AI实验室|当AI成为研究助手:AI辅助计算传播研究的方法、价值与边界

计算传播研究是计算社会科学在传播学领域的重要分支，主要利用数字踪迹数据、自动内容分析、用户行为分析、网络分析和计算实验等方法，研究信息的生产、流通、接收及其社会影响。Zhu、Peng和Liang将用户分析、内容挖掘与计算实验视为计算传播研究的重要方法路径。^[1]

所谓“AI辅助计算传播研究”，是指研究者在传播理论和研究问题的指导下，将大语言模型、机器学习、多模态模型或智能代理嵌入研究流程，辅助完成数据清理、内容编码、主题发现、信息提取、实验材料生成和模型解释等任务。

但它需要与“关于AI的传播研究”区分开来。前者是把AI作为研究工具，例如使用GPT判断新闻框架、识别评论情绪；后者则是把AI作为研究对象，例如考察AI标签是否影响内容可信度，或者分析公众如何看待AI生成新闻。二者可以结合，但不能混为一谈。

AI辅助研究也不等于让AI独立完成研究。它更接近一种“理论驱动的人机协作”：研究者负责提出问题、界定概念和判断结论，AI负责扩展数据处理和模式识别能力。2026年发表于《Computational Communication Research》的专题导论也指出，生成式AI一方面扩展了内容标注、多模态分析、刺激材料生成和模拟研究的方法空间，另一方面也带来了效度、可靠性、偏差、隐私与可重复性问题。^[2]

AI可以进入计算传播研究的多个环节。在研究前期，AI能够辅助检索和整理文献、比较概念定义、生成初步关键词，并协助研究者检查代码或设计编码框架。在数据阶段，AI可以清理非结构化文本，提取人物、事件、地点和关系。在分析阶段，它可以进行内容分类、主题发现、情感分析和多模态识别。在实验阶段，它还可以生成实验材料、构建对话式情境或模拟不同的信息传播过程。

较为规范的流程通常是：

研究问题与理论框架→人工制定编码表→人工标注验证样本→AI辅助分析→效度与稳健性检验→统计分析与理论解释。

1. 零样本或少样本内容编码

这是当前最常见的应用。研究者在提示词中提供概念定义、编码标准和少量示例，再让大语言模型判断文本属于何种情绪、立场、主题、框架或叙事类型。Gilardi、Alizadeh和Kubli使用2382条推文比较ChatGPT、众包人员和人工编码者的表现，发现ChatGPT在相关性、立场、主题和框架识别等多项任务中表现出较高效率。^[3] 但Ziems等在13种模型和25项计算社会科学任务上的评估显示，大语言模型并不能稳定超过针对特定任务训练的模型，其表现取决于任务性质、提示词和数据语境。^[4]

因此，大语言模型更适合被视为“辅助编码者”，而不是天然正确的自动编码机器。

2. 情感、立场与心理构念识别

传统情感分析主要依赖情感词典或监督学习，但词典难以处理否定、反讽和语境差异，监督学习则需要大量标注数据。大语言模型能够结合上下文识别愤怒、悲伤、道德评价、攻击性和政治立场等较为复杂的内容。Rathje等在12种语言、近4.8万条人工标注文本上发现，GPT在识别情感、冒犯性和道德基础等心理构念方面明显优于传统英文词典方法，并在部分任务上接近经过专门训练的机器学习模型。^[5] 这使LLM有可能被用于跨语言、跨文化的传播内容分析，但小语种和特定文化语境中的准确性仍需单独验证。

3. 主题发现与归纳式分析

LDA、结构主题模型和BERTopic等方法通常通过词语共现或文本向量识别主题，但输出结果往往只是一组高频词，仍需研究者为主题命名。LLM可以直接阅读文本，生成包含主题名称、定义和代表性内容的结构化结果。Pham等提出的TopicGPT便使用大语言模型从文本集合中归纳潜在主题，并允许研究者通过提示词控制主题的粒度和形式。^[6] 在传播研究中，这类方法可以用于探索新闻议题、公众讨论主题和评论区叙事。

不过，AI生成的主题可能过于笼统，也可能将偶然出现的表达解释为稳定主题。因此，主题发现适合用于探索性分析，后续仍需结合代表性文本阅读、人工编码和其他主题模型进行验证。

4. 信息提取与结构化转换

大量传播材料以非结构化形式存在，例如新闻报道、政策文件、访谈记录和社交媒体评论。LLM可以从中提取人物、机构、事件、地点、时间、因果关系和引用来源，并将其转换为可统计的数据表。

这一方法还可以服务于网络分析。例如，研究者可以先利用LLM提取文本中的行动者及其关系，再构建议题网络、叙事网络或语义网络。AI在这里主要负责将文本转化为节点和关系，真正的网络结构分析仍需使用Gephi、R或Python等工具完成。

5. LLM与传统机器学习相结合

大语言模型并不一定直接分析全部数据。另一种路径是先让LLM生成或扩充训练数据，再用BERT、逻辑回归或其他监督学习模型完成大规模分类。Halterman提出利用LLM生成合成文本，以补充人工标注不足或类别稀少的问题，再训练成本更低、运行更稳定的小型分类器。^[7] 这种“LLM生成训练数据＋传统模型分类”的方式，在数据量较大、重复运行要求较高的研究中尤其有价值。

6. 多模态传播分析

短视频和社交媒体内容往往同时包含文字、图像、声音与动作。多模态模型可以识别画面中的人物、物体、场景、表情和视觉框架，再与字幕、标题和评论结合分析。Kim和Chen以抗议活动图像为例，结合GPT-4o、OpenCV、人工编码和逻辑回归，构建了一个理论驱动的视觉框架识别流程。研究并未让AI直接决定图像属于何种框架，而是先提取警察在场、冲突行为、团结行动和色彩对比等可观察特征，再据此预测更高层次的传播框架。^[8]

7. 实验材料生成与智能代理模拟

生成式AI还可以辅助制作不同框架、语气、情绪和拟人化程度的实验材料，并构建可以与参与者实时互动的聊天机器人。研究者也可以设置不同身份和规则的AI代理，用于探索信息扩散、群体互动和意见形成机制。Bail认为，生成式AI可能改善在线实验、自动内容分析和代理模型等社会科学方法。[9] 但AI代理只能用于理论探索、预实验或机制模拟，不能轻易替代真实受众。Bisbee等发现，LLM生成的“合成公众”虽然在平均态度上可能接近真实调查，但其回答变异较小，而且会随提示词和模型时间变化，因而不适合直接替代真实调查样本进行统计推断。^[10]

第一，提高研究规模与效率。AI可以在较短时间内处理大量新闻、评论、图像和视频，减少重复性人工编码。

第二，提升语境识别能力。与单纯依赖关键词的方法相比，LLM更有可能识别否定、隐喻、叙事与复合情绪。

第三，连接定性深度与定量广度。研究者可以先通过细读发现概念，再让AI检验这些概念是否广泛存在，形成“人工解释—机器扩展—再次解释”的循环。

第四，支持跨语言和多模态研究。同一研究可以同时处理多种语言、图片、字幕和视频内容，从而更接近真实的平台传播环境。

第五，降低部分技术门槛。研究者可以通过自然语言描述任务，快速尝试自动编码和信息提取。但这只是降低了操作门槛，并不意味着可以省略理论、统计与编程训练。