新的媒介技术往往产生新的信息传播行为，从而为理论的创新开拓新的疆域。以社交媒体、微博等Web2.0技术为核心的社会化媒体，近年来受到了学界与业界的广泛关注。Kietzmann等人总结了社会化媒体所具有的7个根本性特点 ^{[ 1 ]} ：第一，对自我身份的界定：用户可以通过社会化媒体中的某些功能(例如，姓名、年龄、性别、专业等)来对自己的身份进行界定。第二，对话性：社会化媒体有助于增强用户之间、群体之间的沟通。第三，便于分享：信息的分享成本被大大降低。因此，与传统的信息传播模式不同，社会化媒体中的信息传播从“广播式(broadcasting)”变为了“扩散式(diffusion)”。第四，再现功能的增强：与以往的互动性媒体不同，用户能够感知其他用户的实体性存在。例如，社会化媒体中的“隐藏/公开”功能、“签到”功能将用户的线上网络位置与线下地理位置联系起来。第五，关系构建：用户之间能够构建某种关系(例如，“好友”关系、“关注”关系、“粉丝”关系等)。在社会化媒体中，每个用户是信息传播的节点，信息通过用户之间的关系(例如，好友关系、关注关系、社团关系等)在社会化媒体中传播。第六，获得声誉：用户能够通过某种方式获得其在社会化媒体中的知名度。在社会化媒体中，声誉可以指用户间的相互信任、也可以指通过他人的投票等方式来获得(例如，Digg中的“顶”)的支持。此外，声誉还可以指用户所发布的信息的可信性和质量(例如YouTube中来自他人的评分)。第七，群体构建：用户在社会化媒体中有被归属为某一社群的可能性。

社会化媒体的出现为信息传播实践带来了巨大的机遇与挑战。一方面，在社会化媒体中，每个个体既是信息的接受者，同时也是发布者和传播者。其有可能使得信息传播出现“民主化”的趋势，即信息传播的控制权从以往的大众媒介转变为每个平台中的个体 ^{[ 1 ]} 。此外，由于社会化媒体的实时性、跨地域性等特征，用户的平台接入限制被降低。因此，用户在信息处理中不受到来自外界条件的限制。而另一方面，社会化媒体的一些新的特征也给用户的信息接受带来很大的挑战，例如，信息的过量。用户不可能浏览社会化媒体平台上的所有信息，因此有可能大部分的信息没有被有效传播。

基于社会化媒体的信息传播实践的变革，是否促使信息传播相关的研究领域进行了理论创新并开辟了新的经验性研究领域？本文首先回顾了社会科学中对社会化媒体及其雏形——互动性媒体的理论研究，并总结了新的媒介技术对信息传播理论的发展的影响，初步总结了社会科学对于社会化媒体的研究进路，从而探讨社会化媒体为信息传播理论与经验研究带来的变革。

一、 对媒体“互动性”的考察

在传播学领域，早在上个世纪60年代就有学者就媒介的人际沟通和信息传播特性进行了探讨。例如，“社会再现理论(Social Presence Theory)”与“媒介丰富性理论(Media Richness Theory)”都在讨论媒介非语言信号的缺失如何影响人际传播效果(例如传播任务的完成、信息接收的公平性等)。Short等人认为，媒介对用户的社会再现程度影响了人们对人际讨论的感知及互动方式 ^{[ 2 ]} 。这两个理论认为，与电视、面对面沟通相比，计算机辅助交流技术被认为是社会再现程度和媒介丰富性最低的媒体。计算机辅助的交流与传统的面对面交流存在本质差异。计算机辅助的交流缺少非语言的信号和信息传递的物理环境 ^{[ 3 ]} ，因而影响了人们对于传播情境和其他参与者的感知，并阻碍了人们对于信息的解读——人们不可以通过他人语言之外的信息(例如，眼神、面部表情、身体姿态、手势等)来对信息进行解读。

根据信息传播任务的不同，人们可以选择不同丰富程度的媒介。当信息非常简单或者非常明确，采纳简洁的媒介是最有效率的。但是当信息复杂、模糊或者具有情感性(emotional)因素时，人们就需要借助更为丰富的媒介，从而使得信息传播者能够即时地获得反馈，保证信息传播更为有效地进行。

