交叉学科视野下的社会计算和社会化媒体研究
金兼斌 楚亚杰 林成龙 游淳惠 侯佳希(1)
一个广被引用的定义将社会化媒体称为“基于Web2.0理念和技术基础的一系列互联网应用，它允许用户生产内容（UGC）的创造和交换”（Kaplan & Haenlein，2010）。它塑造了一种在个人、社区以及更大的社会层面相互影响的新型人类互动平台。对社会化媒体用户来说，线上世界和线下世界逐渐相互渗透（van Dijck, 2013）。这个定义凸显出社会化媒体技术形态的两个核心特征：一是它根植于Web2.0的理念、文化和技术基础；二是用户生产内容的生产和流通。
一、Web 2.0话语中的社会化媒体
从时间看，Web 2.0产生于新千年互联网泡沫破灭以及随后各类移动应用风生水起之时。但围绕Web 2.0的讨论，已经超越了互联网技术的更迭，形成了一套Web 2.0话语。与这套话语相关的表述有：数字技术的民主化（democratizing digital technology）、大众分类法（folksonomy）、聪明群众（smart mobs）、自由文化（free culture）等。在更深层次上，Web 2.0话语是一种“数字例外主义”（digital exceptionalism），即互联网与其他传播形式截然不同，也因此不受类似法律和市场力量的约束（Marwick, 2013）。社会化媒体及其所扎根的Web 2.0文化，混杂了高科技版的美国梦、加州梦、DIY精神、黑客精神、开源精神、资本神话、技术民主化、独立媒体、数字乌托邦等各种来源。
社会化媒体本身也是一个复杂体，包括诸多相悖的逻辑。包括Kaplan和Haenlein的社会化媒体定义在内，众多有关社会化媒体的表述都将用户置于中心，这也是运作社会化媒体的公司和组织乐于宣扬的理念。这一视野下的社会化媒体，可被视为人类连接/联系网络的催化剂和促进者，通过这样新兴的人际交融联结的网络，传播个人的创意、价值理念及品位等。
一方面，社会化媒体宣称赋权（empower）予每一个普通人，这种解放性的（emancipating）力量也成为众多研究者关注的核心。赋权表现之一是用户生产内容的创造与交换，大部分Web 2.0平台在开始时都扮演着一种为用户间创造、传播、分享内容提供服务的角色。另一方面，一种常见的谬误是将平台仅仅视为社交网络活动的促进器，而没有意识到这一平台对人们所思所想的影响（Christakis & Fowler, 2009）。研究者提醒我们注意，这些平台和人们的社交实践是相互建构的（van Dijck, 2013）。与此同时，社会化媒体背后的商业逻辑，同样驱动着这些平台不断从用户之间的连接中获利。
需要强调的是，Web 2.0表述本身容易制造一种线性的演变观念。事实上，作为Web 2.0代表性产品的社会化媒体并非横空出世，它与早期互联网应用和正在发展的移动应用紧密相关，并不断发生变化。随着社会化媒体的演变，社交技术和功能不断融合，静态的分类方式越来越不能应对社会化媒体的变化。
采取批判视角的研究者如van Dijck（2013）等注意到社会化媒体“社会性”的双重内涵：人与人之间的联系（connectedness）和编程实现的自动型连接（connectivity）。在对社会化媒体进行的社会研究中，区分这两种既相互关联又性质上各不相同的连接，不仅是意味深长的，也是十分必要的。许多社会化媒体的CEO都有意使之混为一谈，他们更愿意强调第一个社会性意义，即社会媒体或社交网络帮助搭建和增强了人类的联系，而对第二层意义，即对连接的技术性/物理性基础对社会性连接的形塑乃至决定性尽量秘而不宣。马克思关于经济基础决定上层建筑的论述，一定程度上也适用于技术性网络对社会性网络的某种制约和形塑关系。由此看来，Facebook创始人Zuckerberg提出的“使网络社会化”（making the Web social），实际上更像是“使社会性技术化”（making sociality technical），利用技术手段引导、形塑乃至操纵人们的社会交往方式，由自动连接形成的数据成为可以利用的资本。从这个意义上说，也许“连接性媒体”（connective media）一词比“social media”一词更恰当地描绘了社会化媒体对我们社会和生活所带来的影响。
二、传播学视角研究总览
关于传播学视角的社会化媒体研究，我们从以下两个方面加以介绍和总结。
（一）社会化媒体趋势研究
从传播学研究来看，面对蓬勃发展的社会化媒体现象以及不断涌现的相关研究成果，研究者也试图对社会化媒体进行所谓的“趋势研究”（trend study）。趋势研究在新媒体研究中具有一定意义的“元分析”（meta-analysis）特点：描摹出某一研究领域对某一议题的研究现状，包括已有研究的理论取向、方法取向、研究问题的阶段等。Tomasello, Lee和Baer（2010）曾对互联网和数字技术研究开展了“趋势研究”，并得到颇具启发的研究发现。
遵循这一研究路径，Khang，Ki和Ye（2012）检索1997—2010年广告、传播、营销和公关四大领域内发表于英语学术期刊上的标题含有“社会化媒体”的论文，对之进行量化分析。张明新和陈柏伊（2013）对2007—2012年传播学领域的英语期刊上有关社会化媒体研究进行跟进。这些趋势研究的主要发现有：
第一，上述四个学科领域中，与社会化媒体研究相关论文数量呈现增长趋势，意味着社会化媒体越来越受到学者们的关注。这些不断增长的论文与社交媒体网站的出现和风行同步（例如2004年进入大众市场的Facebook、2006年的Twitter）。
第二，社会化媒体研究更频繁地出现在以新传播技术为焦点的期刊，而不是传统主流学术期刊上。因为这些新媒体期刊比传统期刊更早更快地拥抱社会化媒体现象。值得关注的是，以新媒体为中心的期刊近几年获得了较高的影响因子（如Journal of Computer-mediated Communication，简称JCMC），在四个学科展示了发展潜力。
第三，就研究议题来看，学者大都强调“社会化媒体使用、对社会化媒体的感知和态度”，其次是“作为大众或个人传播工具的社会化媒体”“与社会化媒体相关的社会性（如种族、性别等）或政治性（如政治候选人、选举）”等议题。
第四，就理论框架而言，近40%的社会化媒体研究展现了理论框架，与过去互联网相关研究仅有15%有理论框架相比，这一发现令人鼓舞。但大多论文不是对现有理论框架的应用就是对它的复制，而未能提出替代性或创新性解释和分析框架。
第五，从研究方法使用和数据收集等来看，社会化媒体研究中的定量研究（58.8%）远超非定量研究（35.3%）；采用问卷和实验的研究中，线上方法比线下数据搜集方法使用得更多；社会化媒体研究的抽样方法仍需改进，因其中近80%都是非概率抽样。
第六，根据Wimmer和Dominick（2010）划分的大众传播研究四阶段（媒介自身与使用、媒介的使用者、媒介效果以及媒介的发展），Khang等认为过去14年内的社会化媒体研究，多集中于社会化媒体的使用和用户研究（大众传播研究的第二阶段），之后是社会化媒体效果研究（第三阶段）以及对社会化媒体自身的研究（第一阶段），有关社会化媒体发展改进（第四阶段）的研究尚比较缺乏。
（二）“社会化媒体的逻辑”探讨
社会化媒体平台改变了社会互动的情境和规则，它不仅影响着人们的非正式交往，还影响了机构的组织架构、职业的例行事宜。Jose van Dijk和Thomas Poell（2013）提出“社会化媒体逻辑”（social media logic）的概念，以此来揭示社会化媒体对其他社会组织的影响。社会化媒体逻辑指的是支撑社会化媒体、大众媒体、用户、社会组织之间互动的那些规范、策略、机制、经济规则等。
这一说法源于Altheide和Snow（1979）提出的大众媒体逻辑（mass media logic），他们认为大众媒体通过发展一种自然化了的支配性话语，引导公共领域的其他组织，从而获得权力。这些话语合法性的来源包括媒体对现实的框架能力、媒体自身中立和独立的宣称等。遗憾的是，随着媒介本身的变化，“大众媒体逻辑”的概念并未得到适时的更新和发展，也远未被理论化。
Jose van Dijk和Thomas Poell，从控制信息和传播过程角度，对社会化媒体逻辑与大众媒体的逻辑进行了对比。他们提出社会化媒体逻辑有四个基本元素：可程序化（programmability）、流行性（popularity）、连接性（connectivity）及可数据化（datafication）。
可程序化指的是（1）社会化媒体平台刺激和引导用户进行创造性或沟通性贡献的能力；（2）用户通过与这些被编码的情境互动，影响平台信息流的能力。前者与信息技术有关，涉及编程、算法、界面等，例如Facebook平台的“喜欢”（like）、“加为好友”（friending）、“分享”（share）、“你可能认识的人”（people you may know）等。这些算法的威力在于其可编程性，程序员由此引导用户的体验、内容生产及用户之间的关联等（Beer, 2009）。后者强调的是人的作用，用户可以选择接受或拒绝平台设计的算法。这些看不见的技术机制，与大众媒体通过编辑策略、节目编排实现的议程设置有相似的逻辑（Gillespie, 2010）。
流行性指的是社会化媒体平台筛选流行内容（观点、事物、名人）的能力。尽管不同社会化媒体平台推选话题和优待特定使用者的方式有所不同，但这种凸显能力是普遍存在的。同时，不同平台试图发展出自己对流行性的计算参数，从而提升本平台及平台用户的价值。与可程序化类似，一方面，社会化媒体平台的流行性原则也是通过算法赋予不同内容迥异的权重实现的；另一方面，用户仍有拒绝的权利。同样，社会化媒体制造流行的能力与传统大众媒体类似。
连接性指的是网络化平台用以连接内容、用户行为和广告主的社会性技术供给。这种连接性特征同样存在于大众媒体之中，但与大众媒体在地理或人口特征上的受众连接不同，社会化媒体平台以用户自发或平台推荐的小组为区分。社会化媒体的连接性是双向的，它在向用户推送自动连接的同时，也允许用户自发结成小组。Barry Wellman等（2002）提出的“网络化的个人主义”（networked individualism）指的就是这种在网络上发生的、以个人为中心、以兴趣为连接点的新型社会网。Bennett和Segerberg（2012）发现当代的抗争经历了从“共识性”（collective）行动到“连接性”（connective）行动的转向，组织变得规模庞大但是松散流动。
