作者：
田丽（北京大学新媒体研究院长聘副教授，北京大学互联网发展研究中心主任，本刊学术顾问）；陈馨婕、汪子翔（北京大学新媒体研究院博士研究生）来源：
《青年记者》2024年第5期 导 读
随着直播、短视频、微短剧等视觉传播的兴起，视觉说服无论在应用传播还是传播理论研究方面都更具价值，计算机视觉的发展为视觉说服研究提供了更多的便利。
一、引言
人类正在回归“视觉”时代，图片、视频等视觉信息成为社会交流和信息传播的主要形式。截至2023年12月，中国网络视频用户规模为10.67亿人，较2022年12月增长3613万人，占网民整体的 97.7%[1]；截至2024年1月，美国是TikTok受众最多的国家，拥有近1.5亿用户；YouTube Shorts2021年推出后，到2023年活跃用户达到20亿[2]。视觉说服作为一种强而有效的沟通策略，其有效性依赖于对人类认知和社会行为的深刻理解。自2022年底以来，人工智能生成图像以及人工智能生成视频迅速发展，将对人们的生产生活方式与决策行为产生重大影响。2023年Apple Vision Pro眼镜的面世，预示着现实世界可视化数字内容的空间计算时代并非遥远。传统的视觉说服理论面临着新的挑战和机遇，急需理论体系的更新和范式转型。社会计算为视觉说服提供了新的理论视野和分析工具，使得研究者能够从数据驱动的角度探索说服过程的动态性和复杂性。在这一背景下，社会计算视角下的视觉说服研究显得尤为重要，它不仅关注可视化本身的技术特征，还深入探讨了可视化在社会传播中的影响力和意图；它不仅关系到个体和群体决策的过程，还影响政治选举、公共政策、商业广告、健康传播等多领域。
探索面向视觉时代的说服理论与方法的创新是本文的研究宗旨，计算机视觉（Computer Vision）的发展为视觉说服研究提供了新的机遇。本文通过回溯视觉说服的传统理论为视觉说服的社会计算提供理论路径，在此基础上通过社会计算开辟视觉说服的新方法和新工具，讨论理论与范式的转型如何影响未来的研究方向和实践应用。本研究通过对视觉说服的社会计算理论体系及其范式转型的深入分析，以期为学术界和实践界提供新的理论洞见和研究路径，推动视觉说服研究的进一步发展。
二、视觉说服研究的兴起与发展
中西方学术思想中都格外观照“说服”。西方说服理论由古希腊时期亚里士多德的古典说服理论奠基。亚里士多德把“说服”定义为意在影响听众选择的传播活动，是影响公众、实现公众态度强化或改变的传播过程。[3]先秦诸子的“名”“辩”“言”则构成了东方说服理论的基础。无论东方还是西方的说服理论，都主要关注语言的使用和逻辑论证，从口语或文字的角度论述说服的作用，修辞研究和内容分析等话语诠释方法为传统说服研究的主要研究方法。
（一）初露端倪：视觉元素引发关注
随着电影、电视等新媒体的出现，视觉元素在传播中的作用越来越突出，但是尚未进入说服学研究的视野。爱德华·伯尼斯在1928年的《宣传》中，系统地阐述宣传作为一种社会力量的概念，讨论如何通过媒体影响公众意见，并从符号的视角解释广告，还没有直接把视觉与宣传结合。而后，德国哲学家海德格尔在20世纪30年代提出“世界图像时代”的概念[4]，强调了视觉形象在现代社会中的中心地位。
（二）走向深入：心理学被引入视觉说服研究
20世纪中后期，心理学被引入传播学，其中认知心理学和社会心理学对视觉信息的深入分析，为说服研究开辟了新的思考角度，推动了该领域的深入发展。随着电视成为主要的传播媒介，研究开始关注媒介内容如何塑造受众的认知和态度。霍夫兰等在二十世纪五六十年代通过系列性的观看影片的实验，提出包括可信度、恐惧诉求和信息一致性等关键变量，对传播与说服过程产生了深远影响。20世纪70年代，班杜拉提出的社会认知理论强调了个体行为、环境和认知之间的相互作用，通过观看“充气娃娃”影片的实验，解释了媒介内容通过影响个体的认知过程来改变其态度和行为。尽管卡尔·霍夫兰和班杜拉的实验都把影片作为实验素材，但是并没有对影片中的视觉元素与说服效果做直接的检验分析，主要贡献还囿于内容和叙事方式对说服效果的影响。
