智能传播与媒体策略 | 媒体融合领域对人工智能的认知偏差

陶婷婷

本文基于炒作周期模型，回顾国内将人工智能技术引入新闻传播领域的实践和研究历程，发现当前我国对人工智能在新闻生产领域的应用，存在对报道速度和总量过度追求、对大数据过度信任、对智能技术角色过度中心化的认知偏差；矫正这些偏差需要在技术热潮中保持冷静思考，更系统深入地认识人工智能技术在新闻传播领域的技术特征。

【关键词】人工智能融合新闻炒作周期认知偏差

党的十八大以来，习近平总书记多次强调要利用新技术、新应用创新媒体传播方式，并就推动媒体融合发展、建设全媒体做出深刻阐述，提出明确要求。智能技术在重塑新闻，提升媒介体验，革新管理模式，推动新闻业融合发展方面起到了重要促进作用[1]，但现有的探索和应用大多还处于“弱人工智能”阶段，对人工智能技术这块广袤土地的开发还处于“入门”阶段，在业界和学界存在不少对人工智能技术在融合新闻生产中应用的认识偏差。为了进一步厘清人工智能与融合新闻生产的关系，避免陷入“技术决定论”的误区，本研究基于炒作周期模型，回顾国内将人工智能技术引入新闻传播领域的实践和研究历程，在统计学分析的基础上进行总结和批判性反思。

一、人工智能：融合新闻生产的新型助力器

人工智能是计算机科学的一个分支，是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门技术科学。它企图通过对人的意识、思维的信息过程模拟，生产一种新的能以类似人类智能的方式做出反应的智能机器[2]。

新闻媒体依托人工智能的传感器技术，大大提高了信息的采集和编辑等工作效率，并且借助智能化的算法推荐，实现了个性化的点对点推送，使得媒体与用户之间的信息交互更加精准，因而构建出“媒体+技术”的新形态[3]。

面对“人工智能+媒体”这一新形态，学界也掀起一股讨论的思潮。黄鸿业认为新闻传播学界应该有自己的理论根据，而非直接大范围地就现象讨论问题，并在唯物辩证法基础上对人工智能和媒体关系进行宏观反思[4]。从新闻传播研究的角度看，人工智能更多地被视作一种技术，与新闻传播发展史上其他几次重要的技术变革一样。融合新闻生产已经进入人工智能技术助力的风口，对人工智能技术的炒作也进入高峰期，对于不熟悉计算机科学的传统新闻工作者和研究者而言，难免会产生对于人工智能技术的认知偏差，甚至陷入“技术决定论”的误区。

二、技术炒作的周期及其运作机制

人工智能技术在融合新闻生产中的运用，从技术扩散的视阈审视，前人曾构建了一系列的经典理论和模型，通过描绘技术发展轨迹的重复模式来减少技术扩散中的不确定性，在对未来技术前景没有完全了解的情况下做出预测，以帮助投资者进行决策[5]，例如创新扩散理论[6]、产品生命周期理论[7]、技术生命周期[8]等。

本文使用的炒作周期模型是1995年由高德纳（Gartner）公司开发的，将关注的重点放在技术发展早期阶段的分析和预测。在该模型的阐释中，新兴技术的运用通常经历以下五个阶段：启蒙触发期、期望膨胀期、幻觉破灭期、复苏爬升期以及生产力稳定期[9],如表1所示：

图1：新兴技术运用的五个阶段

以这种方式，该模型描述了所谓的技术第一定律，指出“我们总是高估一项真正变革性发现的短期影响，而低估其长期影响[10]”。自面世以来，该模型获得了广泛关注，研究者们通过一系列实证研究证明该模型的可操作性。

三、新闻生产领域人工智能的炒作周期与对人工智能的认知偏差

（一）新闻生产领域人工智能的炒作周期

对于炒作周期的测量，主要参考指标是能见度。经过比较发现，被学者们普遍认可的一种方法是通过统计给定技术的文章数量来衡量[11]，因此本文选择《人民日报》和中国知网分别作为业界和学界的代表，使用文献计量学的方法，从总体趋势上来测量媒体和学术期刊，如何展示新闻生产领域人工智能的应用。

媒体报道的数据以2015年1月《人民日报》经济版首次论述“互联网物理化”为起始，使用Python中的BeautifulSoup4 网络爬虫库，以“人工智能媒体融合”为关键词进行检索，对《人民日报》的报道进行数据采集。

