博业体育TTS-热点专题总结｜彻底讲清楚计算传播这个磨人的知识点！*为了更好地践行小破所从九月开始的实用应试主义，「热点专题总结」栏目出现啦！不用再担心做不好专题或者是过多地在大量的论文与其他参考资料中浪费时间，秃头所的学长学姐们将尽可能把当前热门的考点专题内容整理清楚，以更加应试的方式给出“分论点”“小标题”“论述语料”等相关内容。选题来源主要涉及近三年新传考研着重关注的知识点博业体育，例如人工智能、媒体融合、算法技术、媒介伦理、数字鸿沟等。从概念、特点、现状，到挑战、趋势和发展，一应俱全！
计算传播是指数据驱动的、借助于可计算方法所进行的传播过程，而分析计算传播现象的研究领域就是计算传播学（王成军，2015）。也就是说，前者是后者作为一个学科领域的研究对象。注意，计算传播≠计算传播学。
虽然计算传播应用早已存在，但是作为一个概念，计算传播和计算传播学的提出主要源于计算社会科学的发展。2009 年,社会科学研究者在《科学》杂志上发表了一篇题为《计算社会科学》的论文,开启了计算社会科学的研究热潮。
香港城市大学的祝建华教授团队是计算传播学最早的倡导者，也是最重要的倡导者之一博业体育，其学生王成军是最早在国内提出了“计算传播学”概念的研究者。
当人类传播行为的数据构成了计算社会科学的重要基础的时候,深人认识计算传播学的时机终于到来。祝建华等人总结了计算社会科学在传播学的各种应用，沈浩等分析了复杂网络和社会计算对于传播学研究的意义，王成军(2015)系统回顾了计算社会科学发展,并给出了计算传播学的定义:“计算传播学是计算社会科学的重要分支。它主要关注人类传播行为的可计算性基础，以传播网络分析、传播文本挖掘、数据科学等为主要分析工具，(以非介人的方式)大规模地收集并分析人类传播行为数据，挖掘人类传播行为背后的模式和法则，分析模式背后的生成机制与基本原理，可以被广泛地应用于数据新闻和计算广告等场景”。在此基础上2015年第一本计算传播学相关的图书《社交网络上的计算传播学》出版。
1、时间分析:以研究为例，以往研究大都为截“大众意见”研究，“抽刀断水阻水流”，时间序列数据则为“社会过程”的研究带来新契机。
2、大规模多案例、跨地区比较：如Goel与Watts等人通过对100多万网络事件的挖掘，透析事件扩散到底是“大众传播”还是“病毒传播”模式。
3、网络分析：如针对媒体消费聚合还是分化的问题，以往只能计算比较市场占有率，受众研究的资深学者Webster等人则根据媒体之间的用户重叠构建网络结构，使得对问题的理解焕然一新。
4、大规模在线实验：如Bond等人通过对6100万Facebook用户的在线实验，分析社交讯息对于选举投票行为的影响，尽管只有“微小”效果量的“有限效果”，但放大到投票的语境中，就足以改变选举结果。2020年新冠肺炎肆虐全球，计算传播研究者也参与其中，倘若精进设计与模型，能够通过社交媒体数据预测疫情发展，提供公共预警，则彰显计算的力量。
1、传播研究的核心关切是人类的沟通与交往问题，同时作为人文社会科学的重要部分，与人类社会发展的关键问题对话——例如、经济繁荣、社会公平正义等。回应传播学的经典问题，并触及人类社会发展的大问题，计算传播才可能“道不远人”。米尔斯的学术“想象力”，恰是提倡勾连个体命运与公共问题。“传播”可以帮助“计算”问出有关怀、有意义的问题。
2、“传播”的计算也强调社会科学中的研究设计思想。特别是概念化与操作化，测量信度与效度（如“点赞”代表的是认同还是“朕知道了”），抽样意识（如单一平台样本的局限性），因果关系（如社交媒体折射、还是引发群体心理），以及伦理规范等。
3、计算传播本身应是“可传播的”。需要建立“可沟通性”，“讲好计算故事”，让新闻传播学采取其他多元取向的学者能够理解、相互欣赏。新闻传播学与计算机、数据科学、复杂网络等学科的学者也需要在学习对方知识的基础上“扬长补短”，“美美与共”。还应当与业界、公众保持开放对话。在“乱花渐欲迷人眼”的“不确定时代”，计算传播应当成为基于系统性经验分析、可证伪的社会重要的公共知识之一。
