微博科普中“人工智能”網絡傳播案例研究

張文 王強 杜宇航 張思光

摘要：隨著科技的發展和信息化進程的推進，中國科普工作的方式和內容都在發生巨大的變化，網絡化和社會化科普已經成為新時期科普傳播的必然要求。因此，對新時期科普傳播的現狀進行整體把握和脈絡梳理也就顯得至關重要。通過以“人工智能”在微博中的傳播為例探究微博在傳播科普內容中所起的作用，并使用大數據對所科普的內容進行分析，對比國外網站推特對“人工智能”內容的探討，結果表明，微博在科普傳播中對青年人群起到關鍵作用，國內外對于“人工智能”的討論具有相似性。

關鍵詞：科學傳播;人工智能;科普微博

中圖分類號：G2;N4

文獻標識碼：A

文章編號：1673-5595（2021）05-0098-08

一、引言

截至2019年6月，我國網民規模達8.54億，微博月活用戶達4.86億，[1]微博已成為重要的信息傳播媒介。微博在信息傳播過程中具有即時性、高效性、便捷性、交互性等特點，微博已成為公眾獲取信息、企業進行宣傳的重要渠道。有專家認為，微博已經成為當下最熱門的互聯網服務，彰顯著微博時代的到來。在微博上進行科普成為新時期科普工作的重點。

科普事業是提升全民科學素質的重要領域，互聯網的普及衍生出網絡科普模式，這種模式可以借助社會新聞事件嵌入科普知識，展開科普活動，也可以融合線上線下的傳播模式，借助移動互聯網高效、快速的信息傳播優勢，加大全民科普力度。[2]然而現階段網絡科普還存在著許多問題，公眾對網絡科普關注度不夠，參與積極性不高，其中科普網站實力不強，無法成功引流是其主要問題。[3]移動互聯網、新媒體、大數據等新興技術的發展為我國科普工作帶來了機遇與挑戰。在“移動互聯網+”背景下，我國科普的主體由傳統網站科普向科普機構和個人媒體科普轉變，其中個人媒體承擔了大量的科普工作，諸如微博、抖音等新社交媒體平臺中的個人媒體在科普活動中擔任了重要傳播角色。

互聯網時代的到來和大數據應用的普及都極大地改變了人們的認知和行為方式，大數據技術不僅在商業領域應用廣泛，而且在公共管理領域的作用也逐漸被研究者所認識。[4]隨著人工智能的普及和飛速發展，大眾開始聚焦于“人工智能”話題，人們在微博上對“人工智能”的討論也隨之增多，研究“人工智能”信息的科普傳播能夠很好地反映當下微博科普傳播的現狀。研究表明，移動互聯網、新媒體、大數據分析技術已經成為研究科普傳播機制和影響的重要手段。時代的發展賦予了科普事業新的使命，[5]研究人員也紛紛借助移動互聯網、新媒體、大數據技術展開一系列關于科普的研究。目前圍繞科普內容的研究主要包括兩個方面：一是借助移動互聯網、新媒體、大數據研究科普對社會層面的影響，將其與各行各業進行深度融合;二是將移動互聯網、新媒體、大數據應用于科普研究技術層面的操作方式，借助數據分析與數據預測功能把控科普信息傳播過程。

陳海琳等在對金融科技科普活動的研究中提出了“移動互聯網+科普”的整合模式，[6]這種模式在加大科普信息傳播廣度的同時還能夠提高科普效率，對于整合線上和線下的金融科技科普活動有很好的促進作用。高慧艷借助媒體融合探究科普期刊微信公眾號運營模式，[7]在推廣科普期刊內容時需要借助媒體融合及有影響力的微信公眾號實現科普信息的推廣。此外，很多學者也在研究中強調了科普期刊在科普工作中的重要作用，以及需要借助媒體融合的方式來推動科普期刊的發展，提升科普期刊在科普工作中的科普力度[8-10]。楊凌討論了大數據下的現代科技館科普服務創新模型，他在研究中指出大數據技術為現代科技館科普活動和服務模式提供了新的機遇，科普服務需要在探究其創新模式的過程中借助大數據推廣科普活動，提高科普效率。[11]研究人員在電視科普節目傳播[12]、科普信息化建設[13]、科普資源開發[14]的研究中也強調了大數據的作用，提出需要借助大數據和互聯網提高公眾對網絡科普的關注度，以增強科普網站實力，提高公眾參與的積極性。

