對(duì)青年的計(jì)算文本“遠(yuǎn)讀”
——數(shù)字時(shí)代基于降維的整體認(rèn)識(shí)論

■ 梁玉成 馬昱堃

一、引言

習(xí)近平總書記在慶祝中國(guó)共產(chǎn)黨成立100周大會(huì)上的重要講話中提到，“未來屬于青年，希望寄予青年”，對(duì)青年群體的研究具有舉足輕重的意義。一直以來，青年群體都會(huì)隨著時(shí)代變遷而呈現(xiàn)相應(yīng)的變化，每個(gè)時(shí)代的青年都有著獨(dú)特的歷史烙印。當(dāng)代青年主要是出生于改革開放以來的“80后”“90后”“00后”，經(jīng)濟(jì)的高速增長(zhǎng)、計(jì)劃生育政策的實(shí)施、教育資源的普及、互聯(lián)網(wǎng)的快速發(fā)展以及隨之而來的社會(huì)、市場(chǎng)和制度變遷都對(duì)他們產(chǎn)生重要影響［1］。他們對(duì)新事物的接受能力更強(qiáng)，具有許多新的特點(diǎn)。

互聯(lián)網(wǎng)對(duì)當(dāng)代青年的影響在深度與廣度上都在持續(xù)拓展。從數(shù)量上看，2020年我國(guó)未成年網(wǎng)民數(shù)量達(dá)到1.83億，規(guī)模持續(xù)增長(zhǎng)，并且低齡化趨勢(shì)更加明顯［2］。當(dāng)代青年，尤其是被稱為“互聯(lián)網(wǎng)一代”的“90后”和“00后”群體，其社會(huì)心態(tài)、價(jià)值觀念、文化興趣都受到互聯(lián)網(wǎng)的影響和形塑，程度比其他任何世代都更加深刻。簡(jiǎn)言之，互聯(lián)網(wǎng)已經(jīng)成為青年群體社會(huì)化的主要場(chǎng)域［3］。

與此同時(shí)，數(shù)字時(shí)代互聯(lián)網(wǎng)環(huán)境也發(fā)生著深刻轉(zhuǎn)型，人人都可以成為傳播端點(diǎn)［4］。在社交媒體上，更大的流量能夠帶來更多的收益，為此，人們更傾向于發(fā)布和轉(zhuǎn)發(fā)夸大局部事實(shí)的、能博取更多關(guān)注的信息，其行為受情感的影響遠(yuǎn)大于理性［5-6］，加強(qiáng)了觀點(diǎn)的分化與極化。于是，不同觀點(diǎn)之間越來越難以通約，人們所接觸到的任何事實(shí)不僅不再完整，更是呈現(xiàn)出日益碎片化甚至顆?；奶卣鳌?/p>

在這種情況下，人們逐漸生活在“繭房化”的世界中，對(duì)同類觀點(diǎn)的認(rèn)同包裹著情緒，變得日漸強(qiáng)化，局部“事實(shí)”的放大導(dǎo)致了“整體事實(shí)”的消解?！罢w事實(shí)”體現(xiàn)著社會(huì)過程在整體視野下的動(dòng)態(tài)因果結(jié)構(gòu)與演變過程，而局部“事實(shí)”則只反映著社會(huì)過程中受特定觀念視角濾視后的一個(gè)局部［7］。新的數(shù)字時(shí)代的青年群體在這種互聯(lián)網(wǎng)環(huán)境中，被各種局部“事實(shí)”的認(rèn)知所裹挾，越來越難以從整體視角出發(fā)審視自己所生活的世界。

青年研究方法在范式上需要對(duì)上述現(xiàn)象有所回應(yīng)。以往針對(duì)青年網(wǎng)絡(luò)觀念與行動(dòng)的研究大多基于觀察、訪談與內(nèi)容分析等質(zhì)性方法，從微觀和個(gè)案的角度近距離呈現(xiàn)青年畫像。然而，互聯(lián)網(wǎng)的內(nèi)容生產(chǎn)和傳播速度遠(yuǎn)遠(yuǎn)快于我們觀察它們的速度，近距離的視角無法從整體上反映多元觀念之間的關(guān)系，這需要我們超越微觀視角的局部性，轉(zhuǎn)而從更宏觀的視角遠(yuǎn)距離考察青年群體及他們活動(dòng)場(chǎng)域的時(shí)空演化。

那么，青年研究方法在范式上如何回應(yīng)社會(huì)數(shù)字化轉(zhuǎn)型的時(shí)代要求？本文借用了數(shù)字人文中的“遠(yuǎn)讀”概念，提出計(jì)算文本分析方法范式。“遠(yuǎn)讀”通過文本到信息、信息到知識(shí)的兩重降維過程，將文本內(nèi)在的整體結(jié)構(gòu)以更清晰、更簡(jiǎn)化、更容易理解的方式呈現(xiàn)出來。青年研究借助“遠(yuǎn)讀”，能夠從海量的線上文本數(shù)據(jù)中發(fā)掘潛藏其中的宏觀結(jié)構(gòu)，從而克服視野的局部性，向探求“整體事實(shí)”更進(jìn)一步。

二、“遠(yuǎn)讀”的概念緣起、內(nèi)容與方法

（一）“遠(yuǎn)讀”的概念緣起

在人文研究領(lǐng)域，數(shù)字化轉(zhuǎn)型的一個(gè)后果是越來越多的作品以數(shù)字形式存儲(chǔ)在數(shù)據(jù)庫中［8］，龐大的數(shù)據(jù)量讓它們顯然無法通過人工方式逐一分析。人文研究領(lǐng)域?qū)@一轉(zhuǎn)型的回應(yīng)即是“遠(yuǎn)讀”（Distant Reading）的提出。莫瑞蒂（Franco Moretti）最先介紹了這一概念，與“近讀”（Close Reading）相對(duì)應(yīng)，“遠(yuǎn)讀”指的是“通過聚合和分析大量數(shù)據(jù)來理解文學(xué)，而不是研讀特定的文本”［9］。

與“近讀”通過對(duì)文本的主觀深度理解和細(xì)致解釋來把握其詳細(xì)內(nèi)容不同，“遠(yuǎn)讀”主要關(guān)注大量文本中的宏觀結(jié)構(gòu)，例如使用可視化技術(shù)分析文本中涉及的社會(huì)關(guān)系、地理信息和時(shí)間線等信息，除此之外，還能研究作品之間的承接與相似［10］?；ヂ?lián)網(wǎng)上活躍的每一個(gè)用戶都以寫作者的身份參與著線上社會(huì)互動(dòng)，因而本文將“遠(yuǎn)讀”引申為應(yīng)用計(jì)算文本分析技術(shù)，從宏觀和整體的視角出發(fā)把握大量文本中的潛在結(jié)構(gòu)與關(guān)系。

