大数据背景下意识形态研究的方法论、机遇与路径

以往对意识形态的分析主要沿着“左—右”连续统(issue continuum)而展开，但是这一路径更可能适合于政治精英、知识精英等处于社会较高阶层的人，并不完全适合于普通大众。研究者们发现，象征性和操作性意识形态与那些对政治知晓程度或参与程度较高的人更一致。[1]类似的是，对于那些具有较高教育程度和丰富政治经验的人[2]，自由主义、保守主义态度的评估更可能反映在单维度方面。同时，社会和经济议题的态度在不同维度上可以预测政治精英的意识形态[3]，但是这一维度结构并不适用于一般公众[4]。随着网络技术赋予普通人更多表达权，公众的意见表达也越来越丰富。新媒体中针对特定议题的表达话语，能够较好预测用户的意识形态。一些研究发现，社交媒体人物标识可以测量个人特征[5]，Facebook和Twitter可以准确预测传统测量中的意识形态[6]。

从意识形态的功能看，意识形态包括话语上层建筑，以及功能或动机的子结构。话语上层建筑指的是在特定时期和特定地点，社会建构态度、信念、信念与特定的意识形态位置。[7]话语上层建筑被认为是一种社会再现，一般是由政治精英塑造，并传播到公众。[8]功能子结构指的是社会心理需求、目标、动机使得公众的政治兴趣自下而上形成，这是在话语层面意识形态的指导下进行的。[9]

以往很多研究关注上层建筑的意识形态，例如政治领导人和党派意识形态[10]，具体分析这种意识形态是如何建构、传播，并说服公众，从而形成政权合法性的强有力基础[11]。随着大众社会的兴起，心理学特别是政治心理学开始强调公众的意识形态，其意识形态由一系列信念、认知、价值观、态度包裹而成。心理学家认为，自下而上的认知和动机过程非常重要，其对于我们更加深刻了解人们的所思、所想、所感有着重要意义。特别是当下公众可以通过网络等新媒体平台表达意见，并通过链接、转发等多种方式将承载着自我信念的话语在不同个体之间扩散和传播，这种横向的话语串联在某种状态下会以涌现的方式表征为子群体的意识形态状态。

大数据背景下社会意识和心理，以语言、文本的形式存储和记录于网络空间和平台之中。对这些以文本形式存在的数据进行分析，有助于把握公众的意识形态心理及其传播过程，以及新媒体环境下公众的意识形态存在状态。相比于传统研究方法，当下以大数据为代表的计算社会科学的兴起，对研究公众意识形态形成、扩散等提供了良好的发展机遇。这方面的研究，传播学的作用和潜力巨大，正如有研究者认为的那样，在计算社会科学中，文本就是数据，这将传播研究置于中心，要关注传播内容——他们如何产生、如何回复的——这是该领域的中心工作。[12]

一、大数据背景下意识形态研究的方法论基础

技术为研究方法的发展提供了新思路，大数据技术的发展要求在研究中要具有“数据”思维。陆地认为，大数据既可以是手段，也可以是事实，是一种世界观、一种方法论、一种研究方法。[13]大数据思维更为意识形态分析等提供了方法论基础，这体现了当下意识形态研究要超越传统的二元对立思维，更加注重大众化的意识形态。同时，大数据也为新媒体中的意见表达分析提出了具体可行的分析技术和方法，有助于更好地理解意识形态和公众社会心理。从方法论的角度看，大数据背景下意识形态研究具有以下几个重要趋势。

(一)从意识形态精英化走向意识形态大众化、日常化

传统研究认为意识形态具有明显的结构性，即沿着左右派别而划分，这也体现在政治、经济、文化等维度。这大多被认为存在于具有明确意识形态的人当中，包括政治精英、知识精英，以及其他处于较高社会地位的人。[14]但其实，意识形态根源于基本的个人性格差异以及对世界的心理需求、动机等相对稳定的个人偏好。有研究发现，保守主义和自由主义都具有认识论动机(epistemic motivates)、存在论动机(epistemic motivates)、关系动机(relational motives)。[15]心理学家也基于认知和动机过程，发展意识形态信念系统，这些信念系统具有一定的维度结构。[16]

