京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据思维下的新闻编辑学
大数据时代带来的思维变革,在数据视觉化、关联性思维和预测性思维等方面对传统的编辑思维发生着影响。在大数据与媒介融合背景下推进编辑课程改革,需要延长传统的“新闻编辑链”,实现新闻业务之间完全融合;引入“云报纸”等云技术新闻产品,刷新编辑学的研究客体;实现新闻编辑与史论的融合;实现从重方法到重创意的转移,同时应强调传统编辑学提倡的把关人角色、严谨细致的编辑精神和批判性思维的培养。
大数据时代编辑思维方式的转变
“大数据开启了一次重大的时代转型。”“大数据正在改变我们的生活以及理解世界的方式,成为新发明和新服务的源泉,而更多的改变正蓄势待发。”《大数据时代》的作者维克托?迈尔-舍恩伯格和肯尼思?库克耶认为,大数据时代带来重大的思维转变。在这个以“Volume(海量)、Velocity(高速)、
Variety(多样) ”的“3V”为特征的时代,新闻编辑的思维方式也不可避免地会受到影响。
首先,开发数据视觉化思维。该书的两位作者认为,“大数据时代与三个重大的思维转变有关”.其中的第一个转变,就是“要分析与某事物有关的所有数据,而不是依靠分析少量的数据样本。”大数据宣布了抽样的死亡,因为它强调的是“全数据模式”,即“样本=总体”.这将对编辑的思维模式产生两个层面的影响:一是宏观思维。要求编辑工作善于利用专业人员挖掘的大数据来策划报道、设计版面,而不再仅仅依靠传统的问卷调查和街头截访式的“精确新闻学”(precision
journalism)理念;二是整合思维。大数据带来的信息一方面是海量的,另一方面又呈现出信息密度低和不宜提纯的缺陷,因此必然带来信息的冗余和混乱。这就要求编辑更加注重对碎片化信息的整合,在对信息把关过程中强化“把关人”的过滤、降噪功能,同时重视数据的视觉化,力求用更直观、更生动的形式呈现新闻中的大数据。
其次,重视关联性思维。在大数据时代,“我们的思想发生了转变,不再探求难以捉摸的因果关系,转而关注事物的相互关系。”这一思维方式对编辑工作不无启发意义。编辑工作的核心是根据文本的不同类别“编次其事”(《史记》),以使“辞之辑矣”(《诗经》)。无论是稿件编辑中的“稿件配置”,还是版面设计中的“空间组合”与“反组合”(分立),体现的都是一种关联思维。在报纸编辑转型为多媒体融合编辑的条件下,处理多媒体文本更需要运用关联思维,以便利用不同形态文本之间的某种联系,来建构(组合)或解构(反组合)其中的关系,并通过诉诸视觉而呈现出某种意义。
第三,预测性思维。大数据的关联思维同时也是一种预测性思维。诚如《大数据时代》一书的作者所说,“通过给我们找到一个现象的良好的关联物,相关关系可以帮助我们捕捉现在和预测未来”.“建立在相关关系分析法基础上的预测是大数据的核心”.“通过找出一个关联物并监控它,我们就能预测未来”.编辑学中的“新闻报道策划”内容,就是基于对事物发展方向的判断而谋划出公众关注的报道。如果说以往编辑能做到荀子所言“坐于室而见四海,处于今而论久远”是基于人生的直接经验和间接经验,那么,如今编辑的预见性则主要来自对大数据的分析。将事物的关联性作为预测未来的基础,可以启发新闻策划更多地关注文本和社会现象之间的相关性,策划出更有社会意义的报道,编排出更具传播效果的版面或专题栏目。
但是,大数据思维并非条条都是金科玉律。比如,《大数据时代》一书的作者宣称:“执迷于精确性是信息缺乏时代和模拟时代的产物。”“只有接受不精确性,我们才能打开一扇从未涉足的世界的窗户”.“当我们试图扩大大数据的时候,要学会拥抱混乱”.对于认知科学和“精确新闻学”来说,这话具有一定的辩证色彩;但是,对于向以追求精益求精、一丝不苟的编辑工作来说,“接受不精确性”、“拥抱混乱”则是与“校对如校雠”的编辑精神背道而驰的。此外,大数据研究者认为,世界的本质是数据的。但对编辑工作者来说,只有数据是不够的,重要的是如何将其条理化、视觉化。因此,需要辩证地看待“大数据思维”对于编辑工作的适应性,而不能不加分析地予以“横的移植”.
