1、1012023年第1期 总第201期新闻大学JOURNALISM RESEARCH作者简介 卢林艳，南京大学新闻传播学院硕士研究生。李玉端，南京大学新闻传播学院硕士研究生。王成军（通讯作者），南京大学新闻传播学院副教授。基金项目 国家社科基金一般项目“数字媒体时代中国故事和中国声音的计算叙事研究”（22BXW032）、南京大学新时代 文科卓越研究计划中长期研究专项（14914211）阶段性成果。【摘 要】人工智能对媒体行业未来就业的挑战是确有其事还是杞人忧天？基于未来就业研究视角，本研究建立机器学习模型并发现：（1）内容生产类媒体行业处于中低风险区间，覆盖17%的媒体从业者；（2）内容生产类媒
2、体行业以认知型技能为主，现阶段侧重写作、理解与表达沟通，未来技能更加偏向决策、服务、咨询；（3）计算机化水平、教育和职业类型显著影响媒体行业的收入。本研究厘清了媒体行业对于未来就业的困扰：媒体行业短期内不会被自动化所替代，但是在中期（广播、广电、广告）和长期（主编、记者、评论员）存在较强的被替代的风险。【关键词】媒体行业；未来就业；替代性风险；人工智能【中图分类号】G21；C32 【文献标识码】A人工智能对媒体行业技能与未来就业的影响基于机器学习和网络分析的方法卢林艳李玉端王成军（南京大学 新闻传播学院，江苏 南京 210093）一、引言人工智能等技术已经开始进入媒体行业，并在劳动力市场上发挥
3、替代性效应。随着媒体数字化转型，以人工智能为代表的新技术正改变着媒体行业格局和职业生态。媒体行业收入下降、记者离职、新闻机构裁员等现象不断出现。从业者对于未来就业的担忧似乎成为制约媒体行业发展的重要问题。人工智能对媒体行业未来就业的挑战是确有其事还是杞人忧天？本文试图探讨内容生产类媒体行业未来被人工智能替代的风险，以及从业者应该掌握哪些技能才能适应未来就业。新媒体研究DOI:10.20050/ki.xwdx.2023.01.009102随着计算能力的增长，围绕任务内容来组织的工作正面临人工智能等自动化技术的挑战（Rottwilm，2014）。智能技术已渗透到媒体日常生产的各环节，包括线索发现、
4、内容采集与筛选、内容聚合以及数据可视化（Wu et al.，2019a），尤其是内容生产环节。自然语言生成技术可将结构化数据自动转换为新闻报道，已在体育和金融领域得到应用（Lewis et al.，2019）。媒体行业困境集中体现为职业被替代的风险。如果说数字化导致了过去和现在的媒体行业危机，那么人工智能等技术的发展则加剧了媒体行业对于未来就业的担忧。传统观点认为人类记者具有机器无可比拟的优越性：机器只会模板化写作，缺乏深度和趣味性（Wu et al.，2019b）。然而，人类的优势逐渐消失。人工智能等技术能够以低价提供差不多够用的功能（Capps，2009）。自动化新闻写作逐渐变得可行（Gr
5、aefe et al.，2018）。研究发现，读者无法区分自动化和人工写作的新闻（Clerwall，2014），甚至有人更喜欢机器写作的新闻（Jung et al.，2017）。一方面，关于媒体行业的未来出路，研究者尚未达成一致意见。部分研究者将人工智能看作工具，主张人机合作（黄楚新、许可，2021；郭京、高洪波，2021）。人工智能技术把新闻工作者从耗时且高度程序化的任务中解放出来，从而节省出时间用于分析和调查（Milosavljevi&Vobi，2019）；但也有研究者将人工智能视为威胁，并对自身生存状况感到无力（陈敏、张晓纯，2016）。自动化新闻写作的过程基本上无需人工干预，降低了成本
6、，并因此替代掉一批人类从事的工作岗位（Carlson，2015；Hammond，2017）。喻国明（2018）认为人工智能必然会抢走一部分媒体人的饭碗。另一方面，技术和社会的变化促使从业者重新思考媒体行业及其核心技能（Lowrey，2006；Carlson，2015）。目前，关于人工智能如何影响媒体行业的文献不断增加（Calvo-Rubio&Ufarte-Ruiz，2021；周葆华、苗榕，2021)。但是，现有研究集中在新闻编辑室使用的新技术、机器和新闻工作者的互动、自动化对新闻行业的影响等方面，主要使用行动者网络理论作为分析框架（Lewis&Westlund，2015；Boyles&Meis
