田丽：人工智能对情绪传播模式的重构与革新

作者：田丽（北京大学新闻与传播学院党委书记，北京大学新媒体研究院副院长，北京大学互联网发展研究中心主任，长聘副教授，博士生导师，本刊学术顾问）

来源：《青年记者》2025年第6期

导 读：

本文立足传播学、神经科学与计算社会科学的交叉截面，系统解析情绪启动的神经编码、扩散的算法调控、极化的正反馈机制及积淀的文化调适过程。

一、引言

情绪传播是个体或群体的情绪及与其伴随信息的表达、感染与分享的行为，具有适应功能和唤起功能与行为指导的特性[1]。在数字化浪潮下，情绪传播已成为重塑社会认知与行为范式的重要机制，其影响力贯穿个体神经反应、群体互动模式与社会技术系统的复杂网络，构建起多维度耦合的传播生态。

人工智能技术的深度介入改变了情绪传播的基本逻辑。情绪传播的主体从“社会人”扩展为“技术化的生物数字综合体”。技术中介解构了传统理论依赖的生物神经闭环，具身传播链因符号降维而断裂，算法驱动的数字记忆循环取代情境即时性，多模态表达的坍缩加剧认知负荷，同时推动情绪认知从静态分类向动态维度模型转型，面对算法推荐强化的情绪极化、生成式人工智能引发的情感操控等挑战，亟待突破学科边界构建新范式体系。

本文立足传播学、神经科学与计算社会科学的交叉截面，系统解析情绪启动的神经编码、扩散的算法调控、极化的正反馈机制及积淀的文化调适过程。通过整合情绪传染理论的无意识/意识性双通道模型、社会信息加工的认知双系统理论，以及文化符号的动态适配机制，构建“生理唤醒—算法中介—文化积淀”的三维模型，并融入智能传播环境的“动态适应性”与“跨平台协同性”，为社交媒体情绪治理、精准健康传播等实践提供方法论支持，同时探讨人机协同生态中的情绪自主权边界、算法透明性要求与情感数据伦理等命题，致力于推动情绪传播研究范式革新。

二、理论重构：AI驱动下情绪传播的范式转型

人工智能重塑情绪传播理论边界。情绪传播包括启动、扩散、极化和积淀四种机制，情绪启动由刺激触发个体情绪；情绪扩散是个体间无意识地传递情绪，基于镜像神经元作用，在社交互动中促进群体情绪一致性或加剧消极情绪扩散；情绪极化使情绪极端化，包括情绪放大和倾向性加工；情绪积淀是情绪与社会现实互构，形成长期影响的社会心态。传统情绪传播理论基于情绪感染和离散情绪分类，在社交媒体新场景下解释失效。人工智能通过情感计算重构情绪传播维度，精准画像、算法推荐和多维量化模型突破传统局限，揭示算法调控机理，开启传播学与计算科学交互的创新空间。

（一）传统情绪传播理论模型的局限性

1.情绪传染理论的适用性挑战。作为群体情绪传播研究的经典范式，情绪传染理论在社交媒体语境下面临解释效度的显著衰减。该理论自威廉·麦独孤（William McDougall）奠基以来，长期以“原始性交感神经反应产生的情绪直接感应法则”[2]为核心框架，强调通过镜像神经元系统的无意识模仿[3]与前额叶皮层的认知移情[4]构成的双路径传播机制。然而社交媒体和人工智能引发的传播生态重构，已系统性解构其核心预设。

一是传播链断裂，生物神经闭环被算法中介系统取代。传统情绪传染理论强调具身化传播中“模仿—反馈”的生物神经闭环：微表情、声调等非语言线索通过镜像神经元系统触发生理共鸣（原始性传染），而前额叶皮层通过解码情绪符号的社交意义实现意识性传染。智能媒体时代的技术介入导致三重系统性断裂：符号降维使多模态具身表达（面部表情、肢体语言）简化为点赞/转发等贫乏符号，导致镜像神经元系统的自动化模仿机制失效；算法中介重构传播路径，情绪强度不再取决于神经生理共鸣频率，转而受平台算法可见性分配支配；技术拟态通过生成式人工智能的神经语言模型制造情绪化内容，绕过前额叶皮层的认知过滤机制，直接激活边缘系统的本能反应，瓦解了意识性传染的认知调控基础。这种链式断裂不仅解构了生物神经闭环的理论内核，更重塑了情绪传播的底层运作逻辑。