可数据化指的是社会化媒体平台将现实世界此前无法量化的特征进行量化的能力，例如从手机GPS获得的地理位置信息、Facebook上的关系网等。随着社会化媒体公司的逐步成熟，之前作为副产品的数据渐渐成为牟利的资源。数据化也使社会化媒体平台得以发展出预测和实时分析技术。除了评分、投票、问卷等形式外，还挖掘社交流量进行舆论分析、情感分析等。特别是Twitter更视自己为传统民意调查的取代者。
但数据特别是原始数据是中立的吗？Lisa Gitelman（2013）提出“原始数据是一种矛盾修辞”（"raw data" is an oxymoron），意即数据永远都是通过平台的采集机制预先框定的；此外，还涉及能否获得、隐私等重要问题，所谓数据的中立性是值得怀疑的。可数据化是其他三个基本原则的基础，在实践领域也备受关注。很多社会部门（政府、公司）都感受到社会化媒体数据化带来的威力，并且试图将之整合进自身原有的工具当中，如警察或执法部门可利用实时数据进行监控。学术领域的研究者利用Twitter产生的海量数据开展有关社会运动、集体行动或健康趋势的研究。
社会化媒体逻辑一方面因循了大众媒体逻辑，另一方面也增强或削弱了大众媒体逻辑的某些原则。研究者认为，社会化媒体逻辑除了影响传统媒体，还影响法律法规、社会运动、政治等各个方面。
三、社会化媒体的使用：媒体与社会相互建构的视角
社会化媒体应用层出不穷，形态也丰富多样，有关社会化媒体的研究也不胜枚举。鉴于此，本文将选择若干有代表性的研究，大致勾勒传播学领域对这一传播形态的研究样貌，所选取的研究基本为SSCI目录中传播学重要期刊，包括Journal of Communication，Journal of Computer-mediated Communication，Journalism & Mass Communication Quarterly，New Media & Society，Asian Journal of Communication，Chinese Journal of Communication等。本文将从社会化媒体使用的社会影响和影响社会化媒体使用的社会因素两个角度展开。
（一）对各社会领域的影响
1．商业领域
就商业领域的实践而言，可能最常遇到的问题是，什么是维持人们使用社会化媒体的最佳方式？社会化媒体实践中有哪些好的使用案例？哪些社会化媒体平台的活动是可持续的？实践者和研究者发现这样的问题难以回答，因为社会化媒体和诸多Web 2.0的应用都在不断演变之中，且它与用户、与各种应用的交互作用十分频繁（Cromity, 2012）。在此情况下，使用合适的标准帮助业界认识、理解社会化媒体就成为当务之急。
广被引用的Kaplan和Haenlein对社会化媒体的定义，其首要目的就是服务商业界的需求。他们对社会化媒体现象的把握，更多地集中在社会化媒体应用或“产品”本身。在上述定义的基础上，他们根据社会临场感（social presence）/媒体丰富性程度（media richness）和用户自我呈现（self-presentation）/自我揭露（self-disclosure）程度，将形形色色的社会化媒体划分为以下几类：
表1 Kaplan和Haenlein的社会化媒体分类
这一分类的目的在于区别不同社会化媒体产品的特性，帮助业界更好地理解和应对蓬勃兴起的社会化媒体。在Kaplan和Haenlein看来，社会临场感/媒体丰富性和自我呈现/自我揭露是社会化媒体的两大关键元素。
社会临场感理论（Short, Williams & Christie, 1976）与社会化媒体的“媒体”维度有关。社会临场感指的是交流双方所能获取的声音、视觉及物理接触等，它受媒介与人的亲密程度、直接程度的影响，例如电话比面对面交流的社会临场感要低，非同步的电子邮件比同步的实时通话低。社会临场感越高，交流双方施加的社会影响力就越大。与社会临场感有关的是媒体丰富性理论（Daft & Lengel, 1986），该理论认为媒体所拥有信息的丰富程度是不同的，一些媒体比另一些媒体更能消除不确定性。而自我呈现/自我揭露与社会化媒体的“社会”维度有关。自我呈现（Goffman, 1959）指的是人们在社会交往中控制对方如何认识自己的意图，通常这种自我呈现是通过自我暴露实现的，即有意识或无意识地透露个人信息。
在回答什么是社会化媒体、社会化媒体如何分类之后，如何使用社会化媒体获取商业利益也是业界关心的议题。从英语世界最近几年出版的有关社会化媒体的图书数量来看，相当大的比例都在传授读者（包括公司等各种组织）此道。
社会化媒体为不同领域的实践带来了威胁，也带来了机遇。社会化媒体的兴起隐含着传播结构更为深刻的变化（Khang, Ki & Ye, 2012）。以公关为例，社会化媒体的崛起作为传播的工具，使得公司和大众之间由传统媒体扮演的中介角色消失了。取而代之的是，公司必须全时在线监测个体用户对其产品或服务的评论，一旦发生危机必须及时直接处理。这种卷入社会化媒体的虚拟环境也给公关从业者带来了困扰和挑战。然而，社会化媒体不断变化的结构，为从业者提供了接触细分受众的大好机会。广告和营销专业人士也以不同的方式介入社会化媒体，认识到这些渠道具有传播他们营销策略的潜力。据一份Nielsen调查(2)，那种在朋友之间转发或分享的“赢取型”（earned）广告在广告记忆、品牌关注度以及购买意向上的效果，明显高于标准的“支付型”（paid）广告，传统的营销和广告策略战术也许在应对社会化媒体时需要重新思考其有效性问题。
除了商业主体与用户之间互动方式的变化，社会化媒体也影响到商业组织的内部结构。例如，Fulk和Yuan（2013）的一项研究考察了企业内部的社交网络（enterprise social networking，简称ESNS）如何帮助降低组织传播中的三种限制（专家的地理位置、分享知识的动机以及社会资本从与专家的联系到实际知识分享的转化）。研究者认为企业内部的社交网络会比传统的管理方式更容易实现知识的分享和传达。
2013年的Journal of Computer-Mediated Communication特刊考察了社会化媒体与工作场所的关系。除了Fulk和Yuan的文章外，还包括Leonardi等（2013）对企业社会化媒体（enterprise social media）概念、历史的梳理及研究前景的展望，Majchrzak等（2013）对社会化媒体与在线知识分享争议的思考，Pike等（2013）对社会化媒体与企业招聘中信息质量张力的考察，以及Vaast和Kaganer（2013）、Gibbs等（2013）对企业社会化媒体使用涉及的管理问题等展开的研究。
2．政治领域
有关社会化媒体对政治领域影响的研究，涉及政治动员、政治沟通、政治参与等多个方面。社会化媒体的政治动员潜能更为研究者关注，例如Facebook、Twitter与“阿拉伯革命”关系的研究。政治传播中，美国总统选举对社会化媒体平台的利用，政要在社会化媒体上的实名现身，政府账号社会化媒体平台的日常运作和维护等。
持乐观态度的研究者认为社会化媒体平台提升了公民政治参与的效能。社会化媒体庞大的用户中半数都是年轻人，Bode等（2013）就青少年在社交网站上表达政治倾向的动机及这种表达对传统政治参与的影响展开调查，结果证实在美国2008年的大选中，社交网站上的政治使用行为极大地提高了青少年对传统政治参与的程度。研究者认为，尽管这一正向效果局限于青少年这样的小群体，随着社会化媒体中青少年用户比例的提高，其意义将越来越凸显。
Zuniga等（2012）讨论了社会资本、公民参与和政治参与的关系。该研究基于美国的全国数据，结果显示，在控制了人口学变量、传统媒体在线上和线下的使用、政治建构（political constructs）和政治讨论的频繁程度及规模之后，通过SNS获取信息与人们的社会资本和政治参与正相关，且前者能对后者达到有效的预测。
但是，也有相当多的研究者认为社会化媒体的政治动员功能被夸大了。例如，Bryne（2007）通过对特定黑人社交网络（Blackplanet）的考察发现，该SNS用户确实很关注关于黑人群体议题的讨论，但是这些讨论都局限在公民参与的话语层面，这就意味着对于美国社会的黑人来说，将社交网络作为政治动员、社会参与的动员资源，可能还未成熟。
Valenzuela等（2009）考察了Facebook的使用与大学生生活满意度、信任和公民参与之间的关系。研究数据来自一项针对德州大学生的网络调查，发现Facebook使用的频繁程度与学生生活满意度、社会信任和公民参与正相关。但是相关性比较弱，研究者认为SNS并不是鼓励年轻人进行公民和政治参与最有效的方式。
Himelboim等（2013）选取了Twitter上10个有争议性的政治议题，并分析其中“群聚”（cluster，指的是具有高度关联性的用户群）、信息和链接所表达出来的政治倾向。研究发现，Twitter用户不喜欢看到与自己不同的意识形态，所以“群聚”的政治观点通常是同质化的；越具体的争议性话题，越兼具保守/自由两大类的“极化群聚”；但是越宽泛的争议性话题，多数意见“群聚”则会表现出保守的倾向。
Zimbra等（2010）使用网络考古学（cyber-archaeology）的方法研究社会运动，该研究运用技术手段将“虚拟遗迹”（cyber-artifacts）搜集并分类，能够很好地辅助社会运动的研究，而且能够分析虚拟社群的多重维度。
社会化媒体平台已经成为中国人表达政治异见的关键平台？Poell, de Kloet和Zeng（2014）从行动者网络（actor-network theory，简称ANT）的视角考察新浪微博平台的意见表达。该研究重点分析了发生在新浪微博平台两个争议性案例，发现新浪微博特定的技术特征、用户文化、平台的自我审查，以及政府时不时的干预之间相互影响。
随着信息传播技术的变化，政府与公众沟通的方式也不断演变。Chung, Cho和Park（2014）考察了韩国政府在社会化媒体平台Me2Day（类似Twitter）上如何与公众进行沟通，该研究使用了社会网络分析、访谈等方法。政治传播领域，对Facebook的使用在世界范围内越来越流行。Wen（2014）考察了2012年台湾领导人选举中候选人在Facebook上的主页发布的信息及其“好友”的信息。通过比较，研究发现候选人主页发布的信息更强调政策，而与“好友”互动的信息更突出其性格。研究还认为政客及其团队根据在竞选和当选后的角色变化不断调整Facebook的使用策略。
但社会化媒体上有关的政治信息是否真实？人们如何看待这样的新闻信息？社会化媒体信息与政治信任之间的关系也成为研究者考察的对象。例如，Kaye和Johnson（2014）试图探寻与本•拉登死讯有关的消息是否让受众信以为真，以及政党归属是否影响人们的媒介选择。最明显的差异就是，凡是共和党认为可信并依靠的信息来源，都是民主党认为不可信的。尽管Twitter上的消息传播得非常快，但也仅仅有5%的人通过SNS获得这一消息。并且，在本•拉登死后，SNS被认为是最不可靠的来源途径。