大数据与媒介融合背景下的编辑课程改革
大数据给报业带来的最直接影响就是“报业转型”.2005年8月,中国的新闻出版开始了全行业的“数字报业”探索,其本质是“用数字技术改造传统报业,实现传统报业体制、流程与形态的再造。”“媒介融合”则是数字化报业转型中的一个关键词。
在大数据时代,当数字报业和媒介融合成为业界共识的背景下,中国内地的编辑学课程名称与授课内容几经改变,比如清华大学新闻与传播学院的该课程,就从最初的《编辑原理与业务》、《报刊编辑》改为《新闻编辑》和《高级新闻编辑》,授课内容也从书刊、报纸、广电、网络编辑各自为战,转变为平面媒体为主、涵盖广义媒体编辑工作的新闻编辑学。根据最新的媒介融合规划,将各种媒体编辑融为一体的融合编辑学改革也已箭在弦上。大数据思维和媒介融合背景下的编辑学课程,应当满足以下要求:
1.
延长传统的“新闻编辑链”.在大数据的整合思维下,业界的“全媒体编辑部”致力于打破原有的媒体壁垒,在一个编辑平台上统一调配新闻资源。未来完全意义上的媒介融合,则是利用云技术,实现“一个平台汇集、一个平台呈现、两个平台桥接”,即在“全媒体编辑平台”实现成品汇集之后,在另一个多媒体平台动态地呈现“融合新闻”.在这个网络平台上,纸媒、广电媒体的物质形式,将让位于其品牌符号,成为两个平台“桥接”的媒介。
适应大数据“重关联”的思维方式,新闻编辑课的授课内容应将传统编辑环节向前后两端延伸--通过实践教学将编辑学的选题、策划等教学内容延伸到新闻现场,并通过现场采写,锻炼学生的“编辑意识”和现场策划能力;向后将采、写、编、评的新闻业务链延伸到融合新闻和评报(节目评价),甚至作为最新“集成报道”形式的“微博新闻”,建立完善的“新闻业务链”,实现新闻业务之间完全融合。
2.
刷新编辑学的研究客体。将作为云技术产物的“云报纸”、“云电视”、新闻客户端(APP)等新的媒体形态引入编辑课堂,拓展编辑学的视野和授课内容。比如,在“云报纸”的“前端”展示纸质的报纸形态及编辑技巧;在“后台”演示版面上的新闻如何融入多媒体“融合新闻”和保持数据更新。这些新的编辑客体的引入,一方面可用以说明报纸数字化转型中的融合与创新;另一方面也可以探讨“报纸”的外延,以及经营好报纸品牌对于延伸报纸产品链的意义。
3.
实现新闻编辑与史论的融合。为改变以往的新闻业务与新闻史论割裂框架下的“编辑学孤岛”现象,可以通过报纸“书报刊合一--单面印刷--双面印刷--分叠厚报--黄金瘦报”的实物展览,对比完全脱离了纸媒介质的“网络原生报”的网页(如《赫芬顿邮报》),让学生直观了解报纸的形态演变及“报纸消亡论”的由来,了解媒介演化规律和补偿规律,自己判断报纸的未来走向。
4.
实现从重方法到重创意的转移。传统的编辑学教学比较重视培养学习者的实际操作能力。比如手把手指导学生画版样、电子排版或进行音视频的剪辑。大数据时代则应训练学生将多媒体文本编辑成“融合新闻”的创新能力,以适应“新新媒介”时代“用户创造内容”的需要。在这方面,新华社的集成报道,《纽约时报》、《华盛顿邮报》和《卫报》的“融合新闻”堪为经典案例。
不能改掉的“保留项目”
中国的新闻编辑学是一个开放、创新的系统,适应大数据时代媒介融合的需要进行改革,无疑具有现实意义。但是,这并非意味着要把传统编辑学的精华改掉,而是在继续弘扬以下编辑学精神的基础上,“增益其所不能”.
