第二节
在线知识传播研究的路径转移

在线知识传播平台的出现对知识传播研究产生了变革性的影响。首先，就数据及其采集方式而言，在线知识传播平台的个体行为数据体量和维度激增。由于在线知识的体量极大，人工干预的数据分析方法无法有效量化海量数据，需要借助于自动化的算法与数据处理技术 。在这种情况下，传统研究方法（例如问卷调查法、内容分析法）所依赖的人工数据收集方式已很难实现社交媒体时代大规模、多模态数据的获取；以网络爬虫为代表的信息实时采集技术和工具逐渐成为数据获取的常态。在知识传播研究中，相比于传统用户行为分析，在线海量知识标签数据分析存在“体量大”和“模糊性”两个重要特征。这意味着传统的人为内容分析方法无法适用于新的研究语境。而只有通过对大规模标签共现模式的分析，才能够克服用户自创内容的“模糊性”弊端。其次，社交媒体带来了知识传播内容、时间和空间的改变。只有重新理解知识传播及其技术是如何与人和环境互构，才能解决新媒介环境下的知识传播现象。在知识传播领域，在线知识传播作为典型的信息传播行为，对其传播内容与传播模式的研究尚未形成有效范式，缺乏基本结论。最后，知识的创新在于交叉领域的创新（例如生物学神经网络技术与机器学习神经网络算法的提出），因此，传统的人工判定知识领域所产生的主观偏见会掩盖公共知识的变化和新领域的产生。

以计算社会科学为背景、以“计算传播学”为代表的“新经验主义研究范式”是否是知识传播研究可能的转移路径？2009年，大卫·拉泽（David Lazar）、阿莱克斯·彭特兰（Alex Pentlend）等多位著名学者共同署名的文章《计算社会科学》（ Computational Social Sciences ） 发表，标志着“计算社会科学”这一新兴学科的建立。“计算社会科学”指通过对海量数据的采集和分析，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、存储海量规模数据，同时利用计算技术（例如自动内容分类、语义建模、自然语言处理、模拟和统计模型）分析用户行为。在“计算社会科学”研究范式下，传播学研究领域在过去十年出现了“基于计算方法的传播学研究（Computational Communication Research）”新范式，简称为“计算传播学” 。计算传播学研究融合了信息科学、计算机科学、网络科学等多学科背景。

本书将“在线知识传播研究的路径转移”定义为利用信息技术、强调数据本身的自足性与独立价值，立足知识传播实践行为模式的学术共识。本书从在线知识传播的传播内容角度入手，基于社会化媒体标签内容数据，利用网络分析方法，分析大规模在线协同建构的知识疆域及其演化特征。大数据时代，这种结合了计算社会科学与传统定量研究的数据驱动研究，实现了不同社会科学研究方法间的互补优化，使得研究者能够发现大规模数据下隐含的知识建构模式特征。从这个意义而言，本书立足于计算传播学视角，推动传播学与计算社会科学和信息科学的融合，将知识传播研究推向跨学科学术前沿。 UAbyTGnfxEFx7z3wsrIJZG9Ax4In0wA+XO3v9KHGZb57L4obstWTiMLuubckSiTa