3．媒介生态
社会化媒体对传统媒体格局的影响也是重要的议题，传统由大众媒体精英掌握的话语权是否遭到挑战？大众媒体如何使用社会化媒体？
从新闻生产的角度来看，个人新闻业的出现有可能挑战传统由大众媒体扮演的把关人角色。个体新闻从业者借助个人媒体进行社会活动，建构自己的社交网络。在社会化媒体传播过程中，劝服性的力量也因此逐渐从媒介机构转向活跃的、参与性的大众，从单纯的用户（user）或消费者（consumer）演变成为prosumers或produsers（Khang, Ki & Ye, 2012）。
去中心化的媒介信息生产具有多种不同的载体，也涉及政治、经济等各个领域。Saxton和Anker（2013）从财经人士博客的视角考察社会化媒体对个人的赋权，他们认为这类博客的知识生产是一种去中心化的生产过程。通过对150个顶级财经博客活动和标准普尔500指数股票收益的数据分析发现，财经博客的活动消除了非对称市场中对投资者有害的信息。
独立信息生产的威力还体现在对传统媒体议程设置的影响。Meraz（2009）从议程设置的视角，对传统媒体开设的博客与独立政治博客的影响进行了比较。通过对11个《纽约时报》和《华盛顿邮报》的政论性博客以及18个独立政论性博客的分析，结果显示，以往由传统媒体精英垄断的话语权遭到了独立政治博客的挑战，原因之一是，独立博客在征用公民媒体资源方面拥有更多自由，且不受传统媒体新闻从业规范的束缚。此外，研究还考察了传统媒体对社会化媒体技术和传播形态的吸纳和融合。
Web 2.0时代，在线新闻媒体也发生了显著变化。Alice Lee（2012）提出这一转型包括：采纳UGC内容；用户参与互动；YouTube化；即时报道；分享与社区网络化；通过新传播技术的读者订制。研究者认为，读者参与在线新闻媒体的社会性对话已经成为全球性现象，在线新闻媒体的这一转型也为公民参与提供了一个良好的平台。
数字媒体的蓬勃发展使不少研究者担心受众会不断分化。在乐观者看来，受众的分化可被视为解放性力量的胜利，具有民主的意味；在悲观者看来，受众分化是社会极化的表现，没有共同的文化基础，社会何以可能？
Webster和Ksiazek（2012）的研究发现，美国受众的媒介使用是普遍重叠的，用户对单一媒体的忠诚度并不高。这一发现挑战了原有受众分化的论断，即人们仍然坚持选择流行度高或广受欢迎的媒介内容；同时，人们的媒介消费具有社会性，即人们通过人际交流或社会化媒体等分享自己的媒介消费体验，因此体现“群体的智慧”的内容选择机制，尽管不一定是衡量媒介产品质量高下的有效指标，但无疑会有效吸引公众的注意力。
此外，原有对传统媒体的研究也延伸到社会化媒体平台。例如，Weaver等人（2012）考察了YouTube的（非）暴力世界，分析了网络视频的内容趋势。通过内容分析，研究者考察了网络娱乐中的暴力。按照最多人观看、最高评价、随机三种不同的方式，研究者共搜集了2 520条YouTube视频，并对业余内容和专业内容进行了对比。研究者对上述分类以及YouTube视频与电视视频的暴力行为频率和暴力语境进行了对比。研究发现，YouTube视频中暴力所占的比例远低于电视。此外，YouTube视频比电视展示的暴力更具现实后果，以及更具有消极的语境性。
4．日常生活
宽泛地看，社会化媒体不仅几乎影响了社会生活的各个领域，也影响了机构、组织、个人等不同的社会单元。除了对社会组织之间的考察外，不少研究者对个人层面的交往表现出极大的研究兴趣，例如对家庭关系的考察。Kanter（2012）等使用实验的方法，考察Facebook平台上父母将自己的孩子“加为好友”是否会影响亲子关系的质量，以及是否会带来隐私侵犯问题。研究发现，对孩子来说，加父母为好友并不带来更多的隐私侵犯感；同时，这样的特殊“加为好友”还会改善亲子关系，增加孩子与父母之间的亲近感。除了对家庭关系的考察，还有不少研究考察社会化媒体使用与亲密关系之间的作用机制。
Humphreys（2008）以移动社交应用Dodgeball为例，探寻移动社交网络对线下社交活动的影响。通过一年的田野调查，研究发现这类应用的主要人群还局限于城市当中，对人们面对面交往起到协调作用，同时它在某种意义上充当着社会地图或日记的功能；移动社交应用影响人们对公共空间和其中社会关系的体验，形成一种灵活的“第三空间”。
除了关注社会化媒体使用对线下社会交往的影响，研究者还直接考察它与线上社会交往的关系，其中包括网络自发社区的形成、观点“站队”、网络社区凝聚力等。
Chin等（2010）对YouTube上有关医疗视频（接种疫苗）带来的自动分组（观点站队）进行了考察。研究者认为Web 2.0时代，视频为个人提供了向大众表达自己观点的机会。以是否支持接种疫苗为例，研究者在YouTube上以“疫苗”为关键词搜索相关视频，对搜索结果进行内容分析，将视频追随者分成支持和反对两派。结果显示，反对接种疫苗的讨论只会出现在反对疫苗的视频下，而支持接种疫苗的视频下则兼有支持和反对两种声音。
Ley（2007）使用民族志的方法，考察特定网站内部的用户承诺（commitment）问题。研究对象是Coming up Roses这一服务于准妈妈和新妈妈的网站，研究者试图了解用户对该网络社区的承诺是如何被建构起来的。研究发现，网站本身技术设计影响用户对网站、对其他成员之间的承诺。这一研究对“社交”因素和“技术”因素两者如何交互影响在线社区的环境也有所启发。此外，该研究还发现，网站的社交因素和技术元素会产生多重甚至相反的效果，这主要是由使用者的社会背景等因素造成的。
有研究者将Twitter这样提供状态更新服务的社会化媒体视为一种“为公开进行的私人书写”。研究者（Humphreys et al.，2013）通过内容分析，力图揭示社会化媒体与几个世纪以前就存在的一种特定类型日记之间的异同，将二者置于社会语境，这些日常的短信息，不仅仅记载了个人和团体的经历，还社会性地记载了我们通过日常实践和习惯，来共享意义和再生产团体归属感。这项研究也意味着微博的社会性，不仅仅在于它允许个人表现自我，还在于它在社会文化方面的建构功能。
（二）社会整合的视角
1．社会排斥与社会融入
社会整合是西方理论研究和社会实践的重要议题，如何使用新信息传播技术推进社会整合，也是西方传播学者长期探讨的问题。在社会政策领域，社会排斥（social exclusion）是非常重要的概念，它强调社会性的“剥夺”（social deprivation），这种剥夺阻碍人们参与到社会活动中来，不仅危害到公平正义，还严重影响整个社会的整合。与之相对，解决方案是如何消除社会排斥实现社会融入（social inclusion）。社会排斥和社会融入主要指一个社会的弱势者与优势团体间的关系，对弱势者的隔绝主要是社会制度及社会性互动造成的。
社会排斥可被视为一种关系的断裂，而社会化媒体则提供了搭建出一种新型的人与人之间连带的可能性。从这一视角出发，研究者更多地关注弱势群体如何使用社会化媒体融入社会。Notley（2009）的这项研究主要考察9个具有被社会排斥倾向的澳大利亚青少年如何通过SNS融入社会的。研究发现在线网络会给这样的孩子提供珍贵的社会融入的机会，肯定了社会化媒体使用在社会融入方面的积极作用。这一研究对相关政策有重要的参考价值。当前澳大利亚政府非常希望促进青少年社会融入的程度，但是又由于安全和健康考虑严格控制他们使用SNS。研究者希望能据此研究之发现，调整现在的政策。这项研究是2009年Journal of Computer-Mediated Communication专门针对年轻人的社会化媒体使用研究特刊的一篇，此外还有对年轻人跨越地域的新媒体使用研究（Leppanen等，2009）、儿童短信使用与新旧媒介素养研究（Plester & Wood, 2009）等。
Shpigelman和Gill（2014）通过网络问卷的方式，考察残疾人的Facebook使用状况。研究发现，残疾人在Facebook访问频率、好友数等方面与一般用户差异不大；残疾人使用Facebook主要是为了加强他们的结合型连带（bonding ties），即同质性的关系网，如他们在面对面中遇到的家庭成员或朋友。尽管他们喜欢在Facebook上与无残疾的常人交往，但他们更愿意选择其他平台讨论与自身残疾有关的话题，这可能与Facebook的隐私设置和易用性等有关。研究者认为Facebook对残疾人的支持功能仍需进一步开发。
有研究者将社交网络视为青少年进行社会学习（social learning）的资源。例如，Greenhow和Robelia（2009）所进行的一项研究，调查了11名来自美国低收入群体的青少年，通过访谈以及对其MySpace页面的质性分析，得出了三个结论：第一，社交网络有助于传达情绪上的支持，保持社会关系，提供自我展示的平台；第二，学生会利用社交网络去完成一些必要的“社会学习”；第三，学生借由社交网络的使用而努力进行更复杂、更有创造力的沟通。
除了政治、商业、媒体、名人外，公益组织或社会支援力量也选择社会化媒体平台开展工作。例如利用微博组进行特定的社会支持（social support）。Shi和Chen（2014）对新浪微博HIV支持类小组2011年1月开通以来的博文进行内容分析，研究发现，这种社会支持供给频率远超需求；与情感型、工具性的社会支持相比，信息型支持是最为频繁的需求和所提供的类型。
2．线上交往与社会资本
不少研究者从社会化媒体与社会资本之间联系的角度入手，考察是否存在新型的社会整合方式。研究者关注的问题包括：SNS等社会化媒体上确实存在社会资本吗？如果确实存在，这种社会资本性质、效力呈现出哪些特点？不同的社会资本与人们的社会化媒体使用行为有何关联？
现有研究通常认为个人会通过SNS在心理上感到与他人的联系，但是这种感觉到的联系（perceived connection）是否真有实质性作用还不为人知。Stefanone等（2012）对个人感知到的线上社会资本进行了测量。该研究通过实验的方法。参与实验的49名参与者向他们的Facebook朋友发出了588个请求，都是为获得一些实质性的帮助，以此来检验他们的社交资本是否真的有实质作用。近80%的请求都无人理睬，这意味着感知到的社会资本和实际的社会支持之间未必有联系。然而社会地位相对高的人，更容易从朋友处获得帮助。研究者认为，社会化媒体使用对个人能获得的实质社会支持助益不大。
