💡 **AI重塑传播主体与机制：** 随着ChatGPT等大模型的普及，AI不再仅仅是传播研究的工具，更成为传播主体。算法能够理解并创造内容，人机对话日益自然，这挑战了传统传播学以“人”为核心的根基，迫使我们重新思考AI在传播生态中的角色。
🚀 **四大板块深入探索AI与传播交叉：** 读书会将围绕“计算叙事”（AI作为叙事生产者与分析工具）、“智能传播”（社交媒体的智能传播机制，如虚假信息检测）、“人机传播”（AI作为传播主体的人机互动机制）和“传播拟真”（大语言模型与多主体建模结合的仿真系统）四个板块展开，系统性地解析AI对传播领域的影响。
🛠️ **前沿研究方法与工具的应用：** 读书会强调实践性，将介绍并应用如大模型、智能体仿真、社交机器人田野实验等前沿研究工具，赋能参与者掌握数据驱动和认知建模的实践能力，提升在AI与传播交叉领域的研究创新能力。
📚 **理论与实践并重的学习体验：** 参与者不仅能获得AI时代人机协同传播的全新理论视野，更能通过每周的线上会议、案例分析和资料共享，深入理解技术变革如何重构传播生态，并学习如何识别和设计跨学科融合的研究方案。
2025-07-30 19:23 上海
从2025年8月23日开始，每周六10:00-12:00，持续时间预计12周左右
导语
在AI快速发展的当下，AI不仅深刻影响着信息传播的方式，也为传播学研究带来了全新视角和方法。基于此，集智俱乐部联合北京师范大学许小可教授、浙江大学张子柯教授、南京大学王成军教授、深圳大学廖好副教授共同发起“AI×传播”读书会，从计算叙事、智能传播、人机传播与传播仿真四个板块向来共同探索AI与传播的前沿交叉，来深度理解传播机制和传播生态。读书会自8月23日起，每周六10:00-12:00举行，预计持续12周。欢迎扫码加入，共建“AI×传播”社区。
读书会背景
读书会介绍
读书会框架
发起人团队
报名读书会
读书会阅读材料
阅读材料目录主题一：计算叙事主题二：智能传播主题三：人机传播主题四：传播拟真读书会的框架由发起人设计，阅读材料集合了发起人团队与国内众多学者的智慧，特别感谢：周晓禹（北京师范大学）、陈敏扬（南京大学）、陈志聪（南京大学）、曹博林（深圳大学）、周明洋（深圳大学）、秦海明（深圳大学）、赵汗青（上海交通大学）、闵勇（北京师范大学）、黎樟浩（北京师范大学）、谢家荣（北京师范大学）等。主题一：计算叙事子主题（1）：计算叙事传播概览主题推荐语：大语言模型的出现让机器成为“讲故事的人”。如果说语言是人类存在的家园，在数智时代的机器已经作为行动者入侵人类的家园。当匹诺曹可以开口说话，人类几千年来的叙事传播行为被再次颠覆。一方面，深度伪造等虚假叙事成为热点议题；另一方面，人工智能为叙事传播插上了计算的翅膀。计算叙事传播作为智能与计算传播的一个分支，主要关注的是传播学领域的核心议题：人类的符号化的传播现象如何影响人类行为和社会变迁？人类是讲故事的动物，叙事理性直接影响了人类的行为。作为计算传播学的一个重要分支，计算叙事传播研究致力于采用人工智能等计算方法，挖掘人类所创造的叙事元素、叙事网络和叙事扩散，并分析这些叙事元素与真实人类行为之间的关系。主讲人将会结合一系列研究案例介绍计算叙事传播研究的理论、数据、方法，尤其是叙事瀑流模型。主题重点关注：计算叙事传播的定义和理论脉络计算叙事传播的方法和数据基础计算叙事传播的个体和社会影响阅读清单Fisher, W. R. (1987). Human Communication as Narration: Toward a Philosophy of Reason, Value, and Action. University of South Carolina Press. 推荐理由：Walter R. Fisher提出叙事范式，与理性世界范式分庭抗礼，建立了将人类传播概念化为叙述的理论视角，巧妙地提出叙事理性的理论观点。丹·P. 麦克亚当斯. (2019). 我们赖以生存的故事：如何讲述过去的故事，决定了你的未来 (隋真, Trans.). 机械工业出版社. 推荐理由：故事是生命历程的隐喻，是我们的身份认同。本书介绍了叙事身份理论。詹姆斯·彭尼贝克. (2018). 语言风格的秘密：语言如何透露人们的性格、情感和社交关系 (刘珊, Trans.). 机械工业出版社. 推荐理由：每个人的语言风格都不同，像指纹一样。罗伯特·希勒. (2020). 叙事经济学 (陆殷莉, Trans.). 中信出版集团. 推荐理由：诺贝尔经济学奖得主罗伯特·希勒借鉴了流行病学模型，展示了流行叙事对历史进程及其中的个体人生的深刻影响，为读者提供了思考流行叙事影响经济和社会生活的全新视角。Toubia, O., Berger, J., & Eliashberg, J. (2021). How quantifying the shape of stories predicts their success. Proceedings of the National Academy of Sciences, 118(26), e2011695118. https://doi.org/10.1073/pnas.2011695118推荐理由：使用词向量方法描绘故事的形状Esposito, E., Rotesi, T., Saia, A., & Thoenig, M. (2023). Reconciliation narratives:the birth of a nation after the US civil war. American Economic Review, 113(6), 1461–1504. https://doi.org/10.1257/aer.20210413推荐理由：使用一部电影重塑美国内战之后的和解叙事Xu, H., Zhang, Z., Wu, L., & Wang, C.-J. (2019). The Cinderella Complex: Word embeddings reveal gender stereotypes in movies and books. PloS One, 14(11), e0225385. https://doi.org/10.1371/journal.pone.0225385推荐理由：使用词向量捕捉电影和书籍当中的性别刻板印象。Zhang, Y., Sun, Y., & Wang, C.-J. (2025). Unraveling the shape of social media narratives: Analyzing the effects of online interaction and narrative structure on attention to digital asset transactions. Journal of Broadcasting & Electronic Media, 69(3), 200–218. https://doi.org/10.1080/08838151.2025.2484347推荐理由：在线互动和叙事结构如何塑造社交媒体叙事的形状？子主题（2）：大模型驱动的传播认知加工主题推荐语：在信息传播日益倚重大语言模型（LLM）的时代，深入理解其背后的“认知加工机制”已成为传播学、心理学和人工智能领域共同关注的前沿议题。本次读书会以“双系统加工理论”为分析框架，系统探讨LLM在传播活动中如何展现类似人类的“快思考”（直觉启发式）与“慢思考”（深度推理）的认知加工特征。已有研究表明，大模型不仅能模仿人类的认知偏误，通过“快系统”迅速完成信息加工，还能在特定情境下激活“慢系统”，实现自我反思与复杂推理，从而影响信息的生成与传递效果。通过聚焦大模型在信息接收、处理与输出阶段的双系统特征，本次分享尝试为传播学、心理学与人工智能的跨学科对话提供认知视角，借助双系统理论，聚焦大模型的双系统加工机制，探讨其从“信息生成工具”向“传播者”的角色转变过程中的潜能与风险。主题重点关注：大模型的双系统加工机制大模型从“信息生成工具”到“传播者”的角色转变重要文献清单系统 1：快思考——启发式、偏见、自动化加工Mukherjee, A., & Chang, H. H. (2024). Heuristic reasoning in ai: Instrumental use and mimetic absorption. arXiv preprint arXiv:2403.09404.提出LLM在推理中既会工具性使用启发式，也会模仿性吸收人类偏见，揭示系统1加工的双重来源。Acerbi, A., & Stubbersfield, J. M. (2023). Large language models show human-like content biases in transmission chain experiments. Proceedings of the National Academy of Sciences, 120(44), e2313790120.通过传输链实验发现LLM偏向保留负面、刻板印象等信息，呈现出类人内容偏见。Chan, S., Pataranutaporn, P., Suri, A., Zulfikar, W., Maes, P., & Loftus, E. F. (2024). Conversational AI Powered by Large Language Models Amplifies False Memories in Witness Interviews. arXiv preprint arXiv:2408.04681.LLM引导性提问可在访谈中激发虚假记忆，表现出对人类记忆加工的非理性干扰。系统 2：慢思考——反思、调度、深度推理Zhang, J., Dong, R., Wang, H., Ning, X., Geng, H., Li, P., ... & Zhang, H. (2025). AlphaOne: Reasoning Models Thinking Slow and Fast at Test Time. arXiv preprint arXiv:2505.24863.