时间:2023-08-16 09:21:13
引言:寻求写作上的突破?我们特意为您精选了4篇社交媒体内容分析范文,希望这些范文能够成为您写作时的参考,帮助您的文章更加丰富和深入。
关键词:
目前,高校校园文化社交媒体建设已初见成效,社交媒体给校园文化传播带来了强大推动力。新媒体具有“平民参与,自发传播、分享和互动,即时性,海量信息,操作简单,虚虚实实、真假末辩、良莠不齐的特征。”[1]新媒体的这些特征导致社交媒体传播像一把“双刃剑”,在给传播带来优势的同时,也使传播过程出现了一些问题。高校要积极进行社交媒体传播建设,一方面规范社交媒体传播的内容,另一方面要广泛推行媒介素养教育,趋利避害,让校园文化传播不断融入新媒体环境,推动学校健康可持续发展。
一、基于传播内容的社交媒体传播存在的问题
(一)传播内容表层化高校校园文化的社交媒体传播内容是整个传播过程的最核心部分,其传播的最终目的就是将特定的校园文化内容传送给学生,让他们注意、理解、接受,进而影响他们的思想和行为,因此传播什么样的内容将直接影响传播效果。[2]目前,传播内容表层化的问题具体表现为以下几点:首先高校校园文化主要包括物质文化、制度文化、精神文化。其中物质文化和制度文化往往属于表层文化,例如自然人文的景观、校园建筑、教学设备,校园的规章制度等等,这些不仅易于传播,也往往受到传播者的青睐,传播效果也好。而深层文化即精神文化,是校园文化的核心和灵魂,如高校的办学理念、价值观念、思维方式等,往往难于传播,这种深层文化的心理穿透力较弱,它需要潜移默化、持之以恒地长期传播积累,方能体现效果。因此这往往成为高校校园文化传播的短板,是传播的难点,但是深层文化是一所高校健康持续发展的真正精神内核,恰恰是需要传播的重点。其次,由于社交媒体在传播过程中自身的特点,其、交流的传播内容往往十分简短,它呈现的是简洁的“快文化”,因此在有限的文字或其它符号的表达范围内,传播者很难表达出较为深层的涵义,这是信息传播的表层化的另一重要原因。
(二)传播内容同质化新媒体技术的发展,提高了高校校园文化信息传播的速度、拓展了校园文化传播的内容,社交媒体上的校园文化信息实现了随时随地更新。新闻传播方式也丰富多彩,有简讯,有深度分析,视听兼备,物质文化、制度文化、精神文化齐全,[3]可以让高校师生有选择地接收任何方面的校园文化信息,同时不会对不同社交媒体报道的同一校园资讯有过于重复的感觉,但在目前实际传播过程中较为普遍地存在着一稿多用、缺乏深度、不能根据社交媒体特点用稿等问题。传播内容的选择往往过于单一,经常反复推送个别类型的信息,在不同的社交媒体上也不经修改就将相同的稿件,传播内容的同质化问题较为严重,严重影响传播效果。
(三)传播内容碎片化校园文化在传播过程中不应是分散的,要取得较好的传播效果,传播要有系统,要明确传播目的,只有这样传播者才能依据传播目的规划传播内容。同时,在高校发展的不同时期,校园文化信息传播的主要内容也不应相同,例如学校起步初期,传播内容应着重物质文化及制度文化信息,保证学校生源及初期发展;而当学校进入成熟期时,校园文化传播则应重视校园精神文化信息的积累和沉淀。但是基于互联网技术的社交媒体传播带来信息丰富的同时也带来了信息的碎片化,很难整合社交媒体传播的信息。目前很多高校校园文化社交媒体传播往往不成系统,管理者没有近期及长期规划,盲目地进行传播,造成校园文化信息传播的碎片化,不同媒介的校园文化信息传播相互之间没有配合,内容也零星分散,这种不成整体随意性地传播往往无法达到传播目的。
二、社交媒体传播内容存在问题的原因分析
目前虽然高校的社交媒体得到了较快发展,但高校校园文化的传播仍受到多种因素和条件的制约,存在诸多难以忽视的问题,阻碍了校园文化的传播,影响了传播效果。
(一)传播内容受多元文化冲击多元文化冲击是影响高校传播校园文化内容的关键性因素。目前,在全球化和信息化的背景下,东方文化与西方文化、传统文化与现代文化、主流文化与非主流文化之间的相互碰撞和交融,网络文化逐渐渗透,我国的文化环境发生了巨大的变化。在高校校园里,校园文化不可避免地陷入了多元文化冲击造成的价值观冲突中,学生们的价值观、思维方式、行为也会发生相应的变化。校园社交媒体传播的主要工作成员是大学生群体,他们具有探索精神且积极向上的特点,很容易接纳外来的思想,但分析批判能力不强,当遇到传统文化中的问题和矛盾时,容易对我国的主流价值观产生片面的看法。此时,如果学校对社交媒体传播的重视程度不够,缺乏对校园社交媒体传播过程的管制,社交媒体所传播的内容很可能会出现与核心价值观背离的信息。此外,当今非主流文化潜移默化地影响着高校校园文化传播应有的效果。随着互联网进入校园的每个角落,网上很多低俗文化意识形态对学生的人生观、价值观及世界观产生了消极的影响,导致学生对校园媒体传播的高雅文化并不感兴趣。没有受众就会迫使校园文化社交媒体试图以各种娱乐的夸张的庸俗的形式来展现文化,以迎合学生的猎奇心理,进一步使学生的价值观陷入了追逐现实利益的误区。
(二)传播内容受传播者个人素质的约束传播者在社交媒体传播高校校园文化的过程中,起着不可替代的作用,其新媒体素养的高低,决定了文化信息传播的质量。高校校园文化的传播者主要包括管理者、教师及学生。管理者是否具备优秀的新媒体战略眼光,是否重视对社交媒体传播的经费、技术投入以及教师所具备的新媒体修养,对社交媒体的传播效果至关重要,起着决定性的作用。另外作为校园文化社交媒体传播的主要力量的学生,他们的能力和素质直接限制了校园文化的传播效果。