Brandtzäg（2012）对社交网络的用户进行追踪，研究者在2008—2010年三年时间内调查了2 000名15～75岁的挪威网民，发现SNS用户比非SNS用户在社会资本四个衡量维度中的三个都显著地高：面对面互动、熟人数量和桥接型社会资本（bridging capital）。但是SNS用户会感到比非SNS用户更加孤独，尤其是男性。通过聚类分析，这个研究区分出五个SNS用户类型：冒泡型（sporadics）、潜水型（lurkers）、社交型（socializers）、辩论型（debaters）以及高级用户（advanced），其中社交型用户享有更多社会资本。
Ellison等（2007）的研究主要探讨Facebook使用情况与社会资本的形成及维持之间的关系。除了评估社会资本中的结合型资本（bonding capital）和桥接型资本（bridging capital），研究者还加入了一个维持的资本（maintained social capital），即一个人与他原有的社会群体保持联系的能力。研究使用问卷的方法调查了286名本科生，发现Facebook的使用和上述三种社会资本都有强联系，其中最显著的是与“桥接型”社会资本的联系。此外，该研究还发现Facebook的使用与用户的心理健康程度有关，这也意味着它可能会对自尊和满意度低的人更有好处。
Rice和Barman-Adhikari（2014）的研究关注流浪的年轻人如何利用社交媒体资源。与有家的年轻人一样，流浪年轻人会使用网络和社交媒体满足娱乐、社交和工具性目的。但他们主要通过Email去联系潜在的雇主，而只用SNS去联系同龄伙伴。借助社会资本理论，研究者发现那些更注重维护社会关系的青年，会更容易找到工作和房子。
Vergeer和Pelzer的研究（2009）考察了媒体使用、社交资本和孤独之间的关系，研究数据来自2005年的一项全美电话调查。研究并未发现传统媒体和新媒体对社交网络具有破坏性的作用，在线社交资本会增强线下社交资本。但是，线上社交资本似乎并不能带来社会支持，也无法解决孤独问题。
Chu和Choi（2010）考察了中国青少年在腾讯QQ、校内网、开心网等SNS上的表现，并将之与美国青少年的SNS使用进行了比较。研究发现，美国年轻人比中国年轻人拥有更高水平的结合型社会资本，而桥接型社会资本在二者之间没有差异。
（三）自我呈现、身份认同与隐私
1．不同人群的自我呈现策略
社会化媒体中自我揭露（self-disclosure）与自我呈现、身份认同以及隐私保护关系密切。一方面，人们需要发布个人信息或专业信息，才能与其他成员进行互动和交流；另一方面，个人又可能在不同的社会化媒体平台上或社区中采取迥异的自我呈现策略。
Schwammlein和Wodzicki（2012）的研究关注不同种类的在线社区和用户的诉求如何影响他们的自我呈现。研究者将线上社区划分为两大类：有共同联系（common-bond）的网络社区和有共同身份认知（common-identity）的社区。研究发现：（1）在由共同联系搭建的社区中，用户的自我呈现更多的是个人行为，而由共同身份认同搭建的社区中，个人更会展现群体内有共性的特征；（2）在与他人取得联系方面，有共同联系社区的用户比有共同身份社区的用户更为踊跃；（3）社区成员能否积极地管理个人呈现的形象，与个人诉求有关。
Grasmuck，Marin和Zhao（2009）分析了不同种族在社会化媒体展现的自我呈现差异。研究主要考察了Facebook这样的实名网络环境中的自我呈现，通过对83名非裔美国人、拉丁裔美国人、印度裔美国人和越南裔美国人的公开主页进行内容分析，并辅以对63人的访谈，研究者发现种族的自我呈现非常明显且具体，少数族裔这种强烈的自我呈现，意味着他们对主流社会忽视少数族裔群体的一种反抗。
Chen Yi-Ning（2010）从文化的视角考察流行博客中的自我呈现。研究比较了台湾和美国流行博客中的印象管理策略和自我呈现。研究发现文化性因素，例如流行博客的博主与他人连接的方式，可能影响他们的自我呈现和社会关系。研究发现，台湾博主更关注他们的社会关系，但是拒绝暴露个人细节，他们通过展示个人智能作为自我推广的方法（self-promotion strategies）。而美国博主更少扎根于社会关系中，对自己的信息也更开放。这些发现与博主的文化背景一致，一个是关系导向，而另一个是个人主义的。
Cunliffe，Morris和Prys（2013）考察了英国年轻人在SNS平台双语使用的状况，研究选取了Facebook上讲威尔士语的年轻人。研究结果显示，人们在Facebook上使用双语的方式基本仍旧拷贝了线下的方式，尽管在一些间接方式上（如个人状态更新）可能会有细微影响。基于此，研究者认为考察线上媒体行为时需要将线下行为特征考虑在内。
2．魅力研究
社交网站等媒体上除了用户自我揭露的信息外，还存在与他人连接和互动产生的信息，以及应用平台系统生成的信息（诸如好友数、浏览量等统计数字）。一个有趣的问题是，人们如何通过这些线上个人档案对他人进行判断。Antheunis和Schouten（2011）通过实验的方法，测试社交网站页面上由他人提供和系统生成的信息如何影响青少年对其个人魅力的感知。社交网络上的系统生成信息，比如好友数等，以及他人提供信息，比如某用户被其他人圈出来了，都是除了用户自己主动发布的信息之外的信息。结果显示，当用户有更吸引人的好友和积极的“wall posting”时，他们会显得更有魅力；而用户的好友数并不会影响其魅力程度，只是会让人觉得他更外向。
与之类似，Tong等（2008）采用实验法，检测Facebook好友数量和页面主人受欢迎程度之间的关系。一个人可以在Facebook上有好几百个“好友”，这在现实生活中很难想象。Facebook“好友”不明确的状态引发现实生活里不会有的一些问题：受欢迎程度是否影响个人魅力程度？Tong等人的研究发现二者具有某种曲线相关，即不是简单的线性关系：过多的好友数反而会让人怀疑这个用户的魅力程度。
3．隐私议题
如何安全使用社交网络提供的服务？核心议题就是用户对隐私的感知。Debatin等（2009）考察了Facebook用户对隐私议题的认知、态度及相关行为。之前的研究显示，Facebook以特殊的方式深深嵌入使用者的日常生活。一些用户尽管声称自己很注重隐私，但却仍然上传了大量的个人信息。用户对（被）侵犯隐私的风险更多地指向他人而非自己。然而，相比只是听说过侵犯隐私的用户，那些曾经被侵犯过隐私的用户更容易更改自己的隐私设定。结果显示，这种松散的隐私态度往往是社会化媒体使用的高满足度、使用方式以及类似第三人效应的心理学机制等造成的。
欧洲政策规定，为了保证孩子们使用社交网络的安全，他们需要满足一定的年龄，能够理解安全提示，加强隐私设置，并被建议尽量减少个人信息的暴露。Livingstone等（2013）通过对来自25个欧洲国家的25 000名9～16岁青少年的调查评估了这一规定体系，发现多数未成年用户尽管缺乏使用社交网络的技术能力，但仍然能安全地使用SNS；有些孩子虽然想要反抗家长的管制，但多数会在SNS问题上遵守这些规定。
Lange（2008）经过一年的民族志调查，分析YouTube用户如何通过操作他们的视频链接来发展或维护社交网络。同时，该研究也解释了为什么对于青年人来说，传播和分享视频具有某种特殊性。在视频分享过程中，“公开”（publicness）是多维度的。一些用户展现了“公开的隐私”行为，意思是视频所有者的身份是广泛可见的，但视频内容是少数人可见的。相反，也有“隐私的公开”行为，意思是身份是少数人可见的，但是视频内容是广泛公开的。
Yang和Liu（2014）考察了用户对社会化媒体广告管理的态度。这项研究基于一份对489名中国大学生的问卷调查，结果显示，消费者线上暴露（online disclosure）中的先前的负面体验（prior negative experience），直接增加了他们的隐私意识和社交网站使用中自我暴露的风险。在线隐私意识、信任和风险增强了他们对政府出台社会化媒体广告管理的支持，而信任和社会化媒体使用增强了对行业自我管理的支持。出人意料的是，先前负面的经历，并没有削弱中国年轻消费者的社会化媒体使用，并与其支持管理态度几无关联。
四、社会化媒体使用的影响因素
上述研究更多地将社会化媒体使用视为前置变量，考察它与其他微观或宏观层面社会议题之间的关系。除此之外，还有研究将社会化媒体使用视为“因变量”，理解揭示特定变量与不同社会化媒体使用之间的关系。
不少研究者关注社会化媒体上的数字鸿沟问题。Hargittai（2007）考察了SNS使用者和非使用者的差异，研究者试图发现使用SNS和不使用的人之间是否存在系统性的差异。结果表明，使用SNS并不是随机的，它与一个人的性别、种族、父母教育背景都息息相关，而且那些有着更多自主使用经验的人会更喜欢用SNS。使用者背景的不平衡，意味着这种SNS服务可能会导致网络世界的不平等。
Pan和Skoric（2013）从性别和社会资源的视角，考察了新加坡SNS使用和手机使用中的数字鸿沟。研究数据来自新加坡的调查问卷，男性比女性更频繁地使用手机或SNS进行职业性的联络；拥有较多社会资源的人，更经常使用SNS和手机进行职业联络和个人联络。
Zywica和Danowski（2008）的研究针对的是SNS使用的动机，研究主要讨论了两个问题：（1）社会提升（social enhancement）假设，也即那些本来在线下就很受欢迎的人是否会因为Facebook变得更受欢迎；（2）社会补偿（social compensation）假设，即人们在Facebook上的受欢迎程度与线下的受欢迎程度不匹配。研究数据来自一所美国大学614名参与者的在线调查。结果显示，更外向、自信的人会支持社会提升假设；而更内向、不够自信、线下受欢迎程度不高的人则支持补偿假设。
Stefanone和Lackaff（2009）的研究则考察了真人秀观看与发博客、贴照片、分享视频等在线行为之间的关系，其假设是真人秀宣扬的自我揭露观念有可能影响到观众的网上行为。通过初探性研究（pilot study），研究者发现假设的关系得到证明，博客、视频分享确实与真人秀的消费有关；但是照片分享却并非如此。照片的分享与社交网络显著相关，意味着照片分享可能是一种更具关系性的行为。
五、社会计算视角的社会化媒体研究
（一）社会计算：新涌现的交叉学科
广义的社会计算是通过对历时累积的群体偏好、意见或行为加以总结，来把握现实，帮助决策，它本质上是一种社会性动态反馈系统。与自然科学家面向的对象不同，社会科学测量对象的复杂性为社会计算带来了巨大的挑战。从更广的视野看，作为一种社会测量的社会计算，一直都是社会科学研究的重要范式，例如古典社会学者涂尔干利用统计数据对自杀现象的解释（Durkheim, 2002），现代社会学家Wison对美国黑人种族、阶级问题的探索等（Wison, 1980）。在经济学、人口学等领域，测量和计算仍是基本的研究工具。甚至在美国社会学方法论学者Earl Babbie（2009）看来“一切皆可测量”（Measuring anything that exists）。