若从心理动机来分析意识形态，普通人的一切能够预测心理特征的网络使用行为和消费行为都可以用来分析意识形态。换句话说，网络媒体的使用也构成了意识形态日常化的重要面向。意识形态日常化与传统自上而下话语形态、上层建筑的意识形态有所不同，更加强调意识形态中的个人主体性角色。意识形态日常化的研究对象在当下越来越容易获得，包括人际讨论、技术接入、日常消费等，网络行为也不断将意识形态生活化付诸实践，通过网络实践促进意识形态日常化。

(二)从话语意识形态走向行为意识形态

自Free & Cantril &(1967)[17]开始，舆论研究者区分了意识形态的象征方面(symbolic aspect)和操作方面(operational aspect)。象征性意识形态指的是一般意义上的、抽象的意识形态标签、影响和类型，包括自我确认左或右的行为，可以通过询问政治意识形态的位置获得。操作性意识形态指的是更为具体的、基于事件的观点，可以通过对某些议题的赞同程度获得。[18]其隐含的基本假定是，具有特定意识形态的人一般持有类似的态度和观点，由此，研究大多通过话语预测意识形态。

但是，网络数据除了话语之外，还包括各种行为数据，如关注、转发、评论等行为，以及人们的网络消费行为。这些很大程度上也反映了特定的意识形态。有研究将网络用户的商品消费评论与评论者个人建立联系，并认为评论者的个性特征会影响评论的组织方式。研究发现，相比于保守主义者，那些持自由主义态度的评论者会更多地运用复杂语言、更多元的论据对商品进行评论。[19]也有研究者对100万网络书籍合购数据的分析中发现，意识形态偏好在学科内和学科间都存在。在所有领域，那些自由主义消费者都偏爱技术科学(如物理学、天文学、动物学)，而保守主义者则偏爱应用和商业科学(如犯罪学、药学、地球物理学)。同时，在学科内部，那些保守主义消费者倾向于购买其他学科的书，其学科类型较少，而且这些学科都处于边缘地位。[20]也就是说，政治左派和右派普遍对科学感兴趣，但是其消费类型呈现出显著的意识形态差异，网络消费行为在很大程度上可以预测人们的意识形态偏好。

(三)从个体媒介实践走向宏观意识形态图景建构

从媒介二元性的角度看，新媒体为用户的媒介使用提供了多种可能，用户的媒介实践反过来构建了整个意识形态图景。互联网技术的结构性主要体现在其具有联通线上线下、联通不同个体的中介性功能。在新媒体使用中，人们通过互联网的链接性而得以联通，在网络中实践意识形态。个人在虚拟与现实的穿梭中，参与并作用于意识形态的日常化，强化了现实意识形态，这是一种机械地将个人集合为整体意识形态图景。同时，个人通过网络共享现实，寻找与自己身份一致的意识形态群体和信念，这是一种有机的、超越了现实情况进而产生于虚拟空间的媒介实践，其影响了意识形态图景。

值得注意的一个现象是，个人的网络使用行为是注意力的表征，在其网络信息流中，通过转发、互动等扩大相关议题的讨论等，这特别体现在对帖子内容的具体分析细节当中。例如，相关研究大多运用主题模型识别重要的讨论议题，借助于常用的话题模型(如LDA，Latent Dirichlet Allocation)，可以从帖子中抽取有意义的话题类型，也可以从微观的个体词汇归纳出宏观层面的话语框架；也能够呈现个人议题是如何成为公众议题的。由此，个体的日常媒介话语实践通过连接线上线下、汇聚个体注意力等而得以成为宏观意识形态图景。

(四)从理论驱动走向理论与数据驱动的结合

对于大数据分析与传播规律把握的关系，理论驱动还是数据驱动始终存在争论。一方面，理论是分析意识形态现象的基本出发点和立足点；另一方面，从数据中可以探索出一些传播规律和现象，对其的解释也要建立在理论基础之上。目前，网络意识形态的分析中，最常采用的方法是机器学习法。该方法可以直接从数据中辨识和提取特定的类型，基于实证数据做出智能决策。很多研究运用分类方法自动探测社交媒体中的帖子，以确定民主党和共和党的政治话语。例如，有监督的学习算法运用训练集建构数学模型，然后用该模型预测测试集。训练集由很多人工标注和编码的语料库组成，如政治态度和倾向等。由此可以通过有监督的机器学习对帖子的政治倾向进行分类[21]，进而探测特定意识形态类团、识别主要的对话机制。