三、完善校园文化社交媒体传播内容的对策
解决目前高校校园文化社交媒体传播遇到的许多问题,可以通过完善传播内容、丰富传播形式、加强传播队伍建设以及整合校园社交媒体传播资源等方式提高传播效力,进而使高校校园文化传播更加畅通,效果更加显著。
(一)完善校园文化的传播内容首先,在传播中应加强校园物质文化的传播。在传播过程中应努力从多个视角全方位宣传报道学校的物质文化,着重传达学校所具有的深厚、广博的文化气息,例如通过学校的园林绿化、教学楼及名人雕塑等设施的介绍,提升学生对学校的了解程度和归属感。同时,在传播过程中要注意内容的同质化问题,要根据不同的社交媒体性质,从不同的角度对物质文化信息进行传播,不断丰富其内涵。其次,在传播中应强调制度文化的意义。在传播制度文化过程中,应着重传递给受众学校依法治校的办学理念,使学生充分了解学校的管理制度、教学科研、学习生活及群体行为规范及其教育意义。再次,在传播中应注重精神文化的弘扬。一所高校其文化核心在于精神,高校在发展社交媒体的过程中,应根据学校本身所具有的结构和特点,继承和发扬学校的优良传统,发挥自身的长处和优势,塑造独特的、优良的校风、教风、学风,培养学生的创新精神、批判精神以及关怀精神,使学生在校园生活中都能感受到积极乐观的氛围,在思想上、行为上和道德上与本校的精神文化相契合,提高校园文化的辐射力度。要深挖精神文化的内涵,避免传播内容表层化,通过对于深度精神文化的传播,逐渐积累形成校园文化底蕴。最后,高校校园文化在社交媒体传播的过程中还应当注意系统化,即制定统一的指导思想及清晰的传播脉络,让传播的内容自成系统,不同的社交媒体传播作为其系统的一个分支,统筹规划,这样可以避免网络信息碎片化对传播效果的影响。
(二)丰富校园文化的传播形式丰富校园文化的传播形式,对于让更多受传者理解和认同校园文化传播至关重要。创新传播形式,主要有以下两个方面:第一,创新传播文化的表现形式。社交媒体作为一种快节奏的媒体形式,长篇累牍只会让用户反感,高校的学生往往浏览信息喜欢简洁的文字,有趣的图片则会吸引他们的眼球,使他们产生阅读下去的兴趣。因此高校校园文化传播要改变传统的严肃的表达形式,使信息表达更加活泼更易于受传者接受。社交媒体可以融合多媒体的表现方式,传播者要善于利用新媒体的优势,例如通过生动的微信、微博语言及歌曲推送等新的尝试,把多姿多彩的校园文化融入到学生的学习和生活中。第二,创新传播的符号形式。通过加入一些新的符号形式,用其补充、替代文字符号,使传播的内容更加生动形象简单易懂,调动受传者接受信息的积极性。例如,社交媒体传播过程中可以插入声音符号、图像符号等等,把这些符号加入到所要传达的内容中,多样的表情符号,校园文化的传播便不再那么无趣乏味,情感表达也更加丰富,信息传播的质量也得到了显著提高。
(三)加强社交媒体传播队伍建设高校校园文化传播者要充分发挥社交媒体自身优势和媒介环境优势,加强社交媒体传播的队伍建设,培养专业的社交媒体传播人才的同时提高校园传播者的新媒体素养,才能营造一个优良的校园文化环境。高校的社交媒体传播队伍主要包括管理者、教师及学生骨干。一是管理者要做好“把关人”,要把握本校文化的精髓,提高自身的新媒体理论水平,重视对新媒体传播的投入;二是教师树立正确的传播观,把握舆论的正确方向,作践行社交媒体传播观的楷模,引导学生思想和行动朝着正确的方向发展;三是要加大对学生骨干的培养,提高他们的新媒体素养,发挥引导作用。
(四)整合校园社交媒体传播资源当前很多高校的网站、报纸、广播、电视等由不同部门管理,校内各媒体都有独立的班子和通讯员队伍,各自采写稿件。这种现状不仅常发生新闻简单、重复、撞车等现象,而且还极大浪费了校园媒体有限的人力和物力资源。[4]因此高校可由宣传部统管,成立全媒体中心,将电视台、广播台、新媒体、记者团、校报编辑部等整合旗下,优化信息结构,实现资源共享,提高校园文化传播的效率,增强学校对社交媒体传播平台的控制力从而实现传播的系统优化,形成校园文化全媒体传播。
参考文献:
[1]孙岳.新媒体能为我们带来什么[J].中国科技信息,2011,(06):131—132.
[2]殷莺菁.高校校园文化传播研究[D].浙江理工大学,2011.
摘要:从用户的角度解读社会多媒体计算框架,提出一种以用户为中心的社会多媒体计算框架。在这个框架下,重新探讨了以用户为中心的社会多媒体计算3方面的任务:用户感知的多媒体内容理解、基于网络行为的用户建模、社会媒体网络用户关系分析。
关键词: 社会多媒体计算;以用户为中心;多媒体内容分析;用户建模;用户关系分析
Abstract: A user-centric social multimedia computing framework is proposed in this paper. We look at three example works in order to propose three fundamental tasks in user-centric social multimedia computing: understanding user-aware social multimedia content, modeling online activity of users, and analyzing social relationships.