Walther在1992年提出了社会信息处理理论(Social Information Processing Theory)，旨在探讨通过计算机辅助沟通媒介构建人际关系的可能性 ^{[ 4 ]} 。Walther认为，实现计算机辅助的人际关系构建需要以下几个前提条件：第一，关系型驱动因素：人们以信息传播的方式试图与他人进行沟通，从而构建人际关系；第二，印象的形成：通过对基于文本的信息进行解码，能够形成对于他者的印象；第三，关系性信息的传递：关系性信息通过非语言(nonverbal)、语言(verbal)、语词(linguistic)和文本(textual)方式进行传递，文本的语法、停顿、表达等因素能够模仿或再现面对面交流的个人风格；第四，在计算机辅助的人际沟通中，信息的传递比面对面沟通需要更长的时间。

Walther的理论提出于前互联网时代，当时只有电子邮件和计算机文字会议系统。在今天看来，Walther的上述论述看起来似乎是不证自明的。一方面，新的技术一定加强了非语言信号的作用(例如，视频会议、视频通话)，另一方面，互联网一代已经习惯了互联网辅助交流的方式。因此与面对面交流等方式相比，社会化媒体在构建社会关系上已经基本不存在缺陷。但不容忽视的是，Walther在1992年提出社会信息处理理论时回答了一个关键的问题：计算机辅助的沟通环境能否构建社会关系。其提出社会信息处理理论时，挑战了既往学者们对互动性媒体构建社会关系的可能性的悲观论调。Walther的理论提出后，引起了社会心理学等领域的广泛兴趣。大量研究随之涌现出来，探讨这种新环境下的人际传播。

二、 基于社会化媒体的信息传播行为的近期研究

上文回顾了学界在前互联网时代对计算机辅助的人际沟通媒介技术的信息传播的理论论述。从时间维度而言，社会化媒体研究大致可以分为3个阶段(见 图 1 )：前互联网时代(20世纪60年代至1993年)、互联网Web1.0时代(1994—2006年)以及互动媒体Web2.0时代(2007年—至今)。如前文所述，前互联网时代更注重于探讨基于计算机辅助沟通的人际互动的可能性；而互联网Web 1.0时代则是一个所谓“过渡时代”，即该阶段研究更关注的是用户对不具互动性的互联网技术的采纳以及信息传播效果 ^{[ 5 ]} ；而2007年至今，随着Web2.0技术的发展，“社会化媒体”概念被正式提出，该阶段除了对于上一个阶段涉及的主要理论的探讨，还融入了信息可信度等信息传播理论的新发展。下文主要针对第三阶段，初步回顾社会化媒体关于信息传播的近期研究。

为初步展示社会科学，特别是传播学领域对于社会化媒体的研究图景，本研究采用了“自下而上”的方法，即在没有任何预设干预的前提下，运用文献计量学方法，通过提取论文信息数据，定量地描述社会化媒体研究的基本情况。具体而言，本文选取了SSCI 数据库(Web of Science)中以“社会化媒体”作为关键词或主题词的研究论文进行初步定量分析，以期从宏观上把握该领域的近期研究现状 ^① 。

① 搜索条件为：Topic=("social media") OR Title=("social media") Categories=( COMMUNICATION OR INFORMATION SCIENCE LIBRARY SCIENCE OR BUSINESS OR MANAGEMENT OR COMPUTER SCIENCE INFORMATION SYSTEMS OR EDUCATION EDUCATIONAL RESEARCH OR SOCIOLOGY OR PUBLIC ENVIRONMENTAL OCCUPATIONAL HEALTH OR PSYCHOLOGY MULTIDISCIPLINARY OR HEALTH CARE SCIENCES SERVICES OR SOCIAL SCIENCES INTERDISCIPLINARY OR PSYCHOLOGY EXPERIMENTAL OR COMPUTER SCIENCE INTERDISCIPLINARY APPLICATIONS OR POLITICAL SCIENCE ) AND Document Types=( ARTICLE ) Timespan=All years. Databases=SSCI.

