计算传播对大众传播的结构与重构
一、从意见领袖到众声喧哗
“研究‘谁’的学者查看传播者启动并指引传播行为的因素，我们将这个研究领域的子项目称为控制分析。”[8]也就是说，控制分析的研究对象主要是传播者及其对传播行为的影响。在过去，大众媒介自身所特有的精英化倾向和稀缺性资源等属性，使得传播的话语权集中在少数的意见领袖手中，“（施拉姆）第一次提出了两级传播的假设：‘概念往往先从无线电广播和报刊流向舆论界的领导人，然后再从这些流向人口中不那么活跃的部分。’简言之，舆论传播先影响意见领袖（亦称舆论领袖），再通过意见领袖影响其他人”[9]。事实上，在大众传播过程中，非数字化和非普及化的媒介形式使得信息在触及受众之后很难再形成大规模的多次转发、评论和再生产、再加工，因此信息的接收者便被动地沦为“沉默的大多数”，意见领袖得以对沉默的大多数产生影响。正因为这种清晰、单向和简洁的传播结构，使得彼时的控制分析能够非常快捷地找到作为意见领袖的传播者并对他们施加影响，进而改变传播者的传播动机、心理、行为和影响。
近20年来，数字化媒体的快速发展逐渐地消解了传统大众媒体时代意见领袖所特有的权威地位，这一状况与它对信息接收者的大范围赋权所造成的“传授合一”现象互为因果。博客网站、视频网站、即时通信工具、社交媒体网络、自媒体内容平台等数字媒体形式的不断演化和迭代，使得过去被动接收信息的大众媒体受众，摇身一变成了能够即时接收信息、评论信息、加工信息、生产信息和传播信息的用户。“以自媒体性质的微媒介为主要网络入口的微传播便体现了这种传授身份明晰界限的消解。每一位进入微传播中的网民都能在开放的信息平台上建立个人空间，成为信息的主宰，根据自己的判断和需求‘筛选’关注的焦点，创作独立的文本，既能发布信息，又能接收信息。”[10]双向互动的网络传播结构在冲蚀着单向被动的大众传播结构的同时，二者之间还发生着更微观层面的融合与重构，传统媒体的意见领袖仍然在起作用，数字媒体的时空中也不断涌现着新的关键意见领袖（Key Opinion Leader，KOL）阶层，他们以科技大咖、微博大V、自媒体大神、网红大主播的身份活跃在不同的数字媒体平台上和各色的线上线下活动之中。更关键的还在于，他们来自用户、跻身于用户，同时也回归用户、作用于用户，他们就是广大用户群体中不可被割裂的有机成员之一，他们在影响着用户的同时也被用户影响着。
而事实上，数字媒体所特有的这种参与性、网络化和扁平式特征，使得每一位用户都有机会在特定的场景和周期中成为意见领袖，作为网络结构中的一个节点，任何人的任何言论都有“从蝴蝶的翅膀”演变为“沿海的飓风”的可能性，哪怕只是短时间爆发出某种巨大的影响力。就像已故的艺术大师安迪·沃霍尔著名的“15分钟定律”所预言的那样：每个人都能在15分钟内出名；每个人都能出名15分钟。“信息正以光速传播，‘名流’在一夕之间便能被制造出来，即便他们很可能来得快，去得也快。”[11]事实上，正是这种对于网络社会中关键意见领袖所可能造成的影响力的迷恋甚至狂热，驱动着越来越多的用户不再满足于单纯的信息获取，而开始热衷于个性化的话语表达。越来越多的受众变成了用户，越来越多的用户想成为意见领袖，这种用户对传播话语权的广泛竞争已经彻底解构了大众传播时代的意见领袖们所拥有的超乎寻常的影响力。
