计算机技术传播特点,移动互联网的传播特点

在人类传播的历程中,文字和印刷将人类带入有形的画面时代,而电子媒体的到来则将人类带入了声画一体的信息时代。在广播与电视媒体之后到来的计算机媒体既传承了广播“热媒介”不需要受众调动更多感官进行参与的特点,又继承了电视“冷媒介”更多互动参与即可获得所需信息的特点,充分融合了冷热媒介的传播优势。移动互联网作为计算机媒体时代新时期,之所以能在短短几年内成为超越电脑的上网第一终端,依靠的不仅仅是其移动终端设备的优势还依赖其自身的传播特性。

(一)空间性:美国媒介理论家Paul Levison在其著作Cellphone: The Story of  the World’s Most Mobile Medium and How It Has Transformed Everything中对以手机媒体为代表的移动互联网媒体有过非常乐观的分析。在他认为,自人类诞生之日起便产生了说话和行走两种基本的交流方式,但是直到手机媒体出现之前,这两者一直处在割裂的状态,即便是“几乎改变世界”的计算机都没有将二者有效的结合,唯独手机做到了这点,人们可以一边走路一边进行信息的沟通。可以说,手机媒体的出现将人们从“禁闭室”和机器前解放了出来,这种交流空间的解放使手机媒体成为了“信息传播最方便的媒体”。这种感性的近乎膜拜式的评论,形象的描述了移动互联网媒体给人们提供的便捷的信息传播途径,人们可以随时随地的接入网络获取所需要的信息,进行信息的沟通、消费等活动,传播过程的跨空间性也成为了移动互联网媒体优于其他传统媒体最大的特点。

(二)即时性:移动互联网传播的空间性是与其即时性密不可分的,移动通信网络突破了网络对人们的空间限制,使得人们在任何地点都可以进行信息的接收和分享,而这种空间的解放同时也碎片化了时间,人们拥有了更加广泛的自由空间。时效是信息传递中非常重要的要素,移动互联网媒体将信息的时效性发挥的淋漓尽致,人们利用移动互联网媒体可以随时将所见、所闻、所感进行传递与分享,同时还可以对所产生的问题进行即时的信息搜索和答复,这种完全的即时性给人们的生活带来了巨大的变革。

(三)个众性:与传统媒体近乎无差异的大众传播相比,互联网与移动互联网都有着突出的分众性、互动性和定向性的特点,但是移动互联网媒体的分众性与互联网媒体呈现的分众性却有着区别。在使用计算机接入互联网时,每台计算机都有一个IP地址,但是这个地址并不一定是接入互联网这台计算机独有的,通过技术手段,一台计算机可以有多个IP地址或者多台计算机也可以使用同一个IP地址。而通过移动通信管道接入移动互联网的设备只能有唯一的ID地址,这就使得移动互联网呈现出比互联网的分众性更强的分众性,故笔者将其称之为“个众性”,简言之,互联网对应的是计算机,而移动互联网对应的是人。移动互联网传播的信息是符合接受者自身特点进行的有针对性的内容,这与传统大众媒体整齐划一的信息传递有着非常大的差别。同时,人际传播的特点在移动互联网传播中得到凸显和强化,人们通过自己的喜好选择不同的移动应用、进入不同的移动社交媒体找到志趣相投的朋友,舒张了个人的意志和表达空间,充分体现了使用者自身的个性。

(四)广泛性:与传统媒体不同,移动互联网媒体可以有众多的传播源进行信息的发布。在移动互联网的传播中,任何一个移动设备的使用者都可以成为信息的发布者,于此同时,任何一个使用者也同时作为信息的接受者而存在,这种弱化了的传者与受者关系,无形的扩大了移动互联网的传播范围。在传播学中,对媒体进行效果测评时一个重要的指标则是其受众的拥有量,从现实情况上看,移动互联网媒体的受众的拥有量已经达到了一个相当的程度,这种传播者和受众角色相互交替或同时存在的特点使得移动互联网比其他媒体具有更加广泛的特点。

(五)交互性:尼葛洛庞帝在《数字化生存》一书中曾有一下的描述,“大众传媒正演变为个人化的双向交流,信息不再被推给消费者,相反,人们将把所需要的信息拉出来,并参与到创造信息的活动中。”在移动互联网中,人们对信息的接受摆脱了被动性,人们可以主动的对信息进行搜索和查询,并对获得的信息进行即时的反馈,而这种反馈也是多面向的。移动互联网中的信息传播和接受实现了点对点对沟通,人们可以对信息本身进行回复或按照信息进行下一步的具体行动,也可以对获得的信息短时间内完成再创作,其受者角色也可以迅速的转变为到传者,完成信息的再次传递。这种交互性的传播过程,是传统媒体的单向传播无法匹敌的。

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值