上海交通大学媒体与传播学院

“思源湖畔”栏目为《上海交通大学学报哲学社会科学版》特色栏目,致力于刊载问题导向、交叉融合的前沿成果,展现中国学者跨学科研究的新思想、新观点和新方法。本期“思源湖畔”主题为:“国家形象”。

作者简介|PROFILE

葛岩:上海交通大学媒体与传播学院、心理与行为科学研究院特聘教授。

本文亮点

什么是形象?研究形象的价值是什么?有没有可靠的方法能够测量人们对其他国家形象的认知?如果群体之间彼此的偏见难以避免,他群看我群,我群看他群,都难逃偏见,有没有什么方法能够抑制偏见,防止国家形象研究落入群体间偏见的陷阱?本文《基于图式理论的国家形象测量》针对这些问题,本文借助认知心理学中的图式构念,提出基于图式的形象理论,并以该理论为依据,提供了一组国家形象调查、数据挖掘的研究样例。本文的目的是通过形象研究避免国家间认知偏见影响实际行动乃至动摇世界的稳定与安宁。

摘要:围绕什么是形象、怎样用调查和数据挖掘方法测量国家形象问题,本文提出了基于图式的形象理论,分析了形象的结构、功能和测量方法。依据该理论,形象图式内容的稳定性、内容间的结构联系和结构性激活的可能性,是形象测量的基本着眼点。在该理论框架下,本文还通过样例分析了调查和数据挖掘方法在形象测量中的应用,讨论了二者的优缺点。

关键词:形象;国家形象;国家形象调查;形象挖掘;对外宣传

【内容简介】

一、讨论范围

二、基于图式的形象理论

无论中外,形象定义多显得宽泛、含糊,所指差别很大。例如,形象和看法常被不加辨析地使用。某国报纸报道中国的负面新闻,这是报道我国的负面形象,还是对我国的负面看法?如果二者是一回事,为什么要区别形象和看法?如果二者不同,它们又是怎样的关系?为明确定义形象,笔者提出基于图式的形象理论(SchemabasedImageTheory,简称SIT)。

(一)从图式到形象

八十多年前,巴特列特(F.Bartlett)发现,遇到同类事物信息,记忆里稳定储存,用来表征该类事物的概念会进入意识,为处理外部信息提供模板或图式(schema)。社会心理学家菲斯克(S.Fiske)和林维尔(P.Linville)认为:“图式是指(记忆中)与一个给定概念有关,且联接丰富的信息网络。”在结构、功能和激活方式等方面,图式、形象、刻板印象、行为脚本(behavioralscript)高度相似,但因使用语境不同,它们的所指有所区别,衍生出不同的评价性意涵。

(二)图式的结构

早期研究者把图式设想为一种插槽结构(slotstructure),其中包含最易联想的事物特征及默认值。奎廉(M.Quillian)等人的语义记忆模型(SemanticMemoryModel,SMM)假设,源于经验的概念或知识在人脑中分类,以网络形式相对稳定地储存在记忆里。网络中的每个概念是一个节点。属于同类事物的概念节点连接更为紧密,彼此激活的概率也更大。这种机制被称作扩散激活(spreadingactivation)。从这个网络到那个网络,激活关系复杂交错,不同网络会出现嵌套关系。

(三)图式的功能

图式的根本功能是高效处理环境信息。事物只需显露一两个特征,其他节点便可能结构性激活(structuredactivation),无须细致耗时的分析。不过,经验产生于具体境遇,储存入图式后,经验被抽象化、类别化,可能带来误判。

(四)图式的测量

研究者开发出若干实验方法来测量图式内容。以刻板印象为例,如强迫选择法(Forcedchoice)、随意选择法(Pickany)、两极里克特量表测量法(BipolarLikertTypeTest)、反应时测量(ReactionTime,RT)等。另一种重要方法使用分类框架判断群体/国家的形象类别。国际政治学者伯丁(K.Boulding)最早建议用友善/能力两维度构造国家形象类别框架。经许多研究者后续工作,友善/能力已经成为群体间形象的普适测量框架。

(五)形象与看法

(六)SIT的五点主张

1.形象图式是记忆中相对稳定储存的,表征对事物特征认知和情感评价的结构或网络。

2.形象图式的功能是组织和阐释外部信息,通过网络节点的结构性激活机制来提高认知效率,但同时也可能带来对事物的歪曲或误判。

3.在处理认知任务时,若干图式可能同时工作,彼此产生嵌套和竞争。

5.形象图式储存在记忆里,测量形象图式本质上是记忆内容测量。

三、调查:从记忆中测量形象

控制实验是测量形象图式的合适方法,但成本高,常有效度问题。问卷调查更为常见。

(一)国家、地区和城市形象调查的典型程序

(二)商业类调查样例

使用拉拉(V.Lala)、奥尔瑞德(A.Allred)和查克拉波迪(G.Chakraborty)的《多维度国家形象量表》,说明商业类调查在国家形象研究中的应用。

三位学者试图开发一份国家形象量表,目的是理解国家形象对产品销售的影响。他们采用四个步骤:

