|
- 课程简讯 -
在7月11日的复旦大学“中外新闻传播理论研究与方法”暑期学校（第14期）课程中， 国际传播学会会士（ICA Fellow）、香港城市大学媒体与传播系及数据科学学院讲座教授、传播研究中心主任、互联网挖掘实验室创办人祝建华教授从起源发展、数据特征、分析方法等面向，阐述了计算传播学的学术定位与发展理念，并就计算传播学是否能够驱动传播研究范式转移展开反思。本期推送为该课程内容摘录。
近年来，在线数据的易得与计算方法的普及，共同驱动了计算社会科学的产生。当前，这一新兴的研究取向仍在发展之中。计算传播学是计算社会科学在新闻传播研究中的应用。其所用数据包括网站访问日志、网页内容、在线实验等。操作上主要分为四个步骤：数据收集、数据处理、数据分析（包括统计分析、网络分析和机器学习等）、数据可视化。计算社会科学的发展可以追溯到David Lazar等15名来自物理学、公共卫生、政治学、社会学、传播学、历史学等学科的学者，于2009年在《科学》上发表题为”Computational SocialScience”的定位宣言(position paper)、DuncanWatts和Scott Golder - Michael Macy分别于2014年发表的回顾及展望、以及Matthew Salganik今年出版的新书Bit by Bit: Social Research in the Digital Age。后者代表了计算社会科学的初步成形。随着计算社会科学在新闻传播研究中的推广，传播学界逐渐形成“计算传播学”这一约定俗成的命名。计算传播学与计算社会科学其它分支的主要区别，可从传播学以5W模型为研究对象上看出。
传统定量研究以定制数据（如调查或控制实验）为主而计算传播学基于现成数据（如访问日志或社交网页）。不同类型的数据都有其优缺点，没有绝对意义上的好坏之分。在数据结构上看，传统数据属于“矮胖型”，样本量少，变量多；计算数据属于“高瘦型”，样本量大，变量少。大数据依靠其样本量的优势，固然在精度（reliability）上比小数据来得高；但就准度（validity）而言，小数据也有其自己的优势。1936年有两家机构对美国总统选举进行预测：《文学摘要（Literary Digest）》杂志样本量极大（n=2300000）的读者调查，在预测结果的准度上就远远落后于样本量适中（n=50000）的盖洛普民意调查。因此，我们应该追求“好数据”而不是大数据。数据好坏，首先看是否与研究问题相关。如不相关，或者另找数据、或者发挥想象力从中提取相关变量、或者放弃原有问题而改研究该数据中有价值的问题。
计算传播学所使用的分析方法分为两类：一类是传统的统计方法，包括多元分析、结构方程模型、多层分析、时间序列分析等，这类方法用于解释性研究，通过验证假设而进行，因变量已知（即“有监督学习”, supervised learning），在计算传播学中依然发挥着重要作用；另一类是机器学习的方法，包括聚类、降维、网络分析、空间分析，这类方法是描述或预测性的，因变量未知（“无监督学习”, unsupervised learning)、依靠数据自身“说话”。统计检验与机器学习两种方法的选择同样由研究问题所决定。若按照5W模型观察计算传播学各领域便可发现，各自所侧重的分析方法也判然有别，如内容研究以机器学习为主而效果研究则以统计检验为主。
计算传播学是否会带来新的学科范式转移呢？目前还难下定论。对传播学范式的反思，自1983年《传播学期刊（JoC）》发表的“Ferment in the field”（学科的发酵）专刊以来屡见不鲜。然而，新范式千呼万唤不出来。所以，我们不妨先追问：传播学范式转移有无必要？有无可能？前者似乎没有异议，后者很少涉及。最近我在武汉大学中国传播创新论坛上提出，学术创新需要四个条件：新现象的涌现、新数据的易得、新方法的普及、新人才的形成。这些条件在传播学中长期缺失，所以新范式是空谈。现在，前三者都已具备，瓶颈在人才。计算传播学之所以短期内能在全球异军突起，中国的计算传播学之所以能与国际主流同时起步、平行发展，一是跨学科人才的参与，二是我们前瞻性地培养了一批懂计算的传播学者。借用施拉姆的术语，计算传播学正在从“学术交叉路”走向“学术新绿洲”。
图为暑期学校学员向祝建华教授提问
后补：中国新闻史学会计算传播学研究委员会首届年会将于2018年9月21-22日在北京师范大学召开。欢迎投稿、欢迎参与。详见： 《征稿通知：中国新闻史学会计算传播学研究委员会2018年大会》 | 
发表于 2018-7-18 11:06:13
QQ好友和群
QQ空间
腾讯微博
腾讯朋友
收藏
支持
反对