计算扎根理论：数智时代的方法探索与理论构建

蒋俏蕾 张雅迪

【内容摘要】数智时代背景下，传播学的研究方法与理论发展正面临前所未有的机遇与挑战。随着深度媒介化社会的演进，传媒研究亟须突破传统方法论中对于量化与质化的二元区隔，寻求更具创新性和整合性的研究路径。计算扎根理论作为一种新兴的方法范式，由数据驱动，从经验出发，旨在超越传统的量化与质化的二元对立，实现方法的有机融合，从而构建启发性理论。本文首先在方法论的宏观框架内对计算扎根理论进行定位，进而分别从计算社会科学和扎根理论的视角探讨其逻辑前提，随后介绍计算扎根理论的相关操作流程，最后阐释计算扎根理论在数智时代助力传播学理论建构的可能性。这一方法创新的尝试为应对数智时代复杂的研究生态和传播学的理论建构提供了新的思路。

【关键词】计算社会科学；扎根理论；计算扎根；量化方法；质化方法；范式创新

媒介技术的数字化与智能化变革深刻改变了传媒的生态环境，深度媒介化社会为传播学研究带来了前所未有的巨大机遇和挑战。媒介技术逐渐下沉成为现今社会的基础设施，在各种生活场景和社会领域的广泛覆盖也促进了传播数据的富集。随着数字化生存时代的到来，传媒数据资源呈现爆炸式增长态势，大数据作为一种技术现象逐渐兴起。海量数据为传播研究提供了丰富的实证基础，以社交媒体平台为代表的媒体平台作为巨大的数据宝库，蕴含着用户的各种信息、兴趣、行为、关系和互动等数据。这些沉积于社交媒体的数据不仅反映着传播内容，也揭示着传播过程与结构。媒介技术的日益智能化使算法、实时计算和人工智能等技术在传播领域得到了广泛应用，这不仅使得媒介能够更精准地定位受众需求，提供个性化的内容和服务，还使得传播模式更加非线性、更具交互性。同时，媒介技术的智能化也丰富了传播主体，使得机器也成为传播过程中的重要行动者，引发了传播研究范式的后人类转向。

传播媒介的数字化和智能化不仅为深入挖掘传播现象和模式提供了前所未有的机遇，也促使传播学者不断审视既有研究方法和传播理论的适应性和适用性。可以肯定的是，当今社会生活中大量的传媒数据为研究者提供了广阔的探索空间，使得突破质化和量化方法的传统壁垒，挖掘数据、探索经验、建构理论成为一种重要的研究取径。①

一、传统量化与质化研究的区隔

（一）量化与质化的二元之分

在社会科学研究中，实证性量化研究与诠释性质化研究遵循着不同的逻辑过程。量化研究遵循演绎逻辑，基于表征为数量化的概念进行客观测量，旨在揭示普适化的状况、趋势和相互关系，但难以确定变量之间的因果关系。②质化研究基于对行动者的意义世界进行考察、归纳与探索，能够提供良好的深入阐释，但具有主观化、非量化、个案化的特点，使其研究结果的客观性、普适性相对较弱。③

从社会科学方法论发展历程的角度来看，两类研究方法反映出实证主义与自然主义不同的认识论与方法论假设。实证主义在哲学上有着悠久的历史，尤其在20世纪30年代的“逻辑实证主义”中达到了顶峰。④随着统计方法的快速发展和实证主义哲学影响力的日益增强，调查研究逐渐被一些研究者视为一种独立的方法论传统。传播学诞生于实证主义的流行期，在哥伦比亚学派对学科建制化的过程中，芝加哥学派的民族志传统被削弱，传播学被量化研究打上了深刻的烙印。⑤

实证主义社会科学研究的方法模型，主要基于实验逻辑构想的物理科学。实证主义者认为，客观世界的研究对象是可以被观察的，并且这种观察可以从经验层面上升到理论层面。⑥因此，实证主义者非常重视数据收集程序的标准化和过程的客观性，其主要目标是识别变量间的关系，获得具有普遍推广性的规律。相较而言，自然主义社会科学研究的方法模型借鉴了生物学。自然主义者主张在不受研究者干扰的“自然”状态下进行研究，对研究对象采取“尊重”或“欣赏”的态度，其主要目标是描述人们如何看待和谈论自己及他人行为，关注行为发生的环境和后果，而由于这些发现基于特定情境，因此未必能推广。在自然主义者看来，社会科学研究的核心要求是忠于研究现象，而不是拘泥于特定的方法，他们借鉴了广泛的哲学和社会学思想，尤其是符号互动论、现象学和解释学。⑦质化研究在方法论思想上表现出自然主义特征，同时，建构主义和文化相对主义也塑造了质化研究者对人的行为背后的社会文化意义的重视。

