计算机科学的研究范式：新塑传导论

计算机科学的研究关注于应用实践目标问题的解决：形成目标问题需求、建构相应的全新解决方案、以解决问题的效果效率衡量该解决方案是否能够在满足目标问题需求的同时超越当前最为先进的解决方案（the state-of-the-art）。在效果效率上满足目标问题需求，更多关注的是其应用价值，而超越当前最为先进的解决方案，更多关注的则是其学术价值。在计算机科学的研究中，若能够建构出超越当前所有选择的解决方案，则令人类对如何更有效、更高效地解决该目标问题又有了更进一步、更深一步的认识。图3.1.2展示了计算机科学的研究范式。

图3.1.2　计算机科学的研究范式

在计算机科学中，完整的解决方案一般是以“系统”（system）的形式出现，其包含相关的组成部件、内部运行的法则和与外界交互的规则。三者都以参数（parameter，即用于控制该系统的变量）来调节。欲获得解决目标问题的有效性和高效性，不仅要对这三者进行相应建构，更需要对控制它们的参数取值的排列组合进行恰当掌控。

从解决方案系统与外界交互的角度来看，计算机科学的研究有“硬”和“软”之分。“硬”计算机科学并不太关注与用户的直接交互（但仍然有间接交互），更多的是强调计算机系统自身的功能和性能的提升，如计算机系统（computer systems）、计算机网络（computer networks）等研究领域。“软”计算机科学则关注计算机系统与用户的直接交互问题，如人机交互（humancomputer interaction，HCI）等研究领域。从传播学的角度对计算机科学这两大分类的相关研究进行审视，可以发现“硬”计算机科学更多关注于传播媒介的自身建构，“软”计算机科学则更多关注传播媒介与传播者和传播受众进行互动的场景。在研究范式上，“硬”计算机科学和“软”计算机科学的形成目标问题需求、探寻当前最为先进的解决方案、建构自身的解决方案这三大环节皆相同，唯一的区别在于如何衡量建构解决方案的相对有效性和高效性这一环节上。

在“硬”计算机科学研究中，其衡量解决方案的有效性和高效性的范式主要采用的是数学建模（analytical modeling）、仿真模拟（simulations and emulations）、实证实验（emperical experiments）三种。数学建模是对建构的解决方案的算法模型和当前最为先进的解决方案的算法模型同时进行基于数学的分析和比较，以衡量建构的解决方案的性能。仿真模拟与实验实证则都需要对建构的系统以及当前最为先进的系统同时施加设计好的工作量（workloads），并相应测量、比较能够表征其性能的各种量度（metrics），以此衡量建构解决方案的相对有效性和高效性。仿真模拟与实验实证的区别，在于前者的衡量过程是在虚拟环境（即simulations）中或虚拟和现实融合的环境（emulations）中进行的，而后者则是在现实环境中进行的。杰恩（Jain[7]）对“硬”计算机科学研究的衡量建构解决方案的相对有效性和高效性这一环节，在其广泛为计算机科学家认可并传授的专著《计算机系统性能分析——实验设计、测量、仿真模拟和数学建模的技术》（The Art of Computer Systems Performance Analysis：Techniques for Experimental Design，Measurement，Simulation，and Modeling）中进行了详尽的论述。就这三种衡量方法的外部效度而言，在内部效度和信度都能够保证的情况下，数学建模、仿真模拟、实证实验的外部效度呈现出依次递增的特点。换而言之，运用数学建模得出的解决方案有效性和高效性的结论，比如运用仿真模拟得出的结论，更容易适用于应用实践当中。而通过仿真模拟得出的结论不如实证实验中得出的结论拥有的外部效度高。事实上，即使在实证实验中，也存在细微的区别。若进行实证实验的解决方案系统是已经投入生产生活实践当中的系统，而非仅仅一个为了证明建构解决方案有效高效的模型系统（demo system），则其外部效度更高。