当然，对于数据背后反映的深刻意识形态内涵，还需借助对意识形态话语、政治状况等的深刻阐释。在大数据与意识形态分析中，首先需要正视大数据分析中数据驱动存在的问题，在此基础上正确理解大数据所反映的意识形态内涵。不过，通过对特定时间针对特定主题的情感、行为或传播特征和现象的系统化、实时性的分析，可以更加深刻地认识其意识形态的某些面向。由此，数据驱动技术可促使意识形态分析达到预测和洞见这两个更高的研究目标。

二、大数据背景下意识形态研究的新机遇

从研究方法看，对意识形态的传统分析最常用的是问卷调查的自我报告方法，通常情况下将意识形态操作化为议题态度，且大多将意识形态作为个性特征的一部分分析对其他因素的影响。这些分析虽一定程度上回答了意识形态的存在状态，但仍然存在局限性，而大数据分析方法在诸多方面为当下意识形态研究提供了新机遇。

(一)多样化意识形态及思潮得以涌现

以往研究大多沿着“左—右”连续统来分析意识形态，主要有以下几种方法：一是，通过自我设定的意识形态感知量表获得，其可以测量普通政党成员、候选人、法官等的意识形态[22]，以及普通人的意识形态。一般采用7点量表，从最自由主义到最保守主义。二是，通过普通公众对候选人的排名获得。[23]三是，通过理想点(ideal points)获得，也就是将普通公众的意识形态与候选人或政治人物的意识形态位置相匹配。[24]四是，通过公众的政治行为或者社会行为获得，如有研究者通过竞选捐赠数据评估候选人和捐赠者的意识形态。[25]

以左—右派为代表的理念性的意识形态，虽然一定程度上与人们的大致思想状态具有对应关系，但是缺乏经验性。有研究者认为应该从实际出发，通过自下而上的涌现方式来归纳意识形态社群。[26]例如，有研究通过对2010年美国选举中期数据的分析，运用多维尺度和K-means方法发现，美国公众主要有5类意识形态倾向。第一类没有特别的政治倾向；第二类是激进主义；另外三类都不同程度反映了保守主义，但是有细微差别。第三类群体虽然是保守主义的，却经常使用左翼标签。第四类大部分是保守主义。第五类主要聚焦于茶党和政治家。[27]也有研究者提出了探测Twitter用户意识形态的方法，主要是根据其关注、提及和转发链接获得，并建构了统一概率模型(unified probabilistic model)；由此可以结合异质性链接预测人们的意识形态；也可以自动学习不同联系的属性以确定意识形态。[28]

(二)对群体层面意识形态的结构性分析更加深入

在传统意识形态中，多聚焦于意识形态的结构等内生性问题，其中作为个人特性的意识形态特征通常被认为处于左或右的两极，或者是自由主义和保守主义。但也有人认为意识形态并不是两极的，左或者右是两个相互独立的维度[29]。其他研究认为，对于社会文化议题的态度在因子聚类中不同于经济议题[30]，在具体分析中也分别从社会维度和经济维度测量政治意识形态。同时，意识形态也被作为自变量用于预测其他的政治行为和政治参与活动，如投票、捐赠、政治讨论、新闻媒体使用等。例如，意识形态是话语表达的远端因素(distal factor)，具有稳定性和根本性。由此，意识形态作为个人特性对舆论等话语表达具有预测作用。

但是以往研究缺乏对意识形态群体结构的深入分析。例如，对于政治极化的分析中，有研究认为，过去几十年美国人始终存在政治极化[31]；但也有一些研究直接分析公众的政治话题意见，认为人们针对议题的讨论从1970年开始并没有过多的政治极化[32]。传统调查一般测量个体层面的、静态的极化，如党派维度通过民主党和共和党的情感温度指数(feeling thermometer index)的差异获得；意识形态维度通过询问意识形态位置获得；议题维度等通过对特定议题(如同性恋结婚和医疗改革)的赞同程度获得。[33]