通过对SSCI数据库的检索，得到符合条件的论文共1063篇文章，分布于331个SSCI期刊。在传播学领域，共有355篇文章，分布于55个期刊。其中，自“社会化媒体”出现以来，传播学领域每年的文章发表数量如 图 2 所示。第一篇以“社会化媒体”为题目或主题词的文章发表于2007年，随后每年该领域发表文章数大幅上升，2008年发表文章8篇，2012年发表文章120篇。

图 3 分别统计了传播学领域平均引用数最高的期刊(前10名)、该领域发表文章数最多的期刊(前10名)。在传播学领域中，平均引用次数最高的期刊为Journalism、JCMC以及JOC ^② 。文章发表数量最多的期刊为PRR、ICS和NWS。

② JCMC表示Journal of Computer-Mediated Communication; JOC表示Journal of Communication; IJA表示International Journal of Advertising; JHC表示Journal of Health Communication; PRR 表示 Public Relations Review; CR表示Communication Research; IJPP 表示International Journal of Press-Politics; JPRR 表示Journal of Public Relations Research; NWS表示 New Media & Society;ICS表示Information Communication & Society; IJC表示International Journal of Communication,MIA表示Media International Australia; JAR表示Journal of Advertising Reseasrch; JBEE表示Journal of Broadcasting & Electronic Media; TC表示Technical Communication。

基于此，本文进而对每篇文章的关键词进行了词频分析。

图 4 展示了自“社会化媒体”研究伊始，传播学领域所涉及到的研究主题、研究方法以及技术平台。公共关系(Public Sphere)、社会运动(Social Movements)、政治参与(Political Participation、Civic Engagement)、互联网采纳(Internet Use)、用户自创内容(User-Generated-Content)、口碑传播(Word-of-Mouth)、信息可信度(Credibility)、数码沟(Digital Divide)等是社会化媒体关注较多的研究主题，此外研究还涉及了主要的社会化媒体技术平台，例如Facebook、Twitter、Web 2.0、万维网(World Wide Web)、博客(Blogs)、社会网络(Social Networks)、微博(Microblogging)。

“内容分析(Content Analysis)是唯一一个被提及较多的研究方法。这说明，在对社会化媒体的研究中内容分析是被强调的研究方法。 图 4 中并没有如预期般出现“数据挖掘”(Data Mining)、“语义分析”(Semantic Analysis)或“机器学习”(Machine Learning)等在计算机等领域运用较广的用于社会化媒体的研究方法。此外，还值得注意的是，在关键词词云中，理论名称并不多见，而是只出现了公共领域(Public Sphere)、扩散(Diffusion)、满足(Gratification)三个经典理论。这初步说明，在对社会化媒体的研究中，主要的理论框架还是经典的社会科学理论，而缺乏理论创新。这与笔者之前参与的一项对近10年社会科学对“互联网”的综述研究的发现十分接近 ^{[ 5 ]} 。

为进一步对上述论断做一验证，本研究进而对社会科学领域中被引用次数最高的文章进行综述。 图 5 显示了社会科学中所有文章的引用数分布图。可以看出，在社会科学中，该领域的文章被引用数分布极不平均。有500多篇文章的引用数为0。而有极少数文章的引用数多于10次。引用数最多的文章为72次 ^① 。

① 这篇引用数最多的文章即本文参考文献中所列第 ^{[ 6 ]} 条文献。

对该领域高引用率的文章进行分析发现，被引用次数较高的文章多为营销、公共健康等子领域应用性文章，例如在线营销、公共健康等问题在新的媒介平台上的应用前景与挑战。Kaplan对社会化媒体进行了界定，并根据社会再现、媒介丰富性程度以及用户的自我揭露程度对社会化媒体的技术平台做出分类；在此基础上，阐述了社会化媒体平台给商业应用带来的机遇与挑战 ^{[ 6 ]} 。Xiang等人的研究也强调了社会化媒体在在线旅游的作用，并认为该平台已经成为旅游行业的重要信息提供渠道 ^{[ 7 ]} 。Kozinets等人的研究提出了在社会化媒体中的“4E”营销策略，即评论(Evaluation)、融入(Embracing)、支持(Endorsement)以及解释(Explanation) ^{[ 8 ]} 。Mangold认为，社会化媒体对于在线营销活动具有两面性 ^{[ 9 ]} 。一方面，商家能够直接与消费者沟通；而同时消费者之间也能够直接交流，从而使得商家丧失对信息的时间、内容以及信息出现频率的控制权。因此，管理者需要引导消费者传递与组织使命目标相一致的信息。Wang等人提出了基于标签的图像搜索的算法 ^{[ 10 ]} 。值得注意的是，在引用数超过30的文章中，对于新的媒介平台为信息传播理论带来的变革以及理论创新鲜有提及。只有一篇文章探讨了媒介采纳与人格特点关系这一基本理论问题 ^{[ 11 ]} 。研究发现，外向型性格的人更容易采纳社会化媒体；而情绪稳定性(Emotional Stability)对社会化媒体的采纳具有负面影响。

