计算传播学研究核心命题

我们正在迈向一个泛媒介化的超级智能媒体时代，这意味着我们所要面对的媒体类型和媒体数量将会达到有史以来的空前顶点，媒体内容选项的规模将会膨胀到前所未有的天文数字级别，而且仍然在按照某种与摩尔定律类似的指数型曲线加速增长。但是传播学领域所涉及的用户注意力是固定的，在任何用户有限的数十年人生、短暂的每周七天、每天固定的二十四小时中，没有哪一位用户有足够的时间去消费这海量的媒介内容。换言之，我们面临的不是像古人那样的信息稀缺问题，而是丰裕所带来的信息过载问题。传播学研究的核心命题是如何将信息有效地传递给媒介受众，但是过去研究所涉及的传播效果测量的模糊性一直为学界和业界所诟病。作为传播学研究的一个分支方向，计算传播学所要解决的就是弥补传播学研究在量化方法上过去所存在的缺陷，并进一步将含混不清的有效传播向前推进为具化的精准传播，从而在智能传播时代实现用户、场景和内容之间的精准匹配。在这个过程中，计算能力成为传播学研究所必备的核心能力，而大数据、云计算、机器学习、人工智能等相关技术手段则是实现目的所必须掌握的研究工具。

对于用户而言，我们亟须一种对海量信息进行分类、筛选和过滤的方法；对于媒介而言，我们则亟须一种能够将内容产品在最合适的时间以最合适的方式呈现在最合适的用户终端上面的工具。过去，媒介机构自身以及媒介监管者充当了信息“把关人”的家长角色，为受众过滤掉了他们认为并不合适的信息。尽管这些方法和工具并未消失，但是在处理未来智能媒体时代急剧增长的信息产品时，这些方法显得捉襟见肘和力不从心，因此我们要研究出更有价值的信息传播和过滤方法。今天，我们“可以不再通过采样的方式就能够获得海量数据，并且通过较低的成本就能够利用优秀的算法对这些数据进行深度挖掘和处理，发现具体到每一位用户的消费需求和媒介使用习惯”^[6]，从而帮助用户在特定时空中获得与他们的信息消费需求完全相匹配的媒介产品。这种研究恰恰正是落在计算传播学肩上的重要时代使命。(www.xing528.com)