大數據無所不能嗎？來自小數據研究者的六點質疑_風聞

寫在前面：

本期推送為你準備的是著名社交媒體研究者danah boyd和Kate Crawford撰寫的論文《大數據的關鍵問題：對於一個文化、技術與學術現象的挑戰》。在這篇論文中，兩位學者對大數據研究提出了六點質疑。當然，這並非是為了否定大數據研究的價值，而是希望對“大數據狂熱”進行更加冷靜的思考。截止今日，這篇論文的被引用量已經達到3493次，或許可以看做是社交媒體大數據研究領域的必讀文獻。在本期推送中，我們對這篇論文的核心內容進行摘譯，期待可以為你提供一些有價值的反思。

大數據時代已經來臨。計算機科學家、物理學家、經濟學家、數學家、社會學家……都被衝入大數據的海洋之中。社交媒體中的互動、健康報告、電話記錄、政府檔案等數字痕跡，都成為了學者們熱衷於追逐的研究素材。不過同時，一個重要的問題也浮現出來：大數據能否幫我們創造更大的公共價值？亦或者説，它只會成為窺探隱私和侵入式營銷的工具而已？

大數據是一個糟糕的學術名詞。在這個詞被提出時，它指的是一組需要通過超級計算機運行的數據。不過，時至今日，我們家庭的筆記本電腦也可以做這件事。實際上，大數據的意義並不在於數據量本身，而在於搜索、整合、對照大型數據的能力。

大數據是一種技術現象，同時也是文化現象。它迎合了人們“數據越大、智識水平越高”的信念。人們相信，大數據攜帶着真理、客觀和準確的光環，可以生產出我們從未企及的深度思考。另一方面，反烏托邦的觀點則擔心，大數據（big data）會成為一種新的老大哥（big brother），侵蝕人們的隱私空間、干擾公民行動的自由、增強國家權力。

如今，已經出現了不少對於大數據的研究。不過，我們仍舊有必要進行批判性的思考：何為大數據？誰有權力接近大數據？數據分析是怎樣進行的？目的是什麼？在這篇文章中，我們提供了有關大數據研究的六種反思，希望能在不同領域的研究者之間引發討論。

反思01

大數據改變了知識的定義

Big Data changes the definition of knowledge

20世紀初，亨利·福特（Henry Ford）發明了一種大規模生產的製造體系，並快速成為了技術進步的主導象徵。福特製（Fordism）意味着自動化和流水線。不過，它並不僅僅只是一系列新的工具。在某種程度上，20世紀正是被福特製所定義的：它創造了一種對於勞動（labor）的新理解、一種對人與工作關係的新理解，也是一種對於社會的新理解。

同樣，大數據也不僅僅是一種工具，它還代表了研究的計算轉向（computational turn）。正如福特改變了我們製造汽車的方式，大數據也改變了知識這一客體的面貌。拉圖爾提醒我們：改變工具，你就會改變整個既有的社會理論。

大數據讓我們以前所未有的廣度和深度來收集數據，這也在認識論方面產生了深刻影響。《連線》雜誌主編安德森認為，我們已經進入到了“拍字節時代”（The Petabyte Age）。讓我們忘記那些傳統的社會科學吧，不管是語言學還是社會學。誰才有資格解釋人類行為呢？答案是數據。只要擁有足夠的數據，數字就可以自己説話。

數據可以自己説話嗎？我們對此深表懷疑。安德森的觀點體現出大數據爭論中一種潛藏的傲慢。似乎大數據出現之後，其他方法就應該靠邊站。不過，也有研究者認為，大數據的問題恰恰在於，在洪流一般的信息背後，缺少哲學意義上的管控。

大數據有自己的侷限性。例如，Twitter和Facebook是大數據研究者經常訪問的網站，但它的搜索功能並不強大。因此，研究者更可能去關注那些正在發生和剛剛發生的數據，因為歷史數據幾乎不可能挖掘到。安德森問我們，科學是否可以向Google學習點什麼呢？不過，我到是想説，真正有價值的問題似乎是：大數據如何改變了學習的意義，這種新的知識系統究竟提供了哪些可能性，又具有哪些侷限呢？

思考02

大數據宣稱的客觀、準確是具有誤導性的

Claims to objectivity and accuracy are misleading

拉圖爾曾抱怨説：“數字！數字！數字！社會學如此痴迷於變成一種量化科學！”不過，社會學似乎從未做到這件事。如今，大數據提供給人文學科一種新機遇，來實現量化科學和客觀方法的夢想。它讓更多的社會空間可被量化。不過事實上，在我們看來，大數據方法仍舊是主觀的。