三、 社会化媒体对信息传播研究产生的变革

社会化媒体对于信息传播产生的影响体现在微观、中观以及宏观三个不同层面。就微观层面——即单一用户个体(intrapersonal)而言，社会化媒体技术作为一种计算机辅助沟通技术，使得用户对于信息的处理不同于其它信息传播媒介。信息不仅仅包含语义内容，还包含信息传递所依赖的技术平台以及信息的发出者。就中观层面——即用户间的人际传播(interpersonal)而言，社会化媒体通过改变信息传播的基础构架——社会关系，来影响信息传播效率。例如，社会网络研究认为，弱联系对于传统的线下信息传播起着至关重要的作用 ^{[ 12 ]} 。因此，人际信息传播的效率取决于个体所构建的弱联系的多少。社会化媒体无疑强化了这种社会关系构架。以微博为例，用户通过简单的“关注”行为，能够轻易构建与他人的弱联系，从而使得信息传播效率大幅提升。再比如，扩散模型认为，信息的传播取决于每个个体转发信息的门槛值(Threshold Value)。由于信息传播所需要付出的成本与代价变小，社会化媒体降低了人际间信息传播的门槛值。扩散模型、病毒传播模型等对此进行了大量的实证研究。而就宏观层面而言，社会化媒体改变了不同参与群体之间的信息传播模式。下文侧重于论述社会化媒体对微观个体信息接受行为以及对宏观信息流动模式的变革。

1. 社会化媒体对个体信息接受行为的变革

社会化媒体的出现进一步改变了人们的信息接受环境。其一，信息发布和接收的成本被大大降低。信息不需要达到以往大众媒介把关人的标准，就可以以几乎无成本的条件发布到社会化媒体平台。其二，在社会化媒体中，信源的实体性一定程度上被削弱了。例如，微博中的一条信息被转发，可能同时存在三个信源：其一，转发者；其二，信息的原始发布者；其三，该信息的原始作者。因此，社会化媒体对于个体信息接受行为的一个重要影响是，信息的可信度成为影响用户是否接受该信息的重要考量标准之一。Sundar ^{[ 13 ]} 从互动媒体平台技术的角度，提出了MAIN模型，来阐述在数字媒体时代用户对信息可信度的评判。

根据对多种数字媒介的考察，Sundar认为，数字媒体技术的技术特点(affordance)会引起人们启发性(heuristic)信息处理方式，从而对信息质量(quality)做出判断，最终影响人们对信息的可信度的判断(credibility)。例如，一个在线互动性的电子商务网站会让人们自然而然地认为，与商家直接对话意味着良好的服务品质。因此，该网站的信息会被用户认为具有更高的可信度。具体而言，Sundar认为，以下四个维度的媒介技术特点对于用户评价该媒体中的信息的可信度具有重要影响：形式(modality)、代理(agency)、互动性(interactivity)以及可导航性(navigability)。形式指信息的呈现方式，例如文本、听觉、视觉等。我们常常调侃的“有图有真相”就印照了不同的信息呈现形式会影响用户对信息可信度的评价。社会化媒体往往允许多种形式的信息同时存在。这或许也解释了与手机短信、电子邮件相比，为何人们往往会轻易相信微博等社会化媒体中的信息，从而使得谣言在微博等社会化媒体中迅速传播。代理指信息的“代理”者，即在信息发布的过程中介入的个体和组织。传统媒体中，信息的代理者是唯一的。例如，《纽约时报》刊登的信息，其信息代理只有纽约时报记者。而社会化媒体有许多重代理，例如上文提到的多重信源。参与信息发布过程的每一个代理人都影响了用户对该信息可信度的判断。互动性即指用户能否与媒介中的内容发生反馈。互动意味着媒体信息能够根据用户的需要“定制化”，使得信息更为个人化。如前文所言，社会化媒体中，每个用户参与了信息的传播，因此用户不再是被动的信息接受者，而变成了参与者。个体对信息传播的参与使得用户更倾向于认为社会化媒体中的信息是可信的。可导航性指信息的结构化呈现。传统的媒体呈现的信息并非遵循结构化呈现方式。例如，电视中的信息呈现方式是按照时间逐条排列。互联网的门户网站则将信息按照类型分别呈现。社会化媒体使得信息的可导航性发生了新的变化。信息被按照用户的在线社会关系来进行呈现。在微博、社交网络等媒体中，用户往往是通过与之存在关系的好友得到信息。结构化的信息呈现方式提升了人们的认知效率，从而提高了人们对媒介的满意度。Sundar认为，这些特点决定了用户对于社会化媒体中信息可信度的评价。