众声喧哗意味着媒介空间中的信息源和传播者数量变得越来越多，意味着信息接收者所面对的数据规模越来越庞大，同时意味着用户与用户之间相互作用形成的传播关系和传播结构越来越复杂。这种情况下的控制分析，就与过去大众媒体时代的基本逻辑产生了差异，“一个非常重要的问题是如何重构出信息传播的路径，即给定一个有向网络，能否通过多次信息流传播的观测将社会网络的拓扑结构给推测出来。其相关的核心思想是：已知用户之间的网络结构，根据节点之间的关系推测信息传播的可能性”。[12]但单纯依靠过去的简单方法根本无法做到“已知用户之间的网络结构”，更遑论对当前的传播现象和传播问题进行有效的控制分析，因为在意见领袖和意见结晶遍地都是的信息洪流之中，任何肉眼凡胎的人都已经无法分清谁是最初的信息源、谁是活跃的关键节点、谁是影响巨大的转发者、谁是信息的二次加工者、谁是被蛊惑的受骗者，没有化腐朽为神奇、点数据为金玉的“八卦炉”便炼不出驱散重重迷雾、穿透嘈嘈噪音的“火眼金睛”。社会现象卷入了海量的异质性的个体的互动，使其变得非常复杂。
“幸运的是网络科学的研究开启了一个新的研究方向，但是网络科学需要大量的实证数据，而基于互联网的传播恰好提供了两种新的研究方式，一种是各种各样的‘数字足迹’，另外一种是互联网实验。”[13]在理论上，或者在进行互联网实验的前提下，我们的控制分析过程是完全可以借助传统的统计量化方式，根据用户的数字足迹（如阅读、评论、转发等情况），抽象出某一条具体信息在特定时间内的传播路径和传播结构模型，这个模型向我们展示了信息传播的起点、传播的层级、路径的长度、分享的广度等。但现实的情况是用户行为具有多变性、传播环境具有复杂性、信息规模具有海量性，这就导致传统研究方式根本无法应对瞬息万变的网络传播现实，这种挑战对传统的大众传播学而言是技术性的：没有相应的技术手段、分析方法和专业人才去落实这种理论上的可行性。
在这一点上，大数据思维和技术的发展使得我们对数字化的传播路径研究有了一个强有力的抓手，尤其是数据可视化技术的运用，为我们研究信息传播过程中产生的大规模数据提供了简便但可行的具体工具。如数据可视化工具，“它主要用于类似微博数据流这样的大规模非数值型数据，将源数据转化为简洁易懂符合人们认知习惯的视觉图像信息。既为研究者解决了数据量大所带来的研究难度，又免去了许多社会科学背景知识的学习”[14]。这时候，尽管众声喧哗，我们依然能够运用数据主义和计算主义的工具，以最直观的方式在最短的时间内找到发声者、附和者、追随者、反对者以及搅局者等传播过程的关键意见领袖，从而展开相应的控制分析并施加影响。
二、从专业主义到用户思维
内容分析聚焦于信息传播的主要对象身上，研究应该说什么、正在说什么、说了些什么等问题，也就是Says What的问题。从报纸杂志到广播电视，尽管承载信息的媒介形式发生了重要的变化，但是内容生产的决策权始终保持着精英化的状态，传统四类大众媒体的内容几乎都是由记者、编辑、文案、创意、策划、摄影、摄像、演员、制片、导演、后期等多工种的专业人士完成的，这些人中的大部分都受过良好的高等教育或专业的技术教育。与真正消费媒体内容的大众相比起来，他们所生产的内容是从专业主义和精英主义视角出发的。