二是时间性重构，情境即时性转向数字记忆循环。智能媒体通过标签化策略将瞬时情绪固化为可检索的“数字化石”，使情绪脱离原始语境成为可重复调用的“情感数据库”。推荐算法对历史情绪的跨时空唤醒形成记忆再巩固机制。用户反复接触算法推荐的同类情绪内容，导致基底神经节形成情绪响应惯性，从而使情境触发的偶发性被算法强化的检索行为取代。

三是主体性颠覆，从社会互动发展为被技术操控。用户画像技术通过情绪识别模型对群体实施系统性分化，高情绪易感者被算法持续圈禁于“信息茧房”内，导致其杏仁核激活阈值渐进性弱化；深度伪造技术创造的虚拟传播主体能够等效触发镜像神经元反应，直接动摇传统理论关于“人类作为唯一情绪传染源”的本体论预设。更为根本的是，平台算法通过情绪热点预测模型主动制造群体极化，使情绪传染机制从自发性社会互动异化为目的性操控工具，彻底颠覆了“情绪即社会信息”[5]的功能性理论假设。这种三重解构表明，技术权力已深度渗透至情绪传播的认知神经基础与社会实践逻辑。

四是符号体系坍缩，多模态呈现结构性退化。传统依赖非语言线索的社交情绪信息被压缩为文字符号，多模态隐喻协同机制失效。接收者需通过文本细读重构语境，导致前额叶认知负荷剧增与情绪失真率上升，生成式AI制造的伪情绪信号更瓦解社会信息验证机制，形成“情绪熵增”效应。

2.离散情绪分类法的适配性矛盾。离散情绪分类法（Discrete Emotion Theory）作为情绪研究的经典范式，其理论内核植根于将人类情绪划分为若干具有生物进化基础的独立类别（如Ekman六元模型），强调每种情绪对应特定的生理特征与表达模式。然而，这一基于基本情绪理论（Basic Emotion Theory）的认知框架，在应对智能媒体时代的情绪复杂性时呈现出本体论与方法论的双重重创。

本体论层面的认知简化危机集中体现于传统分类模型对动态情绪过程的静态化压缩。数字传播场景中，社交媒体用户的情绪表达普遍呈现多模态共时性特征。例如公共危机事件中，个体可能同时激活恐惧（杏仁核主导的风险感知）、愤怒（前额叶皮层驱动的归因偏差）与希望（前扣带回调节的目标导向）的神经网络协同机制[6]，离散分类法对情绪类型的排他性划分难以解析此类混合态情绪。此外，文化符号系统的语义漂移进一步解构其理论预设——数字传播依赖的情绪编码符号（如emoji）已突破原型情绪的跨文化普遍性假设，东亚青年群体对“微笑”表情的次生赋义（映射尴尬或讽刺）即揭示了文化惯习与理论标签间的解释鸿沟。

方法论层面的分析维度缺失则源于传统分类法的还原论取向。智能媒体塑造的“液态情绪”特性要求研究者关注情绪的持续流变过程。从事件触发期的愤怒峰值到解决方案期的希望转化，静态截取的离散分类法无法捕捉情绪强度的动态轨迹。更为关键的是，平台算法通过情绪热点预测模型主动调节用户表达，使生物性情绪基质与文化符号系统、技术操控逻辑形成多重耦合，传统方法论将情绪简化为独立变量的分析范式无力应对此类复杂性机制。

（二）AI介入后的传播学范式转移

人工智能技术的渗透正在催生传播学研究的认知论革命，其通过数据驱动的研究方法与算法干预的实践路径，推动情绪传播研究从“群体动力学”范式向个体、算法、环境协同范式转型。

一是传播链的算法中介化转向。传统理论侧重情绪传播的生物学基础（如镜像神经元驱动的模仿—反馈机制），而智能媒体时代的技术逻辑要求将算法推荐系统、神经语言模型等技术中介纳入传播链的核心要素，建构“人机情绪回路”分析框架。算法不仅作为信息分发的技术工具，更通过内容生成与过滤机制深度介入情绪激活与扩散过程。在此背景下，情绪传染强度的测量需超越传统的社会网络分析指标，转而引入算法可见性权重与用户数字痕迹响应度等新参数。这种重构本质上解构了“自然传播”的预设，迫使理论研究正视技术中介如何通过数据闭环与权力渗透重塑情绪传播的路径与效果。

