到，与最大的群体相比，该群体成员的受教育程度较低，互联网技能也较差。因此，删除 cookie 或设置隐私设置的直接说明可能没有用，因为这些活动需要读写能力和足够的计算机技能。被赋予权力的消费者——技术型消费者和挑剔型消费者——构成了最小的群体（14.7%），这表明仍有很大的改进空间。

在本文的最后，我们讨论了荷兰、美国和欧洲已经采取和可以进一步发展的一些举措，以提高应对技能并获得必要的知识水平。在应对方面，荷兰采取了一些关于发展在线隐私保护技能的举措，特别是在青少年中，例如侧重于在线隐私和个人数据保护的课程（Mediawijsheid引文2022）。对于成年人口，荷兰消费者协会 (Consumentenbond引文2022）提供了各种增强在线隐私的提示，但是，当用户的数字技能有限（例如“安装广告拦截器”的建议）时，这些提示可能会很复杂。要真正训练这些技能，图书馆提供的计算机支持可能是一个解决方案。然而，与欧盟赋予该主题的重要性相比，这些举措仍然有限，例如在公民数字能力框架中，该框架区分了多个领域的各种数字能力（即知识、技能和态度），包括安全和隐私保护（Vuorikari、Kluzer 和 Punie引文2022）。这表明公民应该能够做的事情和他们所学到的事情之间仍然存在很大差距。

美国有多种针对人工智能的扫盲干预措施（例如人工智能扫盲）引文2023；参见https://www.netliteracy.org/ai-literacy/）和欧洲（例如，欧洲委员会的年轻人人工智能素养培训课程引文2023 年参见https://www.coe.int/en/web/youth/tc-ai-2022）。大多数干预措施都集中在青少年、年轻人或父母，而这项研究表明，互联网技能较低的消费者没有得到解决。此外，这些干预措施可能很广泛，即需要数天的培训或多个在线模块。然而，我们的研究表明，大多数消费者缺乏实践技能，这是提供如此广泛产品的必要性的基础。同时，时间密集程度较低或更简单的干预（从消费者的角度来看）可能需要伴随在线广告，并附上有关如何使用广告拦截器或如何关闭广告拦截器的指导视频的链接。例如，社交媒体上的个性化广告。由于算法说服的网络平台在全球范围内运行，因此该主题的立法也应该在更高的层面上进行安排，例如在欧盟层面，就像 GDPR 一样。欧盟数字服务法案（欧盟委员会引文2023）是一个充满希望的起点，因为它认识到透明度的重要性，但就像公民数字能力框架和早期有关 cookie 的规定一样，重要的是，对于平台和平台应如何实施具体措施有明确的指导方针，这一点很重要。广告商让消费者真正获得权力。