交叉學(xué)科視野下的社會計算和社會化媒體研究

金兼斌　楚亞杰　林成龍　游淳惠　侯佳希⁽¹⁾

一個廣被引用的定義將社會化媒體稱為“基于Web2.0理念和技術(shù)基礎(chǔ)的一系列互聯(lián)網(wǎng)應(yīng)用，它允許用戶生產(chǎn)內(nèi)容（UGC）的創(chuàng)造和交換”（Kaplan & Haenlein，2010）。它塑造了一種在個人、社區(qū)以及更大的社會層面相互影響的新型人類互動平臺。對社會化媒體用戶來說，線上世界和線下世界逐漸相互滲透（van Dijck, 2013）。這個定義凸顯出社會化媒體技術(shù)形態(tài)的兩個核心特征：一是它根植于Web2.0的理念、文化和技術(shù)基礎(chǔ)；二是用戶生產(chǎn)內(nèi)容的生產(chǎn)和流通。

一、Web 2.0話語中的社會化媒體

從時間看，Web 2.0產(chǎn)生于新千年互聯(lián)網(wǎng)泡沫破滅以及隨后各類移動應(yīng)用風(fēng)生水起之時。但圍繞Web 2.0的討論，已經(jīng)超越了互聯(lián)網(wǎng)技術(shù)的更迭，形成了一套Web 2.0話語。與這套話語相關(guān)的表述有：數(shù)字技術(shù)的民主化（democratizing digital technology）、大眾分類法（folksonomy）、聰明群眾（smart mobs）、自由文化（free culture）等。在更深層次上，Web 2.0話語是一種“數(shù)字例外主義”（digital exceptionalism），即互聯(lián)網(wǎng)與其他傳播形式截然不同，也因此不受類似法律和市場力量的約束（Marwick, 2013）。社會化媒體及其所扎根的Web 2.0文化，混雜了高科技版的美國夢、加州夢、DIY精神、黑客精神、開源精神、資本神話、技術(shù)民主化、獨立媒體、數(shù)字烏托邦等各種來源。

社會化媒體本身也是一個復(fù)雜體，包括諸多相悖的邏輯。包括Kaplan和Haenlein的社會化媒體定義在內(nèi)，眾多有關(guān)社會化媒體的表述都將用戶置于中心，這也是運作社會化媒體的公司和組織樂于宣揚的理念。這一視野下的社會化媒體，可被視為人類連接/聯(lián)系網(wǎng)絡(luò)的催化劑和促進者，通過這樣新興的人際交融聯(lián)結(jié)的網(wǎng)絡(luò)，傳播個人的創(chuàng)意、價值理念及品位等。

一方面，社會化媒體宣稱賦權(quán)（empower）予每一個普通人，這種解放性的（emancipating）力量也成為眾多研究者關(guān)注的核心。賦權(quán)表現(xiàn)之一是用戶生產(chǎn)內(nèi)容的創(chuàng)造與交換，大部分Web 2.0平臺在開始時都扮演著一種為用戶間創(chuàng)造、傳播、分享內(nèi)容提供服務(wù)的角色。另一方面，一種常見的謬誤是將平臺僅僅視為社交網(wǎng)絡(luò)活動的促進器，而沒有意識到這一平臺對人們所思所想的影響（Christakis & Fowler, 2009）。研究者提醒我們注意，這些平臺和人們的社交實踐是相互建構(gòu)的（van Dijck, 2013）。與此同時，社會化媒體背后的商業(yè)邏輯，同樣驅(qū)動著這些平臺不斷從用戶之間的連接中獲利。

需要強調(diào)的是，Web 2.0表述本身容易制造一種線性的演變觀念。事實上，作為Web 2.0代表性產(chǎn)品的社會化媒體并非橫空出世，它與早期互聯(lián)網(wǎng)應(yīng)用和正在發(fā)展的移動應(yīng)用緊密相關(guān)，并不斷發(fā)生變化。隨著社會化媒體的演變，社交技術(shù)和功能不斷融合，靜態(tài)的分類方式越來越不能應(yīng)對社會化媒體的變化。

采取批判視角的研究者如van Dijck（2013）等注意到社會化媒體“社會性”的雙重內(nèi)涵：人與人之間的聯(lián)系（connectedness）和編程實現(xiàn)的自動型連接（connectivity）。在對社會化媒體進行的社會研究中，區(qū)分這兩種既相互關(guān)聯(lián)又性質(zhì)上各不相同的連接，不僅是意味深長的，也是十分必要的。許多社會化媒體的CEO都有意使之混為一談，他們更愿意強調(diào)第一個社會性意義，即社會媒體或社交網(wǎng)絡(luò)幫助搭建和增強了人類的聯(lián)系，而對第二層意義，即對連接的技術(shù)性/物理性基礎(chǔ)對社會性連接的形塑乃至決定性盡量秘而不宣。馬克思關(guān)于經(jīng)濟基礎(chǔ)決定上層建筑的論述，一定程度上也適用于技術(shù)性網(wǎng)絡(luò)對社會性網(wǎng)絡(luò)的某種制約和形塑關(guān)系。由此看來，F(xiàn)acebook創(chuàng)始人Zuckerberg提出的“使網(wǎng)絡(luò)社會化”（making the Web social），實際上更像是“使社會性技術(shù)化”（making sociality technical），利用技術(shù)手段引導(dǎo)、形塑乃至操縱人們的社會交往方式，由自動連接形成的數(shù)據(jù)成為可以利用的資本。從這個意義上說，也許“連接性媒體”（connective media）一詞比“social media”一詞更恰當(dāng)?shù)孛枥L了社會化媒體對我們社會和生活所帶來的影響。

二、傳播學(xué)視角研究總覽

關(guān)于傳播學(xué)視角的社會化媒體研究，我們從以下兩個方面加以介紹和總結(jié)。

（一）社會化媒體趨勢研究

從傳播學(xué)研究來看，面對蓬勃發(fā)展的社會化媒體現(xiàn)象以及不斷涌現(xiàn)的相關(guān)研究成果，研究者也試圖對社會化媒體進行所謂的“趨勢研究”（trend study）。趨勢研究在新媒體研究中具有一定意義的“元分析”（meta-analysis）特點：描摹出某一研究領(lǐng)域?qū)δ骋蛔h題的研究現(xiàn)狀，包括已有研究的理論取向、方法取向、研究問題的階段等。Tomasello, Lee和Baer（2010）曾對互聯(lián)網(wǎng)和數(shù)字技術(shù)研究開展了“趨勢研究”，并得到頗具啟發(fā)的研究發(fā)現(xiàn)。

遵循這一研究路徑，Khang，Ki和Ye（2012）檢索1997—2010年廣告、傳播、營銷和公關(guān)四大領(lǐng)域內(nèi)發(fā)表于英語學(xué)術(shù)期刊上的標題含有“社會化媒體”的論文，對之進行量化分析。張明新和陳柏伊（2013）對2007—2012年傳播學(xué)領(lǐng)域的英語期刊上有關(guān)社會化媒體研究進行跟進。這些趨勢研究的主要發(fā)現(xiàn)有：

第一，上述四個學(xué)科領(lǐng)域中，與社會化媒體研究相關(guān)論文數(shù)量呈現(xiàn)增長趨勢，意味著社會化媒體越來越受到學(xué)者們的關(guān)注。這些不斷增長的論文與社交媒體網(wǎng)站的出現(xiàn)和風(fēng)行同步（例如2004年進入大眾市場的Facebook、2006年的Twitter）。

第二，社會化媒體研究更頻繁地出現(xiàn)在以新傳播技術(shù)為焦點的期刊，而不是傳統(tǒng)主流學(xué)術(shù)期刊上。因為這些新媒體期刊比傳統(tǒng)期刊更早更快地擁抱社會化媒體現(xiàn)象。值得關(guān)注的是，以新媒體為中心的期刊近幾年獲得了較高的影響因子（如Journal of Computer-mediated Communication，簡稱JCMC），在四個學(xué)科展示了發(fā)展?jié)摿Α?/p>

第三，就研究議題來看，學(xué)者大都強調(diào)“社會化媒體使用、對社會化媒體的感知和態(tài)度”，其次是“作為大眾或個人傳播工具的社會化媒體”“與社會化媒體相關(guān)的社會性（如種族、性別等）或政治性（如政治候選人、選舉）”等議題。

第四，就理論框架而言，近40%的社會化媒體研究展現(xiàn)了理論框架，與過去互聯(lián)網(wǎng)相關(guān)研究僅有15%有理論框架相比，這一發(fā)現(xiàn)令人鼓舞。但大多論文不是對現(xiàn)有理論框架的應(yīng)用就是對它的復(fù)制，而未能提出替代性或創(chuàng)新性解釋和分析框架。

第五，從研究方法使用和數(shù)據(jù)收集等來看，社會化媒體研究中的定量研究（58.8%）遠超非定量研究（35.3%）；采用問卷和實驗的研究中，線上方法比線下數(shù)據(jù)搜集方法使用得更多；社會化媒體研究的抽樣方法仍需改進，因其中近80%都是非概率抽樣。

第六，根據(jù)Wimmer和Dominick（2010）劃分的大眾傳播研究四階段（媒介自身與使用、媒介的使用者、媒介效果以及媒介的發(fā)展），Khang等認為過去14年內(nèi)的社會化媒體研究，多集中于社會化媒體的使用和用戶研究（大眾傳播研究的第二階段），之后是社會化媒體效果研究（第三階段）以及對社會化媒體自身的研究（第一階段），有關(guān)社會化媒體發(fā)展改進（第四階段）的研究尚比較缺乏。

（二）“社會化媒體的邏輯”探討

社會化媒體平臺改變了社會互動的情境和規(guī)則，它不僅影響著人們的非正式交往，還影響了機構(gòu)的組織架構(gòu)、職業(yè)的例行事宜。Jose van Dijk和Thomas Poell（2013）提出“社會化媒體邏輯”（social media logic）的概念，以此來揭示社會化媒體對其他社會組織的影響。社會化媒體邏輯指的是支撐社會化媒體、大眾媒體、用戶、社會組織之間互動的那些規(guī)范、策略、機制、經(jīng)濟規(guī)則等。

這一說法源于Altheide和Snow（1979）提出的大眾媒體邏輯（mass media logic），他們認為大眾媒體通過發(fā)展一種自然化了的支配性話語，引導(dǎo)公共領(lǐng)域的其他組織，從而獲得權(quán)力。這些話語合法性的來源包括媒體對現(xiàn)實的框架能力、媒體自身中立和獨立的宣稱等。遺憾的是，隨著媒介本身的變化，“大眾媒體邏輯”的概念并未得到適時的更新和發(fā)展，也遠未被理論化。

Jose van Dijk和Thomas Poell，從控制信息和傳播過程角度，對社會化媒體邏輯與大眾媒體的邏輯進行了對比。他們提出社會化媒體邏輯有四個基本元素：可程序化（programmability）、流行性（popularity）、連接性（connectivity）及可數(shù)據(jù)化（datafication）。

可程序化指的是（1）社會化媒體平臺刺激和引導(dǎo)用戶進行創(chuàng)造性或溝通性貢獻的能力；（2）用戶通過與這些被編碼的情境互動，影響平臺信息流的能力。前者與信息技術(shù)有關(guān)，涉及編程、算法、界面等，例如Facebook平臺的“喜歡”（like）、“加為好友”（friending）、“分享”（share）、“你可能認識的人”（people you may know）等。這些算法的威力在于其可編程性，程序員由此引導(dǎo)用戶的體驗、內(nèi)容生產(chǎn)及用戶之間的關(guān)聯(lián)等（Beer, 2009）。后者強調(diào)的是人的作用，用戶可以選擇接受或拒絕平臺設(shè)計的算法。這些看不見的技術(shù)機制，與大眾媒體通過編輯策略、節(jié)目編排實現(xiàn)的議程設(shè)置有相似的邏輯（Gillespie, 2010）。

流行性指的是社會化媒體平臺篩選流行內(nèi)容（觀點、事物、名人）的能力。盡管不同社會化媒體平臺推選話題和優(yōu)待特定使用者的方式有所不同，但這種凸顯能力是普遍存在的。同時，不同平臺試圖發(fā)展出自己對流行性的計算參數(shù)，從而提升本平臺及平臺用戶的價值。與可程序化類似，一方面，社會化媒體平臺的流行性原則也是通過算法賦予不同內(nèi)容迥異的權(quán)重實現(xiàn)的；另一方面，用戶仍有拒絕的權(quán)利。同樣，社會化媒體制造流行的能力與傳統(tǒng)大眾媒體類似。