二是情绪本体论的维度化升级。人工智能技术推动情绪认知从离散类型向动态维度模型转型。基于愉悦度、激活度、优势度三维情绪空间模型的连续向量分析[7]，研究者可量化追踪社交媒体情绪的流变轨迹，同时借助文化调节系数解析emoji等数字符号的语义漂移现象。情感计算技术通过多模态数据融合（文本、图像、生物信号）实现“情绪指纹”测绘，突破传统问卷调查的截面局限，将神经机制（如杏仁核激活阈值变化）与社会文化符号系统纳入统一解释框架。

三是分析范式的复杂系统重构。传播学研究方法呈现出计算科学与社会科学深度融合的特征。图神经网络构建的异构图模型可动态模拟情绪传播的结构洞与级联效应；社交图谱分析与情绪向量计算的整合，能够揭示信息茧房对群体情绪结构的形塑作用；而强化学习驱动的多智能体仿真系统则可预演算法干预策略的情绪演化路径。更为关键的是，技术政治经济学视角的引入，要求研究者解析平台算法规则如何通过权力渗透重构集体情绪生态，例如情绪识别模型的系统性分化作用导致高易感者陷入算法构建的情绪极化回路。

范式转移的认知论本质在于人工技术通过数据驱动的研究路径与算法干预的实践逻辑，将情绪传播研究对象从“社会人”扩展为“技术化的生物数字综合体”。神经传播学的介入使研究框架必须同时容纳边缘系统激活、文化符号解码与算法操控的三重作用机制，最终形成生理（神经响应）、心理（认知过滤）、社会（文化惯习）与技术（算法中介）的多层级解释体系。这种转型不仅要求传播学重建“情绪即社会信息”的理论预设，更倒逼学科在方法论层面实现从认知简化到复杂系统建模的认知论跃迁。

（三）新型情绪传播模型的构建

情绪传播模型的现代重构应超越传统二元对立，采用“生理唤醒—算法调控—文化积淀”的三维框架，并体现人工智能驱动下传播模型呈现出的“动态适应”与“跨平台协同”的双重演进特征。生理唤醒、算法调控与文化积淀分别从神经生物学、技术媒介和社会文化维度构建其作用机制。通过“动态适应”实现传播参数的实时调校，借助“跨平台协同”突破媒介生态的孤岛效应。

生理唤醒的神经编码机制以边缘系统为核心，通过丘脑—杏仁核通路触发自主神经系统，引发生理反应。蓝斑核释放的去甲肾上腺素增强杏仁核与前额叶皮层的连接，调控警觉水平。前额叶皮层与前扣带回通过高频神经振荡形成功能连接网络，对情绪强度进行动态校准。镜像神经元系统促进群体情绪状态的趋同性。这种双通路架构既保留了生存反应优势，又通过皮层调控维持社会互动中的情绪协调功能，为情绪传播提供了完整的生物机制解释。

平台化传播生态中的算法调控通过三级技术架构重构情绪传播机制：首先，利用深度学习实现情绪状态识别，精准捕捉用户情绪表征；其次，通过协同过滤优化内容分发，构建情绪导向的信息匹配网络；最后，借助生成对抗网络实施极化调控，强化特定情绪共振效应。这种多层架构形成了动态适应的传播系统：长短期记忆网络实时处理多模态用户行为数据，捕捉情绪演化时序特征；联邦学习框架则打破平台壁垒，实现跨域知识迁移与模型共享，使算法系统具备环境自优化的弹性能力，最终在技术中介层面重塑了数字时代的情绪传播范式。

情绪传播通过历时性沉淀形成文化认知图式，依托记忆惯性持续塑造社会心态的代际演变。伴随数字化进程，文化积淀呈现出算法驱动的加速特征：标签化情绪符号借助知识图谱实现跨代际符号迁移，情感数据库的持续调用推动文化记忆形态的动态重构。在此技术语境下，传播模型需构建文化适配框架，通过解码协议与符号系统的协同校准，弥合语境坍缩导致的意义耗散，从而在符号表征与集体认知的啮合中，实现情绪共振与文化理解的双重效度提升。

