这篇文档属于类型a，即报告了一项原创性研究的科学论文。以下是针对该研究的学术报告：

学术研究报告：社交媒体上关于人工智能与未来工作的框架分析与情感研究

第一作者与研究机构
本研究由Yildiz Technical University（土耳其伊斯坦布尔）的Ayse Ocal与Syracuse University School of Information Studies（美国纽约）的Kevin Crowston合作完成，发表于2024年的期刊*Information Technology & People*（卷37第7期）。

学术背景

研究领域为信息科学与技术（Information Technology, IT）与社会计算的交叉领域，聚焦人工智能（Artificial Intelligence, AI）对工作未来的社会认知影响。研究背景基于以下关键问题：
1. 研究动机：传统媒体对AI的框架分析已有较多研究（如Fast & Horvitz, 2017），但社交媒体上公众如何框架化（framing）AI与未来工作的讨论尚未深入探索。
2. 理论框架：研究采用框架理论（Framing Theory）（Entman, 1993），分析公众在社交媒体的讨论中如何通过语言选择构建对AI的认知（即“框架化”）。
3. 研究目标：揭示公众对AI技术的社会影响、任务替代（substitution）与增强（augmentation）、失业风险等议题的解读，并关联其情感态度。

研究流程与方法

研究分为四个核心步骤：

1. 数据采集与清洗
- 研究平台：选择Reddit作为数据源，因其匿名性和开放性适合分析真实公众意见。
- 样本选择：从15个与AI、未来学、技术相关的子论坛（subreddit）中爬取998条原创帖标题及16,611条评论（时间跨度：2013–2022年）。
- 数据清洗：剔除删除内容、非文本链接及重复条目。

2. 框架识别（Frame Identification）
- 计算方法：采用BERTopic模型（一种基于Transformer的聚类算法）对文本进行无监督主题建模，生成36个初始聚类。
- 人工验证：三名研究者（含两名硕士生）通过“近距离阅读”（close reading）将聚类归类为框架。例如：
- “新工作世界”框架包含三个子框架：
- *社会普遍影响*（如财富分配、新行业创造）
- *任务接管*（自动化与增强）
- 失业风险
- 有效性检验：人工标注125条随机样本与模型结果的Kappa系数达0.84，表明模型分类可靠。

3. 情感与态度分析
- 情感分类：使用基于GoEmotions数据集的BERT情感分类模型，识别27类情绪（如好奇、恐惧、赞同）及正/负面态度。
- 验证：人工标注150条样本的模型准确率达91%。

4. 定性分析
- 近距离阅读：随机选取200条评论，人工标注关键词（如“augment”“bias”），归纳主题与情感关联。

主要结果

1. 框架分布

   • 主导框架：“新工作世界”占比最高，其中：
     
     • *社会影响*子框架的负面态度占比40%，公众关注AI可能加剧财富不平等，但也认可其创造新岗位的潜力（如“数字营销”）。
       
     • *任务接管*子框架中，43%为负面，但“增强”（如AI辅助医疗诊断）更受乐观看待。
       
     • *失业风险*子框架负面态度仅46%，部分用户认为技能提升可缓解失业（如“学习计算机科学的银行职员更安全”）。
       

2. 情感模式

   • 主导情绪：好奇心（32%）与赞同（29%）为主，恐惧仅占7%。
     
   • 态度倾向：整体略偏正面（58% vs 42%负面），反映公众对AI持谨慎乐观态度。
     

3. 理论验证

   • 公众框架与专家预测（如Frey & Osborne, 2017）高度一致，但社交媒体用户更强调政策需求（如财富再分配、AI伦理法规）。
     

结论与价值

1. 学术贡献：

   • 首次将框架理论应用于社交媒体中AI与未来工作的讨论，填补传统媒体研究的空白。
     
   • 提出“人机协作”框架的公众接受度高于“完全替代”，为企业设计AI产品提供方向。
     

2. 应用意义：

   • 政策制定：需关注公众对失业与财富分配的担忧，推动技能培训与基本收入（UBI）政策。
     
   • 企业实践：广告中强调AI的“增强”属性（如Vorobeva et al., 2023的实验结论）可提升用户接受度。
     

研究亮点

1. 方法创新：结合BERTopic自动化分析与人工解读，平衡规模与深度。
   
2. 跨学科性：融合计算社会科学（Computational Social Science）与框架理论。
   
3. 数据特殊性：揭示年轻、技术熟练的Reddit用户群体对AI的独特认知（如低恐惧率）。
   

其他价值

研究局限性包括样本 demographics 偏差（Reddit用户以年轻男性为主），未来建议结合Twitter等平台扩大多样性。此外，个人经历对框架的影响（如Yacoub, 2012）可作为后续研究方向。