1.阅读文献,梳理出有经验证据支持、能够测量国家形象图式内容的问项,并添加研究者认为的重要问项,提出初步问项清单。

3.综合上述结果,确定问卷问项。

4.使用一组地理、文化、政治和经济制度差别明显的国家为调查目标,在适当样本群体中实施调查。

(三)国际关系类调查样例

以皮尤研究中心的2020的报告《美国人视疫情扩散为最严重的国际威胁》(下文简称《重大威胁》)为例,扼要说明非商业调查对形象图式研究的价值和局限。

《重大威胁》旨在了解美国人对重大国际威胁的看法。问项设计简单直接,仅要求样本报告对一组选项的看法(主要威胁、小型威胁、不是威胁)。调查发现,62%的样本把中国实力增长看作重大威胁。这些看法是否稳定存在,与哪些其他看法有结构连接,能否结构性激活均不在调查者考虑范围之内。不过,《重大威胁》同时回顾连续年度调查的结果,显示出十年间美国公众稳定地把中国实力增长视为重大威胁,中国威胁已然是美式中国形象图式中的稳定内容。

四、数据挖掘:从媒介中测量形象

媒介内容是意识活动的结果,二者存在某种映射关系。围绕研究问题,确定分析指标,量化处理媒介文本,可能较好揭示出文本中映射的意识活动,包括形象图式。这种映射理论有助于理解传统内容分析和近年兴起的数据挖掘在形象研究中的应用。本节笔者的一个国家形象挖掘项目,在SIT框架下讨论数据挖掘的应用价值和局限。

(一)国家形象挖掘步骤

第一步,我们从数据库中抽取十五年中国报道总体(19230篇,遗漏率<1%)。依据配额随机抽样方法,得到4000份样本,通过人工编码制作机器学习材料,训练多种分类器,最终用多项式贝叶斯分类器实现报道主题分类(准确率=0.927),划出政治与外交、经济、文化娱乐、卫生与食品安全、教育与科技五类报道。采用同样程序完成印度报道总体(11016篇)抽样和分类。

第二步,假设词汇在某类主题报道文本中的出现频度近似表征该类主题形象图式中稳定存在的内容,用TFIDF得到报道中全部词汇的向量矩阵,把TFIDF值高的词汇视为形象图式网络中具有高稳定性的关键词。

比较中印经济报道,取出有国别排他性的独特词汇,计算它们和关键词的共现频率。达到共现阈值的独特词,无论TFIDF权重高低,都被视为形象网络节点。这样,网络囊括权重高、在图式中稳定存在的关键词,也吸收了与关键词反复共现,与关键词节点结构联系密切的国别独特词,依次构造出两国形象图式。

第四步,采用社区探测算法,依据节点连接的数量关系得到形象图式维度,如中国经济形象8个维度,政治外交形象42个维度,印度经济形象18个维度,政治外交形象27个维度。

第五步,从多个情感分析器中,选择效果较好的VADER,把关键词放回其出现的语句中,计算情感值,得出形象图式不同维度和整体的情感值。

(二)国家形象图式的几种分析方法

国家形象图式提供了多种分析的可能性,本文介绍三个样例。

1.关键词权重/排序分析

2.关键词出现篇数在总篇数中占比分析

追踪特殊关键词出现篇数占报道总篇数比例,可以推知它们突出程度的变化趋势。以humanrights为例比较中国政治外交报道和经济报道,发现在中国经济和政治外交形象中,《纽约时报》把人权问题当作两个相对独立的领域处理,在政治外交形象中更易于激活,更为敏感。

3.自主网络分析

社会网络分析允许以网络中的特定节点为中心建立自主网络,观察特定节点和其他节点的关系,比较节点在不同形象图式中的位置。以较中印政治外交形象图式中的humanrights网络为例,发现在中国政治外交报道中,人权问题和新闻故事有广泛的联系,人权在中国形象中更容易被结构性激活。

五、结语

原文《基于图式理论的国家形象测量》刊于《上海交通大学学报(哲学社会科学版)》2022年第3期(第22-40页),若下载原文请点击左下方阅读原文,或搜索下方网址:

THE END
1.数据挖掘(计算机科学)发现知识的方法可以是数字的、非数字的,也可以是归纳的。最终被发现的知识可以用于信息管理、查询优化、决策支持及数据自身的维护等。数据挖掘步骤 在实施数据挖掘之前,先制定采取什么样的步骤,每一步都做什么,达到什么样的目标是必要的,有了好的计划才能保证数据挖掘有条不紊地实施并取得成功。很多软件供应商和https://baike.baidu.com/item/%E6%95%B0%E6%8D%AE%E6%8C%96%E6%8E%98/216477
2.数据挖掘的四种基本方法数据挖掘的四种基本方法 东奥美国注册管理会计师 2024-12-06 14:51:12 遗传算法 遗传算法是一种依据微生物自然选择学说与基因遗传原理的恣意优化算法,是一种仿生技能全局性提升办法。遗传算法具有的暗含并行性、便于和其他实体模型交融等特性促使它在数据发掘中被多方面运用。https://www.dongao.com/cma/zy/202406204447292.html
3.数据挖掘七种常用的方法汇总数据挖掘基本方法数据挖掘七种常用的方法汇总 数据挖掘(Data Mining)就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中,提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。这个定义包括几层含义:数据源必须是真实的、大量的、含噪声的;发现的是用户感兴趣的知识;发现的知识要可接受、可理解https://blog.csdn.net/api_ok/article/details/132065941
4.数据挖掘的几种方法有哪些帆软数字化转型知识库数据挖掘的方法包括分类、聚类、回归、关联规则、序列模式、异常检测和降维技术等。其中,分类是一种常见且重要的数据挖掘方法,通过对数据进行标记,帮助识别数据所属的类别。分类算法包括决策树、支持向量机和神经网络等。分类算法的核心在于通过训练集来生成分类模型,再用这个模型对新数据进行分类。比如在电子邮件分类中,https://www.fanruan.com/blog/article/594745/
5.商战数据挖掘:你需要了解的数据科学与分析思维分类模型、回归模型和因果模型通常用有监督方法构建;相似匹配、链路预测和数据整理采用两种方法皆可;聚类、共现分组和画像分析则通常用无监督方法解决。这些分析方法的基础就是我们要展开讨论的数据科学的基本原理。 回归与分类是两类有监督型数据挖掘方法,两者的区别在于目标变量的类型不同。回归的目标变量是数值型,而https://www.ituring.com.cn/book/tupubarticle/28952
6.数据挖掘VS机器学习,你了解多少?如今,获取数据比以往任何时候都更容易,但从数据中生成见解和信息正变得更具挑战性。企业经常发现自己处于一种情况,他们拥有的数据远远超过他们所知道的数据,这可能会适得其反,导致无所作为。 数据挖掘和机器学习是企业将这些庞大的数据库转化为有用信息的两种主要方法。 https://www.fromgeek.com/telecom/509859.html
7.数据挖掘论文2.EineSet是由SGI公司开发的,它也提供了多种数据挖掘方法,包括关联分析和分类以及高级统计和可视化工具。特色是它具有的强大的图形工具,包括规则可视化工具、树可视化工具、地图可视化工具和多维数据分散可视化工具,它们用于实现数据和数据挖掘结果的可视化。 3.Clementine是由ISL公司开发的,它为终端用户和开发者提供提供了https://www.unjs.com/lunwen/f/20220924130749_5650839.html
8.数据挖掘与分析的六种经典方法论最近梳理了一下数据挖掘与分析的常用方法论,这里简要介绍6种模型。 1、CRISP-DM 模型 CRISP-DM是CrossIndustry Standard Process for Data Mining(跨行业数据挖掘标准流程)的字母缩写。CRISP-DM是由一家欧洲财团(时称SIG组织)在20世纪90年代中后期提出来的,是一套用于开放的数据挖掘项目的标准化方法,也是业内公认https://www.niaogebiji.com/article-30475-1.html
9.数据挖掘及其在金融中的应用主要是采用人工智能相关方法作出预测,它能够实现统计回归预测和统计时间序列预测的功能,并且假设条件要比统计预测要宽松得多,甚至有些没有什么假设条件,精度上也与他们相当甚至比它们要好。 数据挖掘的类型,可能还不止这些,以上仅是一般的界定,正因为我们对数据挖掘的类型作出了界定,不同的类型也有对应的挖掘模型与算法https://www.jianshu.com/p/474504df2bdd