事实上，这种视角在国内外的大众传播领域随处可见，整个传播过程中所涉及的内容部分，几乎都是由专业人士和精英阶层为广泛的受众群体过滤和筛选，并在编辑或剪辑人员的精心修改之下，编码成了报纸上的一块块图文信息、广播中的一段段语音信息以及电视里的一集集影像信息。这个过程中，专业人士充当了非常关键的“把关人”角色，之所以如此，有两方面的原因：一方面，传统大众媒体本身的物理属性决定了印刷在纸张上的文字或者广播出去的信号本身无法进行修改或者撤回，这就要求我们必须最大限度地提升信息本身的质量和准确性；另一方面，精英群体认为，大众媒体的覆盖范围广但其受众的认知能力和水平有限，不良的内容会造成非常恶劣的社会影响。例如，庞巴维克就曾说过，对于普通大众来说，“审慎的深思熟虑当然不是他们关心的对象，也不可能是他们的关心对象；他们只是简单地遵照自己的愿望和喜好”[15]。再如，马克·吐温也曾感叹说，“一般人缺乏独立思考的能力，不喜欢通过学习和自信来建构自己的观点，然而却迫不及待地想知道自己的邻居在想什么，接着盲目从众”[16]。又如，计划经济时代的媒体内容通常是官方意识形态的某种变形表达，大众媒体的管理部门及其代理人因为担心资本主义腐朽思想的侵蚀而在媒体内容的管理控制上采用了较为明显的家长主义作风，并标准严格地对“说什么”进行层层审批核查。毕竟在媒体和内容都稀缺的年代，内容产品的逻辑是供给决定需求而不是相反，管住了内容的供给侧其实也就意味着管住了内容的需求侧，受众唯一的选择就是给什么就看什么。
在这样的环境下，对传播模式中的内容进行分析是容易操作的，它只需要站在创造这些内容的专业人士的立场上看内容是否符合社会的主流价值、符合精英阶层的审美趣味、符合对广泛大众进行宣传教育的实际需求即可，这种内容分析的出发点是传者本位，受众本身的真实需求虽然也会在口头上被考虑，但实际上他们是经常被忽略的，尤其是在新闻这种信息产品上，专业主义的思想更是根深蒂固，“在如何处理公众参与新闻活动之时，我宁可选择他们作为一种参与者而不是主导者的角度，因为专业性的新闻工作肯定不是那些没有经过任何的专业训练的普通公众可以胜任的”[17]。
随着基于互联网、移动互联网的数字媒体类型不断涌现，大众媒体时代的稀缺寓言逐渐被打破，“人们拥有了对信息超出预期的访问能力，对许多人来说，互联网正在成为万能媒体，它是流进人们眼睛和耳朵并进入他们头脑中的大部分信息的管道，这种新类型的信息流带来了一种新的被称为流数据的数据类型”[18]。更重要的问题还在于，管道中的信息流、数据流和内容流正在从稀缺变为饱和，从饱和变为超载。尤其是在专业主义视角之外，那些对用户心理有着敏锐洞察和对用户痛点有着精准把握的通俗内容层出不穷，这给了用户更多自由选择内容的空间和权利。伴随着市场权力的天平从内容稀缺的生产本位主义过渡到用户注意力稀缺的消费本位主义，无论是方兴未艾的数字媒体还是不断被唱衰的大众媒体都开始越来越多地把用户对内容的消费需求作为内容供给的决定因素。
消费主义是把个人的自我满足和快乐放到第一位的消费思潮或风气，该思潮促使人们不断追求新的消费品，以满足自己的精神快乐。这种现象在今天的内容消费领域也同样愈演愈烈，用户不再沉重地把内容视为一种寓教于乐、修身养性、提升能力、陶冶情操的高雅产品，相反，他们更看重内容产品的娱乐功能、休闲功能、社交功能，大多数人只是希望通过内容产品满足找乐、猎奇、消遣、宣泄等个人化的情感或精神需求，仅此而已，符合个性化需求的内容就消费，不符合的就忽略。尽管这种用户至上的内容消费主义盛行的确造成了一些明显的问题，但如何在伦理和法律层面解决这些问题不是本文的议题，此处关注的重点在于如何面向海量用户的个性化需求，实现定制化的内容生产和分发，而这个难题是传统大众媒体的专业主义生产方式和精英主义决策方式所无法解决的。(https://www.daowen.com)
