计算传播学导论：文本分析与传播学

社会化媒体新媒介技术的广泛使用，使得文本分析技术越来越受到关注。

文本分析缘何受到广大传播学者的关注？在《计算传播学导论》中，主要原因分为三点。而我在学习的过程中，就这三点内容，给出了我个人的理解。

1、社会的导向

随着技术的发展，社交媒体已然成为了人们日常生活中不可或缺的一部分。

社会化媒体作为新的信息传播媒介技术改变了人们的信息传播行为。

2、技术的优势

社交媒体的使用，用户无论从使用时间、长度、或者更具体的“点赞”“评论”等细节行为，都得到记录，并在合法合规的基础上可以被利用、分析。

此外，计算机算力的提升，使得文本分析技术不断增强，对比于传统的内容分析，更高效、更直观，更能从海量的数据中挖掘到研究者想要的信息，甚至于发现研究者之前没有注意的隐含信息。
在下一节的内容中，我将使用Python来针对真实案例进行文本分析的初步实践操作。和其它技术一样，文本分析技术也自成体系，里面涉及到很多的技术细节和逻辑。因此，我们在后期将会专门建立“文本挖掘”的技术板块，而在此次“计算传播学”的初体验之中，我们只做简单的了解。为了便于加深理解，利用《计算传播学导论》中文本分析的研究贡献资料，共分离出文本分析用于传播学涉及到的五个研究方向。具体为：

1、情感的传染

我们先来看一个我朋友发来的截图。

细心的读者可能已经发现了，在语音转文字的过程中，不仅仅是语音到文字这一步，机器已经把讲话人的情绪也做了分析，还贴心的配了表情。（ps.感谢发图的小姐姐。小姐姐四年前硕士毕业，硕毕做的是语音识别。她今天给我发来一个语音转化图，不禁感慨，“语音识别现在能做到的情感分析这么精准。”）

当然，通过这样的例子，大家可能对情感识别有了一个初步的概念。那么，语音能做，文本也可以吗？当然可以。我们通过文本的分析，做情绪判定，对基本的情绪做分类。

情绪的判定是信息传播效果——这一传播学重要研究领域的测量维度之一。用户对于信息的接受——特别是广告、选举等说服性信息的情感倾向，是测量其信息接受程度的重要指标。

这一部分，书籍作者主要就情绪是否会随着文本进行传播提供了研究参考。

2、个体情感变化规律

我在读研期间，硕导当时给了一个灵魂拷问“怎么定义高兴，怎么定义愤怒”。这个问题现在听来，也依然很难回答，因为“自然语言理解太难了”。而在可回答的范围内，我们将情绪归为积极情绪，消极情绪。积极情绪包括：高兴、热情、积极；消极情绪包括：悲痛、恐惧、愤怒等。因此，在情绪的背后，意指人们情感的变化。文本是否可以传达情感信息呢？

于是，研究点呼之欲出：我们通过人们社交媒体的文本表达，进行大量的文本分析，尝试分析得出个体情感的变化规律。

3、文本特征提取

看一下我们的基本研究问题：

信息传播的效率和效果，是传播学研究的一个重要而基本的问题。那么，更深层次的讨论也来了，怎么判断信息传播的效率和效果呢？

通过社交媒体中的文本，构建语义共现网络——如果两个语词同时出现于一篇文档中，则二者之间有一条连边关系。通过计算每个语词的“词频/逆向文档频率”值，得到权重，最后构建二分网络，分析信息传播效率。

以上的逻辑你可以先忽略，你现在只需要知道有一种方法，是从语词结构视角，分析文本信息特征对于信息传播效率的影响。以后关于“词频/逆向文档频率”（TF-IDF）这个概念，我们会详细解释。

这部分内容，你可以先记在小本子上，因为基于语词网络的分析是在计算传播学的文本分析中，一种重要的研究手段。

4、利用文本进行个体行为预测

我们之前讨论过很多次关于文本分析的意义，多次提及“预测”。在具体的分析中，到底可以预测什么呢？最直观的预测，则是美国大选。通过对Twitter的发言帖进行文本分析，预测每个州的大选结果，甚至可以将相关的结果用于推及到其它的州。

在这篇论文中“Mining Public Opinion about Economic Issues: Twitter and the U.S. Presidential Election”，作者结合情感分析和主题建模，来分析探讨选举期间社交媒体中的经济问题。也是此类方法的变相应用。

5、文本与社会文化变迁

具体的研究中，除了个体的情绪情感变化、行为变化、行为预测，重点的应用也包括社会文化的变迁。这和文本其本身所具有的特点相关。研究人员分析宏观社会文化和媒介技术的变迁，可以区别于传统内容分析方法，利用大数据下的文本分析，结合可视化，给出更直观准确的分析结果，也更客观的揭示人类社会文化、技术和价值观的变化以及变化规律、特点。

参考文献：

[1].张伦,王成军,许小可.《计算传播学导论》[M].北京师范大学出版社:北京,2018:16-26

欢迎关注“重回思考”微信公众号，更多精彩与你一起探索。