长期以来，由于“计算”本身带有明显的方法属性，计算传播学带上了浓厚的工具特征，使得学者们更愿意将其视为方法升级，但也有部分学者认为其是范式转型。
祝建华等认为，计算传播学不是新的学科或新的理论，而是一种新的研究取向或一套新的研究方法。而巢乃鹏等认为，计算传播学作为一种新兴的研究取向，在研究逻辑、研究方法和理论发展等方面发生了根本性的变化，未来有望成为传播学定量研究的替代范式或主流范式之一。
从学科属性来说，计算传播学归属于传播学领域，立足于传播学的经典理论及其各分支领域的最新其采用的研究方法则主要依赖于现代计算科学、人工智能、数据科学等计算工具去挖掘隐藏在大规模、度的线上数据中的传播模式和法则。这正是“计算传播学”区别于传统传播学研究的一个显著特征。
祝建华等人从研究方法出发，做出如下界定：无论研究场景是线下内容、使用及效果还是线上内容、使用及效果，使用计算方法进行的研究均可被纳入计算传播学的范畴；而使用传统方法针对线下及线上的内容、使用及效果进行的研究，则不归类于计算传播学的研究工作。
计算传播学的研究对象与传统传播学并无分别，仍然是人类社会中的传播现象和问题；从研究方法的角度来看，受到计算社会科学作为一个新兴交叉学科领域蓬勃发展的带动和启示，计算传播学将计算的方法引入到传播学的研究中。
现有计算传播研究可大致归为以下三类：第一类是传统量化研究的延伸，即大数据及计算机技术辅助的量化研究；第二类是传统质化研究的升级，即基于大规模经验数据的理论构建与探讨；第三类是跨领域的研究触角，包括物理学、计算机科学、心理学等领域学者用各自的研究视角触及传播学研究。
目前围绕“国际传播”议题展开的计算传播研究大部分聚焦在“问题发现”的层面，即通过对海外网络媒体中民众对中国议题的讨论来勾勒国际场中的中国形象，并发现其中的误解与偏见。既往研究主要从“信息内容”和“传播者”维度展开，Twitter这一主流国际社交媒体平台也是研究的主要信息场域。信息内容维度的研究大多采用文本挖掘或社会网络分析的方法，呈现国际场中中国议题的意见分布。“传播者”视角的研究主要关注了不同群体对华认知态度的差异，或探究网络中特殊用户在建构涉华议题中的作用。随着社交机器人操控网络现象的兴起，国内学者开始关注它们是否也同样影响着国际场中的中国议题。
面向公共健康(卫生)问题的计算传播研究主要考量了传播活动如何影响个体的健康行为及社会健康水平。在大众通过各类传播媒介渠道获取、表达、传递和采纳健康信息的过程中所产生的大量线索助推计算传播学研究快速发展。计算健康传播研究为全世界范围内的公共卫生事业做出了特殊贡献。通过计算方法对健康信息扩散规律的研究，有助于制定高效的健康信息和产品的媒介推广策略。对社交网络、搜索引擎等平台数据的追踪也为监测公共健康问题、预测疾病暴发提供了新方法。
互联网是公共意见表达的重要管道，也是舆情事件发酵和扩散的公共场域。网络舆情分析是发端较早并具有较成熟系统的计算传播应用及计算传播学研究。网络平台的开放性、互动性和裂变性，使信息极易在短时间内迅速扩散，进而引发网上乃至线下的舆情事件。网络舆情分析从舆情事件的主客体、话题分布、情感倾向、时空传播特征角度进行综合评测，并以此为依据提供公共决策及危机公关等决策支持。对网络舆情的计算本身也可以呈现出公共意见分布和网民的社会心态图景。
相对于通过问卷调查获得的社情，网络舆情具有真实性、及时性、完整性、海量性等优势。通过计算传播手段开展网络舆情事件的研究，可以追踪事件发展的动态进程、探知社会意见的聚合流变规律、观照不同群体的社会心态。尤其在突发公共危机事件中，计算传播的思路和方法在疏导公共、防范次生舆情危机、干预群体心理危机等方面具备较大的潜能。
但仍需注意的是，个别网络平台无法代表全部网见，网见又不能等同于全体社会成员的公共，因此，当前计算传播范式的舆情研究仍需在打破“数据孤岛”、结合线下方面进行创新发展。