提出可调控LLM思维速度的模型，验证“先慢后快”策略优于传统推理路径。Hagendorff, T. (2024). Deception abilities emerged in large language models. Proceedings of the National Academy of Sciences, 121(24), e2317967121. LLM在“错误信念任务”中表现出理解他人意图与主动欺骗的能力，揭示其隐含社会性推理能力。Costello, T. H., Pennycook, G., & Rand, D. G. (2024). Durably reducing conspiracy beliefs through dialogues with AI. Science, 385(6714), eadq1814.AI通过与用户进行个性化、反思性对话，有效降低阴谋论信念，展现系统2驱动的信念修正作用。子主题（3）：大模型的定性研究应用主题推荐语：大语言模型（Large Language Models, LLMs）的发展为人文社会科学中的质性研究带来了前所未有的机遇。尽管扎根理论、主题分析等质性方法在揭示复杂社会现象与文本意义方面具有独特优势，但传统质性研究依然面临诸多挑战，例如：海量文本资料限制了分析的效率与广度，研究结果易受到分析者主观性的影响，且难以实现结果的可重复性与一致性。针对这些局限，大语言模型通过自动化编码、生成稳定一致的分析输出，以及强大的文本处理能力，正逐步成为质性研究的有力补充。近年来，关于大语言模型在质性研究中应用的探索不断深化，涵盖了模型辅助编码与主题建模、质性分析工具的探索、系统性方法论反思以及伦理层面的批判性讨论。这些进展不仅拓展了质性研究者的工具箱，也促使我们重新审视传统质性方法的边界与可能性。主题重点关注：大语言模型在定性研究中的应用现状概览大语言模型作为定性研究工具：文本编码、主题建模和定性分析重要文献清单：Barros, C. F., Azevedo, B. B., Neto, V. V. G., Kassab, M., Kalinowski, M., Do Nascimento, H. A. D., & Bandeira, M. C. (2025, May). Large Language Model for Qualitative Research: A Systematic Mapping Study. In 2025 IEEE/ACM International Workshop on Methodological Issues with Empirical Studies in Software Engineering (WSESE) (pp. 48-55). IEEE.文章对大型语言模型在定性研究中应用的相关文献进行了系统性梳理，探究了其应用场景、配置方式、方法论及评估指标。Roberts, J., Baker, M., & Andrew, J. (2024). Artificial intelligence and qualitative research: The promise and perils of large language model (LLM)‘assistance’. Critical Perspectives on Accounting, 99, 102722. 文章旨在探讨大型语言模型近期展现的能力对定性研究的影响；探究这些模型如何获得看似 “类人” 的能力与人类 “对话”，以及这些能力在哪些方面具有欺骗性或误导性。Tai, R. H., Bentley, L. R., Xia, X., Sitt, J. M., Fankhauser, S. C., Chicas-Mosier, A. M., & Monteith, B. G. (2024). An examination of the use of large language models to aid analysis of textual data. International Journal of Qualitative Methods, 23, 16094069241231168.文章提出了一种利用大型语言模型支持定性研究中传统演绎式编码的方法，并通过多次迭代分析评估其可Zhang, H., Wu, C., Xie, J., Rubino, F., Graver, S., Kim, C., ... & Cai, J. (2024). When qualitative research meets large language model: Exploring the potential of QualiGPT as a tool for qualitative coding. arXiv preprint arXiv:2407.14925.文章介绍了QualiGPT 工具，该工具旨在解决使用ChatGPT进行定性分析时面临的挑战；文章证明 QualiGPT 显著优化了定性分析流程。Chew, R., Bollenbacher, J., Wenger, M., Speer, J., & Kim, A. (2023). LLM-assisted content analysis: Using large language models to support deductive coding. arXiv preprint arXiv:2306.14924.文章探索了LLM辅助演绎编码的方法——LLM辅助内容分析（LACA），并使用LACA对4个公开数据集进行了实证基准测试，发现GPT-3.5通常可以以与人类编码人员相当的一致性水平执行演绎编码。Kapoor, S., Gil, A., Bhaduri, S., Mittal, A., & Mulkar, R. (2024). Qualitative insights tool (qualit): Llm enhanced topic modeling. arXiv preprint arXiv:2409.15626.文章提出了一种新颖的主题建模方法——定性洞察工具（QualIT），将大型语言模型（LLM）与现有的基于聚类的主题建模方法集成在一起。高虒源,唐啸 & 付帅泽.(2025).基于生成式大语言模型的社会科学定性分析——研究方法与应用示例.社会发展研究,12(01),62-84+243.文章使用生成式大语言模型对扎根理论、民族志、口述史、案例研究四类定性研究的文本分析进行复现，提供应用示例并对复现效果进行呈现、验证与提炼总结。子主题（4）：AI驱动的文本分析方法主题推荐语：在数字社会中，文本不仅是信息传播的媒介，更构成了理解社会结构、文化变迁与集体认知的重要数据资源。“文本作为方法”的研究视角，强调文本作为社会现象的观察窗口，能够揭示语言实践中蕴含的权力关系、身份建构与知识流动等深层机制。从政治演讲、社交媒体到新闻报道，不同类型的大规模文本数据为社会科学研究带来了前所未有的观察尺度与分析可能。借助自然语言处理与机器学习等技术，研究者能够对语义网络、叙事结构与情感取向等语言特征进行系统建模，进而提出具有理论解释力的实证发现。文本分析正逐步成为连接宏观理论与微观数据的关键方法论支柱，为理解数字社会中的意义生产与社会变迁开辟了新的研究路径。主题重点关注：文本数据与社会理论的互动：关注文本数据如何为社会科学理论提供实证支撑，反过来理论又如何指导文本分析框架，推动从“文本解读”走向“社会解释”。文本的社会建构功能：探讨文本如何在特定语境中建构意义、塑造身份、维系权力关系，强调文本不仅是信息的反映，更是社会实践的一部分。多层次文本分析方法的融合：结合话语分析、叙事分析与计算文本分析等方法，从微观语言使用到宏观语义结构，实现跨尺度、跨范式的研究路径。阅读清单：文本数据与社会理论的互动Grimmer, J., Roberts, M. E., & Stewart, B. M. (2022). Text as Data: A New Framework for Machine Learning and the Social Sciences. Princeton University Press.本书提出“文本即数据”的研究范式，将文本表示、测量、预测与因果推断结合机器学习方法，为社会科学提供系统设计路线 。Shiller, R. J. (2019). Narrative economics: How stories go viral and drive major economic events. Princeton University Press. 本书提出“叙事经济学”（Narrative Economics）概念，强调经济行为不仅受数据与理性决策驱动，也深受广泛传播的社会叙事影响，为将文本数据引入经济学分析提供了理论基础。Krippendorff, K. (2018). Content Analysis: An Introduction to Its Methodology (4th ed.). Sage Publications.内容分析领域经典参考，从理论到实践详述了文本如何构建社会意义与符号系统。文本的社会建构功能Aroyehun, S. T., Simchon, A., Carrella, F., Lasser, J., Lewandowsky, S., & Garcia, D. (2025). Computational analysis of US congressional speeches reveals a shift from evidence to intuition. Nature Human Behaviour, 9(6), 1122–1133. https://doi.org/10.1038/s41562-025-02136-2 通过分析从1879年到2022年约800万篇国会演讲，该研究发现1970年代中期以来议员们使用基于证据语言的频率持续下降，而依赖直觉和情感表达的语言逐渐占上风；这种语言转向与党派极化加剧、收入不平等上升及立法效率下降紧密相关。