2026年传播学概论主观练习题附答案

2026年传播学概论主观练习题附答案一、简答题1.何谓框架理论？请举例说明算法推荐时代新闻框架的新变化。参考答案：框架理论起源于社会学，戈夫曼在1974年出版的《框架分析》中将框架定义为人们用来阐释社会生活、筛选客观事实的认知框架，其核心作用是帮助人们简化复杂的社会现象，赋予特定事件意义。将框架理论引入新闻传播学研究后，学者恩特曼进一步提出新闻框架的定义：新闻从业者通过选择特定的事实、凸显特定的属性，建构受众对事件的阐释方向，本质上是新闻生产主体对意义的建构过程。进入算法推荐时代，新闻框架的生成与运行逻辑发生了根本性变化，主要呈现出三个方面的新特征：第一，框架主体从专业编辑的中心化设置转向算法主导的分布式生成。传统媒体时代，新闻框架由专业编辑、记者基于专业理念和媒体定位统一设置，同一事件在同一媒体中只有稳定的单一框架，而算法推荐时代，平台不再设置统一框架，而是基于用户的人口属性、行为标签、兴趣偏好对同一事件进行差异化框架包装，推送给不同用户。例如2024年台湾地区领导人选举期间，同一选举事件，算法会给支持泛绿的用户推送“两岸关系风险管控”框架，给支持泛蓝的用户推送“两岸经贸合作”框架，给大陆用户推送“反独促统”框架，同一事件衍生出完全不同的意义框架，框架的主体从单一的专业从业者转向了算法与用户共同建构的分布式主体。第二，框架形态从静态预设转向动态迭代。传统媒体时代，新闻成品发出后框架就已经固定，后续的跟进报道也只是补充信息，不会轻易改变核心框架，而算法推荐时代，框架会基于用户的实时互动数据持续调整，用户点赞、评论、转发更高的框架属性会被算法不断放大，推动框架核心发生转移。例如2023年某地的中考加分事件，最初的框架是“少数民族加分不公”，但随着网友对考生父亲身份的讨论互动量提升，算法快速将框架调整为“权力寻租违规加分”，后续随着官方辟谣的互动量变化，框架又再次调整，整个过程完全由数据驱动，没有任何预设，框架始终处于动态变化中。第三，框架功能从公共共识建构转向圈层偏好区隔。传统新闻框架的核心功能是通过统一的意义建构，培养全社会对公共事件的共同认知，进而推动公共共识的形成，而算法框架的核心目标是提升用户留存和平台流量，因此算法会主动给用户推送符合其既有偏好的框架，不断强化用户的固有认知，最终形成不同圈层之间的框架壁垒。例如在性别议题的讨论中，算法给女权主义者推送“男性对女性的压迫”框架，给性别保守主义者推送“女权极端化”框架，两个圈层很难形成共同的对话基础，框架的功能从建构共识转向了固化偏见。2.简述第三人效果理论的基本内涵，并分析其在网络虚假信息传播中的体现。参考答案：第三人效果理论由美国学者戴维森于1983年正式提出，其核心观点是：人们倾向于高估大众传播信息对他人态度和行为的影响，低估信息对自身的影响，即“我不受影响，你和他会受影响”。戴维森将第三人效果划分为两个层面：认知层面的第三人感知，和行为层面的第三方反应，人们会基于“他人会受不良信息影响”的认知，做出支持信息管制、主动干预信息传播等行为。第三人效果理论揭示了传播效果的复杂性，打破了“传播效果直接作用于受众”的线性认知，在新媒体环境下依然有很强的解释力，在网络虚假信息传播中，第三人效果的体现尤为明显：首先，认知层面，公众普遍存在“我不会信谣言，其他人更容易被骗”的认知偏差，这种偏差反而会降低公众对自身信息判断能力的反思，让很多人无意识中成为虚假信息的接受者和传播者。