计算传播学对面向消费者的内容生产提供的解决方案则摒弃了大众媒体所采用的定性研究方法和想当然的经验主义决策机制，更多地依靠来自全网的量化数据来提供生产决策的客观依据。“通过大数据精准记录下人们收视的时间、内容和媒介，可以追踪到每位受众的收视动机、需求和时机。掌握和分析这些数据资料，可以勾勒出完整的受众收视图谱，呈现受众的显性需求和隐性需求，无疑为媒体内容的创新提供了新的参考。”[19]这种以用户思维和数据主义为导向的内容生产意味着传播学研究方法和实践方式的某种转向，这种转向是根本性的，它更强调数据对于信息生产和消费所带来的颠覆性变革。在对用户注意力竞争的过程中，如果我们不能对内容产品的各项指标进行量化，那就无法更好地改进它，只有那些可以被数据化的内容产品才可能被更好地分析和改进。在数据辅助内容创作方面，BuzzFeed是一家非常典型的公司，它拥有遍布全球的新闻团队、技术精湛的视频内容工作室、尖端的数据运算中心和脑洞大开的广告创意机构，虽然它创作的内容每个月超过50亿次的全网阅读量，但它却不认为自己是一家媒体公司。“‘数据驱动的内容创作’是BuzzFeed给自己贴上的标签。在这家公司的内容创作和分发过程中，反馈闭环（feedback loop）是出现频次最高的术语：将市场环境和读者反馈数据尽可能地量化和结构化，及时反馈给运营人员、内容编辑，从而构成一个辅助创作的闭环。”[20]
三、从渠道稀缺到万物皆媒
媒介分析在过去重点研究的是报纸、杂志、广播、电视等传统大众媒体渠道对信息传播、内容生产和受众消费的重要影响。这些媒介渠道最重要的特征就是中心性、单向性和稀缺性，因此它所塑造的媒介生产和消费形态也相应地具有生产的专业化、接收的被动性和消费内容不够丰富等特点。对报纸和杂志这样的平面媒体来说，它的版面在理论上可以无限制增加，但现实的情况是在版面到达一个临界值之后它每增加一个版面其边际效益便开始递减，因此用户能看到的报纸有16版、48版、64版，但几乎很少看到256版或者512版，杂志亦然。而且，尽管报纸在大中型城市曾经历了风光无限的一段历史时期，但其用户规模依然因为识字率和教育水平等原因而受到了较大的限制。这也在很大程度上意味着相对于巨大的人口基数，与广播电视媒体相比，平面媒体的影响并没有宣称的或想象的那样广泛。直到目前，电视媒体依然是所有媒体类型中覆盖范围最广的媒体，它妇孺皆知、老少咸宜，但它的频道数量也是有限的，每个频道的时段也是有限的，以频道最多的中央广播电视总台为例，即使其下属的18个频道[21]24小时不间断地播放电视节目，每天能够播放的节目时长也就是432小时。更何况，无论是报纸杂志还是广播电视，其内容生产和分发都是面向不特定的大众群体，尽管它们在努力地尝试通过设置民生、体育、娱乐等专版或者开辟少儿、电影、新闻等频道向不同的用户群体提供不同的媒体内容，但版面或时段的稀缺性使得传统大众媒体并不能在本质上真正满足每一位受众的异质化内容需求。建立在此种逻辑基础上的媒介分析则较为简单粗暴地把焦点转向了平面媒体的发行量或者广电媒体的收视率/收听率，因为这个数字背后关联着的是现实的企业广告投放额度，也就是媒体的广告收入，它占据了传统媒体整体收入的70%甚至更高。而为了提高发行量或者收视率等数字，大众媒体不断地尝试着以提升内容质量、丰富产品类型、改革版面/节目编排等方式与竞争对手在媒体市场上角逐用户的注意力。更有甚者，各大卫视收视率数据造假已经成为行业内秘而不宣的潜规则，这在一定程度上反映了传统大众媒体在全新的媒介环境下所面临的真实困境。