連接性指的是網(wǎng)絡(luò)化平臺用以連接內(nèi)容、用戶行為和廣告主的社會性技術(shù)供給。這種連接性特征同樣存在于大眾媒體之中，但與大眾媒體在地理或人口特征上的受眾連接不同，社會化媒體平臺以用戶自發(fā)或平臺推薦的小組為區(qū)分。社會化媒體的連接性是雙向的，它在向用戶推送自動連接的同時，也允許用戶自發(fā)結(jié)成小組。Barry Wellman等（2002）提出的“網(wǎng)絡(luò)化的個人主義”（networked individualism）指的就是這種在網(wǎng)絡(luò)上發(fā)生的、以個人為中心、以興趣為連接點的新型社會網(wǎng)。Bennett和Segerberg（2012）發(fā)現(xiàn)當(dāng)代的抗爭經(jīng)歷了從“共識性”（collective）行動到“連接性”（connective）行動的轉(zhuǎn)向，組織變得規(guī)模龐大但是松散流動。

可數(shù)據(jù)化指的是社會化媒體平臺將現(xiàn)實世界此前無法量化的特征進行量化的能力，例如從手機GPS獲得的地理位置信息、Facebook上的關(guān)系網(wǎng)等。隨著社會化媒體公司的逐步成熟，之前作為副產(chǎn)品的數(shù)據(jù)漸漸成為牟利的資源。數(shù)據(jù)化也使社會化媒體平臺得以發(fā)展出預(yù)測和實時分析技術(shù)。除了評分、投票、問卷等形式外，還挖掘社交流量進行輿論分析、情感分析等。特別是Twitter更視自己為傳統(tǒng)民意調(diào)查的取代者。

但數(shù)據(jù)特別是原始數(shù)據(jù)是中立的嗎？Lisa Gitelman（2013）提出“原始數(shù)據(jù)是一種矛盾修辭”（"raw data" is an oxymoron），意即數(shù)據(jù)永遠都是通過平臺的采集機制預(yù)先框定的；此外，還涉及能否獲得、隱私等重要問題，所謂數(shù)據(jù)的中立性是值得懷疑的。可數(shù)據(jù)化是其他三個基本原則的基礎(chǔ)，在實踐領(lǐng)域也備受關(guān)注。很多社會部門（政府、公司）都感受到社會化媒體數(shù)據(jù)化帶來的威力，并且試圖將之整合進自身原有的工具當(dāng)中，如警察或執(zhí)法部門可利用實時數(shù)據(jù)進行監(jiān)控。學(xué)術(shù)領(lǐng)域的研究者利用Twitter產(chǎn)生的海量數(shù)據(jù)開展有關(guān)社會運動、集體行動或健康趨勢的研究。

社會化媒體邏輯一方面因循了大眾媒體邏輯，另一方面也增強或削弱了大眾媒體邏輯的某些原則。研究者認為，社會化媒體邏輯除了影響傳統(tǒng)媒體，還影響法律法規(guī)、社會運動、政治等各個方面。

三、社會化媒體的使用：媒體與社會相互建構(gòu)的視角

社會化媒體應(yīng)用層出不窮，形態(tài)也豐富多樣，有關(guān)社會化媒體的研究也不勝枚舉。鑒于此，本文將選擇若干有代表性的研究，大致勾勒傳播學(xué)領(lǐng)域?qū)@一傳播形態(tài)的研究樣貌，所選取的研究基本為SSCI目錄中傳播學(xué)重要期刊，包括Journal of Communication，Journal of Computer-mediated Communication，Journalism & Mass Communication Quarterly，New Media & Society，Asian Journal of Communication，Chinese Journal of Communication等。本文將從社會化媒體使用的社會影響和影響社會化媒體使用的社會因素兩個角度展開。

（一）對各社會領(lǐng)域的影響

1．商業(yè)領(lǐng)域

就商業(yè)領(lǐng)域的實踐而言，可能最常遇到的問題是，什么是維持人們使用社會化媒體的最佳方式？社會化媒體實踐中有哪些好的使用案例？哪些社會化媒體平臺的活動是可持續(xù)的？實踐者和研究者發(fā)現(xiàn)這樣的問題難以回答，因為社會化媒體和諸多Web 2.0的應(yīng)用都在不斷演變之中，且它與用戶、與各種應(yīng)用的交互作用十分頻繁（Cromity, 2012）。在此情況下，使用合適的標準幫助業(yè)界認識、理解社會化媒體就成為當(dāng)務(wù)之急。

廣被引用的Kaplan和Haenlein對社會化媒體的定義，其首要目的就是服務(wù)商業(yè)界的需求。他們對社會化媒體現(xiàn)象的把握，更多地集中在社會化媒體應(yīng)用或“產(chǎn)品”本身。在上述定義的基礎(chǔ)上，他們根據(jù)社會臨場感（social presence）/媒體豐富性程度（media richness）和用戶自我呈現(xiàn)（self-presentation）/自我揭露（self-disclosure）程度，將形形色色的社會化媒體劃分為以下幾類：

這一分類的目的在于區(qū)別不同社會化媒體產(chǎn)品的特性，幫助業(yè)界更好地理解和應(yīng)對蓬勃興起的社會化媒體。在Kaplan和Haenlein看來，社會臨場感/媒體豐富性和自我呈現(xiàn)/自我揭露是社會化媒體的兩大關(guān)鍵元素。

社會臨場感理論（Short, Williams & Christie, 1976）與社會化媒體的“媒體”維度有關(guān)。社會臨場感指的是交流雙方所能獲取的聲音、視覺及物理接觸等，它受媒介與人的親密程度、直接程度的影響，例如電話比面對面交流的社會臨場感要低，非同步的電子郵件比同步的實時通話低。社會臨場感越高，交流雙方施加的社會影響力就越大。與社會臨場感有關(guān)的是媒體豐富性理論（Daft & Lengel, 1986），該理論認為媒體所擁有信息的豐富程度是不同的，一些媒體比另一些媒體更能消除不確定性。而自我呈現(xiàn)/自我揭露與社會化媒體的“社會”維度有關(guān)。自我呈現(xiàn)（Goffman, 1959）指的是人們在社會交往中控制對方如何認識自己的意圖，通常這種自我呈現(xiàn)是通過自我暴露實現(xiàn)的，即有意識或無意識地透露個人信息。

在回答什么是社會化媒體、社會化媒體如何分類之后，如何使用社會化媒體獲取商業(yè)利益也是業(yè)界關(guān)心的議題。從英語世界最近幾年出版的有關(guān)社會化媒體的圖書數(shù)量來看，相當(dāng)大的比例都在傳授讀者（包括公司等各種組織）此道。

社會化媒體為不同領(lǐng)域的實踐帶來了威脅，也帶來了機遇。社會化媒體的興起隱含著傳播結(jié)構(gòu)更為深刻的變化（Khang, Ki & Ye, 2012）。以公關(guān)為例，社會化媒體的崛起作為傳播的工具，使得公司和大眾之間由傳統(tǒng)媒體扮演的中介角色消失了。取而代之的是，公司必須全時在線監(jiān)測個體用戶對其產(chǎn)品或服務(wù)的評論，一旦發(fā)生危機必須及時直接處理。這種卷入社會化媒體的虛擬環(huán)境也給公關(guān)從業(yè)者帶來了困擾和挑戰(zhàn)。然而，社會化媒體不斷變化的結(jié)構(gòu)，為從業(yè)者提供了接觸細分受眾的大好機會。廣告和營銷專業(yè)人士也以不同的方式介入社會化媒體，認識到這些渠道具有傳播他們營銷策略的潛力。據(jù)一份Nielsen調(diào)查⁽²⁾，那種在朋友之間轉(zhuǎn)發(fā)或分享的“贏取型”（earned）廣告在廣告記憶、品牌關(guān)注度以及購買意向上的效果，明顯高于標準的“支付型”（paid）廣告，傳統(tǒng)的營銷和廣告策略戰(zhàn)術(shù)也許在應(yīng)對社會化媒體時需要重新思考其有效性問題。

除了商業(yè)主體與用戶之間互動方式的變化，社會化媒體也影響到商業(yè)組織的內(nèi)部結(jié)構(gòu)。例如，F(xiàn)ulk和Yuan（2013）的一項研究考察了企業(yè)內(nèi)部的社交網(wǎng)絡(luò)（enterprise social networking，簡稱ESNS）如何幫助降低組織傳播中的三種限制（專家的地理位置、分享知識的動機以及社會資本從與專家的聯(lián)系到實際知識分享的轉(zhuǎn)化）。研究者認為企業(yè)內(nèi)部的社交網(wǎng)絡(luò)會比傳統(tǒng)的管理方式更容易實現(xiàn)知識的分享和傳達。

2013年的Journal of Computer-Mediated Communication特刊考察了社會化媒體與工作場所的關(guān)系。除了Fulk和Yuan的文章外，還包括Leonardi等（2013）對企業(yè)社會化媒體（enterprise social media）概念、歷史的梳理及研究前景的展望，Majchrzak等（2013）對社會化媒體與在線知識分享爭議的思考，Pike等（2013）對社會化媒體與企業(yè)招聘中信息質(zhì)量張力的考察，以及Vaast和Kaganer（2013）、Gibbs等（2013）對企業(yè)社會化媒體使用涉及的管理問題等展開的研究。

2．政治領(lǐng)域

有關(guān)社會化媒體對政治領(lǐng)域影響的研究，涉及政治動員、政治溝通、政治參與等多個方面。社會化媒體的政治動員潛能更為研究者關(guān)注，例如Facebook、Twitter與“阿拉伯革命”關(guān)系的研究。政治傳播中，美國總統(tǒng)選舉對社會化媒體平臺的利用，政要在社會化媒體上的實名現(xiàn)身，政府賬號社會化媒體平臺的日常運作和維護等。

持樂觀態(tài)度的研究者認為社會化媒體平臺提升了公民政治參與的效能。社會化媒體龐大的用戶中半數(shù)都是年輕人，Bode等（2013）就青少年在社交網(wǎng)站上表達政治傾向的動機及這種表達對傳統(tǒng)政治參與的影響展開調(diào)查，結(jié)果證實在美國2008年的大選中，社交網(wǎng)站上的政治使用行為極大地提高了青少年對傳統(tǒng)政治參與的程度。研究者認為，盡管這一正向效果局限于青少年這樣的小群體，隨著社會化媒體中青少年用戶比例的提高，其意義將越來越凸顯。

Zuniga等（2012）討論了社會資本、公民參與和政治參與的關(guān)系。該研究基于美國的全國數(shù)據(jù)，結(jié)果顯示，在控制了人口學(xué)變量、傳統(tǒng)媒體在線上和線下的使用、政治建構(gòu)（political constructs）和政治討論的頻繁程度及規(guī)模之后，通過SNS獲取信息與人們的社會資本和政治參與正相關(guān)，且前者能對后者達到有效的預(yù)測。

但是，也有相當(dāng)多的研究者認為社會化媒體的政治動員功能被夸大了。例如，Bryne（2007）通過對特定黑人社交網(wǎng)絡(luò)（Blackplanet）的考察發(fā)現(xiàn)，該SNS用戶確實很關(guān)注關(guān)于黑人群體議題的討論，但是這些討論都局限在公民參與的話語層面，這就意味著對于美國社會的黑人來說，將社交網(wǎng)絡(luò)作為政治動員、社會參與的動員資源，可能還未成熟。

Valenzuela等（2009）考察了Facebook的使用與大學(xué)生生活滿意度、信任和公民參與之間的關(guān)系。研究數(shù)據(jù)來自一項針對德州大學(xué)生的網(wǎng)絡(luò)調(diào)查，發(fā)現(xiàn)Facebook使用的頻繁程度與學(xué)生生活滿意度、社會信任和公民參與正相關(guān)。但是相關(guān)性比較弱，研究者認為SNS并不是鼓勵年輕人進行公民和政治參與最有效的方式。

Himelboim等（2013）選取了Twitter上10個有爭議性的政治議題，并分析其中“群聚”（cluster，指的是具有高度關(guān)聯(lián)性的用戶群）、信息和鏈接所表達出來的政治傾向。研究發(fā)現(xiàn)，Twitter用戶不喜歡看到與自己不同的意識形態(tài)，所以“群聚”的政治觀點通常是同質(zhì)化的；越具體的爭議性話題，越兼具保守/自由兩大類的“極化群聚”；但是越寬泛的爭議性話題，多數(shù)意見“群聚”則會表現(xiàn)出保守的傾向。

Zimbra等（2010）使用網(wǎng)絡(luò)考古學(xué)（cyber-archaeology）的方法研究社會運動，該研究運用技術(shù)手段將“虛擬遺跡”（cyber-artifacts）搜集并分類，能夠很好地輔助社會運動的研究，而且能夠分析虛擬社群的多重維度。