Esposito, E., Rotesi, T., Saia, A., & Thoenig, M. (2023). Reconciliation Narratives: The Birth of a Nation after the US Civil War. American Economic Review, 113(6), 1461–1504. https://doi.org/10.1257/aer.20210413利用“电影《一个国家的诞生》”在1910–1920 年代的传播数据，揭示“Lost Cause”叙事如何在种族与民族融合中发挥双重作用 。Best, R. K., & Arseniev Koehler, A. (2023). The stigma of diseases: Unequal burden, uneven decline. American Sociological Review, 88(5), 938–969. https://doi.org/10.1177/00031224231197436 本研究通过对 1980–2018 年间 4.7 万篇新闻语料的词嵌入分析，揭示行为健康及可预防疾病激发“道德偏见”意象，而传染病则更易与“厌恶”情绪相关联，且只有慢性身体疾病的污名显著下降Hamamura, T., Chen, Z., Chan, C. S., Chen, S. X., & Kobayashi, T. (2021). Individualism With Chinese Characteristics? Discerning cultural shifts in China using 50 years of printed texts. American Psychologist, 76(6), 888–903. https://doi.org/10.1037/amp0000840本文运用 NLP 和词向量技术分析 1950–1999 年中国印刷文本，指出中国文化中的个人主义并未随着现代化显著上升，集体主义仍具持续性DeFranza, D., Mishra, H., & Mishra, A. (2020). How language shapes prejudice against women: An examination across 45 world languages. Journal of Personality and Social Psychology: Attitudes and Social Cognition, 119(1), 7–22. https://doi.org/10.1037/pspa0000188 本研究利用 Wikipedia 与 Common Crawl 45 种语言的大规模语料数据，发现语法性别化语言中对女性的偏见更为普遍，并揭示这种偏见在“温暖”和“能力”语义维度上的差异性表达Garg, N., Schiebinger, L., Jurafsky, D., & Zou, J. (2018). Word embeddings quantify 100 years of gender and ethnic stereotypes. Proceedings of the National Academy of Sciences, 115(16), E3635–E3644. https://doi.org/10.1073/pnas.1720347115词嵌入技术定量分析过去一个世纪英语语料中的性别和种族刻板印象演变。多层次文本分析方法的融合Jurafsky, D., & Martin, J. H. (2023). Speech and Language Processing (3rd ed. draft). Retrieved from https://web.stanford.edu/~jurafsky/slp3/语言处理领域权威草稿教材，涵盖核心 NLP 技术及其在文本分析中的多尺度应用。Grand, G., Blank, I. A., Pereira, F., & Fedorenko, E. (2022). Semantic projection recovers rich human knowledge of multiple object features. Nature Human Behaviour, 6, 593–605.语义投影技术能够从词向量中恢复人类对物体特征的复杂认知知识。Kozlowski, A. C., Taddy, M., & Evans, J. A. (2019). The geometry of culture: Analyzing the meanings of class through word embeddings. American Sociological Review, 84(5), 905–949.提出“文化几何”方法，通过词向量揭示阶层语义结构的空间布局。主题二：智能传播子主题（1）：信息与计算视角的智能传播主题推荐语：在社交媒体平台成为信息传播核心载体的时代，其复杂的社会技术生态系统深刻改变了信息的获取、分享与解读方式。本次读书会本主题以复杂系统理论为框架，系统探讨社交媒体智能信息传播的三个关键领域：（1）谣言与虚假信息检测，（2）竞争性传播机制，（3）关键传播节点的识别。分享将聚焦复杂性感知模型、图网络算法及深度学习技术在提升内容可信度和引导信息传播中的前沿应用，揭示用户交互、内容流动与网络结构如何催生影响力和舆论形成的涌现模式。我们将进一步探讨从理论到实践的未来研究方向，旨在构建更加可信、可靠和适应性强的社交媒体生态系统。主题重点关注：谣言与虚假信息的自动化检测机制可靠信息与不可靠信息的竞争性传播动态社交网络中关键传播节点（意见领袖）的识别与作用重要文献清单：总览Liao, H., et al. (2020). Dissemination intelligence information on social media. Europhysics Letters, 150(1), p.11001.《大数据网络传播模型和算法》，陈卫，人民邮电出版社，2020.谣言与虚假信息检测Shu, K., et al. (2020). Hierarchical propagation networks for fake news detection: Investigation and exploitation. Proceedings of the International Conference on Web and Social Media (ICWSM).提出基于传播网络的虚假信息检测方法，利用用户属性和转发时间序列重构新闻-用户网络，支持复杂下游任务。Jin, Y., et al. (2022). Towards fine-grained reasoning for fake news detection. In Proceedings of the AAAI conference on artificial intelligence, 36(05), 5746-5754.通过细粒度推理整合语境分析和基于证据的推断，提升假新闻检测的准确性。利用先进的自然语言处理和证据网络图，该框架在多样化数据集上展现出稳健性能。Liao, H., et al. (2023). Muser: A multi-step evidence retrieval enhancement framework for fake news detection. In Proceedings of the 29th ACM SIGKDD conference on knowledge discovery and data mining (pp. 4461-4472).提出了一种创新的多步骤证据检索增强框架（MUSER），通过模拟人类在新闻消费中的认知过程-阅读、总结、查阅资料和推理真伪，显著提升了假新闻检测的性能。竞争性传播He, X., et al. (2012). Influence blocking maximization in social networks under the competitive linear threshold model. Proceedings of the 2012 SIAM International Conference on Data Mining, 463-474. 提出竞争线性阈值（CLT）模型，研究社交网络中竞争性影响传播及种子节点选择问题。Liao, H., et al. (2023). Popularity Ratio Maximization: Surpassing Competitors through Influence Propagation. SIGMOD '23, Seattle, WA, USA. 该研究提出了PA-IC模型，整合偏好连接（PA）模型与独立级联（IC）模型，并针对流行度比率最大化（PRM）问题，为新手项目在动态竞争环境中制定最优的多轮次推广策略，提供了首个兼具理论分析和高效计算的框架。关键传播节点识别Kitsak, M., et al. (2010). Identification of influential spreaders in complex networks. Nature Physics, 6(11), 888-893. 提出K-shell分解方法，通过网络层次结构识别核心传播节点，揭示节点重要性。Huang, Y., et al.（2024）. Identifying key players in complex networks via network entanglement. Commun Phys 7, 19 (2024)使用“基于纠缠”的方法识别复杂网络中的关键节点，涉及分析网络结构与属性的相互交织，类似于量子纠缠连接粒子。