唐 錚，李開宇

（1.中國人民大學(xué) 新聞學(xué)院，北京100872；2.清華大學(xué) 計算機系，北京100091）

媒體融合帶來了新聞內(nèi)容生產(chǎn)的組織機制重構(gòu)，將新聞生產(chǎn)者大量轉(zhuǎn)化為全媒體生產(chǎn)者，由此促進了新聞生產(chǎn)力的提升。而隨著融合背景下的媒體日漸增加且內(nèi)容產(chǎn)品日益豐富，如何對新機構(gòu)下的新內(nèi)容產(chǎn)品進行效能評估便成為擺在眼前的迫切問題。既有的媒體效能評估大多基于單一媒介類型的單一新聞產(chǎn)品，并長期處在隨機性和任意性較強的狀態(tài)下，難以適應(yīng)媒體融合下內(nèi)容生產(chǎn)力改造后的實際需求。本研究力求從大數(shù)據(jù)角度出發(fā)，基于媒體運行的真實數(shù)據(jù)，將新聞從生產(chǎn)者的特性進行量化建模，從“人力—產(chǎn)出”的角度為這一實際困境提出或可實踐的解決方案。

一、融合背景下的新聞內(nèi)容生產(chǎn)效能

融合格局下，傳統(tǒng)媒體在宣傳理念、新聞生產(chǎn)模式、傳播技術(shù)、載體更新等各方面實施組織重構(gòu)和業(yè)務(wù)再造。在這一過程中，新聞工作者逐漸告別新聞常規(guī)，即日常完成新聞工作的一系列模式化的、常規(guī)的、重復(fù)的實踐和形式(1)Shoemaker,P.J.,Reese,S.D. ，“Mediating the message”.London：White Plains Longman.1996,p105.，新聞生產(chǎn)也隨之進入“一次采集、多次生成”的融合生產(chǎn)模式。

融合型記者成為大勢所趨，單個新聞工作者常常肩負著同時生產(chǎn)不同體裁、不同形式新聞作品的任務(wù)。在這一過程中，有新聞工作者成長為全媒體生產(chǎn)者的自我提升，也有組織調(diào)整例如搭建“中央廚房”的結(jié)構(gòu)性助力。以上融合機制重構(gòu)均以媒體能夠持續(xù)地產(chǎn)出高質(zhì)量、跨媒體形態(tài)的融合性內(nèi)容產(chǎn)品為目標。隨著內(nèi)容生產(chǎn)者的素質(zhì)提升、內(nèi)容生產(chǎn)平臺的科學(xué)化以及一些更為先進的內(nèi)容管理系統(tǒng)的引入，新聞生產(chǎn)的單位時間越來越短。尼格倫（Nygren）在2009 年的調(diào)查表明，傳統(tǒng)媒體的記者一天可以制作2 到3 條新聞，但在網(wǎng)絡(luò)媒體工作的記者效率最高的可以達到一天5 到10 條(2)Preston.P,“Making the news:Journalism and news cultures in Europe”,New York：Routledge，2009，p.66.。

新聞內(nèi)容作為高流動性的信息綜合體，其生產(chǎn)過程高度機動而不可控，在生產(chǎn)中需要包含結(jié)構(gòu)化的經(jīng)驗,獨到見解,對經(jīng)驗的反思以及有價值的、整合的相關(guān)信息(3)Davenport,T.H.,Prusak,L.“Working knowledge:How org-anization manage what they know”,Boston:Harvard Bus-iness School Press,1998，p.108.，完成創(chuàng)造性工作是新聞從業(yè)者的核心價值所在。正因其顯著的創(chuàng)造性、靈活性和機動性，此前包括媒體在內(nèi)的內(nèi)容生產(chǎn)機構(gòu)一直無法針對新聞內(nèi)容生產(chǎn)設(shè)立精準的效能評估方法。傳統(tǒng)媒體的內(nèi)容生產(chǎn)機制和考核標準，是以專業(yè)機構(gòu)持續(xù)穩(wěn)定地生產(chǎn)單一屬性的新聞產(chǎn)品為前提，內(nèi)核是沿用“信息收集—把關(guān)人篩選—分發(fā)”的機制模式，效能衡量體系也相應(yīng)地為原有載體服務(wù)，采用工作量統(tǒng)計和打分評估等手段，對于新聞生產(chǎn)者進行評價。

目前媒體使用較為廣泛的新聞生產(chǎn)效能評估方式主要有以下幾種：（：（1）完全按量評價；（；（2）完全按質(zhì)評價；（；（3）質(zhì)、量結(jié)合評價。這三種主流衡量方式分別對應(yīng)知識組織效能評估的三種主流視角，即行為視角、效果視角和能力視角。

行為視角下的效能被定義為“一套與組織或個體所工作的組織單位的目標相關(guān)的行為”(4)Murphy G.“Human Resource Management”，NewYork:Internantional Journal of Project Management,1993,pp.3-12.。在行為論視角下，行為被視為效能的最核心體現(xiàn)。使用這種方式的媒體效能評估單純以新聞發(fā)布數(shù)量（條數(shù)、字數(shù)、時長等）為衡量指標。