（二）“遠(yuǎn)讀”的內(nèi)容

“遠(yuǎn)讀”的核心目標(biāo)是把握海量文本的宏觀結(jié)構(gòu)，因而需要借助計(jì)算文本分析方法從文本中提取、整合與分析內(nèi)容。為了便于量化分析，首先需要明確與文本內(nèi)容有關(guān)的信息有哪些?；谝延形墨I(xiàn)［11-14］，結(jié)合社會(huì)科學(xué)對(duì)文本信息的需求層次，本文將需要考慮的文本信息大致分成以下四類。（1）詞義信息。詞義信息體現(xiàn)了文本的內(nèi)容與包含的主題。（2）詞性信息。詞性對(duì)應(yīng)著詞語的類型與功能，既包括詞語的語言學(xué)特征，也包括社會(huì)科學(xué)對(duì)其賦予的理論維度。（3）關(guān)系信息。在詞義和詞性的基礎(chǔ)上，將句子和文檔作為整體，進(jìn)一步分析詞語之間的語義關(guān)系。（4）情境信息。表示產(chǎn)生文本的社會(huì)情境，例如作者身份、文本生成時(shí)間等。文本分析方法即是通過各類算法處理上述信息，將其結(jié)構(gòu)化為計(jì)算機(jī)能夠處理的數(shù)據(jù)，之后以整體性的視角將它們之間的關(guān)系呈現(xiàn)出來，最終實(shí)現(xiàn)對(duì)文本的宏觀分析。

（三）“遠(yuǎn)讀”的方法

為了能夠上升到整體的視角，“遠(yuǎn)讀”需要借助計(jì)算文本分析方法實(shí)現(xiàn)文本信息的結(jié)構(gòu)化表示，將它們放置在向量空間中。近些年來，機(jī)器學(xué)習(xí)算法大幅提升了文本處理的性能，也從本質(zhì)上改變了文本表示的方法。根據(jù)是否通過機(jī)器學(xué)習(xí)算法對(duì)文本信息進(jìn)行壓縮，可以將計(jì)算文本分析方法大致分為顯式表示和隱式表示兩種，前者直接根據(jù)詞項(xiàng)定義特征項(xiàng)①在文本分析中，特征項(xiàng)可以被理解為算法處理的最基本單元，它可以是詞匯，也可以是短語。特征項(xiàng)確定后，還需要對(duì)每個(gè)特征項(xiàng)賦予一定的權(quán)重。它們可以是特征項(xiàng)的頻率，也可以基于頻率的計(jì)算結(jié)果。，是一種直觀的文本表示方法；后者則是通過機(jī)器學(xué)習(xí)算法對(duì)文本信息壓縮后的表示。從方法承接上來看，文本顯式表示通常是隱式表示的基礎(chǔ)。通常，在對(duì)文本進(jìn)行分析之前，還需要先對(duì)文本進(jìn)行預(yù)處理，包括清除停用詞（Stop Words）②停用詞通常指的是出現(xiàn)頻率非常高，但附帶的文本信息非常少的詞匯，包括助詞、介詞、連詞、語氣詞等，比如“的”“了”“the”等。、進(jìn)行特征工程，針對(duì)英文需要詞形規(guī)范化，針對(duì)中文文本需要分詞③詞形規(guī)范化是將單詞的單復(fù)數(shù)、時(shí)態(tài)等不同詞形還原為詞根。因?yàn)橛⑽膯卧~在文本中由空格隔開，所以可以直接將文本分解為詞項(xiàng)。但中文由于沒有詞匯分隔符，需要使用專門的工具分詞。這些概念的原理性表述可以參考文本分析的教材。。

1.機(jī)器學(xué)習(xí)概念簡(jiǎn)述④本文主要介紹計(jì)算文本分析，因而僅對(duì)機(jī)器學(xué)習(xí)進(jìn)行概述，感興趣的讀者可以參考相關(guān)教材，如周志華著的《機(jī)器學(xué)習(xí)》做更多的了解。

機(jī)器學(xué)習(xí)指的是利用一系列算法，從數(shù)據(jù)中挖掘模式關(guān)系，進(jìn)行分類、聚類或預(yù)測(cè)等任務(wù)。根據(jù)訓(xùn)練數(shù)據(jù)是否擁有目標(biāo)特征的信息，機(jī)器學(xué)習(xí)大致可以分為有監(jiān)督學(xué)習(xí)（Supervised Learning）和無監(jiān)督學(xué)習(xí)（Unsupervised Learning）。

（1）有監(jiān)督學(xué)習(xí)：分類、擬合與預(yù)測(cè)

有監(jiān)督學(xué)習(xí)的目標(biāo)是挖掘變量之間的關(guān)系，在自變量與因變量取值已知的情況下，構(gòu)造模型對(duì)二者之間的關(guān)系進(jìn)行擬合。在有監(jiān)督學(xué)習(xí)中，通常需要將樣本數(shù)據(jù)隨機(jī)劃分為訓(xùn)練集和測(cè)試集，在訓(xùn)練集上訓(xùn)練模型，在測(cè)試集上檢驗(yàn)?zāi)Ｐ偷姆夯芰?。常見的算法包括決策樹、支持向量機(jī)和部分神經(jīng)網(wǎng)絡(luò)算法等。有監(jiān)督學(xué)習(xí)主要應(yīng)用于分類、擬合與預(yù)測(cè)等任務(wù)場(chǎng)景。

（2）無監(jiān)督學(xué)習(xí)：聚類與降維

無監(jiān)督學(xué)習(xí)則是針對(duì)單一或多個(gè)變量，對(duì)樣本進(jìn)行潛在關(guān)系的劃分，常見任務(wù)包括聚類與降維。聚類的目標(biāo)是找出數(shù)據(jù)中的潛在子群體，例如k均值算法、高斯混合聚類等。聚類任務(wù)更重視對(duì)樣本空間的劃分，而降維則是找出數(shù)據(jù)中大量特征之間的潛在關(guān)系，從而讓數(shù)據(jù)以更清晰、更簡(jiǎn)化、更容易理解的方式呈現(xiàn)出來［15］。

比較基礎(chǔ)的降維算法是主成分分析（Principal Component Analysis，PCA）。它的目標(biāo)是找到若干維度最大化地解釋數(shù)據(jù)方差。PCA能夠?qū)?shù)據(jù)視為一個(gè)整體，發(fā)現(xiàn)其潛在結(jié)構(gòu)，但因?yàn)樗且环N線性變換，不一定能夠把握更復(fù)雜的信息。因此，后來又發(fā)展出了局部線性嵌入（Locally Linear Embedding，LLE）、t分布隨機(jī)近鄰嵌入（t-Distributed Stochastic Neighbor Embedding，t-SNE）等能夠處理非線性結(jié)構(gòu)的降維方法。這兩種方法都是通過將數(shù)據(jù)在高維空間中的局部特征在低維空間中重構(gòu)出來，從而實(shí)現(xiàn)降維的目的。LLE最大化地保持?jǐn)?shù)據(jù)在降維前后局部線性關(guān)系的不變性；t-SNE將樣本之間的距離視作概率分布，目標(biāo)是在低維空間中重建原始樣本之間的概率分布相似性。除此之外，還有自組織映射（Self-organizing Maps）和自編碼器（Autoencoder）等基于神經(jīng)網(wǎng)絡(luò)的降維方法。無監(jiān)督算法通過數(shù)據(jù)驅(qū)動(dòng)，能夠幫助研究者排除自身的先驗(yàn)預(yù)設(shè)，從數(shù)據(jù)當(dāng)中直接發(fā)現(xiàn)潛在的子群體與意義結(jié)構(gòu)。

機(jī)器學(xué)習(xí)技術(shù)既是計(jì)算文本分析算法的環(huán)節(jié)，也被用于對(duì)文本數(shù)據(jù)的分類與聚類：一方面，文本隱式表示需要借助機(jī)器學(xué)習(xí)將文本壓縮為低維向量；另一方面，機(jī)器學(xué)習(xí)可以對(duì)向量化后的文本進(jìn)行分類、聚類與降維任務(wù)。其中，降維與聚類能夠幫助我們擺脫預(yù)斷，直接從數(shù)據(jù)中找出潛在的模式。

