新闻内容多样性的计算分析：测量话题、行动者与观点的方法比较

🎓 专业 IRMaD 结构解读

I. Introduction（引言）

新闻媒体是公民获取政治信息的中枢，多样性因此被视为评估媒体民主功能的基础规范（Napoli, 1999）。平台化改变了新闻的生产、分发与消费：受众转向聚合器，新闻食谱固然变宽（Fletcher et al., 2023），但传统机构在收入与注意力双重挤压下被迫“以更少资源生产更多内容”（Beckers et al., 2019），内容多样性反而可能被侵蚀。

既有研究沿三个子维度评估内容多样性：话题多样性（议题覆盖范围）、行动者多样性（被引用/转述者的身份与地位分布）、观点多样性（社会、政治与文化视角的光谱）（Loecherbach et al., 2020; Voakes et al., 1996）。测量长期以人工内容分析为主，成本约束迫使研究者在“维度广度”与“语料广度”之间二选一：或只抽子样本、或只测单一维度（Baden & Springer, 2017; Buyens & Van Aelst, 2022），或只做单一议题（Baden & Springer, 2014; Masini, 2019）。

计算方法的引入本可突破规模限制（Amsalem et al., 2020; Van Atteveldt & Peng, 2018），但现有计算取向的多样性研究普遍缺乏严格验证，也缺少对关键方法学决策的讨论（Baden et al., 2022; Loecherbach et al., 2020）。操作化不一致会使发现不可比（Joris et al., 2020），而不可比的证据无法为多元主义政策提供依据。此外，该领域存在明显的英语中心偏误（Baden et al., 2022）。

本文的贡献有三：其一，把三个维度整合为一条顺序流水线（主话题过滤 → 子话题识别 → 行动者抽取与功能分类 → 立场分类），而非孤立评估单一任务；其二，在同一份荷兰语金标准语料上横向比较主题模型、命名实体识别、监督分类、开源 LLM 零样本标注四类方法，逐环节给出选型依据；其三，以荷兰公共广播 NOS 的疫情报道为测试床，为非英语语境提供可复用的验证范式。核心研究问题为：哪些计算技术能够对作为新闻内容多样性维度的话题、行动者与观点实施有效测量？

I. Theoretical Framework & Hypotheses（理论框架与假设）

话题。规范性讨论区分自由民主与审议民主两种基准：前者要求媒体报道与政治（议会）议程对应，后者要求与公众议程对应（Magin et al., 2023; McQuail, 1992）。话题本身具有层级性，需区分新闻事件、子议题与主题域（Feng & Allan, 2005）。本文采两层操作化：主话题（文章的主导主题是否为新冠疫情）与子话题（疫情相关文章中被实质讨论的具体面向，实质讨论定义为至少两句篇幅，允许一文多标签）。

行动者。Voakes et al. (1996) 将其定义为“用于生产新闻产品的信源之隶属关系与地位分布的离散程度”。代表制自由主义期待媒体充当政治精英的中介，参与式自由主义与审议视角则要求纳入公民社会与普通公众（Ferree et al., 2002）。本文采用 Beckers 与 Van Aelst (2019) 整合的四类框架：政府与政治、专业人士与专家、公民社会组织、公民；编码手册先细分 18 类职能再上卷为四类，从而同时支持政治行动者多样性与社会行动者多样性的评估。

观点。观点多样性被视为内容多样性的核心（Magin et al., 2023），但概念化分歧最大。以行动者多样性间接替代的做法受到质疑：行动者多元不等于视角多元（Baden & Springer, 2017; Magin et al., 2025）。框架分析资源密集且难以跨议题迁移；效价（valence）又被批评不足以刻画观点，且情感与立场在概念与经验上均可分离（Bestvater & Monroe, 2023）。本文因此采纳立场检测（stance detection）作为折中：将观点操作化为新闻行动者对政府新冠防疫措施的支持或反对，针对议题设定立场目标，从而具备跨议题可迁移性。