例如新冠疫情期间，不少年轻网民认为“新冠溯源阴谋论这种谣言只会骗文化水平低的中老年人”，但实际上很多年轻网民也会基于自身的立场偏好接受虚假信息，甚至主动转发，根本没有意识到自己已经被谣言影响。其次，行为层面，第三人效果推动了虚假信息的二次扩散。很多公众出于“我要提醒别人不要被骗”的动机，主动转发原本的谣言，反而扩大了谣言的传播范围。比如2023年网络上出现“某知名药企生产的退烧药含有毒成分”的虚假信息，不少网友认为“我知道这是假的，但我身边肯定有人不知道会买，我得转出去提醒大家”，这种行为本质上就是第三人效果驱动的，最终反而让谣言覆盖了更多用户，甚至引发了市场恐慌。再次，第三人效果也会影响平台和监管部门对虚假信息的治理策略。基于“虚假信息对普通公众影响极大”的认知，监管部门往往会出台更严格的信息管制措施，一定程度上会限制正常的公共讨论，而部分平台也会利用第三人效果，以“保护用户不受虚假信息影响”为名义，干预正常的信息传播，打压异见内容。最后，算法推荐技术放大了第三人效果，算法的圈层化传播机制让公众长期接触符合自身偏好的信息，更加坚信自己的判断是正确的，其他圈层的人更容易被虚假信息误导，进一步放大了认知偏差，让第三人效果在虚假信息传播中的作用更加突出。3.简述计算传播学的核心内涵，分析其对传统传播学研究方法的拓展。参考答案：计算传播学是计算社会科学与传播学交叉形成的新兴研究领域，核心是利用大数据采集、机器学习、自然语言处理、社会网络分析、计算模拟等技术，研究传播过程、传播结构与传播效果，其核心目标是通过计算方法回答传统传播学方法难以回答的研究问题，揭示大数据时代传播现象的新规律。计算传播学的兴起对传统传播学研究方法形成了多方面的拓展：第一，研究对象从抽样样本拓展到全量数据，提升了研究结论的代表性。传统传播学研究中，无论是内容分析、问卷调查还是深度访谈，都受限于研究成本，只能从总体中抽取一定规模的样本进行研究，样本误差不可避免，而计算传播学可以通过爬虫、API接口等方式采集某一议题的全部传播内容，实现对总体的全量分析，大大降低了样本偏差。比如研究近十年中国主流媒体的“乡村振兴”议题演变，传统内容分析只能抽取每年100篇报道做分析，而计算传播学可以采集所有相关报道，通过词嵌入、主题模型等方法精准提炼议题的变化趋势，结论的可信度远高于抽样研究。第二，研究维度从静态截面拓展到动态全链路追踪，揭示传播过程的演化规律。传统传播学研究大多采用截面研究法，在某一个时间点采集数据，描述传播现象的静态特征，很难捕捉传播过程的动态变化，而计算传播学可以对传播过程进行长期的实时追踪，完整记录一个事件从发端、发酵到扩散、落幕的全链路过程，清晰呈现不同阶段传播网络、传播主体、公众情绪的变化。比如研究突发公共事件中的谣言传播，计算传播学可以追踪每一条谣言的传播路径，识别不同阶段的关键节点，分析谣言变异的规律，这是传统研究方法很难做到的。第三，研究边界从可触及的小范围议题拓展到以往难以触及的宏观复杂议题，拓展了传播学的研究范畴。传统传播学研究很难处理大尺度、复杂性的传播问题，比如全国范围内的舆论扩散、亿万用户的信息偏好分化、整个互联网的传播结构特征等，这些问题依靠人工处理根本不可能完成，而计算传播学依托算力的提升，可以轻松处理这些大规模复杂数据，让传播学研究可以回答更多宏观层面的问题。同时，计算传播学还拓展了很多新兴议题的研究，比如AIGC内容的传播特征、算法推荐的效果、元宇宙中的传播互动等，这些新议题都必须依靠计算方法才能开展研究。第四，研究逻辑从相关性描述拓展到更精准的因果识别，提升了传播学研究的科学性。