社會化媒體平臺已經(jīng)成為中國人表達政治異見的關(guān)鍵平臺？Poell, de Kloet和Zeng（2014）從行動者網(wǎng)絡(luò)（actor-network theory，簡稱ANT）的視角考察新浪微博平臺的意見表達。該研究重點分析了發(fā)生在新浪微博平臺兩個爭議性案例，發(fā)現(xiàn)新浪微博特定的技術(shù)特征、用戶文化、平臺的自我審查，以及政府時不時的干預(yù)之間相互影響。

隨著信息傳播技術(shù)的變化，政府與公眾溝通的方式也不斷演變。Chung, Cho和Park（2014）考察了韓國政府在社會化媒體平臺Me2Day（類似Twitter）上如何與公眾進行溝通，該研究使用了社會網(wǎng)絡(luò)分析、訪談等方法。政治傳播領(lǐng)域，對Facebook的使用在世界范圍內(nèi)越來越流行。Wen（2014）考察了2012年臺灣領(lǐng)導(dǎo)人選舉中候選人在Facebook上的主頁發(fā)布的信息及其“好友”的信息。通過比較，研究發(fā)現(xiàn)候選人主頁發(fā)布的信息更強調(diào)政策，而與“好友”互動的信息更突出其性格。研究還認為政客及其團隊根據(jù)在競選和當(dāng)選后的角色變化不斷調(diào)整Facebook的使用策略。

但社會化媒體上有關(guān)的政治信息是否真實？人們?nèi)绾慰创@樣的新聞信息？社會化媒體信息與政治信任之間的關(guān)系也成為研究者考察的對象。例如，Kaye和Johnson（2014）試圖探尋與本?拉登死訊有關(guān)的消息是否讓受眾信以為真，以及政黨歸屬是否影響人們的媒介選擇。最明顯的差異就是，凡是共和黨認為可信并依靠的信息來源，都是民主黨認為不可信的。盡管Twitter上的消息傳播得非常快，但也僅僅有5%的人通過SNS獲得這一消息。并且，在本?拉登死后，SNS被認為是最不可靠的來源途徑。

3．媒介生態(tài)

社會化媒體對傳統(tǒng)媒體格局的影響也是重要的議題，傳統(tǒng)由大眾媒體精英掌握的話語權(quán)是否遭到挑戰(zhàn)？大眾媒體如何使用社會化媒體？

從新聞生產(chǎn)的角度來看，個人新聞業(yè)的出現(xiàn)有可能挑戰(zhàn)傳統(tǒng)由大眾媒體扮演的把關(guān)人角色。個體新聞從業(yè)者借助個人媒體進行社會活動，建構(gòu)自己的社交網(wǎng)絡(luò)。在社會化媒體傳播過程中，勸服性的力量也因此逐漸從媒介機構(gòu)轉(zhuǎn)向活躍的、參與性的大眾，從單純的用戶（user）或消費者（consumer）演變成為prosumers或produsers（Khang, Ki & Ye, 2012）。

去中心化的媒介信息生產(chǎn)具有多種不同的載體，也涉及政治、經(jīng)濟等各個領(lǐng)域。Saxton和Anker（2013）從財經(jīng)人士博客的視角考察社會化媒體對個人的賦權(quán)，他們認為這類博客的知識生產(chǎn)是一種去中心化的生產(chǎn)過程。通過對150個頂級財經(jīng)博客活動和標準普爾500指數(shù)股票收益的數(shù)據(jù)分析發(fā)現(xiàn)，財經(jīng)博客的活動消除了非對稱市場中對投資者有害的信息。

獨立信息生產(chǎn)的威力還體現(xiàn)在對傳統(tǒng)媒體議程設(shè)置的影響。Meraz（2009）從議程設(shè)置的視角，對傳統(tǒng)媒體開設(shè)的博客與獨立政治博客的影響進行了比較。通過對11個《紐約時報》和《華盛頓郵報》的政論性博客以及18個獨立政論性博客的分析，結(jié)果顯示，以往由傳統(tǒng)媒體精英壟斷的話語權(quán)遭到了獨立政治博客的挑戰(zhàn)，原因之一是，獨立博客在征用公民媒體資源方面擁有更多自由，且不受傳統(tǒng)媒體新聞從業(yè)規(guī)范的束縛。此外，研究還考察了傳統(tǒng)媒體對社會化媒體技術(shù)和傳播形態(tài)的吸納和融合。

Web 2.0時代，在線新聞媒體也發(fā)生了顯著變化。Alice Lee（2012）提出這一轉(zhuǎn)型包括：采納UGC內(nèi)容；用戶參與互動；YouTube化；即時報道；分享與社區(qū)網(wǎng)絡(luò)化；通過新傳播技術(shù)的讀者訂制。研究者認為，讀者參與在線新聞媒體的社會性對話已經(jīng)成為全球性現(xiàn)象，在線新聞媒體的這一轉(zhuǎn)型也為公民參與提供了一個良好的平臺。

數(shù)字媒體的蓬勃發(fā)展使不少研究者擔(dān)心受眾會不斷分化。在樂觀者看來，受眾的分化可被視為解放性力量的勝利，具有民主的意味；在悲觀者看來，受眾分化是社會極化的表現(xiàn)，沒有共同的文化基礎(chǔ)，社會何以可能？

Webster和Ksiazek（2012）的研究發(fā)現(xiàn)，美國受眾的媒介使用是普遍重疊的，用戶對單一媒體的忠誠度并不高。這一發(fā)現(xiàn)挑戰(zhàn)了原有受眾分化的論斷，即人們?nèi)匀粓猿诌x擇流行度高或廣受歡迎的媒介內(nèi)容；同時，人們的媒介消費具有社會性，即人們通過人際交流或社會化媒體等分享自己的媒介消費體驗，因此體現(xiàn)“群體的智慧”的內(nèi)容選擇機制，盡管不一定是衡量媒介產(chǎn)品質(zhì)量高下的有效指標，但無疑會有效吸引公眾的注意力。

此外，原有對傳統(tǒng)媒體的研究也延伸到社會化媒體平臺。例如，Weaver等人（2012）考察了YouTube的（非）暴力世界，分析了網(wǎng)絡(luò)視頻的內(nèi)容趨勢。通過內(nèi)容分析，研究者考察了網(wǎng)絡(luò)娛樂中的暴力。按照最多人觀看、最高評價、隨機三種不同的方式，研究者共搜集了2 520條YouTube視頻，并對業(yè)余內(nèi)容和專業(yè)內(nèi)容進行了對比。研究者對上述分類以及YouTube視頻與電視視頻的暴力行為頻率和暴力語境進行了對比。研究發(fā)現(xiàn)，YouTube視頻中暴力所占的比例遠低于電視。此外，YouTube視頻比電視展示的暴力更具現(xiàn)實后果，以及更具有消極的語境性。

4．日常生活

寬泛地看，社會化媒體不僅幾乎影響了社會生活的各個領(lǐng)域，也影響了機構(gòu)、組織、個人等不同的社會單元。除了對社會組織之間的考察外，不少研究者對個人層面的交往表現(xiàn)出極大的研究興趣，例如對家庭關(guān)系的考察。Kanter（2012）等使用實驗的方法，考察Facebook平臺上父母將自己的孩子“加為好友”是否會影響親子關(guān)系的質(zhì)量，以及是否會帶來隱私侵犯問題。研究發(fā)現(xiàn)，對孩子來說，加父母為好友并不帶來更多的隱私侵犯感；同時，這樣的特殊“加為好友”還會改善親子關(guān)系，增加孩子與父母之間的親近感。除了對家庭關(guān)系的考察，還有不少研究考察社會化媒體使用與親密關(guān)系之間的作用機制。

Humphreys（2008）以移動社交應(yīng)用Dodgeball為例，探尋移動社交網(wǎng)絡(luò)對線下社交活動的影響。通過一年的田野調(diào)查，研究發(fā)現(xiàn)這類應(yīng)用的主要人群還局限于城市當(dāng)中，對人們面對面交往起到協(xié)調(diào)作用，同時它在某種意義上充當(dāng)著社會地圖或日記的功能；移動社交應(yīng)用影響人們對公共空間和其中社會關(guān)系的體驗，形成一種靈活的“第三空間”。

除了關(guān)注社會化媒體使用對線下社會交往的影響，研究者還直接考察它與線上社會交往的關(guān)系，其中包括網(wǎng)絡(luò)自發(fā)社區(qū)的形成、觀點“站隊”、網(wǎng)絡(luò)社區(qū)凝聚力等。

Chin等（2010）對YouTube上有關(guān)醫(yī)療視頻（接種疫苗）帶來的自動分組（觀點站隊）進行了考察。研究者認為Web 2.0時代，視頻為個人提供了向大眾表達自己觀點的機會。以是否支持接種疫苗為例，研究者在YouTube上以“疫苗”為關(guān)鍵詞搜索相關(guān)視頻，對搜索結(jié)果進行內(nèi)容分析，將視頻追隨者分成支持和反對兩派。結(jié)果顯示，反對接種疫苗的討論只會出現(xiàn)在反對疫苗的視頻下，而支持接種疫苗的視頻下則兼有支持和反對兩種聲音。

Ley（2007）使用民族志的方法，考察特定網(wǎng)站內(nèi)部的用戶承諾（commitment）問題。研究對象是Coming up Roses這一服務(wù)于準媽媽和新媽媽的網(wǎng)站，研究者試圖了解用戶對該網(wǎng)絡(luò)社區(qū)的承諾是如何被建構(gòu)起來的。研究發(fā)現(xiàn)，網(wǎng)站本身技術(shù)設(shè)計影響用戶對網(wǎng)站、對其他成員之間的承諾。這一研究對“社交”因素和“技術(shù)”因素兩者如何交互影響在線社區(qū)的環(huán)境也有所啟發(fā)。此外，該研究還發(fā)現(xiàn)，網(wǎng)站的社交因素和技術(shù)元素會產(chǎn)生多重甚至相反的效果，這主要是由使用者的社會背景等因素造成的。

有研究者將Twitter這樣提供狀態(tài)更新服務(wù)的社會化媒體視為一種“為公開進行的私人書寫”。研究者（Humphreys et al.，2013）通過內(nèi)容分析，力圖揭示社會化媒體與幾個世紀以前就存在的一種特定類型日記之間的異同，將二者置于社會語境，這些日常的短信息，不僅僅記載了個人和團體的經(jīng)歷，還社會性地記載了我們通過日常實踐和習(xí)慣，來共享意義和再生產(chǎn)團體歸屬感。這項研究也意味著微博的社會性，不僅僅在于它允許個人表現(xiàn)自我，還在于它在社會文化方面的建構(gòu)功能。

（二）社會整合的視角

1．社會排斥與社會融入

社會整合是西方理論研究和社會實踐的重要議題，如何使用新信息傳播技術(shù)推進社會整合，也是西方傳播學(xué)者長期探討的問題。在社會政策領(lǐng)域，社會排斥（social exclusion）是非常重要的概念，它強調(diào)社會性的“剝奪”（social deprivation），這種剝奪阻礙人們參與到社會活動中來，不僅危害到公平正義，還嚴重影響整個社會的整合。與之相對，解決方案是如何消除社會排斥實現(xiàn)社會融入（social inclusion）。社會排斥和社會融入主要指一個社會的弱勢者與優(yōu)勢團體間的關(guān)系，對弱勢者的隔絕主要是社會制度及社會性互動造成的。

社會排斥可被視為一種關(guān)系的斷裂，而社會化媒體則提供了搭建出一種新型的人與人之間連帶的可能性。從這一視角出發(fā)，研究者更多地關(guān)注弱勢群體如何使用社會化媒體融入社會。Notley（2009）的這項研究主要考察9個具有被社會排斥傾向的澳大利亞青少年如何通過SNS融入社會的。研究發(fā)現(xiàn)在線網(wǎng)絡(luò)會給這樣的孩子提供珍貴的社會融入的機會，肯定了社會化媒體使用在社會融入方面的積極作用。這一研究對相關(guān)政策有重要的參考價值。當(dāng)前澳大利亞政府非常希望促進青少年社會融入的程度，但是又由于安全和健康考慮嚴格控制他們使用SNS。研究者希望能據(jù)此研究之發(fā)現(xiàn)，調(diào)整現(xiàn)在的政策。這項研究是2009年Journal of Computer-Mediated Communication專門針對年輕人的社會化媒體使用研究特刊的一篇，此外還有對年輕人跨越地域的新媒體使用研究（Leppanen等，2009）、兒童短信使用與新舊媒介素養(yǎng)研究（Plester & Wood, 2009）等。