Key words: social multimedia computing; user-centric analysis; multimedia content analysis; user modeling; social relationship analysis
近10年的网络发展见证了社会媒体(Social Media)信息的爆炸式增长。据统计,每分钟有超过100 h的视频被上传到视频分享网站YouTube,每个月观看的视频数量超过了60亿小时。根据维基百科的定义,广义的社会媒体涵盖了时下几乎所有流行的Web2.0网站和服务,其包括社交网站、图片分享、视频分享、签到网站、微博、博客、实时通讯、社交游戏、虚拟世界、RSS订阅等。
社会媒体具有典型的多媒体特性,大多社会媒体服务都与多媒体数据进行深度交互,如图像分享(Flickr、Picasa提供)、视频共享(YouTube、Vimeo、优酷提供)、音频音乐共享(last.fm、ccMixter、FreeSound提供)。此外,一些新兴的社会媒体应用还包括虚拟世界(Second Life提供)、网络游戏(World of Warcraft、WarHammer Online提供)等新模态数据。多媒体数据已经成为社会媒体最主要的分享和交互媒介。GlobalWebIndex公布的2013年第一季度最活跃的15家社会媒体网站中,有4家专注于多媒体内容分享,其他则为以多媒体内容为重要交互媒介的社交网络服务(SNS)和微博类网站。社会媒体呈现出明显的多媒体化趋势。如短文本服务Twitter增加了对图片和视频分享的支持,并在近日全力推出了短视频分享服务Vine;其在Andorid平台上线仅仅一周便排名免费应用(APP)榜第4位,上线一个月后外链分享数量就超过Instagram。而腾讯推出的语音聊天工具微信,两年内用户突破3亿,已经超越中国第一聊天工具QQ,并有取代短信的趋势。
Mor Naaman[1]第一次将社会多媒体定义为“支持个体参与、社区形成和社会交互的在线多媒体资源”。从这一定义看出,社会多媒体可简单理解为社会媒体和多媒体的综合体。社会多媒体由3个基本元素构成:多媒体内容、网络用户和社会交互。社会多媒体计算是社会学与多媒体技术深度融合后产生的跨学科研究[2],其目的是通过分析和利用社会交互,将多媒体内容与网络用户连接,以应用于信息服务、网络通信、多媒体娱乐、医疗健康、安全监控等。对应于社会多媒体的3要素,社会多媒体计算包含3个主要任务:社会多媒体内容理解、网络用户建模和社会媒体网络分析。
在社会多媒体的3要素中,网络用户尤为重要。与一般的网络多媒体不同,社会多媒体包含了重要的用户参与,更注重用户间的交互,用户从信息的被动接受者转变为信息的主动贡献者。网络用户是社会媒体中基本的数据采集单元,一定程度上,是用户的积极参与和社会交互-用户贡献内容(UGC)促成了社会媒体的发展和社会多媒体内容的繁荣。将网络用户理解为数据感知器,社会多媒体实际是由用户所见、所听、所说、所想组成的。据EMC公司统计,平均每个人贡献的社会媒体数据已经接近45 GB,而这其中主要是多媒体数据。将个体贡献的社会多媒体数据进行整合,可以挖掘出极具价值的群体智能。如经典的ESP游戏将用户协作完成任务时的知识应用于图像标注和图像分割;最近被Google收购的导航应用通过收集并分析用户提交的出行时间和路线状况生成实时路况信息。UGC不仅是社会多媒体的主要组成部分,还成为了人们获取信息的主要渠道。杂志类社交应用Flipboard将网络用户在各社交网站上贡献的信息根据个体喜好加以定制,并以电子杂志形式输出。其获得了2013年全球移动通信大会最佳整体移动应用程序奖。据AccuStream统计,互联网视频浏览总量中有77.9%聚焦于用户上传视频,专业视频所拥有的浏览量只占22.1%;这一比例在最大的视频分享和浏览网站YouTube上更是达到了悬殊的94%比6%。在教育领域,大规模在线开放课堂(MOOC)在2011—2013年经历了10倍的增长,作为远程教育的新形式,为大学开放教育资源提供了新的解决思路。人们在信息获取时对UGC的偏好甚至还体现在医疗领域,一项来自ORCInternatinal的统计显示,有67%的受调查者曾在网上搜索UGC评论,借此了解和比较所使用的药品。
在社会多媒体背景下,网络用户既是信息的贡献者,又是信息的服务对象。社会多媒体有显著的消费化趋势。iUserTracker显示,2013年1月份中国网络用户使用量前4位的网络服务分别是搜索、视频浏览、社交网络和新闻。可以看出,信息服务已经成为中国最主要的网络服务应用,内容涵盖日常生活、工作和娱乐。然而,社会媒体的发展为基于社会多媒体的信息服务带来的不仅是机遇,同时还有挑战。在信息爆炸面前,网络用户很容易迷失在丰富繁多的社会媒体内容里。传统的一对多式的信息服务已经无法满足用户的需求,越来越多的信息服务应用开始探索个性化的一对一式服务。例如,Google搜索利用用户在Google+中的+1行为对搜索结果进行个性化重排序,豆瓣电台分析用户的收听历史和喜好定制专属电台等。个性化信息服务的关键是准确、及时的用户建模,即通过分析用户行为,理解用户意图和喜好,从而将最相关的内容推送给最需要的用户。
综上所述可知,在社会多媒体背景下,用户既是基本的数据采集单元,又是最终的信息服务对象。本文从用户的角度重新解读社会多媒体计算,结合我们最近的研究工作,提出以用户为中心的社会多媒体计算框架。一般社会多媒体计算的3个任务,在以用户为中心的社会多媒体计算框架下本文重新解读为:用户感知的社会多媒体内容理解、基于网络行为的用户建模、社会媒体网络用户关系分析。
1 用户感知的社会多媒体
内容理解
网络用户积极参与到社会多媒体内容的创建、共享、浏览、标注、评论等交互活动中。用户与多媒体内容的交互体现了用户对内容的理解,比如用户对图像的标注反映了图像的语义[3],用户浏览视频过程中的暂停等行为提供了视频的结构信息[4]等。分析这些用户-内容交互为解决多媒体内容理解中的语义鸿沟问题提供了新的思路,下面我们以基于用户标注的图像标注增强为例介绍用户感知的社会多媒体内容理解。
多媒体搜索大致经历了基于多媒体内容、基于周围文本信息、和基于标注信息3个阶段。相比基于内容对视觉特征的依赖、基于周围文本对噪声的敏感,基于标注的多媒体搜索被认为是最接近语义搜索的。然而,大规模的原始用户标注存在着不准确、不完整和主观模糊等问题,限制了基于标注的多媒体检索的实际效果[5]。
