网络安全检测|网络安全服务|网络安全扫描-香港墨客投资移动版

从研究问题看，现有大数据与新闻传播研究多数还是“数据驱动”的研究，而非“理论驱动”的研究，能拿到各种类型的网络大数据并基于这些数据来进行理论研究，本身就是这个领域一直积极探索的方向。目前的数据来源，国外研究主要是推特(Twitter)、YouTube、Facebook等社交媒体，而且大部分是推特这一开放性社交平台的数据，国内研究主要是论坛、微博、百度等网络社区、社交媒体和搜索平台的数据而且以微博这一开放性社交平台的数据为主，数据规模小则数万、数十万，多则数千万和上亿。与传统研究主要通过调查问卷、访谈等方式获取受访者“自我报告”数据，不同的是，基于大数据传播的研究主要以精炼的“关键词”或整群采样来建立数据库，传统的抽样逻辑被颠覆，研究的关注焦点从“代表性的小样本” 转向“选择性的全样本”(张志安，曹艳辉，2017)。

从研究方法看，针对大数据的处理往往与计算机辅助内容分析、自动化的数据 挖掘、大规模的社会网络分析相联系，需要传播学、心理学、计算机等多学科的理论和方法支撑。其中，最流行和便捷的计算机辅助内容分析方法是基于词典的文本分析工具(Dictionary-Based Text Analysis)，可以根据词典中关键词所属类别自动对文本内容进行编码；机器学习(Machine Learning)包括无监督、有监督的机器学习两种类型，是基于数据经验来识别提取数据类型、做出决策的算法；复杂社会网络分析常针对传播者(如意见领袖)、传播议题之间的关系进行分析，常用工具包括Ucinet、Gephi、Pajek等(张志安，曹艳辉，2017)。

从研究结论看，基于大数据的新闻传播相关研究更多注重的是变量之间相关关系的检验，而非因果关系的阐释。一方面，这受制于研究所收集的网络数据很难进行结构化处理，难以获取研究样本详实的人口统计变量数据，更重要的是难以根据研究目的灵活设计控制变量，只能基于自然生成的数据进行挖掘；另一方面，基于时间、人力和研究成本的考量，要收集到更多不同维度的线上和线下数据，尤其是将社交媒体上网民表达的内容数据、浏览和转发的行为数据与其现实生活中的人口学特征数据结合在一起进行研究，难度非常大。正如喻国明(2014)指出：大数据思维只关注“相关性”，而不再关注“因果”关系，对大数据的研究，发生了从 “随机样本”到“总体”的研究范式改变，对其研究的重点正从“理论”向“算法”与“规则”转换，理论研究的指导价值正在下降。目前，基于大数据的新闻传播研究具有哪些总体特征？第一，社交媒体数据成为研究公共表达、传播内容和传播效果的新数据来源。比如运用微博数据可以测量不同热点事件发生过程中的公共表达议题、意见领袖的关系网络、网民的直觉情绪；运用搜索数据可以分析公众关注某个社会议题的搜索路径和认知深度；基于不同热点事件的微信H5数据可以研究同一议题、不同内容的网络扩散路径，进而探讨民族主义情绪和微信传播模式之间的关系等。

第二，运用社交媒体数据进行的研究，回应的问题依然是议程设置、沉默螺旋等传播效果研究的经典问题，其背后依然是美国传播学的实证研究范式占主导。比如，运用社交媒体和传统媒体的文本进行分析比较，考察不同平台之间议题的多元和复杂互动，针对某个特定议题或事件分析预测哪个平台、哪种议题网络能够更好的预测某个群体的关注、表达和参与行为等。

第三，针对社交媒体数据的分析维度，从传播内容、传播过程和传播者关系网络越来越多地拓展到情绪、态度、空间等跨学科研究的视野中。比如社会心理学相关研究，利用社交媒体数据挖掘进一步检验用户线上情绪和线下情绪、线上心理和线下心理之间的关系；计算机仿真的相关研究，运用大数据进行人工社会的模拟系统平台建设，预测不同热点事件在线上和线下不同空间中的传播规律等。

值得思考的问题是，通过“新数据+旧问题”的研究能否越来越多地催生“新数据+新问题”的研究，“数据驱动”的研究能否越来越多地走向“理论驱动”的研究，“相关性”的研究能否越来越多提升至“因果”关系的研究，从而真正借力大数据分析方法为新闻传播研究打开新的视域。

三、以大数据方法提升新闻传播研究的主要路径