2.文本的顯式表示

顯式文本表示較少考慮文本的生成情境?；谠~義信息的常用表示方法包括詞頻統(tǒng)計(jì)和詞頻—倒文檔頻率（Term Frequency-Inverse Document Frequency，TF-IDF）。這些表示方法大多都是將文檔視為一組詞語構(gòu)成的“詞袋”（Bag-of-Words，BOW），不考慮詞序信息，最終將文檔表示為一個(gè)向量，向量的每個(gè)維度都代表一個(gè)詞語在特定文檔中的詞頻信息。

基于詞性信息的方法在詞義的基礎(chǔ)上引入理論維度，既包括詞語的語言學(xué)特征（如名詞、動(dòng)詞、形容詞等），也包括研究者從理論建構(gòu)需求出發(fā)引入的維度（如詞語的情緒特征、情感極性等）。以“語言探索與字詞計(jì)數(shù)”（Linguistic Inquiry and Word Count，LIWC）和WordScore方法為例，前者用來對(duì)文本進(jìn)行情感分析，后者最初用于針對(duì)政策文本的價(jià)值評(píng)價(jià)。

LIWC在心理學(xué)中較為常用，它將詞語區(qū)分為幾個(gè)維度，例如語言學(xué)維度、心理學(xué)維度、認(rèn)知維度，最終輸出文本當(dāng)中不同詞語的百分比［16］。WordScore先對(duì)每篇參考文檔賦予一個(gè)權(quán)重，表示文檔在特定政策領(lǐng)域的定位。之后將文本看作詞袋，通過詞頻計(jì)算詞語對(duì)該權(quán)值的相對(duì)貢獻(xiàn)，得到每個(gè)詞語的詞權(quán)值。利用得到的詞權(quán)值計(jì)算目標(biāo)文檔的政策傾向［17］。在LIWC方法中，詞語被事先分配了類型和情感信息，而在WordScore中，詞語的理論意義是在分析過程中計(jì)算得來的。

對(duì)關(guān)系信息的挖掘中，較為簡(jiǎn)單的方法是通過詞語的共現(xiàn)（Co-occurrence）程度繪制語義網(wǎng)，這是一種基于詞頻的呈現(xiàn)方法。“n元語法”（N-gram）模型能夠在一定程度上捕捉近距離的詞序信息。它假定每一個(gè)詞的出現(xiàn)概率都由前n-1個(gè)詞決定，用一個(gè)長(zhǎng)度為n的窗口，從句首到句尾逐詞移動(dòng)，將句子切分為一系列詞語序列，把這些詞語序列看做短語，當(dāng)n=1時(shí)即為詞項(xiàng)構(gòu)成的序列。除此之外還有基于語言學(xué)的句法分析，可以進(jìn)一步分為短語結(jié)構(gòu)分析（Constituent Parsing）和依存關(guān)系分析（Dependency Parsing）。前者首先根據(jù)句子中的詞性特征，將句子切分成一組短語，后者的目標(biāo)是自動(dòng)分析出詞匯之間的語義依存關(guān)系，這兩者可以相互轉(zhuǎn)換［13］。以句法分析為基礎(chǔ)開發(fā)出了命名實(shí)體識(shí)別（Named Entity Recognition）和關(guān)系抽?。≧elationship Extraction）技術(shù)，這是構(gòu)造知識(shí)圖譜的基礎(chǔ)。命名實(shí)體即事物的名稱，包括人物、組織、地名等，它們通常是知識(shí)圖譜的節(jié)點(diǎn)，而它們之間的關(guān)系通常通過謂詞界定。

3.文本的降維隱式表示

顯式文本表示方法面臨著數(shù)據(jù)稀疏、性能受限的制約，并且較少考慮到文本的產(chǎn)生情境，所以只能處理一些較為基礎(chǔ)的任務(wù)。隱式表示方法以它們?yōu)榛A(chǔ)，結(jié)合機(jī)器學(xué)習(xí)，進(jìn)一步延伸了對(duì)文本信息的挖掘深度，并能夠吸收文本中的語義關(guān)系信息，部分方法還能與社會(huì)情境相結(jié)合。文本隱式表示借助降維，能夠涵蓋和整合更多的語義關(guān)系信息①這種表示方法是文本分布式表示的一類。分布式表示假定上下文相似的詞語，意義也相似。。通?？梢苑譃閮深悾何谋靖拍畋硎竞臀谋旧疃缺硎?。前者主要以各類主題模型為代表，后者則是神經(jīng)網(wǎng)絡(luò)方法在文本分析中的應(yīng)用［13］。

主題模型（Topic Model）克服了顯式文本表示難以捕捉一詞多義的局限。將文檔視為“詞袋”是一種直接衡量“文檔—詞項(xiàng)”關(guān)系的方法，主題模型在二者之間引入主題作為中介，刻畫“文檔—主題—詞項(xiàng)”關(guān)系。這一關(guān)系假定文檔中的詞語按以下過程逐個(gè)產(chǎn)生：先以一定的主題概率分布選取主題，再以這一主題中的詞語概率分布選擇特定詞。雖然主題模型不考慮詞序信息，但會(huì)基于詞語的共現(xiàn)關(guān)系將其分配到特定的主題中。

早期的主題模型是潛在語義分析（Latent Semantic Analysis，LSA），LSA將文檔表示為一組由詞語構(gòu)成的隱式概念（即主題）。先通過基于詞頻統(tǒng)計(jì)的方法將若干文檔表示成“詞項(xiàng)—文檔”矩陣，再通過奇異值分解（Singular Value Decomposition，SVD），將“詞項(xiàng)—文檔”矩陣分解為“詞項(xiàng)—主題”矩陣和“主題—文檔”矩陣，因而，LSA可以被看作是一種通過降維表示文本的技術(shù)。

由于LSA受限于奇異值分解的計(jì)算復(fù)雜度，后來的學(xué)者將概率統(tǒng)計(jì)思想引入主題模型，將“詞項(xiàng)—主題”和“主題—文檔”之間的關(guān)系用概率分布刻畫，利用最大似然估計(jì)，開發(fā)出概率潛在語義分析（Probabilistic Latent Semantic Analysis，PLSA）方法。而現(xiàn)在經(jīng)常使用的潛在狄利克雷分配（Latent Dirichlet allocation，LDA）則是在PLSA的基礎(chǔ)上更換概率分布函數(shù)并用貝葉斯估計(jì)取代最大似然估計(jì)發(fā)展而來的［13］。

LDA是一種無監(jiān)督降維技術(shù)，后來又發(fā)展出了一些有監(jiān)督學(xué)習(xí)方法，如有監(jiān)督LDA［18］和有標(biāo)記LDA［19］。除此之外，還有能夠?qū)⑽谋厩榫臣{入分析的結(jié)構(gòu)主題模型（Structural Topic Model）［20］，它最初用來分析問卷中的開放式回答，能夠?qū)⒆髡咝畔?、文本發(fā)布時(shí)間等情境信息的先驗(yàn)分布納入“文檔—主題—詞項(xiàng)”關(guān)系進(jìn)行計(jì)算。