7、inger，2020），侧重于描述性分析和访谈的方法（Calvo-Rubio&Ufarte-Ruiz，2021）。关于人工智能将会如何影响媒体从业者的核心技能以及未来就业的研究仍然较为缺乏（Boyles&Meisinger，2020)。本研究发现内容生产类媒体行业在初期被人工智能取代的概率较低，但是在中长期存在被替代风险。从Frey和Osborne（2016）的未来就业研究出发，本研究分析了媒体行业（尤其是内容生产类媒体行业）的未来就业，具体包括：1.职业的计算机化水平（computerisation）；2.从业者的核心技能；3.学习哪些技能可以应对风险。根据Frey和Osborne的定义，计
8、算机化即通过计算机控制的设备实现工作自动化（Frey&Osborne，2016）。因此，计算机化本质上仍然是一种自动化。自动化分为传统的自动化和人工智能驱动的自动化。传统的自动化主要依赖明确的规则来替代常规性任务，而103人工智能驱动的自动化主要依赖模式识别等算法来替代非常规的认知性任务。过去几十年中，传统的自动化一直在取代人类的常规性工作；现在，一些非常规性任务也开始被人工智能所驱动的自动化所取代。机器可以完成非常规任务造成了人类对于人工智能技术的恐惧。二、理论框架与研究问题随着数字技术的飞速发展，人工智能在20世纪90年代之后迎来了新的发展高峰（Autor，2015）。现阶段人工智能技术已
9、从认知世界进入到解决问题和完成工作的阶段（Dwivedi et al.，2021）。以神经网络和深度学习为代表的技术取得了突破性进展，推动了认知任务自动化算法的迭代升级。除了劳动密集型的生产领域，机器人已走进需要精细化工作的场合。例如，在卫生保健领域，机器人凭借对医学报告和诊断记录的学习为患者制定癌症治疗方案（Benton&Emilia，2011）；在法律服务领域，机器人通过对法律知识的学习辅助律师完成庭审工作（Markoff，2011）；在金融安全领域，机器人通过对股市交易数据的学习识别金融欺诈行为（Phua et al.，2010）。本文所采用的理论主要是任务内容（task content
10、）模型。根据Autor（2003）等人的理论，可以从任务类别的角度理解工作。工作中的任务可以分为认知任务和手工任务、常规任务和非常规任务。其中，常规任务有明确的规则，因而可以通过机器来完成；非常规任务通常无法清晰地描述，因而不容易使用计算机编写代码来自动化。随着技术的发展，过去的非常规任务（例如语音识别、自动化写作）现在已经可以被自动化实现。2016年，Frey和Osborne开创了未来就业研究的框架。Frey和Osborne（2016）认为随着认知类算法的进步，机器人替代人类工作的范围在不断扩大。他们利用美国劳工部职业信息数据，提取了九个关键特征来表示机器学习的三类任务瓶颈。这三类任务瓶颈分
11、别是感知操作任务（perception&manipulation）、创造智能任务（creativity）、社交智能任务（social intelligence）。感知和操作任务不局限于简单的组装和拼接，还包括复杂任务的感知和操作；创造智能任务需要提出新颖、有价值想法的能力（Boden，2004），依赖多元知识的综合调用；社交智能任务则依赖于人与人之间的联系和互动（Frey&Osborne，2016）。Bakhshi等人（2015）发现创造类任务与计算机化水平成反比，支持了Frey和Osborne关于三类任务瓶颈的假设。在测量方式方面，Frey和Osborne（2016）开创性地使用了机器学习的