Zhang 等人探讨了微博中信息代理者(Agency)的特点对于信息可信度的影响 ^{[ 14 ]} 。具体而言，该研究用“转发”和“评论”衡量用户是否接受信息。如果用户转发或评论了一条帖子，则认为用户对该信息进行了处理，并形成判断。该研究引入了信息发布者的特征，包括信息发布者的活跃度(即过去已发布的帖子数)、权威性(是否是VIP认证用户)、信息发布者的“自我暴露”(self-disclosure)程度(即信息发布者是否以及多大程度上公布了关于自我的描述)以及其信息发布者的社交媒体使用经验(即该信息发布者从注册到发布当前帖子的时间长度)。研究发现，信息发布者的活跃程度及其权威性与帖子是否被转发或评论有关。

除了对于信息可信度的理论探索，社会化媒体还促进了学界对用户在线认知的经验性研究。例如，Yang等人对用户是否转发一条帖子——这一信息认知的后续行为进行了预测。该研究中引入了几个因素进入模型，包括用户过去的转发行为，发帖行为的频率和周期性，帖子内容的原创性，以及帖子内容与用户兴趣的相关性 ^{[ 15 ]} 。与社会科学对同一问题的研究相比，该模型的准确率较高(84%)，而社会科学一般只能解释现象变化的10—40%。但同时，Yang 的文章对于解释用户的信息认知和转发行为比较浅显。Zhang 等人 ^{[ 14 ]} 引入了系统-启发性模型(Systematic-Heuristic Model of Information Processing)，探讨在社会化媒体中用户是如何处理信息并形成判断的 ^{[ 15 ]} 。研究发现，信息的话题是预测该信息是否被转发和评论的重要因素之一。笑话类的帖子被转发的最多，而用户间互动的帖子(例如，该帖子中明确指明了信息的接受者，即“@”某人)被评论的最多。与此类似，Romero 等人对Twitter的帖子内容按照话题进行划分。该研究发现，不同的话题(例如，体育、名人、技术、音乐、政治、电影、游戏等)被转发的模式不同 ^{[ 16 ]} 。

2. 社会化媒体对社会信息流动模式的变革

社会化媒体对于用户信息传播的微观影响，是信息的可信度成为信息认知以及后续行为的重要参考变量。而对于社会宏观层面的信息传播而言，社会化媒体的重要影响在于转变了宏观的信息流。根据社会心理学的平衡理论 ^{[ 17 ]} ，Westley和McClean于1957年提出了一个旨在描述大众传播信息流动的系统性模式 ^{[ 18 ]} (如 图 6 所示)。在该图中，A表示信源，其往往充当一个“鼓吹者(advocate)”角色，例如政治家、广告客户或者新闻来源；X ₁ ……X _n 表示信息，如社会环境中的任何事件、议题；C表示大众媒介(例如广播、电视等)或媒介组织中的个人，其负责从众多信息中进行信息选择，并传递给受众；C同时也从A处获得信息，并将这些信息传播给社会公众——在图中用B表示。此外，图中还有一些反向流动的、用虚线表示的箭头。这些反向箭头表示信息的反馈，即社会大众B获知信息后给信源A的反馈。例如，如果信源是正在参加竞选的政客，则这种反馈可以是社会公众给竞选者的投票；如果信源是广告厂商，社会公众的反馈则是购买该广告厂商的某种商品。另一种反馈是由受众反馈给大众媒介，例如受众收视行为、受众与大众媒介的信息互动等。最后一种反馈是大众媒介对信源，例如鼓励或者抵制信源的信息传播行为。