文本嵌入引入了人工神經(jīng)網(wǎng)絡(luò)算法，是一種隱式的語義關(guān)系表達(dá)。它將大量文本中蘊(yùn)含的語義關(guān)系，通過神經(jīng)網(wǎng)絡(luò)映射在向量空間中，表現(xiàn)為向量之間的幾何關(guān)系。比較基礎(chǔ)的文本嵌入即是詞嵌入（Word Embedding），通常也被稱為詞向量（Word2Vec）。這一模型的原始目的在于建立詞語與其上下文之間的關(guān)系，達(dá)到給定其中一個(gè)來預(yù)測(cè)另一個(gè)的目標(biāo)，詞向量是這一過程的副產(chǎn)品。通過上下文預(yù)測(cè)目標(biāo)詞語的算法為CBOW（Continuous Bag-of-Words），通過詞語預(yù)測(cè)目標(biāo)上下文的算法為Skip-Gram［21］。借助向量運(yùn)算（如向量減法、余弦相似度等），將向量投影至特定的語義維度，就能將詞語的語義關(guān)系抽取出來。在詞向量的基礎(chǔ)上，進(jìn)一步發(fā)展出了句向量、文檔向量以及其他深度神經(jīng)網(wǎng)絡(luò)等方法，限于篇幅本文不再一一介紹①自然語言處理技術(shù)一直以工程應(yīng)用為導(dǎo)向，目前仍然處在快速發(fā)展過程中，新的方法層出不窮。本文所選取的方法已經(jīng)被應(yīng)用于社會(huì)科學(xué)，并取得了一定進(jìn)展。。

以上兩種表示方法雖然路徑不同，但目標(biāo)都是將文本中的信息整合起來：前者將大量文本轉(zhuǎn)化為有限的主題，從而將文檔表示為主題分布，后者將文本壓縮表示為稠密向量。它們也可以被看作是文本到向量的降維手段。一旦將文本向量化，就能進(jìn)一步應(yīng)用前文提及的機(jī)器學(xué)習(xí)算法執(zhí)行分類、聚類與降維的任務(wù)，從而挖掘文本背后的結(jié)構(gòu)。

三、“遠(yuǎn)讀”的路徑

“遠(yuǎn)讀”幫助研究者跳出微觀，從宏觀的視角看待研究對(duì)象，大致可以分為六條路徑，分別是編碼與分類、情感分析、降維分析、主題抽取、分化與極化以及文化測(cè)量，它們分布在對(duì)計(jì)算文本分析方法的工具性應(yīng)用和理論性應(yīng)用的連續(xù)譜上，彼此之間存在串行、并行與交叉，需要結(jié)合研究目標(biāo)綜合考慮不同層次的文本信息，并使用較為適用的文本分析方法。

圖1 “遠(yuǎn)讀”路徑分類

1.編碼與分類

對(duì)文本的分析是質(zhì)性研究中關(guān)鍵的一環(huán)，學(xué)者們認(rèn)為量化文本分析技術(shù)能夠回應(yīng)質(zhì)性研究中代表性與可復(fù)現(xiàn)性不足的問題。因而，部分學(xué)者開始嘗試將傳統(tǒng)的質(zhì)性研究與量化方法相結(jié)合。例如，對(duì)質(zhì)性研究者來說，可以將文本分析技術(shù)作為大量文本數(shù)據(jù)預(yù)處理或初步探查的手段［22］，有助于研究者克服理論預(yù)設(shè)對(duì)資料解讀視角的制約［23］。機(jī)器學(xué)習(xí)發(fā)展使得從文本中提取結(jié)構(gòu)化信息變得更加方便。學(xué)者們大多通過監(jiān)督學(xué)習(xí)方法對(duì)文本進(jìn)行分類。例如，有學(xué)者通過有監(jiān)督機(jī)器學(xué)習(xí)對(duì)領(lǐng)導(dǎo)留言板的文本內(nèi)容進(jìn)行歸類，分析政府回應(yīng)的話語模式類型。他們首先將文本向量化，然后從總體數(shù)據(jù)中隨機(jī)抽取出部分樣本構(gòu)成訓(xùn)練集，對(duì)其進(jìn)行人工編碼，之后根據(jù)機(jī)器學(xué)習(xí)對(duì)其余四萬多條文本進(jìn)行分類［24］。尼爾森（Nelson）等人系統(tǒng)性地測(cè)試了監(jiān)督學(xué)習(xí)算法在文檔編碼過程中的效度，并將之與基于字典的編碼和非監(jiān)督學(xué)習(xí)相比較，結(jié)果表明監(jiān)督學(xué)習(xí)算法在文本分類中表現(xiàn)最好［25］。

2.情感分析

情感分析的目的是對(duì)文本進(jìn)行情感歸類。從分析粒度來看，情感分析可以分為文檔級(jí)、句子級(jí)、詞語級(jí)和屬性級(jí)（Aspect-level）［13］，前三種從字面意思即可理解分析目標(biāo)，而屬性級(jí)情感分析則是從文本中進(jìn)一步抽象出語言表達(dá)的分析維度，呈現(xiàn)文本在各個(gè)分析方面的態(tài)度傾向。從方法取向上，情感分析可以分為機(jī)器學(xué)習(xí)路徑與詞典匹配路徑［26］。機(jī)器學(xué)習(xí)取向的方法將情感分析看作是通常的文本分類任務(wù)；基于詞典的方法則需要預(yù)制情感詞表，按情感傾向?qū)⒃~語分類，或標(biāo)記出詞語的情緒類型。之后通過一系列算法，將文本中的詞語與詞典中進(jìn)行匹配，從而計(jì)算文本的情感傾向。

例如，有學(xué)者使用基于詞典的情感分析方法，針對(duì)研究問題編制了特定的情感詞典，對(duì)四百多個(gè)半結(jié)構(gòu)化的生活滿意度訪談文本進(jìn)行情感檢測(cè)［27］。而在青年研究中應(yīng)用情感分析的例子較多。學(xué)者們通常使用基于詞典的情感分析軟件分析青年對(duì)待社會(huì)現(xiàn)象和具體事件的態(tài)度［28-30］，部分學(xué)者還借助了平臺(tái)公司開發(fā)的人工智能API［31］。

3.降維分析

降維是一種簡(jiǎn)化數(shù)據(jù)的手段。從技術(shù)上看，在機(jī)器學(xué)習(xí)中，訓(xùn)練數(shù)據(jù)的特征數(shù)量非常龐大，需要大量的計(jì)算開銷，如果訓(xùn)練任務(wù)僅僅需要數(shù)據(jù)在一個(gè)低維空間的分布信息，那么對(duì)數(shù)據(jù)降維能夠降低模型訓(xùn)練的成本，優(yōu)化訓(xùn)練效果。從社會(huì)科學(xué)的角度看，降維的一大用途是將若干個(gè)彼此之間相關(guān)性較高的變量用一個(gè)潛變量代替，或是降低回歸模型的多重共線性。PCA仍是當(dāng)前學(xué)術(shù)界主要使用的技術(shù)，但降維方法也產(chǎn)生了許多新的發(fā)展，能夠處理更加復(fù)雜的數(shù)據(jù)結(jié)構(gòu)［15］。

從以上兩個(gè)方面來說，降維在“遠(yuǎn)讀”中具有更加重要的意義。首先，降維思想內(nèi)在地包含于計(jì)算文本分析的方法實(shí)踐中，例如LSA和PCA均使用了奇異值分解，Word2Vec與利用神經(jīng)網(wǎng)絡(luò)的自編碼器降維原理也具有相似性。其次，社交媒體時(shí)代互聯(lián)網(wǎng)上有著大量的文本數(shù)據(jù)，為了從巨量的數(shù)據(jù)中排除隨機(jī)擾動(dòng)和無關(guān)緊要的細(xì)節(jié)，找出主要的結(jié)構(gòu)和潛在的子群體，探求“整體事實(shí)”，就必須用到降維。接下來將要介紹的三條路徑都在不同程度上體現(xiàn)著降維思想。通過降維，文本的內(nèi)在關(guān)系得以直觀地呈現(xiàn)出來［32］。