伴随互联网和现代技术向人们日常社会生活和国际重大事件渗透和影响，越来越多的学者开始使用网络大数据来探讨社会热点问题和分析传播现象。整体来看，表达与议程设置、参与和意识形态、媒介算法与社会极化受到学者广泛关注。
计算广告是计算传播实践中一个比较成熟的领域。通过一定的匹配算法，计算广告为互联网用户呈现适合当前使用情景的广告内容，并从广告主获得报酬。计算广告的核心是找到合适的广告投放策略，最大化媒体平台的收入。其中基于博弈论的拍卖机制是一个有趣的研究方向。
在实践中，新闻机构非常重视受众的交互参与，但对具体的新闻消费文化与受众参与特征知之甚少。计算的方法为从新闻接触、新闻消费、新闻参与等多个向度提供分析的可能。
世界加速步入风险社会，各类公共危机事件突发频发，学者们从时空、内容和网络视角开展了大量卓有成效的计算危机传播研究。时空视角下，危机灾害与公众社交媒体活动之间存在着时间与空间上的同步演变。内容视角下，学者们常常对社交媒体推文蕴藏的深层次语义内涵、情绪类别及强度等因素进行测量，从多角度揭示公众话语表达与实际行为之间的联系。网络视角下，社交网络的出现为调查危机情境下普通用户、权威机构和新闻媒体等信息主体间的信息资源交换行为提供了巨大的机会。
神经计算传播通过事件相关电位、脑电图、功能近红外光谱成像、功能核磁共振成像等神经成像实验手段为大脑的神经活动做影像记录，有助于学者深入个体内隐的、潜意识的认知层面，洞察相对隐秘的感觉、知觉和记忆。
计算机视觉技术是来自人工智能领域的一种新计算方法，它擅长利用深度学习算法模仿人类大脑工作模式来理解图像中包含的内容。当下，视觉计算传播学研究方兴未艾，正朝着“人像面部特征向度、背景事物特征向度、图像美学特征向度、图像意义特征向度”四个方面不断精进。
在后时代，计算宣传旨在有组织地利用社交媒体平台、自动化机器人和大数据算法的集合体“算计”公共，操纵“制造同意”产生“虚假”。
虚拟主播和新闻机器人等服务于新闻传播实践的人工智能也是计算传播学研究的新兴议题，学者们围绕人机沟通、感知信任、情感倾向等方面提供了新鲜的见解。
传播离不开渠道和媒介，在计算传播学的视域下，在线社会网络服务提供了计算传播实践所依托的传播结构。六度分隔、小世界、结构洞、无标度网络等从传播结构角度构建理论模型。从量化指标上，宏观层面的网络密度，中观层面的社群和局部中心性，个体层面的度中心、中介中心性、特征向量中心性等指标，对社会网络进行了不同粒度的刻画。
存在传播过程建模、传播话题挖掘、传播最大化这几个主要方向；其中传播过程建模包括微观用户传播行为的预测以及宏观上传播规模预测。微观预测模型关注在指定时间节点上某个个体用户被信息激活的概率，其中最常见的是独立级联模型(Independent Cascade)和线性阈值模型(Linear Threshold)。宏观规模预测模型关注某一条信息激活的用户总数，包括传染病模型(用户被激活状态分为易感 Susceptible、感染Infective/激活、恢复Recovered，存在SI, SIR, SIS等变体)、幂率分布和对数正态分布等常见模型。
Wu等人 (2011)使用了两种非随机的抽样方法 (“滚雪球”和“活跃发人”)，按事先设定的四组关键词 (“明星”、 “媒体”、“机构”和“专业博客”)，找到了54万合格用户，并将每组关注度或发贴量最高的5000人定义为“精英用户”(elite users)，而其余的定义为“普通用户”(ordinary users)。祝建华等人在研究2012年美国大选期间的Twitter内容时，参照Wu等人的方法，将Twitter上的传播者分为“媒体”、“政党”、“专业博客”(其中包括了明星作者) 三类，分别计算各自对普通用户在“选举”、“经济”、“国际”等六大类议题上的影响力，并采取“川流式”(river theme) 可视化系统来展示三类传播者在不同议题和不同时间上的竞争关系。