狭义的社会计算是一种数据密集型的科学研究范式（data-intensive science），“使用系统科学、人工智能、数据挖掘等科学计算理论作为研究方法，将社会科学理论与计算理论相结合，为人类更深入地认识社会、改造社会，解决政治、经济、文化等领域复杂性社会问题的一种理论和方法论体系”（孟小峰、李勇、祝建华，2013）。这一取向的支持者认为，社会计算旨在社会问题和计算技术间架起桥梁，从基础理论、实验手段及应用等各个层面突破社会科学与计算科学交叉借鉴的困难（王飞跃、曾大军、毛文吉，2010）。尽管表述有所不同，“计算社会科学”这一提法也旨在强调社会科学和计算科学融合的必要性和可行性（Watts, 2013）。在这个意义上，狭义的社会计算和计算社会科学内涵相近。
但是，要从大数据中采集到足够准确、系统而又代表性的社会个体特征，面临着伦理、法规和技术等多个方面的困难，这些难题已经构成了大数据时代社会计算的严重挑战。现有考察人类行为方式，还未能处理这种描述人们每一分钟的互动和所有人口地理位置的TB级别数据。例如，“社会网”研究面对的是“快照型”（snapshot）数据，典型的情形是，仅使用少数人的数据就告诉我们所有人口在纵贯时间内的各种变量数据集，结果当然是“有所发现”，但是正如盲人摸象，有限的视野导致有限的发现。此外，狭义的社会计算（或计算社会科学）还面临方法工具的不足以及基础设施带来的障碍（Lazer et al.，2009；孟小峰、李勇、祝建华，2013）。这虽然是前几年得出的观察结论，但时至今日也并未根本改观。
尽管有这么多的挑战，社会计算和计算社会科学的支持者仍相信这一研究取向的前景。支持者认为，易于使用的程序和技术可能大大增加计算社会科学的存在感。正如几十年前大众市场CAD软件对工程世界革命性的影响一样，常见的计算社会科学分析工具和数据的共享将带来显著的进步。这些工具的发展，可以部分地从那些已经在生物、物理或其他领域已经发展起来的工作中借用，但也需要满足社会科学需求的定制型应用（Lazer et al.，2009）。
本文选择社会计算一词，旨在兼顾广义和狭义的社会计算概念：一方面可将社会科学“可计算”传统融合在内；另一方面也将现代计算科学的技术手段囊括其中，这也体现了本书所强调交叉融合的研究取向。
社会计算与传播学都保持了对社会化媒体的关注。社会计算中最突出的研究领域与传播技术直接相关，例如电子邮件、社交网络、微博、手机、电子商务等互联网服务产生的“数字面包屑”（digital breadcrumbs），这些“面包屑”的意义是由个体和/或集体行为产生的，使用社会计算的方法，有可能观察数以亿计的个体实时或历时的行动和互动（Watts, 2013）。社会科学研究尽管也关心个体行为，但它更多地关注集体的层面，例如大众、组织、市场、阶级甚至是整个社会，而个体的累加并不能与集体概念画等号。
（二）代表性研究
受限于研究内容和篇幅，这里涉及的文献，大多集中在Facebook和Twitter这两个国外的典型社会化媒体平台，而不过多涉及新浪微博、腾讯微信等国内社交媒体。相对于传播学中传统意义上的内容研究，社会计算更关注如何自动化的评估一条信息的质量，以及信息在社交媒体平台上流动和扩散的模式。
1．信息质量识别
Agichtein等研究者（2008）结合不同信息来源的证据来自动判断给定内容的质量高低。他们选择了雅虎的问答社区作为研究对象，将一条问题的答案质量分为高、中、低三类别，通过支持向量机（support vector machine，简称SVM）、对数线性分类器（log-linear classifier）、随机梯度增加树（stochastic gradient boosted tree，简称SHBY）等算法，依据答案的文本特征、固有质量特征、发布答案的用户自身的关系特征、行为统计数据等四个方面的数据对给定的答案内容进行分类。实验结果表明，采用随机梯度增加树构建的分类器对答案质量分类的效果与人工分类结果最为接近。
Comarela等研究者（2012）通过一个包含大量Twitter信息的数据库，探索了Twitter平台上的重要信息。他们发现，Tweet的等待时间，Tweet的发布时长，Tweet作者发送频率等因素都会对一条Tweet的重要性产生影响。随后Comarela等尝试着调整Tweet的内容，并通过贝叶斯分类器和支持向量机等方式证明了重新调整之后的Tweet的重要性得到了提升。
Yang和Rim（2014）的研究则可以自动对Tweet的内容进行排序，找到那些更有趣和受欢迎的信息。他们构建了一个趋势敏感型的潜在狄利克雷分配模型（trend sensitive-latent dirichlet allocation，简称TS-LDA）来提取Tweet内容的潜在主题，并采用主题识别系统来对Tweet内容的潜在主题的有趣性进行评分。实验结果表明他们提出的模型能够比较准确的识别出较有趣的Tweet。
2．信息扩散
Kawamoto（2012）将社交网络上的信息扩散模式描述为一种随机增殖过程（random multiplicative process）。他利用随机选择模型（stochastic model），通过Twitter上的数据论证了这种随机增殖过程的合理性。同时，Kawamoto还认为，类似的信息扩散模式并非Twitter所独有，而是大多数社交网络上都存在的。
Asur等研究者（2011）重点关注了Twitter上话题的整个流行过程，包括产生、持续和衰退。他们认为Kawamoto提到的随机增殖过程使得包含有流行话题的Tweet的数量呈现出典型的对数正态分布（log-normal distribution）。同时，实验结果表明，大多数话题在Twitter上的流行时间并不会太长。而一个话题能否流行起来，很大程度上取决于Twitter用户是否大量转发包含该话题的Tweet。最后，Asur等人还将Twitter上流行的话题与传统媒体的新闻进行了对比，发现大多数Twitter上的流行话题都是传统媒体的新闻报道的延续和放大。
3．用户特征研究
除了对社交媒体的信息内容进行关注之外，社会计算的另一个关注重点在于社交媒体平台上用户的特征及其行为。Aral和Walker（2011）首先对社交媒体平台上的用户进行了区分，以判断不同的用户在消费决策等方面的影响力大小和易受到影响的程度。他们发现年轻用户更容易被别的用户影响，而已婚的用户的消费决策则最不容易受到别人的影响。与此同时，男性用户比女性用户具有更大的影响力，而女性用户更容易对男性用户造成影响。
Hughes等研究者（2012）对Facebook和Twitter用户的人格特征进行了对比。他们认为大五人格类型（The Big Five）能够有效描述人格与用户在社交媒体上的行为之间的关系，但还有不足，于是又加入了社交性（sociability）和认知需求（need for cognition）两种特质。实验结果表明，不同的人格特质会倾向于选择不同的社交网络。具体来说，在社交性、外倾性（extraversion）和神经质（neuroticism）方面得分较高的用户更喜欢使用Facebook，而那些在认知需求方面得分较高的用户则更喜欢使用Twitter。既然不同社交媒体的用户具有不同的人格特质，研究者开始分别针对Facebook和Twitter的用户展开研究。
Qiu等研究者（2012）探究了Twitter用户发布的内容和他们的人格特点之间的关系。结果发现人们可以通过观察Twitter用户所发布的内容来推断他们的大五人格类型。在Facebook上也发现了类似的情形。Eftekhar等研究者（2014）探究了用户在Facebook上与照片相关的行为与他们的大五人格类型之间的联系。具体说来，神经质和外倾性能够预测用户的照片上传行为；尽责性（consciousness）则能够预测用户自主生成相册和上传视频的行为；随和性（agreeableness）能够预测用户的照片收到的“赞”和评论的平均数。Kosinski等研究者（2013）利用Facebook用户的likes成功的预测了包括人格特点、智力水平、种族、宗教、政治观点、性取向和生活满意度等多种用户的特征。
4．社会化媒体使用行为研究
除了用户的特质之外，社会计算也关注用户在社交媒体平台上的行为。Xu等研究者（2012）从普通的Twitter用户出发，认为影响普通用户发帖和分享的因素主要包括三类：突发新闻（breaking news）、朋友转帖（posts from social friends）和个人固有兴趣（user's intrinsic interest）。他们采用了混合潜在主题模型（mixture latent topic model，简称MLTM）来研究上述三种因素。通过Twitter的数据实验，该模型取得了满意的效果。更多的研究聚焦于用户的转发行为，因为通常用户的转发行为使得信息在社交媒体平台上的传播和扩散极为迅速（Bandari, et al., 2012）。
Rudat等研究者（2014）通过实验证明了Twitter用户倾向于转发自己的粉丝喜欢的相关内容和信息价值高的Tweet，Naveed等研究者（2011）则发现人们更喜欢转发一些坏消息。
还有很多研究则希望构建出一个预测模型，能够对Twitter用户的转发行为进行预测。Sub和Hong（2010）选择了内容特征（content features）和语境特征（contextual features）作为自变量，构建了基于一般线性模型（generalized liner model）的预测模型。他们发现，Twitter是否包含了URL和话题标记对Twitter的转发率有直接影响，而Twitter作者的粉丝数、关注数和账户的年龄则对Twitter的转发率有间接影响；而Twitter作者的Tweet数与Tweet的转发率基本无关。
Uysal和Croft（2011）以用户为中心来分析转发行为，并提出了个性化的Twitter排序方法。他们选择了作者相关的特征（author-related features）、基于Tweet的特征（Tweet-based features）、基于内容的特征（content-based features）和基于用户的特征（user-based features）等四类特征来组成Twitter的排序方法。实验结果表明，他们的排序方法能够将特定用户感兴趣的Tweet排在相对靠前的位置。