4.主題抽取

文本分析方法的一個(gè)重要用途就是從文本中抽取主題，從而分析文本的內(nèi)容。傳統(tǒng)分析方法通常通過與詞頻統(tǒng)計(jì)相關(guān)的方法衡量文本主題。例如通過語義網(wǎng)分析《人民日?qǐng)?bào)》“五四”紀(jì)念話語的變遷［33］，以及廣深兩地“雙創(chuàng)”政策的主題［34］。這種方法雖然直觀，但難以捕捉一詞多義，并且分析難度會(huì)隨著文本規(guī)模增長(zhǎng)而變大。以LDA為代表的主題模型可以挖掘出文檔中的潛在主題，成為近些年來社會(huì)科學(xué)中廣泛使用的方法。

例如，有學(xué)者收集了新浪微博中與勞工話題有關(guān)的文本，使用LDA將其區(qū)分成10個(gè)主題，分析了這些話題比例從2012到2014年的變遷趨勢(shì)［35］。與之類似，還有研究根據(jù)關(guān)注度、閱讀量、討論度和與青年日常生活關(guān)系的緊密程度選取了三個(gè)微博話題，通過LDA分別對(duì)這些話題進(jìn)行分析，聚焦當(dāng)代青年較為典型的需求［36］。還有學(xué)者使用LDA分析了農(nóng)村、農(nóng)業(yè)和農(nóng)民相關(guān)的主題在每年政府工作報(bào)告中的比例，借此構(gòu)造了中央政府對(duì)農(nóng)村工作的注意力指數(shù)［37］。LDA在主題抽取中應(yīng)用廣泛，它屬于無監(jiān)督學(xué)習(xí)，需要結(jié)合混亂度（Perplexity）和一致性（Coherence）等指標(biāo)衡量模型質(zhì)量，給出的結(jié)果依然需要結(jié)合理論進(jìn)行解讀。

5.分化與極化

由于能夠?qū)⑽谋居成涞较蛄靠臻g，從而量化它們之間的關(guān)系，因而文本分析的一項(xiàng)重要應(yīng)用就是觀念的分化與極化測(cè)量。文本包含著不同的主題，針對(duì)同一情境下的文本，使用顯式文本表示、主題模型或文本嵌入方法，將文本中的信息轉(zhuǎn)化為向量，就能夠衡量不同文本在內(nèi)容上的差異，從而通過聚類與降維技術(shù)量化分析觀念的分化與極化。

例如，有學(xué)者使用詞頻比對(duì)分析美國(guó)政治極化，他們從國(guó)會(huì)記錄中識(shí)別出表示政治傾向的短語，將它們與谷歌書籍?dāng)?shù)據(jù)庫中的數(shù)據(jù)比對(duì)，發(fā)現(xiàn)極化用語在書籍語料庫中出現(xiàn)頻率的上升趨勢(shì)領(lǐng)先于國(guó)會(huì)演講［38］。近些年機(jī)器學(xué)習(xí)方法也被應(yīng)用于分析分化與極化，例如將美國(guó)議員在推特上發(fā)布的文本表示為“n元語法”，利用隨機(jī)森林算法衡量議員的政治傾向［39］。還有學(xué)者將結(jié)構(gòu)主題模型應(yīng)用于討論氣候變化的文本，分析了接受利益贊助是否會(huì)影響這些文本的態(tài)度［40］。還有學(xué)者使用“全球事件、語調(diào)與語言數(shù)據(jù)庫”（Global Database of Events，Language and Tone，GDELT）收集了西方國(guó)家媒體報(bào)道的文本數(shù)據(jù)，通過將句子向量化，使用無監(jiān)督學(xué)習(xí)降維與聚類，從而分析西方媒體涉華言論的主題分化［41］。

6.文化測(cè)量

近些年，以主題模型和文本嵌入為代表的分析方法，在文化測(cè)量領(lǐng)域取得了重要進(jìn)展。它們通過降維將文本放置在一個(gè)向量空間中，能夠?qū)ξ幕瘓D式（Cultural Schema）和文化框架（Cultural Frames）進(jìn)行測(cè)量。博柏利（Boutyline）和索特（Soter）指出，在認(rèn)知科學(xué)和社會(huì)學(xué)中，基于海量文本數(shù)據(jù)訓(xùn)練得到的詞向量模型可以成功測(cè)量文化圖式［42］，詞向量可以捕捉到文本中蘊(yùn)含的偏見［43］。在向量空間中幾何距離相近的詞向量，其上下文內(nèi)容相似，也共享著近似的含義。詞向量可以將文化意義關(guān)系映射為向量空間中的幾何關(guān)系，例如，“King-Man+Woman”對(duì)應(yīng)的詞向量計(jì)算結(jié)果，與“Queen”距離非常接近［44］。

佳格（Garg）等人使用谷歌新聞和圖書大數(shù)據(jù)訓(xùn)練詞向量，研究了一百年來美國(guó)性別偏見的變遷［45］。他們分別計(jì)算男性/女性身份代詞向量與特定職業(yè)名詞向量之間的距離之差，這一差值隨時(shí)間的變化與關(guān)于職業(yè)參與的人口統(tǒng)計(jì)特征相吻合，也即，不同職業(yè)中的性別比例反映在性別身份代詞與職業(yè)名詞在向量空間中的距離中。除了利用相似度，還有學(xué)者利用向量減法挖掘文化維度。他們利用表示階層、性別、道德等文化維度的反義詞對(duì)，計(jì)算出它們?cè)谙蛄靠臻g中的單位向量，比較了這些維度彼此之間的距離，并將其他詞語（例如職業(yè)名稱）投影到這些維度，代表它們?cè)谖幕S度的定位［46］。

主題模型也被用來測(cè)量文化。它的算法基于文檔中詞語的共現(xiàn)情況將其歸入不同主題。迪馬吉奧（DiMaggio）指出，主題模型應(yīng)用于文化分析有三個(gè)優(yōu)勢(shì)。首先是其結(jié)果的可解釋性。它的結(jié)果在文化社會(huì)學(xué)中常常被看作是文化框架。其次，主題模型能夠借助上下文捕捉一詞多義，同一個(gè)詞語可以穿插出現(xiàn)在不同的主題中。第三，主題模型能夠從單一的文本中捕捉蘊(yùn)藏于其中的不同觀點(diǎn)或表達(dá)風(fēng)格。這些都說明主題模型能夠捕捉到文化概念之間的復(fù)雜關(guān)系［23］。有學(xué)者使用主題模型研究了美國(guó)聯(lián)邦公開市場(chǎng)委員會(huì)（The Federal Open Market Committee，F(xiàn)OMC）為何會(huì)低估2007～2008年間的金融風(fēng)險(xiǎn)。他們使用主題模型分析了FOMC在2000～2008年間的會(huì)議記錄，說明其如何將宏觀經(jīng)濟(jì)學(xué)作為主要框架，將關(guān)于金融市場(chǎng)的異常信息邊緣化和正常化，從而忽視金融風(fēng)險(xiǎn)［47］。