社会化媒体一定程度上变革了一个社会内以大众媒介为主导的信息流的传递。因此，上述信息传播模式一定程度上不再适用。祝建华 ^{[ 19 ]} 以博客为社会化媒体的代表，对Westley-McClean模式进行了修正，如 图 7 所示。X1……Xn表示信息；A表示信源：社会化媒体时代出现了3种信源：A1指传统意义上的信源；A2指组织的信源(例如官方微博、官方博客)；A3指个人信源(例如微博用户)；而信息的传播者从大众媒介(C1)扩充到搜索引擎(C2)。社会公众能够从信源和媒介/搜索引擎得到信息。在这个修正的传播模式中，大众媒介对于信息传播的作用被大大削弱。此外，社会公众对于大众媒介、搜索引擎、信源、组织信源和个人信源皆存在反馈。这也体现出社会化媒体对于受众信息传播反馈的加强。

上文两个信息传播模式都是从社会宏观视角提出的。遗憾的是，社会化媒体所带来的新的信息传播模式目前还只是停留在理论层面，尚没有研究能够经验性地刻画信息流在社会中的真实流动方向。一个可能的原因是尚未有合适的数据能够用于研究跨越多个信息载体的宏观信息流动情况。

四、 基于社会化媒体的应用性研究——社会化媒体信息推荐

上文简要回顾和评述了社会化媒体对于信息传播的理论变革。在信息传播的实践环节，社会化媒体平台的一个重要创新是基于社会关系的信息推荐。互联网搜索引擎出现之前，人们获取信息的方式是目录式(catalog)的。例如，在图书馆中查找书籍时，读者需要先选定所查书籍的类别，再以此选择子类别，从而逐级减小范围，找到所需的书目。搜索引擎的出现使得人们的信息搜索模式发生了大的变革。信息检索不再需要从类目中选择，而只需要输入关键词进行查询。基于搜索引擎技术，计算机学领域曾提出了信息搜索的重要算法，例如HITS(Hyperlink-Induced Topic Search)算法 ^{[ 20 ]} 和PageRank算法。

社会化媒体为信息检索提供了另一种通过社会关系寻找信息的可能性 ^{[ 21 ]} 。Evans等人做了一个非常有趣的实验来检验不同的信息搜索方式的效率。Evans等人对比了两种信息检索方式：一种是通过社会关系寻找信息(例如，社交网络、问答网站、博客以及线下好友等，但是搜索引擎等非社会化方式不被允许使用)；另一种为通过一般的基于互联网信息(例如搜索引擎、Wikipedia)寻找信息。Evans等学者征集了多名参与者进行实验，并将实验过程进行录像来分析结果。研究发现，社会化方式的信息检索更具深度。更有意思的是，社会化方式的信息检索不仅能够提供信息和事实，更能够提供解决问题的方法 ^{[ 22 ]} 。

社会化媒体为用户带来的信息检索方式的变化衍生出了一个重要的应用问题：如何从社会化媒体中选择和推荐信息，从而提高用户的信息获取效率。“社会化搜索”概念由此产生。“社会化搜索”是一个宏大话题，其不仅涉及到具体的算法，更牵涉到社会化搜索这一技术所暗含的商业模式等诸多话题。本文对此不做详细的回顾。

社会化推荐的基本假设是用户对于来自不同信源的信息的接受程度不同。社会关系同质性越高、信息发布者的权威性越高，用户越倾向于接受信息。Agichtein引入了信息内容(例如信息的断句、语义复杂度、语法运用等)、信息发布者与用户之间的互动关系(用户之间的结构连接)以及信息的使用情况(例如，被浏览次数、被表决次数等)作为判定信息质量的主要因素 ^{[ 21 ]} 。Chen等人认为，社会化媒体内容的推荐需要从信源、目标用户对话题的兴趣以及其它用户对该信息的支持度三个维度来考量 ^{[ 23 ]} 。Choudhury等人根据用户特征，从Twitter上亿条用户自创帖子中为用户选择最相关的信息。与传统的信息推荐算法只关注信息内容不同，Choudhury等人提出用户之间的网络结构连接也是决定信息是否推荐给某个用户的重要影响因素。具体而言，该研究将信息的属性(是否是转发或回复、是否具有外部链接、信息的发布时间、信息的话题属性、信源的地理位置、信源的权威性、信源的网络结构特点、信源的活跃程度)作为刻画信息的维度。通过人工判别，该算法对上述维度进行不同的权重赋值。研究者引入“熵”的概念来计算信息在不同维度的差异度 ^{[ 24 ]} 。在对信息推荐结果的评判中，Choudhury也引入了用户对信息相关度的主观判断，而非采用传统的准确率/覆盖率等检验方式。具体而言，Choudhury引入了用户的信息认知行为，包括对信息的反馈，例如是否有趣、是否有信息量，用户的信息接入程度以及用户对信息的长期记忆。从这些研究中能够看出，用户的认知与信息获取行为已经成为评判信息推荐效度的重要标准，受到计算机领域学者的重视。但同时该领域的研究也存在着一定的弊端。例如，不同的文章提出的信息推荐算法所考虑的因素并不一致，且对于纳入哪种因素进入推荐算法，并未经过严格的理论考量。

