摘要：许小可，北京师范大学新闻传播学院/计算传播学研究中心教授。主要从事网络科学与传播学相结合的研究工作。先后主持4项国家自然科学基金、腾讯犀牛鸟科研基金等项目，已在Science、Nature Human Behaviors、PNAS、Nature Communi

本团队培养地点为北京师范大学珠海校区，培养实体为北京师范大学计算传播学研究中心。欢迎计算机、人工智能、数据科学、新闻传播学等相关学科背景同学的加入！

一 导师介绍

Supervisor Introduction

许小可教授

许小可，北京师范大学新闻传播学院/计算传播学研究中心教授。 主要从事网络科学与传播学相结合的研究工作。先后主持4项国家自然科学基金、腾讯犀牛鸟科研基金等项目，已在Science、Nature Human Behaviors、PNAS、Nature Communications等知名期刊发表学术论文百余篇。先后出版《社交网络上的计算传播学》、《计算传播学导论》等教材，个人学术专著《网络零模型构造及应用》获国家科学技术学术著作出版基金资助。担任中国中文信息学会社会媒体处理专业委员会常务委员、中国工业与应用数学学会复杂网络专业委员会委员、中国人工智能学会社会计算与社会智能专委会委员。

二 主攻方向

Main Research Direction

01 新型网络水军的个体与群体

双尺度联合检测

社交机器人赋能的新型网络水军对国家安全构成严重威胁。为应对社交机器人在互联网社交媒体中的隐蔽性和危害性，我们构建了一套基于数据、方法和理论三位一体的创新研究框架。在数据层面，我们针对现有数据集存在的单一平台、规模小以及特征随时间漂移等缺陷，构建了多平台、大规模、动态演化的高质量数据集，为检测算法研究提供了坚实的数据基础。在方法层面，提出了基于异质图元表征理论的社交机器人个体精准检测方法，并研发了融合低阶和高阶传播行为的社区发现算法，以检测社交机器人群体，并描绘其从隐蔽潜伏到协同爆发的多阶段行为演化模式。在理论层面，我们构建了社交关系-传播行为双层耦合网络分析新框架，将社交关系网络与传播行为网络相结合，提出了个体与群体社交机器人的双尺度联合检测这一新型科学问题，进一步完善和丰富了网络结构预测问题的理论体系。

相关基金课题： 基于个体图元表征与群体社区发现的社交机器人双尺度检测研究，国自然面上（主持）；跨平台网络建模、结构预测和动态群体演化调控，国自然面上（参与）

02 面向突发事件与虚假信息治理

的人机协同智能化内容生产

随着大语言模型驱动信息传播机制的转变，网上舆论经历了从“传统宣传”到“计算宣传”再到“智能宣传”的范式革新。在社交媒体上，舆情不再是最重要的，认知才是关键因素。虚假信息、社交机器人、推荐算法等一系列智能手段开始尝试操纵甚至控制人们的认知行为。同时，人工智能和大模型技术的发展也为用户认知与行为分析开创了新局面，有助于识别影响受众认知的关键因素。本研究方向梳理了社交媒体中认知操纵的理论、策略与案例。一方面，我们总结了该领域的最新进展，揭示社交机器人宣传如何影响我们的思想和行为；另一方面，我们尝试提出多种有效的应对策略，帮助人们形成面对各类宣传的正确态度，遏制网上诈骗、虚假信息传播、观点茧房等不良传播现象。首先，我们构建了多种社交媒体的案例文本库、评论库、策略库和标签库，然后通过人机协作模式生成针对性的辟谣内容或反诈宣传材料。最后，通过交互式序列设计强化内容的可信度和认知传播效果。通过将认知传播策略与人工智能技术深度融合，我们构建了高质量的内容创作与精准的分发体系，以应对突发事件舆情和虚假信息诈骗的挑战。

相关基金课题： 人工智能背景下网络虚假信息溯源及治理研究，网信办专家委研究课题（主持）

03 人机传播网络新生态中的

理论重构与传播效果评估

人机传播网络代表了智能传播时代传播生态系统的根本性变革。在智能传播时代，社交媒体不再是纯粹的人类社会网络，而是一个人机混合、共同演化的复杂系统。理解和研究人机传播网络对于把握未来信息社会的走向、维护数字公共领域的健康、以及应对其带来的巨大挑战至关重要。这也是计算机科学、传播学、社会学、心理学、伦理学和法学必须共同面对的核心议题。在理论层面，重点研究AI作为传播主体的理论重构。当AI成为信息的发送者、中介者和接收者时，传播模型会发生哪些根本性变化。在实践层面，关注人机协同的传播效果评估与优化。研究信息由AI生成、发布、推荐时，其说服效果、情感冲击力和记忆度与人类生成的信息有何不同；研究“AI信源”特性（如无偏见、全知、不知疲倦）如何影响信息的可信度和说服效果。该研究是应对虚假信息、算法操纵和伦理风险的科学基础，为构建负责任的AI治理体系、培育公众新型数字素养提供关键依据。同时，它能指导设计更高效、自然的人机协同模式，赋能教育、医疗、商业等关键领域的发展。

来源：小夭看天下