现有的针对社会标注的分析工作大致可分为自动标注、标注增强、标注到区域等,旨在对原始标注进行处理,去除噪音、补充缺失标注、得到区域层语义等,使其更好地为多媒体内容理解和多媒体检索等任务服务。这些工作解决思路的核心都是利用和分析多媒体文档与标注之间的二元关系。实际上,多媒体分享网站中有3类基本元素:多媒体文档、标注和用户。图1以图像分享网站Flickr为例,展示了图片分享网站的典型生态结构,其中用户作为标注行为的发起者,与图像和标注产生多种交互行为,挖掘用户信息将有助于理解原始标注数据,从而提高社会标注分析的效果。
我们提出将用户信息引入社会标注分析[6],利用三阶张量对用户、图像和标注3种因子同时建模,并提出基于排序的多关联因子分析模型(RMTF)用于提取改善的因子表示。其中,为了充分利用标注数据,有效减少用户原始标注不完整和噪声的影响,我们提出一种基于排序的张量重构优化框架,同时利用标注的上下文关系和语义关系来构造训练正样本集和负样本集。另外,为了解决原始标注张量严重稀疏的问题,用户、图片、标注之间的二元相似性被作为平滑约束项加入到优化方程中。张量重构得到图像、标注和用户3个因子矩阵,分别定义了对应实体的隐含子空间。通过对因子矩阵进行空间转换,可以分别得到改善的二元和三元关系,应用于不同的问题。实际上,所提出的RMTF模型将3种实体有机结合在一个框架下,考虑不同实体之间的异质或同质关系,可以应用到如个性化图片检索(用户-图片)、用户建模(用户-标注)、好友推荐(用户-用户)等问题中。另外,社会媒体网站中存在各种各样的元数据,如描述、评论、评分等,沿着这一工作,另一个有意义的拓展方向是将各种元数据统一到一个新的框架中,可以更深刻地理解社会媒体不同实体的交互,更好地服务于协同搜索和推荐问题。
2 基于网络行为的用户建模
社会媒体上能直接得到的用户信息非常有限,其准确性和丰富程度不足以用来分析用户兴趣并进行信息服务。一方面,大多数用户没有耐心在注册时将个人信息主动提供给在线服务,这导致了用户注册信息的稀疏性和噪声;另一方面,目前的社会媒体对于用户隐私的保护机制不够健全,用户不愿将个人信息在网络上公开。基于Google+上最活跃的20万用户统计发现,只有22.5%的用户提供了个人婚姻状况,而提供年龄信息的用户比例则只有12.4%。然而,优质的个性化信息服务需要准确完整的用户信息。用户丰富的在线活动,如搜索记录、博客、推文、签到记录、评论等,反映了用户的基本属性信息和兴趣偏向。因而,解决用户信息稀疏和噪声问题的主要思路是基于用户的网络行为进行用户建模[7],下面我们介绍如何通过分析Google+用户的网络行为来推断用户的基本属性信息。
用户的基本属性包括性别、年龄、婚姻状况、职业、兴趣等,它们之间不是独立的。图2显示了基于1亿Google+用户统计的用户基本属性之间的关系。从图2(1)可以看出,年龄小于24岁的用户中多数为单身,且有更大比例为学生;从图2(2)可以看出,男性用户的职业多集中在工程师以及IT行业等,而女性用户则有较大比例从事老师、护士等职业。由此可见,用户的属性之间存在正相关或负相关的关系。因而,本工作将利用用户属性之间的关联性质来进行用户属性的协同推断。
我们考虑了性别、年龄、婚姻状况、职业、兴趣、情感倾向等7种基本用户属性,并根据Google+用户的实际属性分布为每种属性定义了若干类别,如性别包括男性和女性两个类别,年龄包括青年(小于30岁)和中老年(大于30岁)两个区间等。我们提出的基于关联属性推断的用户建模框架如图3所示。首先基于用户在线行为内容提取多模态的用户特征,包括3种视觉特征:用户上传图片中检测到的人脸、Profile图像、创建Post中的图像,以及3种文本特征:一元文本特征、语法文本特征、主题语义特征。模型部分包括3步:支持向量机(SVM)分类器学习为每一种特征训练独立的SVM分类器,然后通过堆SVM[8]将单个SVM分类器的输出进行融合。为了利用用户属性之间的关系,我们提出关联隐SVM模型(RLSVM)[9]进行最终的属性推断和关联属性挖掘。基本思路是:当推断一种用户属性(主属性)时,将其他用户属性(辅助属性)作为模型的隐变量,不同的势能函数反映了用户特征向量、主属性和辅助属性两两共生的概率。模型优化的目标是使各种势能函数在观测到的用户数据集上最小(即概率最大)。模型求解采用最大化间隔框架,转化为二次规划问题,模型参数采用割平面方法获得,进而通过标签的信念传播得到各隐变量的数值。
我们提出的关联隐SVM模型在得到用户属性推断结果的同时,获得了用户各类属性之间的关联强度。通过结合用户属性和属性关联强度,我们设计了基于结构化属性的用户搜索应用,例如可以查找属性同时为“年龄:年轻”、“职业:IT”、“情感倾向:积极”的用户。
3 社会媒体网络用户关系
分析
社会媒体中的用户彼此连接构成社会网络,社会关系加速了多媒体信息在社会媒体网络的交换和传播。截至2012年10月,Facebook上单个用户的平均好友数已经达到190位,而根据Dunbar’ number统计,平均每个人在真实世界中的好友上限为150。这显示了用户社会关系在社会媒体网站中的重要作用,用户关系分析对于社会多媒体分析和应用至关重要。
社会网络中的用户关系包括双向的链接如LinkedIn中的“Connect”、Facebook中的“Add Friend”,以及单向的链接如Twitter中的“Follow”、Flickr中的“Contact”和Youtube中的“Subscribe”。这些社会链接影响着用户的行为和社会网络的动态发展。比如,LinkedIn上的同事会影响一个人在工作上的选择,Facebook上的好友则会影响一个人在生活中的喜好。分析和理解这些社会链接可以促生很多重要的应用,如病毒式营销、协同信息检索和推荐[10]。下面我们将以图片分享网站Flickr中的单向社会链接,即影响力关系为例,介绍用户关系分析在社会媒体应用中的作用[11]。
社会影响力分析已经吸引了很多研究者的兴趣,如研究影响力是否存在、最大化影响力传播、以及影响用户演化等。基于社会影响力进行信息检索的基本思路是,通过分析对搜索者有影响的其他用户的偏好,可以预测搜索者的偏好。影响用户和搜索者之间的影响关系有两个本质特点:
(1)影响力是连续的
这一点很好理解,因为离散二值化的影响关系(即影响与否)不足以描述社会关系的强度。近年,已有工作对连续的影响关系进行建模[12]。
(2)影响关系是主题敏感的
给定一个单向的影响关系网络,真正的影响用户随任务变化而变化。我们用图4中的示例来解释这一点,Bob在Flickr上的联系人(Contact)网络包括3个影响用户:Tom、Emily和Jason。每个影响用户的右边显示了他们在Travel、Fashion和Technology 3个主题上的特长。假设Bob在为他的蜜月旅行搜索“Tahiti”的照片,很显然Tom的偏好会对他影响最大;而当Bob搜索“D&G Fashion Show”的图片时,他应该更多地借鉴Emily的意见。这说明在某些主题上,有些影响用户更为值得信任,即影响力是主题敏感的。目前很少有相关工作对主题敏感的影响力关系进行建模,尤其在社会多媒体领域。