在新媒体平台上，极端主义意识形态被给予高度关注，包括辨识相关内容帖子以及辨识极端主义用户。具体可以通过情绪指标的极端程度、词语使用的极端程度、意识形态标识等识别极化意识形态。由此可以把握群体层面的极化行为特征，并且动态分析极化群体的态度是否随着时间而发生改变。例如，有研究通过对Twitter帖子的分层聚类分析和文本分析发现，在极端主义人群中也存在跨意识形态交流。[34]除此之外，有研究分析社交媒体上白人极端主义意识形态用户的特征和发布的帖子内容；以及他们如何在社交媒体上扩散他们的意识形态。[35]。也有研究分析了23个不同国家的90个政党的讨论网络，发现那些具有极端意识形态的个人和政党更可能在社交媒体上形成回应室。[36]

值得注意的是，如何辨识极端意识形态是这些研究的基础工作。有研究提出了辨识社交媒体用户极端意识形态的方法和路径。在辨识相关情绪性内容过程中，主要包括特征提取、帖子检索(积极、消极帖子)、网络创建、用户中心性计算、以及用户中心性集成等步骤。[37]具体来看，首先辨识那些体现极端主义意识形态的帖子，以及反极端主义意识形态的帖子；然后建构权重网络来模拟所辨识的帖子在不同发布者之间的流动轨迹(信息流)；接着运用不同的节点中心性指标来评估用户在扩散极端主义意识形态和反极端主义意识形态的中起到的作用，那些较多扩散极端主义意识形态的人则被认为传播了极端主义观点；最后，通过实证方法评估这一分析路径是否适合于分析现实社交媒体帖子的极化状况。[38]

(三)对跨意识形态交流现象的分析更加具有过程性和动态性

跨意识形态交流研究具有很久的传统，其关系到公共领域的发展、传播的民主化、传播的社会功能等结构性问题。以往对跨群体接触效应的研究很大程度依赖于调查问卷，测量政治行为，以及传播网络特征。[39]调查询问被试与之互动的对象，具体包括他们的意识形态以及讨论次数。但被访者通常不可能列出所有互动关系，弱关系很可能被排除。同时，被访者自我报告的关系可能有偏误，有研究发现，传播网络中的关系准确性低于50%。[40]更为重要的是，这些调查数据大多静态呈现了不同意识形态群体是否能够对话这一结果，而无法突出互动过程及其动态性。

新媒体平台中可以运用链接、互动等呈现用户接触对立意识形态的状况。以链接为例，可以考察帖子是否有链接、链接内容来源(如组织化媒体、草根网站、政府网站等)，进而可以根据帖子的政治倾向，以及链接内容的倾向作对应分析。由此，链接成为不同意识形态用户进行沟通的“桥梁”和“纽带”。也有研究运用被动攻击算法(passive-aggressive algorithm)并计算TF-IDF值对两个党派的帖子进行区分；在此基础上，对基于转发同一条帖子的人建立互动关系，选择有出度关系的节点并建构网络。网络中个体指向同类属性的出度关系的数量除以整体出度关系数量，就可以获得网络的政治同质化程度。[41]同时，也可以根据互动关系发现意识形态社群社区和互动网络，有研究针对Twitter中的10个争论性政治话题，运用Clauset Newman Moore Algorithm社区发现算法，辨识网络中的主要类团。主要是基于用户的互动关系模型，将用户置于最适合他们的类团中。[42]研究发现，Twitter用户不可能接触来自于他们所关注的类团中的对立意识形态内容。相比之下，用户更可能与草根网页(如博客)相连接，而与传统媒体网站的连接较少。[43]

