社论：跨越人类与人工智能群体的社会计算——注意力、沟通与可靠性

《ACM Transactions on Social Computing》：Editorial: Social Computing Across Human and AI Collectives — Attention, Communication, and Reliability

　　

欢迎阅读《ACM Transactions on Social Computing》（ACM社会计算学报）第9卷第3期。随着社会计算领域不断成熟，社会计算与"为社会系统而计算"之间的界限也在持续演进。社会计算不再仅仅关注人们如何使用数字技术，而是日益考察计算工具如何塑造社会行为、组织集体知识，并参与那些曾经被认为主要由人类完成的过程。近期学术工作也因此呼吁学界更多关注由相互作用的个体与自动化智能体所构成的混合社会系统——这些系统的集体结果无法通过孤立地研究人类或技术而得以理解。

本期的六篇论文反映了这一演进。它们展现了当代社会计算在学科与国际层面的广度，汇集了来自计算、行为科学、哲学、健康研究、游戏研究和信息系统等多学科视角。投稿者所代表的机构分布于亚洲、欧洲、北美、南美和澳大利亚。

我们将本期论文围绕两个互补的主题进行组织：人机社会动态与方法论基础，以及算法中介与集体判断。第一个主题考察注意力、互动以及由人类产生的数据如何在数字环境中成形；第二个主题探讨语言模型及其他计算系统如何转换沟通方式、综合社会信息并产生可被进一步聚合的判断。

**人类社会动态与方法论基础**

理解人们如何注意、沟通、协调并贡献数据，仍然是社会计算的基础。近期TSC的研究考察了大规模在线沟通中集体注意力与信息暴露的转变如何被识别，以及计算分析如何能够超越聚合反馈，保留公众反馈的地理与情境结构。本主题下的论文延续了这种对情境化社会行为的关注，同时也着力处理用于研究此类行为的证据的可靠性问题。

Josemar Alves Caetano、Humberto Torres Marques-Neto 与 Vírgilio Augusto Fernandes Almeida 在《在线聊天中集体注意力的建模与分析》（Modeling and Analyzing Collective Attention in Online Chats）一文中，将注意力的心理学理论与 WhatsApp、Telegram 和 YouTube Live 对话中可观察到的模式联系起来。他们的计算框架通过警觉度、处理能力和选择性等指标区分出集中注意与分散注意的对话阶段。研究发现，集体注意力受平台结构与沟通情境的强烈塑造：直播事件的聊天往往生成强烈且同步的注意力，而消息群组则表现出更大的主题漂移与会话碎片化。

Dionysis Alexandridis、Gijs Holleman、Anouk Vroegindeweij、Lisa Levelt、Elise van de Putte、Remco Veltkamp、Sanne Nijhof 与 Sander Bakkes 在《探索社交情感技能及其对儿童多人电子游戏社交互动的影响》（Exploring Socioemotional Skills and Their Effects on Children's Social Interactions in Multiplayer Video Games）一文中，研究了儿童在合作游戏中的实时口头沟通。该研究揭示了社交情感技能、话语重叠、人格、熟悉度、群体规模与分配的玩家角色之间的关系。通过表明话语重叠可能反映的是积极参与而非简单的轮流发言不当，研究强调了在解读数字互动时应结合任务、群体构成、社会关系与环境设计的重要性。

Ying Zhong、Kohta Katsuno、Masaki Matsubara 与 Atsuyuki Morishima 在《提升跨平台众包标注的可重复性》（Improving Reproducibility in Crowdsourced Labeling Across Platforms）一文中，处理了一个对社会计算与AI研究都至关重要的方法论挑战：即使在同一任务被复制的情况下，不同众包平台的工人群体差异也会导致标注结果不一致。作者表明，匹配工人能力分布可以改善可重复性，并提出了一种协同过滤方法，减少每项任务所需的工人数量，为获得更可靠的众包数据集提供了一条实用且具有成本效益的路径。

合在一起，这些论文表明社会行为与社会数据不能与它们产生的环境相分离。注意力取决于平台结构；互动取决于任务、关系与社会角色；标注结果取决于参与者群体的构成。这种对情境的强调也与近期研究表明在线用户之间的相似性可能在于行为而非仅仅是人口统计或结构性相符。因此，可靠的社会计算研究需要能够考虑互动发生环境的模型，以及能够跨越这些环境进行可信比较的方法。

**算法中介与集体判断**

第二组论文考察语言模型及其他计算系统如何中介沟通、处理社会话语，并产生可被进一步聚合的判断。这些进展建立在计算社会科学更广泛的转变之上，其中自然语言处理与表示学习的进步使得对人类话语的分析日益精细，同时也引发了关于可解释性与中介作用的新问题。

Samuel Mazzone 等人在《LLM可在AI中介的沟通中放大情感同时保留分析性风格》（LLMs Can Amplify Emotion While Preserving Analytic Style in AI-Mediated Communication）一文中，评估了由十一种语言模型生成的近40,000篇新闻内容改写。他们发现，这些模型通常会加强情感表达，同时保留并常常强化与分析性风格相关的语言标记。尽管改写不一定变得更加耸人听闻或标题党化，但模型倾向于偏向积极的情感类别和更狭窄的情感范围。该研究提示，即使信息结构保持完整，算法中介也可能微妙地重塑公共沟通的基调。