基于效果視角，特別是以實踐為導(dǎo)向的效能評價體系中，大多將績效理解為結(jié)果。BerMrdin 將績效定義為“在特定的時間內(nèi)，由特定的工作職能或活動產(chǎn)生的產(chǎn)出紀錄，工作績效的總和相當(dāng)于關(guān)鍵和必要工作職能中績效的總和（或平均值）”(5)理查德·威廉姆斯：《業(yè)績管理》，趙政斌譯，大連：東北財經(jīng)大學(xué)出版社，1999 年版，第81 頁。。使用這種方式的媒體效能評估單純以新聞發(fā)布質(zhì)量（版面位置、時段、社會評價）為衡量指標。

而McBer 咨詢公司和Spencer 倡導(dǎo)從能力角度衡量效能，認為基于能力的判斷是“向前看”的績效管理方式(6)French W.“Human resource management”.Boston：Hongton Miffin Company.1990，Chapter20.，這一觀點將效能進行了更為立體化的解構(gòu)，將其對應(yīng)為與組織戰(zhàn)略目標、用戶滿意感及投資相關(guān)的過程與結(jié)果的綜合體。使用這種方式的媒體效能評估既計算新聞產(chǎn)品的發(fā)布數(shù)量，同時通過打分、定級等方式界定質(zhì)量，再計算綜合指標得到最終結(jié)果。

然而，以上三種方式在媒體融合背景下都出現(xiàn)了障礙，無法有效地界定內(nèi)容生產(chǎn)的效能?！靶Ч暯恰弊⒅睾饬磕繕伺c結(jié)果，但融媒體新聞生產(chǎn)工作是創(chuàng)造性的、獨特的、機動的，幾乎不可能在內(nèi)容生產(chǎn)前就清晰明確地做出結(jié)果定義。目標只能是在進行中不斷調(diào)整、修正和明確。因而，僅僅以效果為導(dǎo)向有明顯的不足之處?！靶袨橐暯恰卑研侣勆a(chǎn)者的作品數(shù)量作為重點衡量目標，這與新聞生產(chǎn)者的熟練程度、努力程度和資源駕馭能力直接相關(guān)，但完成創(chuàng)造性工作是新聞從業(yè)者的核心價值所在，單純以數(shù)量定江山，是對新聞生產(chǎn)的簡單化和庸俗化。而在新聞生產(chǎn)中，生產(chǎn)者的能力、潛力往往難以從其工作的過程或工作表現(xiàn)中體現(xiàn)出來，特別是在媒體融合時代，“中央廚房”式的集約化社會化生產(chǎn)日成主流，一則新聞產(chǎn)品往往由整個團隊甚至由外部支援來支撐，所以“能力視角”也難以完成對新聞內(nèi)容生產(chǎn)效能的準確評估。

以上分析證明，目前傳統(tǒng)媒體內(nèi)部在融合背景下尚未形成一種有效的績效評價管理機制，難以配合媒體深度融合轉(zhuǎn)型發(fā)展戰(zhàn)略目標的實現(xiàn)。

大數(shù)據(jù)技術(shù)的完善和媒體融合的不斷推進，給效能評估的進一步量化提供了可能。移動媒體時代，新聞信息從生產(chǎn)、發(fā)布、反饋等各環(huán)節(jié)的效果都是可定量化分析的。根據(jù)后臺數(shù)據(jù)，媒體不但可以監(jiān)測到新聞內(nèi)容的點擊率、瀏覽量、轉(zhuǎn)載率、評論情況、情感極性(7)Alexandra Balahur, Hristo Tanev:“Detecting Event-Related Links and Sentiments from Social Media Texts”,Sofia, Bulgaria: ACL (Conference System Demonstrations)2013:pp.25-30.，從而了解讀者閱讀偏好，把握報道節(jié)奏，策劃報道內(nèi)容，也能夠?qū)⒋髷?shù)據(jù)應(yīng)用于媒介組織架構(gòu)和效能評估，使得新聞生產(chǎn)者和媒體組織之間通過更科學(xué)的評價體系，建立互信、支持和協(xié)作的“雙向依賴”關(guān)系。

建立科學(xué)而全面的效能評估體系是一個長期而綜合的過程，需要大量數(shù)據(jù)支撐。本研究旨在使用定量方式，基于媒體真實運行數(shù)據(jù)的推演，將上海某媒體的真實內(nèi)容生產(chǎn)及人力運轉(zhuǎn)數(shù)據(jù)用于構(gòu)建模型，將真實數(shù)據(jù)代入模型進行“空轉(zhuǎn)”，這一設(shè)計參考了我國在重慶、上海進行的“房地產(chǎn)稅空轉(zhuǎn)”體系實踐，以及借鑒了人民日報“中央廚房”從無到有的機制搭建經(jīng)驗。把真實的數(shù)據(jù)帶入到仿真體系中加以驗證，能夠從一定程度上看到效能模型在媒體現(xiàn)有體系下運行時的真實狀況，進而提出媒介融合背景下媒體調(diào)整和改進效能評估機制的新模式。

二、效能模型建構(gòu)原則及數(shù)據(jù)來源

（一）建構(gòu)原則

基于既往數(shù)據(jù)的相對缺乏和內(nèi)容生產(chǎn)的機動性，構(gòu)建這個初級模型時暫且排除了其他更為復(fù)雜的變量，而只是以“人力—產(chǎn)出”的邏輯來推導(dǎo)內(nèi)容生產(chǎn)的效能最優(yōu)。

