摘要：　　摘 要：计算传播学方兴未艾，但面临着理论、方法、实践层面的诸多发展挑战。利用方法论破局是应对挑战的重要路径，其一要发展基于大数

　　摘  要：计算传播学方兴未艾，但面临着理论、方法、实践层面的诸多发展挑战。利用方法论破局是应对挑战的重要路径，其一要发展基于大数据的数据驱动科学，其二要发挥仿真和大数据分析方法的结合优势。回归人本主义，发展具有公共关怀的计算人本主义科学应该成为计算传播学未来建设的愿景。

　　关键词：计算传播；复杂性科学；大数据；仿真；人本主义

　　计算传播学（computational communication research），指的是一种通过计算方法“描述、解释和预测人类传播行为及其背后驱动机制”的研究取向。[1]作为一个新兴的研究取向，计算传播学的发展还处于起步阶段。虽然随着可用数据丰富度的提升以及机器学习、深度神经网络、计算机视觉技术、仿真模拟等计算方法不断被引入传播学研究，近年来涌现了一大批计算传播学的研究成果，但不可否认的是，计算传播学的发展依然面临理论、方法、实践层面的诸多挑战。

　　计算传播学面临的挑战

　　（一）如何利用方法为理论和实践提供连接。Parks将一种新方法进入一个研究领域的过程分为了三个阶段：初始阶段，研究强调新方法的应用本身；第二阶段，新方法被应用于更细微的问题或检验已有的理论或假说；第三阶段，新方法被应用于探索重大的理论和社会问题，从而真正进入该领域的核心。[2]在他看来，目前，大数据等计算方法在传播学领域的应用仍处于第一阶段。

　　计算方法在社会科学领域的应用在一定程度上化解了社会科学研究的方法困境。但与此同时，这样的跨学科应用常被诟病只是通过方法对现象的一般归纳和描述[3]，既缺少理论视角，也未能对人类知识的更新和积累做出更有价值的贡献。计算传播学同样存在这样的问题。部分研究虽也尝试和新闻传播学的理论假说对话，但也只是利用计算方法对这些既有的理论或假说进行了检验，而缺少理论拓展和创新。

　　所谓“理论”，是指明概念之间的关系的抽象系统[4]，用于解释事物或现象的发生机制、预测事物或现象的发展趋势。科学研究的目的在于从现象中发现可以指导实践的规律。在这个过程中，数据和方法只是工具，不是最终的目的。和自然科学致力于探寻认识自然界客观规律的科学定律一样，社会科学同样力图建构理论以解释人类社会的发展规律。在社会科学研究中，理论可以为方法提供指导，方法也应该为理论和实践提供连接。在计算机技术普及度越来越高的情况下，如何发挥方法优势以关切社会重大问题、发展重大理论成为计算传播学进一步发展要回应和解决的重要问题。

　　（二）如何应对数据的可用性偏差。数据的可用性偏差（availability bias）指的是研究人员倾向于使用任何可用的数据，然后试图为其提供事后证明甚至理论化，而不是从理论上定义分析单位和测量策略。[5]之所以会出现这样的问题，很重要的一个原因是数据获取路径存在固有的限制和局限，从而导致可用数据的有限性。

　　当下，人类生存于虚实混合的媒介生态中，人类的传播行为大多发生在数字化平台中，在现实空间中发生的传播与交流行为也因为各种技术的突破被数字化记录和存储。由此，大量表征着人类传播行为的数字痕迹（digital trace）成为计算传播学可资研究和分析的原材料。海量人类传播行为数据的可用被认为是大数据技术为传播研究带来的福音。但对这些海量数据的访问并不如预想般轻松。研究人员不得不面对的一个事实是，数据作为一种宝贵资源，大部分掌握在商业平台手中。出于商业利益和用户隐私保护等原因，一些平台完全限制外界对他们的数据进行访问，一些平台提供有限制的数据访问权限（如开放部分数据的API），另有一些平台提供数据的有偿访问或设置更高的访问门槛。在这样不均衡的数据开放生态中，越容易获取到的数据的主题和对象，就越容易得到研究人员的关注和研究。由此导致的直接后果之一是研究主题和对象的趋同性。例如，由于较容易获得或收集Twitter、Facebook等社交媒体平台中的数据，研究人员以这些平台为研究对象探究了各种各样的模式，如情绪节奏变化[6]、媒介事件参与[7]等。进而带来的另一个问题是计算传播学研究的样本代表性的问题。[8]可获取到数据的平台中“人”是否足以代表研究问题所需要关注的研究对象，成为许多计算传播学研究避而不谈的问题。

