社会影响：排行榜也在制造热门

洛洛做小红书最想不通的，是有两条笔记的命完全不一样：同一个选题，同一套封面模板，文案结构几乎照抄，一条三千赞，一条两百赞。

复盘那天洛洛列了满满一页原因：这条留白多、那条首图字太小……越列越觉得自己找到了规律。然后把这页发给默子老师，他问了一句："你确定这些差别加起来能解释十五倍吗？"

洛洛当场没话说。后来读到这个实验心情更复杂了——有一部分差距，可能真的没有原因。 不是你没找到，是它本来就不存在，早期几个人的随机点击被放大成了后面的全部差距。

研究说了什么

先说这个实验最狠的地方：它把同一段历史平行地跑了八遍。

2006 年，Matthew Salganik、Peter Dodds 和 Duncan Watts 在《Science》上发表了后来被叫作 MusicLab 的实验。他们造了一个人工音乐市场：14341 名参与者面对 48 首没听过的歌，可以试听、打分、决定下不下载。人被随机分到两种条件：

• 独立条件：只看到歌名和乐队名，不知道别人下载了什么。
• 社会影响条件：还能看到每首歌已经被下载了多少次。

关键设计在这里：社会影响条件下的参与者又被随机分进 8 个互相独立的"世界"，每个世界只统计自己内部的下载量。同一批歌、同样的零起点，跑八遍。

论文还做了第二个实验加强社会信号：实验一里歌曲随机排成 16 乘 3 的网格，实验二里按下载量从高到低排成一列——也就是做成了排行榜。

结果有三条：

1. 不均程度上升。 用基尼系数衡量，两个实验里 8 个社会影响世界全部比独立世界更不均。
2. 信号越强，越不均。 从网格换成排行榜，不均程度进一步上升。
3. 不可预测性上升。 同一首歌在 8 个平行世界里的名次差得很远，实验二比实验一差得更远。

论文摘要那句洛洛抄进了备忘录：成功只有一部分由质量决定——最好的歌很少垫底，最差的歌很少夺冠，但除此之外，什么结果都可能发生。

为什么会这样

因为社会信息会自我强化。图中间那个圆环就是它：已有下载 → 榜单曝光 → 后续下载 → 曝光更靠前。

循环的起点往往非常小。前几十个人的选择带着大量随机性——谁先点了哪一首，可能只因为鼠标离得近。但某首歌一旦领先就会出现在更多人眼前，领先被锁住。等第一万个人进来时，他看到的榜单已经跟质量没多大关系了。

最反直觉的是第二条：信号越强，结果越不可预测。 洛洛看了半天才反应过来——直觉上"大家都在看的"应该更接近真实偏好，但实验说反了：排行榜越醒目，早期噪音被放大的倍数越大。

放到产品里怎么用

图上"产品延伸"写的是：榜单、点赞与热门模板会影响后续选择。

• 展不展示社会证据是产品决策，不是默认开关。 展示销量、点赞、下载量会把流量往头部推：你要"让好东西被更多人看到"它有用，你要"让长尾活下去"它会反着来。
• 给新内容留一个不靠榜单的入口。 洛洛做内容合集会固定留几个"随机推荐"位，相当于留一小块"独立条件"。
• 别把榜单当质量评估用。 选商品、选模板时热度只能当参考，判断质量得看完成率、复购、退货、评论内容。

边界：别用过头

图上"边界"这格只有一句：热门不能直接等同内在质量最高。

第一，方向不能反着推。 实验证明的是"社会影响让成功更不均、更难预测"，不是"榜单上的都是垃圾"。论文说得很清楚，最好的歌很少表现很差——热门这个位置本身不构成质量证明而已。

第二，实验条件是特殊的。 48 首完全没人听过的歌、全部从零开始、参与者主要来自一个青少年网站，先验信息几乎为零。你的用户往往已经有品牌认知和朋友推荐，别把实验里的分岔幅度直接套过来。

第三，用过头会有代价。 头部越集中，新供给越难进来，池子越来越浅；用户几次发现"榜一其实不怎么样"，会连带不信任榜单本身。刷量的动机也永远存在。

洛洛的结论是：社会证据是一面放大镜，不是一杆秤。 它能让已经发生的事变大，却测不出东西好不好。

参考来源

• Matthew J. Salganik, Peter Sheridan Dodds, Duncan J. Watts,《Experimental Study of Inequality and Unpredictability in an Artificial Cultural Market》，Science，2006 年，311 卷 5762 期，854–856 页。https://doi.org/10.1126/science.1121066 （查阅日期 2026-09-14）
• 论文全文 PDF（作者在普林斯顿大学的公开托管版本，含实验设计与基尼系数图）：https://www.princeton.edu/~mjs3/salganik_dodds_watts06_full.pdf （查阅日期 2026-09-14）