当然，也有研究发现，不同意识形态的交流是可能的，只是存在量的差异而已。在网络信息接触中，从随机到潜在存在、再到接触、最后到阅读点击这一过程，跨意识形态内容的接触比例不断减少。起初网络中信息内容存在较大的意识形态差异；但是异质性朋友接触不同意识形态立场内容的比例会降低；而通过算法排名，人们接触到不同意识形态内容的比例更会降低；在此基础上，人们再主动选择内容进行点击和阅读，但是这一比例更低。[44]由此，可以更加动态、清晰地呈现跨意识形态交流的过程，以及跨意识形态交流存在的条件和情境。

(四)网络意识形态的跨国比较研究成为可能

网络环境下，不同国家意识形态呈现出了不同的存在状态。右翼势力在全球扩散、跨越国界传播其意识形态；与此相对的是，也有国家呈现明显的左翼倾向；而在意识形态对立特别明显的美国，意识形态与党派、媒体等相互作用的语境下，呈现了更加碎片化的意识形态图景[45]。同时，全球民粹主义话语不断崛起，在美国和欧洲一些国家，右翼民粹主义与种族主义、反自由主义、排外主义相互缠绕。[46]

意识形态是一个全球问题，由于网络数据的可获得性比较高，以及意识形态通过网络扩散等，意识形态的跨国比较以及全球扩散现象引起了关注。例如，有研究分析了极端右翼在不同国家的异同点。该研究结合欧洲国家(奥地利、法国、德国、英国、意大利、西班牙)代表性极端右翼组织的54位人物的访谈，以及对美国336个右翼网站的内容分析发现，极端右翼群体运用互联网吸引新成员，运用有吸引力的网站和互动元素(如调查、聊天、论坛)向意识形态类似的人宣传其思想。[47]也有研究者尝试分析社交媒体如何减少大众的政治极化问题，为了避免大众政治极化中可能存在的天花板效应和地板效应(ceiling and floor effects)，选择了三个政治极化程度具有差异的国家：德国、西班牙、美国。在德国，舆论不太极端；相反，美国呈现了高度的意识形态极化现象；而西班牙介于二者之间，尽管在过去几年西班牙极端化更加严重，但是仍然处于低水平。[48]这些跨国比较研究主要是基于网站和社交媒体中帖子的分析获得，而这在传统环境下很难实现。

三、运用大数据分析方法研究意识形态的路径

在社交媒体平台上，各种平台设置因素将不同时空中的个人链接起来。标签、关键词设置、超链接、点赞、转发等象征符号，反映了实践这些符号的个人或者群体之间的关系。网络中内容通过个人的媒介互动实践得以串联并产生影响；个人之间通过内容的链接产生话语关系。在意识形态的分析中，主要使用的象征符号包括词语标签、互动链接等，基于此的大数据分析方法包括对词语标签的内容分析、对互动关系的社会网络分析以及将二者结合的路径分析。

(一)基于词语标签的内容分析

语言能够反映公众的人口特征、心理状态或者偏好，包括意识形态。一般来讲，不同意识形态群体可能使用不同的词汇。同时，标签使用户能够定位自己，是个人在议题事件中的身份象征；个人可以通过搜索标签参与更大的网络社区，这加强了与相同兴趣他者的联系。最终，标签将同类意识形态的人聚集起来，最终或者形成特定的党派聚类、或者形成特定议题观点的聚类。研究中可以基于分享的标签使用考察社交媒体(如Twitter)中如何形成不同意识形态的类团。[49]具体来看，可以运用探索性语言或者标签找到区分不同意识形态特性因素的话题[50]，或者找到那些能够辨识党派政治立场的词语[51]，这有助于更好地理解意识形态心理抑或传播模式影响不同议题的传播和扩散。[52]

不同意识形态群体在词语使用上有所不同。有研究发现，词用法的频率和词尾频率在不同互动社群中有所不同，Twitter用户的语言风格也随着互动对象的不同而有所不同。[53]也有研究发现，保守主义帖子中较多出现的词汇是宗教类的(如上帝、天堂、神圣、灵魂、祈祷)以及家庭关系的(叔叔、儿子)。极端自由主义较多运用形容词(担心、恐惧、害怕、焦虑)，副词和连词，以及比较性质的词汇。极端保守主义的帖子中所呈现的积极情绪(喜悦、惊奇)都要多于自由主义的积极情绪，而极端自由主义更常使用焦虑类词汇。关于政治方面，极端保守主义主要提到的是党派保守主义媒体，如福克斯新闻网和雅虎新闻(@foxnews，@yahoonews)；而极端自由主义聚焦于议题，如同性恋、种族主义、女性主义、跨性别者。[54]这些表明了保守主义帖子可以更好地辨识同类性质的个人和群体，而自由主义则运用平台讨论相关议题。由此，对社交媒体平台中帖子的分析可以作为评判意识形态的重要路径和方式。也有研究者提出了一系列语言规则来辨识文本中承载的意识形态属性，并将这些规则运用于自然语言处理系统。[55]