图2：《人民日报》检索结果（单位：次）

图3：中国知网检索结果（单位：次）

学术文章的所有统计数据来自中国知网检索系统，同样以“人工智能媒体融合”为关键词进行主题检索，使用Python中的BeautifulSoup4 网络爬虫库，对所有检索结果进行数据采集。

数据采集的结果如图2、图3所示，显示两个相当一致的增长曲线，这反映出新闻传播学界紧跟现实发展、服务媒体实践的研究特点。从2015年开始一直到2019年，无论是《人民日报》的报道数量还是中国知网的学术期刊数量，都呈现出快速增长趋势，尤其是2019年“人工智能媒体融合”在媒体和学术议程上都达到顶峰，而到2020年，二者在数量上都明显下降。从曲线走势来看，从2015年到2019年，业界和学界对人工智能在融合新闻生产中的讨论，基本上契合了炒作周期曲线的启蒙触发期和期望膨胀期两个阶段，2020年数量的下降，也刚好符合炒作周期曲线进入幻觉破灭期后能见度下降的趋势。

图4：《人民日报》标题统计结果

图5：中国知网标题统计结果

仅仅从数量走势上还难以断定业界和学界的关注，是否符合炒作周期模型“对新技术热情炒作”的假设，因此本文还分别对《人民日报》的报道标题以及中国知网文献检索结果的论文标题，进行分词和词频统计，如图4、图5所示。由图4可见，《人民日报》在对人工智能技术在融合新闻生产中的运用进行报道时，标题中更多出现的是“创新”“发展”“推动”等突出人工智能技术赋能融合新闻生产的词汇，呈现出对技术积极期待的报道框架，符合炒作周期模型中“在技术发展早期阶段对前景做出积极反映和热情投入”的假设。图5相较于图4，词的多样性更丰富，特别突出的几个词语分别是“媒体”“数据”“传播”“路径”等相对中性的词语，可见相较媒体报道而言，学界讨论的声音更理性，对技术的热情也更克制。但综合二者的分词结果可以发现，社会总体对人工智能技术在融合新闻生产中的运用，持比较乐观和支持的态度。

（二）融合新闻生产领域对人工智能技术的炒作

中国媒体融合的序幕于2014年正式拉开，2015年前后，媒体和学界关注人工智能应用的报道和文章寥寥无几。2016年到2019年，相关报道和讨论逐渐进入炒作的高峰期。2017年年底，新华社与阿里巴巴集团共同建设的新华智云发布“媒体大脑”，号称是中国第一个媒体人工智能平台。它试图为媒体行业换上一个数据的芯片，再加上一个智能的翅膀，用算法等智能化技术去处理数据[12]。此外，以今日头条为代表的市场化新闻客户端以算法为基础，通过信息聚合的方式向受众提供海量信息，以大数据实现精准用户画像，提供连接人与信息的服务。

炒作中最常用的方法是引导受众过分关注成功的案例[13]，许多媒体从业者或学者，就是受到部分成功案例的引导，对人工智能技术在新闻生产领域的投入和使用报以过高的热情。遗憾的是，许多平台媒体还是无法踩准算法和人工之间的界限，不能很好地在新闻生产中把握二者的配比度。

较早将算法引入新闻分发领域，以用户个性化推荐为亮点并迅速赢得竞争优势的今日头条，在一开始就打出“基于算法推荐的内容分发平台”“人工智能的先行者”等招牌，强调智能技术脱离人工干预，个性推荐先于自主选择。但其对技术的过度倚重也使得算法这把双刃剑的弊端，更加明显地暴露在公众面前。2017年下半年人民网先后三次发文，称算法推荐引发了对今日头条等新闻资讯平台以及随之出现的信息茧房、内容低俗、价值缺失等问题的反思[14]。

（三）新闻生产领域对人工智能的认知偏差

对人工智能技术优势的描述，一般都是从计算机科学的视角，强调其快速、准确、有针对性等。而要判断并发挥人工智能技术在新闻生产中的价值，更重要的关注点，是人工智能技术的劳动成果是否符合新闻的价值标准，是否客观真实地反映社会现实，能否实现传统新闻舆论监督和教育的功能等。本文将这些在新闻生产领域至关重要的关注点，称为新闻生产的“基础特征”。而在炒作高峰期，大部分媒体和学术资源都集中在对技术的介绍层面，上述“基础特征”却在众声喧哗中被忽视，从而导致一些认知偏差，主要表现在以下几个方面：