（二）对量化与质化二元区分的反思

关于量化与质化研究哪个更合理，长期存在着争论甚至对立。一方认为量化研究才是科学的研究方法，一方认为质化研究才能更好地理解社会机制。实证主义认为研究程序的标准化至关重要，而自然主义将与社会世界的直接接触置于研究的核心。然而，尽管有上述诸多不同，实证主义与自然主义的相通之处在于诉诸自然科学的模式，倾向于将社会现象视为独立于研究者而存在的实体，避免研究者本身的政治与实践取向，从而保证研究的独立性。

尽管两类研究方法的认同者之间似乎长期处于对立状态，但也不乏以马克斯·韦伯为代表的重要人物将二者联结、在二者关系中寻求折中道路的探索与尝试。⑧在科学哲学发展的背景下，解释主义、后结构主义和后现代主义的影响共同催生了反现实主义的观点，这一观点对研究能否产生真理性知识提出了质疑，并提出“反身性”的重要概念。反身性强调研究者所处的社会历史位置及其所承载的价值和兴趣，突出了研究者与社会环境之间的互动关系。无论是量化还是质化研究，在所有的社会研究中研究者都在某种意义上参与社会世界，并对这种参与过程进行反思。因此，社会科学研究者实际上是他们所研究的世界的一部分。反身性为我们突破量化研究与质化研究的二元之分，提供了共识性基础。这并不意味着拒绝对其方法论差异进行探讨，而是强调更为关键的是明确研究的首要和直接目标——知识的生产。华莱士的“科学环”⑨认为理论与研究的理想状态是不断循环互动的过程。在这一过程中，归纳和演绎在经验与假设之间架起逻辑桥梁，使理论和观察得以循环和迭代发展。

二、超越量化与质化二元区隔的计算扎根理论

（一）突破混合方法视域的计算扎根理论

量化和质化研究并非严格对立，实际上二者相互依赖而非相互排斥，可以在一个连续体中进行有机结合。被誉为“第三次方法论运动”的混合方法，旨在突破量化与质化研究传统范式的界限，寻找第三种方法。⑩混合方法生发于社会科学研究的应用领域，在实用主义范式下更关注行动结果和实际问题的解决而不是方法论的争议，其基本假设是，质化和量化方法的结合能使研究者更全面更深入地理解研究问题。

混合方法是经典实验主义和20世纪70年代开始的三角测量运动的直接产物。起初，三角测量指的是多种质化方法的结合，时至今日，三角测量早已不再拘泥于质化和量化的方法分野，而是强调对替代性测量的重视，即通过方法的多样性来减少或抵消不同方法的缺陷和偏向，增强数据的丰富性和复杂性，从而得出更严谨和更稳健的研究结论。早期的混合方法表现出方法和范式的分离，即只关注方法的操作，而不讨论范式的结合。随着质化和量化方法的混合延展到研究过程的各个阶段，混合方法逐渐成为一种具有独立哲学观点和操作技巧的方法论。混合方法的当代特征体现在方法论的折中主义、范式的多元主义以及对研究中各层次多样性的重视。混合方法论认为方法是连续的光谱，而不是非此即彼的二分。正是对方法论壁垒的破除，使得混合方法论表现出由研究问题驱动，归纳和演绎反复与循环的特性。

混合方法在实践中得到了广泛应用，但仍面临诸多争议。混合方法的倡导者约翰·W.克雷斯韦尔总结了该领域的关键争议，涉及混合方法的定义、研究的价值、哲学和理论问题以及研究的程序与过程。在混合方法的研究过程中，研究者根据研究问题在不同阶段采用不同的方法，将质化和量化方法结合起来，常见的做法是：首先通过质化访谈获取核心概念，然后使用量化方法进行数据调查分析，之后再利用质化方法对数据进行深度解读。尽管混合方法强调了不同研究方法的相辅相成，但在实际操作中，这些方法往往是独立进行的，而非真正的有机融合。而这一过程中最受质疑的是量化数据分析主宰了混合方法，在量化结果和质化结果不一致时走向对量化结果的偏倚。正是在这样的背景下，计算扎根理论作为一种从方法论上的“优势互补”到“有机融合”的方法创新应运而生。

劳拉·尼尔森（Laura K.Nelson）提出计算扎根理论（Computational Grounded Theory），作为一种方法框架旨在将人类的诠释能力与机器的模式识别和处理能力有机结合，建立一种既具有解释性又具有严谨性的分析方法。尼尔森指出，计算扎根理论是对传统扎根理论的创新，致力于将数据富集的研究问题与扎根理论所具有的理论构建和深度阐释的传统结合起来，改变了计算方法通常难以产生有意义解释的缺陷。因此，计算扎根理论力图在数量和质量、广度和深度、客观和主观之间找到一种平衡的研究路径，以实现研究方法上真正的有机融合。这种融合将混合方法研究推向更为深入的发展，为研究者提供更为强大的整合性工具来揭示复杂的社会现象。