本文以“人工智能”在微博中的傳播為例，探究微博在傳播科普內容中所起到的作用，并使用大數據技術與方法對微博科普的內容進行分析，將大數據的特征與科普教育相結合，研究微博科普的廣義需求與目前的應用現狀及提升方向。借助大數據技術與方法研究“人工智能”信息在微博上的傳播機制將有助于了解大眾對于“人工智能”的看法和接受度，有利于人工智能更好地發展，同時，探究以微博為代表的新社交媒體傳播對于促進科普服務工作的發展也具有深遠意義。

二、微博傳播網絡的結構及其測度參數

（一）微博整體網絡結構

三、“人工智能”微博傳播案例研究

截至2019年2月，中國擁有人工智能企業745家，占全球總數的21.67%，2018年中國人工智能相關專利申請數達76876項。[1]隨著人工智能逐漸走入大眾，在微博上對“人工智能”的討論也隨之增多，研究“人工智能”在微博上的傳播機制，有助于了解大眾對于“人工智能”的看法和接受度，有利于人工智能更好地發展。

以“人工智能”為關鍵詞，在新浪微博上可以搜索到6692萬余條相關微博。人們就人工智能的安全性、應用場景等問題展開激烈爭論，由此形成了復雜的“人工智能”信息微博傳播網絡。在微博平臺上，普通網民貌似已經成為新的意見階層，成為公共輿論的主體，但實際上真正在引導公眾注意力的是網絡意見領袖。他們是一系列熱點信息的源頭，普通用戶發布的信息也只有經過他們轉發后才有可能廣泛擴散，意見領袖間的微博互動行為將在很大程度上決定信息的流向、速度以及公共輿論傾向。另外，“關注”關系是微博中最為基本的關系，它比“轉發”“評論”關系更為穩定，而且直接反映了信息的流向以及行動者主動選擇特定信息來源的意愿。因此，作為探索性研究，本文以該網絡為基礎，探究由“人工智能”微博意見領袖引導并基于“關注”關系構成的“人工智能”信息微博傳播網絡。

在開展微博科普中“人工智能”網絡傳播的案例研究時，首先根據“人工智能”微博大V及他們之間的相互關系構建了“人工智能”微博傳播的網絡結構，將“人工智能”微博傳播過程可視化;其次對“人工智能”微博傳播網絡整體結構進行分析，通過網絡的密度、可達性、凝聚力等指標測度“人工智能”傳播網絡的整體信息傳輸性能;然后本文用度中心性、接近中心性和中介中心性三個參數分析微博傳播網絡中節點的位置結構;最后根據“人工智能”微博傳播的網絡結構對“人工智能”微博進行內容分析和受眾用戶分析，探究“人工智能”在微博科普傳播中的主要內容和主要受眾群體。微博科普中“人工智能”網絡傳播案例研究框架如圖1所示。

（一）微博傳播網絡構建

本文將“人工智能”微博大V定義為：微博空間內，在“人工智能”議題上具有較大影響力的微博用戶。概念進一步量化為：（1）粉絲數量超過1萬，如果是業內知名人工智能專家，可降低要求。（2）在“人工智能”議題上表現活躍，發表過一定數量的關于“人工智能”的微博。（3）至少有一篇“人工智能”微博轉發量超過100次。樣本的抽取采用滾雪球法，其基本過程是：首先從某些公認的在“人工智能”議題上具有重要影響力的微博用戶出發，從其關注對象中尋找其他潛在的意見領袖用戶，列出潛在意見領袖清單;然后通過比較清單用戶在上述三個標準上的表現，篩選研究樣本;最后篩選出97個人工智能領域大V。