1.对报道速度和总量过度追求

“人人都有麦克风”“人人都是记者”，这一度对职业记者们造成生存压力。面对海量的信息，郭全中在谈到中央广播电视总台“人工智能编辑部”时曾指出，基于人工智能技术的智能信息匹配，可以成为解决信息过载的妙方[15]。

相较于人类记者，自动采集、加工和发布的人工智能技术，使得新闻的生产和传播变得更加快捷和精准，也使单条新闻生产的成本大大降低。以新华社为例，2018年世界杯期间，新华社“媒体大脑”31天生产短视频3.7万条，最快时一条视频生产仅耗时6秒，大幅提升了短视频产品生产的效能[16]。然而在消息来源一定的前提下，与报道数量的激增相伴而生的是报道信息含量的贫瘠，因为新闻数量过载，带来的必然是每条新闻生命周期的缩短。

2.对大数据的过度信任

当前智能化新闻生产一般有三个环节：一是“数据采集”，依托大数据技术采集撰稿所需的数据，并对采集到的数据进行清洗和优化分类；二是“提炼选题”，通过对数据内部各种关联性的剖析，并结合读者数据所呈现出来的阅读特点，人工智能会自动提炼和归纳出报道的方向；三是“生成稿件”，运用算法套用提前设置好的模板生成规范的新闻稿件[17]。从这三个环节可以发现，大数据是人工智能技术运用于融合新闻生产领域的技术基础，因此人工智能新闻需要依赖社会整体的数据化水平[18]。

而当下无论业界或是学界，对于大数据呈现出一种过度信任的状态。例如对数据获取能力的高估，认为随着大数据时代的到来“一切皆数据”，记者们不再需要进行采访等传统的信息采集工作了。然而大数据并不等于全数据，大数据呈现的相关性，也仅是其收集到的“部分”数据的相关性，我们仍需考虑数据的代表性问题。

此外，由于对数据规模的过度追求，不少业界人士忽略了数据质量这一对新闻报道真实性产生重大影响的因素。师文和陈昌凤在对Twitter上有关中国议题的分布与互动进行研究时发现，Twitter平台上存在广泛的社交机器人操纵舆论行为。这些社交机器人通过自动生成大量对中国政体、人权的批评内容，并通过转发量的提高，提升对用户的信息可见度[19]。这些内容本质上属于无效数据，却进一步加深国外民众对中国的刻板印象。

李国杰院士从大数据本身和计算的复杂性出发，指出现有的数据处理系统尚无法完全应对大数据海量、异构、动态变化的特征，大数据应用的效率整体上还处于一个较低的水平，大数据技术也尚未成熟[20]。如果此时过分依赖大数据，以数据收集替代采访，带来的必然是对新闻“基础特征”的伤害。

3.对智能技术角色的过度中心化

新的技术层出不穷，我们总是习惯于跟着技术的潮流走上“技术驱动”的道路。然而，引入新兴技术的目的在于为新闻生产服务，检验一切技术的唯一标准是应用。从新闻线索的搜索、获取，新闻资料的分析整理，到最后新闻内容的创作，人工智能技术几乎可以实现全流程、全方位覆盖[21]。受麦克卢汉著名的“媒介即讯息”论断的影响，技术在新闻生产过程中的角色越来越重要，甚至在一定程度上，成为衡量一个媒体新闻报道水平的重要指标。

实际上，麦克卢汉在其著作《理解媒介》中对“媒介即讯息”进行解释时的表述是：“任何媒介对个人和社会的任何影响，都是由于新的尺度产生的；我们的任何一种延伸，都要在我们的事务中引进一种新的尺度。”[22]在这一前提下再来讨论人工智能技术在融合新闻生产中的地位，我们发现，技术作为一个重要的生产要素，尽管确实能对新闻生产与媒体融合产生巨大促进作用，但它无法与新闻价值画上等号。换言之，技术先进与有价值的新闻之间并不具有显著的相关性。因为对于人工智能这一新技术，我们的衡量尺度并非技术的复杂性或新鲜性，而是在实际运用中对媒体传播力、影响力、引导力和公信力的提高。

事实上，早在1951年，麦克卢汉就曾在其著作《机器新娘》中为“技术过度中心化”敲过警钟：“今天我们无意之间面对的紧身衣是机器……技术是抽象的暴君，其破坏性深入我们的精神世界……”[23] 正如徐来和黄煜在谈到人工智能时代新闻模式和新闻教育时提出的观点；即便人工智能技术可以替代人类完成部分“博脑”的工作，但机器人无法替代一名优秀记者的想象力、深度访谈能力、发展信源的天赋,以及胸怀苍生的从业初心[24]。