10.科学网—时空视频数据挖掘:让罪犯无所遁迹时空数据挖掘的方法丰富多彩,主要有数学统计方法、归纳方法、聚类方法、Rough集方法和云理论。以上方法不是孤立应用的,为了发现某类知识常常要综合应用这些方法。知识发现方法还要与常规的数据库技术充分结合,如在时空数据库中挖掘空间演变规则时,首先可利用空间数据库的叠置分析等方法提取出变化了的数据,再综合统计方法和https://blog.sciencenet.cn/blog-528739-858610.html
11.数据挖掘(3.1)频繁项集挖掘方法关联规则挖掘是数据挖掘领域中研究最为广泛的也最为活跃的方法之一 关联规则反应了一个事物和其他事物之间的相互依存性和关联性 如果存在一定的关联关系,其中一个事物就可以通过其他事物预测到 最小支持度:就是说当支持度达到一定的阈值后,某种数据才有被挖掘的潜力这个阈值就是最小支持度计数(min_sup)。 https://open.alipay.com/portal/forum/post/128201013
12.测试和验证(数据挖掘)MicrosoftLearn所有这些方法在数据挖掘方法中都非常有用,在创建、测试和优化模型来解决特定问题时可以反复使用这些方法。 没有一个全面的规则可以说明什么时候模型已足够好,或者什么时候具有足够的数据。 验证数据挖掘模型的条件的定义 数据挖掘的度量通常分为以下三类:准确性、可靠性和有用性。 https://docs.microsoft.com/zh-cn/sql/analysis-services/data-mining/testing-and-validation-data-mining
13.数据挖掘频繁项集挖掘方法中AprioriFPApriori算法是Agrawal和Srikant于1994年提出,是布尔关联规则挖掘频繁项集的原创性算法,通过限制候选产生发现频繁项集。Apriori算法使用一种称为逐层搜索的迭代方法,其中k项集用于探索(k+1)项集。具体过程描述如下:首先扫描数据库,累计每个项的计数,并收集满足最小支持度的项找出频繁1项集记为L1。然后使用L1找出频繁https://developer.aliyun.com/article/1400152
14.数据处理方法有哪些,掌握这些技巧让你轻松应对数据分析问题1.预处理方法:这种方法主要是在数据采集之后进行的,目的是减少数据所包含的噪声成分和冗余信息,提高结果的准确性。预处理方法一般包括数据清洗、数据采样、数据变换等。 2.数据挖掘方法:数据挖掘是从大量数据中发现隐藏在其中的有价值的信息的过程。数据挖掘方法包括分类、聚类、关联规则挖掘、异常检测等。 https://www.jiandaoyun.com/fe/sjclffynxz/
15.摩托车半热熔胎使用时需要注意哪些事项?适用于高速行驶的场合基于数据挖掘方法,对摩托车半热熔胎市场消费者的偏好进行了分析,通过网络爬虫技术收集了大量摩托车半热熔胎相关的数据,并进行了数据清洗和预处理。 利用关联规则挖掘方法,分析了消费者对半热熔胎品牌、性能、价格等方面的偏好,并建立了相应的模型,根据分析结果提出了相应的市场营销建议。 https://www.dongchedi.com/article/7233349793031045647
16.数据分析的三大方法是什么3.数据挖掘:通过发现大数据集中隐藏的有价值的信息,来支持决策和业务发展的方法。数据挖掘可以通过寻找不同数据之间的关联性与规律,来发现有用的信息和趋势。例如,通过分析用户浏览和购买的商品等数据,可以为企业提供更精准的营销策略和产品优化建议。数据挖掘的一些应用场景包括:智能推荐、反欺诈、市场营销等。https://www.linkflowtech.com/news/2717
17.数据挖掘常用的方法数据挖掘常用的方法 在大数据时代,数据挖掘是最关键的工作。大数据的挖掘是从海量、不完全的、有噪声的、模糊的、随机的大型数据库中发现隐含在其中有价值的、潜在有用的信息和知识的过程,也是一种决策支持过程。其主要基于人工智能,机器学习,模式学习,统计学等。通过对大数据高度自动化地分析,做出归纳性的推理,从中https://www.cda.cn/view/124702.html
18.数据挖掘知多少?常用的数据挖掘方法有哪些?常用的数据挖掘方法有哪些? 什么是数据挖掘 数据挖掘是从大量数据中自动发现隐含的信息和知识的过程,属于主动分析方法,不需要分析者的先验假设,可以发现未知的知识 常用的分析方法包括 分类、聚类、关联分析、数值预测、序列分析、社会网络分析等 数据挖掘融合了多个https://mp.weixin.qq.com/s?__biz=MzI1NzczMDIwNw==&mid=2247484137&idx=1&sn=6fe15e4610cb117a02cfcf0809f9a647&chksm=ea13b119dd64380f2a011a63fbc398b09b41b4f2a46d3958ffdddf2f45e5de0a436df50fe387&scene=27