Guanghua Wang、Weili Wu 与 Ding-Zhu Du 在《用于社交媒体话语多文档摘要的动态谱聚类》（Dynamic Spectral Clustering for Multi-Document Summarization of Social Media Discourse）一文中，处理了综合大量异质的社会生成内容所面临的挑战。他们的模块化框架将段落组织成语义上连贯的簇，对每个簇进行摘要，然后将中间输出改写成统一的叙述。该方法在实现具有竞争力的摘要质量的同时，提供了更高的可解释性与计算效率，为将大规模摘要视为单一不透明生成过程提供了一种结构化的替代方案。这项工作与近期TSC研究形成互补，后者结合自然语言处理与图分析从复杂且两极分化的新闻话语中提取可解释的结构。

本期以 Igor Douven 的《LLM人群的智慧：语言模型集成中的聚合与污染》（Wisdom of LLM Crowds: Aggregation and Contamination in Language Model Ensembles）作为收尾。该研究基于十五种语言模型的概率估计，表明学习的聚合方法可以超越所有被考察的个体模型；同时，它证明训练数据污染可能严重扭曲模型能力与排名的表象。该文在传统关于人类人群的研究与新兴的自动化智能体集合之间绘制出关键的平行：在这两种情境中，集体智能都依赖于多样性、聚合设计以及对参与者所能获取信息的严格控制。

随着这些系统不仅影响个体决策，还影响群体如何收集、解释与交换信息，语言模型在集体判断中的角色日益重要。近期工作已经梳理出语言模型为集体智能带来的机遇与风险，包括其可能扩展专业知识的可及性、支持审议、同质化信息或放大既有偏见。相关的CSCW研究显示，基于LLM的系统如何在集体决策中激发并聚合个人偏好。本期的论文为这些新兴角色在沟通、信息综合与聚合判断中的表现提供了具体证据。

这些贡献鼓励社会计算研究人员将计算系统不仅仅视为分析工具，而越来越多地视为中介者与参与者，它们的输出可能影响沟通、知识形成与集体理解。因此，研究这些系统不仅需要关注模型性能，还需关注它们如何与人类表达、信息环境以及彼此相互作用。

**展望未来**

贯穿两个主题，有三个共同的原则浮现出来。

第一，情境至关重要。社会行为与计算行为取决于平台、任务、提示、人群与评估设置。

第二，中介作用至关重要。技术并不只是传递互动；它们塑造了什么变得可见、突出、协调或有说服力。

第三，方法论可靠性至关重要。关于人类与机器集体的论断依赖于可重现的数据、透明的分析流程，以及能够防范隐性混杂因素的评估设计。

因此，社会计算正同时朝着两个方向发展：它继续深化我们对计算环境中人类行为的理解，同时扩展其范围，将计算系统本身作为中介者、贡献者与集体加以纳入。连接这两个方向需要既有理论根基、又具备实证严谨性与方法透明度的研究，并关注计算干预的更广泛社会后果。

我们欢迎继续推进这一跨学科议程的投稿，包括关于人机交互、集体智能、社会分析计算方法、可靠且可重现的研究实践，以及日益算法中介化的沟通的社会影响等方面的研究。

**2026年TSC奖项**

我们也很高兴宣布2026年ACM Transactions on Social Computing奖项的获得者，颁奖仪式将在牛津举行的ICSC 2026上进行。

2026年里程碑论文奖授予 Kiran Garimella、Gianmarco De Francisci Morales、Aristides Gionis 与 Michael Mathioudakis 合著的《社交媒体上的争议量化》（Quantifying Controversy on Social Media）。该文发表于2018年，引入了测量在线社交网络中争议程度的富有影响力的计算方法，并对围绕极化与数字话语的研究产生了持久影响。

2026年杰出论文奖授予 Tiziano Piccardi、Martin Saveski、Chenyan Jia、Jeffrey T. Hancock、Jeanne L. Tsai 与 Michael S. Bernstein 合著的《社交媒体信息流重排：现场实验的实用指南》（Reranking Social Media Feeds: A Practical Guide for Field Experiments）。该文为在社交媒体信息流排序上开展现场实验提供了实用且方法论层面的指导，回应了通过平台中介的互动研究中所面临的一项日益重要的挑战。

2026年副主编杰出服务奖授予 Yoram M. Kalman、Charles Rahal 与 Xing Xie，以表彰他们的卓越编辑服务以及对该期刊的持续贡献。

2026年最佳审稿人奖授予 Min Gao、Nick Hagar、Shanshan He、Yoram M. Kalman、Sandeep Kumar Khandelwal、Juncheng Qian、Gilad Ravid 与 Yiming Zhu，以表彰其审稿工作的质量、及时性与建设性价值。

2026年奖项评选委员会由 Yupeng Li、Kevin Crowston、Charles Gomez、Daniel Romero、Philip Waggoner 以及两位主编组成。我们感谢同席委员会成员们的细致评审与对TSC社区的付出。

我们对作者贡献这些及时的研究、审稿人细致而建设性的评估、副主编的悉心管理，以及ACM编辑与制作团队的持续支持致以诚挚的谢意。

我们希望本期论文能够鼓励读者既探索这里所呈现的新贡献，也审视更广泛的研究——这些研究考察注意力、沟通、知识与集体智能如何在人类与人工系统之间被重塑。

Xiaoming Fu
哥廷根大学计算机研究所，哥廷根，德国
邮箱：[e-mail]

James Evans
芝加哥大学社会学系，芝加哥，美国
邮箱：[e-mail]

主编