四、“遠(yuǎn)讀”青年的降維認(rèn)識(shí)論

（一）“遠(yuǎn)讀”青年中的降維思想

縱觀“遠(yuǎn)讀”的方法與上文提到的應(yīng)用案例，不難發(fā)現(xiàn)這一范式的核心目的在于，從紛繁復(fù)雜的文本細(xì)節(jié)中抽離出來，跳出局部?jī)?nèi)容，轉(zhuǎn)而上升到一個(gè)整體的結(jié)構(gòu)層面理解大量文本。不論是從最基礎(chǔ)的詞頻統(tǒng)計(jì)，還是到更加復(fù)雜的主題模型與文本嵌入技術(shù)，都是跳出單一文本，轉(zhuǎn)而從整體關(guān)系的視角出發(fā)，將它們放在同一個(gè)向量空間中觀察。

例如，TF-IDF不僅考慮某個(gè)詞語在單個(gè)文本中的重要性，還會(huì)納入它在一組文檔中的相對(duì)重要性，從而間接地體現(xiàn)出文本之間的關(guān)系。主題模型和文本嵌入不僅能提供一種整體性的視野，還進(jìn)一步壓縮了文本信息，用更少的維度表示它們。主題模型將在大量詞語與大量文檔之間引入主題維度組成的隱空間，用少量主題可以刻畫大量的詞語與文檔之間的關(guān)系。文本嵌入則是利用神經(jīng)網(wǎng)絡(luò)算法，將詞語之間的關(guān)系用高維向量表示在一個(gè)向量空間中。

總之，“遠(yuǎn)讀”是一種整體性、關(guān)系性的視角，重要的不是對(duì)某個(gè)局部進(jìn)行細(xì)致的考察，但也不是完全不考慮文本的細(xì)節(jié)，而是將這些細(xì)節(jié)納入到一種局部不可見的宏觀結(jié)構(gòu)中，通過計(jì)算文本分析方法，揭開隱藏在大量文本中的整體結(jié)構(gòu)。因此，主題模型與文本嵌入可以被視為一種文本降維技術(shù)，都是將信息聚合在更小的維度來表示大量信息。從這個(gè)意義上說，這是“遠(yuǎn)讀”中的第一重降維，是文本到信息的降維。

然而，將大量文本映射到向量空間中還不能讓它們之間的關(guān)系直接顯現(xiàn)出來。通過主題模型和文本嵌入方法得到的文本表示結(jié)果通常都大于三個(gè)維度，例如詞嵌入結(jié)果通常都是100維以上的向量，再加上神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程是一個(gè)“黑箱”，我們很難理解每個(gè)維度代表什么信息。這時(shí)需要第二重降維，也就是信息到知識(shí)的降維。

第一重降維重在文本表示，將文本放置到向量空間中，將文本之間的關(guān)系表示為向量相似度或距離的關(guān)系，第二重降維重在知識(shí)提取，目的在于從這層關(guān)系中挖掘關(guān)系、發(fā)現(xiàn)模式、歸納知識(shí)、描述現(xiàn)實(shí)，這需要使用上文提到的降維技術(shù)。經(jīng)過第二重降維，文本的結(jié)構(gòu)能夠以更加簡(jiǎn)明的方式呈現(xiàn)出來。

圖2 兩重降維示意①大多數(shù)實(shí)際情況下，維數(shù)都會(huì)更多，為方便說明，使用3維和2維作為示意。

（二）“遠(yuǎn)讀”青年的認(rèn)識(shí)過程

從互聯(lián)網(wǎng)誕生到現(xiàn)在，人類社會(huì)先后經(jīng)歷了物品數(shù)字化、社會(huì)個(gè)體生活的數(shù)字化乃至人的整體數(shù)字化［48］。人們?cè)谏缃幻襟w上的行為痕跡與表達(dá)內(nèi)容都以數(shù)據(jù)的形式存儲(chǔ)在服務(wù)器中，它們從產(chǎn)生到存儲(chǔ)和管理的整個(gè)過程都離不開算法。

算法對(duì)數(shù)據(jù)具有調(diào)遣和規(guī)范的作用，它將數(shù)據(jù)標(biāo)準(zhǔn)化，以人為設(shè)計(jì)的目的呈現(xiàn)出來。因而，人們?cè)跀?shù)字空間的互動(dòng)與算法對(duì)數(shù)字的干預(yù)過程緊密耦合在一起，算法成為了技術(shù)化的社會(huì)規(guī)則［48］。一旦將內(nèi)容生產(chǎn)出來并轉(zhuǎn)化為數(shù)字，它們就不再受到生產(chǎn)者的控制，轉(zhuǎn)而成為信息流的一部分。在這個(gè)過程中，人們自身的行動(dòng)后果成為了將來行動(dòng)的外在條件，反過來對(duì)行動(dòng)者造成影響，強(qiáng)化了社會(huì)的反身性。

在前社交媒體時(shí)代，完整的社會(huì)事實(shí)分發(fā)過程由專業(yè)化的媒體機(jī)構(gòu)實(shí)現(xiàn)。媒體通過報(bào)紙雜志、廣播電視和門戶網(wǎng)站等媒介，將信息從中心信源經(jīng)由各級(jí)媒體機(jī)構(gòu)垂直向下分發(fā)，最終到達(dá)目標(biāo)受眾，整個(gè)過程呈現(xiàn)“樹狀單中心化”的結(jié)構(gòu)。社交媒體時(shí)代，信息傳播與線上社會(huì)互動(dòng)之間的邊界模糊化了，信息傳播轉(zhuǎn)化為一種社交行為，資訊流動(dòng)與社會(huì)互動(dòng)密切交織在一起。為了獲得更大的關(guān)注量，人們更傾向于發(fā)布和轉(zhuǎn)發(fā)夸大局部“事實(shí)”的、能博取更多關(guān)注的信息，其行為受情感的影響程度遠(yuǎn)大于理性。這個(gè)過程造就了一批意見領(lǐng)袖，從而使得信息傳播呈現(xiàn)“網(wǎng)狀泛中心化”的結(jié)構(gòu)。

專業(yè)化媒體機(jī)構(gòu)不僅能夠決定分發(fā)什么信息，還能在很大程度上保證信息逐級(jí)傳遞的過程中不會(huì)失真。但在社交媒體中，信息內(nèi)容的變異受網(wǎng)絡(luò)結(jié)構(gòu)和信息傳播速度的影響而呈現(xiàn)指數(shù)性特征，任何人在傳播信息時(shí)都能夠以自己的方式施以主觀解釋，從而使原始內(nèi)容發(fā)生多次變異。于是，完整的社會(huì)事實(shí)徹底溶解和消散在社交網(wǎng)絡(luò)中，人們所看到的“事實(shí)”不僅被碎片化了，更是被顆粒化了，從而轉(zhuǎn)化為一種“元事實(shí)”。如果說人們通過碎片還能夠?qū)⑹聦?shí)重建出來，那么顆?；氖聦?shí)則損失了大量原始信息，以至于以通常的方式重構(gòu)它們變得非常困難。針對(duì)這些現(xiàn)象，本文認(rèn)為“遠(yuǎn)讀”青年具有以下三個(gè)方面的意義。

表1 社交媒體興起前后信息傳播形式的比較

1.“遠(yuǎn)讀”有助于把握網(wǎng)絡(luò)青年的觀念內(nèi)容、理解其線上行動(dòng)