引入“生理唤醒—算法调控—文化积淀”逻辑框架，旨在回应传播学“物质转向”对具身性范式的转型诉求，以便超越算法研究的技术决定论桎梏，揭示人机协同的传播本体特征，最终重构数字文化传播范式，以调和技术加速与文化守序的结构性矛盾。

双重演进特征反映了情绪传播的特征。动态适应方面，情绪传播模型依靠生理唤醒、算法调控和文化积淀的相互作用，构建起动态系统，能依据用户情绪及传播环境的变化，实时优化传播策略，提升传播效率，增强在复杂环境中的生存能力。跨平台协同上，数字化时代使情绪传播突破单一平台限制。算法调控发挥关键效能，借助精准推荐和传播策略，实现情绪在多平台间的无缝衔接与协同放大，拓展传播的广度和深度，促进不同社会群体间的情绪共鸣，进而产生强大的传播效应。

三、技术路径：AI重构情绪传播的核心维度

智能传播技术的范式革新不仅改变了情绪传播的表征形态，更在方法论层面催生了三大技术进路，这些技术路径构成了理解当前情绪传播变革的基础框架。

（一）情绪数据的深度捕获与解码

人工智能技术凭借多模态感知框架突破了传统情绪数据采集的认知边界与心理学研究的实验室场景局限。当前由自然语言处理、计算机视觉与语音情感计算构成的三维感知系统[8]，广泛应用于对情绪传播链前端数据的立体化捕获与语义解构。

在社交媒体文本情绪分析中，基于深度学习的情感计算模型成为解析用户情绪传播机制的关键。以BERT-ERC模型为代表的预训练架构，借助多头注意力机制，精准捕捉文本情绪语义特征，实现对用户生成内容的多维情绪倾向判断与情绪强度量化分析。实际应用中，这些模型通过海量标注数据进行训练，提升了情绪识别的精确度。视频流媒体微表情识别领域，计算机视觉技术的面部表情分析发挥着重要作用。面部行为编码系统可精确编码、识别微表情，捕捉用户情绪状态[9]。该技术依托情感计算框架，通过多模态信号计算模型评估情绪，当前已能实时捕捉视听内容中的用户表情，多模态融合方法（如结合脑电信号与表情识别）更是提升了情绪识别准确性[10]。语音语调韵律情绪分析方面，现代技术借助先进语音识别系统与韵律特征提取算法，对语音语调模式进行定量分析。研究发现，语音韵律特征与情绪状态紧密相关，语音语调的模仿与同步还是情绪无意识传染的关键机制。这不仅能揭示个体即时情绪变化，还为“镜像神经元”机制提供了实证依据。

（二）情绪传播的算法调控机制

情绪传播的算法调控机制是智能技术重塑传播生态的核心环节，它借助舆情预测、精准推荐与情绪内容生成三大核心架构系统化的技术架构，通过时序建模、多模态融合及对抗生成网络实现情绪传播的动态调控，实现对传播过程的动态优化与精准治理。

在舆情演化预判层面，情绪热点预测算法以情感计算理论及时序建模技术为基石，构建起多维度的预测分析架构。这种算法整合历史数据中的情绪表达模式，运用长短期记忆网络（LSTM）等时序分析手段，得以识别社交媒体中潜在的情绪传染主题。其技术发展呈现两阶段分析架构：初始阶段，借助语言特征、表情符号等多模态信号，追踪情绪扩散轨迹；进阶阶段，基于认知动力模型，预判群体决策受情绪影响的维度。

个性化情绪推荐系统基于深度学习与多模态融合技术，构建精准触达机制。该系统整合面部微表情分析、语音韵律识别及文本情感计算，搭建多维用户情绪画像框架。用户在不同情绪状态下内容偏好各异，愤怒时易点击负面内容，愉悦时更易接受积极信息，这种情绪一致性效应提升了推荐系统的触达效率。但是，数字技术在实现情绪精准传播的同时，却也可能引发“情绪茧房”效应，导致用户固有情绪倾向强化。因此，优化后的推荐系统需在情绪匹配度与多样性间权衡，引入“情绪积淀”模型预测用户长期情绪演变，提升用户参与度的同时规避极化风险。

