2017年主要理论有哪些？
我今年关注的几个理论，都是与传播现象有关的，并且都在知乎上被讨论过（虽然没有被讨论很多）：
1、“培养型”网络舆论 这一概念是我在研究互联网对舆论影响的时候提出的，当时关注的是“自发生成”与“人工孵化”这两种传统概念下互联网舆论的形成方式。但随后关注到的一个现象是，在很多舆情事件网络上出现了一批观点相近、逻辑相同的言论，这些言论由一些身份不明者主动发布，并且出现时间较为一致，因此怀疑其可能来自某种组织。于是又生出了一个概念“培养型网络舆论”，指的是由有组织有计划地利用社交媒体进行的信息投放，意图影响公共领域舆论。
这个概念提出后也在知乎被讨论过，但似乎没引起多少关注。 （我自己的研究还没有出文章，还在填数据）
2、内容分析法的新玩法 内容分析法的传统应用中，文本分析大多针对单篇文字内容的语义、句法分析，微博微信等短文本的分析则多集中在词语、句子级。而今年在研究短视频语言特征的时候，发现目前主流的内容分析软件对于视频内容的分析效果不佳，因此设计了一套新的方法用来分析视频内容，提取其中人物、地点和事件等信息。虽然研究对象仅限于抖音APP，却由此得出一些普遍性的规律和认识。
这对我来说是一种新鲜的感觉，因为以往的研究大多是基于单一的数据来源，而这项研究同时分析了不同数据源之间的差异性和一致性。尽管没有发表任何文章，但我打算明年继续跟进，并且扩大研究范围。
3、算法推荐带来的信息茧房 这是我在研究算法推荐时关注到的现象，由于用户的个人属性、兴趣点等在推荐系统中会被转化为特定的数值，进而用户看到的内容也都将被“量化”，这样就有可能因为推荐系统的权重分配以及排序规则，使得用户陷入所谓的“信息茧房”之中。
我今年的研究除了指出这种现象之外还尝试解释了其原因，并且在实验基础上提出了缓解措施。尽管学界对于信息茧房的研究已有不少，但我感觉大部分都停留在描述性上，而我自己的研究可以算得上比较深入了。
4、算法推荐系统的设计与实现 这项研究来自于我的导师，他通过一个人工智脑模拟的算法推荐系统，并在系统中添加了反馈机制，以此评估算法推荐的效果。该系统能够实现个性化推荐，并且可以通过调整参数来适应不同的数据规模，这在理论上解决了推荐系统的问题。