Xu和Yang（2012）则选择了类似的特征：基于社交的特征（social-based）、基于内容的特征（content-based features）、基于Tweet的特征（Tweet-based features）和基于用户的特征（user-based features）来构建模型，并通过“留一法”(3)进行比较。实验结果表明，社交关系属性对于Twitter用户的转发行为影响最大。
Hong等研究者（2011）提取内容特征（content features）、拓扑学特征（topological features）、时序特征（temporal features）、元信息特征（meta information features）等四大类特征，通过数据预测给定的Tweet是否会被转发以及转发的程度。
Petrovic等研究者（2011）利用被动攻击算法（passive-aggressive algorithm），选择了社会性特征（social features）和Tweet特征（Tweet features）两个大类构建预测模型。同时还采用了时间敏感性方法（time-sensitive approach），以适应发布时间对Tweet是否转发的影响。
从上述综述可以看出，在对社会化媒体使用行为模式进行总结提炼时，似乎不同的行为性质和研究目的，可以有多种不同的思路和关键变量/因素的选取。
5．社会行为研究
随着社交网络用户的持续增加，以及线上对于社会热点问题的讨论和影响，研究者们也开始关注社交媒体所引发的个体和群体社会行为的变化。Chen等研究者（2011）发现，一个人使用Twitter的时间越长，他就越满意自己跟Twitter上其他用户之间的关系。Sosik和Bazarova（2014）探索了人们如何利用Facebook来维持自己的社交关系。他们发现大多数用户的社交关系在Facebook上的变化是渐进的，这类变化包括了关系的增进和消失。同时，用户间越近和越频繁的交互，预示着他们的关系正在不断增进。但是采用传统的语义分析的方式对于Facebook上用户交流内容进行分析，却不能预测用户间社交关系的变化。这表明Facebook用户在线上和线下采用了不同的交流方式来维持他们的社交关系。
Park（2013）针对Twitter中的舆论领袖进行研究后发现，用户的舆论领袖程度与他们使用Twitter参与公众事务、查找信息、动员和公共表达显著相关。Morales等研究者（2014）通过研究发现，一些有影响力的用户能够通过发布消息引起显著的集体反应，例如大量转发微博或者在Twitter平台上掀起群体运动。
还有研究者关注Twitter中品牌和用户之间的关系。Pentina等研究者（2013）拓展了品牌关系理论，通过对乌克兰和美国的被试进行跨文化研究。结果表明，两种文化下，用户的惠顾意愿和对Twitter积极的信任有较强的相关性。Kim等研究者（2014）通过对315名韩国被试进行调查，发现那些经常转发著名品牌的Twitter账号所发布的Tweet的用户在品牌辨识度、品牌信任度、社区承诺、社区会员意愿、Twitter使用频率和所发布过的Tweet总数等方面更有优势。
当然对于选举的影响也是一个不可忽视的研究热点。Leskovec等研究者（2010）以维基百科管理者选举（promotion of wikipedia admins）为例，间接地探索了用户参与选举的行为。他们发现选民对于候选人之间的社交关系将在很大程度影响选民的投票行为；而选民对于候选人的评价与别的选民的投票结果有关。Kruikemeier（2014）则直接利用了荷兰的大选期间的数据来进行分析。他们发现在选举运动的过程中使用Twitter的候选者比那些不使用的候选者得到更多的选票。
除了对文本信息进行研究，研究者们还发现，个人的Twitter由大量的饱含个人感情的评价与回复所充斥着。对这些Twitter内容进行研究的有关成果，已经被用来探测人们的幸福感（Mihalcea & Liu, 2006），预测情感走向（Mishne & Glance, 2006），预测图书销售情况（Gruhl, et al., 2005），预测犯罪情况（Gerber, 2014），甚至是道琼斯指数（Bollen, et al., 2011），等等。
（三）社会计算面临的挑战
通过以上总结，可以发现目前社会计算与传播学有关的研究，特别是针对社会化媒体的研究，主要聚焦于社会化媒体上的信息内容和用户行为两方面。对于信息内容的研究，通常依赖于大规模的数据，采用机器学习和人工智能的方法，尝试自动化地对信息内容进行处理、分类和排序，并探索信息传播和扩散的一般模式。对于用户行为的研究，则包含了媒体使用和日常生活两个方面。媒体使用主要是用户的发帖、转发等行为，特别是转发行为，大量研究者希望能够预测用户对于给定信息的转发行为。
这类研究通常具有类似的研究范式，即从大量数据中提取出几类特征因素，作为预测模型的因变量。预测模型的任务通常是预测给定的信息是否会被用户转发，而预测的结果只有两类（转发或者不转发）。因此预测模型的任务即为一个二分类问题，通常采用不同的分类器，根据预测模型的应变量对结果进行分类，从而实现对用户转发行为的预测。在日常生活方面，既有依赖社交媒体上的信息对用户的人格特质、个人属性等信息的预测，也有探索人们的消费行为、参与公共事务行为以及选举投票行为等与社交网络媒体使用的关系。
虽然目前社会计算与传播学相关的研究层出不穷，但是这类研究也通常存在两类问题：
首先，社会计算依据大量的数据作为基础，但这类数据的获取却常常有侵犯隐私的可能性。通常很多数据都和用户的隐私有关，包括但不限于用户的年龄、职业、收入、常浏览的网页、上传的照片等。如果未经用户允许便收集和分析这类数据，可能会导致用户的隐私权受到侵害。但与此同时，征询每位用户的许可却又并不现实，因为研究中涉及到的样本量巨大。因此，如何处理数据获取和隐私尊重/保护之间的关系，是这类研究面临的重要的问题。
其次，社会计算的研究，特别是预测类的研究，通常是以数据为导向，缺乏相关的理论框架的支持。研究者往往探索自变量和因变量之间的相关关系，却很少能够得到它们之间的因果关系，这也就使得要对研究问题进行充分而有效的解释变得困难。同时，因为理论框架的缺乏，研究开展时通常是根据数据的结果来解释变量间的关系，而不是先有理论假设，再通过数据收集对该理论假设进行验证。这种“本末倒置”的现象也是计算社会科学中常见的问题。
结语
正如祝建华等（2014）在《计算社会科学在新闻传播研究中的应用》一文中强调的，将社会计算引入新闻传播学研究不仅具有数据的价值优势、对大数据的处理优势，还有望利用自下而上归纳推理的优势，来认识和理解新事物。可以清晰地看到，前述传播学领域已有的社会化媒体研究仍然采取了理论指导下自上而下的路径，但是如何将二者有机结合起来仍需要进一步探讨。此外，借助社会化媒体平台进行一些大规模的“社会实验”也变得可能；而这类非介入方法的引入，有望为社会化媒体研究带来新的突破，开展社会科学研究一直梦寐以求的社会实验。当然背后的伦理争议、安全争议等议题，也值得进一步思考。
无论是传播学领域还是信息技术领域，有关社会化媒体的研究规模庞大，并正以惊人的速度快速增长。本文定稿之时，正是国内首届计算传播学论坛(4)在南京大学召开之时，计算科学和社会科学的一批前沿学者通过自己各自的研究实践，开始对这种崭新的研究路子和方法进行阶段性总结、反思和交流。本文仅从有限的多学科论文中择其一二加以总结梳理，难免挂一漏万。因此，我们从多个角度来对有关研究进行归纳和介绍，尽可能触及社会计算和社会媒体研究的方方面面的理论和方法，期望能给对这个领域和相关研究方法感兴趣的老师和学者一个大略的、总体的入门导图，即通过对其中所提及的文献及其角度、方法的按图索骥，有心的读者或许能快速切入、大致了解这一领域，开启一段全新的探索历程。
参考文献
1. Agichtein, E., Castillo, C., Donato, D., Gionis, A. & Mishne, G. (2008, February). Finding high-quality content in social media. In Proceedings of the 2008 International Conference on Web Search and Data Mining (pp. 183～194). ACM.
2. Altheide, D. L. & Snow, R. P. (1979). Media logic. Beverly Hills: Sage.
3. Antheunis, M. L. & Schouten, A. P. (2011). The Effects of Other-Generated and System-Generated Cues on Adolescents' Perceived Attractiveness on Social Network Sites. Journal of Computer-Mediated Communication, 16(3), 391～406.
4. Aral, S. & Walker, D. (2012). Identifying influential and susceptible members of social networks. Science, 337(6092), 337～341.
5. Asur, S., Huberman, B. A., Szabo, G. & Wang, C. (2011, February). Trends in social media: persistence and decay. In ICWSM.
6. Babbie, E. (2009). The practice of social research (12th.). Belmont, CA：Wadsworth.
7. Bandari, R., Asur, S. & Huberman, B. A. (2012, February). The Pulse of News in Social Media: Forecasting Popularity. In ICWSM.
8. Beer, D. (2009). Power through the algorithm? Participatory web cultures and the technological unconsciousness. New Media & Society, 11(6), 985～1002.