正向情绪生成技术领域，对抗生成网络通过参数化建模，实现情绪表达的创造性转变。一方面，符号化处理视觉特征，增强情绪感染力；另一方面，依据情绪互动原理，构建内容传播的良性循环。在传播生态调控中，此类技术针对负面情绪极化现象，系统性生成正向情绪内容，打破信息茧房。但在技术实施时，需解决情绪表达普适性与文化适配性的矛盾，确保生成内容契合普遍情绪认知且具场景传播效能。

（三）传播效果的智能评估体系

情绪传播效果的智能化评估体系构建，是智能技术重构传播生态的必然要求。基于 “情绪即社会信息” 的理论框架，需要整合多维度的评估架构，其核心逻辑源于情绪传播的三大属性：生理激活特性、认知重构功能与行为导向效应，这决定了评估维度需要涵盖生理响应、认知加工与行为输出三个层面。

在指标体系建构层面，触达率指标设计需对应情绪传播的初级感官触发机制，着重反映情绪信息在感知层面的扩散广度；转化率指标则需契合情绪传播的行为导向功能，重点测量情绪状态向具体行为的转化效率；二次传播系数指标针对情绪传播的网络结构特征，通过社交网络的拓扑关系分析捕捉情绪共鸣引发的链式传播效应。基于情绪传播的极化风险防控需求，评估体系还需设置情绪平衡度指标，用于监测特定情绪在传播过程中的强度偏移趋势。值得注意的是，情绪传播的累积效应要求评估模型必须引入时间维度指标，通过捕捉情绪记忆网络的动态演化规律，追踪情绪积淀形成的长期认知架构演变。这个评估体系的技术实现路径需重点关注两个方面，一是生理信号采集与行为数据解析的跨模态关联建模；二是即时传播效果评估与长期社会影响预测的动态耦合机制。

四、模式革新：典型场景中的实践突破

智能传播技术在实践场域引发的模式革新呈现出场景特异性与路径多样性。从社交媒体平台的情绪操控到公共健康传播的精准干预，乃至政治传播中的算法博弈，技术的实践进路既遵循计算传播学的底层逻辑，又因应用场景的社会属性呈现差异化特征。这种技术逻辑与社会语境的互构关系，构成了理解当前传播模式革新的关键维度。

（一）社交媒体平台的智能化情绪操控

社交媒体平台作为现代情绪传播的核心场域，已逐步形成系统化的智能调控机制。基于数据采集、情绪识别、定向推送、效果反馈构成的闭环系统，平台构建起全流程的用户情绪干预架构。在数据整合层面，平台综合利用用户行为轨迹（包括浏览时长、互动频次、内容偏好等）与多模态内容解析（涵盖文本语义挖掘、表情符号解码、影像情感分析）构建立体化用户画像；在情绪识别维度，通过融合情绪社会分享理论与机器学习算法，开发出基于传播网络的情绪扩散预测模型；在内容推送环节，依托EASI模型的推断加工逻辑，建立认知动机差异化的情绪适配策略。这种技术架构使得平台能够实现情绪传播的量化管理与精准调控。

以短视频社交媒体平台为例，其神经传播机制呈现出“生物—技术”协同的特征。神经科学实验表明，短视频的即时反馈机制能够激活用户镜像神经系统，形成“感官刺激—神经共鸣—行为模仿”的传播链式反应。平台构建的“情绪动力学模型”，通过实时追踪用户情绪波动轨迹与长期情绪基线，实现即时反应与持久倾向的双重校准。这种动态匹配机制虽显著提升内容触达效率，但也衍生出算法强化的情绪极化现象——用户的初始情绪倾向在重复强化中逐步极端化，形成社会认知的“马太效应”。

（二）公共健康传播的精准情绪干预

人工智能技术驱动下的公共健康传播正经历从大众传播到精准干预的转型，其核心在于构建文化敏感型的情绪适配体系。

基于地域文化的情绪调校机制是这一转型的重要实践。公共卫生事件的传播效能受制于地域文化差异形成的“情绪过滤机制”，例如方言系统的语义场差异（如武汉方言“造业”蕴含的特定悲悯意象）、非言语符号的认知偏差（南方地区对植物意象表情包的亲和性）、风险感知的群体特征（高不确定性规避群体对模糊信息的抵触）共同构成信息解码的三重文化屏障。为此，智能系统需构建包含方言语义库、区域表情符号集、风险认知图谱的多层级情绪词典，实现信息编码与文化语境的精准适配。