M. Materials & Methods（材料与方法）

• 语料与抽样：NOS.nl（荷兰公共广播，受众触达与信任度均居首，依法须遵守多元主义标准且内容公开）。检索式 corona* OR covid* OR "sars-cov-2"，得 2020 年 1 月至 2022 年 5 月共 10,662 篇，覆盖疫情暴发至措施解除全过程。经主话题分类过滤后进入分析的疫情稿为 6,491 篇（Starling 判定口径下为 6,802 篇），段落级语料 N = 67,431。文章平均长度 451 词（SD = 229）。
• 人工标注与信度：依内容分析规程迭代开发编码手册。主编码员标注 796 篇（先随机抽 500 篇，再按关键词补抽以保证子话题覆盖）；第二编码员独立标注 120 篇，以 Krippendorff's α 评估一致性。主话题 α = .89；子话题 α = .48–.93（“措施”“政治影响”“全球应对”“科研信息”“社会后果/心理健康”低于 .667 门槛，后两者因主题重叠合并为 α = .67；“权利与自由”因 N = 2 删除）；组织识别 α = .73、个人识别 α = .86；职能分类 α = .77–.94；是否谈及措施 α = .84；支持立场 α = .52、反对立场 α = .60（低于门槛，但研究者与主编码员之间为 α = .89 / .81）。全部分歧由研究者裁定，裁定结果为金标准。
• 测量操作化：① 主话题为二值变量（全文多数内容是否聚焦疫情）；② 子话题为二值多标签（至少两句实质讨论）；③ 行动者为“被直接引用或转述的个人与组织”，以整篇文章为语境单元，同一人不同称谓规范化至最长形式（如 Rutte / Mark → Mark Rutte），每条行动者—句子配对构成分类输入；④ 观点按“每项具体措施”分别标注，支持=赞同/认可措施存在，反对=不赞同/认为措施不必要或有害，允许同一行动者对不同措施持混合立场。
• 模型规格：LDA 在段落级建模，参数网格 k = 5…80（步长 5），依 UMass 连贯度与困惑度的拐点选定 k = 50，非对称 α 先验，固定随机种子；停用词用 NLTK 荷兰语表，词形还原，剔除出现率 <0.1% 或 >70% 的词。BERTopic 用 RobBERT 荷兰语句向量，UMAP 降维（n_neighbors = 20）、HDBSCAN 聚类（min_cluster_size = 100），CountVectorizer 取 unigram+bigram，得 51 个主题（含 −1 离群类）。Stanza-NL 神经流水线做 NER（无需额外训练）。SVM + TF-IDF，二分类用线性核、多分类用一对余，网格搜索配合 10 折（二分类）/5 折分层（多分类）交叉验证。RobBERT-2023 逐任务微调，学习率 {1e-5, 2e-5, 5e-5}、epochs ∈ {3,5}、batch size 8、验证损失连续 3 轮不降即早停。LLM：Starling-LM-7B-alpha（RLAIF 微调）与 Mistral-7B-Instruct-v0.2（SFT 微调），同一 Mistral-7B 底座，temperature = 0、种子固定、零样本提示，提示词由编码手册改写并在独立标注集上迭代优化。
• 评估策略：分类任务在 120 篇留出人工标注文章上计算准确率、精确率、召回率、宏/加权 F1；行动者抽取以“正确抽取姓名比例”加人工复核评估；主题模型因 LDA 与 BERTopic 的生成假设不同、且与人工编码分属自下而上/自上而下两种范式，不做正式统计检验，改采三重效度：簇内语义效度（人工阅读词表与代表文本）、簇间效度（人工归并为主题类别，LDA 得 10 类、BERTopic 得 17 类）、下游任务效度（与 410 篇人工标注疫情稿的子话题分布对照）。

R. Results（结果）

• 主话题分类：零样本 LLM 几乎与人类持平并超越监督模型。Mistral 准确率 .97、宏 F1 .96；Starling .95 / .95；微调 RobBERT .90 / .89；SVM+TF-IDF .84 / .83。说明“主题判定”这类整体语义任务已可由指令遵循模型零样本完成。
• 子话题识别：BERTopic 的簇有 96% 语义连贯，LDA 仅 44%。BERTopic 独有“国外疫情”“检测政策”“健康码 App”“抗议”“谣言”“长新冠”等细类；LDA 独有“医疗系统压力”“对特定人群/心理健康的影响”两类。与 410 篇人工标注稿的分布对照显示 BERTopic 更贴近人判，LDA 因簇过宽而系统性高估大类占比。人工归并后 LDA 得 10 个主题类别、BERTopic 得 17 个。
• 行动者抽取：Stanza-NER 仅覆盖人工标注行动者提及的 56%，因大量行动者以泛称出现（“专家”“发言人”“29% 的受访者”）；对公民类行动者漏检 59–62%。引用判定环节，RobBERT 对人名准确率 78%、机构 81%；SVM 为 74% / 75%。LLM 直接抽取的候选更少（Mistral 309、Starling 254，金标准 295），对人名识别率 63–77%、机构 55–67%，对泛称处理不一致，公民类同样漏检 62%。

