海外学术前沿（第三十一期）| 传播研究的STS视角
学术
其他
2024-11-18 11:01
北京
“科学、技术与社会”（Science，Technology and Society，简称STS）研究连通了自然科学与社会科学，主张从社会建构论的角度来理解科学技术的研发与运用，突出强调人文价值与社会观念对科技发展的影响。本期摘编重点关注STS视角下的人工智能与机器学习、作为基础设施的新闻信任，以及非西方视角下的STS研究等前沿话题。Peter Nagy等在2024年第9期《新媒体与社会》中研究科技行业如何使用舞台魔术的语言和图像来塑造人们对算法的看法。研究以魔术师为隐喻，指出科技公司在展示算法系统时故意使用复杂术语和抽象概念以提高用户理解难度。通过结合魔术的三大原则：隐藏、制造混乱和障眼法，研究分析了OpenAI对ChatGPT的工作原理设计与性能的描述，指出科技行业通过“算法幻术”（Conjuration of algorithm）形成了生动、过度正面和带有决定论色彩的叙述，让研究者难以吸引用户关注算法系统造成的危害。文章呼吁基于现实展开讨论，以推动负责任的技术设计、开发、使用和治理。Nagy, P., & Neff, G. (2024). Conjuring algorithms: Understanding the tech industry as stage magicians. New Media & Society, 26(9), 4938-4954.Rachel E.Moran等在2024年第3期《新闻学》借鉴STS与信息传播研究的有关思路，认为可以通过基础设施思维来提升“新闻信任”的理论清晰度，提出在强调信息接受的重要性之外，不只将信任的概念理解为对新闻的反馈，而是将其视作新闻行业基础设施的关键组成部分。新闻行业的建立及运转过程中嵌入了多种实践、制度和技术，通过探讨信任在各阶段的作用，文章认为信任是新闻媒体进行募资、制作、发行和受众分析的结构与基础，通过扩展信任的概念框架，其在新闻不信任的后果中扮演的基础设施角色也得以更加清晰。Moran, R. E., & Nechushtai, E. (2023). Before reception: Trust in the news as infrastructure. Journalism, 24(3), 457-474.Vidya Subramanian等在2024年10月《科学、技术与社会》发文阐明当期专题，即从全球南方的角度研究科学、技术与社会至关重要，其不仅揭示了知识生产的替代范式，还强调了数字技术的伦理意义。数字技术对传播实践和治理系统的影响会因为应用区域的不同而产生变化。把“非西方、全球南方、发展中国家”等世界大部分地区称为“边缘”反映了所谓“中心”的狭隘和单极。全球南方的视角是由其特定的历史、文化和政治背景所决定的，学者们可以就全球科学技术的本土化问题提出重要见解。Subramanian, V., & Hassan, Y. (2024). Peripheral Visions: STS and Digitalisation in the Non-West. Science, Technology and Society, 0(0). https://doi.org/10.1177/09717218241282531.Karen A.Rader等在2024年第2期《科学传播》中考察并反思了如何提高“STS学术咖啡馆”的参与者多样性和包容性，以及如何对“科学进社会”（Science in society）式知识传播效果进行评估。学术咖啡馆作为一种新兴的科学传播组织，其多样化发展下吸引了大量受过高等教育的中产阶级。鉴于STS领域总是需要动员不同范式并借鉴不同学科既有成果，这个试图反过来制造知识和进行非正式科学教育的场域中必然存在冲突与紧张气氛，且有效性难以评估。研究揭示了以STS为主题的学术咖啡馆中的“混乱”，从而折射出其在更大范围公共领域中复杂的机遇和弊端。Rader, K. A., & Gibbs, C. J. (2024). Broadening adult engagement and education in science cafés: lessons from an STS—science communication boundary spanning experiment. Journal of Science Communication, 23(2), Y02.Marisela Gutierrez Lopez等在2024年9月《信息、传播与社会》撰文探究参与式科学技术视角下的机器学习实践。机器学习模型的广泛应用引发了公众对算法透明度及其问责制的严重关切，“可解释的人工智能”（XAI）成为了日益流行的解决方案。文章指出，与其将技术复杂的模型作为解释对象，应该将目光投向去中心化模型以及机器学习实践网络。文章通过对一家大型金融服务公司的研究发现，在公司的人类与非人参与者中，机器学习实践存在一种多重式、情景化、内行动（Intra-acting）的生态模式。Gutierrez Lopez, M., & Halford, S. (2024). Explaining machine learning practice: findings from an engaged science and technology studies project. Information, Communication & Society, 1-17. https://doi.org/10.1080/1369118X.2024.2400130.*本文刊载于《新闻与写作》2024年第11期封三，由中国传媒大学姬德强、蒋效妹，清华大学朱泓宇汇编整理。
