摘要：在AI快速发展的当下，AI不仅深刻影响着信息传播的方式，也为传播学研究带来了全新视角和方法。基于此，集智俱乐部联合北京师范大学许小可教授、浙江大学张子柯教授、南京大学王成军教授、深圳大学廖好副教授共同发起“AI×传播”读书会，从计算叙事、智能传播、人机传播与传

导语

在AI快速发展的当下，AI不仅深刻影响着信息传播的方式，也为传播学研究带来了全新视角和方法。基于此，集智俱乐部联合北京师范大学许小可教授、浙江大学张子柯教授、南京大学王成军教授、深圳大学廖好副教授共同发起“AI×传播”读书会，从计算叙事、智能传播、人机传播与传播仿真四个板块向来共同探索AI与传播的前沿交叉，来深度理解传播机制和传播生态。

11月1日（周六）10:00将开启读书会第八期，由北京师范大学新闻传播学院/计算传播学研究中心教授许小可、副研究员谢家荣，共同分享“人机传播网络的计算扎根”主题，本次分享聚焦人机传播网络与计算扎根方法，探讨社交网络如何从纯人类系统演变为人机协同共生的新型结构。我们将介绍如何利用机器学习与归因算法解码人机行为规律，并分析信息、行为在网络中的扩散机制。内容涵盖AI代理在舆论演化与极化中的作用，呈现新旧传播研究范式的对比与创新视角。

当前，社交网络的发展范式正经历着深刻转型——从技术驱动转向“以人为核心”的行为驱动。这种转变不仅重塑着个体的情感认知与行为模式，更在社会层面构建起连接个体的新型纽带。而随着人工智能技术的突飞猛进，社交网络的主体构成正在发生新的质变，从纯粹的人类社交场域，演变为人机协同、共生共融的复合型社会网络。

这一变革为人文社会科学研究开辟了崭新的观察维度：人机交互动态、新型人机关系、机器行为规律等前沿议题应运而生。然而，传统研究范式正面临双重挑战：在理论层面，基于人类行为样本构建的社会科学理论难以有效解释和预测机器行为；在方法层面，传统的统计推断与质性分析难以应对人机社会网络数据的复杂结构与海量规模。

在本主题中，我们提出开创性的范式革新方案：将社交机器人作为独立研究主体，构建人机社会网络的全新研究框架。通过整合机器学习强大的预测能力与归因算法的可解释性优势，采用计算扎根的方法论，系统揭示人机行为差异，解码机器行为的内在规律。这一创新范式将为社交网络研究开辟前所未有的理论视野与方法路径。

1. 传播相关的社交网络分析：理解信息、行为或影响如何在网络中扩散，分析网络结构如何影响传播。

2. 计算社会科学的定量研究范式：借助机器学习的预测能力和归因算法的可解释性，探索计算扎根的新范式。

3. 人机传播学的新视角：将社交机器人作为新的主体，构建人机传播网络研究的新范式。

4. 新范式下舆论演化研究：作为对比新旧范式下传播学研究案例，介绍AI代理涌现类似人类社会的极化现象。

许小可，北京师范大学新闻传播学院/计算传播学研究中心教授。主要从事网络科学与传播学相结合的研究工作，主要研究方向为：社交机器人、计算传播、社会计算等。先后主持4项国家自然科学基金、腾讯犀牛鸟科研基金等项目，已在Science、Nature Human Behaviors、PNAS、Nature Communications等知名期刊发表学术论文百余篇。先后出版《社交网络上的计算传播学》、《计算传播学导论》等教材，个人学术专著《网络零模型构造及应用》，获国家科学技术学术著作出版基金资助。担任中国中文信息学会社会媒体处理专业委员会常务委员、中国工业与应用数学学会复杂网络专业委员会委员、中国人工智能学会社会计算与社会智能专委会委员。

谢家荣，任北京师范大学珠海校区计算传播学研究中心副研究员。中国科学技术大学物理学博士，中山大学计算机科学与技术博士后。主要通过统计物理、大数据研究社交媒体信息传播。在Nature Human Behaviour, PNAS, Nature Communications等国际主流期刊发表论文30余篇。

一、经典的传播相关社会网络分析书籍

a. Paul Adams (2011), Grouped: How Small Groups of Friends are the Key to Influence on the Social Web

