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。
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