不同于線下交談的即時(shí)性，互聯(lián)網(wǎng)社交媒體具有脫域特征［49］。人際交流在大多數(shù)時(shí)間都是異步的，人們彼此之間并不需要即時(shí)回應(yīng)對(duì)方的行動(dòng)。此外，深度嵌入互聯(lián)網(wǎng)使當(dāng)代青年更少受到自己身邊事物的影響，在虛擬空間中形成了獨(dú)特的線上社群，產(chǎn)生了復(fù)雜的觀念與文化，并反作用于線下生活。

互聯(lián)網(wǎng)延長(zhǎng)了人際關(guān)系，也加速了信息流通，每個(gè)人都成為了內(nèi)容的生產(chǎn)者和消費(fèi)者［50］，文本則是內(nèi)容的主要形式。從某種意義來說，這意味著社交媒體上，人人都是寫作者，人際關(guān)系正是通過“寫作”得以建立與維系。有學(xué)者認(rèn)為，互聯(lián)網(wǎng)上的文本不僅是一種表達(dá)或記述，還可以是一種“語言行動(dòng)”；語言甚至可以不再依賴于行動(dòng)者的持續(xù)介入，自身成為了一種行動(dòng)主體［51］。

因此，“遠(yuǎn)讀”所讀不僅是內(nèi)容，還是行動(dòng)背后的意義。社交媒體上的文本不僅代表著人們?cè)诎l(fā)布與閱讀什么內(nèi)容，還反映著人們?nèi)绾涡袆?dòng)，以及支持這些行動(dòng)的觀念體系。通過“遠(yuǎn)讀”，我們能夠更好地從宏觀層面把握網(wǎng)絡(luò)空間中青年的觀念。

2.借助降維技術(shù)，“遠(yuǎn)讀”以整體視角鳥瞰網(wǎng)絡(luò)青年的觀念結(jié)構(gòu)

互聯(lián)網(wǎng)社交媒體讓完整的社會(huì)事實(shí)在網(wǎng)狀泛中心化的結(jié)構(gòu)中消散開來，每個(gè)人只能接觸到顆?；男畔?。這些信息常常以片面和極端的形式呈現(xiàn)，加劇了人群的分隔。由于失去了把握信息顆粒之間關(guān)系的能力，人們得到的信息就算彼此矛盾，也難以辨別，不同觀念混合在一起。因而，僅靠傳統(tǒng)的“近讀”無法還原事實(shí)原貌，我們需要通過“遠(yuǎn)讀”呈現(xiàn)出顆粒之間的關(guān)系，把它們放到一個(gè)更宏觀的整體視野中去檢視它們、比較它們。計(jì)算文本分析方法將文本放置在一個(gè)高維的向量空間中，使得我們能夠通過算法分析它們的群聚關(guān)系，從而通過數(shù)據(jù)驅(qū)動(dòng)找出它們之間的情感關(guān)聯(lián)、主題關(guān)聯(lián)，并通過聚類算法挖掘其背后的潛在群體。

降維技術(shù)能夠從文本數(shù)據(jù)眾多信息中將觀念的潛在關(guān)鍵結(jié)構(gòu)提取出來。例如，PCA能夠合并數(shù)據(jù)中存在潛在相關(guān)性的維度，用更少的維度解釋更多的信息，實(shí)現(xiàn)對(duì)文本數(shù)據(jù)的壓縮，找出數(shù)據(jù)中的主干結(jié)構(gòu)；LLE基于流形學(xué)習(xí)（Manifold Learning）理論將高維數(shù)據(jù)在低維空間中重構(gòu)出來，不改變數(shù)據(jù)空間中樣本之間的局部關(guān)系。降維技術(shù)會(huì)省略一些在整體層面無關(guān)緊要的信息，通過這種方式，我們能夠從錯(cuò)綜復(fù)雜的關(guān)系中去掉不重要的擾動(dòng)成分，讓關(guān)鍵整體框架浮現(xiàn)出來。

3.降維“遠(yuǎn)讀”的認(rèn)識(shí)方法提供重建“整體事實(shí)”、搭建溝通橋梁的可能

在快速變化的線上社交網(wǎng)絡(luò)中，局部“事實(shí)”被放大和極端化，人們?cè)诰植坎粩嘁宰陨淼闹饔^理解重構(gòu)著這些“事實(shí)”，“信息繭房”更加促使人與人之間的觀念變得割裂。青年群體非常容易因?yàn)橹荒芸吹狡娴男畔?，認(rèn)為“眼見為實(shí)”。然而，由于社交媒體中的信息爆炸，他們時(shí)常需要在各種不同的觀點(diǎn)與態(tài)度間搖擺。

“遠(yuǎn)讀”通過將視角拉遠(yuǎn)，以整體性的視角看待各類觀念，將不同觀念投射在更易被理解的低維子空間中，將它們之間的關(guān)系重構(gòu)出來，從宏觀層面審視這些關(guān)系，以重建“整體事實(shí)”。人們之所以會(huì)被不同觀念分隔開來，一定程度上是因?yàn)榕c觀念相似的人交往更加頻繁，群體內(nèi)部具有觀念強(qiáng)化的傾向。“遠(yuǎn)讀”內(nèi)在地將不同觀念放置在同一個(gè)整體空間，呈現(xiàn)出觀念的多元化以及它們之間的距離，并能夠動(dòng)態(tài)呈現(xiàn)觀念分化程度的時(shí)間特征。這有助于人們理解自己在觀念空間中所處的坐標(biāo)，并意識(shí)到自身觀念的局部性，從而為搭建溝通橋梁創(chuàng)造條件。

五、討論與展望

當(dāng)前社會(huì)的數(shù)字化轉(zhuǎn)型深刻改變了青年的社會(huì)化場(chǎng)域，僅靠傳統(tǒng)的青年研究方法難以回應(yīng)這一轉(zhuǎn)型。本文引申了數(shù)字人文中“遠(yuǎn)讀”的概念，認(rèn)為計(jì)算文本分析方法能夠回應(yīng)這一轉(zhuǎn)型，并簡(jiǎn)要介紹了這些方法的種類和應(yīng)用路徑。

借助這些方法，我們能夠以更清晰、更簡(jiǎn)化、更容易理解的方式從整體視角把握青年群體和他們的活動(dòng)場(chǎng)域。方法是回答研究問題的手段，計(jì)算文本分析方法并不是要替代傳統(tǒng)的定性與定量研究，正如在數(shù)字人文中，“遠(yuǎn)讀”與“近讀”也存在結(jié)合可能一樣［10］，這兩種方法互補(bǔ)能夠更好地促進(jìn)我們對(duì)當(dāng)代青年的理解。

這些方法以大規(guī)模文本數(shù)據(jù)作為處理對(duì)象，經(jīng)常需要在互聯(lián)網(wǎng)上收集文本數(shù)據(jù)，雖然這些數(shù)據(jù)的規(guī)模較大，但仍然需要考慮數(shù)據(jù)收集和分析過程的科學(xué)性、嚴(yán)謹(jǐn)性、規(guī)范性和倫理問題。在應(yīng)用方法的過程中，本文認(rèn)為需要注意三個(gè)要點(diǎn)，分別是文本數(shù)據(jù)的代表性、分析方法的適用性以及數(shù)據(jù)收集過程中的倫理問題。

（1）文本數(shù)據(jù)的代表性。大規(guī)模文本數(shù)據(jù)的來源包括網(wǎng)頁爬蟲、大量的深度訪談資料、報(bào)紙雜志文本以及政策文本等。正如在問卷調(diào)查之前需要考慮樣本的代表性，分析文本數(shù)據(jù)時(shí)，也需要考慮到其能否代表研究對(duì)象。