传统传播学研究受限于样本量和方法，很多时候只能停留在相关性描述，很难准确识别变量之间的因果关系，而计算传播学结合大数据和计量经济学的方法，比如工具变量法、双重差分法、断点回归设计等，可以更精准地识别因果关系，解决传统研究中内生性的问题，提升传播学研究的解释力。二、论述题1.结合2020年以来我国突发公共卫生事件治理实践，论述议程设置理论的发展与变迁。参考答案：议程设置理论是传播学效果研究领域的核心理论之一，1972年麦库姆斯和肖通过对总统选举的研究正式提出议程设置理论，核心观点是大众传媒可以通过安排不同议题的排序，影响公众对不同议题重要性的判断，即“媒介告诉人们想什么，而不是怎么想”。经过半个世纪的发展，议程设置理论随着媒介环境的变化不断发展，从最初的第一层客体议程设置，发展到第二层属性议程设置，再到第三层网络议程设置，理论内涵不断丰富，在2020年以来新冠疫情等突发公共卫生事件的治理实践中，议程设置的主体、机制、效果都发生了深刻的变迁，推动议程设置理论不断发展。首先，议程设置的主体从传统媒体的单一主体转向多元主体协同博弈。传统媒体时代，只有专业的大众传媒拥有设置公共议程的能力，政府和公众很难直接参与议程设置，而进入新媒体时代，政务新媒体、自媒体、普通网民、算法平台都成为议程设置的主体，议程设置变成了多元主体博弈的过程。在新冠疫情防控实践中，很多公共议题并不是由传统媒体首先设置的，而是由普通网民在社交媒体上发声，形成舆论热点后，倒逼传统媒体和政务部门跟进设置议程，比如新冠疫情初期的“武汉不明原因肺炎”议题，就是最早由一线医生在自媒体平台发声引发关注，后续才成为全国性的公共议程；再比如疫情期间的“健康码赋红码事件”，也是网民在微博发酵形成热搜议程后，才推动中央纪检监察部门介入调查，成为全国关注的公共议题。多元主体的参与打破了传统媒体对议程设置权的垄断，让议程设置更加反映公众的真实需求，但也带来了议程碎片化的问题。其次，议程设置的作用机制从自上而下的单向设置变成上下互动的动态建构。传统议程设置是自上而下的，媒体安排好议题顺序，公众被动接受，而新媒体时代，议程设置是动态互动的，公众通过点赞、评论、转发等行为影响议题的排序，算法再根据公众的互动数据调整议程的位置，形成公众参与建构议程的机制。比如新冠疫情期间，“隔离酒店费用”“返乡政策”“养老机构疫情防控”等议题，都是因为公众关注度高，互动量大，被算法推上热搜，成为核心公共议程，而一些政府原本想主推的议题，如果公众不感兴趣，互动量低，就很难成为核心议程。同时，第三层网络议程设置的作用越来越突出，传统议程设置主要关注单个议题的重要性排序，而第三层网络议程设置核心是媒介建构不同议题之间的关联，影响公众对议题关系的认知，在突发公共卫生事件中，算法会通过话题标签、相关推荐等功能，把“新冠病毒变异”“疫苗接种”“入境政策”“医疗资源储备”等议题链接在一起，让公众自动形成对疫情防控的整体认知，这种关联建构就是新媒体时代议程设置新的作用机制。再次，议程设置的效果从统一共识建构转向分化的议程区隔。传统媒体时代，全国公众接触的是统一的媒介议程，因此议程设置的效果是建构全社会的公共共识，而算法推荐时代，议程设置是分众化的，不同群体接触到的议程完全不同，议程设置的效果变成了圈层区隔。比如在新冠疫情防控政策调整阶段，年轻群体关注的议程是“什么时候放开、什么时候复工复学”，中老年群体关注的议程是“怎么买药、怎么接种疫苗”，慢性病人群体关注的议程是“放开之后慢性病怎么配药”，不同群体的议程完全不同，很难形成全社会统一的共识，甚至不同议程之间还会形成对立，比如支持封控的群体和支持放开的群体各有自己的议程，很难形成对话。