旨在理解移除某些节点（关键节点）将如何影响网络的整体功能和结构。。子主题（2）：社交网络中传播影响力最大化主题推荐语：在当今信息爆炸的社交网络中，如何找到关键的传播者，能够用最小的成本进行病毒式广告营销或是推动一次舆论传播？这就是网络科学研究中的一个核心难题——传播影响力最大化问题。本次读书会分享将从经典的传播影响力最大化研究出发，理解为何经典的贪心策略能为这个NP-hard问题提供性能保证；进而探讨最新的应用研究，例如当传播目标从个人变为特定群体（团购客户），算法该如何演化与应对；最后聚焦于图神经网络与强化学习如何被巧妙地结合，在效果和效率上超越传统方法。这场读书会期待与你一同走过传播影响力最大化研究的路径，从经典理论到强化学习，把握这一领域的核心内容，掌握网络分析的未来趋势。主题重点关注：传播影响力最大化问题的形式化建模和分析面向团购客户的传播影响力最大化问题变型研究深度学习和强化学习在传播关键节点问题的应用扩展阅读清单一、复杂网络分析与优化｜传播影响力最大化问题形式化建模和分析Maximizing the Spread of Influence through a Social Network (2003) Kempe, D., Kleinberg, J., & Tardos, É. (2003). Maximizing the Spread of Influence through a Social Network. SIGKDD ’03, Washington, DC, USA. https://doi.org/10.1145/956750.956769 该研究将影响力最大化问题定义为离散优化问题，并证明为NP-hard问题，利用影响力函数的次模性，证明了一个简单的贪心算法能以(1-1/e)的近似率接近最优解，为影响力最大化问题的研究提供了首个高效且有理论保证的计算框架。Scalable Influence Maximization for Prevalent Viral Marketing in Large-Scale Social Networks (2010)Chen, W., Wang, C., & Wang, Y. (2010). Scalable Influence Maximization for Prevalent Viral Marketing in Large-Scale Social Networks. SIGKDD ’10, Washington, DC, USA. https://doi.org/10.1145/1835804.1835934 该研究提出MIA/PMIA启发式算法，通过构建局部影响树将该问题计算复杂度降低数个数量级，解决了大规模网络中的可扩展性难题，同时实现了性能的大幅提升。Popularity Ratio Maximization: Surpassing Competitors through Influence Propagation (2023) Liao, H., Bi, S., et al. (2023). Popularity Ratio Maximization: Surpassing Competitors through Influence Propagation. SIGMOD '23, Seattle, WA, USA. https://doi.org/10.1145/3589309 该研究提出了PA-IC模型，整合偏好连接（PA）模型与独立级联（IC）模型，并针对流行度比率最大化（PRM）问题，为新手项目在动态竞争环境中制定最优的多轮次推广策略，提供了首个兼具理论分析和高效计算的框架。二、复杂网络分析与优化｜面向团购客户的传播影响力最大化问题变型研究Motif-oriented influence maximization for viral marketing in large-scale social networks (2024)Zhou, M., Cao, W., Liao, H., & Mao, R. (2024). Motif-oriented influence maximization for viral marketing in large-scale social networks. 38th Conference on Neural Information Processing Systems (NeurIPS 2024). 该研究将影响力最大化问题从传统个体用户目标，创新性地扩展到面向团体用户的场景。由于影响力函数不具备次模性，论文建立了影响力函数的次模上、下界，并通过贪心策略同时优化上下界，解决了面向团体用户的传播影响力最大化问题。Group Influence Maximization Problem in Social Networks (2019). Zhu, J., Ghosh, S., & Wu, W. (2019). Group Influence Maximization Problem in Social Networks. IEEE Transactions on Computational Social Systems, 6(6), 1156-1168. https://doi.org/10.1109/TCSS.2019.2938575 本文研究了社交网络中的群体影响力最大化（GIM）问题，其目标不再是最大化激活的个体用户数，而是最大化被激活的群组数量。通过构造具有次模性的上界和下界函数来逼近原问题，并提出了GCMA算法，为解决非次模影响力优化问题提供了理论支撑。三、复杂网络分析与优化｜深度学习和强化学习在传播关键节点问题的应用扩展Deep graph representation learning and optimization for influence maximization (2023)Ling, C., Jiang, J., Wang, J., Thai, M., Xue, L., Song, J., Qiu, M., & Zhao, L. (2023). Deep graph representation learning and optimization for influence maximization. In Proceedings of the 40th International Conference on Machine Learning (ICML). https://proceedings.mlr.press/v202/ling23b/ling23b.pdf 本文通过自编码器将种子集选择问题映射到低维连续的潜在空间进行优化，与经典方法依次选择传播源不同的是，该方案一次性选择多个传播源节点，解决了现有影响力最大化方法的可扩展性、模型失真与约束适应性问题。Finding key players in complex networks through deep reinforcement learning(2020)Fan, C., Zeng, L., Sun, Y. & Liu, Y.-Y. Finding key players in complex networks through deep reinforcement learning. Nature Machine Intelligence 2, 317-324 (2020). https://www.nature.com/articles/s42256-020-0177-2 本文构建了一个强化学习模型，该模型将影响力最大化问题构建为马尔可夫决策过程，并能适配到多种关键节点选择问题，通过在小网络上进行离线训练，对大规模复杂网络进行在线推理，在效率和准确度上达到了很好的平衡。Deep-learning-aided dismantling of interdependent networks. (2025)Gu, W., Yang, C., Li, L., Hou, J., & Radicchi, F. (2025). Deep-learning-aided dismantling of interdependent networks. Nature Machine Intelligence(2025). https://www.nature.com/articles/s42256-025-01070-2 本文首次实现多层网络表示学习与深度强化学习的结合，用于解决多层相互依赖网络的拆解问题，其泛化能力和性能在疾病控制、基础设施保护等实际应用中得到验证，可用于传播中的关键节点选择问题。主题三：人机传播子主题（1）：人机传播研究导论主题推荐语：当人工智能从工具进化为日常对话的“伙伴”、创意协作的“同事”，甚至情感寄托的“对象”，人机之间的传播互动已悄然重塑着我们认知自我、联结他人、介入社会的方式。本话题将聚焦人机传播的多维图景：从微观互动切入，解析人机对话如何兼具自我传播的内省性、人际传播的情感性与群际传播的冲突性；进而探讨其在工具性领域（如智能服务）、关系性领域（如信任、依赖）与创意性领域（如AI创作）的差异化嵌入逻辑；同时梳理AIGC与AIMC技术带来的传播生产革命，并深入前沿探索——当AI深度渗透社会肌理，它们正如何重构我们的信任机制与社会关系。这场读书会期待与你一同拆解“人与机器”的传播密码，追问技术浪潮中传播的本质与未来。主题重点关注：人机传播的互动机制人机传播的社会嵌入人机传播的深层影响阅读清单一、中文专著类｜系统梳理与前沿引导牟怡.（2024）. 传播的跃迁——人工智能如何革新人类的交流. 清华大学出版社.本书系统梳理了人机传播领域的核心议题，涵盖AI的个性与外形、交流本真性、人机信任、AIGC协作模式及伦理困境等前沿话题，融合理论与案例，是理解智能传播变革的重要指南。牟怡.（2017）. 传播的进化：人工智能将如何重塑人类的交流. 清华大学出版社.立足媒介技术演化视角，探讨AI作为全新“交流对象”如何重塑人类传播模式、伦理、互动性与人格认知等。