因为，数字化、数据化以及智能化进程已经彻底改变了20世纪建立起来的大众传播格局，今天的媒介渠道是丰裕的、多层次的、全方位的、立体式的、无处不在的。可以无限链接下去的互联网网页、能够安装成百上千移动应用的智能手机、触角延伸到每个楼宇的数字屏幕、被OTT或互联网改造之后的新一代电视、连接了居家环境中各类智能硬件的家用机器人、车联网中像电子产品一样不断更新换代的汽车以及正在普遍被安装在各个场景之下的柔性屏幕……越来越多日常生活中的普通事物因为植入了廉价、强大、高性能的传感器、智能芯片或显示屏幕而具备了信息传播和内容展示的媒介属性。“没有什么比把迟钝的东西变聪明更富有成效，在现有程序中植入极少量有效的智能都会将其效率提高至全新水平。”[22]这种“变聪明”意味着它能够获取、存储、传播和反馈人类所需要的信息，它变成了一种信息媒介，从而可以在一个新的深度和广度上为人类提供更加方便、快捷、高效的服务。这意味着我们可以通过这些不断增加的渠道及其无限延伸的时空来获取信息、内容和娱乐，而不再仅仅依靠传统的少数大众媒体渠道，它们既不懂得我们需要什么又不情愿为我们做出各种相应的改变。然而更加智能、更加泛在、更加个性化的新终端、新媒体、新应用却可以做到，而且它们还在以一种全新的加速度不断出现在我们生活、工作、学习和社交活动等越来越多的场景中。
泛媒介化、万物皆媒、媒介基础设施化等趋势使得媒介本身不再是稀缺资源，用户可以在任何时空、任何场景、任何状态、任何环境下以最合适的渠道获取信息资源和内容产品。此时的媒介分析便不可能再像传统媒体那样将目光锁定在发行量或者收视率这样依赖广泛覆盖而堆积起来的单一数据上面，因为媒介已经从单纯的内容传输和呈现方式演变成了为用户提供多元化信息解决方案的服务方式。在过去，媒介即讯息[23]；在今天，媒介即服务[24]。如果在渠道稀缺的大众传播时代，媒介以及依赖媒介而存在的从业者们还有值得他们高高在上、俯视受众的资本的话，那么在这个万物皆媒的时代，他们便没有了任何这样做的资本。尽管没必要去逢迎用户，但所有的媒介也都应该把自己的姿态放低，与用户之间展开地位平等的对话，否则用户就会立马转身离开并投奔竞争对手的阵营。在智能媒体语境下，无论是提供信息服务的媒介还是获取信息服务的用户都不再是泾渭分明的甲方乙方关系，而是一种协同成长、相互成就的共生进化关系。
这时候的媒介分析要解决的最关键问题是：用户在具体场景下的信息需求是什么？通过哪种最合适的媒体终端和媒体应用为他们提供这种信息服务或解决方案？同质化的大众消费时代试图用一刀切的单一媒体渠道提供面向所有受众的内容，而异质化的个性消费时代则必须用数据、算法、语音交互、深度学习等计算主义的工具，在一切具备了媒体属性的服务工具中找到最合适的工具、提供最合适的内容、匹配给最合适的用户。用户用数据将媒体训练得更加贴心，媒体用服务让用户的生活更智能，“越多人使用人工智能，它就会变得越聪明；它变得越聪明，越多人就会使用它；当它更聪明时，就会有更多人使用它”[25]。这时候的媒体分析，则变成了对具体媒介所提供的具体服务与具体用户需求是否高度匹配的分析。
四、从受众素描到用户画像
