计算是当代新闻实践的重要特征。计算新闻这一概念自本世纪初被提出以来，其理论和内涵伴随新技术的出现一直处于不断发展和丰富之中。如今它涵盖了从聊天机器人和推荐系统，到人工智能（AI）和原子化新闻等一系列应用在新闻业中的信息技术。这些技术已被业界广泛应用于新闻的采编、制作和分发。数据、算法和软件正在成为当代新闻的重要组成部分，这里我们统称它们为机器。毫无疑问，机器正在取代人力，至少是部分取代。与此同时，选择和控制新闻传播的把关人也在发生变化。
所谓把关（gatekeeping），是指信息在传播中可能受到的各种阻碍、过滤和传递的过程。影响新闻把关的决策矩阵包括内部的个体认知差异、新闻制作流程、组织特征，以及外部的社会机构参与者，如广告商和政府，还有文化和意识形态等社会体系因素。成为把关人（gatekeeper）意味着有权控制新闻信息内容传播以及如何构建社会现实。
传统上，把关人主要与新闻业相关。而今天，虽然传统新闻业仍是构建信息环境的重要角色，但是随着社交媒体的崛起，这一角色相较之前已极大地弱化。
社交媒体中的把关过程由于用户的参与，把关人这一定义变得泛化。把关人理论的奠基者休梅克（Pamela Shoemaker）指出，在新媒体环境下“我们都是把关人”。在此基础上，有学者认为把关人理论已经过时，有学者将用户的把关定义为“二次把关”，还有学者指出新闻业的角色正在从“社会现实的构建者”转变为“网络内容的二次发布管理者”，由把关人变为“守望人”（gatewatchers）。
当代把关人理论将新闻工作者、专业意见领袖、网络大V等人类角色，还有算法这样的技术角色，以及各角色之间的相互作用，都看作是更广义的社会技术把关实践的一部分。进入数字时代后，逐渐有新闻传播学者注意到，像搜索引擎、聚合器、评分系统、监管平台等背后的算法事实上也在扮演着把关人的角色，成为数字把关人。一开始，数字把关人主要在新闻的分发中发挥作用，后来随着人工智能的发展，数字把关人已经渗透进新闻采编、制作、分发的每一个环节。
计算新闻发现（computational news discovery，CND），指利用算法引导记者注意到尚未发布的具有报道价值的事件或信息。CND有三种常见的应用形式。一是监控社交媒体平台上的海量内容，锁定突发热点或者定期活动，并识别、追踪，然后向记者推荐有效的信息源或目击者。二是监控数字或文本等格式的数据源，通过设定规则或检测异常值来识别出记者可能感兴趣的项目。三是利用机器学习技术从报道价值判定的历史数据中学习规律，然后用机器学习模型扩大新闻调查范围，帮助记者发现更多的新闻线索。CND系统可以推送通告和摘要给记者，以供深入发掘或继续完善，评估报道价值，确保新闻质量。
CND通过引导注意力，与记者共同完成了社会技术把关过程。CND不会增加新闻编辑室内部注意力总额，但会影响注意力的分配。有研究发现，CND存在与人力监控信息渠道竞争注意力的情况，潜在加剧了新闻工作者的劳动强度。在某些应用中，CND可以通过准确过滤掉原本会引起注意的内容来节省时间，而在其他场景下，更多的是转移注意力而非节省注意力。提升内部注意力经济效应的关键在于人机交互设计应该支持人的行为。比如，记者对不同类型新闻线索的努力预期是不同的，因此CND系统应该灵活适用于广泛的应用场景。还有，CND系统应该对推送内容的重要程度有一个初步评估，才能高效地引导用户的注意力。
影响把关决策的因素非常复杂，容易产生个体偏差。机器虽然可以建立统一的价值标准，但其受限于先验知识也会导致算法偏差。不同的是，随着技术的进步，机器的偏差会无限趋近于零。以人为本的社会技术把关过程，应该提升CND系统的可配置性，以发挥记者在新闻选择过程中的主导作用。但是现代媒体的工业属性会驱使资本不断提升CND系统的AI水平，以期更大程度取代人力。