（二）作为计算扎根逻辑前提的扎根理论

起源于20世纪60年代末的扎根理论，由分别代表哥伦比亚学派的格拉泽和代表芝加哥学派传统的施特劳斯提出，初衷是在理论假设和经验研究之间构建桥梁。虽然扎根理论最初并未关注质化或量化方法论的立场，但在应用中逐渐演变为质化研究的常用方法。

扎根理论的核心是同时进行数据收集和分析，通过持续比较激发研究者的“理论敏感性”，并对理论进行反复推敲，直至达到理论饱和。具体来说，扎根理论往往采用民族志、深度访谈收集数据，使用文本分析作为主要的分析方法。由于扎根理论不预设逻辑框架，而是从数据中构建理论，因此抽样逻辑以理论建构为目标，而非基于代表性的抽样。目前常见的编码过程分为三个阶段：开放性编码（识别和开发不同的范畴）、主轴性编码（确定范畴间的联系）和选择性编码（将不同概念和范畴组织起来并达到理论饱和）。

扎根理论在发展过程中经历了多种演绎，形成了客观主义、建构主义和后实证主义三大流派。格拉泽和施特劳斯的经典扎根理论主张客观主义，强调研究者在概念生成和理论建构中应保持客观中立的立场，认为通过大量案例分析可以纠正研究者的主观偏见，从而超越传统质化研究中对于资料描述的局限性，聚焦于超越时空限制的抽象概念。后来，由于在理论的核心理念上逐渐产生了分歧，格拉泽坚守客观主义立场，而施特劳斯则转而拥抱后实证主义。建构主义扎根理论对客观主义的经典扎根理论进行了修正，通过强调相对性和反身性而从客观主义和实证主义的束缚中解放出来，拒绝对研究客观性的要求，注重研究对象的能动性。后实证主义的扎根理论试图在客观主义和建构主义之间寻求平衡，代表人物是施特劳斯和科宾。科宾在其反思中承认早期的客观主义倾向，逐渐接受反身性原则和多重真实性的观点后而与建构主义路径逐渐接近。尽管在认识论上存在差异，在操作流程中也存在不同，三大流派都遵循扎根理论的核心理念，即通过深入探究社会现象来构建具有解释力的理论框架。

总体而言，扎根理论的研究过程是互动的，其中研究者和研究内容不可分割。扎根理论的研究过程也是开放的，研究者根据研究问题选择多种数据收集方式，并涵盖多个数据收集的“田野”。扎根理论的研究过程还是比较的，比较分析是形成理论的基石。扎根理论的最终目标是建立上下兼容的中层理论。因此，互动性、开放性、比较性和理论建构性构成了计算扎根理论的逻辑前提。

（三）计算社会科学与扎根理论的双向奔赴

数智时代为量化和质化研究的融汇，提供了共享的基点和广阔的可能。互联网技术使得人类的社会活动、大量行政档案和历史档案数字化，与传统量化社会科学侧重个案和变量关系的数据类型不同，这些新型数据具有非结构化特征，包含了丰富的细节，如语言、位置、运动、网络、图像和视频等。新兴的计算技术，如自动化文本分析、机器学习、主题模型以及在线实验等，被广泛应用于分析这类复杂而不确定的数据集。数据类型和分析方法的双重变革推动着社会科学研究领域经历了一场“计算革命”，并催生出计算社会科学这一新兴的跨学科领域，得到了社会学、科学、技术、工程和数学等诸多领域的共同关注。根据戴维·拉泽尔（David M. J. Lazer）等人的定义，计算社会科学致力于对复杂的大规模人类或模拟人类行为的数据进行计算方法的开发与应用。大数据对知识的要素、研究过程、信息处理以及对现象的观察分类带来了深远的影响，正如达纳·博伊德（Danah Boyd）和凯特·克劳馥（Kate Crawford）所言，计算社会科学正在重塑我们对知识的定义。尽管大数据具有巨大的潜力，但并不能保证得出更客观、更准确的结果，单纯追求更大规模的数据并不意味着数据质量的提升，也不等同于更接近客观现实，如果脱离了具体的语境，大数据将失去其解释力。在“寻找模式”这一层面，当下计算社会科学的探索与人类学一脉相承，计算社会科学的数据驱动特性相较于理论假设驱动的传统量化研究而言，更凸显出自下而上的经验研究特质，并在对语境的重视中呈现出扎根探索的本质。