（三）确立理论：视觉说服的提出
视觉文化的日益发展，促使了国内相关研究的兴起。自20世纪80年代起，这些研究主要聚焦于新闻摄影与艺术设计等应用领域，并与新闻传播学、艺术学、文化学等学科产生了密切的逻辑联系，共同推动了相关知识的生成与发展。[5]保罗·梅萨里受符号学、结构主义和语境主义的影响，在1996年的《视觉说服——形象在广告中的作用》中提出“视觉说服”，探讨了视觉说服的特征（形象性、标记性、结构的不确定性）和社会责任，指出图像在广告中的作用超越文字和音乐，视觉说服被视为一个重要的研究内容而被学界重视。[6]然而，梅萨里的理论框架较为片面，未有完整的理论体系，尽管他将媒体生产要素纳入视觉说服的分析中，但是广告的静态图像与电影、电视等动态图像并不相同，包含声音信息，这是由不同的视觉传播媒介产生的，在受众感知、社会认知、叙事结构上，各种视觉传播媒体（如电影、视频、全息图和计算机生成的图像）产生的图像大相径庭。梅萨里虽然成功地将视觉说服引入学术界的视野，但并未给予它一个恰当的定义，至今也未有准确定义。
不论是将视觉说服定义为“用图像作为说服的主体进行视觉传达的过程”[7]，或是“说服某人主要（但不完全）基于图像或视频采取特定行动的过程。这通常是远程完成的，发送消息的人和接收消息的人不会立即相互联系”[8]，又或是指“利用先进的图像和电影制作技术来达到效果”[9]，可以说，视觉说服是用静态或动态的可视化图像作为说服的主体，通过传者和受者不接触的远程传播，以达到说服的传播效果。学者们从不同角度分析视觉元素如何影响人们的认知和行为，探讨视觉说服的心理机制和社会效应，但是研究方法未有突破，仍以实验法、内容分析、问卷调查与深度访谈等研究方法为主，相关研究局限于传播学、心理学、社会学等学科的研究范式。
（四）数据驱动：视觉说服的社会计算
进入21世纪，数字技术和互联网的发展使得视觉说服研究开始转向网络环境。社会计算为理解视觉信息在社会网络中的传播提供了新的视角。社会计算的核心在于通过计算机技术和大数据分析来理解和改善社会行为和互动。这一概念首次出现于1994年，Schuler指出“社会计算可以是任何一种类型的计算应用，以软件作为社交关系的媒介或聚焦”[10]；Dryer等认为社会计算是科学和技术的理论概念：人、社会行为及系统交互使用计算技术来相互影响[11]；Charron等将社会计算定义为技术影响个体或社区, 而非机构的社会架构[12]；王飞跃从广义和狭义层面定义“社会计算”：广义上，社会计算是指面向社会科学的计算理论和方法；狭义上，社会计算是面向社会活动、社会过程、社会结构、社会组织及其作用和效应的计算理论和方法[13]。可见，社会计算“不仅是一种技术而且是一种社会现象”[14]，是将计算技术作为研究方法，解决复杂性社会问题的一种理论和方法论体系。
在自然学科与社会学科结合的社会计算理论体系视角下，视觉说服研究注入了量化方法，特别是深度学习在图像识别和自然语言处理中的应用，大大推动了视觉说服研究的科学发展。以Lazer等在2009年强调大数据和计算方法在社会科学研究中的应用[15]为开端，不少学者开始关注如何利用社会网络、计算模型和算法等技术来分析和模拟社会现象，包括视觉说服的传播和效果。同时，算法的不断迭代、发展使得学者能够处理和分析大规模的数据集，但多数研究停留在大量的文本数据分析[16]，如通过用户评论比较用户语义网络的相似性来测量参与者之间所达成共识的程度[17]。也有学者试图通过分析大量图像数据，揭示图像在传达情感、塑造公众形象和影响社会决策方面的潜在机制。如Jungseock Joo等通过计算机视觉技术分析政治人物图像中的说服性意图，如“社会支配”“充满活力”和“值得信赖”等维度，并建立了一个层次模型来预测图像中呈现的意图。[18] 面部识别技术[19]识别选举候选人的性格也成为政治传播中影响用户投票偏向的技术之一。