這一模型基于下述邏輯：如果將新聞生產(chǎn)視為人的創(chuàng)意性生產(chǎn)，那么，新聞產(chǎn)出與人力（包括時間、精力、創(chuàng)意性生產(chǎn)的工作狀態(tài)等）直接相關(guān)，而這種相關(guān)性可以用具體的具有可解釋性的模型來描述。同時，假設(shè)新聞生產(chǎn)的數(shù)量在非重大影響（例如重大自然災(zāi)害、重大突發(fā)新聞等）的情況下，在一定程度上是存在周期性的。也就是說，持續(xù)增加的工作時間并不能使得新聞產(chǎn)量無限量擴張，新聞產(chǎn)量在受到人力限制的同時還會受到新聞資源的限制。另外，新聞工作者一旦不眠不休地進行新聞生產(chǎn)的話，會因為創(chuàng)造力下降而影響新聞的產(chǎn)量。因此對于實際新聞生產(chǎn)而言，通過建立模型來找到關(guān)鍵性節(jié)點，以便確定生產(chǎn)效能，是有意義的。

因而，模型以真實新聞生產(chǎn)量為基礎(chǔ)參考值，以生產(chǎn)周期為變量，可以得出現(xiàn)階段新聞內(nèi)容生產(chǎn)力下的呈理想化狀態(tài)的新聞產(chǎn)量。進而在工作人數(shù)不變的前提下，可以獲知實際新聞生產(chǎn)量和理想化產(chǎn)量之間的邏輯關(guān)系，由此為制定科學(xué)的新聞效能產(chǎn)出提供依據(jù)。

（二）數(shù)據(jù)來源

于2014 年提速建設(shè)的媒體融合改革為研究提供了可靠的數(shù)據(jù)源。自2014 年媒體融合全面提速以來，新聞生產(chǎn)的硬件配置及軟件配備全面升級，全面的數(shù)字化和線上化成為各個媒體在融合時的必要項。本研究所采集的數(shù)據(jù)，便源自上海某媒體近年來的相關(guān)真實數(shù)據(jù)：

1.使用線上簽到工具，統(tǒng)計記者的日均工時和年均工作日。這部分數(shù)據(jù)能夠提供該媒體從事新聞生產(chǎn)的人員的準確數(shù)量，并提供他們的工作時長。

2.使用多媒體處理系統(tǒng)，統(tǒng)計新聞產(chǎn)品的生產(chǎn)周期。這部分數(shù)據(jù)來自于媒體的數(shù)字化處理系統(tǒng)。按照媒體的要求，所有內(nèi)容產(chǎn)品都要在該媒體的多媒體數(shù)字化處理系統(tǒng)上上傳并簽發(fā)，通過“大花臉”功能記錄全部流程。由此可以記錄新聞作品從入庫提交、修改、簽發(fā)的全過程中每個節(jié)點的時間，從而得知新聞作品的生產(chǎn)時長。

3.該媒體2017 年8 月3 日至2019 年12 月31 日的每月新聞生產(chǎn)量。這部分數(shù)據(jù)來自于數(shù)字化處理系統(tǒng)的后臺統(tǒng)計功能。根據(jù)這一功能，能夠準確列出該媒體在此期間的每日新聞生產(chǎn)量，并根據(jù)需求進行相應(yīng)的分類和歸并。

（三）數(shù)據(jù)清洗與梳理

根據(jù)該媒體的大數(shù)據(jù)記錄進行清洗和梳理后，得出的數(shù)據(jù)如下：

1.根據(jù)媒體稿件入庫記錄，獲得該媒體2017 年8 月3 日至2019 年12 月31 日共881 天的數(shù)據(jù)。

2.根據(jù)線上簽到工具上的數(shù)據(jù)記錄，該媒體共有新聞生產(chǎn)者126 人，平均工作時長為9.7 小時（法定工作時長8 小時），年平均工作日為304.3 天（2018 年法定工作日為252 天，2019 年法定工作日為250 天）。

3.根據(jù)多媒體處理系統(tǒng)上的數(shù)據(jù)記錄，2017 年8 月3 日至2019 年12 月31 日該媒體共計生產(chǎn)新聞作品40 673 件，分為文字稿件、圖片稿件和音視頻稿件三類，并得到這三類稿件在2017 年8 月至2019 年12月的每天的新聞產(chǎn)量。

4.通過新聞編輯文稿系統(tǒng)修改功能，能夠記錄每篇稿件的入庫、修改過程、簽發(fā)過程等每一步驟的時間。在媒體融合進程中，多數(shù)媒體已經(jīng)實現(xiàn)了這一功能的實現(xiàn)及運用。這一功能被媒體俗稱“大花臉”功能，可以被用來界定每篇新聞的生產(chǎn)周期長度。根據(jù)“大花臉”功能，對以上三類新聞的生產(chǎn)周期進行統(tǒng)計，取平均數(shù)±5%的區(qū)間，得到如下結(jié)果：文字稿件的生產(chǎn)周期為4.9~25.7 小時，圖片稿件的生產(chǎn)周期為2.4~4.5小時，音視頻稿件的生產(chǎn)周期為14.3~48.9 小時。

繼而，基于數(shù)據(jù)清洗技術(shù)(8)Xu Chu, Ihab F. Ilyas, Sanjay Krishnan, Jiannan Wang:“Data Cleaning: Overview and Emerging Challenges”, San Francisco：SIGMOD Confer?ence ，2016,pp.2201-2206.對數(shù)據(jù)的空值與非法值進行了清洗與修正，使得數(shù)據(jù)的取值在合理的范圍內(nèi)，之后在底層使用MongoDB 作為基本的數(shù)據(jù)管理引擎。

