【CCM-计传阅读树07】新刊速递 Asian Journal of Communication

Two papers from Web Minning Lab of CityU have been accepted, Introducing computational social science for Asia-Pacific communication research and Applying user analytics to uses and effects of social media in China.

介绍亚洲计算社会科学的发展和前沿动态。接下来做逐篇简介。

 

Introducing computational social science for Asia-Pacific communication research

《将计算社会科学引入亚太地区的传播学研究》

摘要：

Computational social science has caused a shift of research paradigm in social science in general and communication in particular. The special issue brings together a community of active researchers to introduce computational social science for Asia-Pacific communication research. The special issue outlines major computational methods closely related to communication research and demonstrates how computational methods can be applied to address theoretical and practical questions in Asia-Pacific societies. The advantages and limitations of computational methods have been conceptually discussed and/or empirically illustrated. Finally, the special issue provides a guideline of conducting computational research for communication researchers in Asia-Pacific societies and beyond.

计算社会科学已经导致了社会科学中研究范式的转移——无论从社会科学的总体概念而言，抑或是特定针对传播学研究来说。这一特殊问题使一群活跃的研究者聚集起来，将计算社会科学引入亚太地区的传播学研究。该问题描绘出与传播学研究相关的主要计算方法，呈现出计算方法是怎样适用于回答实际的亚太社会的理论与实践问题。计算方法的优势与限制已经被概念化（有条理）地讨论过或接受了实证研究的阐释。最后，该问题提供了针对使用计算方法进行传播学研究的指导手册，这适用于亚太社会，甚至可以被进一步推广到其他地区去。

 

CSS的立身之本：5W模型

传播学研究所使用的计算方法：他们是什么？

传播学研究关注作为一个社会过程的传播现象，主要关于谁、说了什么、对谁、在何种渠道下、有怎样的效果。作为一种社会科学中正在兴起的范式，计算社会科学范式可以在传播学实证研究的5W领域中体现，并在下列三个领域中尤其相关：用户研究中的受众分析、内容分析中的文本挖掘、传播效果研究中的实验方法。

 

 

Applying user analytics to uses and effects of social media in China

《中国社会化媒体的使用与影响：一则应用用户分析方法的实证研究》

注意：题目中使用 ‘analytics’ 而非 ‘analysis’ ，这是由于前者不仅仅包括传统的统计分析方法（为假设检验服务），也包含机器学习方法（通常为探索性研究而使用了非监督学习方法）

论文的写作目的主要有二：其一，弥合业界和学界的研究代沟，业界中如电视收视研究、互联网绩效追踪中已经广泛使用了这些方法，它根植于媒体受众研究（media audience research）的一个部分。但学界的脚步却稍显落后；其二，点明用户分析方法为何是计算传播学方法而非传统量化研究方法。

计算传播学方法中，内容/文本挖掘方法与用户分析方法通常是利用相同的数据源：在线发布的内容（如帖子、视频、乐曲等）。它们的不同之处在于，内容/文本挖掘方法更关注内容语义特征，进行主题、情感等分析，而用户分析方法则关注用户生产、消费UGC的行为特征，进行关于数量、时间、回复与互动情况等方面的分析。在概念化的层面，在线实验的方法与用户分析方法有交叉，但在效果的测量上有差异：在线实验通过随机化（randomization）、施加刺激或其他介入因素（invention)；而用户分析方法通过历时性测量得到可信赖的无人工干预的可信赖的数据。

值得注意的是（it is worth noting that），用户分析可以用于分析在线或线下的社会化媒体影响。

在介绍了用户分析法的历史渊源和进行过方法论上的对比后，作者完成了本篇文章 ‘what’ 部分的叙述，接下来进行 ‘how’ 部分的介绍。在这里，使用一则关于中国社会化媒体“微博”的实证研究进行应用用户分析方法的逐步指南。

1. 获取数据：主要有四类渠道：（1）购买；（2）文档下载； （3）API 获取；（4）网络爬虫。

2. 用户维度建构：我对这一步的理解是数据的清洗和特征工程。

这里将用户维度构建分三步进行：概念分类、概念指标建构、可操作化指标建构。概念分类可划分为三个部分：传媒环境暴露（exposure）维度、传播效果维度、UGC维度。

若具体到UGC测量的可操作维度分别包括：

exposure : 接触信息数量、接触信息内容；

effect : 线上观看量、线下行为改变情况；

UGC : 内容类型、生产内容的数量、内容之间的相似性、UGC行为的持续性

其中，

exposure matrix: 核心在于5W（who - what activity - when - where - why) 其中包含了人口特征、时空变量、心理因素、活动类型（活跃创作活动或不明显的围观活动等）。

effect : 线上观看量、线下行为改变情况；（与exposure活动一起，可以被看作是传统媒介效果研究在网络环境下的延伸）

UGC : 内容类型、生产内容的数量、内容之间的相似性、UGC行为的持续性；（完全是user analytics独有的新类型，传统媒体中几乎不存在）

 

指标建构好之后，用户分析的开始实施的第一步是用户画像的构建，用户特征维度包括基础人口学特征、可以加入心理变量如开始创作的时间、目标预期（主动选择的内容tag）等。

此后，我们通常会进行社会网络分析方法。使用用户分析法研究社会网络对人们的影响优于实验法的地方在于，外显地实验和测量容易使人们自觉或不自觉地夸大社会网络的影响。主要有三种构建网络的办法：基于关注结构的、基于行为互动的、基于语义相似性的（Ackland & Zhu, 2015）。

作者团队一直关注创新扩散理论与新媒体的使用，他们曾经跟踪亚马逊上纸质书、电子书的用户，记录他们的购买和评论轨迹，发现大多数用户仍然是纸质书的拥护者。他们也在这次的研究中观察，是否微博和新浪博客之间存在用户的留存和迁徙。