二、理论范式扩展｜CASA、MASA 与 AI-MCGambino, A., Fox, J., & Ratan, R. A. (2020). Building a stronger CASA: Extending the computers are social actors paradigm. Human-Machine Communication, 1, 71–85. https://doi.org/10.30658/hmc.1.5超越将人际脚本直接迁移至人机交往的CASA范式，提出媒介可形成独立社会交往模式。Lombard, M., & Xu, K. (2021). Social responses to media technologies in the 21st century: The media are social actors paradigm. Human-Machine Communication, 2, 29–55. https://doi.org/10.30658/hmc.2.2在CASA基础上提出MASA模型，强调媒介“行动者化”，回应当代AI交互的复杂性与泛在性。Lee, E. J. (2024). Minding the source: Toward an integrative theory of human–machine communication. Human Communication Research, 50(2), 184–193. https://doi.org/10.1093/hcr/hjad016对比“无意识心智模式”与“机器启发式”两大路径，呼吁建构整合性HMC理论框架。Yang, H., & Sundar, S. S. (2024). Machine heuristic: Concept explication and development of a measurement scale. Journal of Computer-Mediated Communication, 29(6), zmae019. https://doi.org/10.1093/jcmc/zmae019通过对Machine heuristic进行理论阐释与量表开发，明确定义人们对AI“理性中立性”假设所产生的自动信任机制。Hancock, J. T., Naaman, M., & Levy, K. (2020). AI-mediated communication: Definition, research agenda, and ethical considerations. Journal of Computer-Mediated Communication, 25(1), 89–100. https://doi.org/10.1093/jcmc/zmz022首次提出AI-MC概念，强调AI不仅传递信息，更成为“消息作者”，挑战CMC理论传统预设。Westerman, D., Edwards, A. P., Edwards, C., Luo, Z., & Spence, P. R. (2020). I-It, I-Thou, I-Robot: The perceived humanness of AI in human-machine communication. Communication Studies, 71(3), 393–408. https://doi.org/10.1080/10510974.2020.1733853结合哲学与传播学理论探讨“拟人性”如何影响用户对AI的社会性判断，是CASA理论的深化延展。三、人机情感互动｜亲密关系、社会支持与心理风险Meng, J., Zhang, R., Qin, J., Lee, Y. J., & Lee, Y. C. (2025). AI-mediated social support: The prospect of human–AI collaboration. Journal of Computer-Mediated Communication, 30(4), zmaf013. https://doi.org/10.1093/jcmc/zmaf013明确人类主导、AI主导与人机协作三种路径，探讨其对支持性信息的真实感与有用性评价。Li, H., & Zhang, R. (2024). Finding love in algorithms: Deciphering the emotional contexts of close encounters with AI chatbots. Journal of Computer-Mediated Communication, 29(5), zmae015. https://doi.org/10.1093/jcmc/zmae015基于Replika社区大数据，识别七类人机社交行为，揭示AI陪伴中“苦乐参半”情绪与心理悖论。Zhang, R., Li, H., Meng, H., Zhan, J., Gan, H., & Lee, Y. C. (2025, April). The dark side of AI companionship: A taxonomy of harmful algorithmic behaviors in human–AI relationships. In Proceedings of the 2025 CHI Conference on Human Factors in Computing Systems (pp. 1–17). ACM. https://doi.org/10.1145/3544548.3581503提出“替代性亲密关系困境”理论，揭示AI陪伴对用户依赖、错位与心理脆弱性的影响机制。Mou, Y., Lan, J., & Huang, Y. (2025). Good night versus goodbye? Comparing the mourning remarks of virtual and human uploaders through a data-mining approach. New Media & Society, 27(5), 2684–2702. https://doi.org/10.1177/14614448231109225对比虚拟主播与真人UP主去世后的哀悼表达，揭示用户对拟人化AI的情感延伸边界。四、跨文化感知与使用动因｜AI适配与情境差异Scherr, S., Cao, B., Jiang, L. C., & Kobayashi, T. (2025). Explaining the use of AI chatbots as context alignment: Motivations behind the use of AI chatbots across contexts and culture. Computers in Human Behavior, 108738. https://doi.org/10.1016/j.chb.2025.108738提出“情境对齐”机制，基于四国调查识别情感调节、社交补偿、认知协助与功能动机的文化差异，为AI使用研究提供跨文化解释框架。Liu, Z., Li, H., Chen, A., Zhang, R., & Lee, Y. C. (2024, May). Understanding public perceptions of AI conversational agents: A cross-cultural analysis. In Proceedings of the 2024 CHI Conference on Human Factors in Computing Systems (pp. 1–17). ACM. https://doi.org/10.1145/3613904.3642101基于百万条社交媒体数据，发现中国用户更倾向将AI视为享乐型伙伴，而美国用户更关注其工具属性，强调“温暖感”是跨文化正向情绪的关键驱动因素。子主题（2）：人机传播网络的计算扎根主题推荐语：当前，社交网络的发展范式正经历着深刻转型——从技术驱动转向“以人为核心”的行为驱动。这种转变不仅重塑着个体的情感认知与行为模式，更在社会层面构建起连接个体的新型纽带。而随着人工智能技术的突飞猛进，社交网络的主体构成正在发生新的质变，从纯粹的人类社交场域，演变为人机协同、共生共融的复合型社会网络。这一变革为人文社会科学研究开辟了崭新的观察维度：人机交互动态、新型人机关系、机器行为规律等前沿议题应运而生。然而，传统研究范式正面临双重挑战：在理论层面，基于人类行为样本构建的社会科学理论难以有效解释和预测机器行为；在方法层面，传统的统计推断与质性分析难以应对人机社会网络数据的复杂结构与海量规模。在本主题中，我们提出开创性的范式革新方案：将社交机器人作为独立研究主体，构建人机社会网络的全新研究框架。通过整合机器学习强大的预测能力与归因算法的可解释性优势，采用计算扎根的方法论，系统揭示人机行为差异，解码机器行为的内在规律。这一创新范式将为社交网络研究开辟前所未有的理论视野与方法路径。主题重点关注：传播相关的社交网络分析：理解信息、行为或影响如何在网络中扩散，分析网络结构如何影响传播。计算社会科学的定量研究范式：借助机器学习的预测能力和归因算法的可解释性，探索计算扎根的新范式。人机传播学的新视角：将社交机器人作为新的主体，构建人机传播网络研究的新范式。新范式下舆论演化研究：作为对比新旧范式下传播学研究案例，介绍AI代理涌现类似人类社会的极化现象。阅读清单一、经典的传播相关社会网络分析书籍Paul Adams (2011), Grouped: How Small Groups of Friends are the Key to Influence on the Social Web本书深入剖析了互联网时代社交行为的底层逻辑，揭示了人际关系如何重塑商业规则，基于社交行为研究为企业提供适应“以人为中心”互联网生态的行动框架。