樣本基本特征包括以下方面：（1）個人用戶57個，企業機構用戶40個。（2）認證用戶82個，占84.5%。（3）平均粉絲數341萬。（4）在該行業中，男性作為重要的領導者，其人數明顯多于女性，達到87人，占89.7%。（5）依據群體之間的區別將“人工智能”微博大V分為研究機構、企業及企業相關人員、高校、媒體。（6）在分析的大V中，有69人來自北京，占71.1%，這表明北京是人工智能發展的核心地帶。（7）大V的教育背景均為國內外頂尖名校，如北京大學、清華大學、中國科學院大學、美國麻省理工學院等。（8）通過分析大V的工作機構可以看出，在高校任教的大V較多，也集中在國內頂尖名校，如清華大學、北京大學、武漢大學、中國科學院大學、復旦大學，也有的在國內外知名企業工作，如阿里巴巴、百度、小米、微軟等。

本文通過結點之間的“關注”關系進行數據聯系，并采用有向網絡結構圖。在“人工智能”信息微博傳播網絡的“互動關系矩陣”中，成員A 關注了成員B，則代表A 與B 的聯系為1，反之，成員B 沒有關注成員A 時，則B 與A 的聯系為0。通過各個節點之間的聯系，整理排列出97×97鄰接關系矩陣，該矩陣的可視化圖如圖2所示。

（二）整體結構分析

在97個節點組成的“人工智能”微博傳播網絡圖中，實際連接數為1170，即1170對節點間存在關注與被關注關系，而節點對總數為9312，因此網絡密度為0.126。在網絡可達性方面，網絡直徑為6，平均距離為2.4。這意味著每個節點最長通過6個節點將信息傳播到網絡中的其他節點，且每個節點平均通過2.4個點與其他節點進行信息的交流。這說明信息在網絡中依托節點的傳播較為便利，速度較快。此外，網絡中節點的平均聚類系數為0.309，表示多數節點之間的信息交流范圍較寬。通過模塊化分析并計算它們之間的相互關系，“人工智能”的大V基本分為三類：一類是科技界的企業、媒體和個人，另一類是學術界的知名人士，還有較少的一類則是人工智能最基本應用的機器人企業。在圖2中可以看出，網絡中沒有孤立節點且分散的節點較少，導致平均聚類系數較高。綜合上述參數發現，“人工智能”信息微博傳播網絡整體上比較緊湊，連通性比較好。

（三）個體位置結構分析

1.度中心性

“人工智能”信息微博傳播網絡中，節點的入度較高意味著其信息被大量其他節點接收，而節點的出度較高則意味著該節點能夠較多地接受來自其他節點的信息?！叭斯ぶ悄堋毙畔⑽⒉﹤鞑ゾW絡節點中心性序列（前10位）見表1。表1顯示，節點入度中心性排名前10的意見領袖中有8個是個人用戶。其中，清華大學教授“馬少平THU”最高，達到40，意味著其能將信息直接傳遞給網絡中接近半數的其他節點，這表明在自媒體時代，個人媒體在微博科普傳播中扮演著重要角色。

出度中心性排名最高的也是個人用戶，北京大學教授“曉如微博”的節點出度中心性最高，為47，這意味者其主動接收的信息來源覆蓋了接近一半的傳播主體。因此，綜合考量入度中心性和出度中心性可以發現，在“人工智能”信息微博傳播網絡中，個人媒體主要扮演行業專家的角色。此外，“蔣濤CSDN”“劉知遠THU”的入度中心性和出度中心性都很高，與眾多節點存在密切的雙向信息交流，可謂意見領袖中的“意見領袖”。

2.接近中心性

“人工智能”意見領袖關注關系網絡為有向網絡，節點存在接近中心性，它衡量某一節點向外傳遞信息時不受其他節點控制的能力，值越大，傳遞信息就越容易和順暢。經過計算，節點平均接近中心性為0.42，其中，“劉成林_NLPRN”最高，為0.508，說明該網絡中的節點較容易向其他節點傳送信息。

3.中介中心性

通過對“人工智能”信息微博傳播網絡節點中心性序列表相關結果的計算可以看出，網絡節點的中介中心性都不大，平均值僅為0.010，其中中介中心性值最低的“科大訊飛”甚至為0，這說明在“人工智能”信息微博傳播網絡中，特定節點對資源的控制能力并不強，失去任意特定節點，對信息傳播的路徑和效率沒有很大影響。