在Flickr中,用户可以添加其他用户为联系人,即潜在的影响用户。除了用户之间显性的单向影响关系链接,还可以利用的资源,包括用户上传的图片和添加的标注信息。图片分享网站上的多模态信息为主题敏感的影响用户挖掘问题同时带来了机会和挑战。我们将多模态的主题敏感影响关系挖掘问题定义如下:输入用户的联系人网络、标注集合和上传图片集合。通过本文提出的一种多模态概率生成式模型,将图片内容和标注的生成过程反推来进行推断。以用户为节点,用户-影响用户的社会链接为边,模型的输出包括主题空间、节点的主题分布、以及主题敏感的边强度。边的强度对应了主题敏感的影响力数值,而节点的主题分布表示了对应用户的特长。通过挖掘联系人网络中的主题敏感影响用户,可以将其应用到个性化检索问题中。借鉴基于风险最小化的信息检索方法,我们提出了一种个性化检索的通用框架。新提出的框架可以在建模时结合影响用户的偏好和标注的置信度信息。主题敏感的影响关系和用户特长可以直接融合进对查询词和图像文档语言模型(LM)的拓展中。
4 结束语
用户既是基本的社会媒体数据采集单元,又是社会媒体信息服务的最终对象。对应社会多媒体计算的3个基本任务,我们提出了以用户为中心的社会多媒体计算框架,并结合具体研究工作介绍了用户感知的社会多媒体内容理解、基于网络行为的用户建模和社会媒体网络用户关系分析3方面的任务。
未来社会多媒体计算的一个重要研究方向是结合网络空间信息的综合性和便捷性和物理空间的本地性设计应用。用户在这一过程中担任着连接二元空间的重要作用。如图5所示,用户相关交互构成社会网络,即社会空间;社会空间连接网络和物理空间。网络-社会-物理空间数据通过事件进行组织,用户是网络-社会-物理计算的基本研究线索,事件则是网络-社会-物理计算的主要研究对象。以用户为中心的网络-社会-物理计算有着广泛的应用潜力,以基于用户的二元空间事件跟踪为例,物理和网络空间数据通过用户连接,定义事件空间中的一个点;用户彼此交互构成社会网络,将不同时空的社会网络定义的事件团进行关联,构成在二元空间进行的事件全貌。
参考文献
[1] NAAMAN M. Social multimedia: highlighting opportunities for search and mining of multimedia data in social media applications [J]. Multimedia Tools and Applications, 2012,56(1): 9-34. doi: 10.1007/s11042-010-0538-7.
[2] TIAN Y H, SRIVASTAVA J, HUANG T J, et al. Contractor: Social Multimedia Computing [J]. IEEE Computer, 2010,43(8): 27-36. doi: 10.1109/MC.2010.188.
[3] ZHA Z J, YANG L J, MEI T, et al. Visual Query Suggestion [C] //Proceedings of the 17th ACM international conference on Multimedia, 2009, New York, NY, USA:ACM, 2009:25-24. doi: 10.1145/1631272.1631278.
[4] YAMAMOTO D, MASUDA T, OHIRA S, et al. Video Scene Annotation Based on Web Social Activities [J]. IEEE MultiMedia, 2008,15(3): 22-32. doi: 10.1109/MMUL.2008.67.
[5] LIU D, HUA X S, YANG L J, et al. Tag ranking [C] //Proceedings of the 18th international conference on World wide web, 2009, New York, NY, USA:ACM, 2009:351-360. doi: 10.1145/1526709.1526757.
[6] SANG J T, XU C S, LIU J. User-Aware Image Tag Refinement via Ternary Semantic Analysis [J]. IEEE Transactions on Multimedia, 2012,14(3): 883-895. doi: 10.1109/TMM.2012.2188782.
[7] BI B, SHOKOUHI M, KOSINSKI M, et al. Inferring the demographics of search users: social data meets search queries [C] //Proceedings of the 22nd international conference on World Wide Web, 2013, Republic and Canton of Geneva, Switzerland, 2013: 131-140.
[8] WOLPERT D H. Stacked generalization [J]. Neural Networks, 1992,5(2):241-259.
[9] WANG Y, MORI G. A discriminative latent model of object classes and attributes [C] //Proceedings of the ECCV, September 5-11, 2010, Heraklion, Crete, Greece, 2010:155-168. doi: 10.1007/978-3-642-15555-0_12.
[10] KONSTAS I, STATHOPOULOS V, JOSE J M. On social networks and collaborative recommendation [C] //Proceedings of the 32nd international ACM SIGIR conference on Research and development in information, 2009, New York, NY, USA:ACM, 2009:195-202. doi: 10.1145/1571941.1571977.