　　更深层次而言，数据资源的宝贵和获取难度在一定程度上也将限制科学研究的开放性。研究人员在非必要的情况下不会轻易把自己辛苦得到的数据资源公开，数据抓取、聚合、转换的过程成了“黑箱”，这样将阻碍计算传播学研究的可重复性和可检验性。而一小部分有数据集访问特权的研究人员成为计算传播学研究场域中的“数据富人”，也将利用手中的数据资源优势，导致计算传播学研究场域的不公平竞争。

　　（三）如何平衡国际化和本土化。社会科学发展不可避免地要面临国际化与本土化之间的矛盾与张力，包括研究议题、研究对象、研究方法、研究范式、话语体系、理论视角的选择与应用。新闻传播学从诞生到发展至今，一直面临“西方中心主义”的质疑——“全世界的传播学研究都依赖于西方的理论和方法，关于传播理论的全球话语过于片面”[9]。对这一问题的警惕和反思同样也适用于计算传播学研究。

　　新闻传播学是一个和实践紧密结合的学科，其形成与发展不仅取决于自身的学理性条件，还在很大程度上受社会情境和实践需求的影响与驱动。[10]因此，要发展具有本土特色的学术体系，就离不开对本土传播实践问题的关注。此外，本土化和国际化的平衡不仅是要关注本土问题、发展具有本土特色的学术体系，还体现在要科学辩证地处理本土学术与国际学术之间的关系，既要使外来社会科学适应本土实践和发展的需要，也要使区域经验研究走向国际化。[11]

　　实际上，中国是全球数字经济最活跃的国家之一，能够为计算传播学研究提供诸多具有中国本土，同时又对全球数字社会发展具有参考意义的研究议程，如用户媒介使用行为、在一些重大社会事件中的中国网民舆论和情绪演化等。但是，相比于国外的数字平台，国内的数字平台的数据开放程度较低，数据获取难度较大。数据开放度较高的国外数字平台，如Twitter、Facebook、Google，成为国内计算传播学研究的主要数据来源，与之相关，国际问题也成为了计算传播学研究的主要研究问题。长此以往，计算传播学研究将日渐脱离本土社会面临的重大现实问题，这不利于发展具有本土特色的学术体系。

　　基于方法论的破局路径

　　如前所述，计算传播学对人类知识的贡献除了面向微观层面的新闻传播问题引入计算方法和工具外，还应该能够为新闻传播学的理论建构提供支持。计算传播学以方法见长，主要的研究方法有大数据和仿真模拟。这两种方法不仅为计算传播学带来了新的研究路径，还带来了新的认识论和方法论。虽然方法不是研究的最终目的，但是更科学、有效的方法能够丰富我们所能研究的问题的类型、产生不同类型的数据、激发新的理论发现。[12]我们认为，计算传播学突破如前所述的多重挑战的重要路径是要建立和完善更为行之有效的方法论（methodology），以方法论指导大数据和仿真模拟方法的应用，以进一步发挥自身的方法优势。

　　（一）发展基于大数据的数据驱动科学。在评价计算社会科学时，Lazer等人认为其提供了“前所未有的收集和分析数据的能力的广度、深度和规模”[13]。对包括新闻传播学在内的社会科学而言，大数据的最大优势不是增大了研究样本量，而在于它形成了一种数据驱动的科学（data-driven science）[14]的研究范式。不同于传统的由对经验对象的归纳和演绎产生假设和洞见的研究范式，数据驱动的科学从数据中产生假设，经由对数据的挖掘和分析，发现一定的关系和模式，进而产生理论洞见。[15]

　　在实际应用中，部分研究者将大数据视为“理论的终结”，在他们看来，大数据中包含的模式和关系本质上产生了关于复杂现象的有意义的、有洞察力的知识，“相关性已经足够”，不需要理论的介入。[16]实际上，这是关于大数据方法的一种认识误区。虽然大数据中蕴藏着丰富的关系和模式，但数据无法自我言说，也无法自行转化为关于复杂现象的有意义的信息和知识。对大数据的分析和解读离不开概念和框架，也无法脱离具体情境。