客觀性是科學哲學長久以來的焦點問題。科學方法試圖將自己從主觀領域移除，變成一個不帶感情色彩的程序。我們提出假設、驗證假設，最後獲得知識的增進。不過，所有研究者都無法逃離一個事實——我們需要解釋數據。按照Gitelman的説法，數據需要被想象，並且，每個研究領域或學科，都有自己想象數據的規範和標準。

在計算機科學家涉足社會科學時，我們傾向於認為他們的工作僅僅有關事實，與解釋毫無關係——畢竟，他們只想建立數學模型。不過，當研究者試圖去理解這些模型的意義時，解釋的過程就開始了。甚至，科學家們在決定研究設計時，他們也在解釋。例如，對於社交媒體數據，存在着“數據清理”（data cleaning）這一道程序。哪些變量和屬性要被保留？哪些要被刪除？這個過程內在便具有主觀性。

如果單純拒絕解釋，大數據還會讓我們產生幻想性的錯覺。例如，大數據研究經常會發現莫名其妙的相關性。一個有名的例子來自Leinweber，他發現標準普爾 500 指數基金和孟加拉的黃油生產量之間存在相關性。

思考03

數據越大，不一定數據越好

Bigger data are not always better data

社會科學家一直認為，數據收集和分析的系統性，保證了他們工作的縝密。不管是問卷調查還是實驗法，都會提供給其他研究者評估研究效度的途徑。我們不能僅僅因為大數據的體量巨大，就忽略了其中的方法問題。對於樣本的理解，反而變得更加重要。

因為Twitter的數據方便獲取，學者們經常使用它來驗證一些列的問題。雖然很多學者都明白，來自Twitter的數據存在天然的侷限性，不過，媒體報道並不在乎這一點，他們只會告訴讀者，這篇論文研究了上百萬“人”。要知道，Twitter並不代表所有人，Twitter用户和“人”之間也不能劃等號——有一些賬户是多人使用，有一些賬户是機器人在操縱，有些人甚至根本就不使用Twitter。

大數據並不意味着整體數據。如果不考慮到樣本本身的特質，數據的規模就毫無意義。例如，如果一個學者試圖理解Twitter廣播的話題頻率，但Twitter會自動隱藏那些有問題的內容（例如色情和垃圾信息），那麼，無論我們收集多大的數據，結論都是不準確的。遺憾的是，大數據研究者熱衷於在Twitter上收集數據，但卻很少有人提到，Twitter數據有嚴重的方法論爭議，也很少有人願意對自己的數據進行説明。

在社會科學的計算轉向過程中，我們更需要認識到“小數據”的價值。在任何數據層級上，都有可能產生研究洞見。某些時候，哪怕我們聚焦一個人，都有可能獲得卓越的發現。例如，Veinot 通過對於一位水電公司的巡查員的研究，試圖理解藍領工人的信息實踐（information practices）。她的研究更新了“信息實踐”這一學術名詞的定義。僅就她的發現而言，即便我們收集上百萬的Twitter賬户數據，也無法獲得。

**數據規模應該與研究問題匹配。**有些時候，小即是美。

思考04：

剔除語境的大數據會失去意義

Taken out of context, big data loses its meaning

隨着社交媒體的興起，研究者似乎非常熱衷於為用户描繪“社交圖譜”（social graph）。他們蜂擁到Twitter和Facebook之中，對用户之間的聯繫進行大數據研究，並聲稱可以描繪用户的社會網絡。不過，社交媒體中呈現的關係似乎與社會學家、人類學家自1930年以來考察的親緣網絡（kinship networks）並不相同。

在大數據研究中，常見的兩種社會網絡是**“節點網絡”（articulated networks）和“行為網絡”（behavioral networks）**。

所謂節點網絡，可以簡單理解為Facebook上的好友列表。不過，我選擇關注一個人，可能有不同的動機，比如TA是我的朋友、同事、熟人、明星、朋友的朋友、公眾人物，或者有意思的陌生人。所謂行為網絡，指的是通過技術抓取到的交流信息。這種交流的種類也很多，例如給一個人流言、在照片上tag一個人等等、給一個人發私信，等等。

節點網絡和行為網絡對研究者具有重要的價值，不過，它們並不能被等同於人際網絡（personal networks）。例如，研究者經常使用“連接強度”（tie strength）來理解個體關係的重要性。移動電話數據表明，人們給同事打電話的次數，要多於給自己配偶打電話的次數，我們難道能因此得出結論，同事比配偶的關係強度更高嗎？