[11] SANG J T, XU C S. Right buddy makes the difference: an early exploration of social relation analysis in multimedia applications [C] //Proceedings of the 20th ACM international conference on Multimedia, 2012, New York, NY, USA:ACM, 2012: 19-28. doi: 10.1145/2393347.2393358.
[12] XIANG R J, NEVILLE J, ROGATI M. Modeling relationship strength in online social networks [C] //Proceedings of the 19th international conference on World wide web, 2010, New York, NY, USA:ACM, 2010:981-990. doi: 10.1145/1772690.1772790.
作者简介
一、前言
随着教育技术的进步以及教育信息化的发展,教育中技术的应用已经在教育生活中“悄然展开”。一方面,学习技术系统,例如学习管理系统、课程管理系统等,已经获得并存储了大量的关于学生学习的数据,学生参加的各种在线学习记录了学习轨迹信息,学生在社交网络中的学习行为数据更是呈现出急剧增长的态势,所有的这些数据都在持续不断地增加,甚至超过了教育研究者和教育机构对教育信息的理解和应用能力。
另一方面,教育信息化的发展以及对教育信息的巨大投入能否有效地优化学生的学习效果以及如何利用相关的学习数据来优化学习效果,目前已经成为了困扰教育界的一大难题。教育机构如何有效挖掘和利用相关数据来促进学生学习以产生相应的经济效益;教师如何利用学习数据有效地跟踪学生的学习进度;教育研究者如何通过学习数据分析发现学生学习的规律,进行教学管理;诸如此类的问题,已经引起了研究者的关注和重视。
2011年2月,首届学习分析技术与知识国际会议(1st International Conferenceon Learning Analytics & Knowledge,LAK11)在加拿大的阿尔伯达省班芙市举行,会议以学习分析技术在技术、社会和教学等维度的整合为主题。
2012年4月第二届学习分析和知识国际会议(2nd International Conference on Learning Analytics & Knowledge,LAK12)在加拿大温哥华举行,会议探讨了学习分析技术、知识建模和表征、知识工作和分析等领域现状及发展策略。
此外,美国新媒体联盟(The New Media Consortium, NMC)与美国高等学校教育信息化协会主动学习组织(The EDUCAUSE Learning Initiative)合作的“新媒体联盟地平线报告(The New Media Consortium’s Horizon Project)”的2010年度、2011年度、2012年度和2013年度报告中,预测基于大数据的学习分析技术将在未来四到五年内成为教育技术应用领域中的主流之一,并对学习技术在教育教学管理等方面的促进作用进行了全面地分析,描绘了学习分析技术在未来广泛的应用前景。
基于以上学习分析技术产生及发展的背景,本文将对学习分析技术进行解读,阐明学习分析中的关键技术,分析其在教育教学管理领域的应用前景及可能存在的挑战。
二、学习分析及其相关概念
(一)学习分析
首届学习分析技术与知识国际会议将学习分析定义为“测量、收集、分析和报告有关学习者及其学习情境的数据集,以理解和优化学习及其发生情境”。新媒体联盟将学习分析定义为:利用松散耦合的数据收集工具和分析技术,研究分析学习者参学习参与、学习表现和学习过程的相关数据,进而对课程、教学和评价进行实时修正。学者顾小清认为,学习分析是围绕与学习者学习信息相关的数据,运用不同的分析方法和数据模型来解释这些数据,根据解释的结果来探究学习者的学习过程和情境,发现学习规律;或者根据数据阐释学习者的学习表现,为其提供相应的反馈从而促进更加有效的学习。综上所述,可以将学习分析概括为:学习分析是综合利用各种科学理论和方法,通过对大量相关教育数据的处理和分析,运用数据分析模型或方法分析学习者学习过程中的存在的问题,评价学习者的学习行为,为学习者提供反馈,从而促进学习活动的顺利进行。
(二)学习分析与教育数据挖掘
学习分析与教育数据挖掘密切相关,同时,两者之间又存在着差异。教育数据挖掘是运用数据挖掘方法和技术,对相关的教育大数据进行处理和分析,从而建立数据模型,找出学习者学习效果与学习资源、教师行为、学习方式等变量的相关关系,以此来预测学习者将来的学习趋势。根据学习分析的定义可得,学习分析与教育数据挖掘之间是有交叉的,两者都是教育大数据在教育领域的应用,它们的研究数据来源是相同的。同时,教育数据挖掘中的主题与学习分析活动息息相关,都为学习者提供相应的反馈。
两者之间的差异体现在以下几个方面:教育数据挖掘强调自动发现,重点在于建构分析模型和建立发现模式。学习分析则更强调人为的干预,重点在于分析学习者的学习行为;教育数据挖掘强调关于学习的各个部分之间的联系,而学习分析强调整体性和情境性;从两者所依赖的分析工具和技术上来说,教育数据挖掘主要依靠聚类技术,将一个完整的数据集合分成不同类别的子集,再对数据进行分析。而学习分析则更依赖于社会干预,它主要运用网络分析、话语分析以及内容分析等分析方法。
三、学习分析技术中的关键技术
随着教育信息化的发展,学习分析技术正在融合其他学科领域的相关技术,以更好地实现相关学习数据的分析以及对学习过程的研究。目前,较为有效的可用于学习分析的关键技术主要包括内容分析法、话语分析法和网络分析法。
1.内容分析法
