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(2)
(三)重信号而轻噪声。
大数据新闻重要的功能之一就是减少或消除不确定性,以预测未来事态。信息的指数型增长有时被人们视为万灵药,以至于人们根本分辨不清大数据中的信号和噪声。纳特·西尔弗在《信号与噪声》一书中指出,在任何一个数据丰富的领域,寻找预测模式都很容易。关键是要分辨出这些模式到底是噪声还是信号。他举了天气预报、政治选举预测、地震预测、棋牌游戏、股市、恐怖袭击等多个领域的例子,认为我们对未来的预测,应该基于可能性,以概率的方法思考问题,在不断试错中进步。从某种意义上说,大数据新闻传播也必然在预测和证实(证伪)之间有其独特的实践逻辑设计。但该认知逻辑必由两个组合的构成因素所支配:一个是新闻实践成功的程度所必须的认知资源,如信息、时间和计算能力。另一个是新闻实践推理主体所瞄准的认知目标的高度。由于这两个因素有程度之别,因此,某一具体的新闻实践行为是一个相对的、可比较的概念,而不是一个绝对的、没有参照物的死物。按此观点,只有当大数据新闻推理者心中拥有的认知任务和其可利用的认知资源相匹配时,推理才是正确的。对于传统新闻主体而言,认知的信息、时间和计算能力资源与作为高层次的大数据新闻推理者相比较而言,相对不丰富,因而,传统新闻主体的认知目标相对适中。尽管如此,我们可能还会以对自己有利的方式对这些数据进行分析和解释,而这些方式很可能与这些数据(所代表)的客观现实不相吻合。数据驱动预测机制可能会成功,也可能会失败。一旦我们否认数据处理过程中存在着主观因素,失败的概率就会增加。因此,在1970年出版的《未来的冲击》一书中,阿尔文·托夫勒对他所说的“信息超负荷”的一些后果进行了预测。他认为,尽管世界本身正走向分化,变得更加复杂,但人类仍会以坚持自身看法的方式使这个世界变得简单,这便是我们的防御机制。
(四)用事实说话和用数据说话。
大数据时代既要用事实说话,也要用数据说话,这句话是没错,但关键在于应该说清楚用事实说话是用具体的、抽样的个体性事实说话,而用数据说话是用抽象的、普遍性规律说话。前者是必然的理由,后者具有或然性。因为大数据样本不仅需要更多的时间去分析,它们往往还包含被抽样的所有个体的许多不同信息,从统计学的角度讲,这意味着这些样本是“高维的”。更多的维度增加了发现欺骗性关联的风险。比如,在医学研究中,可能会将某种药物的疗效与病人的身高联系在一起。但是这可能仅仅是因为大数据包含方方面面的信息,从身高、体重到眼睛的颜色等等。需要考虑的维度如此之多,有些维度显得重要似乎只是出于偶然。因此,用数据说话是媒体在大数据时代展现共识性、公信力的重要手段,但不是必不可少的手段。
(五)重传者分析而轻受众理解。
时下西方媒体惯常于通过对数据挖掘的方式进行新闻报道,通过仔细分析大量数据来揭示有意义的新的关系、趋势和模式,笔者试问:这些发现的所谓常规新闻中不能体现的逻辑,真的能帮助读者对新闻事件进行深度解读吗?当然,无可厚非的是计算机领域的科学家通过开发出卓越的计算能力和信息存储技术,让大数据的积累成为可能。但是收集数据及存储信息与理解这些内容并不是一回事。了解大数据的真正意义并不等同于对小数据进行解读。对于广大非专业的受众而言,对大数据分析结果的理解绝不应是简单回忆,而是具有历史的连续性和非连续性特点,即尽管过去了的东西其本身不可能原样再现和重演,这是讲的非连续性。但历史事件一旦过去,它总会给后人留下对它的某种理解,这理解就是给出历史事件的意义,正是这理解才使得一去不复返的历史事件持存着、继续着,而这也就是历史连续性的具体内涵。而大数据新闻因为过多的强调非结构化序列的连续性而割裂新闻事件历史意义的非连续性传承,从而使得新闻历史意义空洞化,从而加大其随机性定义生成的可能性,使得新闻总体上缺乏历史必然性的观照。
综上,(自然)科学视域下的大数据新闻以探索统一性的、普遍的本质为己任,其新闻客观性逻辑就是最大普遍性,最大的同一性就是最大的客观性。而人文科学视域下的传统新闻在于追求个体性的人生意义,其客观性诉求在于将普遍意义与丰富的个体性的人文意义统一起来。具言之,大数据新闻客观性来源于对一个个具体的个体所持有的丰富意义域向普遍性方向进行抽象的结果,其特征是一步一步地撇开个体身上道德的、功用的、审美的和哲学的意义等,以至最终达到最为抽象的同一性。反其道而行之,传统新闻客观性则在于首先以抽象的同一性意义为逻辑起点,超越但不抛弃抽象走向具体,通过把功用的、审美的和道德的意义与普遍意义融贯在一起,构建一个包括所有这些意义在内的有机统一体。这就是大数据新闻实践更大的理性——人文法则所必须遵循的根本逻辑和基本途径。这无疑也应该是当下大数据新闻研究的基本方向和进路。那些一味坚持大数据新闻普遍本质的自然科学研究范式,既不能深刻反映社会意义的原型结构与超自然的高位阶的社会信息需求,也不是大数据理性的完满表现。因为,对于人类社会而言,超越大数据理性的更大的理性原则是人文法则,是人生的根本意义。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据驱动决策的体系中,数据分析按照分析目的可分为描述性分析、诊断性分析、预测性分析与指导性分析四大类型。其中,诊断性分 ...