大众媒体时代的受众被认为是典型的同质化群体，媒体面向受众呈现无差别的内容，尽管它们在信息生产、内容分发和广告营销的过程中也会像模像样地投入一笔费用进行市场调查，然而这样的市场调查与其说是中立客观的数据参考，毋宁说是一种自欺欺人、掩耳盗铃的把戏。从调查公司那里得来的数据就像广告大师约翰·沃纳梅克那句经典名言一样，“我知道广告费用有一半是浪费了，但我不知道是哪一半”，来自调查公司的客户调查数据亦是如此，“我知道这些数据有一半是虚假的，但我不知道是哪一半”。媒体也好，广告主/广告公司也罢，他们中的大多数只是用这些数据为早已经制定好的产品策略或内容策略做合理性解释，而不是因为真的对这些数据高度认可而做出改进产品的决定。这主要原因在于调查公司所采用的传统统计学的调查研究方法在根本上无法真正反映媒体受众的全面特征和真实需求。“传统的统计调查是遵循自上而下的逐级下达、自下而上的逐级上报；统计方式是通过抽样个体去推断总体情况。这种通过多层抽样调查汇总的方式，其数据易出现误差，且抽样覆盖的范围有限，难以真正反映整体真实的情况。同时传统统计有时还要面对被调查者不配合等情况，从而导致基层统计人员的工作量大、工作效率低、环节多而繁杂、数据准确度难以把握、统计时效性差等问题。”[26]这些问题不是在大数据时代才暴露出来的，而是在过去的媒体实践和市场调研中就一直存在的。
举例而言，对电视节目的受众调查，通常会采用抽样调查和深度访谈相结合的办法，其最基本的假设就是所有受众具有高度同构的特征，在这样的逻辑下通过合理抽样得到的2000名用户是可以代表坐在电视机前观看这档节目的2000万用户的。然而事实证明，通过问卷获得的数据甚至连用户本人的真实意图都反映不了，又如何能够真正代表其他更多用户呢？这种研究假设的谬误必然直接地影响到研究方法、研究过程以及最终得出来的研究数据和研究结论。事实上，传统调研方式也的确在受众分析上表现得不尽如人意，因此它所给出的结论都是高度抽象的群体素描：20～25岁的年轻人，女性，大学生或白领人群，热爱生活，喜欢旅游……这种对于受众群体的泛泛表述最大的优点就在于它几乎不会出错，但同样其最大的缺陷在于拿着这张素描去对照就会发现跟谁都有点像但跟谁也不完全像。“对于传统媒体而言，受众规模、到达率、媒介接触等方面的量化信息是必不可少的。然而，如果今天我们所关注的依然停留在观众看了什么节目、受众的年龄、性别、收入等信息，已经远远不够了。我们还要回答，他们看了这个节目之后又去了哪些网站，他推崇什么样的生活方式，他的喜好、品位和价值观，等等。一言以蔽之，现在更多地要基于行为和习惯来描述和分析受众，而远不止于受众的人口学特征。”[27]正是在要继续更准确地描述受众的行为特征这件事情上，传统媒体以及他们所采用的调研方式无能为力了。
这也恰恰是计算传播学的研究方法在受众分析层面所必须面对并解决的问题，而计算主义的思维和工具则从基本假设这一起点直接摧毁了传统媒体将受众视为同质化群体而展开的研究体系，并代之以更加具象化、更加个性化和更加清晰化的用户画像。媒介市场从来都不是同质化而是异质化的，并不是大数据将大众分化成了个体，而是大数据的思维和工具给了我们直接面对个体、分析个体、服务个体的契机。过去的受众分析通过“问卷访问、小组访谈等市场调研技术分析客户，通过一个或者几个维度来定义细分市场，给一个客户群一个标准化的面孔……大数据给出的客户定义，不再是一个群体标准化的面孔，而是立体、全面的客户形象。运用大数据，客户可以从大众化、细分化变为微分化、个人化”[28]。而解决微分化、个人化信息需求和内容消费的关键技术和基本方法则是算法以及建立在各种算法之上的信息过滤程序和内容推荐系统，其核心原理是：一方面对具体用户在具体场景下的具体内容需求进行精准的预测（即用户画像），另一方面是更全面、更细致、更准确地对海量内容库中的每一条信息进行体系化、类型化和标签化（即内容画像），从而以最少的时间、最低的成本、最高的效率完成个性化需求和差异化内容之间的精准匹配。