　　数据驱动的科学在坚持科学方法的同时，更开放地使用溯因、归纳和演绎方法的混合组合来推进对现象的理解。[17]概言之，它对开展数据科学的研究的要求是首先要以研究问题为导向，数据只有与有意义的研究问题相结合才有阐释价值；其次，不可脱离具体语境，数据一旦脱离语境就失去了意义和价值；再次，要有理论依据，以理论指导在数据中发现知识的过程。

　　巢乃鹏总结了大数据在推动社会科学，尤其是传播学理论建构方面的三点优势：一是基于互联网中人类传播行为数据的分析使认知社会整体成为可能；二是其本质上依托的是对复杂网络的挖掘和分析，能够发现因传统研究方法忽视或制约而无法完成的大范围的网络特征及相关性分析；三是为检验异质性假设提供了可能性。[18]要发挥大数据方法的这些优势，要以数据驱动科学的方法论为指导，结合理论视角，在具体语境中对值得关切的重大社会问题进行分析和探索。

　　（二）发挥仿真和大数据方法的结合优势。仿真方法的核心环节是将研究问题准确、完整、连贯地转化为一系列参数谱系和规则，通过计算机模拟系统行为和现象的动态演化过程。[19]在此过程中，研究者可以在不同的参数组合下多次运行程序，观察系统在不同假设条件下可能产生的结果。因此，仿真方法在不受时空限制的情况下，就可以产生大规模的、细粒度的、高维度的基于时间序列的数据，并且可以在短时间内广泛测试任何给定的参数组合和假设，以探索可靠的因果机制。

　　早期的社会科学仿真研究主要通过将系统状态以差分方程或微分方程组表示来建立模型，这种基于方程的建模仿真由于没有考虑个体层面对系统产生影响的复杂因素，在复杂社会系统的研究中作用较为有限，因而没有得到广泛的应用。随后兴起的基于主体的仿真建模（Agent-Based Modeling and Simulation）以行动者为基本的建模单元，在计算机中构造与真实世界相对应的“人工社会”，大量行动者在其中依据身处的具体情境，按照相对简单的规则选择行为，并与一定范围内的其他行动者、所处的环境产生互动和影响；在无数个体局部互动不断迭代的基础上，系统自下而上，涌现出大于个体和局部的整体模式。[20]这种仿真方法不仅能体现个体的多样性和差异性，更符合真实社会中个体的行为特点，而且较为灵活，具有可控性，是解释、预测和探索复杂系统中的涌现机制的重要方法。新近的许多研究展现了基于主体的仿真对新闻传播研究的广泛适用性，如新闻报道中的问题-注意力周期[21]、在线论坛中的情绪传播的动力学机制[22]、沉默的螺旋[23]、过滤气泡效应的形成机制[24]等。但是在实际应用中，和大数据分析方法相比，仿真方法还未得到传播学学者们充分的关注和应用。

　　王成军提出计算传播学在理论建构上的抽象阶梯，即一个好的研究必须是由重大的社会问题驱动的，并且能够找到好的数据作为支撑（第一个阶梯）；能够从数据中挖掘出行为的模式（第二个阶段）；最好可以阐明模式背后对应的机制（第三个阶段）；并尝试理解背后的基本原理（第四个阶段，往往难以企及）。[25]在第一、第二阶段中，大数据分析方法可以充分发挥其优势，在第三、第四阶段中，就需要仿真方法，尤其是基于主体的仿真的加入。仿真与大数据方法的结合能成为探索新的理论发现、预测系统行为乃至预知社会的重要工具，有助于解决计算传播学所面临的理论、方法与实践循环论证的难题。

　　计算传播研究的展望

　　（一）复杂性科学为计算传播研究提供新进路。兴起于20世纪80年代的复杂性科学是一种以复杂性系统为研究对象的科学研究形态，关注的是简单的规则如何产生高度复杂的系统。[26]

　　一方面，复杂性科学能为计算传播学研究提供一种“超越还原论”的理论视角。还原论将事物的性质归结为部分作用之和，主张通过整合对部分的认识，以把握整体。还原论在解释传播学现象时会遇到很多困难。主要原因在于：（1）人类信息传播系统是典型的复杂性系统。在这个系统中，许多长期存在的传播现象和问题都是一种从微观到宏观的涌现现象，如信息扩散、舆论极化、情绪传播等。（2）它们产生于异质和相互联系的行动者间的相互作用，同时又受到政策干预、环境变化等外部因素的影响，具有非线性、自组织的特点。（3）随着算法、人工智能等新兴媒介技术的介入，传播实践的形态由传统媒介时代的单向传播、数字时代的双向互动，向更为复杂的交往关系转变，信息传播系统的复杂性急剧增加。