最后，议程设置理论的核心逻辑并没有发生本质变化，其核心依然是回答“谁决定了公众的注意力分配”这个根本问题，半个世纪以来变化的只是议程设置的主体、机制和效果，核心问题没有变，在新的媒介环境下，议程设置理论依然是我们理解舆论形成、公共治理的核心工具，推动议程设置理论不断发展，才能更好地解释新媒体时代的传播现象。2.近年来AIGC大规模进入新闻生产领域，试分析AIGC对新闻专业主义的冲击与重构。参考答案：新闻专业主义是新闻业的核心职业理念，起源于19世纪末西方商业新闻业的发展，核心内涵包括三个层面：一是专业理念层面，坚持新闻真实、客观、中立，以服务公共利益为核心目标；二是专业准入层面，新闻生产需要经过专业训练，只有具备专业资质的从业者才能从事新闻生产；三是专业伦理层面，要求新闻从业者遵守真实、准确、独立、尊重版权等伦理规范。AIGC即生成式人工智能，近年来随着大语言模型技术的突破，AIGC已经被广泛应用于简讯写作、内容整理、素材生成、深度报道辅助创作等新闻生产环节，对既有的新闻专业主义体系带来了深刻的冲击，同时也推动新闻专业主义进入新的发展阶段，实现了重构。首先，AIGC对新闻专业主义的冲击体现在三个核心方面：第一，冲击了新闻业的专业准入壁垒，消解了专业从业者的身份权威。传统新闻业中，新闻写作、事实核实是专业记者的核心技能，形成了较高的专业门槛，而AIGC可以在几秒钟内生成符合规范的新闻稿，任何拥有大模型访问权限的用户都可以批量生产新闻内容，大量非专业的自媒体运营者可以用AIGC生产新闻内容，对专业记者的岗位需求形成了替代，近年来全球多家主流媒体都缩减了新闻采编岗位，大量基础新闻生产岗位被AIGC替代，专业从业者的身份权威受到了挑战。第二，冲击了新闻专业主义的核心原则真实与客观。新闻专业主义的核心是生产真实、客观的新闻内容，而AIGC生成内容天生存在“幻觉问题”，会基于训练数据的逻辑拼接出不存在的事实，生成虚假内容，同时AIGC的训练数据本身就携带了既有数据中的偏见，比如对特定群体的刻板印象、对特定立场的偏向，这些偏见会自动嵌入AIGC生成的新闻内容中，很难被察觉，另外AIGC还可以生成深度伪造的视频、音频、图片，以假乱真，严重冲击了新闻真实的核心底线。第三，冲击了新闻专业主义的公共性内核。新闻专业主义要求新闻生产以公共利益为核心目标，而当前很多AIGC生成新闻都是以流量为核心目标，批量生产符合算法推荐逻辑的标题党内容、博眼球内容，甚至批量生成带特定立场的舆论引导内容，用来操纵公众认知，这些低质内容挤占了公共议题的传播空间，破坏了理性公共讨论的基础，背离了新闻专业主义的公共性目标，同时AIGC训练数据大量使用了专业记者的原创内容，却没有获得授权，也侵犯了原创者的版权，冲击了既有的专业伦理规范。其次，AIGC并没有颠覆新闻专业主义，反而推动了新闻专业主义的重构，催生了适应智能媒体时代的新的新闻专业主义体系，这种重构主要体现在三个方面：第一，重构了新闻从业者的专业角色，强化了核心专业能力的不可替代性。AIGC替代的只是基础的信息整理、简讯写作等重复性劳动，把专业记者从繁杂的事务性工作中解放出来，让记者可以投入更多的精力到深度调查、事实核实、选题策划、解释性报道这些核心的专业工作中，专业记者的角色从“内容生产者”变成了“内容策划者、事实审核者、意义阐释者”，这种角色转型反而凸显了专业记者的不可替代性，很多主流媒体的实践显示，使用AIGC辅助生产后，深度报道的产量和质量都有了明