内容分析法是指对文本内容以及媒体内容进行系统且客观的量化并加以描述的一种分析方法。它实际上是一种推理的过程,从有表征意义的数据中推断出相对准确的意义。运用内容分析法不仅可以对教育数据进行定量分析,还可以进行定性分析。定量分析可得学习者的行为模式,定性分析可预测学习者未来的学习趋势,为学习者提供个性化的反馈信息。
目前,ROST CONTENT MINING是一款比较常用的学习分析使用工具,它是对用户免费开放的大型的内容分析工具平台;Visual Similarity工具通过对学习内容的分析解决学习资源的多元搜索问题,例如,可以查找图片来源,提供理解新概念的途径,查找到与当前学习内容相关的文章、视频等资源;iSpot工具对学习者学习过程中运用的文本和多媒体信息进行标注,并对标注了的数据进行分析,从而了解学习者之间的交互式如何发生的,还可以获知支持学习的资源分布情况。
2.话语分析法
话语分析法又叫做交互影响分析、语境分析,是对学习者学习过程中产生的交流过程进行分析解释的学习分析方法。分析的对象多种多样,例如,面对面直接的对话内容、通过网络进行的交流内容、在线学习小组交流的内容等。通过话语分析技术可以得知学习者学习过程中话语文本的含义,以此来探究学习者知识建构的过程,进而更加清晰地认识学习发生的过程。
目前,话语分析工具发展地较为成熟。例如,The Digital Research Tools Wiki可以对话语文本进行分析和解释;Wordle and Tag Crowd可以将文本内容进行可视化处理;Cohereis可以将网上交流的内容进行结构化处理;WMatrix可对文本内容进行定量研究分析。
3.社会网络分析法
社会网络分析法是社会学家根据图论、数学方法等研究出来的一种定量分析的方法。运用社会网络分析法,不仅可以用来探究网络学习过程中的联系、关系、角色以及网络形成的过程与特点,还可以了解人们如何在网络学习中建立并维持关系从而为自己的学习提供支持。
假设以当前的学习者个体作为研究分析的对象,运用社会网络分析法可以推断出该学习者从哪些学习伙伴那里得到了启发,该学习者在哪些知识点的理解吸收上存在困难以及哪些因素影响了学习者的学习过程等等。对于网络学习过程进行系统的社会网络分析需要使用许多相关的技术和方法。例如:可以用Mzinga工具来确定网络学习过程中学习者的参与程度;可以用Gephi工具来对信息和数据进行交互式的可视化处理;可以用SNAPP(学习网络可视化评估工具,由澳大利亚Wollongong 大学研发)来对网络学习过程中学习者与教育者或学习伙伴之间的讨论情况通过量化、分析后,以图表形式呈现出来。
总之,学习是与学习环境、学习内容、学习同伴和施教教师之间的复杂的交互过程。要对学习过程进行研究和管理必须要选择恰当的切入点以及适当的分析工具和方法,从不同的角度去解释学习过程,优化教育教学管理。
四、学习分析的应用展望
学习分析最终的目标是服务于教育教学管理。按照层级划分,学习分析主要有三大利益相关者,分别是学习者、教学者和教育管理者。学习分析的直接对象为学习者,学习数据的分析结果直接影响到学习者的学习活动;教学者可利用对学习者学习分析的结果对学习者学习行为进行一定程度的计划和干预;最上层的教育管理者根据学习者和教学者的数据做出相应的判断以及决策。以学习分析的利益相关者为线索,目前学习分析的应用主要体现在以下几个方面:
1.学习者:学习自我管理(评估、诊断与导向)
学习分析可作为学习者自我评估的工具,帮助学习者了解学习过程中的优势与不足,使学习者更加充分地认识自己,更好的规划自己的学习行为,实现学习者的自主发展。由于学习分析能从系统的角度获取并分析学习者的学习数据,因此,学习分析可以用来诊断学习者的学习需求。
在自我评估和学习需求诊断的基础上,学习分析还为学习者提供了一个与学习内容、学习同伴、学习环境和教师互动的平台,促进了自我导向学习的产生与发展。通过学习分析,学习者可以分析自己学习过程产生的数据,通过学习内容以及学习时间的可视化来了解并把握学习的进度。
目前,有许多学校已经利用学习分析技术为学习者提供相应的服务。例如,美国马里兰大学在课程管理系统中利用学习分析设计了一个名为“检查我的活动”的学习情况反馈工具,帮助学生评估自己的学习过程,学生可以通过使用这个工具了解到自己选修的课程情况,作业的得分情况等。
2.教学者:优化教学、个性化学习设计
这里的教学者包括教师以及教育研究者。教师可利用学习分析技术获取有关学生的学习绩效、学习环境、学习过程等数据信息,为教师改进教学提供科学依据。从学生的学习系统中,教师可以了解到学生登录系统的时间,学习某门课程所花的时间,课程的进展情况,在课后问答的交互情况等。
通过对获取数据的分析,教师便可判断学生的学习习惯、学习风格以及学习进展等,从而制定适合学生实际情况的教学方案,进一步优化教学。对教育研究者而言,利用学习分析技术深入分析学习者学习数据可以发现学习者个体的学习偏好以及学习路径、学习模式,在此基础上对学习者的学习进行个性化的设计。
3.教育管理者:科学决策
教育管理者往往是教育决策者。学习分析在很大程度上为教育管理者提供决策依据。对学校管理部门来说,通过对学生学习活动的跟踪和分析会影响学校对学习空间、学习资源的分配;对课程完成情况,学生学习绩效的分析会对学校课程改革产生一定的影响。政府和教育机构在某种程度上根据学习分析的结果调整政策或策略,使自身受益。
五、存在的问题与挑战
当前,教育技术领域对学习分析技术寄予了厚望,教育研究者期望通过学习者学习行为数据分析对教育领域做出贡献。但是,我们在享受学习分析技术带来的成果的同时必须清醒的认识到学习分析技术尚未成熟,还存在很多缺陷,面临诸多挑战。例如,准确性问题。学习过程的复杂以及学习行为的特殊性决定了学习者的内部心理活动和思维的过程等无法通过外显的行为表现为行为数据。