作为扎根理论的创始人之一，格拉泽曾强调“一切都是数据（All is Data）”，这一观点打破了质化和量化研究数据表征为文本和数字的二分。在扎根理论中，数据旨在对研究对象的感受、观点、动机等进行“深描”，因而数据不仅限于文本，而是涵盖访谈、田野笔记、档案报告、图片、视频等丰富的来源和类型。伴随着纵向研究、团队协作、不同项目的交叠，以访谈为代表的数据收集和分析越来越成为一个“时间和资源密集型的过程”，社会科学研究中访谈的数量已经远远超过了理论饱和的阈值，因此计算方法逐渐被引入到扎根数据的收集、处理、分析、呈现过程中。比如，计算机辅助质性资料分析软件（computer-assisted qualitative data analysis software，CAQDAS）支持逐行编码、撰写备忘录、概念关系的可视化等功能。通过使用CAQDAS，研究人员可以更加方便地管理资料、保留原始资料和分析过程，并与其他团队成员进行共享和多次分析。计算方法的辅助不仅提高了数据处理和分析的效率，还在一定程度上提升了质化研究的可检验性、透明性和开放性。随着深度媒介化社会的来临，数智化网络作为人们重要的生存空间，在对数字田野的探究中也有研究者结合计算思维用“大数据”“深描”来编织“机器人类学（Machine anthropology）”、“数字/计算人类学（Digital/computational ethnography）”等未来愿景。

可见，数智时代的计算社会科学与扎根理论表现出充分的交融基础。首先，数智时代富集的更为多元和多样的数据为计算社会科学与扎根理论研究所共享，计算社会科学涉及深入阐释，质化研究也需要更大量的分类与分析处理。其次，由于丰富的、不确定的、复杂的数据驱动，计算社会科学与扎根理论都倚赖经验研究的探索和归纳的认识逻辑，比如机器学习从数据中识别范畴与结构，扎根理论基于数据进行编码，都在始于数据并回到数据的迭代过程中进行阐释并建构理论。最终，对数据进行探索性研究和对理论建构的重视共同促成了计算社会科学和扎根理论的双向融汇。

三、计算扎根理论方法的可能性与可行性

（一）何以可能

在方法层面，计算扎根理论位于量化内容分析与质化文本分析的交汇处。无论研究采用何种方法收集数据，最终都需要对内容进行描述和阐释，而基于计算机辅助的分析技术和手段，可以开展词汇的词频统计和语义网络分析，更复杂的有监督和无监督的机器学习文本分类，以及将语言结构和词汇关系纳入计算的自然语言处理。由于计算方法已被证实能够部分补充或替代文本分析的任务，帮助研究者快速识别和编码文本中的主题、框架和概念等，使得计算扎根理论在实操层面成为可能。

在传播学研究领域，研究者们不断探索人工编码与机器模型的结合使用，也在思考人工编码与机器模型的替代关系。主题模型作为一种自动化分类大量文本的归纳方法，因其探索性优势而被广泛应用，在具体研究中通常与人工编码结合使用。以工作场所中遭遇歧视的语料库为例，一项研究比较了无监督的机器主题模型和人工内容分析的结果，研究发现两种方法确立了相似的主题——这表明主题模型能够以较低的成本有效地识别更多甚至是容易被人工忽视的主题。另一项研究涵盖了三种主流的计算机辅助编码方法，包括编码字典、有监督的机器学习和无监督的机器学习对新闻中的不平等内容进行编码，发现有监督的机器学习与人工编码更为接近。

（二）何以可为

在实施层面，基于人工分析与计算分析的关系，计算扎根理论的具体操作主要有两种逻辑，即“模块拆分”和“相互交织”。其中，模块拆分指人工分析和计算分析在特定步骤中各自独立执行任务，而相互交织则强调人工分析和计算分析在不同阶段都紧密协作、共同推进研究进程。

关于“模块拆分”逻辑，尼尔森提出计算扎根理论的三步方法框架。第一步是模型识别，采用无监督机器学习检测文本模型，将原始文本简化为易读易解的词汇列表。第二步是模型细分，通过人工的定性阅读对模型进行细分、阐释和修改。第三步是模型确认，使用自然语言处理评估归纳的模型，进行模型的确认。整个流程中，人工分析和计算分析各自独立运行，最终获得一个有效的、严格的、可重复的计算扎根理论过程。类似的，国内学者陈茁和陈云松提出计算扎根理论的六个环节。第一步根据社会调查数据明确因变量，确定研究问题。第二步准备社会调查的高维数据。第三步对高维数据进行有监督的学习训练预测模型。第四步利用可解释性算法进行归因分析，拆解模型黑箱，比较预测能力。第五步倒推潜在机制，寻找既往研究没有涉及的关系模式，对理论进行验证澄清或归纳。第六步用不同数据和不同算法对得出的理论进行交叉验证，确保理论的稳健性和适用性。