忽略具體的交流語境，僅僅通過交流頻率或朋友列表示來測量關係強度，本身是有很大問題的。因為並非每一種（次）連接都是同質的。

思考****05

可獲得的數據並不一定就是道德的

Just because it is accessible 

does not make it ethical

2006年，一個哈佛大學研究團隊收集了1700位大學生的Facebook賬號，希望研究他們的興趣和朋友關係的變化。這些經過匿名處理的數據被公佈出來，以供其他研究者使用。然而，人們卻發現不難從這些匿名數據中得知某些用户的真實身份。更大的問題甚至是：這些學生完全不知道，自己的數據正在被研究者進行收集和分析。

學者不得不面對一個問題：在社交媒體上，所謂的“公開”（public）數據，究竟該如何使用？如何處理其中的研究倫理問題？一部分人已經意識到問題的嚴重性，並呼籲平台對用户隱私進行更好的保護。事實上，任何有關人的數據有難免引發隱私爭議，濫用數據的危險究竟有多大，又是一件難以被量化的事。

自20世紀70年代以來，大學通過建立機構審查委員會（IRB）體系來保護被研究對象的權利。例如，“知情同意”被廣泛作為研究倫理的基本要求之一。不過，對於大數據而言，其中的倫理意涵仍舊十分模糊。**一個人在社交媒體上的廣播應該被納入到研究數據之中嗎？萬一TA的廣播以一種脱離語境的方式被解讀呢？對此，TA有知情權嗎？如果TA在研究中遭受到了傷害，誰來負責呢？大數據研究中的知情同意應該如何操作呢？**我們不能簡單地認為，我們可以獲得一項數據，就等同於可以收集和分析它們。

在大數據的研究中，我們還需要關注真相、控制與權力問題。研究者擁有工具和渠道，但社交媒體用户卻沒有。他們的廣播是在高度情景化的背景下生產的，也很可能不願意自己的信息被用在其他地方。很多人並不知道，算法正在收集、儲存他們的數據，以供未來使用；更多人甚至不知道，研究者會成為他們個人主頁的訪客。

大數據的研究者很少會承認，在“being in public”和“being public”之間存在着相當大的差別。

思考06：

大數據的使用限制創造了新的數字鴻溝

Limited access to Big Data 

creates new digital divides

社會學家Homans曾説：“在所需的時間和金錢方面，社會科學研究已經非常昂貴了，並且每天還在漲價。”曾幾何時，收集數據是一件既費時間又費錢的事情，不過如今，似乎大數據的狂熱者們有理由相信，大數據提供了一種獲得大規模數據的簡便方法。

不過，我們要詢問的問題是：**誰可以擁有這些數據？在何種情境下擁有？有何限制？**正如Manovich所指出的：只有那些社交媒體公司才能擁有真正大規模的社交數據——尤其是那些交易數據。那些為Facebook或Google工作的研究者們，也可以獲得其他學者無法擁有的數據。一些公司完全不提供關於自己的任何數據，另一些公司則用這些數據賣錢。這就造成了一種不平等：那些有錢的、有合作關係的研究者，可以生產出完全不同的研究。而不擁有這些資源的研究者，既不能進行這些研究，也沒有機會去評估這些研究的方法論主張。

在接近權之外，還有技巧層面的問題。大數據研究排斥了那些不具有計算機背景的研究者，這並不是問題。關鍵問題在於，我們將大數據方法放在了至高無上的位置，這就建造起一種基於“誰能讀懂數據”的研究階級。相應的，傳統的社會科學研究者的價值可能會被低估。我們需要面臨的另一項挑戰是，如何才能培養出這樣的學生——既通曉社會理論，又熟練掌握算法和數據分析？

最後，我們還面臨着另一種風險。因為社交媒體公司沒有義務對研究者開放數據，因此，那些獲得大數據的研究者，就不太可能進行批判式的研究。因為一旦這樣做了，他們就會立刻被剝奪擁有數據的資格。我們必須對這種寒蟬效應加以警惕。

在研究界，大數據創造了大數據富人（Big Data rich）和大數據窮人（Big Data poor）。甚至Twitter的研究人員Jimmy Lin直接説，學術界最好離社交媒體遠一點，這樣我們能做得更好。這種劃分局內人和局外人的觀點可能會破壞學術共同體。

Manovich認為，大數據王國中有三個階層：那些製造數據的人、那些可以收集數據的人、和那些可以分析數據的人。我們知道，最後一類人的比重最低，也有用最多特權。同時，他們也是決定大數據使用規則的人。也許在學術界，對這種不平等的批判可能會被很快放棄，不過，我們必須保持考察和質疑。