9. Bennett, W. L. & Segerber, A. (2012). The logic of connective action: digital media and the personalization of contentious politics. Information, Communication & Society, 15(5), 739～768.
10. Bode, L., Vraga, E. K., Borah, P. & Shah, D. V. (2013). A new space for political behavior: political social networking and its democratic consequences. Journal of Computer-Mediated Communication, 19(3), 1～16.
11. Bollen J, Mao H, Pepe A. (2011). Modeling public mood and emotion: Twitter sentiment and socio-economic phenomena. ICWSM.
12. Brandtzæg, P. B. (2012). Social networking sites: Their users and social implications—a longitudinal study. Journal of Computer-Mediated Communication, 17(4), 467～488.
13. Byrne, D. N. (2007). Public discourse, community concerns, and civic engagement: exploring black social networking traditions on BlackPlanet.com. Journal of Computer-Mediated Communication, 13(1), 319～340.
14. Chen, G. M. (2011). Tweet this: A uses and gratifications perspective on how active Twitter use gratifies a need to connect with others. Computers in Human Behavior, 27(2), 755～762.
15. Chen, Y. N. (2010). Examining the presentation of self in popular blogs: a cultural perspective. Chinese Journal of Communication, 3(1): 28～41.
16. Chin, A., Keelan, J., Tomlinson, G., Pavri-Garcia, V., Wilson, K. & Chignell, M. (2010). Automated delineation of subgroups in web video: A medical activism case study. Journal of Computer-Mediated Communication, 15(3), 447～464.
17. Christakis, N. A. & Fowler, J. H. (2009). Connected: The surprising power of our social networks and how they shape our lives. Hachette Digital, Inc.
18. Chu, S. & Choi, S. M. (2010). Social capital and self-presentation on social networking sites: a comparative study of Chinese and American young generations. Chinese Journal of Communication, 3(4), 402～420.
19. Chung, C. J., Cho, S. E. & Park, H. W. (2014). SNS use by the Korean government: a case of Me2Day. Asian Journal of Communication, 24(1), 25～41.
20. Comarela, G., Crovella, M., Almeida, V. & Benevenuto, F. (2012, June). Understanding factors that affect response rates in twitter. In Proceedings of the 23rd ACM conference on Hypertext and social media (pp. 123～132). ACM.
21. Cromity, J. (2012). The impact of social media in review. New Review of Information Networking, 17(1), 22～33.
22. Cunliffe, D., Morris, D. & Prys, C. (2013). Young Bilinguals' Language Behaviour in Social Networking Sites: The Use of Welsh on Facebook. Journal of Computer-Mediated Communication, 18(3), 339～361.
23. Daft, R. L. & Lengel, R. H. (1986). Organizational information requirements, media richness, and structural design. Management Science, 32(5), 554～571.
24. Debatin, B., Lovejoy, J. P., Horn, A. K. & Hughes, B. N. (2009). Facebook and online privacy: Attitudes, behaviors, and unintended consequences. Journal of Computer-Mediated Communication, 15(1), 83～108.
25. Durkheim, E. (2002). Suicide: A Study in Sociology. Routledge.
26. Eftekhar, A., Fullwood, C. & Morris, N. (2014). Capturing personality from Facebook photos and photo-related activities: How much exposure do you need. Computers in Human Behavior, 37, 162～170.
27. Ellison, N. B., Steinfield, C. & Lampe, C. (2007). The benefits of Facebook "friends"：Social capital and college students' use of online social network sites. Journal of Computer-Mediated Communication, 12(4), 1143～1168.
28. Fulk. J. & Yuan, Y. C. (2013). Location, motivation, and social capitalization via enterprise social networking. Journal of Computer-Mediated Communication, 19(1), 20～37.
29. Gerber M S. (2014). Predicting crime using Twitter and kernel density estimation. Decision Support Systems，61：115～125.
30. Gibbs, J. L., Rozaidi, N. A. & Eisenberg, J. (2013). Overcoming the "Ideology of Openness": probing the affordances of social media for organizational knowledge sharing. Journal of Computer-Mediated Communication, 19(1), 102～120.
31. Gillespie, T. L. (2010). The politics of platforms. New Media & Society, 13(6), 873～892.
32. Ginsberg, J., Mohebbi, M. H., Patel, R. S., Brammer, L., Smolinski, M. S. & Brilliant, L. (2008). Detecting influenza epidemics using search engine query data. Nature, 457(7232), 1012～1014.
33. Gitelman, L. (ed.). (2013). 'Raw data' is an oxymoron. Cambridge: MIT Press.
34. Goffman, E. (1959). The presentation of self in everyday life. New York: Doubleday Anchor Books.
35. Grasmuck, S., Martin, J. & Zhao, S. (2009). Ethno-racial identity displays on Facebook. Journal of Computer-Mediated Communication, 15(1), 158～188.
36. Greenhow, C. & Robelia, B. (2009). Old communication, new literacies: Social network sites as social learning resources. Journal of Computer-Mediated Communication, 14(4), 1130～1161.
37. Gruhl, D., Guha, R., Kumar, R., Novak, J. & Tomkins, A. (2005, August). The predictive power of online chatter. In Proceedings of the eleventh ACM SIGKDD international conference on Knowledge discovery in data mining (pp. 78～87). ACM.
38. Hargittai, E. (2007). Whose space? Differences among users and non-users of social network sites. Journal of Computer-Mediated Communication, 13(1), 276～297.
39. Himelboim, I., McCreery, S. & Smith, M. (2013). Birds of a Feather Tweet Together: Integrating.
40. Network and Content Analyses to Examine Cross-Ideology Exposure on Twitter. Journal of Computer-Mediated Communication，18(2), 40～60.
41. Hong, L., Dan, O. & Davison, B. D. (2011, March). Predicting popular messages in twitter. In Proceedings of the 20th international conference companion on World wide web (pp. 57～58). ACM.
42. Hughes, D. J., Rowe, M., Batey, M. & Lee, A. (2012). A tale of two sites: Twitter vs. Facebook and the personality predictors of social media usage. Computers in Human Behavior, 28(2), 561～569.
43. Humphreys, L., Gill, P., Krishnamurthy, B. & Newbury, E. (2013). Historicizing new media: A content analysis of Twitter. Journal of Communication, 63(3), 413～431.
44. Kanter, M., Afifi, T. & Robbins, S. (2012). The impact of parents "friending" their young adult child on Facebook on perceptions of parental privacy invasions and parent-child relationship quality. Journal of Communication, 62(5), 900～917.
45. Kaplan A. M. & Haenlein, M. (2010). Users of the world, unite! The challenges and opportunities of Social Media. Business Horizons, 53(1), 59～68.
46. Kawamoto, T. (2013). A stochastic model of tweet diffusion on the Twitter network. Physica A：Statistical Mechanics and Its Applications, 392(16), 3470～3475.
47. Kaye, B. K. & Johnson, T. J. (2014). The Shot Heard Around the World Wide web: Who Heard What Where About Osama bin Laden's Death. Journal of Computer-Mediated Communication, 19(3), 643～662.
48. Khang, H., Ki, E. J. & Ye, L. (2012). Social media research in advertising, communication, marketing, and public relations, 1997-2010. Journalism & Mass Communication Quarterly, 89(2), 279～298.
49. Kim, E., Sung, Y. & Kang, H. (2014). Brand followers' retweeting behavior on Twitter: How brand relationships influence brand electronic word-of-mouth. Computers in Human Behavior, 37, 18～25.
50. Kosinski, M., Stillwell, D. & Graepel, T. (2013). Private traits and attributes are predictable from digital records of human behavior. Proceedings of the National Academy of Sciences, 110(15), 5802～5805.
51. Kruikemeier, S. (2014). How political candidates use Twitter and the impact on votes. Computers in Human Behavior, 34, 131～139.
52. Lange, P. G. (2007). Publicly private and privately public: Social networking on YouTube. Journal of Computer-Mediated Communication, 13(1), 361～380.
53. Lazer, D., Pentland, A., Adamic, L., Aral, S., Barabasi, A. L., Brewer, D., Christakis, N., Contractor, N., Fowler, J., Gutmann, M., Jebara, T., King, G., Macy, M., Roy, D. & Alstyne, M. V. (2009). Computational Social Science. Science, 323(5915)：721～723.
54. Lee, A. (2012). Online news media in the Web 2.0 era: from boundary dissolution to journalistic transformation. Chinese Journal of Communication, 5(2), 210～226.
55. Leonardi, P. M., Huysman, M. & Steinfield, C. (2013). Enterprise social media: definition, history, and prospects for the study of social technologies in organizations. Journal of Computer-Mediated Communication, 19(1), 1～19.
56. Leppänen, S., Pitkänen-Huhta, A., Piirainen-Marsh, A., Nikula, T. & Peuronen, S. (2009). Young people's translocal new media uses: A multiperspective analysis of language choice and heteroglossia. Journal of Computer-Mediated Communication, 14(4), 1080～1107.
57. Leskovec, J., Huttenlocher, D. P. & Kleinberg, J. M. (2010, April). Governance in social media: A case study of the wikipedia promotion process. In ICWSM.
58. Ley, B. L. (2007). Vive les roses!：The architecture of commitment in an online pregnancy and mothering group. Journal of Computer-Mediated Communication, 12(4), 1388～1408.
59. Livingstone, S., Ólafsson, K. & Staksrud, E. (2013). Risky Social Networking Practices Among “Underage” Users: Lessons for Evidence-Based Policy. Journal of Computer-Mediated Communication, 18(3), 303～320.
60. Majchrzak, A., Faraj, S., Kane, G. C. & Azad, B. (2013). The contradictory influence of social media affordances on online communal knowledge sharing. Journal of Computer-Mediated Communication, 19(1), 38～55.
61. Marwick, A. E. (2013). Status update: celebrity, publicity, and branding in the social media age. New Haven: Yale University Press.
62. Meraz, S. (2009). Is there an elite hold? Traditional media to social media agenda setting influence in blog networks. Journal of Computer-mediated Communication, 14(3), 682～707.
63. Mihalcea R, Liu H. (2006). A Corpus-based Approach to Finding Happiness[C]//AAAI Spring Symposium: Computational Approaches to Analyzing Weblogs. 139～144.
64. Mishne G, Glance N S. (2006). Predicting Movie Sales from Blogger Sentiment[C]//AAAI Spring Symposium: Computational Approaches to Analyzing Weblogs. 155～158.