哈尔玛·邦·卡尔森（Hjalmar Bang Carlsen）和斯诺尔·劳伦德（Snorre Ralund）对“模块拆分”的逻辑进行了批判性讨论，指出这种操作存在计算主导的倾向，认为无监督的机器学习无法有效识别有意义的文本主题，因此开发了一种名为CALM（Computer Assisted Learning and Measurement）的计算机辅助学习和测量工作流来使计算扎根理论方法流程更符合扎根理论的探索逻辑。约塔姆·奥菲尔（Yotam Ophir）等人的研究则在跨学科的合作中凸显了“相互交织”的逻辑。尽管他们并未直接使用“计算扎根理论”这一表述，但他们在传播学领域探索了计算传播研究与扎根理论的结合，认为强调弥补不同方法的弱点会进一步固化传播学乃至跨学科领域的认识论分歧，因此应关注增强不同方法的优势，而非解决彼此的“弱点”。基于这一思路，自动化工具不应用来复制或取代人对知识理解的工作，而应用来扩展和补充。为此，他们倡导各有专长的计算社会科学家和人类学家共同合作，人类学家参与数据预处理和主题模型建模，计算研究人员也参与结果的分析和阐释。这种合作的认知方式可以发挥民族志反身性的核心特质，实现“机器学习中反身实践的发展”，从而最大化理论建构的潜力。例如，这种逻辑理念被应用于iHub社区中，以探索叙事在塑造肯尼亚技术企业家技术生产能力方面的作用：人类学家先进行了为期一年的参与观察，了解该组织的叙事建构策略，并对员工和企业家进行访谈；在对田野数据的分析中，没有使用既有的软件或代码，而是将原本的277个项目分成1865个段落，以保留多样性和丰富性；在主题建模过程中，一些原本被忽略的主题得以显现，这有助于人类学家意识到自身观点的主观性和局限性，同时主题关系网络的可视化也成为反身性的一种具象提示。

四、计算扎根理论：传播理论构建的创新与探索

理论在社会科学研究中具有重要的意义，理论为我们提供逻辑解释，指出更多可能性并为实证研究的开展提供方向上的指引。随着数智时代的到来，深刻的媒介生态变革给传播学经典理论带来了前所未有的挑战，也给传播学理论创新与构建带来新的发展机遇。然而，传统量化研究通过从逻辑上验证由既有理论演绎而来的假设，虽然能够使现有理论更为精致化，但却很少产生新的理论建构，而长于构建中层理论的质化研究却对海量数据的处理显得乏力，因而作为二者有机融通的计算扎根理论方法恰逢其时。

（一）数智时代传播学理论发展的新机遇

传播学，作为一门位于十字路口上的学科领域，具有鲜明的学科交叉融合的特性，汲取了社会科学、人文学科乃至自然科学与工程技术等领域的知识，融合了修辞学、符号学、现象学、控制论、心理学以及社会文化和批判理论的传统。借助这些多学科的理论与方法资源，传播学的核心目标在于深入探讨社会情境中的人与媒介的交互，揭示传播的本质和规律。

现有经典的传播学理论主要形成于传统媒体兴盛的大众传播时代，随着新兴媒介技术的迅猛发展和快速普及，传媒生态环境的深刻变革不断呼唤着传播学理论的发展与创新。数智时代的到来，互联网、社交媒体、移动媒体、人工智能、算法等媒介形态深度融入社会生活，亦对传播学理论发展产生了深远的影响。一方面，媒介技术的飞速进步为传播学研究提供了全新的研究工具和手段，借助于大数据和大模型等技术，传播学者得以获取和分析海量数据，从而揭示信息传播的内在机制和规律，重新审视那些在传统大众传媒时代难以回答的传播学问题，进而补充、完善抑或修订传统大众媒体时代构建的传播学经典理论。例如，基于数据挖掘与社会网络分析等方法与手段，经典的议程设置理论演进到网络议程设置阶段，突破了线性媒介效果论的传统，带来了理论的突破与创新。同时，媒介技术的发展迭代也催生了一系列适应当前媒介生态环境的新理论。近年来，传播学界以“何为媒介”为核心，涌现了元宇宙、具身传播、虚拟数字人与社交机器人研究、人机传播研究等一系列新的研究议题，使传媒研究的边界不断拓展。值得一提的是，计算机作为社会行动者、媒介等同理论、媒介可供性与分布式认知等理论概念中的机器，从单纯的中介角色逐渐转变为介入和参与传播过程的主体，为理解现今的人与媒介交互提供了新的视角。