一是编辑的“把关人”角色。大数据时代的信息传播以“碎片化”为特征,自媒体的兴盛弱化了编辑的把关功能,凸显了编辑在处理融合新闻时的信息提纯与整合角色;后现代文化背景下的“反中心”、“反主流”倾向,则颠覆了传统价值观,需要编辑利用多媒体“版面语言”予以疏导。
二是严谨细致的编辑作风。“一个信息开放社会给不理性的人带来的问题是,可能导致他‘信息过度窄化’”,“大数据时代会使不理性的人更不理性”.生活节奏的加快和碎片化的信息呈现方式,加重了受众仓促“解码”信息的倾向,而无暇顾及大数据时代所尊崇的关联性;融合新闻以多文本的形式呈现新闻,如果组合不当则容易造成多义性,甚至使文本彻底偏离原义。因此,大数据时代的编辑学课程,仍有必要弘扬“校对如校雠,灭错如扫尘”的编辑精神。
三是批判性思维。美国加利福尼亚州立大学索诺漠分校批判性思维与道德性批评中心所长保尔(R.paul)
断言:“批判性思维应当构成21世纪教育的本质性基础。”新闻编辑的课程设置重在通过“增强新闻选择、新闻价值判断和批判性思维能力”,“使学生的新闻信息分析、呈现和评判能力有所提高。”以使即将走向编辑岗位的学生在面对大数据时有所反思、有所质疑,避免对大数据只有接受、没有批判的单向度思维。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数字化时代,数据已成为企业决策的核心驱动力,数据分析与数据挖掘作为解锁数据价值的关键手段,广泛应用于互联网、金融、医疗 ...
2026-04-17在数据处理、后端开发、报表生成与自动化脚本中,将 SQL 查询结果转换为字符串是一项高频且实用的操作。无论是拼接多行数据为逗 ...
2026-04-17面对一份上万行的销售明细表,要快速回答“哪个地区卖得最好”“哪款产品增长最快”“不同客户类型的购买力如何”——这些看似复 ...
2026-04-17数据分析师一天的工作,80% 的时间围绕表格结构数据展开。从一张销售明细表到一份完整的分析报告,表格结构数据贯穿始终。但你真 ...
2026-04-16在机器学习无监督学习领域,Kmeans聚类因其原理简洁、计算高效、可扩展性强的优势,成为数据聚类任务中的主流算法,广泛应用于用 ...
2026-04-16在机器学习建模实践中,特征工程是决定模型性能的核心环节之一。面对高维数据集,冗余特征、无关特征不仅会增加模型训练成本、延 ...
2026-04-16在数字化时代,用户是产品的核心资产,用户运营的本质的是通过科学的指标监测、分析与优化,实现“拉新、促活、留存、转化、复购 ...
2026-04-15在企业数字化转型、系统架构设计、数据治理与AI落地过程中,数据模型、本体模型、业务模型是三大核心基础模型,三者相互支撑、各 ...
2026-04-15数据分析师的一天,80%的时间花在表格数据上,但80%的坑也踩在表格数据上。 如果你分不清数值型和文本型的区别,不知道数据从哪 ...
2026-04-15在人工智能与机器学习落地过程中,模型质量直接决定了应用效果的优劣——无论是分类、回归、生成式模型,还是推荐、预测类模型, ...
2026-04-14在Python网络编程、接口测试、爬虫开发等场景中,HTTP请求的发送与响应处理是核心需求。Requests库作为Python生态中最流行的HTTP ...
2026-04-14 很多新人学完Python、SQL,拿到一张Excel表还是不知从何下手。 其实,90%的商业分析问题,都藏在表格的结构里。 ” 引言:为 ...
2026-04-14在回归分析中,因子(即自变量)的筛选是构建高效、可靠回归模型的核心步骤——实际分析场景中,往往存在多个候选因子,其中部分 ...
2026-04-13在机器学习模型开发过程中,过拟合是制约模型泛化能力的核心痛点——模型过度学习训练数据中的噪声与偶然细节,导致在训练集上表 ...
2026-04-13在数据驱动商业升级的今天,商业数据分析已成为企业精细化运营、科学决策的核心手段,而一套规范、高效的商业数据分析总体流程, ...
2026-04-13主讲人简介 张冲,海归统计学硕士,CDA 认证数据分析师,前云南白药集团资深数据分析师,自媒体 Python 讲师,全网课程播放量破 ...
2026-04-13在数据可视化与业务分析中,同比分析是衡量业务发展趋势、识别周期波动的核心手段,其核心逻辑是将当前周期数据与上年同期数据进 ...
2026-04-13在机器学习模型的落地应用中,预测精度并非衡量模型可靠性的唯一标准,不确定性分析同样不可或缺。尤其是在医疗诊断、自动驾驶、 ...
2026-04-10数据本身是沉默的,唯有通过有效的呈现方式,才能让其背后的规律、趋势与价值被看见、被理解、被运用。统计制图(数据可视化)作 ...
2026-04-10在全球化深度发展的今天,跨文化传播已成为连接不同文明、促进多元共生的核心纽带,其研究核心围绕“信息传递、文化解读、意义建 ...
2026-04-09