2026-09-01网络请求是Python爬虫开发、接口测试、数据拉取的核心基础功能,Python生态中主要依靠 urllib 和 requests 两大库实现HTTP请求操 ...
2026-09-01 很多数据分析师面对业务问题时,常常感到“知道要分析,却不知道用什么方法”。其实,数据分析并非无章可循——从三大基础范 ...
2026-09-01在数据库设计与业务数据维护中,自增ID是数据表最常用的主键字段,用于唯一标识每一条业务数据,正常状态下ID应保持连续递增。但 ...
2026-08-31在数理统计、数据分析、经济测算与日常量化评估中,平均值是刻画数据集中趋势、反映整体水平的基础核心指标。在实际应用中,最常 ...
2026-08-31在数据驱动的时代,数据分析早已不是“凭经验、靠感觉”的零散操作,而是一套具备固定逻辑、标准化流程的系统方法——这就是数据 ...
2026-08-31在大数据时代背景下,海量行业数据亟需通过专业化工具挖掘潜在价值,辅助企业业务决策、优化运营模式、规避经营风险。Python凭借 ...
2026-08-28SQL是数据分析领域最基础、最核心的工具,承担着取数、清洗、统计、分层、归因的全流程工作。不同于单纯的语法练习,实战化SQL数 ...
2026-08-28 很多企业团队并非缺乏指标,而是陷入“指标失控”:仪表盘上堆满实时跳动的数据,却无法回答“当前瓶颈在哪、下一步该做什么 ...
2026-08-28随着新零售模式的快速普及,零售行业从传统的“货品驱动”全面转向“用户驱动”。门店交易数据、线上消费记录、浏览轨迹、复购频 ...
2026-08-27在数据分析、爬虫采集、接口开发、数据归档等场景中,JSON与CSV是两种使用率最高的数据存储格式。JSON为键值对结构化格式,适配 ...
2026-08-27 很多数据分析师每天都在计算指标、制作报表,但当被问到“什么叫指标数据元”“指标数据标准包含哪些核心维度”“指标数据质 ...
2026-08-27在数据分析工作中,时间序列是最常见的数据类型之一,订单时间、日志时间、交易时段、统计周期等数据均离不开时间处理。原始数据 ...
2026-08-26在数据分析与数据预处理工作中,原始数据普遍存在录入错误、系统故障、偶然极值等问题,极易产生异常数据。异常数据会严重干扰数 ...
2026-08-26 很多数据分析师能熟练写SQL、做透视表,但当被问到“数据是从哪里来的?经过哪些加工才进入数据仓库?ETL具体做了什么?”时 ...
2026-08-26在数理统计与数据分析领域,多因素方差分析与线性回归模型是研究变量关系、因素影响、数据差异规律的两大核心工具。二者均属于经 ...
2026-08-25数据分析的核心价值不在于数据计算与图表制作,而在于清晰、精准、有逻辑地输出结论、支撑业务决策。日常数据分析报告普遍存在结 ...
2026-08-25 很多数据分析师能熟练地写SQL、做透视表、算描述性统计,但当被问到“如何预测用户流失概率”“如何归因销量下滑的关键因素 ...
2026-08-25平均数是数据分析、数理统计与日常运算中最基础、最常用的统计量,核心作用是浓缩一组数据的整体水平、刻画数据集中趋势。在众多 ...
2026-08-24在MySQL数据库中,InnoDB存储引擎作为主流事务型引擎,默认事务隔离级别为可重复读(Repeatable Read,RR),这与SQL Server、Or ...
2026-08-24