真實(shí)和完備是大數(shù)據(jù)分析的基礎(chǔ)

隨著大數(shù)據(jù)時(shí)代的到來，網(wǎng)絡(luò)數(shù)據(jù)的真實(shí)性問題日益受到關(guān)注。相較以抽樣調(diào)查為主的小數(shù)據(jù)時(shí)代，在大數(shù)據(jù)時(shí)代，如何進(jìn)行正確的數(shù)據(jù)清洗和數(shù)據(jù)分析，以便從海量信息源中獲取真實(shí)而有價(jià)值的信息內(nèi)容，并生成指向性清晰的決策指導(dǎo)，成為哲學(xué)社會(huì)科學(xué)界和自然科學(xué)界共同面臨的課題。

數(shù)據(jù)來源：確保具備大數(shù)據(jù)品質(zhì)

在中國人民大學(xué)新聞學(xué)院教授喻國明看來，高品質(zhì)數(shù)據(jù)來源是確保大數(shù)據(jù)分析真實(shí)、可靠的首要條件?！案鶕?jù)國內(nèi)外的相關(guān)技術(shù)發(fā)展情況分析，當(dāng)前比較權(quán)威、可靠的大數(shù)據(jù)來源主要有兩個(gè)，一是掌握多方面的社會(huì)運(yùn)行數(shù)據(jù)的政府部門，二是在某一領(lǐng)域擁有數(shù)據(jù)采集能力的大型公司，如數(shù)字移動(dòng)、網(wǎng)購、社交媒體、搜索引擎、輸入法軟件等公司?！?

喻國明認(rèn)為，大數(shù)據(jù)時(shí)代的一個(gè)重要特點(diǎn)，就是全方位、立體式的數(shù)據(jù)分析成為可能?！安贿^，單個(gè)部門或企業(yè)所掌握的大數(shù)據(jù)往往類別單一，對(duì)其的分析結(jié)論難免陷于零散、維度單一?！绷硗?，從嚴(yán)格意義上講，大數(shù)據(jù)不是政府、企業(yè)的“私有財(cái)產(chǎn)”，它與社會(huì)個(gè)體的權(quán)利和隱私密切相關(guān)，應(yīng)當(dāng)屬于全社會(huì)。

那么，目前民間進(jìn)行的大數(shù)據(jù)分析“靠譜”嗎？上海交通大學(xué)輿情研究實(shí)驗(yàn)室主任謝耕耘介紹，如果對(duì)大數(shù)據(jù)來源進(jìn)行分類，可以分為政府、大企業(yè)的定點(diǎn)監(jiān)測(cè)，以及民間依靠軟件等技術(shù)手段的數(shù)據(jù)挖掘。對(duì)此，喻國明這樣評(píng)價(jià)：相對(duì)于政府部門與大型網(wǎng)絡(luò)企業(yè)的大數(shù)據(jù)采集能力，僅僅從信息海洋中簡(jiǎn)單挖掘、撈取的部分所謂的“大數(shù)據(jù)”，遠(yuǎn)遠(yuǎn)不具備真正的大數(shù)據(jù)品質(zhì)。

北京郵電大學(xué)互聯(lián)網(wǎng)治理與法律研究中心主任李欲曉更愿意將大數(shù)據(jù)分析結(jié)果看作一種數(shù)據(jù)產(chǎn)品?！昂饬科鋬r(jià)值，關(guān)鍵在于它是否面向特定客戶群提供了所需數(shù)據(jù)產(chǎn)品類型?！蹦壳?，社會(huì)各界已經(jīng)意識(shí)到大數(shù)據(jù)時(shí)代的到來，許多機(jī)構(gòu)和個(gè)人也在積極開發(fā)相關(guān)軟件和產(chǎn)品，這個(gè)過程的最大價(jià)值，便是提升了全社會(huì)的大數(shù)據(jù)處理能力。

數(shù)據(jù)分類：建立更多有效標(biāo)簽

謝耕耘認(rèn)為，通過搜索引擎的分析軟件進(jìn)行數(shù)據(jù)挖掘，是當(dāng)前許多民間研究機(jī)構(gòu)獲取所謂“大數(shù)據(jù)”的主要途徑。目前，付之應(yīng)用的諸如“爬蟲”等大數(shù)據(jù)挖掘軟件，其作用是非常有限的——往往在只挖掘到幾千條數(shù)據(jù)時(shí)，就被相關(guān)網(wǎng)絡(luò)平臺(tái)為防止機(jī)器人挖掘而設(shè)置的障礙所攔截，并被要求反復(fù)輸入驗(yàn)證碼?！耙虼?，這種依靠軟件來執(zhí)行的數(shù)據(jù)挖掘方式，往往需要數(shù)十臺(tái)、上百臺(tái)服務(wù)器，以及高容量的帶寬和大量的IP地址?！逼渫诰蛩@得的大數(shù)據(jù)，通常是局部的、不完整的，難以推斷整體狀況。