综上，在社会计算的背景下，视觉说服研究已超越传统心理学、传播学范畴，融入计算机视觉、模式识别和大数据分析等多学科计算技术。传统说服学关注沟通效果，研究影响说服效果的说服主体、形式、策略等，但是既往研究较重视文字和语言的说服策略，视觉说服相对滞后。随着电视成为主要的传播媒介，学界开始关注媒介内容如何塑造受众的认知和态度等个体反应，心理学的实验法为主要研究方法。而后，视觉文化发展，受到社会环境的影响，视觉说服被引入多学科视角，但仍受心理学、社会学等学科限制，研究方法并未创新。互联网社会与短视频等社交媒体平台的兴起，为视觉说服研究提供了研究土壤，社会计算丰富了视觉说服研究视角，也为研究方法的创新提供了可能。
三、视觉说服社会计算的理论特征
视觉说服在社会计算理论中不断演进，它从心理学和传播学的初步探索，发展到社会计算的系统分析，再到数据科学的深入融合，最终形成了一个多学科交叉、数据驱动的复杂研究领域，并呈现出以数据驱动的理论建构特征。
（一）视觉推理模型的建立
视觉说服的社会计算与传统的视觉传播、说服研究的不同，在于它强调的是不仅从图像中提取其表面视觉信息，更提取图像所隐含的深层次意图。这不仅在于静态的图片，更在于动态视频的识别，通过计算机技术提取图像特征分析用户情感特质、个性特征和整体好感度等，并结合社会、文化和心理等多个维度来解读图像的深层含义。这个提取过程包含了两个方面。一是以传播学、社会学等为背景的说服意图分类，如商业的说服意图与竞选的说服意图不同，说服意图应侧重于社会环境下的判断而非表面视觉特征，识别的是图像中的微妙线索和隐含的说服策略。因此，Jungseock Joo等认为需要结合句法属性（Syntactical Attributes）[20]对人物的面部特征、手势、环境进行划分。二是以人类学为基础的人物特征，在社会环境的判断后，人物特征成为视觉信息提取的最直观的元素，而图像识别技术更是基于人类特征识别研究发展，如社会地位[21]、面部表情[22][23]等。这意味着视觉说服的社会计算需要人为的编码与识别，但又不需要人工的搜集，前期技术的图像编码工作十分考验研究者的学术背景。目前，图像分类、目标检测、语义识别、图像分割、场景描述和图像生成、图文互换、图像恢复、三维重构等[24]计算模型均可用于相关研究中，视觉推理（Visual Reasoning）和场景理解（Scene Understanding）等也指引着社会计算的发展，学者们利用机器学习和深度学习等对视觉数据进行自动分析和模式识别，从而揭示图像的传播效果。
（二）视觉策略与说服效果的关联模型建立
新媒体时代，视觉说服的研究不再局限于海报、广告、电影和电视等视觉媒介。随着互联网社会的快速发展，图像和视频数据呈现爆炸性增长。社会计算与计算技术的结合，为学者们提供了强有力的研究工具。通过动态分析大规模数据，可以深入捕捉网络社交的复杂性。
第一，通过代码和算法进行图像的大数据采集，可以细分图像信息标签化要素，如基于主题、线条、颜色、构图等，以及瞳孔检测、注视点、眼球运动等视觉活动要素，进而分析图像之间的关系。
第二，搜集横向图像或视频数据，并利用数据挖掘技术处理数以百万计的图像和视频及其元数据，例如对发布时间、来源、观看次数、用户评论和分享次数等进行模式识别和趋势分析。这有助于揭示视觉说服策略的有效性和影响因素。
第三，通过动态追踪图像随时间的传播和演变，分析图像意图如何随着社会事件和用户互动而变化。这包括图像和视频的传播扩散速度和范围，有助于了解信息在网络中的流动和接收情况。这种动态分析不仅能够追踪和理解视觉内容在社交网络中的扩散方式，还能预测不同用户群体如何接收和处理这些信息，对研究影响说服过程的因素至关重要。
需要指出的是，社会计算的动态分析是对社会动态的反映，它不单单是指计算层面的准确，更重要的是对社会科学宏观视角的解读。即是说当拥有海量即时数据时，追求绝对的精准不再是主要目标，适当忽略微观层面上的精确度，可以增强社会科学在宏观层面的解释力和洞察力。
四、视觉说服社会计算的范式创新