对于词语和标签的分析，最常用的是主题模型，其可以识别重要的讨论议题。目前常用的话题模型有LDA主题模型，其基本原理是，每一篇文档代表了一些主题所构成的一个概率分布，而每一个主题又代表了很多词语所构成的一个概率分布，由此确定文档中的主题。当然，每个文档可能同时具有多个话题，可以根据拟合好的话题模型计算单个文档中不同话题的概率分布，进而选择特定话题对应的典型文本，并据此评估模型的有效性。[56]在具体执行中，首先需要对文本进行预处理，包括分词与去除停用词等，以及根据研究的特定需要删除其他类型的词汇。其次，根据研究目的寻找话题个数以及拟合话题模型，并将拟合后的模型与人工标注的进行对比，以考察机器学习的准确性是否能够满足研究的特定需要。

(二)基于互动关系的网络分析

社交媒体平台中显性的互动功能设置是转发、提及@、评论等。评论是一对多互动，转发提高了内容可见性，提及在信息流中直接强调了特定用户。[57]同时，也可以进行共现分析(cooccurrence)，即同时提到目标标签或词语的两个标签或词语共同出现的现象，进而可以对不同标签或词语共现构成的网络进行分析。

通过社会网络分析法可以探测比较重要的互动关系群。具体采用社群侦探(community detection)方法对互动关系进行聚类，以找到不同类型的社群。例如，有研究者运用标签传播算法(Label Propagation Method)以探测转发网络和提及网络，并分析其网络结构。该算法的核心思想是，将一个节点的邻居节点的标签中数量最多的标签作为该节点自身的标签。[58]就是说，可以通过数据驱动的方式涌现出特定议题或者互动关系的网络社群。进而可以通过知识图谱的方式考察不同社群之间是否能够交流、社群内部的关系紧密程度和互动程度；也可以探讨特定类型用户的互动网络结构等。

通常社区发现具有三个评估指标：标准化互信息(NIMI)，ARI指标，以及模块度(modularity)。有研究者运用模块度作为社区发现的评估指标，该指标提供了意识形态分化的测量，也可以衡量社区划分质量的高低。模块度越大表明社区划分效果越好。研究发现，政治转发网络具有较高的分离性党派结构，左派和右派使用者的联系非常有限。用户提及网络中，主要由一个政治异质性类团构成，其中具有对立意识形态的人相互交流程度要高于转发网络。[59]

(三)基于内容和互动的路径分析

意识形态的本质可以简化为这样一些追问：我们是谁，我们属于哪个群体，我们与哪个群体有关系。大数据意识形态分析中，可以运用关系数据预测意识形态属性，这些关系数据能够反映不同意识形态交流或互动的过程和结构。但是，社会网络分析法存在一定的缺陷，其过于强调社会网络这一形式，很大程度上可能忽略了网络承载的文化、政治、社会意涵。由此，在网络结构的基础上，纳入主题模型和意义分析模型便显得尤为重要了。

