
反思大数据新闻的思维逻辑(1)
作为一种技术,大数据只是计算机数据分析技术新发展的一环。但就其对于新闻传播的影响或者意义而言,国内外研究者对大数据的内涵和外延都已进行了从自然科学到人文社会科学的思想跃迁和现象学式的想象,并将其价值和功能无限延宕。笔者认为,所谓大数据新闻传播,实质可视为计算社会科学的一个新发展,它要求新闻发现、生产与传播范式由传统意义上的以经验、理论和计算为中心转变到以数据处理为中心的新范式,这也就是我们所说的用数据思维产制新闻,即电脑化新闻模式,与传统的人脑(或人工)新闻模式相并立。
与传统文字叙述为主的新闻报道相比,大数据新闻主要通过数据统计—数据分析—数据挖掘等技术手段发现新闻线索,并用逻辑化的数据拓展既有新闻主题的广度与深度,最后以图表、数据为主,辅之以必要的少量文字的可视化方式加以呈现,从而致力于新闻报道的客观、系统和可视体验。这种想象和设计十分契合现代科学追求数字化、量化,把一切都还原为数学方程式的思维逻辑。按照这种思维逻辑的设定,新闻文本只要从纷繁芜杂的数据海洋(现象)中找到某种所谓的本质的东西,比如自然科学的公式,那么信息世界就尽可把握了,如是乎?作为一种认知新闻事物的思维程序,大数据新闻认知的普遍性逻辑必然会抽离个别新闻事物的具体性,其特征是一步一步地撇开个体新闻事物身上道德的、功用的、审美的和哲学的等意义,以还原为最为抽象的同一性。这种新闻生产逻辑必然会遗漏与特定本质属性缺乏关联的非本质新闻属性,从而使个别新闻事物的整体形象和全部意义无法得到认知与传播,最终导致大数据新闻的本质和客观性既不能深刻反映社会意义的原型结构,更不能反映超自然的、高位阶的社会信息需求。也就是说大数据本身是一种理性的表现,但还需要更大的理性——人文法则的观照。依据狄尔泰的看法,人文科学乃至生活世界中的客观性,在于解释与反思一系列视域和融贯性内的诸种关系。一般认为,这些意义、关系越融贯为一体,生活世界和人文科学中的客观性便越是客观的、真实的、具体的。对于大数据新闻而言,如何实现这些关系的内在融合,以实现新闻客观性、真实性和具体性之人文内涵,必须澄清当下“大数据”给我们在如下关系领域内造成的混乱。
(一)重普遍性而轻个体性。
对于大数据新闻人文与科学态度的划分,就是以强调个体性还是强调普遍性为基本依据的。因为人文科学强调的是个体性的人生价值意义而自然科学强调的是普遍性的规律。从大数据的实践层面看,一般认为大数据的时代其实是弘扬理性精神的时代,但如果大数据分析和使用在于满足非正义的事情,那么,这正好说明大数据本身不完全等同于理性,更大的理性是人文法则。最后,大数据新闻从自然之物到文化之物的转化过程,实际上就是普遍性本质转化为个体性本质的过程,也是一个由重共同性到重特异性的转化过程。因此,对于大数据新闻中的人物或者事物,我们都既可以从自然科学的角度来分析和报道,也可以从人文科学的角度来分析和报道。至于大数据如何推动社会进步,这种进步的速度有多快,或者进步的同时是否还会倒退,这些都取决于我们自己。
(二)重关联性而轻因果性。
维克托·迈尔·舍恩伯格在《大数据时代》中指出,随着人们看待数据的方式的变化——从局部变为全部以及从纯净变为凌乱,思维方式也应该转型,即从因果关系转向相关性。或者说,只要知道“是什么”,而不需要知道“为什么”。这观点有些类似于休谟怀疑论的知识论。休谟指出,对象之间并没有可以发现的联系,我们之所以能根据一个对象的出现推断另一个对象的存在,并不是凭着其他的原则,而只是凭着作用于想象上的习惯。这里休谟将因果关系归因于一种未经反思的心理经验,认为一切的抽象以及逻辑推理都是这种心理经验的派生物。这种“想象上的习惯”的关联方式无异于这个经典的社会学考题:冰淇淋的销量和强奸案的发生率存在线性关系,即一个增长,另一个也增长。不过,两者之间显然没有因果关系,而只有相关关系。另一个变量,即天气变暖,才是两者之间的真正桥梁。所以,舍恩伯格这种放弃因果关系而只考察相关性的思路,与其说是一种进步,倒不如说是一种思维紊乱。因为它不利于我们消除不确定性而进行下一步预测,也无法采取行动。研究者辨明因果关系并非来自统计,而是来自研究者的理论和假设。但是大数据分析更关注数据的相关性测量和商业应用价值。大数据是发现那些不能靠直觉发现的信息和知识,甚至是违背直觉的,有时候越是出乎意料可能越有商业价值。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09在 CDA 数据分析师的日常工作中,常会遇到这样的困惑:某电商平台 11 月 GMV 同比增长 20%,但究竟是 “长期趋势自然增长”,还 ...
2025-10-09Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30