（四）內容分析

本文通過網絡爬蟲技術收集了97名大V關于“人工智能”和“AI”的微博，由于網站沒有可用的應用程序編程接口（API），所以本文只能使用非API的數據抓取技術從這些網站抓取頁面，所需的信息從這些頁面抓取。收集的數據包括微博名、微博內容、時間，總計收集了97名大V共2538條微博數據。將其分詞以后做出“人工智能”大V詞云圖（如圖3所示），人工智能在機器人、互聯網、汽車、醫學、數學、商業等領域有重要的應用，同時人工智能是依賴于研究院和科學家的，已經逐漸融入到我們的日常生活中。

本文將大V分為4類，分別是研究機構、企業、高校和媒體，通過對各個群體下所討論的高頻關鍵詞做統計分析，發現每個群體所關注的“人工智能”的內容會有少許差別，各群體關鍵詞如表2所示。

利用TF-IDF[19]選出文本中較為關鍵的詞，制作出如圖4的共詞圖，通過Modularity模塊化計算，可以根據詞共同出現的頻率及哪些詞經常在一起出現將詞分成不同的模塊，在該圖中，詞主要分為兩個模塊：一個模塊是人工智能的“誕生”，也就是人工智能由研究人員利用計算機技術，通過各種創新使機器思維類似于大腦的思維;另一個模塊則是人工智能在各個方面的應用，如無人機、汽車、醫療、語音識別、同步翻譯、家居、手機等多個方面。

（五）受眾用戶分析

對97名大V所發布的“人工智能”微博進行受眾分析發現，在總計發表的2538條微博中，總轉發量達到47萬，分析轉發用戶的粉絲量發現，97名大V所發布“人工智能”微博的總受眾群體接近千萬，其中通過比較大V的不同群體轉發數據發現，媒體類和知名科技企業的轉發量和受眾人數明顯多于其他幾類。一方面原因是媒體和企業被大眾所熟知，粉絲基礎量較多，另一方面原因是這些大V發布的大多是貼近大眾生活的微博信息，而人工智能界的專家所發的內容較為專業，粉絲量較少?！叭斯ぶ悄堋备魅后w轉發量占比如圖5所示。

“人工智能”信息微博量和轉發量序列（前10位）見表3。從表3可以看出，盡管研究機構和專家所發微博量較多，但是轉發量依然低于媒體和知名科技公司。分析個體大V后發現，企業大V的單條最高轉發量明顯多于研究機構，這是由于企業或者該企業領袖往往被當作該領域的領袖，得到普通大眾的認可。但由于媒體在人工智能的微博數量較多，導致總轉發量多于研究機構。

在對4個大V群體的轉發用戶分析后發現：轉發企業微博的用戶大部分是80后、90后，其中90后大部分為高校學生，80后多數有高校和IT企業背景;轉發媒體微博人群與轉發企業微博人群較為相似，80后、90后依然是主力軍，同時也存在較少的60后、70后，但是其人群的教育背景明顯不如企業人群，他們所關注的內容均是和大眾生活息息相關的部分;對于高校的人工智能界知名大V而言，它的轉發用戶大都是該領域的專業人士，其中高校教師占46%，還有較少量的學生，他們的教育背景大部分為碩士及以上，也有少量的人工智能領域企業從業者，他們所討論的內容過于專業，而不被大眾所關注;轉發科研機構微博的用戶多為一些人工智能領域從業人士，也有高校教師。

四、推特（Twitter）對比分析

在對國內關于“人工智能”的微博傳播情況進行分析之后，為了更好地了解國內外關于“人工智能”內容方面的差別，本文對比了國外類似微博的網站推特（Twitter）關于“人工智能”的討論。通過數據爬蟲技術，將“artificial intelligence”（人工智能）作為關鍵詞，從Twitter收集了11333個用戶從2016年1月到2018年3月的總計93256條數據。通過對這些用戶的分析發現，回復數量較多的賬號屬于企業、媒體，轉推數量較多的賬號通常是有影響力的個人（包括專家和高管）和媒體，但是這類人發表Twitter數量較少。