從這個(gè)意義上看，盡管目前從事大數(shù)據(jù)分析的人力、機(jī)構(gòu)很多，但真正做出可信服的研究成果的團(tuán)隊(duì)并不多。在李欲曉看來，當(dāng)前的大數(shù)據(jù)分析尚未成熟，仍處于“成長期”。

喻國明認(rèn)為，大數(shù)據(jù)由不同數(shù)據(jù)集構(gòu)成，若想全面、立體式反映某一個(gè)體、事物、事件，其關(guān)鍵在于對(duì)不同數(shù)據(jù)集進(jìn)行關(guān)聯(lián)分析，而關(guān)聯(lián)分析的前提是建立標(biāo)簽?！皩?duì)每一個(gè)數(shù)據(jù)文本做標(biāo)簽，就像圖書分類一樣。幾十萬冊(cè)的圖書，有了分類，才能夠有序管理。面對(duì)大數(shù)據(jù)的海量信息，有了標(biāo)簽，就可以輕松找出需要的信息?！北M管不可能存在一個(gè)100%包容性的大數(shù)據(jù)庫，但對(duì)數(shù)據(jù)進(jìn)行快速、有效的處理與整合，無疑能為未來深入、真實(shí)、可靠的分析夯實(shí)基礎(chǔ)。

“有些標(biāo)簽是自然形成的。例如，通過社交媒體的個(gè)人資料，就可以輕松分出年齡、性別、職業(yè)等不同標(biāo)簽。還有一些標(biāo)簽，則要通過網(wǎng)絡(luò)行為分析才能認(rèn)定。例如，在分析個(gè)人言論的社會(huì)特征時(shí)，可根據(jù)網(wǎng)絡(luò)發(fā)言使用的詞頻、語義進(jìn)行計(jì)算，并依此為網(wǎng)民貼上早起群體、晚睡群體，時(shí)尚型消費(fèi)者、保守型消費(fèi)者，高收入者、低收入者等標(biāo)簽?！庇鲊髡J(rèn)為，在大數(shù)據(jù)時(shí)代，一個(gè)文本碎片被打上的有效標(biāo)簽越多，其可被利用的價(jià)值越大。

數(shù)據(jù)分析：以小數(shù)據(jù)為“校準(zhǔn)”

中國社會(huì)科學(xué)院新聞與傳播研究所研究員姜飛做了一個(gè)有趣的比喻，“在大數(shù)據(jù)時(shí)代，數(shù)據(jù)信息好比貨幣，要像研究貨幣一樣研究信息數(shù)據(jù)。”在他看來，“信息貨幣”一旦不可信，也容易發(fā)生“金融危機(jī)”；要提高大數(shù)據(jù)分析的可信度，就要找到一個(gè)“校對(duì)的準(zhǔn)繩”。

喻國明認(rèn)為，傳統(tǒng)的抽樣調(diào)查在發(fā)布結(jié)論時(shí)，需同時(shí)公布調(diào)查是否遵守了“21條規(guī)則”（包括數(shù)據(jù)來源、調(diào)查方法、資助者等），以保證調(diào)查報(bào)告不會(huì)產(chǎn)生誤導(dǎo)。未來，大數(shù)據(jù)分析也應(yīng)該同步公布數(shù)據(jù)來源、數(shù)據(jù)量、數(shù)據(jù)截取的時(shí)間區(qū)間等有關(guān)數(shù)據(jù)品質(zhì)的指標(biāo)?！叭绻麛?shù)據(jù)來源是通過‘爬取’軟件獲取，那么公布‘爬取’量有多大，可以在一定程度上幫助受眾判斷數(shù)據(jù)分析的真實(shí)度、可信度?！?

另外，盡管小數(shù)據(jù)是小范圍的、片段的，但它有一個(gè)核心價(jià)值，即能夠提供準(zhǔn)確的結(jié)構(gòu)性分析，擁有可靠的統(tǒng)計(jì)學(xué)價(jià)值。喻國明表示，“大數(shù)據(jù)雖然信息豐滿，但整體構(gòu)造難以看清，因此，小數(shù)據(jù)能夠成為大數(shù)據(jù)判斷結(jié)構(gòu)性位置的校標(biāo)?！?

李欲曉還表示，大數(shù)據(jù)時(shí)代來勢(shì)迅猛，關(guān)涉企業(yè)社會(huì)責(zé)任、個(gè)人社會(huì)規(guī)范等方面的法律法規(guī)正在完善。未來，在數(shù)據(jù)來源、數(shù)據(jù)分析、結(jié)論校準(zhǔn)等方面，應(yīng)陸續(xù)出臺(tái)相關(guān)的法律法規(guī)和學(xué)術(shù)規(guī)范，以保障大數(shù)據(jù)在國家治理中發(fā)揮更大作用。