　　复杂性科学在还原论及其应用成果的基础上实现了对还原论的超越和提升，不仅将还原论与整体论相统一，而且坚持整体与部分、多样性与统一性、开放性与封闭性、有序性与无序性、研究主体与研究客体的辩证统一。[27]这样的理论视角既能促进我们对人类信息传播系统的复杂性做出整体性的认识，又可以提供对从微观到宏观的机制展开考察的理论视角。

　　另一方面，复杂性科学能为计算传播学研究提供跨学科的方法论。复杂性科学所关注的“复杂性”（complexity）作为一种系统属性，描述的是系统组成部分之间丰富的、动态的相互作用关系，以及这种相互作用引发系统随着时间推移出现不同的变化的特性。[28]武杰总结了复杂性方法的基本特征包括：（1）本质上是一种先行动后理解的实践-认识过程；（2）没有完全遗弃传统方法，而是采取了兼容并包的态度；（3）具有文理交融的优势，架起了沟通科学主义和人文主义的桥梁；（4）具有形式化的内核，能够将复杂性问题形式化、模型化。[29]基于这些方法层面的特点，复杂性科学研究方法能够实现对系统的描述、发现随着时间的推移使系统保持活跃的机制。前述的基于大数据的驱动科学和仿真方法都是复杂性科学视角下的重要方法。

　　（二）回归“人”的本质维度，发展计算人本主义科学。人类信息传播系统的复杂性根源之一在于它是一个包含“人”，以“人”作为参与主体的系统。作为一门人文社会科学，传播学直接面对的是有意识的“人”及其行为，其核心关切是人类的沟通与交往问题。在认识论和方法论意义上，包括复杂性科学研究方法在内的计算方法可以为传播学研究提供方法和视角，而在本体论意义上，传播学研究始终应当回归人本主义，发展计算人本主义科学。

　　毋庸置疑，计算科学融入传播学研究，带来了新闻传播学科的新的发展可能。但要警惕陷入过分强调“万物皆可计算”的强计算主义当中。计算主义（computationalism）重要理念之一就是把世界的复杂性从简单的程序中演化出来，为我们提供了认识世界复杂性的全新认识论和方法论。[30]而强计算主义则是在本体论意义上主张包括人类意识在内的一切内容的实质都是计算。这种把世界的终极实在归为计算的主张是有风险的，即忽视了世界可能存在的矛盾与断裂之处，忽视了居于其间的人的主体性。

　　正如杜骏飞提出的公正传播论所强调的，社会传播的理性应该是尊重人、保护人、发展人、实现人，社会传播的本体应该转向国家、社会与公共领域的连接。[31]无论是媒体实践还是学术研究，都应该将“人”置于主体性的地位，寻求价值理性与工具理性的协同平衡。计算传播学在问题意识方面，要关注有关怀、有意义的传播及社会发展问题，要关注“人”的价值、情感和信念等更无形的方面。在研究方法方面，要避免陷入数据至上、唯计算论的陷阱，要以有价值、有温度的研究视角指导方法实践。

　　对此，《“春天的花开秋天的风”：社交媒体、集体悼念与延展性情感空间——以李文亮微博评论（2020-2021）为例的计算传播分析》一文提供了一个可资参考的范本。文章通过对李文亮医生的微博评论区的134万多条数据的分析，“记录网友评论中流淌的用词、主题和情感”，并“结合数据列举网民的具体表达话语，重温普通人的心声，以此作为保存记忆的书写”。[32]恰如作者在文末的自我评价中所言，“数据背后是世道人心，数据也是温暖的，我们希望致力于具有公共关怀的计算传播研究”。我们同样认为，这应该成为计算传播学未来发展的愿景。

　　参考文献：

　　[1]祝建华，黄煜，张昕之.对谈计算传播学：起源、理论、方法与研究问题[J].传播与社会学刊，2018,(44):1-24.

　　[2]PARKS M R. Big data in communication research: Its contents and discontents[J].Journal of communication, 2014, 64(2): 355-360.

　　[3][5]MAHRT M, SCHARKOW M. The value of big data in digital media research[J].Journal of Broadcasting & Electronic Media,2013,57(1):20-33.