五、 结 语

本文首先回顾了社会化媒体作为一种新的媒介技术的理论研究进路，进而探讨了社会化媒体对于个体信息传播以及宏观信息传播模式的影响。新的媒介技术不仅仅能够改变人们的信息传播实践，更重要的是，这种新的媒介技术为信息传播研究带来了理论发展的新的契机。本研究从社会科学视角回顾了相关的理论研究，认为信息可信度理论在社会化媒体出现的基础上得到了一定程度的延展。此外，社会化媒体产生了大量基于信息传播的经验性研究。但同时本研究也发现，基于社会化媒体的经验性研究更关注商业领域的应用性研究，而缺乏基础性研究。

对基于社会化媒体的信息传播的研究还体现出了多学科融合的趋势。在社会科学领域，社会化媒体推动了信息可信性的理论发展；而在计算机科学领域，社会化媒体推动了社会化搜索——这一新的研究领域的发展。通过对相关文献的回顾，能够发现，心理学、传播学、信息科学与计算机科学皆在这个领域做出了不同层面、不同方向的努力。

此外，近年来移动互联网、云计算、大数据等技术实现了飞速发展。基于这些新的技术背景，社会化媒体的研究——特别是理论研究，在未来或许会受到深远影响。一方面，数据存储与数据获取技术，使得社会科学领域的社会化媒体研究也不一定再局限于小规模调查数据或内容文本。此外，基于分布式系统构架(例如Hadoop)的数据分析技术，也为大规模的数据分析提供了可能。数据获取与数据分析技术，对于社会化媒体研究的理论会有一定程度的变革。例如，传统的社会科学研究范式是自上而下的演绎法，即用经验性数据验证假设的理论模型。而基于数据挖掘技术的科学研究更强调自下而上的归纳法，即在没有理论预设或只有基本的理论假设的前提下，通过分析数据发现新的行为规律，从而发现、挑战、甚至变革经典的理论体系。从实践层面而言，移动互联网、虚拟现实等技术的方兴未艾，或许会使得用户在社会化媒体中的信息传播行为本身发生变化(例如，“第二人生”等多人在线角色扮演游戏促使人们开始了在虚拟世界中的行为)，这也可能使得信息传播理论发展产生变革。