这就直接导致学习分析技术无法获得学习过程完整的系统的行为数据,也就意味着学习分析技术分析的结果很有可能无法完全正确的反映学习者学习的全貌。再如,隐私性问题或称伦理问题。学习分析技术的这一问题是显而易见的,学习者学习行为数据的采集难免会用到摄像机、监控视频等设备,也会后台调取学习行为数据。这很可能造成对学习者个人的隐私的侵犯。还有责任分担问题,数据版权问题等都会随着学习分析技术的发展而出现。
Ross Video中国区总经理
随着电视观众对于节目质量的要求越来越高,电视制作的团队对于节目的制作水平也有了更高的要求,设备厂商也因此有了为客户提供更加先进及高质量的设备机遇。从舞台及演播室的技术含量的提高,越来越多的自动化包括机器人云台的大范围应用,丰富了镜头效果,同时也使虚拟效果更加灵活,不仅传统的虚拟演播室可以加入了运动镜头,甚至越来越多虚拟现实技术都可以凭借着机器人机位的引入使虚拟物体看上去更加逼真,更加自然的与实景结合在一起。我们注意到越来越多的演播室在中国已经开始了创新,大量多媒体,融媒体演播室的改造正在国内广播电视用户中展开。我们相信这种演播室制景及新技术的运用,一定也会进一步的推进导控室内的变革,目前国外已经成熟应用的演播室自动化系统必将也会进入到国内,帮助用户更好的挖掘演播室内设备应用的潜能,同时避免或减低导控室里由于沟通产生的错误,例如前一阵在网络上流行的‘一个人的演播室’所介绍的OverDrive及类似系统必将得到国内用户的关注。
互联网+时代背景下的媒体融合
舒文琦
新奥特方案事业群副总经理
融合媒体是互联网+时代背景下一种媒介发展的理念,是在移动互联网迅猛发展的基础上新老媒体的有机整合,这种融合将从思想、内容、技术和经营方式这四方面得以体现。智慧平台是IT技术不断迭代更新的产物,广播电视媒体需要考虑脱掉“专业”的华丽外衣,利用IP化、云化等先进的IT技术手段,协助广播电视媒体打造智慧媒体平台,完成媒体融合的华丽转型。
媒体融合服务平台有四个核心功能:大数据分析、信息内容共享、生产工具集合、资源统一调度。融合媒体时代的流程不应该像传统电视节目制播流程那么立体、复杂,它应该是扁平化的。前端是根据数据源类型的不同类型区分,构建不同汇聚平台,内容汇聚完成后现经过内容分析、筛选、整理,再进入到全媒体内容库,在全媒体内容库之上将提供包括视频、音频、图片、文字种类不同的生产工具集,生成完的产品通过互联分发模块,向新媒体、媒体产品、社交媒体、电视媒体等等做分发和,完成后通过“用户管理”获取受众粉丝的行为,通过大数据分析感知粉丝们喜欢看什么内容。
低成本4K制作渐成潮流,全民4K指日可待
宋慧桐
Atomos亚太区销售及运营副总裁
如同当年标清到高清的升级,现在我们又面临着4K超高清的转折点。只不过4K的普及速度可能会快得超乎想象,就像移动互联网和智能手机迅速地改变了我们的工作和生活,这正是技术变革所产生的驱动力。随着网络带宽的增长和节目观看方式的改变,4K节目的分享不再遥不可及。众多的终端厂商推出价格便宜的4K电视,也大大刺激了观众对于4K内容的需求。诚然,4K节目制作仍然面临着设备不足、成本高昂的困难,全面更新现有的高清设备显然不现实。如果要跟上4K的潮流,采用低成本的拍摄制作设备,从前期拍摄和素材储备入手,就成为了最高效的解决方案。
前期厂商不断推陈出新,4K摄像机的门槛大大降低,从价格上来说4K拍摄设备已经相当于传统高清设备。例如,索尼的A7s在一万多元的价位上提供了专业级的4K摄像功能。配合Shogun 4K监视记录仪使用,就可以输出并记录为10-bit 4:2:2的Apple ProRes或Avid DNxHR格式,很方便地就可以在各种编辑软件上直接进行剪辑。无须太高端的电脑配置,比如MacBook Pro标准配置就可以轻松完成4K节目制作,而分辨率和和画面质量从高清上升到了一个新的层次。随着这些高性价比设备的普及,4K节目制作不再高不可攀,全民4K的时代也就不再遥远了。
广电市场呈现两极分化趋势
李对锋
华创科技研发中心副总监
目前,广电市场呈现两极分化趋势:高端化和低端化。高端化趋势向4K\8K、电影化发展,日本电视台8K广播已试验成功,并明确4K\8K的发展时间表:2016年4K全面广播,2018年8K全面广播。北美地区目前没有普及4K广播,还是以2K高清节目为主。一般的生活、娱乐、新闻节目往低端化发展,使用低端机器拍摄制作,操作轻便,成本低,更注重时效性。
结合高端化和低端化的发展趋势,华创要完善现有产品链、做好市场布局,占领2K高清市场、紧跟4K技术,低端产品要加速展开布局。面对超高清时代的发展机遇,华创科技创新开发具有前瞻性的DataCam E2HD系列产品,将从拍摄采集、收录存储、编辑制作、播出分发、终端显示等环节上实现超高清全过程。
解决虚拟演播室的不时之需
林鸿铭
Datavideo洋铭董事长
当前虚拟演播室领域,抠像技术已经非常成熟而且硬件成本也在不断下降,在不同新的领域应用已经逐渐扩大,不局限在电视台,已扩大到学校,企业,个人工作室,以及新媒体。新客户在应用面都面临了相同的问题:虚拟演播室此类产品以PC平台为基础,功能强大,但原设定给电视台使用的操作方式是非常复杂的;背景素材制作更是费时费钱,还需要3Ds Max软件人才制作场景。为此洋铭虚拟演播室TVS系列产品提供了3D小画家场景制作软件、虚拟背景网站、简单实用操作界面、平板电脑创新演示、完善售后服务体系等方案让节目制作更加简单、展示更加新颖、画面更加丰富。
实现最干净的信号传输
Rich Redmond
GatesAir首席产品官
在中国,数字广播的进步无疑是令人兴奋。中国数字广播在一个智能平台上可传输多种高品质的数字广播节目,利用FM频谱、专用设备和网络架构,可远距离传输内容。
IP仍然是一个不断发展的传输平台,可简化跨设备和发射网络的内容分发。数字化仍然是重要的趋势。高清已是常态,而UHD是一个不断发展的平台。
GatesAir与中国的数字广播密切合作,在Flexiva FM发射平台上实现相应的功能和技术。这包括专利的RTAC实时自适应校正软件,以及先进的峰值因数缩减技术。这两种技术帮助广播电视台以最大功率和最高效率实现最干净的信号传输。
将传统SDI讯号传输解放到IP网络新世代