James H. Fowler, Nicholas A. Christakis, (2011),Connected: The Surprising Power of Our Social Networks and How They Shape Our Lives本书通过揭示社交网络如何深刻影响我们的情感、健康、行为和人际关系，颠覆了个人独立的传统观念，为理解社会互动提供了革命性的新视角。许小可,胡海波,张伦,王成军, 社交网络上的计算传播学, 高等教育出版社, 2015年本书系统构建了社交网络上计算传播学的理论框架与实践方法，通过分析信息传播的可计算因素、应用场景及数据处理技术，为跨学科研究社交网络中的传播行为提供了系统性解决方案。Damon Centola (2020). How Behavior Spreads: The Science of Complex Contagions 本书挑战了传统传播理论，揭示社会行为（如创新采纳或健康实践）的扩散不同于病毒传播，需要社会网络的强连接和多次强化，为政策制定者提供了利用网络结构推动社会变革的科学依据。张伦,王成军,许小可, 计算传播学导论（第二版）, 北京师范大学出版社, 2024年本书系统介绍计算传播学这一新兴交叉学科，通过传播网络分析、文本挖掘与数据科学方法，揭示人类传播行为的可计算模式，为学术研究和新媒体实践提供跨学科方法论基础。二、计算社会科学的定量研究范式Jake M. Hofman, Amit Sharma, and Duncan J. Watts. 2017. Prediction and explanation in social systems. Science 355, 6324 (2017), 486–488. https://doi.org/10.1126/science.aal3856本文指出社会科学研究正从传统偏重因果解释转向重视预测准确性，并强调需要解决预测评估标准化、社会系统预测的理论局限性，以及预测准确性与可解释性的互补关系这三个关键问题，以推动更具可复制性和实用性的社会科学研究。Jake M. Hofman, Duncan J. Watts, Susan Athey, Filiz Garip, Thomas L. Griffiths, Jon Kleinberg, Helen Margetts, Sendhil Mullainathan, Matthew J. Salganik, Simine Vazire, Alessandro Vespignani, and Tal Yarkoni. 2021. Integrating explanation and prediction in computational social science. Nature 595, 7866 (2021), 181–188. https://doi.org/10.1038/s41586-021-03659-0本文提出计算社会科学应超越单纯的数据和方法层面，通过建立解释性研究（因果分析）与预测性研究（结果预测）的二维框架，倡导将二者结合的"整合建模"方法，为不同学科背景的研究者提供了促进领域融合的具体实践路径。Description, prediction, explanation. Nat. Hum. Behav. 5, 10 (2021), 1261–1261. https://doi.org/10.1038/s41562-021-01230-5本文系统阐述了描述性、预测性和解释性研究在科学中的不同价值，强调随着大数据和机器学习的发展，预测性研究正获得与因果解释同等重要的地位，同时明确了不同类型研究的审稿标准——因果研究需实验或严谨的识别策略，预测研究需样本外验证，描述性研究则需揭示新现象或提供规模化测量。陈茁, 陈云松, 计算扎根：定量研究的理论生产方法, 社会学研究,2023, (4): 50-73本文创新性地提出"计算扎根"方法，通过机器学习算法突破传统定量研究的演绎逻辑局限，基于变量预测力自动筛选潜在因果因子来生成新理论假说，在保持定量研究严谨性的同时实现了扎根理论的归纳优势，为社会科学理论创新提供了可操作的技术路径。三、人机融合传播网络的诞生与发展Emilio Ferrara, Onur Varol,Clayton Davis, Filippo Menczer, and Alessandro Flammini. 2016. The rise of social bots. Commun. ACM 59, 7 (2016), 96–104. https://doi.org/10.1145/2818717本文系统阐述了社交机器人在技术-社会系统中的双面性（既有良性用途也有恶意操纵），重点分析了其渗透政治话语、扰乱金融市场等危害行为，并综述了当前基于网络特征、众包策略和监督学习等多元检测方法的研究进展。Iyad Rahwan, Manuel Cebrian, Nick Obradovich, Josh Bongard, Jean-François Bonnefon, Cynthia Breazeal, Jacob W. Crandall, Nicholas A. Christakis, Iain D. Couzin, Matthew O. Jackson, Nicholas R. Jennings, Ece Kamar, Isabel M. Kloumann, Hugo Larochelle, David Lazer, Richard McElreath, Alan Mislove, David C. Parkes, Alex ‘Sandy’ Pentland, Margaret E. Roberts, Azim Shariff, Joshua B. Tenenbaum, and Michael Wellman. 2019. Machine behaviour. Nature 568, 7753 (2019), 477–486. https://doi.org/10.1038/s41586-019-1138-y本文提出建立“机器行为学”这一新兴交叉学科，主张通过融合计算机科学与其他学科的视角来系统研究人工智能系统的行为规律，在阐明该领域核心科学问题的同时，深入探讨了技术、法律和制度层面对机器行为研究的现实约束。Tsvetkova,M., Yasseri, T., Pescetelli, N., & Werner, T. (2024). A new sociology of humans and machines. Nature Human Behaviour, 8(10), 1864-1876本文提出“人机共生社会”的新范式，指出由人类与智能机器构成的复杂社会系统涌现出竞争、协作、传染等集体行为特征，通过高频交易市场、社交媒体等实证案例揭示其独特动态规律，呼吁建立融合复杂系统方法、交互式AI设计和生态化监管的人机社会学研究框架。Dino Pedreschi, Luca Pappalardo, Emanuele Ferragina, Ricardo Baeza-Yates, Albert-László Barabási, Frank Dignum, Virginia Dignum, Tina Eliassi-Rad, Fosca Giannotti, János Kertész, Alistair Knott, Yannis Ioannidis, Paul Lukowicz, Andrea Passarella, Alex Sandy Pentland, John Shawe-Taylor, and Alessandro Vespignani. 2025. Human-AI coevolution. Artif. Intell. 339,(2025), 104244. https://doi.org/10.1016/j.artint.2024.104244本文开创性地提出“人机协同进化”研究新领域，以推荐系统为例揭示用户与AI间形成的反馈循环如何产生复杂系统效应，通过方法论批判、跨学科框架构建和实证案例分析，在科学、法律和社会政治三个层面系统阐述了这一融合人工智能与复杂科学的交叉领域的研究路径与挑战。四、新旧范式的传播学研究Jiarong Xie, Fanhui Meng, Jiachen Sun, Xiao Ma, Gang Yan and Yanqing Hu. Detecting and modelling real percolation and phase transitions of information on social media. Nature Human Behaviour 5(9), 1161–1168 (2021) (cover story).第四范式研究信息传播动力学的典型案例，通过社交媒体大数据分析，发现其传播能力被严重低估，通过数据驱动的数学建模挖掘强传播力的来源为朋友关系结构与用户行为的共演化。Baumann F, Lorenz-Spreen P, Sokolov I M, et al. Modeling echo chambers and polarization dynamics in social networks. Physical Review Letters, 2020, 124(4): 048301.旧范式研究意见极化动力学的典型案例，提出简洁的意见动力学数学模型，能再现实证社交网络中的极化和回音室特征。Ohagi M. Polarization of autonomous generative AI agents under echo chambers. Proceedings of the 14th Workshop on Computational Approaches to Subjectivity, Sentiment, & Social Media Analysis, 2024, 112–124.