针对特定人群的智能干预模型，进一步拓展了传统传播理论的应用边界。以抑郁症患者的 AI 辅助疏导系统为例，其创新性地融合生物传感技术与传播心理学理论。借助可穿戴设备监测心率变异性、皮肤导电水平等生理信号，同时分析自我指涉频率、情绪词汇密度等语言特征，构建起抑郁倾向预测模型。在干预阶段，依据情绪传染分类理论，对不同性格倾向的患者实施差异化策略：对外倾型患者采用认知重构技术，对内倾型患者则实施渐进暴露疗法。最后，通过AI优化的社会分享网络，搭建起情绪互补的同伴支持系统。这种生物、心理、社会多层面结合的干预框架，为健康传播开辟了全新的技术路径。

（三）政治传播中的情感计算博弈

政治传播视域下的情感计算应用正遭遇技术、认知和伦理三重悖论，折射出技术理性与传播伦理的深层张力。这些困境成为理解智能时代政治传播变革的关键观测维度。

第一重悖论源自算法强化机制的情绪极化效应。基于协同过滤算法的个性化推送机制，通过持续的内容选择性曝光和用户行为数据的反馈，持续压缩民众的信息接触光谱。这种技术主导的 “情绪正反馈” 机制，会使民众逐渐走向认知极端，其直接后果是公共话语空间的协商共识基础被系统性侵蚀，理性对话机制逐渐让位于情绪驱动的立场对抗。

第二重悖论聚焦生成式AI引发的政治真实解构危机。当前生成式人工智能工具生成的政治拟像已突破传统真实性的判定边界，当合成内容在情绪表现维度超越人类认知阈值时，民众的价值判断体系将遭遇双重冲击，即表层真实与本质真实的断裂，情绪说服与事实逻辑的错位。这种技术异化现象不仅颠覆政治传播的真诚性伦理，更在符号秩序层面催生“超真实统治”的系统性风险。

第三重悖论聚焦数据权力垄断对公共治理体系的深层解构。当定制化情绪内容演变为群体认知建构的核心介质时，技术垄断主体实质上主导着公共议程的塑造权与解释权。这种控制机制依托数据资本运作逻辑，在微观层面重构个体价值判断框架，在宏观层面消解公共协商机制的规范性基础，最终形成技术赋能假象下的系统性认知操控体系。

五、结构性挑战：技术伦理与社会治理的张力关系

智能传播技术的实践突破在重塑传播生态的同时，也催生了深层次的技术伦理困境与社会治理难题。当算法推荐、情感计算与神经网络技术渗入社会传播的毛细血管，工具理性与价值理性的张力关系便逐渐浮出水面——技术赋能的传播效率提升与人类主体性的存续需求之间，正在形成亟待调适的结构性矛盾。这种矛盾不仅关涉技术应用的伦理边界，更指向数字文明时代社会权力关系的重构逻辑。

（一）算法主宰与情绪自主权的冲突

智能传播时代的技术伦理困境集中体现为算法权力与情绪自主性的结构性冲突。作为数据驱动的规制性力量，算法系统通过建模预测与策略优化形成的技术权威控制了用户情绪。用户认知自主性收缩，致使用户的决策框架逐渐受限于算法预设的情感光谱。公共对话秩序也随之渐进耗散，智能分发系统催生的立场分化加速效应，瓦解多元主体协商所需的共识基础。当算法优化的情感刺激模型不断强化群体间的认知区隔时，理性对话空间逐渐被压缩为立场对立的情绪场域，公共决策的审慎性原则面临技术性消解风险。因此，亟待构建算法治理的动态调谐机制，通过嵌入多利益攸关方协商程序和情绪伦理评估矩阵双重路径，在技术架构中植入价值敏感设计范式，同步开发对抗性训练框架下的信息多样性增强算法，重塑个体认知主权与公共理性对话的技术基底。

