计算传播学的发展与应用

传统的大众传播模式是一对多的模式，我们通过大众传播媒介和把关人对各种信息进行编码和解码。但这种编码和解码的过程，由于其本身相对简单而缺乏双向互动的特征，因此更多地停留在了对传播内容的定性判断上。而媒介组织所开展的对部分受众行为的监测和效果分析，也同样因为传播过程的简单和传播研究方法的局限而大打折扣。事实上，传统的大众传播模式因为是建立在一对多的单向逻辑之上的，所以无论是其内在需求，还是其外在技术，都不需要也不支持大规模的数据收集和运算。

网络传播使得人和组织正在以前所未有的方式不断连接起来，并在这种连接的基础之上增加了大量的传播互动模式和方式，一对一、一对多、多对一、多对多、多对少、少对一、少对多等多种传播模式的排列组合不断涌现，熟人网络与陌生人网络相互交织、即时互动，并且在没有把关人的情况下其传播频率和传播速率变得异常高效频繁。每个人每个组织都需要面对大量的编码，解释和解码过程。传播内容的增加、传播频率的增强，以及传播效果的增进，都会产生大量的数据，同时我们又能够反过来借助这些数据优化传播过程。算法的重要性日益被强化。计算主义在传播过程中的快速普及和广泛应用，正在使其从过去发送者把信息推送给接收者的“推”的逻辑和模式，转变为接收者仅仅通过智能屏幕下拉出他自己所需要的信息的“拉”的逻辑和模式。

随着互联网和移动互联网的快速发展，网络空间实时产生的海量数据为我们观察和研究传播行为和传播过程提供了宝贵的资源。尤其是近年来大数据技术和人工智能技术取得了实质性的突破之后，在数据挖掘、机器学习和智能算法的驱动下，计算主义视角和工具受到了社会科学各大分支领域的广泛关注和充分认可，传播学也开始尝试通过新的思路对传播过程进行解构和重构。在这样的背景下，计算主义被引入传统的传播学研究中来，形成了一个新的交叉学科：计算传播学。

在这个过程中，数据和算法所起到的作用不容忽视。事实上，在技术革命和算法崛起的时代背景下，经济学、营销学、统计学、管理学等社会科学领域的各大分支学科都正在努力建设并完善一套全新的可量化、可计算的研究方法，以更准确、更客观、更全面的视角来发现并解决社会问题。与此相对应的，传播学也借鉴这些学科的最新探索方式和成果，试图通过更加严谨的计算主义方法对传播过程所涉及的各大要素和各类问题进行更好的解释和解答。可以说，计算传播学的发生和发展已经使得传播学的量化研究方法从传统的统计调查思维跨到了与当前大数据思维和技术紧密结合的全新模式。(www.xing528.com)

说到计算传播学，首先涉及“计算”和“可计算”的问题，何谓“计算”，何谓“可计算”呢？事实上，直到目前在计算传播学乃至计算社会科学领域，也没有给出一个非常明确且清晰无误的定义，尽管无论在现实生活中还是在学术研究中我们几乎每天都在“计算”，但这种无处不在的计算正是因为其存在的广泛性而为所有传播学者所忽略，没有太多人专门研究传播过程中的计算问题，也很少有人讨论可计算性究竟是一种理论还是一种方法。直到涉及计算社会科学或者计算传播学的根本定义时，人们才想起来要解释一下什么是“计算”以及什么是“可计算”。这两个概念主要来源于自然科学领域，广义数学中的计算理论（Theory of Computation）是一种用来研究计算过程与功效的数学理论，它主要包括算法、算法学、可计算理论、复杂性理论、形式语言理论等分支方向，其中，可计算性理论（Computability theory）作为计算理论的一个分支，研究在不同的计算模型下哪些算法问题能够被解决。相对应的，计算理论的另一个主要内容是，计算复杂性理论考虑一个问题怎样才能被有效地解决。

计算传播学的概念甫一出现，就在传播业界和学界受到了广泛关注，并获得了快速的发展，其内涵和外延也在近几年被大量的研究者不断地充实和扩展。与此同时，计算主义和数据主义的研究思维和研究方法也逐渐取代了传统的统计调查等量化方法，从而大大扩展了我们对传播现象、传播过程和传播问题的研究范畴和分析能力。

目前，国内典型的计算传播应用模式有智能推荐、计算广告、数据新闻等。这些典型的应用场景之所以能够快速地在市场上取得成功并受到业界学界的广泛关注和认可，实际上是与进入21世纪后互联网技术、大数据技术和人工智能技术的普及密不可分的。这些技术使得大量的用户行为能够以数字化的方式被跟踪和记录，从而为媒体、营销公司和科研机构对用户的深入研究提供了最基本的数据素材。正是因为这些数据具备前所未有的广度、深度和规模，我们才得以从更加客观、更加精确和更加细微的视角来理解整个传播过程所涉及的包括生产者、传播者、用户、媒介、广告主等在内的方方面面，从而为我们理解这个过去看上去如此复杂的传播系统提供了一种全新的视角。