京公网安备 11010802034615号
经营许可证编号:京B2-20210330
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。
CDA学员免费下载查看报告全文:2026全球数智化人才指数报告【CDA数据科学研究院】.pdf
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数字化时代,数据已成为企业决策的核心驱动力,数据分析与数据挖掘作为解锁数据价值的关键手段,广泛应用于互联网、金融、医疗 ...
2026-04-17在数据处理、后端开发、报表生成与自动化脚本中,将 SQL 查询结果转换为字符串是一项高频且实用的操作。无论是拼接多行数据为逗 ...
2026-04-17面对一份上万行的销售明细表,要快速回答“哪个地区卖得最好”“哪款产品增长最快”“不同客户类型的购买力如何”——这些看似复 ...
2026-04-17数据分析师一天的工作,80% 的时间围绕表格结构数据展开。从一张销售明细表到一份完整的分析报告,表格结构数据贯穿始终。但你真 ...
2026-04-16在机器学习无监督学习领域,Kmeans聚类因其原理简洁、计算高效、可扩展性强的优势,成为数据聚类任务中的主流算法,广泛应用于用 ...
2026-04-16在机器学习建模实践中,特征工程是决定模型性能的核心环节之一。面对高维数据集,冗余特征、无关特征不仅会增加模型训练成本、延 ...
2026-04-16在数字化时代,用户是产品的核心资产,用户运营的本质的是通过科学的指标监测、分析与优化,实现“拉新、促活、留存、转化、复购 ...
2026-04-15在企业数字化转型、系统架构设计、数据治理与AI落地过程中,数据模型、本体模型、业务模型是三大核心基础模型,三者相互支撑、各 ...
2026-04-15数据分析师的一天,80%的时间花在表格数据上,但80%的坑也踩在表格数据上。 如果你分不清数值型和文本型的区别,不知道数据从哪 ...
2026-04-15在人工智能与机器学习落地过程中,模型质量直接决定了应用效果的优劣——无论是分类、回归、生成式模型,还是推荐、预测类模型, ...
2026-04-14在Python网络编程、接口测试、爬虫开发等场景中,HTTP请求的发送与响应处理是核心需求。Requests库作为Python生态中最流行的HTTP ...
2026-04-14 很多新人学完Python、SQL,拿到一张Excel表还是不知从何下手。 其实,90%的商业分析问题,都藏在表格的结构里。 ” 引言:为 ...
2026-04-14在回归分析中,因子(即自变量)的筛选是构建高效、可靠回归模型的核心步骤——实际分析场景中,往往存在多个候选因子,其中部分 ...
2026-04-13在机器学习模型开发过程中,过拟合是制约模型泛化能力的核心痛点——模型过度学习训练数据中的噪声与偶然细节,导致在训练集上表 ...
2026-04-13在数据驱动商业升级的今天,商业数据分析已成为企业精细化运营、科学决策的核心手段,而一套规范、高效的商业数据分析总体流程, ...
2026-04-13主讲人简介 张冲,海归统计学硕士,CDA 认证数据分析师,前云南白药集团资深数据分析师,自媒体 Python 讲师,全网课程播放量破 ...
2026-04-13在数据可视化与业务分析中,同比分析是衡量业务发展趋势、识别周期波动的核心手段,其核心逻辑是将当前周期数据与上年同期数据进 ...
2026-04-13在机器学习模型的落地应用中,预测精度并非衡量模型可靠性的唯一标准,不确定性分析同样不可或缺。尤其是在医疗诊断、自动驾驶、 ...
2026-04-10数据本身是沉默的,唯有通过有效的呈现方式,才能让其背后的规律、趋势与价值被看见、被理解、被运用。统计制图(数据可视化)作 ...
2026-04-10在全球化深度发展的今天,跨文化传播已成为连接不同文明、促进多元共生的核心纽带,其研究核心围绕“信息传递、文化解读、意义建 ...
2026-04-09