例如，通過互聯(lián)網(wǎng)獲取的文本可能代表不了不經(jīng)常上網(wǎng)的人群；此外，人們往往基于不同的目的使用網(wǎng)站或社交媒體。不同平臺(tái)的互動(dòng)規(guī)則、粘性用戶群體也不同，依靠單一的媒體數(shù)據(jù)，即便是總體數(shù)據(jù)，也不一定代表目標(biāo)群體。有學(xué)者指出，特定的社交媒體甚至?xí)a(chǎn)生“媒介意識(shí)形態(tài)”，進(jìn)一步塑造人們的線上互動(dòng)［52］。同一個(gè)人可能會(huì)把自己的線上身份分散在多個(gè)不同的平臺(tái)上，這導(dǎo)致在觀點(diǎn)挖掘和文化研究中很難合并出一個(gè)總體的研究對(duì)象。最后，社交平臺(tái)也在一定程度上存在著輿論操縱的現(xiàn)象。平臺(tái)并不僅展示用戶活動(dòng)的數(shù)據(jù)，還會(huì)干涉這些數(shù)據(jù)的生產(chǎn)過程，從而導(dǎo)致數(shù)據(jù)偏差［53-54］。

然而，代表性問題取決于研究對(duì)象的界定，如果研究對(duì)象并不是特定的人群，也不需要考慮結(jié)論的泛化，僅僅是為了探究文化發(fā)展規(guī)模與類型，或是進(jìn)行樣本內(nèi)比較，那么代表性問題仍然能夠得到解決。另外，雖然數(shù)據(jù)的生產(chǎn)過程可能發(fā)生變化，但這對(duì)于長(zhǎng)期的數(shù)據(jù)收集來說影響更大［55］，對(duì)短期數(shù)據(jù)的分析仍然具有科學(xué)意義。有學(xué)者在研究中也指出，人為干預(yù)也可能對(duì)研究結(jié)果的影響有限［56］。

（2）分析方法的適用性。文本分析方法都是與特定場(chǎng)景相聯(lián)系的。社會(huì)學(xué)家將這些方法移植到自己的研究領(lǐng)域，可能會(huì)突破這些方法的既有假設(shè)。

例如，弗里格斯坦（Fligstein）等人雖然使用主題模型分析了FOMC的會(huì)議記錄，但也指出主題模型的開發(fā)初衷是為了分析靜態(tài)文本，主題已經(jīng)預(yù)先確定。而會(huì)議記錄則會(huì)在對(duì)話中不斷變化［47］。詞向量模型如果需要捕捉到文化觀念，則對(duì)訓(xùn)練語料庫的規(guī)模有一定要求［42］。此外，在對(duì)文本應(yīng)用降維技術(shù)時(shí)，也需要檢查降維結(jié)果是否能夠抽取出最關(guān)鍵的信息［46］。

因此，在使用特定文本分析方法之前，也需要考慮其最初要解決的問題處在怎樣的特定場(chǎng)景中，并將這些方法上的假設(shè)與當(dāng)前研究進(jìn)行比較，從而選擇適用的方法。本文所介紹的方法只涵蓋了部分方法領(lǐng)域，并且這些方法還處在快速發(fā)展中，需要我們不斷對(duì)前沿方向保持關(guān)注。

（3）數(shù)據(jù)收集中的倫理。雖然以公開數(shù)據(jù)作為研究素材不違反社交平臺(tái)的用戶條款，但是作為數(shù)據(jù)生產(chǎn)者的用戶仍然關(guān)心自己在無意間被當(dāng)成研究對(duì)象，尤其是少數(shù)群體［57-58］。

社交媒體上的文本數(shù)據(jù)通常產(chǎn)生于特定的互聯(lián)網(wǎng)情境，在其中，人們的交流方式與日常生活中存在一定差異。人們?cè)诨ヂ?lián)網(wǎng)上發(fā)表意見、與人交流時(shí)大多是面向特定的社群，而不是面向整個(gè)互聯(lián)網(wǎng)，尤其不是面向互聯(lián)網(wǎng)之外更廣泛的公共空間［57］。由于互聯(lián)網(wǎng)的半開放性和匿名性，人們反而會(huì)與陌生人交流一些更具私密性的內(nèi)容。因此，正如訪談時(shí)需要保護(hù)受訪者的隱私一樣，利用線上文本數(shù)據(jù)同樣需要關(guān)注研究對(duì)象的隱私問題［59］。青年群體對(duì)隱私問題的重視程度更高，也更容易受到隱私泄露的傷害，對(duì)此我們需要更加重視研究過程中涉及到的倫理因素。

本文主要探討了計(jì)算文本分析方法用于互聯(lián)網(wǎng)文本的路徑與對(duì)青年研究的意義，雖然互聯(lián)網(wǎng)上的內(nèi)容形式以文本為主，但近些年來音視頻及圖像的興起也提供了更多的研究素材。音視頻及圖像經(jīng)常與文本相互參照，共同表達(dá)信息與情感。本文將這些文本和與之伴隨、與文本內(nèi)容關(guān)聯(lián)的音頻、圖像和視頻合并稱為“富文本”①“富文本”格式（Rich Text Format，RTF）原本是一個(gè)技術(shù)概念，是一種包含字體、段落等格式信息的文檔格式，本文引申了這一概念。。

在社會(huì)科學(xué)中，以這些數(shù)據(jù)作為素材的研究還不多。雖然文本仍然還是主流的信息載體，但圖像與音視頻通常包含著更多的情感細(xì)節(jié)，尤其是當(dāng)前各類長(zhǎng)、短視頻平臺(tái)的流行，音視頻已經(jīng)成為互聯(lián)網(wǎng)上的主要內(nèi)容載體之一，這些都提供了更多的研究素材。

已經(jīng)有學(xué)者將深度學(xué)習(xí)算法用于識(shí)別社交媒體上發(fā)布的線下集體行動(dòng)事件。他們使用卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）和循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）進(jìn)行文本和圖片的分類任務(wù)，描述了新浪微博2010～2017年集體行動(dòng)事件的數(shù)量趨勢(shì)，并將這些事件分為11種類型［56］。還有學(xué)者將流行歌曲轉(zhuǎn)化為音樂特征向量，通過計(jì)算余弦相似度衡量歌曲之間的關(guān)系。他們發(fā)現(xiàn)，流行歌曲的成功不僅與作品自身屬性（如歌手和流派）有關(guān)，還取決于它與同類型作品之間的關(guān)系，即能夠權(quán)衡好與同類之間相似與相異程度的歌曲更容易獲得成功［60］。這些研究部分地說明社會(huì)科學(xué)已經(jīng)開始關(guān)注“富文本”分析。

本文認(rèn)為，通過“遠(yuǎn)讀”當(dāng)前社交媒體上的豐富內(nèi)容，我們對(duì)“整體事實(shí)”的理解能夠更進(jìn)一步。雖然從理論上說，“整體事實(shí)”處在永恒變化當(dāng)中，由于我們始終身處社會(huì)之內(nèi)，從而永遠(yuǎn)無法透過最整體的視角看待自身以獲得最完整的“整體事實(shí)”。然而，這并不是說我們要放棄對(duì)“整體事實(shí)”的追求，實(shí)際上，這一概念背后所體現(xiàn)的是一種對(duì)待事實(shí)的謙遜態(tài)度，提醒著我們不斷采取各種方法手段向它逼近，而不是將局部的認(rèn)識(shí)當(dāng)成世界的全部。