（四）模型選型

建模過程中引入人工智能領(lǐng)域的前沿技術(shù)——神經(jīng)網(wǎng)絡(luò)技術(shù)，從既有的數(shù)據(jù)當(dāng)中通過機器學(xué)習(xí)算法，得出規(guī)律，繼而通過數(shù)學(xué)模型來描述人力與產(chǎn)出之間的關(guān)系。神經(jīng)網(wǎng)絡(luò)技術(shù)模擬人腦的神經(jīng)元結(jié)構(gòu)，通過構(gòu)造多層次的網(wǎng)絡(luò)結(jié)構(gòu)，來表征數(shù)據(jù)特征（輸入）與因變量（輸出）之間的關(guān)系(9)Lecun Y,Bengio Y,Hinton G,“Deep Learning”,No.521(7553)，Nature,2015,p.436.。

舉例來講，如果想要知道一處房產(chǎn)的屬性與房價之間的關(guān)系，可以將屬性X（建筑面積、使用面積、城市、地段、樓層、朝向和是否有電梯等）作為自變量，而將房屋的價格Y 作為因變量。假設(shè)因變量和自變量之間存在某種關(guān)系滿足Y=f(X)，當(dāng)今后給定一個新的房屋的基本屬性值時，便可以預(yù)測該房屋的房價。機器學(xué)習(xí)中的回歸問題(10)Ripley,Brian D,“Pattern Recognition and Neural Networks”.Cambridge:Cambridge University Pess,2009，pp.97-118.，也就是如何在給定一部分真實數(shù)據(jù)情況下（同時包含因變量與自變量），去尋找一個最可能真實的模型f。而深度學(xué)習(xí)理論假設(shè)函數(shù)f是由一個網(wǎng)狀的神經(jīng)元結(jié)構(gòu)組成的，以自變量作為第0層，網(wǎng)狀結(jié)構(gòu)的每一層會對上一層的輸入進行一次非線性的變換，從而計算出最終的結(jié)果。

本文將基于以上理論和數(shù)據(jù)，尋找合適的自變量表達方式，去對媒體內(nèi)容生產(chǎn)者工時投入進行量化。同時尋找合適的網(wǎng)絡(luò)模型參數(shù)，通過機器學(xué)習(xí)算法確定一個最為合理的模型，從而建模出生產(chǎn)者工時與產(chǎn)出模型，用于完成媒體產(chǎn)出效益最優(yōu)化的預(yù)測。

三、計算原理和研究方法

本節(jié)著重研究這樣一個問題“給定一個媒體生產(chǎn)組織（例如，某上海媒體），已知其過往的具體工時X與真實產(chǎn)出數(shù)據(jù)Y，如何尋找模型f，可以近似描述工時與產(chǎn)出的關(guān)系，即“Y≈f(x)”。

（一）初級問題定義

模型的雛形出于最樸素的邏輯“人力—產(chǎn)出”，也就是說，無論媒體形態(tài)和最終產(chǎn)品發(fā)生了什么變化，現(xiàn)階段的新聞內(nèi)容生產(chǎn)仍然基本全部依靠于人力，因此“新聞工作者的數(shù)量和產(chǎn)能——新聞內(nèi)容產(chǎn)品”之間存在緊密的正相關(guān)性。而后一層層對問題進行具象化，不斷在機器學(xué)習(xí)的過程中加入各種參數(shù)和影響因素，最終得到可解釋性較高的“新聞發(fā)稿量預(yù)測模型”。

首先，建模中考慮一種簡單的映射關(guān)系，假設(shè)共有n個生產(chǎn)者（實際數(shù)據(jù)為126），定義每天的工作時長為X（小時）=[X1,X2......Xn]，其中Xi表示第i個生產(chǎn)者本日的工作時長。相應(yīng)的總產(chǎn)量為Y=[Y1,Y2,Y3],Y1,Y2,Y3分別表示文字稿件，圖片稿件和視頻稿件的產(chǎn)出。如果兩者之間存在簡單的映射關(guān)系，則可以表示為簡單的Y=f(X),即給定X即可通過其映射關(guān)系找到Y(jié)。

其中的函數(shù)f可以使用多種方式來表達，其中最簡潔的形式是使用線性模型進行回歸分析，擬合出X與Y的關(guān)系。本模型使用更復(fù)雜的方式，即深度神經(jīng)網(wǎng)絡(luò)，給予足夠多的網(wǎng)絡(luò)層數(shù)，通過調(diào)參技巧學(xué)習(xí)出精確的模型參數(shù)。

在使用數(shù)據(jù)集訓(xùn)練模型之前，需要先將整個數(shù)據(jù)集分為訓(xùn)練集、驗證集和測試集。訓(xùn)練集是用來訓(xùn)練模型的，通過嘗試不同的方法和思路使用訓(xùn)練集來訓(xùn)練不同的模型，再通過驗證集使用交叉驗證來挑選最優(yōu)的模型，再通過不斷地迭代，來改善模型在驗證集上的性能，最后再通過測試集來評估模型的性能。數(shù)據(jù)集劃分得越好，模型的應(yīng)用部署就越強，但如果劃分不好，則會大大影響模型的應(yīng)用部署。在建模時，基于交叉驗證的準則(11)周志華：《機器學(xué)習(xí)》.北京:清華大學(xué)出版社2016 年版，第210-219 頁。將881 條數(shù)據(jù)進行切分，其中500 條用于訓(xùn)練，100 條用作驗證集，其余281 條用于下一節(jié)進行最優(yōu)產(chǎn)出模型擬合。在這一過程中，使用損失函數(shù)來描述模型的精準程度，即真實數(shù)據(jù)與預(yù)測值之間的誤差。