数字革命带来了数字社会，改变了人们的行为方式和社交生活，影响了整个社会结构与运转机制，科学研究范式也迎来了新的发展。数字社会的基础是数据和计算，计算逐渐从技术和工具的边缘地位走向研究的中心。基于计算技术，视觉说服在社会计算视域下的研究范式与先前的研究有着巨大的不同。库恩认为范式（paradigm）包含研究方法、问题视域与解题标准。[25]因此，相比传统的视觉传播以及说服研究，视觉说服的社会计算研究范式的革新在于以下三个方面。
（一）“点式”小样本转向“面式”大样本
研究方法方面，早期的视觉说服研究方法以话语阐释方法和定性方法为主，尽管符号学理论、结构主义能够分析语言系统及意象表征，但用于图像分析仍较为薄弱。而后，心理学与社会学学者开始关注传播学领域下的视觉说服，使得研究方法多样化。除了话语阐释方法之外，不论是量化的社会实验、社会调查还是质化的文本分析、内容分析等，均开始应用于研究之中。此时，研究范围呈现“点式”特点，不论是质化还是量化研究均受限于小规模样本或特定个案研究，是因为传统的实证研究（量化与质化）尽管涵盖着可计算的数据，但受限于传统社交的地域空间局限及获取数据方法的缺失[26]，使得样本量无法进一步扩大。这不单是技术的限制，更是一种人为的主观性采样干涉。随着互联网和社交媒体的普及，视觉信息的传播速度和范围远超出传统研究的范畴，在“人人都是‘自媒体’”的时代内容生产的数据量是前所未有的，特别是在视觉内容方面，通过社会计算的计算技术能采集更多的数据及其相关的所有数据，而不再依赖于采样。“点式”采样的研究方法转向了“面式”尽可能穷尽的数据搜集，更加清晰地发现视觉说服隐含的细节信息，并以宏观的社会视角解释数据。正如Watts认为的，借助大数据和计算机分析技术，21世纪的社会科学可能实现定量化研究，从而成为一门真正的科学。[27]
（二）理论驱动的相关关系研究转向数据驱动的理论构建研究
问题视域方面，视觉说服的社会计算研究的问题较为集中，其问题更是集中在视觉产品传播策略[28]、视觉产品传播效应等方面，其研究视域从早期依赖于理论驱动的方法来构建假设和进行验证微观的影响因素（如可靠性）等相关关系探究，转向了利用数据分析来发现模式、构建理论，并进行预测研究的方面。
早期，鉴于研究方法与心理学、社会学理论（如社会认知理论等）的影响，基于理论，社会计算成为验证视觉说服微观因素的方法工具。然而在该研究视域下，以实验或问卷的图像研究方法与图像定性研究，一般难以分析视觉传播过程中的因果与深挖受众观点、情绪效果等方面的大数据，也无法深究不同主体间议程互动的影响关系。学者们由于样本规模和实验控制的限制，在确定因果关系方面存在挑战，更多关注媒介自身的内容、形式等方面的变革，并不强调计算对传播的影响。学者们不断探索性寻找视觉时代影响说服力之间的相关关系，尤其是探索不同视觉元素（如颜色、构图、形象等）与受众反应（如情感、态度、行为意向）之间的联系。相关关系虽然不能精准描绘社会，却揭示了社会的发展过程，这一类型的视域研究一直贯穿该领域的发展，但微观视角可能过于繁杂，探究的影响因素更为零碎。而后，社会计算作为一门学科被提出，它超越了先前的工具性，社会计算视域下的视觉说服研究不仅关注相关关系，学者们试图以它作为一个新兴理论，建立更深层次的理论体系。相关的理论研究开始在该领域拓展，综述研究逐渐增多，尽管也有学者试图以数据驱动构建模型并进行预测研究[29]，然而成果并不丰富。
值得注意的是，社会计算视域下的视觉说服研究是多学科视角的研究，这也意味着学者们通常限于单一视角，难以跨学科融合。由于各种原因，既往的相关研究涉及社会学、心理学、传播学的问题视域备受关注，而问题视域如计算机学、认知神经学等，则有意无意地被忽视，成为相关研究的难点。
（三）逐步规范化的自然科学规范
解题标准方面，视觉传播研究之中的定量与定性研究尤其是实验研究讲究科学规范，其中数据搜集与验证、实验过程与结果表达等方面都要求遵循研究标准，强调可检验性和方法的可重复性；视觉文化研究以话语诠释方法为主，除了概念、范畴与逻辑等方面的规范性要求之外，一般情况下，其研究的规范标准并不突出。
