计算传播学：传播变革与学科转向

数字化、网络化、移动化、智能化，使得我们每个人都正在成为建立在大数据基础之上的智能媒体时代的受益者。过去二十年，中国跑步进入信息社会，与此同时中国的媒体产业跑步完成了从数字化向智能化的进阶。但是在当前的人工智能与媒体创新应用遍地开花的大环境下，对于新背景下新闻传播实践的学术思考则显得相对有些落寞。在新的智能革命的大前提下，传播学领域亟须新的学科洞见和新的理论拓展。因为，当信息社会已然降临，数以亿计的公民将大量的注意力全神贯注在由所有节点共同构建的智能媒体巨大网络生态的时候，我们必须用更高水平的概念来界定自己、用更高层次的理论来武装自己、用更高视野的哲学来升华自己。

所以在技术革命驱动之下初现雏形的智能媒体大时代，我们要的是一种全新的具有深刻阐释性和前瞻性的传播学，或许计算传播学是一个能够在很大程度上具有高度概括性的范式，它能够帮助我们重新思考新技术、新媒体、新环境下个人的身份、知识的本质和学科的基础等核心问题。这些问题包括但不限于：传播的本质是什么？智能媒体时代的社交有什么差异化？我们怎样在算法控制的世界中完善自我？我们如何在数据开放与隐私保护之间寻找平衡点？我们真的变得千人千面了吗，抑或是我们仍然是所谓的乌合之众？当然，计算传播学并不可能基于这其中的某一个问题或者某一项应用就能够发展出一套理论范式，它需要建立在更宏观、更整体、更全面的视角下进行一种全新的学术研究探索。这种探索为身处智能媒体时代的所有人提供了崭新的理论工具和探究方法，从而帮助我们更好地理解当前的很多传播技术和传播现象，并最终帮助我们发展出更完善的传播学思想体系。

没有理论的建构就没有实践的升华，没有应用的创新也同样没有学术的拓展，当产业快步冲锋在前的时候，研究已经站在了一个寻求突破的历史节点上，计算传播学正是在这样的背景下发生和发展起来的。它是传播学领域寻找新的确定性时必然会看到的一个路标，并因其强大的张力吸引了越来越多研究者的目光，使他们共同致力于探索一种富有指导性的逻辑框架，为智能媒体时代创建一种稳健、完善、合理且丰富的传播学话语体系，它将重点探讨大数据、算法与人工智能如何影响到信息的生产、编辑、分发、反馈等传播环节以及我们与整个世界的沟通方式等问题。

未来今日研究所（Future Today Institute，FTI）是一家聚集了很多未来科学家的研究机构，它们的研究重点是未来技术如何变革我们的生活、工作和管理方式，在FTI发布的《2018年传媒业技术趋势报告》中，提到了传媒从业者应该重点关注的75个重要技术发展趋势，这其中的很多趋势与智能媒体和计算传播学息息相关，例如深度学习、机器阅读理解、计算新闻学、5G通信网络等，这些技术都在以前所未有的程度影响着当前的媒体朝着更加智能化的方向演进。

举例而言，实时机器学习技术（Real-Time Machine Learning）意味着已经开发出来的计算机程序和智能机器人已经完全可以做到在获取数据的同时，马上根据已经取得的数据调整相应的模型了。在这样的前提下，真正称得上智能化的媒体就可以根据用户当前在手机应用的浏览速度、关注焦点，乃至用户情绪进行更加精准的内容推荐，或者实时调整页面的字体、颜色、风格以更适应不同用户的阅读习惯。更进一步的，机器阅读理解技术（Machine Reading Comprehension，MRC）也取得了更加实质性的进步。我们每个人都有一个深入的体会，试想，当你利用百度或者其他搜索去查询某一个具体的问题时，你是希望系统给出一个准确的答案，还是希望它给你的是一堆URL链接让你自己去找？当然是前者，毕竟我们需要的是答案，而不是搜索引擎给到我们无数的链接让我们自己判断哪一条才是我们真正想要搜索到的结果。

这个时候，机器阅读理解技术就派上了用场，我们可以通过语音向siri提出一个具体的问题，它通过具体的分析来推断你所提出问题的具体含义，并快速地综合所有互联网上所搜索到的海量数据，迅速给出一个令你满意的答案。类似的，自然语言理解技术（Natural Language Understanding，NLU）可以通过提取概念、梳理关系、分析情绪、判断观点等方式，帮助我们将即时通信工具、各种社交网站以及大量的日常语音对话等非结构化的语言转化成清晰可见的舆情动态。这个实验室进行的更有意思的一项研究是，它们的科学家正在训练机器人观看电视节目，而且在观看了大量的视频以及类似《绝望的主妇》这样的电视剧之后，这台基于人工智能的机器人设备已经能够非常准确地预测视频中的人物的下一个动作将要握手、击掌、拥抱或者亲吻了。