（二）神經(jīng)網(wǎng)絡(luò)求解與特征工程

理論上來講，隨著模型訓(xùn)練的過程，參數(shù)將會越來越精準，相應(yīng)的損失（LOSS）應(yīng)該越來越小，然而，當(dāng)下展示出的學(xué)習(xí)過程并沒有明顯使LOSS 變小，而當(dāng)模型逐漸變得復(fù)雜，層數(shù)增多時，損失函數(shù)漸漸出現(xiàn)明顯變化。這說明模型選擇并不合理。應(yīng)該進一步思考加入更為合理的系數(shù)，發(fā)掘更合理的模型。

結(jié)合實際情況則能夠發(fā)現(xiàn)：一個部門的實際工作產(chǎn)出不應(yīng)該只取決于新聞工作者的工作時間，還應(yīng)當(dāng)取決于當(dāng)前這一天的具體時間屬性。例如，這一天是周一還是周五對于新聞工作者來講是不同的，不僅他們的工作熱情不同，實際生活中，可供加工的新聞素材也可能不同。其次，要看這一個工作日是否是假日，是否是重大節(jié)日，這些信息都應(yīng)當(dāng)被編碼在輸入項X當(dāng)中，因為是否是假日，個人工作熱情應(yīng)當(dāng)不同，是否是節(jié)日，可能產(chǎn)生的新聞數(shù)量與話題度就不同，例如，重大的節(jié)日一般會有許多活動和紀念儀式可供報道。其次，還需要考慮一年當(dāng)中各個月份中由于季節(jié)性，會導(dǎo)致新聞內(nèi)容的具體產(chǎn)出出現(xiàn)差異（包含陽歷、陰歷）。因此，應(yīng)該基于這樣的考慮，增加時間屬性特征的系數(shù)。

因此在不考慮隨機擾動的情況下，額外編碼了上述五種信息，編碼規(guī)則如表1。

表1 基于時間屬性的編碼信息

在實際情況中，具體的新聞內(nèi)容生產(chǎn)過程其實相當(dāng)于一個時序序列，因此在考慮某一個時間點的產(chǎn)量時，不可忽略前面若干個時間點的產(chǎn)量，也就是說，7 月12 日的新聞生產(chǎn)量其實對于7 月13 日是有影響的，兩者并不是孤立的存在，其中存在時序關(guān)系。因此，應(yīng)該基于這樣的考慮，增加基于時序關(guān)系特征的系數(shù)。

根據(jù)這個因素，設(shè)定為第i天，Yi的產(chǎn)量應(yīng)當(dāng)同時取決于Xi和Yi-1,Yi-2,......Y1兩個因素，由此得出的模型為：Yi=g(Xi|Yi-1,Yi-2,......Y1)。在實際中，為了簡化模型，同時為了使模型具有更高的合理性，通常認為當(dāng)前狀態(tài)量只和前一狀態(tài)量有關(guān)，即滿足齊次馬爾科夫性(12)張波，張景肖:《應(yīng)用隨機過程》，北京：清華大學(xué)出版社2004 年版，第28-59 頁。，這一性質(zhì)使得模型的求解更為便利，同時，假如采取遞推的鏈式法則，第i- 1 個變量里面，實則已經(jīng)包含了前i- 2 個變量的信息，因此，形如Yi=g(Xi|Yi-1)的形式對于求解參數(shù)更為方便。

（三）循環(huán)神經(jīng)網(wǎng)絡(luò)求解實際模型參數(shù)

經(jīng)過數(shù)據(jù)工程方法處理，得到更全面的向量后，運用循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）進行建模。這是一種經(jīng)過實踐證明在處理時序序列時優(yōu)于隱馬爾科夫模型的一種方式。在經(jīng)典的神經(jīng)網(wǎng)絡(luò)模型中，隱藏層的值只取決于x輸入，然而在本例中，需要考慮到當(dāng)前狀態(tài)可能不僅與當(dāng)前輸入有關(guān)，還與上一狀態(tài)有關(guān)，因此其相應(yīng)的結(jié)構(gòu)應(yīng)該表達如圖1 所示，其中y為實際產(chǎn)出，W 為相應(yīng)的權(quán)重。最終計算得出的結(jié)果如圖2 所示。

圖1 循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）示意圖

圖2 損失函數(shù)在模型訓(xùn)練過程中的變化（越小代表性能越好）：循環(huán)神經(jīng)網(wǎng)絡(luò)