从传播学研究范式的角度来看，数学建模在主流上并不适用。人类社会的生产生活系统具有天生的非线性（non-linear）特征（包括混沌性、复杂性等），包含其中的传播系统自然也不例外。虽然传播学界有过运用数学对传播现象建立抽象模型并分析、揭示相应传播规律的尝试，但是所得结论往往因为模型过于理想化而没有考虑到人类传播系统的复杂性而使外部效度低下，无法真正运用于传播实践。甚至在学术研究当中，其结论都容易引起质疑。(www.xing528.com)

相比之下，仿真模拟和实验实证早已融合进传播学研究范式之中，其作为逻辑实证中的“实证”研究方法被广泛使用。实证实验作为传统传播学研究的经典的观察方式（modes of observation）之一种，被认为是能够在相关关系的基础上，真正证实因果关系的唯一有效方法。而仿真模拟则被计算社会科学（Computational Social Science）广泛采用。具体而言，基于主体的建模与仿真模拟（Agent-Based Modeling and Simulation）已经成为除去大数据挖掘和大规模互联网实验之外支撑其学科建构的三大支柱之一。在2018年于美国西北大学Kellogg商学院举行的第四届计算社会科学年会上，基于主体或其他的社会现象的仿真模拟（agent-based or other simulation of social phenomena）已是重要的话题之一。

在“软”计算机科学研究中，其衡量解决方案的有效性和高效性的范式反而采用较多的社会科学的研究范式。正如Lazar等[8]在其合著的人机交互研究领域《人机交互研究方法》（Research Methods in Human-Computer Interaction）一书中所言：人机交互研究领域基于多个学科，包括计算机科学、社会学、心理学、传播学等。而多个学科的研究方法都被改良用于进行人机交互研究。例如，在心理学当中常用的实验设计和观察方法，在社会学当中常用的调查问卷（survey）、日记（diary），在广义社会科学中常用的案例分析（case studies）、访谈及焦点小组（interview and focus group）、民族志（ethnography）等，都被成功引入。事实上，这与传播学研究中大量引入上述研究方法的情形十分类似。

而人机交互研究领域的诸多研究方法也开始融入传播学研究中。例如，肌电图（electromyography，EMG）研究方法、脑电图（electroencephalography，EEG）研究方法、眼动传感和追踪（eye-tracking）研究方法、传感器研究方法等，被用于衡量传播受众的感受、认知、态度、情绪、行为。而诸如亚马逊公司的MTurk（Amazon Mechanical Turk）平台则提供了人机交互研究和传播学（特别是计算机社会科学领域）研究共同的大规模互联网实验的可能性。

人机交互领域在1982年成型。当时在美国马里兰州的盖瑟斯（Gaithersburg）举办了第一届的“计算机系统中的人类要素”（Human Factors in Computing Systems）学术会议，后来演变为计算机科学的顶级会议SIGHCI。最初的人机交互研究集中在关注用户与自动化软件的交互；随着社交网络的发展（2004年脸书的出现、2006年推特的面世等），使用者生产内容（User Generated Content）的分享成为了研究重点；随着智能移动设备的发展（2007年苹果智能手机的出现、2008年谷歌G1智能手机的出现），特别是多点触摸屏（multi-touch screen）技术的成熟，人机交互的研究开始集中在用户与智能移动互联媒介的交互上；而到现在，人与人之间的连接与沟通（众筹、共享、合作）、人机交互的情感变化、人与新媒介的交互（传感器、手势、虚拟增强现实、可穿戴设备）等才是研究的重点。

对上述分析进行总结可以发现，人机交互领域研究重点的变化与传统传播学研究具有相似性：每当全新的技术催发出全新媒介，人机交互学者就开始关注人类用户与其的交互。但区别在于，人机交互研究需要首先建构出解决人类生产生活的解决方案系统（即，生成解决方案），然后再研究人类用户与系统的接口（interface，即解决方案系统与外界交互的媒介）之间的互动；而传播学研究则不需要建构相应系统，并且要等到该系统（媒介）广泛为大众所使用才开始进行研究（即，判别解决方案）。这从根本上产生了传统传播学研究既需要等待科技创新，又需要时刻追赶科技创新的矛盾（dilemma）。