Twitter用戶基本特征包括：（1）用戶基本分為三類：第一類是企業和機構賬號，第二類是高校教師和機構專家，第三類是科技行業高管及從業人員。（2）用戶大部分來自英語世界國家，其中美國占總用戶的60%左右，英國占大約15%，美國依然是世界人工智能發展的領導者。（3）在該行業中，男性作為重要的領導者，其人數明顯多于女性，占行業的90%以上。

關于“人工智能”的Twitter時間序列如圖6所示。從總體趨勢來看，關于“人工智能”的討論發文量呈逐年遞增的趨勢，需要強調的是，在2016年3月alphago問世以后，關于“人工智能”的討論發文量陡然上升，全世界對人工智能的重視程度都達到了一個新的高度。

通過對Twitter上發布的內容進行分析，本文做出詞云圖（如圖7所示）。從圖中可以看出，伴隨著“人工智能”出現的熱詞還包括“大數據”“深度學習”“物聯網”“神經網絡”“機器學習”“自然語言處理”等等。

利用詞頻統計技術對Twitter相關數據中的詞做出統計，選取詞頻較高且與人工智能相關度較高的技術詞進行趨勢分析（見圖8），我們選取了“BigData”（大數據）、“IOT”（物聯網）、“NLP”（自然語言處理）、“ML”（機器學習）、“Cloud”（云）、“NeuralNetwork”（神經網絡）、“DigitalTransformation”（數字化轉型）、“Robotics”（機器人技術）、“DeepLearning”（深度學習）、“DataScience”（數據科學）、“BlockChain”（區塊鏈）、“CyberSecurity”（網絡安全）作為分析重點，可以發現，有關這些技術的討論都在隨著時間而遞增，但“ML”一直處于討論的高點，明顯高于其余技術，“BigData”“DeepLearning”“CyberSecurity”的討論量增長較為迅速，逐漸成為熱點，并且“BlockChain”在2017年11月份的討論量陡然上升，其余技術討論量增長緩慢。

本文借助TF-IDF選取出文本中較為關鍵的詞，制作出如圖9的共詞圖。在該圖中總計有57個節點、542條邊，每個節點表示所選出的關鍵詞，每條邊表示兩個詞同時出現在8個以上Twitter用戶所發表的內容中。

通過計算發現，在57個節點組成的“人工智能”關鍵詞的網絡圖中，實際連接數為542，即542對節點間存在共同出現在Twitter的關系，而節點對總數為3912，由此得出網絡密度為0.139。在出入度方面，平均度為19.018，也就是說平均一個節點與另外9個節點相連。網絡直徑為2，平均距離為1.66，這意味著關于“人工智能”方面的內容連接緊湊，各領域之間的連通度較高。此外，網絡中節點的平均聚類系數為0.892，表示多數節點之間的信息交流范圍較寬，聚集程度較高。這一點也可以從圖9中看出，關鍵詞網絡中沒有孤立節點且分散的節點數較少，導致平均聚類系數較高。

五、結論

在構建“人工智能”微博傳播的網絡結構時，本文發現個人媒體在微博科普傳播中扮演著重要角色。在自媒體時代，微博科普應注重發揮個人媒體在科普工作中的意見領袖作用，促進科普工作在微博中的快速擴散和傳播，提高信息傳播的效率。在微博科普傳播內容中每個群體所關注的人工智能的內容會有少許差別，在微博科普工作中需要針對不同的群體制定相應的科普傳播內容，同時也需要根據微博及時更新被廣泛關注的科普信息，提高微博科普傳播效率。此外，本文在分析微博科普受眾用戶時發現，媒體類和知名科技企業的轉發量和受眾人數明顯多于研究機構和專家的轉發量和受眾人數，因此，在微博科普中需要注意科普信息的易理解性。

本文綜合運用大數據挖掘、網絡關聯分析、聚類分析等多種方法對“人工智能”微博用戶及內容進行了詳細分析。通過案例分析發現，利用大數據技術對微博科普傳播進行分析，能夠把握微博科普傳播的規律和特點，有利于今后科普工作的開展。未來，我們將對大數據科普進行進一步研究，使大數據技術在科普工作中發揮更多的作用，促進科普事業的發展。同時在對比國內外關于“人工智能”的討論中發現，國內外的討論較為相似，在前沿科技領域的討論保持了一致。

參考文獻：

[1]中國互聯網絡信息中心. 第44 次中國互聯網絡發展狀況統計報告[EB/OL].（2019-08-30）[2020-02-19].http：//www.cac.gov.cn/2019-08/30/c_1124938750.htm.