Shpigelman和Gill（2014）通過網(wǎng)絡(luò)問卷的方式，考察殘疾人的Facebook使用狀況。研究發(fā)現(xiàn)，殘疾人在Facebook訪問頻率、好友數(shù)等方面與一般用戶差異不大；殘疾人使用Facebook主要是為了加強他們的結(jié)合型連帶（bonding ties），即同質(zhì)性的關(guān)系網(wǎng)，如他們在面對面中遇到的家庭成員或朋友。盡管他們喜歡在Facebook上與無殘疾的常人交往，但他們更愿意選擇其他平臺討論與自身殘疾有關(guān)的話題，這可能與Facebook的隱私設(shè)置和易用性等有關(guān)。研究者認為Facebook對殘疾人的支持功能仍需進一步開發(fā)。

有研究者將社交網(wǎng)絡(luò)視為青少年進行社會學(xué)習(xí)（social learning）的資源。例如，Greenhow和Robelia（2009）所進行的一項研究，調(diào)查了11名來自美國低收入群體的青少年，通過訪談以及對其MySpace頁面的質(zhì)性分析，得出了三個結(jié)論：第一，社交網(wǎng)絡(luò)有助于傳達情緒上的支持，保持社會關(guān)系，提供自我展示的平臺；第二，學(xué)生會利用社交網(wǎng)絡(luò)去完成一些必要的“社會學(xué)習(xí)”；第三，學(xué)生借由社交網(wǎng)絡(luò)的使用而努力進行更復(fù)雜、更有創(chuàng)造力的溝通。

除了政治、商業(yè)、媒體、名人外，公益組織或社會支援力量也選擇社會化媒體平臺開展工作。例如利用微博組進行特定的社會支持（social support）。Shi和Chen（2014）對新浪微博HIV支持類小組2011年1月開通以來的博文進行內(nèi)容分析，研究發(fā)現(xiàn)，這種社會支持供給頻率遠超需求；與情感型、工具性的社會支持相比，信息型支持是最為頻繁的需求和所提供的類型。

2．線上交往與社會資本

不少研究者從社會化媒體與社會資本之間聯(lián)系的角度入手，考察是否存在新型的社會整合方式。研究者關(guān)注的問題包括：SNS等社會化媒體上確實存在社會資本嗎？如果確實存在，這種社會資本性質(zhì)、效力呈現(xiàn)出哪些特點？不同的社會資本與人們的社會化媒體使用行為有何關(guān)聯(lián)？

現(xiàn)有研究通常認為個人會通過SNS在心理上感到與他人的聯(lián)系，但是這種感覺到的聯(lián)系（perceived connection）是否真有實質(zhì)性作用還不為人知。Stefanone等（2012）對個人感知到的線上社會資本進行了測量。該研究通過實驗的方法。參與實驗的49名參與者向他們的Facebook朋友發(fā)出了588個請求，都是為獲得一些實質(zhì)性的幫助，以此來檢驗他們的社交資本是否真的有實質(zhì)作用。近80%的請求都無人理睬，這意味著感知到的社會資本和實際的社會支持之間未必有聯(lián)系。然而社會地位相對高的人，更容易從朋友處獲得幫助。研究者認為，社會化媒體使用對個人能獲得的實質(zhì)社會支持助益不大。

Brandtz?g（2012）對社交網(wǎng)絡(luò)的用戶進行追蹤，研究者在2008—2010年三年時間內(nèi)調(diào)查了2 000名15～75歲的挪威網(wǎng)民，發(fā)現(xiàn)SNS用戶比非SNS用戶在社會資本四個衡量維度中的三個都顯著地高：面對面互動、熟人數(shù)量和橋接型社會資本（bridging capital）。但是SNS用戶會感到比非SNS用戶更加孤獨，尤其是男性。通過聚類分析，這個研究區(qū)分出五個SNS用戶類型：冒泡型（sporadics）、潛水型（lurkers）、社交型（socializers）、辯論型（debaters）以及高級用戶（advanced），其中社交型用戶享有更多社會資本。

Ellison等（2007）的研究主要探討Facebook使用情況與社會資本的形成及維持之間的關(guān)系。除了評估社會資本中的結(jié)合型資本（bonding capital）和橋接型資本（bridging capital），研究者還加入了一個維持的資本（maintained social capital），即一個人與他原有的社會群體保持聯(lián)系的能力。研究使用問卷的方法調(diào)查了286名本科生，發(fā)現(xiàn)Facebook的使用和上述三種社會資本都有強聯(lián)系，其中最顯著的是與“橋接型”社會資本的聯(lián)系。此外，該研究還發(fā)現(xiàn)Facebook的使用與用戶的心理健康程度有關(guān)，這也意味著它可能會對自尊和滿意度低的人更有好處。

Rice和Barman-Adhikari（2014）的研究關(guān)注流浪的年輕人如何利用社交媒體資源。與有家的年輕人一樣，流浪年輕人會使用網(wǎng)絡(luò)和社交媒體滿足娛樂、社交和工具性目的。但他們主要通過Email去聯(lián)系潛在的雇主，而只用SNS去聯(lián)系同齡伙伴。借助社會資本理論，研究者發(fā)現(xiàn)那些更注重維護社會關(guān)系的青年，會更容易找到工作和房子。

Vergeer和Pelzer的研究（2009）考察了媒體使用、社交資本和孤獨之間的關(guān)系，研究數(shù)據(jù)來自2005年的一項全美電話調(diào)查。研究并未發(fā)現(xiàn)傳統(tǒng)媒體和新媒體對社交網(wǎng)絡(luò)具有破壞性的作用，在線社交資本會增強線下社交資本。但是，線上社交資本似乎并不能帶來社會支持，也無法解決孤獨問題。

Chu和Choi（2010）考察了中國青少年在騰訊QQ、校內(nèi)網(wǎng)、開心網(wǎng)等SNS上的表現(xiàn)，并將之與美國青少年的SNS使用進行了比較。研究發(fā)現(xiàn)，美國年輕人比中國年輕人擁有更高水平的結(jié)合型社會資本，而橋接型社會資本在二者之間沒有差異。

（三）自我呈現(xiàn)、身份認同與隱私

1．不同人群的自我呈現(xiàn)策略

社會化媒體中自我揭露（self-disclosure）與自我呈現(xiàn)、身份認同以及隱私保護關(guān)系密切。一方面，人們需要發(fā)布個人信息或?qū)I(yè)信息，才能與其他成員進行互動和交流；另一方面，個人又可能在不同的社會化媒體平臺上或社區(qū)中采取迥異的自我呈現(xiàn)策略。

Schwammlein和Wodzicki（2012）的研究關(guān)注不同種類的在線社區(qū)和用戶的訴求如何影響他們的自我呈現(xiàn)。研究者將線上社區(qū)劃分為兩大類：有共同聯(lián)系（common-bond）的網(wǎng)絡(luò)社區(qū)和有共同身份認知（common-identity）的社區(qū)。研究發(fā)現(xiàn)：（1）在由共同聯(lián)系搭建的社區(qū)中，用戶的自我呈現(xiàn)更多的是個人行為，而由共同身份認同搭建的社區(qū)中，個人更會展現(xiàn)群體內(nèi)有共性的特征；（2）在與他人取得聯(lián)系方面，有共同聯(lián)系社區(qū)的用戶比有共同身份社區(qū)的用戶更為踴躍；（3）社區(qū)成員能否積極地管理個人呈現(xiàn)的形象，與個人訴求有關(guān)。

Grasmuck，Marin和Zhao（2009）分析了不同種族在社會化媒體展現(xiàn)的自我呈現(xiàn)差異。研究主要考察了Facebook這樣的實名網(wǎng)絡(luò)環(huán)境中的自我呈現(xiàn)，通過對83名非裔美國人、拉丁裔美國人、印度裔美國人和越南裔美國人的公開主頁進行內(nèi)容分析，并輔以對63人的訪談，研究者發(fā)現(xiàn)種族的自我呈現(xiàn)非常明顯且具體，少數(shù)族裔這種強烈的自我呈現(xiàn)，意味著他們對主流社會忽視少數(shù)族裔群體的一種反抗。

Chen Yi-Ning（2010）從文化的視角考察流行博客中的自我呈現(xiàn)。研究比較了臺灣和美國流行博客中的印象管理策略和自我呈現(xiàn)。研究發(fā)現(xiàn)文化性因素，例如流行博客的博主與他人連接的方式，可能影響他們的自我呈現(xiàn)和社會關(guān)系。研究發(fā)現(xiàn)，臺灣博主更關(guān)注他們的社會關(guān)系，但是拒絕暴露個人細節(jié)，他們通過展示個人智能作為自我推廣的方法（self-promotion strategies）。而美國博主更少扎根于社會關(guān)系中，對自己的信息也更開放。這些發(fā)現(xiàn)與博主的文化背景一致，一個是關(guān)系導(dǎo)向，而另一個是個人主義的。

Cunliffe，Morris和Prys（2013）考察了英國年輕人在SNS平臺雙語使用的狀況，研究選取了Facebook上講威爾士語的年輕人。研究結(jié)果顯示，人們在Facebook上使用雙語的方式基本仍舊拷貝了線下的方式，盡管在一些間接方式上（如個人狀態(tài)更新）可能會有細微影響。基于此，研究者認為考察線上媒體行為時需要將線下行為特征考慮在內(nèi)。

2．魅力研究

社交網(wǎng)站等媒體上除了用戶自我揭露的信息外，還存在與他人連接和互動產(chǎn)生的信息，以及應(yīng)用平臺系統(tǒng)生成的信息（諸如好友數(shù)、瀏覽量等統(tǒng)計數(shù)字）。一個有趣的問題是，人們?nèi)绾瓮ㄟ^這些線上個人檔案對他人進行判斷。Antheunis和Schouten（2011）通過實驗的方法，測試社交網(wǎng)站頁面上由他人提供和系統(tǒng)生成的信息如何影響青少年對其個人魅力的感知。社交網(wǎng)絡(luò)上的系統(tǒng)生成信息，比如好友數(shù)等，以及他人提供信息，比如某用戶被其他人圈出來了，都是除了用戶自己主動發(fā)布的信息之外的信息。結(jié)果顯示，當(dāng)用戶有更吸引人的好友和積極的“wall posting”時，他們會顯得更有魅力；而用戶的好友數(shù)并不會影響其魅力程度，只是會讓人覺得他更外向。

與之類似，Tong等（2008）采用實驗法，檢測Facebook好友數(shù)量和頁面主人受歡迎程度之間的關(guān)系。一個人可以在Facebook上有好幾百個“好友”，這在現(xiàn)實生活中很難想象。Facebook“好友”不明確的狀態(tài)引發(fā)現(xiàn)實生活里不會有的一些問題：受歡迎程度是否影響個人魅力程度？Tong等人的研究發(fā)現(xiàn)二者具有某種曲線相關(guān)，即不是簡單的線性關(guān)系：過多的好友數(shù)反而會讓人懷疑這個用戶的魅力程度。

3．隱私議題

如何安全使用社交網(wǎng)絡(luò)提供的服務(wù)？核心議題就是用戶對隱私的感知。Debatin等（2009）考察了Facebook用戶對隱私議題的認知、態(tài)度及相關(guān)行為。之前的研究顯示，F(xiàn)acebook以特殊的方式深深嵌入使用者的日常生活。一些用戶盡管聲稱自己很注重隱私，但卻仍然上傳了大量的個人信息。用戶對（被）侵犯隱私的風(fēng)險更多地指向他人而非自己。然而，相比只是聽說過侵犯隱私的用戶，那些曾經(jīng)被侵犯過隱私的用戶更容易更改自己的隱私設(shè)定。結(jié)果顯示，這種松散的隱私態(tài)度往往是社會化媒體使用的高滿足度、使用方式以及類似第三人效應(yīng)的心理學(xué)機制等造成的。

歐洲政策規(guī)定，為了保證孩子們使用社交網(wǎng)絡(luò)的安全，他們需要滿足一定的年齡，能夠理解安全提示，加強隱私設(shè)置，并被建議盡量減少個人信息的暴露。Livingstone等（2013）通過對來自25個歐洲國家的25 000名9～16歲青少年的調(diào)查評估了這一規(guī)定體系，發(fā)現(xiàn)多數(shù)未成年用戶盡管缺乏使用社交網(wǎng)絡(luò)的技術(shù)能力，但仍然能安全地使用SNS；有些孩子雖然想要反抗家長的管制，但多數(shù)會在SNS問題上遵守這些規(guī)定。