Information Dissemination on Social Media: The Evolution of Theories and Practices ZHANG Lun Abstract : This study first reviews the theories of information dissemination behavior on interactive media, which is the prototype of social media. On this basis, it combs the approach of information dissemination on social media, discusses the micro and macro effect on information dissemination by social media, and then summarizes the social media information recommendation, which is a new applied research area of information dissemination on social media. It can be seen from the review that social media has brought new opportunities for information dissemination research, including innovation in theoretical and applied research. But it also can be found that empirical studies based on social media pay more attention to the applied research in commercial areas while there is lack of basic theoretical research. Kietzmann, J. H., Hermkens, K ., McCarthy, I. P., & Silvestre, B. S.. Social media? Get serious! Understanding the functional building blocks of social media. Business Horizons, 2011, 54(3): 1-251. Short, J ., Williams, E ., & Christie, B .. The social psychology of telecommunications. John Wiley & Sons Ltd, 1976. Sproull, L ., & Kiesler, S. Reducing social context cues: Electronic mail in organizational communication. Management Science, 1986, 32(11): 92-1512. Walther, J. B., & Burgoon, J. K. Relational communication in computer-Mediated interaction. Human Communication Research, 1992, 19(1): 0-88. Pe ng, T. Q., Zhang, L ., Zhong, Z. J., & Zhu, J. J. H. Mapping the landscape of Internet studies: Text mining of social science journal articles 2000－2009. New Media and Society, 2013, 15(5): 644-664. DOI: 10.1177/1461444812462846. Kaplan, A. M., & Haenlein, M. Users of the world, unite! The challenges and opportunities of Social Media. Business Horizons, 2010, 53(1): 59-68. DOI: 10.1016/j.bushor.2009.09.003. Xiang, Z ., & Gretzel, U. Role of social media in online travel information search. Tourism Management, 2010, 31(2): 179-188. DOI: 10.1016/j.tourman.2009.02.016. Kozinets, R. V., De Valck, K ., Wojnicki, A. C., & Wilner, S. J. Networked narratives: Understanding word-of-mouth marketing in online communities. Journal of Marketing, 2010, 74(2): 71-89. DOI: 10.1509/jmkg.74.2.71. Mangold, W. G., & Faulds, D. J. Social media: The new hybrid element of the promotion mix. Business Horizons, 2009, 52(4): 357-365. DOI: 10.1016/j.bushor.2009.03.002. Wa ng, M ., Ya ng, K ., H ua, X. S., & Zhang, H. J. Towards a relevant and diverse search of social images. Multimedia, IEEE Transactions on, 2010, 12(8): 829-842. DOI: 10.1109/TMM.2010.2055045. Correa, T ., Hinsley, A. W., & De Zuniga, H. G. Who interacts on the Web?: The intersection of users’ personality and social media use. Computers in Human Behavior, 2010, 26(2): 247-253. DOI: 10.1016/j.chb.2009.09.003. Granovetter, M. S. The strength of weak ties. American Journal of Sociology, 1973: 1360-1380. Sundar, S. S. The MAIN model: A heuristic approach to understanding technology effects on credibility. Digital Media, Youth, and Credibility, 2008: 73-100. Zhang, L ., Pe ng, T. Q., Zhang, Y. P., Wa ng, X. H., & Zhu, J. J. H. Content or Context: Which Matters More in Information Processing on Microblogging Sites?. Computers in Human Behavior, 2014, 31: 242-249. DOI: 10.1016/j.chb.2013.10.031. Yang, Z., Guo, J., Cai, K., Tang, J., Li, J., Zhang, L., et al. Understanding retweeting behaviors in social networks. Paper presented at the Proceedings of the 19th ACM international conference on Information and knowledge management, 2010. Romero, D. M., Meeder, B., & Kleinberg, J. Differences in the mechanics of information diffusion across topics: idioms, political hashtags, and complex contagion on twitter. Paper presented at the Proceedings of the 20th international conference on World wide web, 2010. Heider, F. Attitudes and cognitive organization. The Journal of Psychology, 1946, 21(1): 107-112. DOI: 10.1080/00223980.1946.9917275. Westley, B. H., & MacLean, M. S. A conceptual model for communications research. Journalism & Mass Communication Quarterly, 1957, 34(1): 31-38. Zhu, J. J. H. Model of Mass Communication in the Era of Web 2.0, 2008.(Unpulished Work) Kleinberg, J. M. Authoritative sources in a hyperlinked environment. Journal of the ACM, 1999, 46(5): 604-632. DOI: 10.1145/324133.324140. Agichtein, E., Castillo, C., Donato, D., Gionis, A., & Mishne, G. Finding high-quality content in social media. Paper presented at the Proceedings of the international conference on Web search and web data mining, 2008. Evans, B. M., Kairam, S ., & Pirolli, P. Do your friends make you smarter?: An analysis of social strategies in online information seeking. Information Processing & Management, 2010, 46(6): 679-692. Chen, J., Nairn, R., Nelson, L., Bernstein, M., & Chi, E. Short and tweet: experiments on recommending content from information streams. Paper presented at the Proceedings of the SIGCHI Conference on Human Factors in Computing Systems, 2010. De Choudhury, M., Counts, S., & Czerwinski, M. Identifying relevant social media content: leveraging information diversity and user cognition. Paper presented at the Proceedings of the 22nd ACM conference on Hypertext and hypermedia, 2011.