（二）情绪瘾性传播内容的制造机制（多巴胺驱动模型）

神经科学与传播技术的深度耦合催生了以多巴胺机制为核心的情绪成瘾模式。短视频平台通过即时反馈机制激活大脑奖赏回路。这种生物本能层面的设计策略虽有效提升用户黏性，却衍生出注意资源耗竭与社会认知窄化等伦理问题。神经激励阈值与内容伦理标准的失衡、短期商业利益与长期社会效益的冲突、技术迭代速度与监管响应机制的时滞不断涌现。建立神经响应强度分级制度，将情绪唤醒指标纳入内容审核体系，或是破解成瘾设计与监管失效恶性循环的有效路径。

（三）情绪监控资本主义的隐私侵蚀

情绪数据的资本化运作标志着监控资本主义向生物神经维度的深度渗透。依托微表情识别、语义解析及生理信号监测技术构建的“情绪图谱”系统，正在消解传统隐私权概念中的物理空间界定与法理定义。这种新型监控范式引发双重异化效应，即基于持续情绪追踪产生的心理殖民现象，导致用户自我呈现展现防御性扭曲；与此同时，情绪自主权的消解，表现为平台通过情绪预测模型将个体心理状态转化为可计算的商业资源。重构数字时代的隐私保护体系，需超越“被遗忘权”的传统框架，构建包含情绪数据动态豁免机制与神经权利保护条款的差异化治理范式。

（四）文化认知偏差的技术适配难题

情绪计算的跨文化效能受情绪符码的文化地理属性制约。跨文化情绪表征系统在三个维度呈现结构性分歧：情感表达模态（如东亚语境中的“耻感”隐喻与西方“罪感”表达的符号差异）、情感烈度标定机制（集体主义文化的情感抑制倾向与个人主义文化的外显特征）、风险感知模态（高/低不确定规避文化应激差异）。这种系统性文化编码偏差导致通用情绪识别模型面临算法信效度的显著衰减，具体表现为文化情境误判率上升与语义解码失真度加剧。突破此困境需建构文化自适应算法架构，整合霍夫斯泰德文化维度理论与施瓦茨价值量表的动态调节参数，同步搭建包含方言情感语义矩阵、本土表情符号拓扑图及社群认知锚定模型的三位一体适配系统，形成文化认知偏差的技术补偿机制。

（五）边缘话语的情绪计算盲区

数字时代的算法包容性面临多元话语特征的适应性挑战。特定群体的语言符号体系（如青年社群的圈层化表达、方言社区的隐喻修辞形态）与小众群体的情感表征模式，常常突破自然语言处理的常规语义边界。这类群体的话语实践不仅呈现独特的编码逻辑，更涉及情绪语义的多层嵌套结构，对算法模型的跨文化理解能力提出深层考验。技术民主化要求从单向算法优化转向参与式设计范式，并构建开放协作的数据治理机制来突破。具体而言，建立多模态语料协同共建平台，引入社区文化专家参与算法训练流程，可有效提升方言情绪识别的语义还原度。开发动态适应性标注框架，有助于捕捉边缘群体非结构化表达中的情感指向。这种技术路径的革新，将算法系统的文化敏感性提升从单纯准确率指标扩展到话语公平性维度，为构建更具包容性的人机交互范式提供实践基础。

综上所述，应对智能传播时代的算法治理挑战，亟待建构分层协同治理范式以实现技术赋能与风险规制的动态平衡。应建立融合模型可解释性验证、价值对齐度量化监测与动态合规性诊断的三维评估体系，通过算法溯源标识技术对决策路径进行全流程可视化追踪，并嵌入实时偏差校正模块以防范模型共振风险。同时，基于联邦学习技术开发跨平台监管沙盒，可实现模型迭代与监管规则的动态适配，形成具有韧性的适应性监管机制。分层治理范式的制度效能体现为多维度的协同效应：在技术层面化解算法黑箱带来的解释性危机与价值偏差困境，在市场层面预防算法同质化引发的“信息茧房”与系统性风险，重构政府、企业与公民社会多元主体参与的治理共同体。

六、学科重构：智能传播时代的范式革新

智能传播技术的具身性渗透正在引发传播学科的本体论与认识论双重变革。这种范式革新既体现为传播主体性的拓扑学构建，也催生了学科互涉语境下的知识生产革命，标志着传播学理论体系进入技术哲学与人文批判深度融合的新阶段。