Lange（2008）經(jīng)過一年的民族志調(diào)查，分析YouTube用戶如何通過操作他們的視頻鏈接來發(fā)展或維護社交網(wǎng)絡(luò)。同時，該研究也解釋了為什么對于青年人來說，傳播和分享視頻具有某種特殊性。在視頻分享過程中，“公開”（publicness）是多維度的。一些用戶展現(xiàn)了“公開的隱私”行為，意思是視頻所有者的身份是廣泛可見的，但視頻內(nèi)容是少數(shù)人可見的。相反，也有“隱私的公開”行為，意思是身份是少數(shù)人可見的，但是視頻內(nèi)容是廣泛公開的。

Yang和Liu（2014）考察了用戶對社會化媒體廣告管理的態(tài)度。這項研究基于一份對489名中國大學(xué)生的問卷調(diào)查，結(jié)果顯示，消費者線上暴露（online disclosure）中的先前的負面體驗（prior negative experience），直接增加了他們的隱私意識和社交網(wǎng)站使用中自我暴露的風(fēng)險。在線隱私意識、信任和風(fēng)險增強了他們對政府出臺社會化媒體廣告管理的支持，而信任和社會化媒體使用增強了對行業(yè)自我管理的支持。出人意料的是，先前負面的經(jīng)歷，并沒有削弱中國年輕消費者的社會化媒體使用，并與其支持管理態(tài)度幾無關(guān)聯(lián)。

四、社會化媒體使用的影響因素

上述研究更多地將社會化媒體使用視為前置變量，考察它與其他微觀或宏觀層面社會議題之間的關(guān)系。除此之外，還有研究將社會化媒體使用視為“因變量”，理解揭示特定變量與不同社會化媒體使用之間的關(guān)系。

不少研究者關(guān)注社會化媒體上的數(shù)字鴻溝問題。Hargittai（2007）考察了SNS使用者和非使用者的差異，研究者試圖發(fā)現(xiàn)使用SNS和不使用的人之間是否存在系統(tǒng)性的差異。結(jié)果表明，使用SNS并不是隨機的，它與一個人的性別、種族、父母教育背景都息息相關(guān)，而且那些有著更多自主使用經(jīng)驗的人會更喜歡用SNS。使用者背景的不平衡，意味著這種SNS服務(wù)可能會導(dǎo)致網(wǎng)絡(luò)世界的不平等。

Pan和Skoric（2013）從性別和社會資源的視角，考察了新加坡SNS使用和手機使用中的數(shù)字鴻溝。研究數(shù)據(jù)來自新加坡的調(diào)查問卷，男性比女性更頻繁地使用手機或SNS進行職業(yè)性的聯(lián)絡(luò)；擁有較多社會資源的人，更經(jīng)常使用SNS和手機進行職業(yè)聯(lián)絡(luò)和個人聯(lián)絡(luò)。

Zywica和Danowski（2008）的研究針對的是SNS使用的動機，研究主要討論了兩個問題：（1）社會提升（social enhancement）假設(shè)，也即那些本來在線下就很受歡迎的人是否會因為Facebook變得更受歡迎；（2）社會補償（social compensation）假設(shè)，即人們在Facebook上的受歡迎程度與線下的受歡迎程度不匹配。研究數(shù)據(jù)來自一所美國大學(xué)614名參與者的在線調(diào)查。結(jié)果顯示，更外向、自信的人會支持社會提升假設(shè)；而更內(nèi)向、不夠自信、線下受歡迎程度不高的人則支持補償假設(shè)。

Stefanone和Lackaff（2009）的研究則考察了真人秀觀看與發(fā)博客、貼照片、分享視頻等在線行為之間的關(guān)系，其假設(shè)是真人秀宣揚的自我揭露觀念有可能影響到觀眾的網(wǎng)上行為。通過初探性研究（pilot study），研究者發(fā)現(xiàn)假設(shè)的關(guān)系得到證明，博客、視頻分享確實與真人秀的消費有關(guān)；但是照片分享卻并非如此。照片的分享與社交網(wǎng)絡(luò)顯著相關(guān)，意味著照片分享可能是一種更具關(guān)系性的行為。

五、社會計算視角的社會化媒體研究

（一）社會計算：新涌現(xiàn)的交叉學(xué)科

廣義的社會計算是通過對歷時累積的群體偏好、意見或行為加以總結(jié)，來把握現(xiàn)實，幫助決策，它本質(zhì)上是一種社會性動態(tài)反饋系統(tǒng)。與自然科學(xué)家面向的對象不同，社會科學(xué)測量對象的復(fù)雜性為社會計算帶來了巨大的挑戰(zhàn)。從更廣的視野看，作為一種社會測量的社會計算，一直都是社會科學(xué)研究的重要范式，例如古典社會學(xué)者涂爾干利用統(tǒng)計數(shù)據(jù)對自殺現(xiàn)象的解釋（Durkheim, 2002），現(xiàn)代社會學(xué)家Wison對美國黑人種族、階級問題的探索等（Wison, 1980）。在經(jīng)濟學(xué)、人口學(xué)等領(lǐng)域，測量和計算仍是基本的研究工具。甚至在美國社會學(xué)方法論學(xué)者Earl Babbie（2009）看來“一切皆可測量”（Measuring anything that exists）。

狹義的社會計算是一種數(shù)據(jù)密集型的科學(xué)研究范式（data-intensive science），“使用系統(tǒng)科學(xué)、人工智能、數(shù)據(jù)挖掘等科學(xué)計算理論作為研究方法，將社會科學(xué)理論與計算理論相結(jié)合，為人類更深入地認識社會、改造社會，解決政治、經(jīng)濟、文化等領(lǐng)域復(fù)雜性社會問題的一種理論和方法論體系”（孟小峰、李勇、祝建華，2013）。這一取向的支持者認為，社會計算旨在社會問題和計算技術(shù)間架起橋梁，從基礎(chǔ)理論、實驗手段及應(yīng)用等各個層面突破社會科學(xué)與計算科學(xué)交叉借鑒的困難（王飛躍、曾大軍、毛文吉，2010）。盡管表述有所不同，“計算社會科學(xué)”這一提法也旨在強調(diào)社會科學(xué)和計算科學(xué)融合的必要性和可行性（Watts, 2013）。在這個意義上，狹義的社會計算和計算社會科學(xué)內(nèi)涵相近。

但是，要從大數(shù)據(jù)中采集到足夠準確、系統(tǒng)而又代表性的社會個體特征，面臨著倫理、法規(guī)和技術(shù)等多個方面的困難，這些難題已經(jīng)構(gòu)成了大數(shù)據(jù)時代社會計算的嚴重挑戰(zhàn)。現(xiàn)有考察人類行為方式，還未能處理這種描述人們每一分鐘的互動和所有人口地理位置的TB級別數(shù)據(jù)。例如，“社會網(wǎng)”研究面對的是“快照型”（snapshot）數(shù)據(jù)，典型的情形是，僅使用少數(shù)人的數(shù)據(jù)就告訴我們所有人口在縱貫時間內(nèi)的各種變量數(shù)據(jù)集，結(jié)果當(dāng)然是“有所發(fā)現(xiàn)”，但是正如盲人摸象，有限的視野導(dǎo)致有限的發(fā)現(xiàn)。此外，狹義的社會計算（或計算社會科學(xué)）還面臨方法工具的不足以及基礎(chǔ)設(shè)施帶來的障礙（Lazer et al.，2009；孟小峰、李勇、祝建華，2013）。這雖然是前幾年得出的觀察結(jié)論，但時至今日也并未根本改觀。

盡管有這么多的挑戰(zhàn)，社會計算和計算社會科學(xué)的支持者仍相信這一研究取向的前景。支持者認為，易于使用的程序和技術(shù)可能大大增加計算社會科學(xué)的存在感。正如幾十年前大眾市場CAD軟件對工程世界革命性的影響一樣，常見的計算社會科學(xué)分析工具和數(shù)據(jù)的共享將帶來顯著的進步。這些工具的發(fā)展，可以部分地從那些已經(jīng)在生物、物理或其他領(lǐng)域已經(jīng)發(fā)展起來的工作中借用，但也需要滿足社會科學(xué)需求的定制型應(yīng)用（Lazer et al.，2009）。

本文選擇社會計算一詞，旨在兼顧廣義和狹義的社會計算概念：一方面可將社會科學(xué)“可計算”傳統(tǒng)融合在內(nèi)；另一方面也將現(xiàn)代計算科學(xué)的技術(shù)手段囊括其中，這也體現(xiàn)了本書所強調(diào)交叉融合的研究取向。

社會計算與傳播學(xué)都保持了對社會化媒體的關(guān)注。社會計算中最突出的研究領(lǐng)域與傳播技術(shù)直接相關(guān)，例如電子郵件、社交網(wǎng)絡(luò)、微博、手機、電子商務(wù)等互聯(lián)網(wǎng)服務(wù)產(chǎn)生的“數(shù)字面包屑”（digital breadcrumbs），這些“面包屑”的意義是由個體和/或集體行為產(chǎn)生的，使用社會計算的方法，有可能觀察數(shù)以億計的個體實時或歷時的行動和互動（Watts, 2013）。社會科學(xué)研究盡管也關(guān)心個體行為，但它更多地關(guān)注集體的層面，例如大眾、組織、市場、階級甚至是整個社會，而個體的累加并不能與集體概念畫等號。

（二）代表性研究

受限于研究內(nèi)容和篇幅，這里涉及的文獻，大多集中在Facebook和Twitter這兩個國外的典型社會化媒體平臺，而不過多涉及新浪微博、騰訊微信等國內(nèi)社交媒體。相對于傳播學(xué)中傳統(tǒng)意義上的內(nèi)容研究，社會計算更關(guān)注如何自動化的評估一條信息的質(zhì)量，以及信息在社交媒體平臺上流動和擴散的模式。

1．信息質(zhì)量識別

Agichtein等研究者（2008）結(jié)合不同信息來源的證據(jù)來自動判斷給定內(nèi)容的質(zhì)量高低。他們選擇了雅虎的問答社區(qū)作為研究對象，將一條問題的答案質(zhì)量分為高、中、低三類別，通過支持向量機（support vector machine，簡稱SVM）、對數(shù)線性分類器（log-linear classifier）、隨機梯度增加樹（stochastic gradient boosted tree，簡稱SHBY）等算法，依據(jù)答案的文本特征、固有質(zhì)量特征、發(fā)布答案的用戶自身的關(guān)系特征、行為統(tǒng)計數(shù)據(jù)等四個方面的數(shù)據(jù)對給定的答案內(nèi)容進行分類。實驗結(jié)果表明，采用隨機梯度增加樹構(gòu)建的分類器對答案質(zhì)量分類的效果與人工分類結(jié)果最為接近。

Comarela等研究者（2012）通過一個包含大量Twitter信息的數(shù)據(jù)庫，探索了Twitter平臺上的重要信息。他們發(fā)現(xiàn)，Tweet的等待時間，Tweet的發(fā)布時長，Tweet作者發(fā)送頻率等因素都會對一條Tweet的重要性產(chǎn)生影響。隨后Comarela等嘗試著調(diào)整Tweet的內(nèi)容，并通過貝葉斯分類器和支持向量機等方式證明了重新調(diào)整之后的Tweet的重要性得到了提升。

Yang和Rim（2014）的研究則可以自動對Tweet的內(nèi)容進行排序，找到那些更有趣和受歡迎的信息。他們構(gòu)建了一個趨勢敏感型的潛在狄利克雷分配模型（trend sensitive-latent dirichlet allocation，簡稱TS-LDA）來提取Tweet內(nèi)容的潛在主題，并采用主題識別系統(tǒng)來對Tweet內(nèi)容的潛在主題的有趣性進行評分。實驗結(jié)果表明他們提出的模型能夠比較準確的識別出較有趣的Tweet。

2．信息擴散

Kawamoto（2012）將社交網(wǎng)絡(luò)上的信息擴散模式描述為一種隨機增殖過程（random multiplicative process）。他利用隨機選擇模型（stochastic model），通過Twitter上的數(shù)據(jù)論證了這種隨機增殖過程的合理性。同時，Kawamoto還認為，類似的信息擴散模式并非Twitter所獨有，而是大多數(shù)社交網(wǎng)絡(luò)上都存在的。

Asur等研究者（2011）重點關(guān)注了Twitter上話題的整個流行過程，包括產(chǎn)生、持續(xù)和衰退。他們認為Kawamoto提到的隨機增殖過程使得包含有流行話題的Tweet的數(shù)量呈現(xiàn)出典型的對數(shù)正態(tài)分布（log-normal distribution）。同時，實驗結(jié)果表明，大多數(shù)話題在Twitter上的流行時間并不會太長。而一個話題能否流行起來，很大程度上取決于Twitter用戶是否大量轉(zhuǎn)發(fā)包含該話題的Tweet。最后，Asur等人還將Twitter上流行的話題與傳統(tǒng)媒體的新聞進行了對比，發(fā)現(xiàn)大多數(shù)Twitter上的流行話題都是傳統(tǒng)媒體的新聞報道的延續(xù)和放大。