65. Morales, A.J., Borondo, J., Losada, J. C., Benito, R. M. (2014). Efficiency of human activity on information spreading on Twitter. Social Networks 39: 1～11.
66. Naveed, N., Gottron, T., Kunegis, J. & Alhadi, A. C. (2011, June). Bad news travel fast: A content-based analysis of interestingness on twitter. In Proceedings of the 3rd International Web Science Conference (p. 8). ACM.
67. Notley, T. (2009). Young people, online networks, and social inclusion. Journal of Computer-Mediated Communication, 14(4), 1208～1227.
68. Pan, J. & Skoric, M. (2013). Gender and social resources: digital divides of social. Chinese Journal of Communication, 6(2): 221～239.
69. Park, C. S. (2013). Does Twitter motivate involvement in politics? Tweeting, opinion leadership, and political engagement. Computers in Human Behavior, 29(4), 1641～1648.
70. Pentina, I., Zhang, L. & Basmanova, O. (2013). Antecedents and consequences of trust in a social media brand: A cross-cultural study of Twitter. Computers in Human Behavior, 29(4), 1546～1555.
71. Petrovic, S., Osborne, M. & Lavrenko, V. (2011, July). RT to Win! Predicting Message Propagation in Twitter. In ICWSM.
72. Pike, J. C., Bateman, P. J. & Butler, B. (2013). Dialectic tensions of information quality: social networking sites and hiring. Journal of Computer-Mediated Communication, 19(1), 57～77.
73. Poell, T., de Kloet, J. & Zeng, G. (2014). Will the real Weibo please stand up? Chinese online contention and actor-network theory. Chinese Journal of Communication, 7(1), 1～18.
74. Plester, B. & Wood, C. (2009). Exploring relationships between traditional and new media literacies: British preteen texters at school. Journal of Computer-Mediated Communication, 14(4), 1108～1129.
75. Qiu, L., Lin, H., Ramsay, J. & Yang, F. (2012). You are what you tweet: Personality expression and perception on twitter. Journal of Research in Personality, 46(6), 710～718.
76. Rice, E. & Barman-Adhikari, A. (2014). Internet and Social Media Use as a Resource Among Homeless Youth. Journal of Computer-Mediated Communication, 19(2)：232～247.
77. Rudat, A., Buder, J. & Hesse, F. W. (2014). Audience design in Twitter: Retweeting behavior between informational value and followers' interests. Computers in Human Behavior, 35, 132～139.
78. Saxton, G. D. & Anker, A. E. (2013). The Aggregate Effects of Decentralized Knowledge Production: Financial Bloggers and Information Asymmetries in the Stock Market. Journal of Communication, 63(6), 1054～1069.
79. Schwammlein, E. & Wodzicki, K. (2012). What to Tell About Me? Self-Presentation in Online Communities. Journal of Computer-Mediated Communication, 17(4), 387～407.
80. Shi, J. & Chen, L. (2014). Social support on Weibo for people living with HIV/AIDS in China: a quantitative content analysis. Chinese Journal of Communication, 7(3): 285～298.
81. Shpigelman, C. N. & Gill, C. J. (2014). Facebook Use by Persons with Disabilities. Journal of Computer-Mediated Communication, 19(3)：610～624.
82. Short, J., Williams, E. & Christie, B. (1976). The social psychology of telecommunications, Wiley.
83. Tomasello, T. K., Lee, Y. & Baer, A. P. (2010). "New Media" Research Publication Trends and Outlets in Communication, 1990-2006. New Media & Society, 12(4), 531～548.
84. Sosik, V. S. & Bazarova, N. N. (2014). Relational maintenance on social network sites: How Facebook communication predicts relational escalation. Computers in Human Behavior, 35, 124～131.
85. Stefanone, M. A., Kwon, K. H. & Lackaff, D. (2012). Exploring the relationship between perceptions of social capital and enacted support online. Journal of Computer-Mediated Communication, 17(4), 451～466.
86. Stefanone, M. A. & Lackaff, D. (2009). Reality television as a model for online behavior: Blogging, photo, and video sharing. Journal of Computer-Mediated Communication, 14(4), 964～987.
87. Suh, B., Hong, L., Pirolli, P. & Chi, E. H. (2010, August). Want to be retweeted? large scale analytics on factors impacting retweet in twitter network. In Social computing (socialcom), 2010 ieee second international conference on (pp. 177～184). IEEE.
88. Tong, S. T., Van Der Heide, B., Langwell, L. & Walther, J. B. (2008). Too much of a good thing? The relationship between number of friends and interpersonal impressions on Facebook. Journal of Computer-Mediated Communication, 13(3), 531～549.
89. Uysal, I. & Croft, W. B. (2011, October). User oriented tweet ranking: a filtering approach to microblogs. In Proceedings of the 20th ACM international conference on Information and knowledge management (pp. 2261～2264). ACM.
90. Vaast, E. & Kaganer, E. (2013). Social media affordances and governance in the workplace: An examination of organizational policies. Journal of Computer-Mediated Communication, 19(1), 78～101.
91. Valenzuela, S., Park, N. & Kee, K.F. (2009). Is there social capital in a social network
92. site? Facebook use and college students' life satisfaction, trust, and participation. Journal of Computer-Mediated Communication, 14(4), 876～901.
93. van Dijck, J. (2013). The culture of connectivity: A critical history of social media. New York: Oxford University Press.
94. van Dijck, J. & Poell, T. (2013). Understanding social media logic. Media and Communication, 1(1), 2～14.
95. Vergeer, M. & Pelzer, B. (2009). Consequences of media and Internet use for offline and online network capital and well-being. A causal model approach. Journal of Computer-Mediated Communication, 15(1), 189～210.
96. Watts, D. J. (2013). Computational Social Science: Exciting Progress and Grand Challenges. The Bridge, 43(4): 5～10.
97. Weaver, A. J., Zelenkauskaite, A. & Samson, L. (2012). The (non) violent world of YouTube: Content trends in web video. Journal of Communication, 62(6), 1065～1083.
98. Webster, J.G. & Ksiazek, T. B. (2012). The Dynamics of Audience Fragmentation: public Attention in an Age of Digital Media. Journal of Communication, 62(1), 39～56.
99. Wellman, B. (2002). Little boxes, glocalization, and networked individualism. In: Tanabe, M., Nesselaar, P., Ishida, T. (ed.). Digital cities II-Second Kyoto Workshop on Digital Cities. Berlin: Springer, 10～25.
100. Wen, W. (2014). Facebook political communication in Taiwan: 1.0/2.0 messages and election/post-election messages. Chinese Journal of Communication, 7(1), 19～39.
101. Wilson, W. J. (1980). The declining significance of race: Blacks and changing American institutions. Chicago: University of Chicago Press.
102. Wimmer, R. D. and Dominick, J. R. (2010). Mass Media Research: An Introduction, 9th ed. Belmont, CA: Wadsworth.
103. Xu, Z. & Yang, Q. (2012, August). Analyzing user retweet behavior on twitter. In Proceedings of the 2012 International Conference on Advances in Social Networks Analysis and Mining (ASONAM 2012) (pp. 46～50). IEEE Computer Society.
104. Xu, Z., Zhang, Y., Wu, Y. & Yang, Q. (2012, August). Modeling user posting behavior on social media. In Proceedings of the 35th international ACM SIGIR conference on Research and development in information retrieval (pp. 545～554). ACM.
105. Yang, H. & Liu, H. (2014). Prior negative experience of online disclosure, privacy concerns, and regulatory support in Chinese social media. Chinese Journal of Communication, 7(1)：40～59.
106. Yang, M. C. & Rim, H. C. (2014). Identifying interesting Twitter contents using topical analysis. Expert Systems with Applications, 41(9), 4330～4336.
107. Zimbra, D., Abbasi, A. & Chen, H. (2010). A Cyber-archaeology Approach to Social Movement Research: Framework and Case Study. Journal of Computer-Mediated Communication, 16(1), 48～70.
108. Zuniga, H. G., Jung, N. & Valenzuela, S. (2012). Social media use for news and individuals' social capital, civic engagement and political participation. Journal of Computer-Mediated Communication, 17(3), 319～336.
109. Zywica, J. & Danowski, J. (2008). The Faces of Facebookers: Investigating Social Enhancement and Social Compensation Hypotheses; Predicting FacebookTM and Offline Popularity from Sociability and Self-Esteem, and Mapping the Meanings of Popularity with Semantic Networks. Journal of Computer-Mediated Communication, 14(1), 1～34.
110．孟小峰、李勇、祝建华：《社会计算：大数据时代的机遇与挑战》，载《计算机研究与发展》，2013，50(12)，2483～2491页。
111．王飞跃、曾大军、毛文吉：《社会计算的意义、发展与研究状况》，载《科研信息化技术与应用》，2010，1(2)，3～15页。
112．张明新、陈柏伊：《西方传播学界社会化媒体研究的议题、理论与方法：2007-2012》，载陈先红、张明新主编：《中国社会化媒体研究报告（2013卷）》，武汉，华中科技大学出版社，2013。
113．祝建华、彭泰权、梁海、王成军、秦洁、陈鹤鑫：《计算社会科学在新闻传播研究中的应用》，载《科研信息化技术与应用》，2014（5），3～13页。
(1)作者简介：金兼斌，清华大学新闻与传播学院教授；楚亚杰，2013—2015年期间清华大学新闻与传播学院博士后，现为复旦大学新闻学院讲师；林成龙，清华大学新闻与传播学院2014级硕士研究生，现为中国民航报社舆情分析师；游淳惠，清华大学新闻与传播学院2013级博士研究生，现为浙江工业大学人文学院讲师；侯佳希，清华大学新闻与传播学院2013届毕业生，现为东京大学学际情报学环信息技术与亚洲社会学专业硕士学生。
(2)见Nielsen: 2015年全球广告信任度调查报告。199IT-中文互联网数据资讯中心。网上见: http://www.199it.com/archives/391032.html.
(3)留一法（leave-one-out）交叉验证：假设有N个样本，将每一个样本作为测试样本，其他N-1个样本作为训练样本。这样得到N个分类器，N个测试结果。用这N个结果的平均值来衡量模型的性能。
(4)论坛于2016年9月25日在南京大学新闻与传播学院召开。