新范式研究意见极化案例，揭示AI代理群在封闭讨论中会自发形成观点极化，为预判AI渗透社交媒体后的群体行为风险提供依据。Piao J, Lu Z, Gao C, et al. Emergence of human-like polarization among large language model agents. arXiv preprint arXiv:2501.05171, 2025.新范式研究意见极化案例，发现AI代理在复杂网络中重现人类政治极化全貌，揭示个体心理机制与网络效应的双重作用，并为现实社会提供可迁移的降极化干预策略。子主题（3）：社交机器人田野实验研究主题推荐语：当信息在大数据和智能算法的驱动下成为跳跃在用户终端屏幕上的精灵时，传播学研究需要一个全新视角去理解这种主体性的迁移，而社交机器人将成为探索智能传播机制的基础性工具。本次分享将深入解析社交机器人田野实验的理论根基与研究潜能：它们如何作为“非人主体”，模拟人类账号行为、嵌入真实社交平台，并借助大数据日志精准追踪信息流动路径；又如何在实验逻辑控制下揭示平台算法的偏好机制、人机互动的演化、以及“过滤气泡”等数字社会现象的成因与后果。我们将探讨这一方法在算法审计、平台治理、社会分化研究中的应用价值，并展望“信息是活的”这一命题背后的深远意义。在人与算法共存的时代，社交机器人不仅是工具，更是照见传播机制与社会结构的镜子。主题重点关注：社交机器人田野实验的设计逻辑与行为建模社交机器人引发的人机边界、传播伦理与治理问题“屏幕生态学”驱动新研究方法的发展阅读清单Chen, W., Pacheco, D., Yang, K.-C., & Menczer, F. (2021). Neutral bots probe political bias on social media. Nature Communications, 12(1), 5580.通过在社交平台上部署中立社交机器人，探测算法在政治立场上的推荐偏向。结果发现，不同机器人在无行为差异的情况下接收到的内容呈现显著立场差异，揭示了算法驱动的潜在政治偏见。Hosseinmardi, H., Ghasemian, A., Rivera-Lanas, M., Horta Ribeiro, M., West, R., & Watts, D. J. (2024). Causally estimating the effect of YouTube’s recommender system using counterfactual bots. Proceedings of the National Academy of Sciences, 121(8), e2313377121.以社交机器人为实验工具，基于用户真实浏览历史构建行为切片，设定反事实路径，以因果推断方法审计YouTube推荐系统。结果发现，算法倾向于推荐主流温和内容，较少引导至极端内容。Ibrahim, H., AlDahoul, N., Lee, S., Rahwan, T., & Zaki, Y. (2023). YouTube’s recommendation algorithm is left-leaning in the United States. PNAS Nexus, 2(8), pgad264.通过社交机器人模拟用户行为，系统审计YouTube推荐算法在美国的政治立场偏向。结果显示，平台算法整体呈现左倾特征，且即使用户从中立内容开始，算法也更可能将其引导至自由派内容。Min, Y., Jiang, T., Jin, C., Li, Q., & Jin, X. (2019). Endogenetic structure of filter bubble in social networks. Royal Society Open Science, 6(11), 190868.通过在微博平台部署128个社交机器人，精确控制机器人在网络中的关注关系与偏好设定，模拟具有不同兴趣取向（如娱乐、科技）的用户，分析过滤气泡的内在结构。吴晔, 黎樟浩, 闵勇. (2024). 计算传播学的社交机器人田野实验：概念、方法与应用. 国际新闻界, 46(9), 135–154从计算传播学的视角出发，探讨社交机器人田野实验的概念界定、方法建构、实验设计及其实际应用，认为社交机器人田野实验结合了大数据分析与仿真方法的优势，已发展为一种高度可控的实验法。刘河庆, 梁玉成. (2023). 透视算法黑箱：数字平台的算法规制与信息推送异质性. 社会学研究, 38(2), 49-71+227.通过构建社交机器人并投放于真实社交平台，以审计算法推荐的偏向性与信息分发机制。揭示了平台在政治立场与兴趣维度上的推送异质性，为理解“信息茧房”与“过滤气泡”现象提供了实证基础。补充材料Reeves, B., Robinson, T., & Ram, N. (2020). Time for the Human Screenome Project. Nature, 577(7790), 314–317本研究提出“人类屏幕组学”（Human Screenome）概念，主张通过高频率截屏技术精细记录个体在数字设备上的实时操作行为。研究强调，仅有应用层级的数据不足以揭示信息接触、注意力转移与心理状态之间的微观动态，屏幕组学为理解数字时代的人机互动、媒体使用与心理机制提供了全新方法论。Muise, D., Lu, Y., Pan, J., & Reeves, B. (2022). Selectively localized: Temporal and visual structure of smartphone screen activity across media environments. Mobile Media & Communication, 10(3), 487–509.本研究基于屏幕组学方法，分析智能手机使用活动在不同媒体环境中的时间节奏与视觉结构。通过截屏数据揭示，用户的注意力呈现出高度选择性与局部集中特征，显示数字媒介中的信息处理具有特定的时间-视觉组织规律，为理解数字环境下的感知与行为模式提供了微观证据。主题四：传播拟真子主题（1）：NetLogo大模型拟真主题推荐语：长期以来，包括传播学在内的人文社会科学致力于理解人类互动中复杂的动态过程，如信息传播、观点形成与文化演化。以多主体建模（Agent-Based Modeling, ABM）为代表的计算社会科学方法，通过构建“自下而上”的虚拟社会实验室，为这些研究提供了强有力的工具。然而，传统ABM中的主体（Agent）通常基于预设的简单规则行动，其行为原则相对机械，难以模拟人类丰富的认知与沟通能力。目前被广泛使用的ABM社会模拟工具NetLogo，因为缺乏与大模型直接交互的功能而未能在AI时代发挥出应有的作用。本主题将介绍一个前沿的范式革新：通过将大语言模型（LLM）与NetLogo相结合，赋予主体成为可推理的智能体，使其具备强大的理解、推理和生成能力。本主题将NetLogo为实践平台，通过多个实际案例，系统性地展示如何在不依赖于如Python等其他代码语言的基础上，将LLM作为智能体的“认知引擎”，从而将传统“规则驱动”的模拟，在NetLogo内部完成“认知驱动”的智能仿真升维过程。这一融合不仅极大地提升了社会仿真的现实感与解释力，也为社会科学家探索微观互动与宏观现象之间的复杂关联提供了全新的、强大的计算工具。该领域正处在爆发式增长的初期，值得每一位关注计算方法与前沿理论的学者深入了解。主题重点关注：方法论融合：多智能体建模（ABM）与大语言模型（LLM）结合的技术路径与理论意义。智能体设计革新：从“规则智能体”到“认知智能体”的设计思想演变及其在仿真中的实现。经典理论的智能化再现：通过案例教学，展示如何利用基于NetLogo的AI增强的仿真工具，对信息传播、观点演化等经典传播学理论进行深化研究。阅读清单重要综述及书籍Wilensky, U., & Rand, W. (2015). An Introduction to Agent-Based Modeling: Modeling Natural, Social, and Engineered Complex Systems with NetLogo.本书是学习多智能体建模与NetLogo平台的权威入门教材，系统介绍了ABM的基本思想、建模步骤以及在不同领域的应用，是理解本主题技术基础的必读之作。Gilbert, N. (2008). Agent-Based Models. SAGE.本书简明扼要地概述了多智能体建模的核心概念，并探讨了其在社会科学研究中的哲学基础和应用潜力，有助于从宏观层面把握该方法的价值。Park, J. S., O'Brien, J. C., Cai, C. J., et al. (2023). Generative Agents: Interactive Simulacra of Human Behavior. arXiv preprint arXiv:2304.03442.这是一篇开创性的研究，展示了如何使用LLM创建能够进行记忆、反思和规划的“生成式智能体”，构建了一个可信的虚拟小镇。该研究是理解LLM驱动的社会仿真实践的里程碑式文献。经典传播学仿真研究Granovetter, M. (1978). Threshold Models of Collective Behavior. American Journal of Sociology, 83(6), 1420-1443.这篇文章提出了集体行为的“门槛模型”，是理解信息传播和创新扩散中个体决策与群体行为关系的基础理论，为众多信息传播类ABM提供了理论启发。Axelrod, R. (1997). The Dissemination of Culture: A Model with Local Convergence and Global Polarization. Journal of Conflict Resolution, 41(2), 203-226.本文提出了经典的文化扩散模型，展示了简单的局部趋同规则如何在宏观上形成稳定的文化区域。