　　[4]WEST R, TURNER L.Introducing Communication Theory: Analysis and Application[M].New York: McGraw-Hill, 2017:44.

　　[6]GOLDER S A, MACY M W. Diurnal and Seasonal Mood Vary with Work, Sleep, and Daylength Across Diverse Cultures[J]. Science,2011,333(6051):1878-1881.

　　[7]SHAMMA D, KENNEDY L, CHURCHILL E. Tweetgeist: Can the twitter timeline reveal the structure of broadcast events[J]. CSCW Horizons, 2010, 26.

　　[8]BOYD D, CRAWFORD K. Critical questions for big data: Provocations for a cultural, technological, and scholarly phenomenon[J].Information, communication & society, 2012,15(5):662-679.

　　[9]CRAIG R T. Constructing theories in communication research [M]//SCHULZ P J, COBLEY P.Theories and models of communication.2013:39-57.

　　[10][18]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.

　　[11]王浦劬，臧雷振.中国社会科学研究的本土化与国际化探讨——兼论中国政治学的建设和发展[J].行政论坛，2021,28(06): 5-15+2.

　　[12]GREENWALD A G.There is nothing so theoretical as a good method[J]. Perspectives on psychological science, 2012, 7(2): 99-108.

　　[13]LAZER D, PENTLAND A,ADAMIC L, et al. Computational social science[J].Science,2009,323(5915):721-723.

　　[14][17]KITCHIN R. Big Data, new epistemologies and paradigm shifts[J].Big data & society, 2014, 1(1): 2053951714528481.

　　[15]KELLING S, HOCHACHKA W M, FINK D, et al. Data-intensive science: a new paradigm for biodiversity studies[J]. BioScience, 2009, 59(7): 613-620.

　　[16]ANDERSON C. The End of Theory, Will the Data Deluge Makes the Scientific Method Obsolete?[M].Wired,2008.

　　[19]GILBERT N,TROITZSCH K.Simulation for the social scientist[M].McGraw-Hill Education (UK),2005.

　　[20]GILBERT N,TERNA P.How to build and use agent-based models in social science[J].Mind & Society,2000,(1): 57-72.

　　[21]WALDHERR A. Emergence of news waves: A social simulation approach[J].Journal of Communication, 2014, 64(5): 852-873.

　　[22]MITROVI? M, TADI? B. Dynamics of bloggers’ communities: Bipartite networks from empirical data and agent-based modeling[J].Physica A: Statistical Mechanics and its Applications, 2012, 391(21): 5264-5278.

　　[23]SOHN D. Spiral of Silence in the Social Media Era: A Simulation Approach to the Interplay Between Social Networks and Mass Media[J].Communication Research,2019,49(1):139-166.

　　[24]GESCHKE D, LORENZ J, HOLTZ P. The triple‐filter bubble: Using agent‐based modelling to test a meta‐theoretical framework for the emergence of filter bubbles and echo chambers [J].British Journal of Social Psychology, 2019, 58(1): 129-149.

　　[25]王成军.计算社会科学视野下的新闻学研究:挑战与机遇[J].新闻大学，2017(04):26-32+146.

　　[26]SHERRY J L.The complexity paradigm for studying human communication: A summary and integration of two fields[J]. Review of Communication Research, 2015,3(1):22-54.

　　[27]张国宁，沈寿林.试论复杂性科学方法论对还原论的超越[J].系统科学学报，2013,21(04): 14-17.

　　[28]HOLLAND J H. Complexity: A very short introduction.[M].OUP Oxford,2014.

　　[29]武杰，刘煊，孙雅琪.复杂性科学的主要方法及其基本特征[J].系统科学学报，2016,24(04):28-33.

　　[30]李建会.计算主义世界观:若干批评和回应 [J].哲学动态，2014(01):86-92.

　　[31]杜骏飞.公正传播论（1）：新闻人本主义的兴起[J].当代传播，2022(01):44-50.

　　[32]周葆华，钟媛.“春天的花开秋天的风”：社交媒体、集体悼念与延展性情感空间——以李文亮微博评论（2020-2021）为例的计算传播分析[J].国际新闻界，2021,43(03):79-106.

　　（张子柯：浙江大学传媒与国际文化学院教授，博士生导师；王敏：浙江大学传媒与国际文化学院博士研究生）