然而，目前的模型仍然包含兩個重要缺陷：（：（1）從模型可解釋性的角度，需要對于上述提出的方法進行進一步的改進，考慮到現(xiàn)實生活中，內(nèi)容生產(chǎn)對于歷史數(shù)據(jù)應(yīng)當(dāng)是具有記憶性的，即假如去年的10 月1 日印象發(fā)稿量非常大，那么將可以判斷出今年10 月1 日的發(fā)稿量也會比較大。（2）模型進行學(xué)習(xí)的參數(shù)與前一階段的數(shù)據(jù)有關(guān)，在具體實現(xiàn)中，由于神經(jīng)元個數(shù)過多，特別容易出現(xiàn)參數(shù)累計相乘后出現(xiàn)數(shù)值膨脹或萎縮的情況，導(dǎo)致數(shù)值不穩(wěn)定，出現(xiàn)所謂的“梯度爆炸”與“梯度消失”的情況，即當(dāng)神經(jīng)網(wǎng)絡(luò)很深時，梯度呈指數(shù)級增長，不穩(wěn)定的數(shù)值造成模型失當(dāng)。梯度爆炸和梯度消失的問題在循環(huán)神經(jīng)網(wǎng)絡(luò)中最為常見。

針對上述兩個問題，引入長短記憶神經(jīng)網(wǎng)絡(luò)（LSTM）予以解決(13)Greff,Klaus,Srivastava,Rupesh Kumar,Koutník,Jan,etc,“LSTM:A Search Space Odyssey”，NewYork :IEEE Transactions on Neural Networks&Learning Systems,vol.28(10)，2015,pp.2222-2232.。該網(wǎng)絡(luò)在1997 年被學(xué)者Hochreiter和Schmidhuber 引入，用于解決具有長依賴特性的時序數(shù)據(jù)建模。通過LSTM 可以對于有效的信息進行保留。從而解決對于模型輸出預(yù)測的長依賴問題。如果將預(yù)測結(jié)果的誤差求均值后作為偏差量，能夠得出結(jié)果如圖3。

圖3 損失函數(shù)在模型訓(xùn)練過程中的變化：LSTM 模型

在LSTM 模型中，損失越小代表性能越好。從圖上可以看出，經(jīng)過幾次調(diào)整，模型已經(jīng)逐漸收斂，誤差值非常小。通過前期的參數(shù)調(diào)整與數(shù)據(jù)工程，這一模型在該數(shù)據(jù)集上可達到平均90%以上的準確率（Preci?sion）和召回率（Recall），據(jù)此可以使用這個模型去進一步預(yù)測新聞內(nèi)容生產(chǎn)量及生產(chǎn)效能。

四、新聞內(nèi)容生產(chǎn)的最優(yōu)效能

根據(jù)此前得出的模型，本節(jié)將解決這樣一個問題——“在假定人力不變的前提下，制定多少新聞內(nèi)容生產(chǎn)數(shù)量時，效能是最優(yōu)的”。

由于單日的新聞內(nèi)容產(chǎn)量具有較大隨機性，容易受到突發(fā)事件和各種偶然因素的干擾，因此在模型中把時間軸放寬至以月度為單位，依據(jù)上一節(jié)計算所得的模型，計算在未來一段時間內(nèi)單月的新聞產(chǎn)量如何達到最優(yōu)效能。

首先，在假定工作總?cè)藬?shù)不變的前提下，根據(jù)模型預(yù)測出該媒體后281 天的內(nèi)容生產(chǎn)產(chǎn)出數(shù)量，作為輸入值，并以真實的281 天數(shù)據(jù)作為輸出值，在模型中擬合出預(yù)期產(chǎn)出與真實產(chǎn)出之間的關(guān)系，并對這一擬合結(jié)果進行觀測和分析。這一擬合的實際意義在于：如果將預(yù)期產(chǎn)出理解為該媒體的管理者給新聞工作者下達的工作任務(wù)，那么根據(jù)預(yù)期產(chǎn)出對真實產(chǎn)出的影響就可以真切地觀測出，在人力不變的情況下，新聞內(nèi)容生產(chǎn)將在何時出現(xiàn)變化節(jié)點，又將在何時達到最優(yōu)化的生產(chǎn)效能。因此，這一結(jié)果將有助于衡量真實的新聞工作，為媒體管理者在融媒體變化大勢下更科學(xué)準確地下達新聞生產(chǎn)任務(wù)提供重要的參考。

其次，在融合媒體背景下，全媒體記者成為必需，一則新聞內(nèi)容通常會由單人進行采寫，隨后以文字、圖片或音視頻等不同的方式單一發(fā)布或結(jié)合多種形式融合發(fā)布。不同新聞內(nèi)容所耗費時間不同，會導(dǎo)致新聞產(chǎn)出量的差異。根據(jù)該上海媒體的真實數(shù)據(jù)，文字稿件的生產(chǎn)周期為4.9~25.7 小時（平均時間15.3 小時），圖片稿件的生產(chǎn)周期為2.4~4.5 小時（平均3.45 小時），音視頻稿件的生產(chǎn)周期為14.3~48.9 小時（平均31.6小時）。在計算中，使用平均數(shù)對新聞產(chǎn)出總量進行量化。根據(jù)生產(chǎn)周期的平均時間計算，文字、圖片、音視頻的新聞生產(chǎn)時長比例約為30：7：63。音視頻新聞的生產(chǎn)時長是圖片新聞生產(chǎn)時長的7 倍。在假定人力不變的前提下，這三類新聞內(nèi)容的總量必然符合恒定的總工時所能出產(chǎn)的新聞產(chǎn)量，且三類內(nèi)容呈現(xiàn)此消彼長的關(guān)系。

