46
个编辑
更改
跳到导航
跳到搜索
第83行：
第83行： − + − + + − −
→原文摘录
* 后记 寻找人类传播行为的基因 232
* 后记 寻找人类传播行为的基因 232
== 原文摘录 ==
== 原文摘录 ==
p5
p5<br>
二、什么是“计算社会科学”与“计算传播学”?
二、什么是“计算社会科学”与“计算传播学”?<br>
2009年，包括Lazer, Pentland等多位著名学者共同署名的文章《计算社会科学》(“Computational Social Science" ) 发表，标志着“计算社会科学”这一新兴学科的建立。该文章定义了“计算社会科学”:通过对海量数据的采集和分析，旨在揭示人类个体和群体行为模式的新兴学科。具体而言，“计算社会科学”旨在通过对海量数据的收集、处理、存储，同时利用计算技术(如自动内容分类、语义建模、自然语言处理、模拟和统计模型)分析人类行为模式。<br>
2009年，包括Lazer, Pentland等多位著名学者共同署名的文章《计算社会科学》(“Computational Social Science" ) 发表，标志着“计算社会科学”这一新兴学科的建立。该文章定义了“计算社会科学”:通过对海量数据的采集和分析，旨在揭示人类个体和群体行为模式的新兴学科。具体而言，“计算社会科学”旨在通过对海量数据的收集、处理、存储，同时利用计算技术(如自动内容分类、语义建模、自然语言处理、模拟和统计模型)分析人类行为模式。<br>
该文章发表4年后，至2013年， Watts对计算社会科学发展现状做了简要总结。该文章认为，计算社会科学至2013年，已经在“海量数据获取”“计算工具的使用”以及“跨学科合作”等几方面取得了显著进步。但该领域仍有一些重要问题没有解决。例如，对经济危机、传染病和社会运动等重要社会问题的探讨;而这些领域进展缓慢主要缘于社会问题的复杂性。未来，计算社会科学的发展，还需要在以下几个方向着力:对于跨平台数据( Multi -Source Data)的获取，能够帮研究者更全方位地观察个体行为;在线实验的平台搭建以及在线实验的执行，能够更有效地研究因果关系;最重要的是，社会科学家需要更深入地融人计算社会科学研究。社会科学问题的提出和解决，很大程度上依赖于社会科学家，而不是计算机或其他相关学科的研究者。<br>
该文章发表4年后，至2013年， Watts对计算社会科学发展现状做了简要总结。该文章认为，计算社会科学至2013年，已经在“海量数据获取”“计算工具的使用”以及“跨学科合作”等几方面取得了显著进步。但该领域仍有一些重要问题没有解决。例如，对经济危机、传染病和社会运动等重要社会问题的探讨;而这些领域进展缓慢主要缘于社会问题的复杂性。未来，计算社会科学的发展，还需要在以下几个方向着力:对于跨平台数据( Multi -Source Data)的获取，能够帮研究者更全方位地观察个体行为;在线实验的平台搭建以及在线实验的执行，能够更有效地研究因果关系;最重要的是，社会科学家需要更深入地融人计算社会科学研究。社会科学问题的提出和解决，很大程度上依赖于社会科学家，而不是计算机或其他相关学科的研究者。<br>
因此，在“计算社会科学”研究范式下，我们对于计算社会科学分支之一的计算传播学做出如下定义:计算传播学致力于寻找传播学可计算化的基因，以传播网络分析、传播文本挖掘、数据科学等为主要分析工具，大规模地收集并分析人类传播行为数据，挖掘人类传播行为背后的模式和法则，分析模式背后的生成机制与基本原理。“新数据”“新方法”以及“重要问题”，是计算传播学不可或缺的三个重要元素。对于初次接触“计算传播学”这一概念的读者，学习这一新兴领域，大概需要两部分知识:理论与方法。理论层面，包括社会网络、人类行为理论、公共意见形成与演化以及信息传播模型等。方法层面，又分为数据分析方法和编程软件的学习:前者包括社会网络分析(如指数随机图模式)，文本挖掘，网络挖掘方法(如数据抓取、机器学习、深度学习),统计分析(如时间序列模型、空间分析)，基于个体的模拟建模( Agent- -Based Modeling )和可视化分析及技术;而后者则主要包括当前主流开源编程软件，如R、Python、Echart (可视化分析)以及部分商业软件(如Tableau等)。
因此，在“计算社会科学”研究范式下，我们对于计算社会科学分支之一的计算传播学做出如下定义:计算传播学致力于寻找传播学可计算化的基因，以传播网络分析、传播文本挖掘、数据科学等为主要分析工具，大规模地收集并分析人类传播行为数据，挖掘人类传播行为背后的模式和法则，分析模式背后的生成机制与基本原理。“新数据”“新方法”以及“重要问题”，是计算传播学不可或缺的三个重要元素。对于初次接触“计算传播学”这一概念的读者，学习这一新兴领域，大概需要两部分知识:理论与方法。理论层面，包括社会网络、人类行为理论、公共意见形成与演化以及信息传播模型等。方法层面，又分为数据分析方法和编程软件的学习:前者包括社会网络分析(如指数随机图模式)，文本挖掘，网络挖掘方法(如数据抓取、机器学习、深度学习),统计分析(如时间序列模型、空间分析)，基于个体的模拟建模( Agent- -Based Modeling )和可视化分析及技术;而后者则主要包括当前主流开源编程软件，如R、Python、Echart (可视化分析)以及部分商业软件(如Tableau等)。
== 部分书评 ==
== 部分书评 ==