新闻采访"首因效应"解读

新闻采访对于新闻写作起着举足轻重的作用,新闻采访决定新闻写作.新闻报道是不是真实可信,是不是生动可读,能不能引起兴趣,这些都取决于采访的质量.而采访的质量则取决于新闻采访活动的第一通道,即记者在采访中的"首因效应".经社会学家有关调查和实验表明,陌生人初次见面时,对对方外表的魅力与想再次与之交往的相关系数为0.87,远高于个性、兴趣等相关系数.它关系到交往双方对对方的评价,关系到彼此的交往能否持续.一般而言,若是首因效应或是第一感觉、第一印象好,则能产生强烈的交往愿望,首因效应不佳,则会产生情感认知障碍.所以,记者采访中对采访对象产生的"首因效应"是记者顺利进行采访活动的根本保证.     

道德行动体：人工智能新闻中的算法道德功能及其可能性

在人工智能新闻时代,智能算法深度嵌入新闻生产、分发和反馈环节,成为“人—机”互动中与人类主体相映照的非人类行动者,在人的知觉经验和行为实践上具有居间调解的道德意蕴。在对三种媒介技术观进行辨析的基础上,可以从道德行动体的界定标准、道德主体的可能性两个层面分析算法的道德行动体功能。在技术调解理论下,算法技术具有成为道德行动者的可行性,判断的标准是在“人—技术”关联的情境中考察其意向性和自主性。算法技术混合意向性和自主性构成其道德主体的必要条件,智能算法在目前算得上是一种功能型的道德行动体。智能算法的道德行动体功能及其可能性分析,对于未来人工智能新闻伦理治理理念和路径转型具有积极意义。     

交互性融合新闻叙事参与效果的比较研究

叙事参与是文本接收的心理过程,是衡量新闻叙事效果的一种途径。为了解融合新闻交互性对叙事参与的影响,运用实验法在大学生群体中对不同交互版本融合新闻的叙事接收过程进行了实验比较,从叙事理解、注意聚焦、情感参与、临场感、分享等多层面探讨了交互性融合新闻的接受情况和叙事参与效果。实验结果发现,用户对高交互性融合新闻喜欢程度显著高于低交互性融合新闻;高交互性融合新闻的叙事参与高于低交互性融合新闻,其中在注意聚焦、叙事理解、情感参与层面,高交互性融合新闻优于低交互性融合新闻,临场维度差异不显著;用户对高交互性融合新闻的分享意愿显著高于低交互性融合新闻,这有助于深层理解新闻参与,对认识新闻交互设计和融合新闻效果有一定的参考价值。     

安徽省智能语音产业竞争力分析及发展建议

智能语音交互方式是继"鼠标"、"触屏"之后,有望带来突破性技术变革的人机交互方式。安徽省语音产业拥有核心技术基础,语音产业与其他产业呈现深度融合的趋势,是有望带来爆发性经济增长的新兴产业领域。本文概述了智能语音产业领域涉及的关键技术,并利用SWOT模型对安徽省智能语音产业竞争力进行分析,最后提出促进智能语音产业发展的对策与建议。     

压不垮的团结心 冻不住的民族情——湖南省民委走访民族地区灾情纪实

<正>2008年初,一场50年不遇的冰雪灾害席卷了整个中国南方,而湖南,是这次冰雪灾害中受灾最重的地区。如今,灾难虽已过去,但灾情依然严重。国务院煤电油运和抢险抗灾应急指挥中心发言人李朴民在新闻发布会上说:下一阶段抗击雨雪冰冻灾害的斗争将由"应急抢险抗灾"转入"全面恢复重建"。尽快恢复重要基础设施,尽快恢复工农业生产,尽快安排好受灾群众的生活,成为摆在受灾最严重的湖南人民面前的头等大事。     

略论舆论监督的策略

舆论是一种“普遍的、无形的和强制的力量”,它可以形成另一个法庭──“社会舆论的法庭。”“报纸是作为舆论的纸币流通的’。这是马克思关于媒介在传播、形成、监督舆论方面的精辟论述。１９４５年,毛泽东在延安与民主人士黄炎培的一次谈话中也强调：“让人民起来监督政府,政府才不会松懈;让人民负起责来,才不会政息人亡。”人民监督政府、人民意见的传达,更多的时候就是通过媒介来进行的。传播舆论、引导舆论是媒介当仁不让的职责。舆论监督是建设民主、健康社会所必须的一个环节。在我国的新闻理论体系中,舆论监督一直被看作是媒…     

从羊城晚报一篇新闻素描上头条说起——试谈新闻传媒如何让消息唱主角

新闻素描上头条,是增强新闻主体观念,真正让消息在新闻传媒中唱主角的一条有力措施。倡导以“现场短新闻”的报道方式采写新闻素描,是对新闻报道本来意义的一种返璞归真。眼下问题是要革除在“现场短新闻”上的形式主义倾向。关键是新闻从业人员树立群众观点,深入到改革开放和现代化建设的第一线去、现场去,同那里的劳动者、建设者同呼吸,共命运,齐爱憎,心心相印,息息相通。倘若大家都注意到运用消息文体中的新闻素描去报道“现场短新闻”,那势必使消息文体大改观     

基于堆叠LSTM神经网络的短期交通流量预测

短期交通流量预测是各种智能交通场景中的关键任务之一.文章提出了一种堆叠长短期记忆（LSTM,Long Short-term Memory）神经网络来执行此任务.该方法以堆叠的结构增加神经网络的深度,可增强对复杂的线性和非线性函数的拟合能力,从而提高预测的准确性.在四个典型的基准数据集上进行了大量的实验,结果表明所提出方法优于常用的机器学习和经典的LSTM方法.