大数据时代的样本选择

2012年11月29日，习近平总书记提出“中国梦”的概念，此后在主流媒体上引起强烈反响并成为全社会普遍关注的焦点话题，以微博为代表的社会化媒体也进行了持续的关注。根据数据挖掘显示，2013年1月1日到2013年6月30日，新浪微博上共出现了224515条原创博文^[3]，这些博文分别涉及政务微博、媒体微博、个人认证微博等若干的传播主体。研究假定，不同的传播主体虽然都对中国梦进行了大量的聚焦，但其阐释和传播的内容及策略则各有不同，“中国梦”的叙述话语从官方的主流媒体拓展到以微博为代表的社会化媒体，必然经历了从叙事风格到叙事边界的拓展。

话语分析要对文本的“语言运用单位进行清晰的、系统的描写”，这种“描写”有两个主要的视角——“文本视角”和“语境视角”^[4]。然而，传统的话语分析往往偏重于对单条或少量样本的解读，在大数据时代，传统的话语分析依然有其经典的参考价值，只不过在样本的选择及具体的操作层面需要进行某些革新。诚如舍恩伯格所言，“当数据处理技术已经发生了翻天覆地的变化时，在大数据时代进行抽样分析就像在汽车时代骑马一样。一切都改变了，我们需要的是所有的数据，‘样本=总体’”^[5]。国内学术界自2012年开始掀起一股“大数据”的热潮，基本上遵循了舍恩伯格所提出的三个分析原则，“不是随机样本，而是全体数据”“不是精确性，而是混杂性”“不是因果关系，而是相关关系”^[6]。然而，在社会科学的研究领域，我们依然不能放弃对“精确性”的追求，事实证明，“精确的测量结果比不精确的测量结果要优异。使用不精确的测量绝不会比使用精确的测量能得到更优异的结论”^[7]。

本研究初步采集到的中国梦全体样本为224 515条，并非所有的样本皆有效，在多次观察和分析后，去掉了大量与本研究所聚焦的“中国梦”话题无关的内容，以及虽然聚焦于“中国梦”但属于重复性且没有实质内容的“投票”信息、“分享”信息和营销信息，以上筛选掉的信息共计55 963条，剩余有效样本数量为168 552条。同时，微博作为碎片化的传播平台，不同的博文有着不同的覆盖度和传播力，在进行深度数据分析时，必然要考虑“琐碎的多数”和“重要的少数”同时兼顾的问题。