第三，研究中使用的全部是真實數(shù)據(jù)，實際新聞內(nèi)容產(chǎn)量是由該媒體的126 名在職新聞工作者完成的，因此，預(yù)期新聞產(chǎn)量仍以126 人作為基礎(chǔ)量，并在輸入數(shù)值時折算為126 人的工作總時長。

基于以上三點，以預(yù)期生產(chǎn)時間作為橫坐標，以實際產(chǎn)出作為縱坐標，進行擬合操作，擬合結(jié)果如圖4所示。

圖4 期望發(fā)稿量與真實發(fā)稿量模型預(yù)測

擬合結(jié)果得到了四個坐標節(jié)點，分別是（20 160，20 160）、（42 012，47 106）、（60 480，28 130）和（37 599，46 023）。這四個節(jié)點標記了新聞內(nèi)容生產(chǎn)效能的變化。在（20 160，20 160）之前，新聞內(nèi)容的預(yù)期產(chǎn)出和實際產(chǎn)出呈45°直線。在（20160，20160）和（42012，47106）之間，新聞內(nèi)容的預(yù)期產(chǎn)出和實際產(chǎn)出呈上升拋物線，并在（42 012，47 106）這一坐標點上達到最高值。在（42 012，47 106）和（60 480，28 130）之間，新聞內(nèi)容的預(yù)期產(chǎn)出和實際產(chǎn)出呈下降拋物線，并在（60480，28130）之后，呈水平直線。在拋物線左側(cè)（37599，46023）坐標點之前，導(dǎo)數(shù)值低于1，在此點之后導(dǎo)數(shù)值高于1。也就是說，（，（37599，46023）是拋物線與水平坐標軸的夾角呈45°的分界線。

由此，基于總工時則能夠計算出三種不同形式的新聞內(nèi)容的生產(chǎn)量。由于總工時確定之下，三種不同形式的新聞內(nèi)容產(chǎn)量是互相約束、此消彼長的，便可以描繪出三種稿件的生產(chǎn)占用時間的比例隨不同工作期望下的不同結(jié)果，如圖5 所示。

圖5 各類稿件占比隨月總工時的變化

根據(jù)圖5，隨著月度總工時的上升，文字類新聞的比例逐漸增加，音視頻類新聞的比例則呈現(xiàn)逐步減少的趨勢，圖片類新聞基本保持恒定。

五、結(jié)論及不足之處

通過使用上海某媒體600 天新聞生產(chǎn)的真實數(shù)據(jù)，長短記憶神經(jīng)網(wǎng)絡(luò)（LSTM）模型計算后得到了對后續(xù)281 天新聞生產(chǎn)預(yù)期數(shù)據(jù)的推演，并與真實的281 天相比對，得到了期望發(fā)稿量與真實發(fā)稿量模型的預(yù)測結(jié)果。根據(jù)這一結(jié)果，可以得出以下結(jié)論：

（1）坐標點（20 160，20 160）約為126 名在職新聞工作者每天工作8 小時，每月工作20 天的總工作時長，與法定工作時間基本吻合。也就是說，在不需加班的情況下，真實新聞產(chǎn)量與預(yù)期呈現(xiàn)線性對應(yīng)關(guān)系，所有預(yù)期的新聞產(chǎn)量都能夠被如期完成。而坐標點（60 480，28 130）為126 名在職新聞工作者每人每天工作16 小時，每月工作30 天，這一工作時長形成了超平面，是新聞生產(chǎn)者的工作負荷極限。當(dāng)預(yù)期新聞產(chǎn)量所需的工作時長超過這一負荷極限后，無論再怎么增加預(yù)期，都不能帶來新聞?wù)鎸嵁a(chǎn)量的增長。這兩個坐標點成為了工作時長的下限和上限。

（2）根據(jù)擬合結(jié)果，最優(yōu)的預(yù)期新聞產(chǎn)量就是在預(yù)期總工時達到42 012 小時，即126 名在職新聞工作者大約每月工作時長約333 小時的時候，實際新聞產(chǎn)量可達到47 106 小時的效果，這一新聞產(chǎn)量也是實際內(nèi)容生產(chǎn)總量的峰值。

（3）在（42 012，47 106）節(jié)點左側(cè)，拋物線呈上升狀態(tài)，表明提高預(yù)期對于新聞效能有正向的促進作用。而當(dāng)超過（42 012，47 106）這一節(jié)點，拋物線呈下降狀態(tài)，表明繼續(xù)提高預(yù)期對于新聞工作者有負向的促進作用，真實新聞產(chǎn)量隨著預(yù)期目標的上升而緩慢增長。

（4）在拋物線左側(cè)，（，（37 599，46 023）坐標點之前的導(dǎo)數(shù)值高于1，在此點之后導(dǎo)數(shù)值低于1。這意味著，在（37 599,46 023）點之前，增加預(yù)期對新聞工作者的激勵作用比45°對角線的效率更高。這一節(jié)點，即126名在職新聞工作者大約每月工作時長約298 小時的時候，實際新聞產(chǎn)量可達到42 012 小時的效果。而在（37 599,46 023）至（42 012，47 106）這個區(qū)間內(nèi)，即使真實發(fā)稿量仍能夠隨著期望發(fā)稿量呈現(xiàn)正向增長，但是其增益速度已經(jīng)低于期望的增長速度。也就是說，如果在這一區(qū)間內(nèi)再繼續(xù)給新聞工作者加壓，他們雖然還能根據(jù)預(yù)期目標增加新聞產(chǎn)量，但是已經(jīng)顯示出力有不逮，難以繼續(xù)。