很难想象有什么东西还没有被这场智能媒体革命所转变或是重新定义。这意味着，旧的传播学问题正在升级或重构，我们需要重新思考个人的身份、沟通的本质、传播的基础等问题。今天的传播学领域，无论是那些技术的乐观派还是悲观派，都会时不时地问一个非常类似的问题——接下来的技术创新会是什么样的？它们将会以怎样的方式继续改变传媒格局？同样的，传播学者也在以一个更加深度的视角思考这些话题。技术创新背后的全新逻辑已经正在以更加广泛、更加深刻和更加具体的方式创造和重塑着传播学的理论基础和现实基础，改变着我们对于自身、对于他者、对于世界的既有认知，重构着我们通过媒体手段和传播方式所建立起来的自身与他人之间的互动关系，并从根本上升华着传播学的世界观和方法论。(www.xing528.com)

这种世界观和方法论的升维主要得益于智能媒体近些年来的快速发展，而智能媒体的快速发展又是建立在人工智能技术取得实质性突破的基础之上的。人工智能关注的焦点主要在于如何利用计算机去模拟、延伸和扩展人类智能，即通过计算机模仿人的某些思维过程和智能行为（如学习、推理、思考、规划等），其具体内容主要包括计算机实现智能的原理和制造类似于人类智能的计算机。而建立在人工智能基础之上的智能媒体关注的焦点则更加具体，它希望通过利用人工智能模仿人类思维和人类行为的大量创新技术，实现更加高效、实时、精准和智能的信息传播目标。因此，无论是智能媒体作为一种全新的世界观，还是计算传播学作为一种全新的方法论，它探讨的根本议题都非常明确，那就是在大数据、算法、人工智能赋能传播的新时代，如何在充分尊重人性的前提下，匹配用户的信息需求和内容偏好，并提升这种建立在强大的计算能力基础上的传播过程的效果。通过智能媒体生态，我们能更精确地依靠目标人群的知识图谱、用户画像和标签体系实现精准匹配，用户不仅更加智能地搜索到自己想要的信息，还能够接收到算法技术根据用户需求主动推荐的信息。从而实现从人找信息到信息找人的本质性转变，因此在未来的理想化的计算传播景观中，任何非智能化、非个性化的内容推荐都在一定程度上可以被视为某种信息噪声。

从传播学的视角来看待搜索引擎和推荐引擎，这二者都是用户获取信息非常重要的方式和手段。试想一下，在过去的大众传播时代，我们主动去报刊亭购买一张报纸，是不是一种信息搜索行为？我们拿着遥控器不停地切换频道，是不是一种信息搜索行为？我们通过百度关键词查找的方式查询咨询，是不是一种搜索方式？我们通过购物网站的搜索栏查找商品，是不是一种搜索方式？获取信息是人类认知世界、生存发展的刚需，搜索就是最明确的一种方式，其体现的动作就是“人找信息”，这意味着无论是在传统大众时代的信息搜索，还是在互联网时代的搜索引擎，在信息的获取和信息的传播过程中，用户都具备很大程度的主动性，他非常清楚自己对什么样的信息和内容感兴趣。他知道自己喜欢财经新闻所以才去报刊亭买了一张《21世纪经济报道》，他知道自己喜欢综艺节目所以才把电视频道定位在了湖南卫视，他知道自己想要了解北京信息科技大学的网络与新媒体方向，所以在百度的搜索框中输入了这所大学的名称。在个性化内容推荐系统没有被大规模地应用于新闻传播领域之前的大众传播和网络传播时代，搜索的方式是人们获取信息的主要方式。但是还存在一种情况，那就是用户并不清晰自己的信息需求和内容渴望，就好像逛商场有时候纯粹就是闲逛一样的道理，但用户还是在商场购买了点什么东西。在这样的场景下，用户有时候特别需要一种商场闲逛攻略向他推荐一下每一个店铺的特色产品，或者需要一种应用程序主动向他推送一些他可能感兴趣的内容，从而填补他目的并不明确的闲散时间。这个时候，以今日头条为典型代表的内容个性化推荐应用快速地成长起来，推荐系统要解决的问题是信息应该如何更好地匹配给用户。与此同时，推荐引擎非常关注的另一个话题是，用户的信息获取和消费行为是如何影响了信息的生产和分发。