自动化新闻（automated journalism），指算法驱动下的结构化数据向新闻文本的转换，强调除了初始编程外几乎无需人为干预。在体育和财经领域，自动化新闻已得到广泛应用。它对源源不断的数据进行分析整理，把信息嵌入事先定制的模板里，然后组成新闻稿，发表在不同的平台。自动化新闻在实效性和效率方面远胜人类。此外，自动化新闻还寄托了技术乌托邦对新闻价值中立的愿景。有关研究表明，纯粹的价值中立是无法实现的，自动化新闻无法脱离特定的社会、文化和政治背景，这主要取决于创造者的目标和技术。也就是说，虽然制作新闻的是机器，但实质的把关者仍然是人。
除了“机器为人写作”， 最近又出现了“人为机器写作”，即原子化新闻（atomised journalism）。这一技术诞生的背景正是自动化新闻对结构化数据的使用增长。“人为机器写作”要求编辑将非结构化信息转换为结构化数据，以实现自动重组和未来对内容的复用。原子化新闻有利于新闻的个性化生产。它可以根据受众特征，例如不同的阅读设备、受众年龄和文化程度，生成易于阅读和理解的故事。原子化新闻将编辑从日益苛刻和复杂的新闻生产流程中解放出来，让他们只需关注新闻的内核，腾出时间和资源来创作更好的内容。但代价是，编辑不得不放弃一部分把关权，将责任授权给算法或受众。
虽然AI在结构化新闻中已得到广泛应用，但是目前在调查性新闻中的应用仍然十分有限。第一个原因是某些有报道价值的新闻含有深刻的社会政治因素，难以计算编码。第二个原因是调查性新闻的故事有其独特性，训练数据难以取得，训练模型也不具备通用性，无法通过多次复用来分摊开发成本。但是这不意味着AI在调查性新闻中无用武之地。AI至少可以辅助调查记者进行数据清洗和整理，以及大规模的结构化数据分析。早在1988年，《大西洋月刊》记者比尔·戴德曼（Bill Dedman）就在计算机帮助下检索梳理了海量的住房按揭数据，写出系列报道揭露该行业的隐形种族歧视，作品获得当年普利策奖。相信随着技术进步，AI在调查性新闻中将发挥更大作用。
算法新闻推荐（algorithmic news recommender，ANR）采用推荐个性化新闻的分发方式，影响了用户的在线新闻消费习惯。ANR可以根据用户的特征和偏好，预测他们感兴趣的内容，甚至帮助用户实现认知目标。目前机器主导了ANR的把关过程，这导致了个人层面的信息茧房以及社会层面的政治极化等一系列问题。有学者将之归咎为新闻价值观的缺失。问题是，在ANR语境下，由于新闻实践及记者和受众关系的转变，新闻价值观也在改变。有研究表明，媒体工作者大多将ANR视为新闻编辑室的延伸活动，认为应该按照新闻常规遵守传统新闻价值。但当被问及如何设计成功ANR时，受访者强调最多的核心价值却是透明度、多元化、编辑自主权、信息广度、个人相关性、使用愉悦等，觉得像客观、中立、公共服务等传统新闻价值反而不太重要。ANR的设计与实现牵扯众多的利益相关者，除了记者和受众，还包括数据科学家、产品负责人、用户体验师等。再考虑到技术与功能的复杂性，导致在ANR中坚持传统新闻价值观绝非易事。
新闻工作者、受众、媒体、社交平台、政府都应该积极参与到ANR算法设计的多方博弈之中。面对纷繁复杂的海量网络信息，没有算法的过滤，我们就会被信息洪流所淹没。关键是我们希望机器成为什么样的新闻把关人？机器没有本能，机器的背后是文化、政治和经济利益。就像人的把关效果没有公认的评价标准，机器作为这一角色的评价无疑也是复杂的。只有把利益相关者真正纳入把关决策矩阵，相互博弈，方能实现总体价值最大化。
新媒体的发展既带来了把关过程的去中心化，又导致把关权力过度集中在少数角色或平台手里。当代把关人理论对此提出了一种解释框架，其核心是将更多的利益相关者纳入把关决策矩阵。分析计算新闻中的把关人，一方面要理解社会技术实践背后的文化、政治和经济因素；另一方面要看到新技术带来传播方式的变革。计算新闻仍处于快速发展之中，如新闻聊天机器人、元宇宙等在不断拓宽新闻业的边界。未来计算新闻把关人的研究，需要将关注重点从人机协作转向人机传播。
作者：新媒体学院杨帆