（二）数智时代计算扎根的理论探索

在传播学研究领域，对扎根理论存在着一种误用——仅仅将其视为一种编码技巧而在研究中止步于经验描述。实际上，计算扎根理论对传播学研究的贡献不仅体现在新数据的引入和新的方法技术层面，更在于为阐释人类的传播行为提供了巨大的理论潜力。计算扎根理论对变量数目和关系的不设限，能够引导研究者发现新的解释变量和潜在模型，为新的理论假说提供启示。计算扎根理论的实用主义哲学使其在模型设计中追求尽可能模拟真实情景，关注立场、情境、话语和行动，有助于捕捉复杂关系，因此可以揭示个体遭遇与文化、社会、经济、政治结构的互动，用以分析广泛的社会问题，也为理论的丰富和延展提供了有力支持。

尽管目前计算扎根理论的相关研究尚处于发轫阶段，但现有的研究已经为传播研究提供了诸多具有启发性的理论阐释，包括社会网络分析与群体传播、集体行动与政治传播、知识社会学与科学传播、文化生产与跨文化传播、媒介心理学与情感计算、传媒经济与组织传播等。例如，通过计算扎根理论的方法对民族志、数据挖掘与问卷调查收集到的数据展开分析，发现游戏玩家并非一种临时公众，而是在流动中显示出韧性，其社群具有不同于平台摇摆的媒介溢出效应，进而提出复媒体语境下的“玩家公众”的概念，有助于理解新兴媒介生态环境下的社会集群的新形态与形成。在西方政治传播研究领域，尼尔森（2020）运用计算扎根理论对女性运动的政治诉求进行的深入分析，颠覆了先前以时段为基准将女性主义政治诉求划分为第一波和第二波浪潮的观点，揭示出女性运动诉求的地理差异，即地理因素而非时间因素在更大程度上决定了女性运动的政治诉求。在科学传播领域，基于计算扎根理论对社交媒体上中医相关话题的话语实践与身份认同的研究，突破了将公众视为聚集“大众”的简单化约，对于认识议题公众的可见性及其高度选择性可能带来的群体极化和行动动员具有突出意义。在健康传播领域，学者将计算扎根理论应用于分析乳腺癌患者的不确定性管理行为，基于对患者的访谈和社交媒体的参与式观察，研究将原有的传播与不确定性管理理论中单一的影响层次——功能支持，拓展到社会支持、角色、情感、时间、文化和权力层次，丰富了原理论对动机和社会联系的解释力。基于中国综合社会调查的数据，陈茁和陈云松（2023）使用计算扎根理论探究家庭传播中影响主观幸福感的因素，发现了之前研究未曾关注的新变量——“配偶每周工作小时”，并据此提出了家庭距离影响幸福感的理论假说，即家庭距离通过影响夫妻认同进而影响幸福感。在国际传播领域，对国际视频社交媒体平台上的视频文本及其线上反馈进行的计算扎根理论分析，发现了以个人化叙事要素作为创意黏性策略引发的媒介化共情，进而形成传播者网红化和受众粉丝化的情感部落。将人工分析与计算分析相结合，学者们通过计算扎根理论的方法探究算法推荐类移动新媒体用户算法疲劳的影响因素，发现个人因素、信息因素和技术因素共同影响着用户算法疲劳现象的产生。

五、结语与展望

数智时代，未来已来。“生成式人工智能革命已经开始”，以ChatGPT为代表的大语言模型（LLMs）应用成为互联网空间的新生态，传播研究面临前所未有的挑战与机遇。生成式人工智能（GAI）不仅已全面渗透至新闻传播内容生产的全过程，影响着新闻传播实践教育，更是延伸至传播学在内的科学知识生产流程——从优化文献搜索、发现研究空白，到构思研究框架，乃至形成变量测量和数据分析的代码。计算技术与思维拓展了研究者组织、记忆和系统化的心智能力。传媒技术的不断进步，不仅带来新的传播研究问题，推动着传播研究方法的更新迭代，也不断拓展着传播研究者对理论知识的想象力。面对数智时代的挑战与机遇，对于计算扎根理论的探讨之于媒介生态环境深刻变革中的传播学研究，既是方法创新的务实之举，也是激发理论构建潜能的探索之路。

参考文献：

①Latour， B. Tardes idea of quantification. In The Social after Gabriel Tarde. Routledge， 2010.

②⑧谢立中：《实证性量化研究和诠释性质化研究的联结：来自韦伯的启示》，《武汉大学学报》2018年第5期。

③〔美〕艾尔·巴比：《社会研究方法》，邱泽奇译，华夏出版社2009年版，第22-25页、第32-33页。

④⑦Hammersley， M.， & Atkinson， P. Ethnography： Principles in practice （3rd ed）. Routledge， 2007.

⑤Gitlin， T. Media Sociology： The Dominant Paradigm. Theory and Society， 1978， 6（2）， 205-253.

⑥卜卫：《传播学实证研究的方法论问题》，《新闻与传播研究》1994年第2期。

⑨Wallace， W. The Logic of Science in Sociology. Routledge， 2017.