[2]林雪濤，楊柳. 新媒體時代科普創作與傳播策略[J].傳媒， 2019（21）：61-62.

[3]楚亞杰，梁方圓.科學傳播的公共參與模式分析：以NASA社交媒體表現為例[J].全球傳媒學刊， 2019（4）：54-69.

[4]Hu S， Li Z， Zhang J， et al. Engaging Scientists in Science Communication： The Effect of Social Proof and Meaning[J]. Journal of Cleaner Production， 2018， 170： 1044-1051.

[5]Hart P S， Nisbet E C. Boomerang Effects in Science Communication： How Motivated Reasoning and Identity Cues Amplify Opinion Polarization about Climate Mitigation Policies[J]. Communication Research， 2012， 39（6）： 701-723.

[6]陳海琳，袁裕輝.“移動互聯網+”科普整合模式創新研究——以金融科技科普活動為例[J].科技管理研究， 2020，40（5）：146-151.

[7]高慧艷. 媒體融合背景下的科普期刊微信公眾號運營——以“中國國家地理”為例[J].中國科技期刊研究， 2019（6）：621-628.

[8]王可慧，劉筱敏，張曉丹，等. 國內外科普期刊網站資源及功能建設調研分析[J].中國科技期刊研究， 2018，29（4）：66-72.

[9]閆偉娜. 全媒體視域下科普期刊用戶類別化運營機制探索[J]. 中國科技期刊研究， 2018， 29（7）：93-99.

[10]武瑾媛，俞敏，袁睿. 科普期刊新媒體融合發展的機遇與實踐[J]. 編輯學報，2017， 29（3）：214-217.

[11]楊凌. 試論大數據下的現代科技館科普服務創新[J]. 科技視界， 2016（23）：272-273.

[12]劉峰. 大數據時代電視科普節目的傳播策略探析[J]. 科普研究， 2013， 8（5）：53-57.

[13]王法碩，王翔. 大數據時代公共服務智慧化供給研究——以“科普中國+百度”戰略合作為例[J]. 情報雜志， 2016（8）：179-184.

[14]邱成利. 推進我國科普資源開發與建設的若干思考[J]. 中國科技資源導刊，2015， 47（3）：1-6.

[15]Freeman L C. Centrality in Social Networks Conceptual Clarification[J]. Social Networks， 1979，1（3）：215-239.

[16]康偉. 基于SNA的突發事件網絡輿情關鍵節點識別——以“7·23動車事故”為例[J]. 公共管理學報， 2012， 9（3）：101-111.

[17]戴維·諾克，楊松.社會網絡分析[M].李蘭，譯.第2版.上海：格致出版社， 2012：84-87.

[18]Ulrik Brandes. A Faster Algorithm for Betweenness Centrality[J]. Journal of Mathematical Sociology， 2001， 25（2）：163-177.

[19]Zhang W， Yoshida T， Tang X J. A Comparative Study of TF*IDF， LSI and Multiwords for Text Classification[J]. Expert Systems with Applications， 2011，38（3）：2758-2765.

責任編輯：趙 玲

Abstract： With the rapid growth of science and technology and information process， the popularization of science in China is undergoing a significant change in the aspects of methods and content，and networking and socialization have become the inevitable requirement. Therefore， it is crucial to grasp the whole situation and context of the science popularization in the new era. This paper aims at studying the role that Weibo plays in popular science communication， with the dissemination of "artificial intelligence" on Weibo as a case. The contents involved in the popularization of the artificial intelligence are analyzed via big data and compared with that in Twitter abroad. The results show that Weibo plays an important role in the popularization of science and that the discussions on artificial intelligence at home and abroad are similar.

Key words： science communication; artificial intelligence; science popularization Weibo