综上，在当下大规模的图像不断在各行各业被制作、应用和传播的语境中，研究新现象与新问题不仅需要多学科视角的融合，更需要超越以静态图像或影视为对象而总结出新的研究范式，进行一种研究范式的转型。因此，针对新的形势，要突破人文社会科学与自然科学之间的学科壁垒，采用最新的计算机视觉技术进行视觉说服研究的范式革新，开拓新的领域。
五、结语
随着直播、短视频、微短剧等视觉传播媒介的高速发展，新型视觉技术如GAI、Sora等不断迭代更新，新媒体视觉传播正在深刻改变数字社会的视觉逻辑与视觉生产方式。这些变化不仅改变了受众的使用行为和信息接收态度，而且对信息传播、媒介文化构建以及网络内容治理等方面产生了深远影响。在这一背景下，视觉说服的研究急需与时俱进，更新其理论和方法。
近年来，社会计算作为多学科交叉的一个重要领域，已经取得了显著的发展。众多学者致力于运用计算机技术来解释和理解社会现象，特别是通过机器学习、深度学习等先进的模型和技术来识别和分析图像或视频。他们利用大规模数据，在宏观、中观与微观层面上，对图像或视频的传播热点现象、难点问题进行深入分析，以期揭示、阐释和预测传播的模型或规律。随着计算机视觉技术的不断进步和相关工具的日益开放，视觉说服的社会计算研究将不断拓展理论建构的深度，并在竞选、宣传、广告等多个领域进一步拓展应用的边界。未来的研究将更加注重科学化、个性化和智能化的视觉说服策略，以适应不断变化的社会需求和受众特征。例如，科学化方面，研究者可以强化对视觉内容传播效果的量化评估研究，通过构建更为精确的评价指标体系，对视觉信息的传播力、影响力和说服力进行科学、准确的度量；个性化方面，研究者可以探索视觉说服策略在不同社会群体中的差异化效果，分析文化、年龄、性别等因素如何影响视觉信息的接收和处理；智能化方面，研究者可以结合增强现实（AR）和虚拟现实（VR）等前沿技术，研究更具沉浸感和互动性的视觉说服方式，关注视觉说服在新兴社交媒体平台、技术应用中的表现和效果，分析如何在沉浸式技术中优化视觉说服策略，以实现更高效的目标受众定位和信息传播。
然而，视觉说服的社会计算研究作为一个新兴的研究面向，在蓬勃发展之际也遭遇了巨大的挑战。一是社会科学与自然科学的学科壁垒。Xie Yu认为两种学科的本质区别在于思维方式的不同[30]。社会学学者认为自然科学的社会计算研究缺乏理论指导，自然科学派认为社会科学研究的数据规模小而不可信。但这其中不仅仅在于思维方式的差异，也在于跨学科人才的稀缺。培养跨学科人才需要跨越传统的学科界限，同时掌握不同的知识和技能，然而新媒体时代的快速更迭对学者们提出了较高的要求。为视觉说服的社会计算提出跨学科的协作与训练、提出学科间统一的理论指导是理论发展的较大挑战。二是大数据的缺失与失真。社交媒体的数据繁杂，多数看似可供分析的数据，实际上是碎片化信息或是人工智能生成的视觉信息，失去分析的社会意义。同时，各个社交媒体平台拥有各自的数据，相关研究也仅限于单平台分析，难以横向获取相关数据。加之算法推荐的茧房效应和观点的沉默螺旋，致使数据更加片面，在对社会现象进行研究时，难以全面总结传播规律。当前计算的速度越来越快，但分析的程度越来越低，若要采集具有准确性、代表性、真实性的社会视觉元素，也将面临伦理、法治和技术等层面的难题。
【本文为国家社科基金重大项目“中国特色网络内容治理体系及监管模式研究”（批准号：18ZDA317）阶段性成果】
参考文献：
[1]第53次中国互联网络发展状况统计报告[R/OL].中国互联网络信息中心, (2024-03-22), https://www.cnnic.net.cn/NMediaFile/2024/0325/MAIN1711355296414FIQ9XKZV63.pdf.
[2]Laura Ceci. Countries with the largest TikTok audience as of January 2024[EB/OL], (2024-02-01)[2024-04-09], https://www.statista.com/statistics/1299807/number-of-monthly-unique-tiktok-users/.