四、结论

人工智能技术为融合新闻生产带来的进步是生产模式的革命。然而媒体融合的目的不仅是在原有模式基础上提升效率、改善机制，还应包括结构重组、功能再造以及模式创新的过程[25]。认知偏差导致人工智能技术应用与融合新闻生产之间关系的失衡，极有可能陷入“技术决定论”的误区。

因此我们必须系统深入地认识人工智能在新闻传播领域的技术特征，遵循科学的认知路径，从典型或个别案例中跳出来。人工智能技术本质上是对人的意识、思维信息过程的模拟，只有透彻了解人工智能学习、模拟、延伸和扩展人的智能全过程，才能理解其技术特征，正确判断其在新闻生产领域中的优势和不足，使其更好地为新闻工作服务。

[1]霍婕,陈昌凤.人工智能与媒体融合:技术驱动新闻创新[J].中国记者，2018(07):27-30.

[2]应怀樵,沈松,李旭杰,应明,刘进明,葛宝珊.“软件制造一切”与“人工智能+”对振动噪声的应用——纪念中国振动工程学会暨振动与噪声控制专委会成立三十周年[J].噪声与振动控制,2018,38(S1):1-7.

[3]沈浩，袁璐.人工智能：重塑媒体融合新生态[J].现代传播（中国传媒大学学报），2018，40（07）:8-11.

[4]黄鸿业.“媒介即意识”:人工智能+媒体的媒介环境学理论想象[J].编辑之友，2019（05）:43-48.

[5] Dedehayir, Ozgur, and Martin Steinert. "The hype cycle model: A review and future directions." [J]Technological Forecasting and Social Change,108 (2016): 28-41.

[6]Rogers,E.M..Diffusion of Innovations[M]. Free Press, Glencoe，1962.

[7]Klepper, S.. Entry, exit, growth, and innovation over the product life cycle[J]. Am. Econ. Rev.,1996,86 (3):562–583.

[8]Abernathy, W.J., Utterback, J.M..Patterns of industrial innovation[J]. Technol. Rev.,1978(80):40-47.

[9]张际平,许亚锋.新媒体、新技术体验学习的设计与实践[J].现代远程教育研究，2012(06):18-24.

[10] Collins,F.,2010.A Genome Story:10th Anniversary Commentary by Francis Collins.Sci.Am.[EB/OL].[2015-02-24].(http://blogs.scientificamerican.com/guest-blog/2010/06/25/a-genome-story10th-anniversary-commentary-by-francis-collins/.

[11] Dedehayir, Ozgur, and Martin Steinert. "The hype cycle model: A review and future directions." [J].Technological Forecasting and Social Change，108 (2016): 28-41.

[12]北京市新闻工作者协会.媒体融合蓝皮书：中国媒体融合发展报告[M].北京：社会科学文献出版社，2020：42

[13]刘存地.认知偏差与突破路径：炒作高峰期后的大数据与社会研究[J].信息资源管理学报,2020,10(02):37-47.

[14]张志安,周嘉琳.基于算法正当性的话语建构与传播权力重构研究[J].现代传播(中国传媒大学学报),2019,41(01):30-36，41.

[15]郭全中.智媒体如何打造——以中央广播电视总台“人工智能编辑部”为例[J].青年记者，2020(04):13-14.

[16]闫帅南.新华社智能化编辑部建设初探[J].中国记者，2019(07):75-76.

[17]许向东,郭萌萌.智媒时代的新闻生产:自动化新闻的实践与思考[J].国际新闻界，2017,39(05):29-41.

[18]邓建国.机器人新闻:原理、风险和影响[J].新闻记者，2016(09):10-17.

[19]师文,陈昌凤.分布与互动模式：社交机器人操纵Twitter上的中国议题研究[J].国际新闻界，2020,42(05):61-80.

[20]李国杰.对大数据的再认识[J].大数据,2015,1(01):8-16.

[21]沈浩,袁璐.人工智能:重塑媒体融合新生态[J].现代传播(中国传媒大学学报)，2018，40(70):80-11.

[22]马歇尔·麦克卢汉，何道宽译.理解媒介[M].北京：商务印书馆，2000:33.

[23]马歇尔·麦克卢汉，何道宽译.机器新娘[M].北京：中国人民大学出版社，2004: 62.