本书深入剖析了互联网时代社交行为的底层逻辑，揭示了人际关系如何重塑商业规则，基于社交行为研究为企业提供适应“以人为中心”互联网生态的行动框架。

b. James H. Fowler, Nicholas A. Christakis, (2011),Connected: The Surprising Power of Our Social Networks and How They Shape Our Lives

本书通过揭示社交网络如何深刻影响我们的情感、健康、行为和人际关系，颠覆了个人独立的传统观念，为理解社会互动提供了革命性的新视角。

c. 许小可,胡海波,张伦,王成军, 社交网络上的计算传播学, 高等教育出版社, 2015年

本书系统构建了社交网络上计算传播学的理论框架与实践方法，通过分析信息传播的可计算因素、应用场景及数据处理技术，为跨学科研究社交网络中的传播行为提供了系统性解决方案。

d. Damon Centola (2020). How Behavior Spreads: The Science of Complex Contagions

本书挑战了传统传播理论，揭示社会行为（如创新采纳或健康实践）的扩散不同于病毒传播，需要社会网络的强连接和多次强化，为政策制定者提供了利用网络结构推动社会变革的科学依据。

e. 张伦,王成军,许小可, 计算传播学导论（第二版）, 北京师范大学出版社, 2024年

本书系统介绍计算传播学这一新兴交叉学科，通过传播网络分析、文本挖掘与数据科学方法，揭示人类传播行为的可计算模式，为学术研究和新媒体实践提供跨学科方法论基础。

二、计算社会科学的定量研究范式

f. Jake M. Hofman, Amit Sharma, and Duncan J. Watts. 2017. Prediction and explanation in social systems. Science 355, 6324 (2017), 486–488. https://doi.org/10.1126/science.aal3856

本文指出社会科学研究正从传统偏重因果解释转向重视预测准确性，并强调需要解决预测评估标准化、社会系统预测的理论局限性，以及预测准确性与可解释性的互补关系这三个关键问题，以推动更具可复制性和实用性的社会科学研究。

g. Jake M. Hofman, Duncan J. Watts, Susan Athey, Filiz Garip, Thomas L. Griffiths, Jon Kleinberg, Helen Margetts, Sendhil Mullainathan, Matthew J. Salganik, Simine Vazire, Alessandro Vespignani, and Tal Yarkoni. 2021. Integrating explanation and prediction in computational social science. Nature 595, 7866 (2021), 181–188. https://doi.org/10.1038/s41586-021-03659-0

本文提出计算社会科学应超越单纯的数据和方法层面，通过建立解释性研究（因果分析）与预测性研究（结果预测）的二维框架，倡导将二者结合的"整合建模"方法，为不同学科背景的研究者提供了促进领域融合的具体实践路径。

h. Description, prediction, explanation. Nat. Hum. Behav. 5, 10 (2021), 1261–1261. https://doi.org/10.1038/s41562-021-01230-5

本文系统阐述了描述性、预测性和解释性研究在科学中的不同价值，强调随着大数据和机器学习的发展，预测性研究正获得与因果解释同等重要的地位，同时明确了不同类型研究的审稿标准——因果研究需实验或严谨的识别策略，预测研究需样本外验证，描述性研究则需揭示新现象或提供规模化测量。

i. 陈茁, 陈云松, 计算扎根：定量研究的理论生产方法, 社会学研究,2023, (4): 50-73

本文创新性地提出“计算扎根”方法，通过机器学习算法突破传统定量研究的演绎逻辑局限，基于变量预测力自动筛选潜在因果因子来生成新理论假说，在保持定量研究严谨性的同时实现了扎根理论的归纳优势，为社会科学理论创新提供了可操作的技术路径。

三、人机融合传播网络的诞生与发展

j. Emilio Ferrara, Onur Varol,Clayton Davis, Filippo Menczer, and Alessandro Flammini. 2016. The rise of social bots. Commun. ACM 59, 7 (2016), 96–104. https://doi.org/10.1145/2818717

本文系统阐述了社交机器人在技术-社会系统中的双面性（既有良性用途也有恶意操纵），重点分析了其渗透政治话语、扰乱金融市场等危害行为，并综述了当前基于网络特征、众包策略和监督学习等多元检测方法的研究进展。

k. Iyad Rahwan, Manuel Cebrian, Nick Obradovich, Josh Bongard, Jean-François Bonnefon, Cynthia Breazeal, Jacob W. Crandall, Nicholas A. Christakis, Iain D. Couzin, Matthew O. Jackson, Nicholas R. Jennings, Ece Kamar, Isabel M. Kloumann, Hugo Larochelle, David Lazer, Richard McElreath, Alan Mislove, David C. Parkes, Alex ‘Sandy’ Pentland, Margaret E. Roberts, Azim Shariff, Joshua B. Tenenbaum, and Michael Wellman. 2019. Machine behaviour. Nature 568, 7753 (2019), 477–486. https://doi.org/10.1038/s41586-019-1138-y