綜上，這一模型的擬合結(jié)論提供了一個全新的視角：按照既有的真實數(shù)據(jù)計算，126 名新聞工作者在法定工作時間內(nèi)能夠完成所有預(yù)期任務(wù)，且呈現(xiàn)出工作量不飽和、積極性未被充分調(diào)動激發(fā)的狀況。在達到法定的工作時長并繼續(xù)調(diào)高預(yù)期目標后，擬合曲線呈現(xiàn)拋物線上升，這證明了適度的工作壓力反而能夠更加充分地調(diào)動和激發(fā)新聞工作者的工作積極性，達到更高的效能。然而，這種超出預(yù)期的實際工作量增長并不能長時間持續(xù)，拋物線增長漸趨平緩，在到達（37 599，46 023）坐標點時角度小于45°，這表明新聞工作者在持續(xù)增加的預(yù)期目標壓力之下無法保持足夠的工作積極性，真實新聞產(chǎn)量逐漸放緩。進而，拋物線在到達頂峰后進一步下降。這是由于新聞業(yè)是一個創(chuàng)造性的工作，過高的預(yù)期產(chǎn)量會造成新聞工作者的過度焦慮、體力不濟等，反而會傷害新聞效能。最終，當(dāng)工作壓力超出新聞工作者的能力，形成超平面，屆時預(yù)期新聞產(chǎn)量對于實際不起作用。

因此，根據(jù)擬合結(jié)果，管理者日常的最優(yōu)預(yù)期效能目標可以制定在拋物線起點至45°角的坐標點之間，即工作時長在每月20 160 小時到37 599 小時之間。當(dāng)遇到重大新聞或者重要突發(fā)事件時，可短暫將最優(yōu)效能目標調(diào)高至拋物線45°角至頂點之間，即工作時長在每月37 599 小時和每月42 012 小時之間，但總工時42 012 小時是總工作量的極限峰值。

根據(jù)圖5 即各類稿件占比隨月總工時的變化圖可以觀察出，當(dāng)工作時間的預(yù)期要求較短時，新聞生產(chǎn)者一般會保持一個合理的生產(chǎn)數(shù)量，三類新聞產(chǎn)出的比例比較均衡。而當(dāng)預(yù)期任務(wù)要求過高時，生產(chǎn)者會為了追求更多的新聞產(chǎn)量，刻意選擇生產(chǎn)周期更短的新聞類型，即生產(chǎn)更多的文字稿件和圖片稿件，而減少視頻類稿件的產(chǎn)出，這從新聞內(nèi)容生產(chǎn)上講是一種不健康的規(guī)劃方式。因此管理者應(yīng)當(dāng)制定適中的工作計劃，以期達到合理的生產(chǎn)比例。

本研究主要做出了兩個貢獻：首先，提出將媒體的生產(chǎn)特征量化的方式并使用真實數(shù)據(jù)進行建模。在量化的過程中同時考慮了某媒體的基本屬性和時序?qū)傩?，基于此，做出的模型可以預(yù)測每日的發(fā)稿數(shù)量。本文使用的方法可以對更為復(fù)雜場景下的異構(gòu)數(shù)據(jù)生產(chǎn)進行預(yù)測，在基于更大的數(shù)據(jù)量與更多維的數(shù)據(jù)描述下，可以得到更為精準的模型。其次，根據(jù)模型擬合了預(yù)期投入與真實產(chǎn)出之間的關(guān)系，因此可以更為科學(xué)和準確地制定出新聞內(nèi)容生產(chǎn)量的預(yù)期目標。如果在相應(yīng)數(shù)據(jù)支持下，這一模型可以應(yīng)用于類似于新聞生產(chǎn)的知識性生產(chǎn)環(huán)境，如著作、文章等，針對具體情況，給出期望情況下能獲得最高產(chǎn)出的產(chǎn)量預(yù)期。

本研究還存在以下幾點改進空間：

（1）在應(yīng)用循環(huán)神經(jīng)網(wǎng)絡(luò)進行產(chǎn)出預(yù)測時，需要提取更多的特征，來更加多維地建模描述一個媒體的生產(chǎn)能力。（2）目前的模型可以相對較準確地對單個新聞機構(gòu)或知識生產(chǎn)型單位進行效能評估，但無法在更大的范圍內(nèi)使用。未來可以對內(nèi)容產(chǎn)出進行更加細化的分類，進一步精準測算各類產(chǎn)出之間的約束關(guān)系（相關(guān)系數(shù)），如規(guī)制、外界影響等，以期得到更好的預(yù)測結(jié)果。（3）目前的新聞生產(chǎn)效能模型主要基于“人力—產(chǎn)出”這一邏輯，而忽視了近年來越來越多的機器人寫作或其他智能化新聞生產(chǎn)方式，且新聞產(chǎn)出仍以傳統(tǒng)的文字、圖片、音視頻類作品為主。當(dāng)新聞生產(chǎn)環(huán)境隨著科技發(fā)展而發(fā)生變化，或當(dāng)AR、VR等實驗性新聞產(chǎn)品的比例增加時，本模型無法對于屆時的新聞生產(chǎn)效能做出評估。