基于监督式机器学习的新塑传实践模式

从判别范式与生成范式融合的角度来看，基于判别范式（discriminative paradigm）揭示的传播规律可以作为生成范式（generative paradigm）建构针对实践传播问题的解决方案的基础。既然是解决实践传播问题的基础，传播规律的正确揭示就变得异常重要。在传统传播学研究中，这一传播规律往往是通过对既有传播现象中的一般模式（pattern）进行判别，进而建构相应的传播理论（theory），以提供对过往传播经验观察（observation）的系统性（systematic）的、逻辑性的（logical）解释（explanation）。换而言之，传播理论注重对传播现象的生发机制和原理因由进行解释，从而揭示传播规律。

在这一过程中，概念（变量）被用来建构传播理论。从符号学意义来说，概念（concept）即为符号，由特定术语（即符号的能指）和其所指的具有共识性的意义所组成。这一共识意义即为被公认的构成传播现象的一般抽象元素。而变量（variable），作为一种特殊的概念，由一套具有逻辑关系的、用来表征传播现象中的人、事、物的特征或本性的属性（attribute）组合而成。正如巴比（Babbie[6]）所言，在揭示传播规律的过程中，变量语言成为书写传播理论的语言：传播理论聚焦于建立概念之间的相互关系。这种关系一般是相关关系，更为深入的则是因果关系。而从变量语言的角度来看，传播理论通常建立的是自变量（independent variable）和因变量（dependent variable）的相互关系。自变量被认为是给定的、决定因变量的变量。而因变量则被认为是取决于或由自变量引起的变量。(www.xing528.com)

从塑造传播的角度来看，自变量往往是塑造传播解决方案的各种参数（parameters），而因变量则是依此参数进行的对传播讯息和传播媒介的塑造所取得的传播效果的各种度量（metrics）。自变量参数的不同取值（即不同属性）的不同排列组合即形成了不同的塑造传播解决方案，而不同的塑造传播解决方案自然会取得不同的传播效果。这些不同的传播效果亦由诸多传播效果度量的因变量所表征。对塑造传播而言，相应传播规律的揭示（或者说相应传播理论的建构）是通过建立塑造传播解决方案参数的自变量和取得的相应传播效果的度量因变量的相互关系（即，相关关系或更为深入的因果关系）而建立的。而生成范式恰恰是要在此判别的基础之上，搜寻到能够获得最优传播效果（即，获得传播效果度量因变量的最优值）的塑造传播解决方案的参数自变量的特定取值排列组合，以优化塑造传播解决方案，从而最终提升其解决塑造传播实践问题的效果和效率。