[3][7]李佳蔚.新媒体广告视觉说服的机制与策略[J].现代传播(中国传媒大学学报)，2019(09):141-144+156.
[4]罗萍，李程，毕森.视觉说服：研究理论与前沿[C]//2013福建省传播学年会，2013.
[5][24][25]于德山.计算视觉传播研究：理论体系、范式转型与学术想象力[J].传媒观察，2024(01):39-46.
[6]保罗·梅萨里.视觉说服：形象在广告中的作用[M].王波，译.北京:新华出版社，2004:导言3-18.
[8]Larry Jordan. Techniques of Visual Persuasion: Create powerful images that motivate[M/OL]，New Riders，https://www.oreilly.com/library/view/techniques-of-visual/9780136766803/.
[9]Jungseock Joo,Weixin Li,Francis F.Steen,Song-Chun Zhu. Visual persuasion:Inferring communicative intents of images[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2014: 216-223.
[10]Schuler D. Social computing[J]. Communications of the ACM, 1994,37(1):28-29.
[11]Dryer D C, Eisbach C, Ark W S. At what cost pervasive? A social computing view of mobile computing systems. IBM Syst J, 1999, 38:652-676.
[12]Charron C,Favier J,Li C. Social computing: How networks erode institutional power, and what to do about it[R]. Forrester Customer Report,2006.
[13]王飞跃，李晓晨，毛文吉，王涛．社会计算的基本方法与应用[M]. 杭州:浙江大学出版社，2013:1-15.
[14]孟小峰，李勇，祝建华.社会计算:大数据时代的机遇与挑战[J].计算机研究与发展，2013(12):2483-2491.
[15]Lazer D, Pentland A, Adamic L, et al. Computational social science[J]. Science, 2009,323(5915):721-723.
[16]祝建华，彭泰权，梁海，等.计算社会科学在新闻传播研究中的应用[J].科研信息化技术与应用，2014(02):3-13.
[17]Liang, H. Coevolution of political discussion and common ground in web discussion forum [J]. Social Science Computer Review,2014:1-15.
[18][20]Jungseock Joo, Weixin Li, Francis F. Steen, Song-Chun Zhu. Visual persuasion: Inferring communicative intents of images[C]//Proceedings of the IEEE conference on computer vision and pattern recognition.2014:216-223.
[19]Peng Y.Same candidates, different faces: Uncovering media bias in visual portrayals of presidential candidates with computer vision[J]. Journal of Communication,2018,68(5):920-941.
[21]J.Joo,S. Wang, and S.-C. Zhu. Human attribute recognition by rich appearance dictionary[C]. In ICCV, 2013: 721-728.
[22]B.A.Golomb, D. T. Lawrence, and T. J. Sejnowski. Sexnet: A neural network identifies sex from human faces[C]. In NIPS, 1990.
[23]N. Kumar, A. C. Berg, P. N. Belhumeur, and S. K.Nayar. Describable visual attributes for face verification and image search[C]. TPAMI，2011(10).
[26]巢乃鹏.迈向计算时代的传播学[J].传媒观察，2024(01):15+2.
[27]Watts D J. A twenty first century science[J]. Nature,2007, 445(7127):489.
[28]Sunghyun Park, Han Suk Shim, Moitreya Chatterjee, Kenji Sagae, and Louis-Philippe Morency. Computational Analysis of Persuasiveness in Social Multimedia: A Novel Dataset and Multimodal Prediction Approach[C]. In Proceedings of the 16th International Conference on Multimodal Interaction (ICMI '14). Association for Computing Machinery, New York, NY, USA, 2014：50-57.
[29]Kumar, Y., Jha, R., Gupta, A., Aggarwal, M., Garg, A., Malyan, T., Bhardwaj, A., Ratn Shah, R., Krishnamurthy, B., & Chen, C. Persuasion Strategies in Advertisements[C]. Proceedings of the AAAI Conference on Artificial Intelligence, 2023, 37(1), 57-66.
[30]Xie Yu. Otis Dudley Duncan's Legacy: The demographic approach to quantitative reasoning in social science[J]. Research in Social Stratification and Mobility, 2007,25(2):141-156.
本文引用格式参考：
田丽，陈馨婕，汪子翔.视觉说服社会计算的理论体系与范式创新[J].青年记者，2024(05):58-63.