从传播学的角度来讲，抛开传统人工主动搜索信息的方式，搜索引擎和推荐引擎的基本架构存在很大的相似成分：二者都是为了更好地实现信息呈现和用户需求之间的最优化匹配。当然，它们之间也存在很大的差异：前者是目的明确地主动获取信息，后者是无目的地获取信息；前者是标准化的答案，后者是个性化的内容；前者是快速地满足用户需求，后者是持续地提供信息服务。在《内容算法》一书中，闫泽华也提到这样的观点：“推荐与搜索最大的差异在于用户表意是否明确。因此，推荐系统需要尽可能地完善用户的长期画像（对哪些类目、实体词、话题感兴趣）和短期场景（时间、地点信息），这样才能够在用户每一次请求时更好地揣摩用户当下的意图，以便进行后续的内容匹配。”^[4]举例而言，使用搜索引擎的时候，用户想要了解北京信息科技大学网络与新媒体系的具体情况，于是他在百度搜索中输入了学校名称，点击了搜索按键，呈现在他面前的搜索结果与呈现在另一位也搜索了北京信息科技大学的用户面前的搜索结果，是完全一样的，只要网速足够快，他们二人完全可以在不超过1秒的时间内快速得到同样的搜索结果。但是推荐引擎不同，当用户打开内容推荐应用软件的时候，他所使用的设备会在第一时间将这位用户的时间、地点、网络、手机型号、登录ID等大量信息提交给系统，系统通过对用户过往历史数据（如阅读内容、停留时长、分享评论等）的分析，推断出这名用户可能比较关注北京的高校，这时候它试探性地把北京信息科技大学网络与新媒体系相关的一篇内容推荐给这位用户，这位用户并没有明确想要了解这些内容，但他还是有意识或者无意识地点击了进去，并从头到尾阅读了全部图片和文字，这样一种正向的反馈使得推荐系统强化了这位用户的“高校”“大学”或者“北京信息科技大学”这样的标签，在以后的时间里，系统会持续地向他推荐类似的内容，久而久之，这位用户的推荐页面就与其他用户的推荐页面形成了“千人千面”的个性化信息获取界面。

“简单来说，好的搜索算法是需要让用户获取信息的效率更高、停留时间更短。但是推荐引擎恰恰相反，推荐算法和被推荐的内容（例如商品、新闻等）往往是紧密结合在一起的，用户获取推荐结果的过程可以是持续的、长期的，衡量推荐系统是否足够好，往往要依据是否能让用户停留更多的时间（例如多购买几样商品、多阅读几篇新闻等），对用户兴趣的挖掘越深入，越“懂”用户，那么推荐的成功率越高，用户也越乐意留在产品里。”^[5]当然，我们所说的“从人找信息到信息找人”的本质性转变，并不意味着我们不再需要目的明确的主动搜索行为，而是说在主动搜索之外还有大量的媒介信息消费行为，是通过个性化的推荐方式来满足那些目的并不明确的信息获取需求的，这些应用也在越来越多的传播场景下弥补了主动搜索本身的局限。尽管二者之间存在着很多的差异之处，但它们在本质上都是大数据技术和计算传播学的应用分支，而且实际应用中存在着大量相互叠加、相互补充的情况。比如百度搜索从近几年开始，除了向用户呈现标准化的搜索结果之外，也向用户呈现诸如“相关推荐”“相关搜索词”等内容以提升内容的精准匹配程度。再如，微信朋友圈除了大力强化朋友圈的功能之外，也在它的朋友圈广告中运用了程序化广告的精准投放技术，并且上线了基于算法推荐的“看一看”功能。诸如天猫、京东、亚马逊等电商网站更是将搜索与推荐两种算法思维相互结合发挥到了极致。

事实上，无论是搜索引擎优化还是推荐引擎优化，其本质都是建立在大数据、算法和人工智能基础之上的信息的精准化传播和个性化匹配。而计算传播学作为一种全新的分支学科和交叉学科所要做的，就是努力去识别和解释对传播学带来深刻颠覆的这些技术性力量，对它们进行真实有力的把握和阐释，并把它们给传播学造成的影响上升为一种抽象的理论和宏观的框架。我们正在经历一场意义深远的传媒产业革命和传播学科革命，这场革命很大程度上是由数据科学、计算机科学和人工智能科学驱动的，它对经典传播学的理论框架提出了挑战，但更重要的在于它并不是要彻底推翻其基本假设和理论模型，而是要在既有的传播学生态中建立一个全新的分支学科，从这个角度来看，计算传播学的发展对于整个传播学生态的升级来说，是一次绝佳的机会。计算传播学作为一个分支学科，能否快速地发展并成熟起来，完全取决于我们能不能在充分吸收经典传播学理论精髓的基础上，更加充分地利用好全新的大数据和人工智能技术，用它们来拓展传播学的学术视野和研究方法，并避免过去研究中常犯的主观错误。当然，亟待解决的问题依然还很多，例如，我们怎么才能更好地将数据主义、计算主义、智能主义的思维运用到传播学的研究过程中去？为了使这些技术在传媒实践和传播研究中更好地发挥作用，传统的传媒组织和传播学院应该如何变革呢？在努力利用技术创造一种友好型的信息传播和用户体验环境时，还有哪些巨大的风险隐藏在其中？技术会为传播赋能，还是会对用户进行控制？计算传播学的理念和方法是不是实现信息与用户完美匹配的最优选择？在解决传播学、社会学乃至政治学领域很多棘手问题的事情上，计算传播的思维是带来了新的契机还是恶化了旧的困局？这些问题都促使着当前深处计算传播学领域的所有研究者进行更加深入、更加全面、更加客观的理论思考，将它们与过去的历史沿革和当前的传播现状紧密地联系在一起，并进行大胆的假设、严谨的探索和无畏的突破，从而更新和完善传播学的思想体系，甚至对很多已经过时的观点、方法和理论进行彻底的替换。