路径分析中不仅承载着互动关系，也承载着互动内容。为了强调互动网络中是否讨论的内容也较为重要，有研究为每位用户设置了人物特征，该向量包括用户帖子中出现的所有标签，根据出现频率设置权重；然后计算每一对“用户-特征”之间的余弦相似性(cosine similarities)，包括同一类团中的以及不同类团中“用户-特征”的关系对。研究发现，在提及网络中，同一类团中的不同用户(用户-间接的余弦相似性)最高，高于不同类团之间的相似性。在转发网络中，特定类团内部的余弦相似度有所不同，而不同类团之间的用户相似性最低。结果是，转发类团中的平均相似度要高于不同类团相似度。[60]由此表明，这种建立在互动基础之上的社群是因为同一话题(内容)而展开的互动，还是其他原因进行的互动。更进一步，这种建立在互动基础之上的社群，可以探讨其内容和态度方面是否存在实质性的分化。在这些基于内容的互动关系中，通过对同一条帖子在不同用户之间的传播，可以找到某帖子的传播路径和轨迹，以及该传播路径中重要的关键用户；也可以判断某个标签在一定时间内被转发和分享的次数，以及该话题的发端、发展、高潮、结局等重要时间点，由此可以更好地把握现实事件与传播路径之间的关系规律。

上层建筑的意识形态与公众的意识形态具有不同的存在状态和传播逻辑。当下公众通过网络等传播工具进行话语表达，并通过网络工具将不同话语联结，由此意识形态得以扩散和传播。这一定程度上反映了公众社会意识通过自下而上的方式得以涌现，运用大数据思维及具体分析方法可对其进行挖掘和分析。

从方法层面看，传统意识形态分析主要运用问卷调查的自我报告方法，这种方法受回答场景的限制，也受题目设置的影响，意识形态测量的信度和效度可能并不是很高。同时，自我报告无法获取和了解回答者的无意识行为，也会存在社会期望偏差和测量对等性等问题，造成获得虚假答案的可能。[61]而社会化媒体平台中的数据一定程度上可以克服以上缺陷。具体来看，基于用户网络表达和使用行为，可以推测其意识形态；基于社交媒体的社交互动数据，可以更好地建构互动类团，从而分析网络的结构性特征及其对意识形态的意义；基于实时信息流和动态数据，可以看到用户发布的信息以及政治活动，测量传播网络中意识形态分布如何随着时间而改变。[62]

尽管社交媒体数据无法完全再现整个群体的意识形态图景，但这并不影响这些数据分析的研究价值。大数据与意识形态关系的阐释中主要遇到以下问题：人口偏差和特定内容的偏差，导致不同意识形态的话语表达很大程度上很难找到对比的平衡点。同时，研究实践中存在伦理和个人隐私问题，与预测和工程相关的理论和推理价值问题、适宜和严格的推理模式的应用问题等[63]，这要求研究者要更加通过数据洞察其背后的社会现象和传播机理。除此之外，特别要注意以下两个方面对意识形态研究可能带来的系统性影响。

第一，现实意识形态和网络意识形态依然存在某种偏差。社交媒体是一个创造和传播理想自我的平台[64]，用户根据这种理想的虚拟身份进行话语表达，但这并未真实反映他们的个性特征及意识活动。依此推理，或许社交媒体平台上的意见表达受到了情境性因素的影响，而非是对意识形态的直观反映。因为新媒体语境下，意见表达除了受到深层意识形态的影响之外，也受到情境、情感、场景等启发性(heuristic)因素的影响。例如，在新媒体语境下，用户对网络内容的消费，很大程度上取决于网络认可度和网络讨论等启发性信号的影响，而不一定受到意识形态的决定性影响。[65]由此，现实意识形态与网络议题态度之间存在偏差的可能性更大。

第二，社交网站存在的虚假账号可能导致意见抓取呈现系统性偏差。目前，社交网站中存在大量的模仿人类行为进行自动化交互的软件程序，如social bots[66]。这些虚拟账号有自己的个性标签、社交关系，能够基于自然语言处理、文本挖掘、人工智能等发布帖子和表达意见，也能够进行简单的互动行为，如点赞等。高级的虚拟账号还可以借助网络中大量的信息流和知识图谱等获取相关信息、热点事件等。而这些技术和系统若被政治组织利用，很大程度上会影响和扭曲研究者对于意识形态状况的判断。尽管目前有一些社交平台开发专门的识别系统，以判断帖子是机器还是人工发送的，对于虚假账号可能影响话语表达氛围、甚至影响对意识形态的客观判断的现象，研究者应该保持警觉和反思。 

本文来源：《新闻界》：http://www.zzqklm.com/w/zw/1514.html