12、方法预测职业的计算机化水平；在研究发现方面，Frey和Osborne（2016）发现在未来10到20年，将近一半（47%）的工作会被机器所替代。使用同样的方法，研究者发现芬兰、德国、挪威、日本等国家的职业在不同程度上均存在被机器人替代的风险（Pajarinen&Rouvinen，1042014；Edmonds&Bradley，2015；David，2017）。一方面，媒体行业的工作往往涉及大量的认知、非常规和人际传播的任务，从逻辑上讲相对安全，不太容易被机器所取代（Linden，2017）。另一方面，数字时代，以人工智能为代表的颠覆性、替代性技术不断涌现，势必会带来新的就业形态（张成刚，201
13、9）。媒体行业一直是由技术塑造的（Pavlik，2000），其工作会受到技术冲击的影响。20世纪初，自动化技术就开始涌入新闻编辑室（Carlson，2015），改变了新闻行业的工作形式和组织结构（Boyles&Meisinger，2020）。在数字媒体时代，新闻生产的主体泛化、边界模糊，呈现出一个“液态”的新闻业（陆晔、周睿鸣，2016）。技术进步极大地改变了媒体工作，这种改变既包括新闻工作的过程和性质，也包括新闻从业者的专业地位和自主权（Nilsson，2005；Gade&Raviola，2009）。喻国明（2018）认为未来传媒业的面貌将被人工智能技术改变。技术进步速度之快，未来媒体行业充
14、满了各种不确定性，从业者的恐慌感随之显现。基于未来就业研究的分析框架，本文提出以下研究问题：问题1：在人工智能时代，媒体相关行业的计算机化（即被机器替代）程度如何？人工智能时代的技术进步将会变革各行各业的核心技能和竞争力。职业是一系列技能的总和，技能帮助职业构建管辖权和边界感。在传统媒体时代，采访和写作是媒体人最核心的职业技能（Willnat，2013）。在新媒体时代，多媒体技能已经成为新闻能力的重要组成部分（Deuze，2013），从业者除了具备采访、调查、编辑等传统技能，还必须学习新媒体技术，掌握写稿、摄影摄像、出镜报道等复合技能（熊国荣、李贤秀，2016）。来自机器的竞争迫使从业者必须专
15、注于只有人类才能完成的任务。例如，创造力、分析能力和独特性显得至关重要（Van Dalen，2012）。从未来就业研究的角度分析媒体行业的核心技能成为一个关键问题。基于以上分析，提出以下问题：问题2：在人工智能时代，媒体行业从业者的核心技能或者说竞争力是什么？面对人工智能等新技术的发展，从业者除了掌握专业所需核心技能外，还应拓展新技能，提高应对风险的能力（Spyridou&Veglis,2016）。第一，理解和呈现数据的能力；第二，运用社交媒体进行新闻编辑的能力；第三，团队协作能力、挑战新鲜事物和积累经验的能力（腾讯研究院,2017）。未来媒体工作者需要通过广泛阅读来开阔知识视野、改善知识结构
16、（熊国荣，李贤秀，2016）。Anderson等学者（2015）强调媒体专业人员需要具备一系列软技能和硬技能。除了未来技能之外，另一关注点在于技能的迁移路线。Alabdulkareem等学者（2018）构建了技能网络，通过劳动者这一桥梁将技能和职业联系起来，根据技能在不同职业间的共同重要性来建立技能之间的关系。他们在研究中借助显示性比较优势指数计算了每一职业中各种技能的相对重要性水平，然后将技能两两组合，计算技能的互补性水平。研究发现存在认知类技能和操作类技能两大集群。进一步，他们利用接近性105（proximity）计算公式预测职业的未来技能。如果技能呈现出不同的集群，那么职业的流动和转换势必会受到影响。基于此，本文将聚焦于未来技能和技能迁移路径这两个方面，并提出以下研究问题：问题3：在人工智能时代媒体行业的未来技能和技能迁移路径是怎样的？三、研究方法本文基于Frey和Osborne（2016）所开创的未来就业研究框架，一方面从任务模型的角度出发，利用机器学习模型预测媒体职业被机器取代的风险，另一方面从技能这一更微观的因素着手，利用网络分析的方法探讨职业技能的分布和流动。1（一）数据