• 功能分类的结构性偏差：四类中“政府与政治”“专业人士与专家”普遍高 F1，“公民社会组织”“公民”全面偏低（宏 F1 最低 .30）。原因有二：训练集类别不平衡压制少数类；公民类行动者上下文过少。值得注意的是 LLM 在“公民”类上反超监督模型（Mistral .59、Starling .50 vs RobBERT .46、SVM .30），提示预训练带来的语境补全能力对稀疏类别有帮助。
• 立场识别：判断行动者是否谈及防疫措施，RobBERT 显著领先（F1 = .84、准确率 .88），Mistral .61、Starling .65、SVM .59。支持立场分类的全模型 F1 仅在 .48–.55 区间：SVM 召回最高（.62）但精确率仅 .40；Starling 精确率 .79 但只召回 .42，漏检过半。反对立场进一步恶化，F1 落在 .19–.45：RobBERT 精确率 1.00 而召回仅 .10（F1 = .19），Mistral .80 / .14（.24），SVM .28 / .67（.39），Starling 相对均衡（.43 / .46，F1 = .45）。共性是模型系统性地无法把立场与中立报道区分开。

a / D. Discussion & Conclusion（讨论与结论）

• 逐环节的选型结论：① 语料构建优先用分类而非关键词，LLM 因近乎完美对齐且零训练成本最适；但任何方法都需议题语境知识，代表性样本的人工标注是整条流水线的前置投入。② 子话题识别若重粒度与连贯性选 BERTopic，若需粗粒度主题域选 LDA；模型选择会直接改变多样性分数（LDA 簇宽 → 分数偏高），跨媒体/跨时段比较必须使用标准化多样性指标并报告聚类数，因 BERTopic 的簇数随语料规模浮动。③ 行动者识别不应单独依赖 NER：NER 抽取的是全部命名实体而非被引用者，会高估行动者规模；应叠加引用分类器，Transformer 分类器（RobBERT）表现最佳，LLM 可作为无训练数据时的可行替代，但其对机构的较弱识别须先验证。④ 功能分类 RobBERT 最优但优势有限，LLM 零样本已接近；无论何种方法，公民与公民社会组织均被系统性低估，这会直接扭曲行动者多样性评估。
• 观点维度的本体论困难：观点多样性是研究最多却最难测量与推广的维度（Magin et al., 2025），本研究中人机同时失灵——人工编码 α = .52 / .60，模型 F1 低至 .19。作者归因于两点：其一，疫情这类多维议题横跨社会、经济、政治领域，同一行动者在不同措施上立场可以相反；其二，长篇新闻的立场检测与短社交媒体文本本质不同（AlDayel & Magdy, 2021; Burnham, 2025），记者通常通过引语与转述间接呈现观点，模型难以区分“报道了一次表态”与“表达了立场”。建议改为两阶段流水线：先判定是否存在立场表达，再判定方向。
• 开源模型的方法学意义：回应学界对商业 LLM 不可复现、训练数据不透明与数据安全的担忧（Ollion et al., 2024; Spirling, 2023; Törnberg, 2024a），本文选用两个可在单卡本地部署的 7B 开源模型。二者同底座而异微调策略，在反对立场任务上差异明显（Starling 均衡、Mistral 保守），说明“同参数规模”不构成可互换性，实施前必须逐一对照人工标注验证。
• 局限：(1) 仅单一议题（新冠疫情）与单一媒体（NOS），外部效度受限；(2) 仅荷兰语，虽缓解了英语中心偏误，但荷兰语与英语结构相近且受益于欧洲语言在 NLP 资源中的优势，结论不能直接外推至资源稀缺语言；(3) 金标准由单一研究者的裁定构成，虽经双编码信度检验，仍可能存在个体编码风格；(4) LDA 与 BERTopic 的生成假设不同，无法做正式统计比较，主题模型评价依赖人工判断；(5) 立场标注的编码员间信度低于常规门槛，虽以研究者—主编码员一致性补强，仍构成测量不确定性。
• 实践启示与展望：流水线的模块化设计使其可跨语言、跨议题替换组件，并随方法进步局部升级；代码已开源于 GitHub（ekilik/Automated_News_Diversity）。对政策与监管而言，关键含义是多样性指标必须与测量方法绑定披露，否则不同机构、不同年份的数字不可比。未来应优先推进跨议题与跨语言验证，并对新兴技术（如 LLM 自动主题命名）做系统对照。致谢：分析在 SURF Research Cloud 上完成；作者声明无利益冲突。