本文提出建立“机器行为学”这一新兴交叉学科，主张通过融合计算机科学与其他学科的视角来系统研究人工智能系统的行为规律，在阐明该领域核心科学问题的同时，深入探讨了技术、法律和制度层面对机器行为研究的现实约束。

i. Tsvetkova,M., Yasseri, T., Pescetelli, N., & Werner, T. (2024). A new sociology of humans and machines. Nature Human Behaviour, 8(10), 1864-1876

本文提出“人机共生社会”的新范式，指出由人类与智能机器构成的复杂社会系统涌现出竞争、协作、传染等集体行为特征，通过高频交易市场、社交媒体等实证案例揭示其独特动态规律，呼吁建立融合复杂系统方法、交互式AI设计和生态化监管的人机社会学研究框架。

m. Dino Pedreschi, Luca Pappalardo, Emanuele Ferragina, Ricardo Baeza-Yates, Albert-László Barabási, Frank Dignum, Virginia Dignum, Tina Eliassi-Rad, Fosca Giannotti, János Kertész, Alistair Knott, Yannis Ioannidis, Paul Lukowicz, Andrea Passarella, Alex Sandy Pentland, John Shawe-Taylor, and Alessandro Vespignani. 2025. Human-AI coevolution. Artif. Intell. 339,(2025), 104244. https://doi.org/10.1016/j.artint.2024.104244

本文开创性地提出“人机协同进化”研究新领域，以推荐系统为例揭示用户与AI间形成的反馈循环如何产生复杂系统效应，通过方法论批判、跨学科框架构建和实证案例分析，在科学、法律和社会政治三个层面系统阐述了这一融合人工智能与复杂科学的交叉领域的研究路径与挑战。

四、新旧范式的传播学研究

n. Jiarong Xie, Fanhui Meng, Jiachen Sun, Xiao Ma, Gang Yan and Yanqing Hu. Detecting and modelling real percolation and phase transitions of information on social media. Nature Human Behaviour 5(9), 1161–1168 (2021) (cover story).

第四范式研究信息传播动力学的典型案例，通过社交媒体大数据分析，发现其传播能力被严重低估，通过数据驱动的数学建模挖掘强传播力的来源为朋友关系结构与用户行为的共演化。

0. Baumann F, Lorenz-Spreen P, Sokolov I M, et al. Modeling echo chambers and polarization dynamics in social networks. Physical Review Letters, 2020, 124(4): 048301.

旧范式研究意见极化动力学的典型案例，提出简洁的意见动力学数学模型，能再现实证社交网络中的极化和回音室特征。

p. Ohagi M. Polarization of autonomous generative AI agents under echo chambers. Proceedings of the 14th Workshop on Computational Approaches to Subjectivity, Sentiment, & Social Media Analysis, 2024, 112–124.

新范式研究意见极化案例，揭示AI代理群在封闭讨论中会自发形成观点极化，为预判AI渗透社交媒体后的群体行为风险提供依据。

q. Piao J, Lu Z, Gao C, et al. Emergence of human-like polarization among large language model agents. arXiv preprint arXiv:2501.05171, 2025.

新范式研究意见极化案例，发现AI代理在复杂网络中重现人类政治极化全貌，揭示个体心理机制与网络效应的双重作用，并为现实社会提供可迁移的降极化干预策略。

参与时间：2025年11月1日（周六）10:00-12:00 北京时间

视频号直播预约：

AI×传播读书会

在AI快速发展的当下，AI不仅深刻影响着信息传播的方式，也为传播学研究带来了全新视角和方法。基于此，集智俱乐部联合北京师范大学许小可教授、浙江大学张子柯教授、南京大学王成军教授、深圳大学廖好副教授共同发起“AI×传播”读书会，从计算叙事、智能传播、人机传播与传播仿真四个板块向来共同探索AI与传播的前沿交叉，来深度理解传播机制和传播生态。读书会自8月23日起，每周六10:00-12:00举行，预计持续12周。

我们将探讨如下核心问题：

来源：集智俱乐部一点号