计算传播学方法简介
主题概要：
计算传播学由在线数据和计算算法而催生。数据的质量由其来源（现存或定制）及收集方式（是否干预研究对象）而决定，与数据大小关系不大。经典定量研究主要依据内外效度来评估数据的质量，这些标准同样适用在线数据。计算算法包括经典的统计分析和新兴的机器学习/深度学习。前者属于自上而下的有监督学习而后者以自下而上的无监督学习为主。10余年间，计算传播学者基于在线数据和计算算法，研究传播5W问题（传播者、渠道、内容、受众及效果），积累了一批经典案例；新旧媒体的数据科学家也将相似数据和算法，用于从用户管理到新闻推荐的一系列应用领域。学好计算传播学方法需要计算机编程、经典定量方法与传播学理论三方面知识与技能的融合。
授课语录：
机器无法提供判断数据的基准，最佳的基准（ground truth）是客观存在的，其次是由人工判断的，除此之外没有第三种方法。缺少了基准，再华丽的技术，再先进的算法，再庞大的数据所得出的结论也只能是一个有待验证的估计。
计算传播与传播学研究范式
主题概要：
科学研究的基本范式先后有经典实验、理论分析、人工仿真和数据驱动等四代。这些范式在传播学中也均有体现，当然流行程度各异。《传播学季刊》自1983年起先后三次组织专刊讨论范式转移。然而，每次只焦点必要性，很少考虑可行性，进展不大。范式转移以新现象、新数据、新方法和新人才为前提，这些条件以前并不存在，现在正在形成，如用户自创内容的新现象、数字踪迹的行为数据、自下而上的探索方法、新生代的计算传播学者（其中既包括跨学科的定居者、也有传播学培养的原生代）。事实上，计算传播学经典案例中已经出现了一些研究成果，解答传播学大半个世纪悬而未决的基本问题。计算传播学如能加强与传播学主流对话融合，范式转移也许真的来了。
授课语录：
我用三句话来概括计算传播学的“范式”：算法是入场券，很重要；数据是故事，更重要；理论是灵魂，最重要。
[版权声明]该系列文章为复旦大学“中外新闻传播理论研究与方法”暑期学校授课纪要。本文由作者授权发布，未经允许，请勿转载，特此声明。
[引用格式]祝建华（2020）。复旦大学中外新闻传播理论研究与方法暑期学校授课语录。复旦大学信息与传播研究中心微信公众号，2020年7月3日。