3．用戶特征研究

除了對社交媒體的信息內(nèi)容進行關(guān)注之外，社會計算的另一個關(guān)注重點在于社交媒體平臺上用戶的特征及其行為。Aral和Walker（2011）首先對社交媒體平臺上的用戶進行了區(qū)分，以判斷不同的用戶在消費決策等方面的影響力大小和易受到影響的程度。他們發(fā)現(xiàn)年輕用戶更容易被別的用戶影響，而已婚的用戶的消費決策則最不容易受到別人的影響。與此同時，男性用戶比女性用戶具有更大的影響力，而女性用戶更容易對男性用戶造成影響。

Hughes等研究者（2012）對Facebook和Twitter用戶的人格特征進行了對比。他們認為大五人格類型（The Big Five）能夠有效描述人格與用戶在社交媒體上的行為之間的關(guān)系，但還有不足，于是又加入了社交性（sociability）和認知需求（need for cognition）兩種特質(zhì)。實驗結(jié)果表明，不同的人格特質(zhì)會傾向于選擇不同的社交網(wǎng)絡(luò)。具體來說，在社交性、外傾性（extraversion）和神經(jīng)質(zhì)（neuroticism）方面得分較高的用戶更喜歡使用Facebook，而那些在認知需求方面得分較高的用戶則更喜歡使用Twitter。既然不同社交媒體的用戶具有不同的人格特質(zhì)，研究者開始分別針對Facebook和Twitter的用戶展開研究。

Qiu等研究者（2012）探究了Twitter用戶發(fā)布的內(nèi)容和他們的人格特點之間的關(guān)系。結(jié)果發(fā)現(xiàn)人們可以通過觀察Twitter用戶所發(fā)布的內(nèi)容來推斷他們的大五人格類型。在Facebook上也發(fā)現(xiàn)了類似的情形。Eftekhar等研究者（2014）探究了用戶在Facebook上與照片相關(guān)的行為與他們的大五人格類型之間的聯(lián)系。具體說來，神經(jīng)質(zhì)和外傾性能夠預(yù)測用戶的照片上傳行為；盡責(zé)性（consciousness）則能夠預(yù)測用戶自主生成相冊和上傳視頻的行為；隨和性（agreeableness）能夠預(yù)測用戶的照片收到的“贊”和評論的平均數(shù)。Kosinski等研究者（2013）利用Facebook用戶的likes成功的預(yù)測了包括人格特點、智力水平、種族、宗教、政治觀點、性取向和生活滿意度等多種用戶的特征。

4．社會化媒體使用行為研究

除了用戶的特質(zhì)之外，社會計算也關(guān)注用戶在社交媒體平臺上的行為。Xu等研究者（2012）從普通的Twitter用戶出發(fā)，認為影響普通用戶發(fā)帖和分享的因素主要包括三類：突發(fā)新聞（breaking news）、朋友轉(zhuǎn)帖（posts from social friends）和個人固有興趣（user's intrinsic interest）。他們采用了混合潛在主題模型（mixture latent topic model，簡稱MLTM）來研究上述三種因素。通過Twitter的數(shù)據(jù)實驗，該模型取得了滿意的效果。更多的研究聚焦于用戶的轉(zhuǎn)發(fā)行為，因為通常用戶的轉(zhuǎn)發(fā)行為使得信息在社交媒體平臺上的傳播和擴散極為迅速（Bandari, et al., 2012）。

Rudat等研究者（2014）通過實驗證明了Twitter用戶傾向于轉(zhuǎn)發(fā)自己的粉絲喜歡的相關(guān)內(nèi)容和信息價值高的Tweet，Naveed等研究者（2011）則發(fā)現(xiàn)人們更喜歡轉(zhuǎn)發(fā)一些壞消息。

還有很多研究則希望構(gòu)建出一個預(yù)測模型，能夠?qū)witter用戶的轉(zhuǎn)發(fā)行為進行預(yù)測。Sub和Hong（2010）選擇了內(nèi)容特征（content features）和語境特征（contextual features）作為自變量，構(gòu)建了基于一般線性模型（generalized liner model）的預(yù)測模型。他們發(fā)現(xiàn)，Twitter是否包含了URL和話題標記對Twitter的轉(zhuǎn)發(fā)率有直接影響，而Twitter作者的粉絲數(shù)、關(guān)注數(shù)和賬戶的年齡則對Twitter的轉(zhuǎn)發(fā)率有間接影響；而Twitter作者的Tweet數(shù)與Tweet的轉(zhuǎn)發(fā)率基本無關(guān)。

Uysal和Croft（2011）以用戶為中心來分析轉(zhuǎn)發(fā)行為，并提出了個性化的Twitter排序方法。他們選擇了作者相關(guān)的特征（author-related features）、基于Tweet的特征（Tweet-based features）、基于內(nèi)容的特征（content-based features）和基于用戶的特征（user-based features）等四類特征來組成Twitter的排序方法。實驗結(jié)果表明，他們的排序方法能夠?qū)⑻囟ㄓ脩舾信d趣的Tweet排在相對靠前的位置。

Xu和Yang（2012）則選擇了類似的特征：基于社交的特征（social-based）、基于內(nèi)容的特征（content-based features）、基于Tweet的特征（Tweet-based features）和基于用戶的特征（user-based features）來構(gòu)建模型，并通過“留一法”⁽³⁾進行比較。實驗結(jié)果表明，社交關(guān)系屬性對于Twitter用戶的轉(zhuǎn)發(fā)行為影響最大。

Hong等研究者（2011）提取內(nèi)容特征（content features）、拓撲學(xué)特征（topological features）、時序特征（temporal features）、元信息特征（meta information features）等四大類特征，通過數(shù)據(jù)預(yù)測給定的Tweet是否會被轉(zhuǎn)發(fā)以及轉(zhuǎn)發(fā)的程度。

Petrovic等研究者（2011）利用被動攻擊算法（passive-aggressive algorithm），選擇了社會性特征（social features）和Tweet特征（Tweet features）兩個大類構(gòu)建預(yù)測模型。同時還采用了時間敏感性方法（time-sensitive approach），以適應(yīng)發(fā)布時間對Tweet是否轉(zhuǎn)發(fā)的影響。

從上述綜述可以看出，在對社會化媒體使用行為模式進行總結(jié)提煉時，似乎不同的行為性質(zhì)和研究目的，可以有多種不同的思路和關(guān)鍵變量/因素的選取。

5．社會行為研究

隨著社交網(wǎng)絡(luò)用戶的持續(xù)增加，以及線上對于社會熱點問題的討論和影響，研究者們也開始關(guān)注社交媒體所引發(fā)的個體和群體社會行為的變化。Chen等研究者（2011）發(fā)現(xiàn)，一個人使用Twitter的時間越長，他就越滿意自己跟Twitter上其他用戶之間的關(guān)系。Sosik和Bazarova（2014）探索了人們?nèi)绾卫肍acebook來維持自己的社交關(guān)系。他們發(fā)現(xiàn)大多數(shù)用戶的社交關(guān)系在Facebook上的變化是漸進的，這類變化包括了關(guān)系的增進和消失。同時，用戶間越近和越頻繁的交互，預(yù)示著他們的關(guān)系正在不斷增進。但是采用傳統(tǒng)的語義分析的方式對于Facebook上用戶交流內(nèi)容進行分析，卻不能預(yù)測用戶間社交關(guān)系的變化。這表明Facebook用戶在線上和線下采用了不同的交流方式來維持他們的社交關(guān)系。

Park（2013）針對Twitter中的輿論領(lǐng)袖進行研究后發(fā)現(xiàn)，用戶的輿論領(lǐng)袖程度與他們使用Twitter參與公眾事務(wù)、查找信息、動員和公共表達顯著相關(guān)。Morales等研究者（2014）通過研究發(fā)現(xiàn)，一些有影響力的用戶能夠通過發(fā)布消息引起顯著的集體反應(yīng)，例如大量轉(zhuǎn)發(fā)微博或者在Twitter平臺上掀起群體運動。

還有研究者關(guān)注Twitter中品牌和用戶之間的關(guān)系。Pentina等研究者（2013）拓展了品牌關(guān)系理論，通過對烏克蘭和美國的被試進行跨文化研究。結(jié)果表明，兩種文化下，用戶的惠顧意愿和對Twitter積極的信任有較強的相關(guān)性。Kim等研究者（2014）通過對315名韓國被試進行調(diào)查，發(fā)現(xiàn)那些經(jīng)常轉(zhuǎn)發(fā)著名品牌的Twitter賬號所發(fā)布的Tweet的用戶在品牌辨識度、品牌信任度、社區(qū)承諾、社區(qū)會員意愿、Twitter使用頻率和所發(fā)布過的Tweet總數(shù)等方面更有優(yōu)勢。

當(dāng)然對于選舉的影響也是一個不可忽視的研究熱點。Leskovec等研究者（2010）以維基百科管理者選舉（promotion of wikipedia admins）為例，間接地探索了用戶參與選舉的行為。他們發(fā)現(xiàn)選民對于候選人之間的社交關(guān)系將在很大程度影響選民的投票行為；而選民對于候選人的評價與別的選民的投票結(jié)果有關(guān)。Kruikemeier（2014）則直接利用了荷蘭的大選期間的數(shù)據(jù)來進行分析。他們發(fā)現(xiàn)在選舉運動的過程中使用Twitter的候選者比那些不使用的候選者得到更多的選票。

除了對文本信息進行研究，研究者們還發(fā)現(xiàn)，個人的Twitter由大量的飽含個人感情的評價與回復(fù)所充斥著。對這些Twitter內(nèi)容進行研究的有關(guān)成果，已經(jīng)被用來探測人們的幸福感（Mihalcea & Liu, 2006），預(yù)測情感走向（Mishne & Glance, 2006），預(yù)測圖書銷售情況（Gruhl, et al., 2005），預(yù)測犯罪情況（Gerber, 2014），甚至是道瓊斯指數(shù)（Bollen, et al., 2011），等等。

（三）社會計算面臨的挑戰(zhàn)

通過以上總結(jié)，可以發(fā)現(xiàn)目前社會計算與傳播學(xué)有關(guān)的研究，特別是針對社會化媒體的研究，主要聚焦于社會化媒體上的信息內(nèi)容和用戶行為兩方面。對于信息內(nèi)容的研究，通常依賴于大規(guī)模的數(shù)據(jù)，采用機器學(xué)習(xí)和人工智能的方法，嘗試自動化地對信息內(nèi)容進行處理、分類和排序，并探索信息傳播和擴散的一般模式。對于用戶行為的研究，則包含了媒體使用和日常生活兩個方面。媒體使用主要是用戶的發(fā)帖、轉(zhuǎn)發(fā)等行為，特別是轉(zhuǎn)發(fā)行為，大量研究者希望能夠預(yù)測用戶對于給定信息的轉(zhuǎn)發(fā)行為。

這類研究通常具有類似的研究范式，即從大量數(shù)據(jù)中提取出幾類特征因素，作為預(yù)測模型的因變量。預(yù)測模型的任務(wù)通常是預(yù)測給定的信息是否會被用戶轉(zhuǎn)發(fā)，而預(yù)測的結(jié)果只有兩類（轉(zhuǎn)發(fā)或者不轉(zhuǎn)發(fā)）。因此預(yù)測模型的任務(wù)即為一個二分類問題，通常采用不同的分類器，根據(jù)預(yù)測模型的應(yīng)變量對結(jié)果進行分類，從而實現(xiàn)對用戶轉(zhuǎn)發(fā)行為的預(yù)測。在日常生活方面，既有依賴社交媒體上的信息對用戶的人格特質(zhì)、個人屬性等信息的預(yù)測，也有探索人們的消費行為、參與公共事務(wù)行為以及選舉投票行為等與社交網(wǎng)絡(luò)媒體使用的關(guān)系。

雖然目前社會計算與傳播學(xué)相關(guān)的研究層出不窮，但是這類研究也通常存在兩類問題：

首先，社會計算依據(jù)大量的數(shù)據(jù)作為基礎(chǔ)，但這類數(shù)據(jù)的獲取卻常常有侵犯隱私的可能性。通常很多數(shù)據(jù)都和用戶的隱私有關(guān)，包括但不限于用戶的年齡、職業(yè)、收入、常瀏覽的網(wǎng)頁、上傳的照片等。如果未經(jīng)用戶允許便收集和分析這類數(shù)據(jù)，可能會導(dǎo)致用戶的隱私權(quán)受到侵害。但與此同時，征詢每位用戶的許可卻又并不現(xiàn)實，因為研究中涉及到的樣本量巨大。因此，如何處理數(shù)據(jù)獲取和隱私尊重/保護之間的關(guān)系，是這類研究面臨的重要的問題。