这是观点演化和共识形成研究领域最常被引用的仿真模型之一，也是我们课程案例的改编基础。大模型与社会科学仿真交叉探索Argyle, L. P., Busby, E. C., et al. (2023). Out of One, Many: Using Language Models to Simulate Human Samples. Political Analysis, 31(3), 337-351.文章探讨了使用LLM作为“受访者”来模拟不同人群的调查反应，证明了LLM在模拟人类多样化观点和态度方面的能力，为我们课程中“观点演化”的案例提供了旁证。子主题（2）：大模型智能体拟真主题推荐语：传播现象的研究长期面临着一个根本性挑战：如何在可控的实验环境中观察和分析真实的社会传播过程？传统的实验方法受限于样本规模、伦理约束和成本考量，而纯粹的观察研究又难以揭示传播机制的因果关系。近年来，基于大语言模型的智能体仿真技术正在重新定义这一研究领域。相比传统基于简单规则的智能体，基于大语言模型的智能体具备了更接近人类的推理、记忆和社会交互能力。本主题着重分享大模型传播智能体相关知识，同时也将分享一个专为社科研究者打造的零代码仿真平台，通过自然语言驱动实验设计，集成地图、新闻、社交媒体等多源数据，构建与现实同步的虚拟社会。演示将展示如何无需编程快速构建传播实验，观察智能体在真实地理环境中的交互，并通过外部数据验证仿真结果，为传播学研究提供新工具。主题重点关注：LLM驱动的传播智能体：智能体通过“思考-观察-行动-记忆”建模为社会科学研究提供新的实验范式，使其更好地模拟人类的传播行为。自然语言驱动社会实验室：展示通过自然语言描述实现复杂传播场景的快速构建，降低社会科学研究者使用仿真工具的门槛。构建镜像社会：将真实世界的地图、新闻、社交媒体等数据源集成到仿真环境中。重要文献清单一、开创性研究与综述文章Generative Agents: Interactive Simulacra of Human Behavior (2023) Park, J. S., O'Brien, J. C., Cai, C. J., Ringel Morris, M., Liang, P., & Bernstein, M. S. (2023). Generative Agents: Interactive Simulacra of Human Behavior. UIST '23: The 36th Annual ACM Symposium on User Interface Software and Technology, San Francisco, CA, USA. https://doi.org/10.1145/3586183.3606763这是基于大语言模型的智能体社会仿真领域的开创性研究，首次展示了具备记忆、反思和规划能力的智能体如何在虚拟环境中产生可信的社会行为。Integrating LLM in Agent-Based Social Simulation: Opportunities and Challenges (2025) Taillandier, P., Zucker, J. D., Grignard, A., Gaudou, B., Huynh, N. Q., & Drogoul, A. (2025). Integrating LLM in Agent-Based Social Simulation: Opportunities and Challenges. arXiv preprint arXiv:2507.19364. https://doi.org/10.48550/arXiv.2507.19364这篇综述性文章系统分析了大语言模型在智能体社会仿真中的应用前景与挑战，深入讨论了行为保真度、模型校准和结果可重现性等关键问题。二、传播现象的智能体建模Large Language Model-driven Multi-Agent Simulation for News Diffusion Under Different Network Structures (2024) Li, X., Xu, Y., Zhang, Y., & Malthouse, E. C. (2024). Large Language Model-driven Multi-Agent Simulation for News Diffusion Under Different Network Structures. arXiv preprint arXiv:2410.13909. https://doi.org/10.48550/arXiv.2410.13909这项研究专门探讨了新闻传播在不同网络结构中的扩散模式，使用智能体仿真方法复制信息生态系统中的复杂交互过程。LLM-Based Social Simulations Require a Boundary (2025) Wu, Z., Peng, R., Ito, T., & Xiao, C. (2025). LLM-Based Social Simulations Require a Boundary. arXiv preprint arXiv:2506.19806. https://doi.org/10.48550/arXiv.2506.19806这篇立场论文提出了基于大语言模型的社会仿真需要明确边界的重要观点，研究指出了当前技术的局限性，帮助研究者理解何时以及如何使用这类方法。Generative Exaggeration in LLM Social Agents: Consistency, Bias, and Toxicity (2025) Nudo, J., Pandolfo, M. E., Loru, E., Samory, M., Cinelli, M., & Quattrociocchi, W. (2025). Generative Exaggeration in LLM Social Agents: Consistency, Bias, and Toxicity. arXiv preprint arXiv:2507.00657. https://doi.org/10.48550/arXiv.2507.00657通过分析大规模社交媒体数据，这项研究发现了智能体仿真中的"生成式夸大"现象——智能体倾向于系统性地放大某些特征，超出真实数据的基线水平，提醒传播研究者在使用仿真结果时需要谨慎考虑其可靠性和代表性。三、大规模仿真平台与工具AgentSociety: Large-Scale Simulation of LLM-Driven Generative Agents Advances Understanding of Human Behaviors and Society (2025) Piao, J., Yan, Y., Zhang, J., Li, N., Yan, J., Lan, X., Lu, Z., Zheng, Z., Wang, J. Y., Zhou, D., Gao, C., Xu, F., Zhang, F., Rong, K., Su, J., & Li, Y. (2025). AgentSociety: Large-Scale Simulation of LLM-Driven Generative Agents Advances Understanding of Human Behaviors and Society. arXiv preprint arXiv:2502.08691. https://doi.org/10.48550/arXiv.2502.08691AgentSociety集成了超过10,000个智能体，模拟了500万次交互，专注于极化、信息传播、政策效果等关键社会问题。该研究通过与真实世界实验结果的对比验证，证明了智能体仿真在社会科学研究中的有效性。Modeling Earth-Scale Human-Like Societies with One Billion Agents (2025) Guan, H., He, J., Fan, L., Ren, Z., He, S., Yu, X., Chen, Y., Zheng, S., Liu, T. Y., & Liu, Z. (2025). Modeling Earth-Scale Human-Like Societies with One Billion Agents. arXiv preprint arXiv:2506.12078. https://doi.org/10.48550/arXiv.2506.12078这项研究通过十亿级智能体的信任博弈和观点传播实验，揭示了规模效应对社会现象涌现的影响。研究发现更大规模的仿真能够产生更稳定和现实的涌现行为。TinyTroupe: An LLM-powered Multiagent Persona Simulation Toolkit (2025) Salem, P., Sim, R., Olsen, C., Saxena, P., Barcelos, R., & Ding, Y. (2025). TinyTroupe: An LLM-powered Multiagent Persona Simulation Toolkit. arXiv preprint arXiv:2507.09788. https://doi.org/10.48550/arXiv.2507.09788这个工具包展示了如何构建具有详细人格特征的智能体，支持多维度的个体特征定义和群体采样机制，为传播研究中的受众建模和个体差异分析提供了实用的技术框架。
关于集智俱乐部读书会和举办方
推荐阅读
点击“阅读原文”，报名读书会
AI辅助创作，多种专业模板，深度分析，高质量内容生成。从观点提取到深度思考，FishAI为您提供全方位的创作支持。新版本引入自定义参数，让您的创作更加个性化和精准。
鱼阅，AI 时代的下一个智能信息助手，助你摆脱信息焦虑