相比起内容画像，用户画像的难度要大很多，它涉及了传统统计学重点描述的静态人口特征，涉及了与用户消费兴趣相关的动态行为特征，还涉及了特定用户所处具体场景的环境特征以及瞬息万变的心理特征等方方面面，但构建起一套全面、立体而丰富的用户画像并“对其信息行为进行定量分析，是认识网络环境下用户复杂行为的前提和基础，有助于平台根据用户特征及其偏好提供更精准的个性化服务”[29]。
事实上，这正是计算传播学新范式与大众传播学传统范式之间的根本性差异，这也正是计算传播学所有研究的出发点：观察并了解每一位用户，向不同的用户提供不同的信息服务。在新的范式下，谁能够最精确地对用户画像进行描述、最准确地预测用户在下一秒的信息需求并最精准地向他提供针对这一需求的信息解决方案，谁就会在激烈的市场竞争环境下获得最强大的核心竞争力。完善用户画像的最主要方式就是利用用户在线产生的大数据对其相关信息进行挖掘，并输出为具体的标签体系。例如，基于某位具体用户的LBS地理位置数据显示，这位用户每个工作日9时至17时的坐标通常是国贸大厦，系统便会自动将“国贸大厦”这个标签与用户画像中“工作”相关的标签进行关联。同样的道理，借助于大数据技术，我们可以为这位用户贴上“海底捞”“大叔控”“购物狂”“吴京粉丝”等多种多样的标签，这些标签能够更好地提取和呈现这位用户身上所表现出来的各种特征，算法借此将用户与内容进行更精准的匹配。
五、从魔弹轰炸到精准匹配
传播的效果研究一直是传媒学术界和产业界非常关注的基本议题之一，然而，直到20世纪末、21世纪初，这一研究方向在方式方法上却一直没有取得根本性的突破。在悲观主义者看来，它只是无关痛痒地证明了传播本身的的确确是产生了效果的，至于这种传播效果是什么、怎样产生的、影响程度有多大，传播效果的研究者们却语焉不详。于是大多数传播效果的研究总是在各界高度期待的目光中得出一个人尽皆知的空洞结论，也正因此，这种打着定量研究招牌的经验主义终于陷入了它死而不僵的逻辑怪圈中再也无法跳脱出来。尽管如此，大众传播的效果研究也在过去取得了轰动一时的成果，最典型的是施拉姆发明的“魔弹论”，虽则这一学说从开始流行到逐渐式微的整个过程都一直饱受传播学理论界的批判，但作为一种应用逻辑，它却不折不扣地深刻影响了20世纪下半叶国内外大众传播的实践进程。魔弹论的主要观点在于，“传播被认为是魔弹，能够自动地将观念、情感、知识、动机从一个人传递给另一个人……在早期的传播研究中，受众是被动和无力的，传播能够将他们射中击倒，就如电线能够传递电子使灯泡发光一样”[30]。这样看来，“魔弹论”的传播效果观恰恰是过去大众传播效果研究范式的真实写照：你只需要看见受众在传播的枪打响之后应声而倒就行了，不要问他们是怎么被击中的，究竟是被谁击中的。事实也的确如此，大众传播不是拿一把手枪精确瞄准某个人或某个靶心的百步穿杨，而是架起机关枪或者装载好炸弹面向广泛群体的扫射或轰炸，魔弹之下总有人被射中、被振聋、被误伤。对于媒体和广告主来说，尽管这种传播方式不那么集约，但它的确有效；尽管它的效果是什么不那么清晰，但只要准备好充足的子弹总有人应声倒下。