其次，社會計算的研究，特別是預(yù)測類的研究，通常是以數(shù)據(jù)為導(dǎo)向，缺乏相關(guān)的理論框架的支持。研究者往往探索自變量和因變量之間的相關(guān)關(guān)系，卻很少能夠得到它們之間的因果關(guān)系，這也就使得要對研究問題進行充分而有效的解釋變得困難。同時，因為理論框架的缺乏，研究開展時通常是根據(jù)數(shù)據(jù)的結(jié)果來解釋變量間的關(guān)系，而不是先有理論假設(shè)，再通過數(shù)據(jù)收集對該理論假設(shè)進行驗證。這種“本末倒置”的現(xiàn)象也是計算社會科學(xué)中常見的問題。

結(jié)語

正如祝建華等（2014）在《計算社會科學(xué)在新聞傳播研究中的應(yīng)用》一文中強調(diào)的，將社會計算引入新聞傳播學(xué)研究不僅具有數(shù)據(jù)的價值優(yōu)勢、對大數(shù)據(jù)的處理優(yōu)勢，還有望利用自下而上歸納推理的優(yōu)勢，來認識和理解新事物。可以清晰地看到，前述傳播學(xué)領(lǐng)域已有的社會化媒體研究仍然采取了理論指導(dǎo)下自上而下的路徑，但是如何將二者有機結(jié)合起來仍需要進一步探討。此外，借助社會化媒體平臺進行一些大規(guī)模的“社會實驗”也變得可能；而這類非介入方法的引入，有望為社會化媒體研究帶來新的突破，開展社會科學(xué)研究一直夢寐以求的社會實驗。當(dāng)然背后的倫理爭議、安全爭議等議題，也值得進一步思考。

無論是傳播學(xué)領(lǐng)域還是信息技術(shù)領(lǐng)域，有關(guān)社會化媒體的研究規(guī)模龐大，并正以驚人的速度快速增長。本文定稿之時，正是國內(nèi)首屆計算傳播學(xué)論壇⁽⁴⁾在南京大學(xué)召開之時，計算科學(xué)和社會科學(xué)的一批前沿學(xué)者通過自己各自的研究實踐，開始對這種嶄新的研究路子和方法進行階段性總結(jié)、反思和交流。本文僅從有限的多學(xué)科論文中擇其一二加以總結(jié)梳理，難免掛一漏萬。因此，我們從多個角度來對有關(guān)研究進行歸納和介紹，盡可能觸及社會計算和社會媒體研究的方方面面的理論和方法，期望能給對這個領(lǐng)域和相關(guān)研究方法感興趣的老師和學(xué)者一個大略的、總體的入門導(dǎo)圖，即通過對其中所提及的文獻及其角度、方法的按圖索驥，有心的讀者或許能快速切入、大致了解這一領(lǐng)域，開啟一段全新的探索歷程。

參考文獻

1. Agichtein, E., Castillo, C., Donato, D., Gionis, A. & Mishne, G. (2008, February). Finding high-quality content in social media. In Proceedings of the 2008 International Conference on Web Search and Data Mining (pp. 183～194). ACM.

2. Altheide, D. L. & Snow, R. P. (1979). Media logic. Beverly Hills: Sage.

3. Antheunis, M. L. & Schouten, A. P. (2011). The Effects of Other-Generated and System-Generated Cues on Adolescents' Perceived Attractiveness on Social Network Sites. Journal of Computer-Mediated Communication, 16(3), 391～406.

4. Aral, S. & Walker, D. (2012). Identifying influential and susceptible members of social networks. Science, 337(6092), 337～341.

5. Asur, S., Huberman, B. A., Szabo, G. & Wang, C. (2011, February). Trends in social media: persistence and decay. In ICWSM.

6. Babbie, E. (2009). The practice of social research (12th.). Belmont, CA：Wadsworth.

7. Bandari, R., Asur, S. & Huberman, B. A. (2012, February). The Pulse of News in Social Media: Forecasting Popularity. In ICWSM.

8. Beer, D. (2009). Power through the algorithm? Participatory web cultures and the technological unconsciousness. New Media & Society, 11(6), 985～1002.

9. Bennett, W. L. & Segerber, A. (2012). The logic of connective action: digital media and the personalization of contentious politics. Information, Communication & Society, 15(5), 739～768.

10. Bode, L., Vraga, E. K., Borah, P. & Shah, D. V. (2013). A new space for political behavior: political social networking and its democratic consequences. Journal of Computer-Mediated Communication, 19(3), 1～16.

11. Bollen J, Mao H, Pepe A. (2011). Modeling public mood and emotion: Twitter sentiment and socio-economic phenomena. ICWSM.

12. Brandtz?g, P. B. (2012). Social networking sites: Their users and social implications—a longitudinal study. Journal of Computer-Mediated Communication, 17(4), 467～488.

13. Byrne, D. N. (2007). Public discourse, community concerns, and civic engagement: exploring black social networking traditions on BlackPlanet.com. Journal of Computer-Mediated Communication, 13(1), 319～340.

14. Chen, G. M. (2011). Tweet this: A uses and gratifications perspective on how active Twitter use gratifies a need to connect with others. Computers in Human Behavior, 27(2), 755～762.

15. Chen, Y. N. (2010). Examining the presentation of self in popular blogs: a cultural perspective. Chinese Journal of Communication, 3(1): 28～41.

16. Chin, A., Keelan, J., Tomlinson, G., Pavri-Garcia, V., Wilson, K. & Chignell, M. (2010). Automated delineation of subgroups in web video: A medical activism case study. Journal of Computer-Mediated Communication, 15(3), 447～464.

17. Christakis, N. A. & Fowler, J. H. (2009). Connected: The surprising power of our social networks and how they shape our lives. Hachette Digital, Inc.

18. Chu, S. & Choi, S. M. (2010). Social capital and self-presentation on social networking sites: a comparative study of Chinese and American young generations. Chinese Journal of Communication, 3(4), 402～420.

19. Chung, C. J., Cho, S. E. & Park, H. W. (2014). SNS use by the Korean government: a case of Me2Day. Asian Journal of Communication, 24(1), 25～41.

20. Comarela, G., Crovella, M., Almeida, V. & Benevenuto, F. (2012, June). Understanding factors that affect response rates in twitter. In Proceedings of the 23rd ACM conference on Hypertext and social media (pp. 123～132). ACM.

21. Cromity, J. (2012). The impact of social media in review. New Review of Information Networking, 17(1), 22～33.

22. Cunliffe, D., Morris, D. & Prys, C. (2013). Young Bilinguals' Language Behaviour in Social Networking Sites: The Use of Welsh on Facebook. Journal of Computer-Mediated Communication, 18(3), 339～361.

23. Daft, R. L. & Lengel, R. H. (1986). Organizational information requirements, media richness, and structural design. Management Science, 32(5), 554～571.

24. Debatin, B., Lovejoy, J. P., Horn, A. K. & Hughes, B. N. (2009). Facebook and online privacy: Attitudes, behaviors, and unintended consequences. Journal of Computer-Mediated Communication, 15(1), 83～108.

25. Durkheim, E. (2002). Suicide: A Study in Sociology. Routledge.

26. Eftekhar, A., Fullwood, C. & Morris, N. (2014). Capturing personality from Facebook photos and photo-related activities: How much exposure do you need. Computers in Human Behavior, 37, 162～170.

27. Ellison, N. B., Steinfield, C. & Lampe, C. (2007). The benefits of Facebook "friends"：Social capital and college students' use of online social network sites. Journal of Computer-Mediated Communication, 12(4), 1143～1168.

28. Fulk. J. & Yuan, Y. C. (2013). Location, motivation, and social capitalization via enterprise social networking. Journal of Computer-Mediated Communication, 19(1), 20～37.

29. Gerber M S. (2014). Predicting crime using Twitter and kernel density estimation. Decision Support Systems，61：115～125.

30. Gibbs, J. L., Rozaidi, N. A. & Eisenberg, J. (2013). Overcoming the "Ideology of Openness": probing the affordances of social media for organizational knowledge sharing. Journal of Computer-Mediated Communication, 19(1), 102～120.

31. Gillespie, T. L. (2010). The politics of platforms. New Media & Society, 13(6), 873～892.

32. Ginsberg, J., Mohebbi, M. H., Patel, R. S., Brammer, L., Smolinski, M. S. & Brilliant, L. (2008). Detecting influenza epidemics using search engine query data. Nature, 457(7232), 1012～1014.

33. Gitelman, L. (ed.). (2013). 'Raw data' is an oxymoron. Cambridge: MIT Press.

34. Goffman, E. (1959). The presentation of self in everyday life. New York: Doubleday Anchor Books.

35. Grasmuck, S., Martin, J. & Zhao, S. (2009). Ethno-racial identity displays on Facebook. Journal of Computer-Mediated Communication, 15(1), 158～188.

36. Greenhow, C. & Robelia, B. (2009). Old communication, new literacies: Social network sites as social learning resources. Journal of Computer-Mediated Communication, 14(4), 1130～1161.

37. Gruhl, D., Guha, R., Kumar, R., Novak, J. & Tomkins, A. (2005, August). The predictive power of online chatter. In Proceedings of the eleventh ACM SIGKDD international conference on Knowledge discovery in data mining (pp. 78～87). ACM.

38. Hargittai, E. (2007). Whose space? Differences among users and non-users of social network sites. Journal of Computer-Mediated Communication, 13(1), 276～297.

39. Himelboim, I., McCreery, S. & Smith, M. (2013). Birds of a Feather Tweet Together: Integrating.

40. Network and Content Analyses to Examine Cross-Ideology Exposure on Twitter. Journal of Computer-Mediated Communication，18(2), 40～60.

41. Hong, L., Dan, O. & Davison, B. D. (2011, March). Predicting popular messages in twitter. In Proceedings of the 20th international conference companion on World wide web (pp. 57～58). ACM.

42. Hughes, D. J., Rowe, M., Batey, M. & Lee, A. (2012). A tale of two sites: Twitter vs. Facebook and the personality predictors of social media usage. Computers in Human Behavior, 28(2), 561～569.

43. Humphreys, L., Gill, P., Krishnamurthy, B. & Newbury, E. (2013). Historicizing new media: A content analysis of Twitter. Journal of Communication, 63(3), 413～431.

44. Kanter, M., Afifi, T. & Robbins, S. (2012). The impact of parents "friending" their young adult child on Facebook on perceptions of parental privacy invasions and parent-child relationship quality. Journal of Communication, 62(5), 900～917.

45. Kaplan A. M. & Haenlein, M. (2010). Users of the world, unite! The challenges and opportunities of Social Media. Business Horizons, 53(1), 59～68.

46. Kawamoto, T. (2013). A stochastic model of tweet diffusion on the Twitter network. Physica A：Statistical Mechanics and Its Applications, 392(16), 3470～3475.

47. Kaye, B. K. & Johnson, T. J. (2014). The Shot Heard Around the World Wide web: Who Heard What Where About Osama bin Laden's Death. Journal of Computer-Mediated Communication, 19(3), 643～662.

48. Khang, H., Ki, E. J. & Ye, L. (2012). Social media research in advertising, communication, marketing, and public relations, 1997-2010. Journalism & Mass Communication Quarterly, 89(2), 279～298.

49. Kim, E., Sung, Y. & Kang, H. (2014). Brand followers' retweeting behavior on Twitter: How brand relationships influence brand electronic word-of-mouth. Computers in Human Behavior, 37, 18～25.

50. Kosinski, M., Stillwell, D. & Graepel, T. (2013). Private traits and attributes are predictable from digital records of human behavior. Proceedings of the National Academy of Sciences, 110(15), 5802～5805.

51. Kruikemeier, S. (2014). How political candidates use Twitter and the impact on votes. Computers in Human Behavior, 34, 131～139.

52. Lange, P. G. (2007). Publicly private and privately public: Social networking on YouTube. Journal of Computer-Mediated Communication, 13(1), 361～380.

53. Lazer, D., Pentland, A., Adamic, L., Aral, S., Barabasi, A. L., Brewer, D., Christakis, N., Contractor, N., Fowler, J., Gutmann, M., Jebara, T., King, G., Macy, M., Roy, D. & Alstyne, M. V. (2009). Computational Social Science. Science, 323(5915)：721～723.

54. Lee, A. (2012). Online news media in the Web 2.0 era: from boundary dissolution to journalistic transformation. Chinese Journal of Communication, 5(2), 210～226.

55. Leonardi, P. M., Huysman, M. & Steinfield, C. (2013). Enterprise social media: definition, history, and prospects for the study of social technologies in organizations. Journal of Computer-Mediated Communication, 19(1), 1～19.