（一）传播主体的拓扑学嬗变

人工智能技术驱动的传播主体性革命，从根本上解构了传统传播理论的主客体二元框架。当具备准主体性的数字行动者深度介入传播流程，传播拓扑结构在三个维度发生范式转移。在生产维度，算法生成内容突破信息复制功能，通过风格迁移技术实现创造性输出，模糊了人类创作者与机器代理的边界；在渠道维度，智能推荐网络构建动态演化的传播拓扑，其节点连接权重随用户情绪响应实时调整，形成自组织的传播生态；在认知维度，神经接口技术支持生物智能与机器智能的耦合迭代，催生出人机协同的新型认知系统。这种本体论变革要求学科理论框架实现三重突破——在传统传播模式中引入“算法意图性”概念以改变传播者角色判定标准；在伦理维度建构包含机器道德能动者的责任分配矩阵；在方法论层面融合技术批判理论与行动者网络理论，发展适应人机共生的新型伦理架构。

（二）学科互涉的知识生产革命

智能传播引发的学科交融趋势，推动传播学研究范式在三个向度实现认识论突破：一是微观—宏观的神经传播学整合，揭示情绪传播中镜像神经激活模式与情绪级联扩散的神经编码同构性，推动传播效果研究从行为观测向神经机制解析转型。二是多智能体建模技术的引入，使情绪传播仿真系统能够还原信息茧房的形成动力学，实现群体情绪演化的量化预测。三是批判理论与数据科学的范式融合。法兰克福学派技术批判传统与算法研究的结合，催生“算法意识形态批判”新进路。通过自然语言处理技术解码算法推荐逻辑中的价值偏向，并与批判话语分析方法结合，形成“计算批判传播学”交叉领域，既延续学科批判传统，又赋予其技术解析新维度。

学科重构的本质在于确立“技术具身性”认识论框架——将智能技术视为重构传播现象本体的构成性要素，而非单纯研究工具。这种范式转换要求传播学者在数据科学与人文科学的张力场中培育双重能力，既需掌握技术解析工具以解构算法黑箱，又须保持人文批判视野以守护学科价值理性，最终在技术哲学与传播伦理的交叉域界开辟新的学术生长点。

【本文为北京市社会科学基金项目“北京青少年社交媒体使用与价值观引导研究”（编号：24XCB006）成果】

参考文献：

[1]赵云泽，刘珍.情绪传播：概念、原理及在新闻传播学研究中的地位思考[J].编辑之友，2020(01):51-57.

[2] H.N.Gardiner.William McDougall’s “outline of psychology” discussion[J]. The Journal of Abnormal Psychology and Social Psychology, vol.18,no.3,1923.p.277.

[3] Hatfield E, Cacioppo J T, Rapson R L. Primitive Emotional Contagion[M]// CLARK M S. Review of Personality and Social Psychology: Emotions and Social Behavior. Newbury Park: Sage,1992:151-177.

[4] Hoffman Martin L..How automatic and representational is empathy, and why[J].Behavioral and Brain Sciences,2002,25(1):38-39.

[5] Gerben A. Van Kleef.How emotions regulate social life: The emotions as social information (EASI) model[J].Current Directions in Psychological Science,2009,18(3):184-188.

[6]尹碧茹，刘志军.网络情绪：理论、研究方法、表达特性及其治理[J].心理研究，2021,14(5):439-450.

[7] Mehrabian A, Russell J A. An Approach to Environmental Psychology[M].Cambridge:MIT Press,1974.

[8] LIU B. Sentiment Analysis and Opinion Mining[M].San Rafael: Morgan&Claypool,2012.

[9] Falkenberg Irina,Bartels Mathias,Wild Barbara.Keep smiling! Facial reactions to emotional stimuli and their relationship to emotional contagion in patients with schizophrenia[J].European Archives of Psychiatry and Clinical Neuroscience,2008,258(4):245-53.

[10] Himaanshu Gauba,Pradeep Kumar,Partha Pratim Roy, et al.Prediction of advertisement preference by fusing EEG response and sentiment analysis[J].Neural Networks,2017,92:77-88.

本文引用格式参考：

田丽.人工智能对情绪传播模式的重构与革新[J].青年记者，2025(06):63-70.