⑩〔美〕诺曼·K.邓津、〔美〕伊冯娜· S.林肯主编：《质性研究手册：资料收集与分析方法》，朱志勇、董轩、张华军译，重庆大学出版社2019年版，第426页、第402-405页、第428-429页、第403—404页、第543页、第536-537页、第539-540页。

Johnson， R. B.， Onwuegbuzie， A. J.， & Turner， L. A. Toward a Definition of Mixed Methods Research. Journal of Mixed Methods Research， 2007， 1（2）， 112-133.

Denzin， N. K. Triangulation 2.0. Journal of Mixed Methods Research， 2012， 6（2）， 80-88.

Denzin， N. K. Triangulation. In The Blackwell Encyclopedia of Sociology. John Wiley & Sons， Ltd， 2007.

Bryman， A. Barriers to Integrating Quantitative and Qualitative Research. Journal of Mixed Methods Research， 2007， 1（1）， 8-22.

Nelson， L. K. Computational Grounded Theory： A Methodological Framework. Sociological Methods & Research， 2020， 49（1）， 3-42.

吴肃然、李名荟：《扎根理论的历史与逻辑》，《社会学研究》2020年第2期。

Glaser， B. G. Theoretical sensitivity. Mill valley. CA： Sociology Press， 1978.

〔英〕凯西·卡麦兹：《建构扎根理论：质性研究实践指南》，边国英译，重庆大学出版社2009年版，第50页、第7页、第225页、第7页。

Strübing， J. Research as pragmatic problem-solving： The pragmatist roots of empirically-grounded theorizing. The Sage Handbook of Grounded Theory， 2007， 580-602.

Glaser， B. G. Doing Grounded Theory： Issues and Discussions. Mill Valley， CA： Sociology Press， 1998.

Glaser， B. G. Constructivist Grounded Theory？ Historical Social Research / Historische Sozialforschung. Supplement， 2007， 19， 93-105.

Corbin， J. Taking an Analytic Journey. In Developing Grounded Theory. Routledge， 2009.

Lazer， D. M. J.， Pentland， A.， Watts， D. J.， Aral， S.， Athey， S.， Contractor， N.， Freelon， D.， Gonzalez-Bailon， S.， King， G.， Margetts， H.， Nelson， A.， Salganik， M. J.， Strohmaier， M.， Vespignani， A.， & Wagner， C. Computational social science： Obstacles and opportunities. Science， 2020， 369（6507）， 1060-1062.

Lazer， D.， Pentland， A.， Adamic， L.， Aral， S.， Barabási， A.-L.， Brewer， D.， Christakis， N.， Contractor， N.， Fowler， J.， Gutmann， M.， Jebara， T.， King， G.， Macy， M.， Roy， D.， & Van Alstyne， M. Computational Social Science. Science， 2009， 323（5915）， 721-723.

Edelmann， A.， Wolff， T.， Montagne， D.， & Bail， C. A. Computational Social Science and Sociology. Annual Review of Sociology， 2020， 46（1）， 61-81.

Boyd， D.， & Crawford， K. Critical Questions For Big Data： Provocations for a cultural， technological， and scholarly phenomenon. Information， Communication & Society， 2012， 15（5）， 662-679.

Agar， M. An Ethnography By Any Other Name...Forum Qualitative Sozialforschung / Forum： Qualitative Social Research， 2006， 7（4）， Article 4.

Deterding， N. M.， & Waters， M. C. Flexible Coding of In-depth Interviews： A Twenty-first-century Approach. Sociological Methods & Research， 2021， 50（2）， 708-739.

Pedersen， M. A. Editorial introduction： Towards a machinic anthropology. Big Data & Society， 2023， 10（1）.

Brooker， P. Computational ethnography： A view from sociology. Big Data & Society， 2022， 9（1）.

Sandelowski， M.， Voils， C. I.， & Knafl， G. On Quantitizing. Journal of Mixed Methods Research， 2009， 3（3）， 208-222.

Ophir， Y.， Walter， D.， & Marchant， E. R. A Collaborative Way of Knowing： Bridging Computational Communication Research and Grounded Theory Ethnography. Journal of Communication， 2020， 70（3）， 447-472.

Chen， N.-C.， Drouhard， M.， Kocielnik， R.， Suh， J.， & Aragon， C. R. Using Machine Learning to Support Qualitative Coding in Social Science： Shifting the Focus to Ambiguity. ACM Transactions on Interactive Intelligent Systems， 2018， 8（2）， 9：1-9：20.

Walter， D.， & Ophir， Y. News Frame Analysis： An Inductive Mixed-method Computational Approach. Communication Methods and Measures， 2019， 13（4）， 248-266.