换一个角度来看，这种状况的成因并不是主观人为因素造成的，传统效果研究的没落更多地在于客观技术层面上研究者和实践者的确没有办法获取精确到每一位用户的媒介浏览、阅读、收视、购买等行为数据，没有客观数据的支撑，仅凭经验主义的主观臆断是无法得出真正具有说服力的效果分析的。以传统的广告效果监测为例，广告的“整合营销传播所整合的很多营销手段和传播方法都不具有可跟踪性，企业可以监测到广告投放和信息发布这一动作是否在指定媒体上得以完成，但却无法监测到这一动作完成之后的大量信息，例如信息是否触达受众、受众是否是目标消费者、目标消费者是否看了广告、看完广告之后是否引发了购买行为等”[31]。事实上，无论对于广告传播还是对于内容传播，信息路径的不可跟踪和受众数据的无法获取这两大主要问题，在传统的大众传播时代就好像横亘在传播效果研究者面前的两座无法翻越的大山，直接导致了传统效果研究既无法提供严丝合缝的现象诠释，又不能带来逻辑合理的理论建构。
而互联网技术和大数据技术所带来的路径的可跟踪性与数据的可获取性使得传播效果的研究发生了根本性的转变，这种转变不仅仅是数据获取方式和处理方式的转变，更是一种传播认知方式和实践方式的转变。建立在海量规模数据和强大计算能力基础上的效果分析，不但能够解释为什么某位具体用户阅读了这则新闻，还能够清晰地勾勒出这则新闻经过了几次转发才触达这位用户，甚至能够对他进行细致的用户画像，从而预测他更喜欢阅读什么样的新闻内容以便下次出现此类新闻的时候向他进行精准的推送。这种以分析历史数据和预测未来行为为核心的传播效果分析，“通过对海量数据的定向挖掘，能够发现人类行为或活动中出现的某些固有倾向，从而检视事件或行为发生的可能性。大数据之所以受到商业营销的高度重视就在于它能够较为精准地预测顾客的消费习惯，找准市场”[32]。这时候的传播效果分析是针对个体的，而不是针对群体的；是具体到每一张图片或每一则新闻的，而不是泛化为某一家媒体或某一个品牌的；是可以建立在客观数据之上得出解决方案的，而不是凭借主观推测给出三条大而无当的改进意见的。
简而言之，计算传播学视野中的效果分析在根本上要解决的问题是面向具体用户的个性化传播效果问题，其基本假设是只有那些与用户需求高度匹配的信息才有可能获得良好的传播效果，在这样的前提下，效果分析就能够作为内容个性化推荐和广告程序化投放的重要决策参考。例如，内容个性化推荐系统向用户A频繁地推荐清史相关的资讯而不向用户B推荐这些内容，原因在于用户A点击此类资讯的频率比用户B高很多，而且阅读完成的比例较高，在完成阅读之后还存在比较积极的点赞、评论、收藏、分享等社交互动行为。根据这些短期或长期的传播效果，推荐系统就能够动态化地调整它向用户推荐的个性化内容，而推荐系统的个性化匹配程度越高，其所收获的传播效果也就越好；进一步地，传播效果越好，系统则会根据真实反映出来的数据更好地揣测用户的内容需求，从而不断地提升内容匹配的精准度。同样的道理，以程序化投放为典型代表的计算广告逻辑也是通过针对具体用户的个人画像及其浏览广告的效果分析来决定向他推送哪些广告。对所有的营销人员来说，他们时时刻刻都在思考的一个问题就是，如何提升广告传播的真实效果，这些效果包括点击、浏览、观看、购买等真实的行为。而提升广告效果的最好方式就是运用大数据技术和程序化方式“在合适的时间、合适的地点对合适的人传递合适的品牌及产品信息”[33]。在提升传播效果的同时，计算传播学的研究方法也极大地提升了针对不同用户进行个性化分发和程序化广告的效率，降低了传统“魔弹论”在大众传播模式下的资源浪费，实现了媒介资源和广告费用的集约化管理。