祝建华等人将受众限定为只接收而不贡献内容的用户。很多人认为，在社会化媒体主导的今天，只收不发的受众不存在或者很少见了。这是由时下流行的研究方法而造成的一种错觉。这些方法从社会化媒体的帖子中寻找用户，其结果当然是大多或者全部用户都是传播者 (如发表原始贴的意见领袖或转发别人贴子的活跃分子)博业体育，而忽略了相当数量的从不发贴或转发的 “围观者”。计算传播的方法有助于找到这些“围观者”，并定量计算其规模和特征。
祝建华等人实验室的研究则进一步深入分析了Twitter和传统新闻媒体对同一事件的不同呈现框架 (frame)，他们还认为用户在搜索引擎上留下的数字化痕迹 (digital traces)，即 “公众注意力”，也是一个重要的社会化媒体内容。
社会化媒体时代大量丰富易得的数字化痕迹则极大地便利了渠道研究。目前成果主要集中于两个领域：一个是在数字媒体中信息扩散模(diffusion pattern)，另一个是新兴渠道与传统渠道的比较。
效果研究是指新闻传播对受众认知、态度、行为方面的影响。将计算社会科学引入效果研究领域，有两个明显的方法优势。首先，传统的效果研究多使用控制实验法，因为这是判断因果关系最有效的办法。而互联网正是一个自然实验 (natural experiment) 的平台。传统实验只能测试几个、几十个对象，然而互联网上的控制实验则可以触及规模巨大的群体。其次，计算社会科学研究者往往采用一种无干涉 (unobtrusive) 的方式来观察和计算真实环境中的传播和效果。这一特征是传统社会定量方法，比如问卷调查和实验室实验无法做到的。
计算传播研究者在数据依赖中隐含风险。计算传播学领域的学者和机构可以倡导在线社交媒体等数据持有者经由匿名化处理等隐私保护方法公开一部分数据集，用以支持学术界从相似的数据占有水平开展研究。
从研究方法的评判上，为了更好地使用量化的手段评估相同领域不同研究工作的优劣，可以提倡研究机构、研究团队、学者、平台公司等学术共同体构造和开放标准数据集。
在计算学科内部，方向不同的研究者之间互相理解对方的工作都并不轻松，更不用说多以算法和计算工具使用者身份出现的计算传播学学者。如何快速获取计算学科的最新研究成果并将其运用到计算传播学的研究中，成为计算传播学者面临的一大挑战。
在提及计算社会科学时，我们提到其研究领域中社会网络服务、社会网络分析、内容计算等方向与计算传播学有交集。计算传播学科是否存在自有的计算模型，用以形成其与计算科学以及以“计算”为前缀的人文社会学科(如“计算语言学”“计算历史学”等等)的区别？计算传播学作为一个新的研究范式，其背后的理论体系应该如何搭建？
作为交学科领域，计算传播学的学者应该是具有“T字形”甚至“#字形”复合知识结构的人才。传播学等人文社会科学的理论素养以及与时俱进的计算方法乃至计算理论知识都是不可或缺的“技能包”。计算传播学的人才培养不应该是某些计算科学、传播学者或者其他领域学者的单打独斗，而应该考虑从本科阶段开始就尽早培养交叉学科背景的人才。
2.祝建华,彭泰权,梁海等.计算社会科学在新闻传播研究中的应用[J].科研信息化技术与应用,2014,5(02):3-13.
3.张伦.计算传播学范式对传播效果研究的机遇与挑战[J].新闻与写作,2020(05):19-25.
4.塔娜,赵倩誉.计算传播学：数据与计算驱动的传播学研究[J].青年记者,2022(20):15-17.
5.塔娜.“计算传播学”的发展路径：概念、数据及研究领域[J].新闻与写作,2020(05):5-12.
8.巢乃鹏,吴兴桐,黄文森等.计算传播学研究现状与前沿议题[J].全球传媒学刊,2022,9(01):19-40.
9.赵甜芳.计算传播研究的知识地图与实证框架——基于12991篇中外核心文献的对比分析[J].新闻与传播研究,2023,30(03):40-59+126-127.
10.公宣迪.数智时代传播范式、理论与实践的变迁与重构——以计算传播学的研究视角为例[J].青年记者,2022(12):28-30.
13.巢乃鹏,黄文森.范式转型与科学意识：计算传播学的新思考[J].新闻与写作,2020(05):13-18.