56. Lepp?nen, S., Pitk?nen-Huhta, A., Piirainen-Marsh, A., Nikula, T. & Peuronen, S. (2009). Young people's translocal new media uses: A multiperspective analysis of language choice and heteroglossia. Journal of Computer-Mediated Communication, 14(4), 1080～1107.

57. Leskovec, J., Huttenlocher, D. P. & Kleinberg, J. M. (2010, April). Governance in social media: A case study of the wikipedia promotion process. In ICWSM.

58. Ley, B. L. (2007). Vive les roses!：The architecture of commitment in an online pregnancy and mothering group. Journal of Computer-Mediated Communication, 12(4), 1388～1408.

59. Livingstone, S., ólafsson, K. & Staksrud, E. (2013). Risky Social Networking Practices Among “Underage” Users: Lessons for Evidence-Based Policy. Journal of Computer-Mediated Communication, 18(3), 303～320.

60. Majchrzak, A., Faraj, S., Kane, G. C. & Azad, B. (2013). The contradictory influence of social media affordances on online communal knowledge sharing. Journal of Computer-Mediated Communication, 19(1), 38～55.

61. Marwick, A. E. (2013). Status update: celebrity, publicity, and branding in the social media age. New Haven: Yale University Press.

62. Meraz, S. (2009). Is there an elite hold? Traditional media to social media agenda setting influence in blog networks. Journal of Computer-mediated Communication, 14(3), 682～707.

63. Mihalcea R, Liu H. (2006). A Corpus-based Approach to Finding Happiness[C]//AAAI Spring Symposium: Computational Approaches to Analyzing Weblogs. 139～144.

64. Mishne G, Glance N S. (2006). Predicting Movie Sales from Blogger Sentiment[C]//AAAI Spring Symposium: Computational Approaches to Analyzing Weblogs. 155～158.

65. Morales, A.J., Borondo, J., Losada, J. C., Benito, R. M. (2014). Efficiency of human activity on information spreading on Twitter. Social Networks 39: 1～11.

66. Naveed, N., Gottron, T., Kunegis, J. & Alhadi, A. C. (2011, June). Bad news travel fast: A content-based analysis of interestingness on twitter. In Proceedings of the 3rd International Web Science Conference (p. 8). ACM.

67. Notley, T. (2009). Young people, online networks, and social inclusion. Journal of Computer-Mediated Communication, 14(4), 1208～1227.

68. Pan, J. & Skoric, M. (2013). Gender and social resources: digital divides of social. Chinese Journal of Communication, 6(2): 221～239.

69. Park, C. S. (2013). Does Twitter motivate involvement in politics? Tweeting, opinion leadership, and political engagement. Computers in Human Behavior, 29(4), 1641～1648.

70. Pentina, I., Zhang, L. & Basmanova, O. (2013). Antecedents and consequences of trust in a social media brand: A cross-cultural study of Twitter. Computers in Human Behavior, 29(4), 1546～1555.

71. Petrovic, S., Osborne, M. & Lavrenko, V. (2011, July). RT to Win! Predicting Message Propagation in Twitter. In ICWSM.

72. Pike, J. C., Bateman, P. J. & Butler, B. (2013). Dialectic tensions of information quality: social networking sites and hiring. Journal of Computer-Mediated Communication, 19(1), 57～77.

73. Poell, T., de Kloet, J. & Zeng, G. (2014). Will the real Weibo please stand up? Chinese online contention and actor-network theory. Chinese Journal of Communication, 7(1), 1～18.

74. Plester, B. & Wood, C. (2009). Exploring relationships between traditional and new media literacies: British preteen texters at school. Journal of Computer-Mediated Communication, 14(4), 1108～1129.

75. Qiu, L., Lin, H., Ramsay, J. & Yang, F. (2012). You are what you tweet: Personality expression and perception on twitter. Journal of Research in Personality, 46(6), 710～718.

76. Rice, E. & Barman-Adhikari, A. (2014). Internet and Social Media Use as a Resource Among Homeless Youth. Journal of Computer-Mediated Communication, 19(2)：232～247.

77. Rudat, A., Buder, J. & Hesse, F. W. (2014). Audience design in Twitter: Retweeting behavior between informational value and followers' interests. Computers in Human Behavior, 35, 132～139.

78. Saxton, G. D. & Anker, A. E. (2013). The Aggregate Effects of Decentralized Knowledge Production: Financial Bloggers and Information Asymmetries in the Stock Market. Journal of Communication, 63(6), 1054～1069.

79. Schwammlein, E. & Wodzicki, K. (2012). What to Tell About Me? Self-Presentation in Online Communities. Journal of Computer-Mediated Communication, 17(4), 387～407.

80. Shi, J. & Chen, L. (2014). Social support on Weibo for people living with HIV/AIDS in China: a quantitative content analysis. Chinese Journal of Communication, 7(3): 285～298.

81. Shpigelman, C. N. & Gill, C. J. (2014). Facebook Use by Persons with Disabilities. Journal of Computer-Mediated Communication, 19(3)：610～624.

82. Short, J., Williams, E. & Christie, B. (1976). The social psychology of telecommunications, Wiley.

83. Tomasello, T. K., Lee, Y. & Baer, A. P. (2010). "New Media" Research Publication Trends and Outlets in Communication, 1990-2006. New Media & Society, 12(4), 531～548.

84. Sosik, V. S. & Bazarova, N. N. (2014). Relational maintenance on social network sites: How Facebook communication predicts relational escalation. Computers in Human Behavior, 35, 124～131.

85. Stefanone, M. A., Kwon, K. H. & Lackaff, D. (2012). Exploring the relationship between perceptions of social capital and enacted support online. Journal of Computer-Mediated Communication, 17(4), 451～466.

86. Stefanone, M. A. & Lackaff, D. (2009). Reality television as a model for online behavior: Blogging, photo, and video sharing. Journal of Computer-Mediated Communication, 14(4), 964～987.

87. Suh, B., Hong, L., Pirolli, P. & Chi, E. H. (2010, August). Want to be retweeted? large scale analytics on factors impacting retweet in twitter network. In Social computing (socialcom), 2010 ieee second international conference on (pp. 177～184). IEEE.

88. Tong, S. T., Van Der Heide, B., Langwell, L. & Walther, J. B. (2008). Too much of a good thing? The relationship between number of friends and interpersonal impressions on Facebook. Journal of Computer-Mediated Communication, 13(3), 531～549.

89. Uysal, I. & Croft, W. B. (2011, October). User oriented tweet ranking: a filtering approach to microblogs. In Proceedings of the 20th ACM international conference on Information and knowledge management (pp. 2261～2264). ACM.

90. Vaast, E. & Kaganer, E. (2013). Social media affordances and governance in the workplace: An examination of organizational policies. Journal of Computer-Mediated Communication, 19(1), 78～101.

91. Valenzuela, S., Park, N. & Kee, K.F. (2009). Is there social capital in a social network

92. site? Facebook use and college students' life satisfaction, trust, and participation. Journal of Computer-Mediated Communication, 14(4), 876～901.

93. van Dijck, J. (2013). The culture of connectivity: A critical history of social media. New York: Oxford University Press.

94. van Dijck, J. & Poell, T. (2013). Understanding social media logic. Media and Communication, 1(1), 2～14.

95. Vergeer, M. & Pelzer, B. (2009). Consequences of media and Internet use for offline and online network capital and well-being. A causal model approach. Journal of Computer-Mediated Communication, 15(1), 189～210.

96. Watts, D. J. (2013). Computational Social Science: Exciting Progress and Grand Challenges. The Bridge, 43(4): 5～10.

97. Weaver, A. J., Zelenkauskaite, A. & Samson, L. (2012). The (non) violent world of YouTube: Content trends in web video. Journal of Communication, 62(6), 1065～1083.

98. Webster, J.G. & Ksiazek, T. B. (2012). The Dynamics of Audience Fragmentation: public Attention in an Age of Digital Media. Journal of Communication, 62(1), 39～56.

99. Wellman, B. (2002). Little boxes, glocalization, and networked individualism. In: Tanabe, M., Nesselaar, P., Ishida, T. (ed.). Digital cities II-Second Kyoto Workshop on Digital Cities. Berlin: Springer, 10～25.

100. Wen, W. (2014). Facebook political communication in Taiwan: 1.0/2.0 messages and election/post-election messages. Chinese Journal of Communication, 7(1), 19～39.

101. Wilson, W. J. (1980). The declining significance of race: Blacks and changing American institutions. Chicago: University of Chicago Press.

102. Wimmer, R. D. and Dominick, J. R. (2010). Mass Media Research: An Introduction, 9^th ed. Belmont, CA: Wadsworth.

103. Xu, Z. & Yang, Q. (2012, August). Analyzing user retweet behavior on twitter. In Proceedings of the 2012 International Conference on Advances in Social Networks Analysis and Mining (ASONAM 2012) (pp. 46～50). IEEE Computer Society.

104. Xu, Z., Zhang, Y., Wu, Y. & Yang, Q. (2012, August). Modeling user posting behavior on social media. In Proceedings of the 35th international ACM SIGIR conference on Research and development in information retrieval (pp. 545～554). ACM.

105. Yang, H. & Liu, H. (2014). Prior negative experience of online disclosure, privacy concerns, and regulatory support in Chinese social media. Chinese Journal of Communication, 7(1)：40～59.

106. Yang, M. C. & Rim, H. C. (2014). Identifying interesting Twitter contents using topical analysis. Expert Systems with Applications, 41(9), 4330～4336.

107. Zimbra, D., Abbasi, A. & Chen, H. (2010). A Cyber-archaeology Approach to Social Movement Research: Framework and Case Study. Journal of Computer-Mediated Communication, 16(1), 48～70.

108. Zuniga, H. G., Jung, N. & Valenzuela, S. (2012). Social media use for news and individuals' social capital, civic engagement and political participation. Journal of Computer-Mediated Communication, 17(3), 319～336.

109. Zywica, J. & Danowski, J. (2008). The Faces of Facebookers: Investigating Social Enhancement and Social Compensation Hypotheses; Predicting Facebook^TM and Offline Popularity from Sociability and Self-Esteem, and Mapping the Meanings of Popularity with Semantic Networks. Journal of Computer-Mediated Communication, 14(1), 1～34.

110．孟小峰、李勇、祝建華：《社會計算：大數(shù)據(jù)時代的機遇與挑戰(zhàn)》，載《計算機研究與發(fā)展》，2013，50(12)，2483～2491頁。

111．王飛躍、曾大軍、毛文吉：《社會計算的意義、發(fā)展與研究狀況》，載《科研信息化技術(shù)與應(yīng)用》，2010，1(2)，3～15頁。

112．張明新、陳柏伊：《西方傳播學(xué)界社會化媒體研究的議題、理論與方法：2007-2012》，載陳先紅、張明新主編：《中國社會化媒體研究報告（2013卷）》，武漢，華中科技大學(xué)出版社，2013。

113．祝建華、彭泰權(quán)、梁海、王成軍、秦潔、陳鶴鑫：《計算社會科學(xué)在新聞傳播研究中的應(yīng)用》，載《科研信息化技術(shù)與應(yīng)用》，2014（5），3～13頁。

---

(1)作者簡介：金兼斌，清華大學(xué)新聞與傳播學(xué)院教授；楚亞杰，2013—2015年期間清華大學(xué)新聞與傳播學(xué)院博士后，現(xiàn)為復(fù)旦大學(xué)新聞學(xué)院講師；林成龍，清華大學(xué)新聞與傳播學(xué)院2014級碩士研究生，現(xiàn)為中國民航報社輿情分析師；游淳惠，清華大學(xué)新聞與傳播學(xué)院2013級博士研究生，現(xiàn)為浙江工業(yè)大學(xué)人文學(xué)院講師；侯佳希，清華大學(xué)新聞與傳播學(xué)院2013屆畢業(yè)生，現(xiàn)為東京大學(xué)學(xué)際情報學(xué)環(huán)信息技術(shù)與亞洲社會學(xué)專業(yè)碩士學(xué)生。

(2)見Nielsen: 2015年全球廣告信任度調(diào)查報告。199IT-中文互聯(lián)網(wǎng)數(shù)據(jù)資訊中心。網(wǎng)上見: http://www.199it.com/archives/391032.html.

(3)留一法（leave-one-out）交叉驗證：假設(shè)有N個樣本，將每一個樣本作為測試樣本，其他N-1個樣本作為訓(xùn)練樣本。這樣得到N個分類器，N個測試結(jié)果。用這N個結(jié)果的平均值來衡量模型的性能。

(4)論壇于2016年9月25日在南京大學(xué)新聞與傳播學(xué)院召開。