智能生成的新范式：传播学研究的新塑传导论

随着人类社会的不断发展，计算机智能（包括人工智能）、仿生智能等诸多智能开始与人类智能融合，形成“整体大于部分之和”的合力，作用于人类的生产生活。这当然也包括基于生成范式和基于判别范式的学术研究。如前所述，在传统应用传播学研究中，特别是提出真知灼见、对策建议的策论型研究中，生成范式被大量采用。而随着智能融合的加入，传统生成范式得以进化成为智能生成范式。基于智能融合，全新的、能够产生更好效果和更高效率的塑造传播解决方案被建构生成了出来。同样的，在传统理论传播学研究中，判别范式被大量采用。而随着智能融合的融汇，传统判别范式得以进化成为智能判别范式。基于智能融合，判别范式对传播现象的描述、解释、预测的能力得到了更大的提升，建立自变量概念与因变量概念相互作用的关系也有了包括机器学习在内的新科技的助力。因为智能融合的发展，无论是生成范式还是判别范式，都能够从传统范式走向智能范式，这是两者除去假设检验的相似性之外的又一相似之处。

生成范式需要建构塑造传播（即塑传）的解决方案，在此环节加入智能融合的新生产力元素，从传统生成塑传转变成为智能生成塑传以提升解决方案的传播效果和效率是水到渠成的。本书的下一章节也对智能生成塑传的实践新模式进行了阐析。对于判别范式而言，智能融合同样为数据收集和数据分析提供了全新的可能，特别是为实证验证判别范式基于人类智能的逻辑建构的研究假说提供了基于大数据和机器学习的支撑。前者对应的是数据收集，亦对应的是计算机智能储存的一面。而后者对应的则是数据分析，亦对应的是计算机智能计算的一面。

在数据采集方面，当前的移动互联网时代，赛博空间（线上、虚拟）和物理空间（线下、本真）中都布设了大量的传感器。这些传感器如人类智能的“眼耳鼻舌身”的各种感官一样，不间断、无偏见、无死角地记录着人类生产生活的活动。这些传感器并非单指摄像头、动作捕捉传感器、麦克风、陀螺仪、GPS、温度计、加速计、触摸屏等物联网（Internet of Things）常见传感器，而是当人类用户与赛博物理计算机系统进行交互时，其动作往往都会以日志（log）的形式保存下来，这些大量存在的数字碎屑，亦是大数据时代如石油一般可供后续挖掘分析的重要资源。所以在传统传播学研究当中，非常需要传播受众主动通过对记忆诚实地提供自身的感受、认知、态度、情绪和行为。而基于智能融合的数据收集可直接记录传播受众的状态和传播过程所处的情景。例如，传播者、传播受众的各种行为可以被事无巨细地忠实记录（特别是一些传播者或传播受众没有意识到或者无法准确回忆起的行为），为后续数据分析鉴定基础。而智能判别研究在数据采集环节，往往收集的不是传统的随机抽样的小样本数据，而是全样本大数据的分析资料。(www.xing528.com)

在数据分析方面，智能判别研究可以对传播讯息本身进行基于文字、图片、声音、影像的挖掘，对传播受众的感受、认知、态度、情绪进行推测，对传播媒介的拓扑结构、运行状态和信息吞吐进行监测，充分解决传统数据分析当中广度、深度、精确度和效率较低的短板。此外，智能判别研究还能够对假设中建立的非线性、高阶、复杂、混沌的概念（变量）间的相互作用进行挖掘。在传统判别研究中，基于统计分析的研究方法往往不能很好地处理此问题，但机器学习（计算机人工智能的重要技术）对此却是“手到擒来”，不仅可以提供传播理论解释性的功能，还能够提供从自变量到因变量的预测功用。在当前，有一些观点认为，融合了人工智能研究方法的智能判别研究擅长建立的仅仅是自变量和因变量的相关关系，而非两者的因果关系。诚然，在理论传播学的传统判别研究中，因果关系的揭示相较于相关关系而言更具有价值，也更为研究者所重视和强调。但因果关系和相关关系的建立早在研究设计时就已形成分野，数据分析阶段的方法也并非形成这一区别的决定性因素。事实上，在传播学传统判别研究之中（特别是自变量对因变量的影响类研究中），基于实验研究的判别也比基于调查研究的判别更擅于建立因果关系，即便两者在数据分析的环节都采用了传统判别范式中主流的社会统计方法来建立自变量和因变量的相互作用关系。而对于融合了人工智能（特别是机器学习）的智能判别数据分析环节而言，自变量和因变量的相互作用关系揭示的关键在于能够对建构的、数学模型进行可解释的解构。若这种“建构白盒”或“打破黑盒”解构是成功的，那么两者之间的相互作用自然可以被阐析，完成对智能判别研究的假设的实证验证。在随后章节的阐析中可以发现，当前“可解释的机器学习”的不断进展正使得基于机器学习建构的融合人工智能的智能判别范式建构可解释的、非线性关系（同时包括相关关系和因果关系）成为可能，为传播学理论研究的推进贡献力量。