Muller， M.， Guha， S.， Baumer， E. P. S.， Mimno， D.， & Shami， N. S. Machine Learning and Grounded Theory Method： Convergence， Divergence， and Combination. Proceedings of the 2016 ACM International Conference on Supporting Group Work， 2016， 3-8.

Carlsen， H. B.， & Ralund， S. Computational grounded theory revisited： From computer-led to computer-assisted text analysis. Big Data & Society， 2022， 9（1）.

Krippendorff， K. Content Analysis： An Introduction to Its Methodology. SAGE Publications， 2018.

Chen， Y.， Peng， Z.， Kim， S.-H.， & Choi， C. W. What We Can Do and Cannot Do with Topic Modeling： A Systematic Review. Communication Methods and Measures， 2023， 17（2）， 111-130.

Miner， A. S.， Stewart， S. A.， Halley， M. C.， Nelson， L. K.， & Linos， E. Formally comparing topic models and human-generated qualitative coding of physician mothers experiences of workplace discrimination. Big Data & Society， 2023， 10（1）.

Nelson， L. K.， Burk， D.， Knudsen， M.， & McCall， L. The Future of Coding： A Comparison of Hand-Coding and Three Types of Computer-Assisted Text Analysis Methods. Sociological Methods & Research， 2021， 50（1）， 202-237.

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》2020年第4期。

Ophir， Y.， Walter， D.， & Marchant， E. R. A Collaborative Way of Knowing： Bridging Computational Communication Research and Grounded Theory Ethnography. Journal of Communication， 2020， 70（3）， 447-472.

Grimmer， J.， & Stewart， B. M. Text as Data： The Promise and Pitfalls of Automatic Content Analysis Methods for Political Texts. Political Analysis， 2013， 21（3）， 267-297.

Elish， M. C.， & Boyd， Danah. Situating methods in the magic of Big Data and AI. Communication Monographs， 2018， 85（1）， 57–80.

Craig， R. T. Communication theory as a field. Communication Theory， 1999， 9（2）， 119-161.

《国际新闻界》传播学年度课题组：《2022年中国的传播学研究》，《国际新闻界》2023年第1期。

Nass， C.， Steuer， J.， & Tauber， E. R. Computers are social actors. Proceedings of the SIGCHI Conference on Human Factors in Computing Systems， 1994， 72-78.

Reeves， B.， & Nass， C. I. The media equation： How people treat computers， television， and new media like real people and places. Cambridge university press， 1996.

蒋俏蕾、张自中：《全媒体时代的决策与素养：媒介可供性与分布式认知》，《中国新闻传播研究》2022年第3期。

徐开彬、叶春丽：《扎根理论在新闻传播研究中的应用——基于中英文新闻传播学术期刊的分析》，《新闻与传播评论》2022年第1期。

Edelmann， A.， Wolff， T.， Montagne， D.， & Bail， C. A. Computational Social Science and Sociology. Annual Review of Sociology， 2020， 46（1）， 61-81.

蒋俏蕾、张自中：《玩家公众：复媒体语境下游戏社群的媒介溢出与韧性塑造》，《现代传播（中国传媒大学学报）》2024年第1期。

蒋俏蕾、刘入豪、邱乾：《议题公众的可见性与群体认同：基于知乎平台中医相关话题的分析》，夏倩芳编：《中国网络传播研究：数字时代的信息失序与舆论极化》，中国传媒大学出版社2023年版。

金鑫、王锡苓：《跨越逻辑、方法与范式：计算扎根理论作为创新性研究方法的特征、意义与应用》，《新闻界》2023年第6期。

蒋俏蕾、景嘉伊：《情感部落：网络视频国际传播中的个人叙事与媒介共情》，《中国新闻传播研究》2023年第3期。

洪杰文、王怡：《移动新媒体用户算法疲劳影响因素研究》，《现代传播（中国传媒大学学报）》2023年第1期。

Van Noorden， R.， & Webb， R. ChatGPT and science： The AI system was a force in 2023 — for good and bad. Nature， 2023， 624（7992）， 509–509.

蒋俏蕾、陈宗海、张雅迪：《可供性视角下的人工智能生成内容》，《青年记者》2023年第20期。

李欣、柳欣怡：《生成式人工智能背景下新闻传播实践教育改革研究》，《教育传媒研究》2023年第6期。

Konopásek， Z. Making Thinking Visible with Atlas ti： Computer Assisted Qualitative Analysis as Textual Practices. Historical Social Research / Historische Sozialforschung. Supplement， 2007， 19， 276-298.

（作者蒋俏蕾系清华大学新闻与传播学院长聘副教授、博士生导师：张雅迪系清华大学新闻与传播学院博士研究生）

【责任编辑：谢敏】

*本文系“清新计算传播学与智能媒体实验室研究支持计划”的阶段性成果。