京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据时代:重构文化空间的人文向度
随着大数据时代的来临,人们在虚拟空间与物理空间的杂居,以及“拟态环境”对文化空间的重构,导致了知识在获取、存储、交流、再生产等诸多环节发生深刻变化。如何面对由此带来的挑战成为摆在广大学者面前的重要课题。
大数据时代首先带来了传播话语权的迁移。在印刷时代,知识分子常常是报纸书籍等纸媒话语权的拥有者。比如,民国时期的《新青年》、《新潮》、《语丝》、《晨报·副镌》等报刊,其编者常常具有大学教师、编辑、作家等多重身份,这为他们重构文化空间、进行文化启蒙打下了重要基础。而在大数据时代,由于媒介身份和教育身份的分离,当今学者难以形成占据主导地位的话语权。文化话语权逐步从传统学者移至媒介巨头,尤其是以电视、网络等现代传播手段为代表的传媒机构。无论如何,大数据重构了文化传播的空间形态,也打破了原有的话语体系平衡,缔造出新的话语权分布,进而带来了一个迫在眉睫的问题:作为掌握媒介话语权的传媒机构如何重塑文化价值空间?从目前看,媒介文化产业正迅速崛起、快速发展,但由于从业人员的芜杂,资本力量渐渐成为传媒文化的主宰。特别是在资本逻辑的驱动下,文化的价值向度被严重剥落。不仅如此,媒介偏好也是一个重要原因。印刷文明推崇客观和理性的思维,同时鼓励严肃、有序和具有逻辑性的公众话语。而大数据不仅用视像渐渐取代传统文字,还使信息变得海量且混杂无章,这导致公众话语变得散乱无序。正如尼尔·波兹曼的喟叹:这是一个“娱乐至死”的时代。因此,在大数据时代,广大学者必须积极应对文化空间和教育背景的深刻变化,特别要处理好“为学”及人文教育等问题。
首先,就为学而言,在印刷媒介时代,藏书、购书与纸媒阅读常常是文人学者为学的主要方式。民国时期,学者家中的藏书一般都要超过上万册,据邓云乡回忆:“教文史的大教授通常都藏书几万册”。“据统计,现存鲁迅藏书有4062种,约14000册,其中中文书籍2193种,外文书籍1869种,包括中文线装书、中文平装书、俄文书、西文书、日文书等。”可以说,鲁迅的文学及学术成就与其藏书、借书乃至抄书密不可分。而在知识的交流与传承上,也多是通过课堂、宴饮、聚会、拜访等方式进行。比如20世纪30年代的北京,林徽因的“太太客厅”、朱光潜的“读诗会”、《晨报·副镌》“沈从文们”的聚会等都是当时为学交流的典型代表。
而在大数据时代,人们足不出户就可以查到各地的藏书状况及学习资源,国内外开放的网络数据资源使知识获取更为便捷迅速。数字化出版的崛起更是重新塑造了人们的交流方式、交流对象和文化传递模式。在知识的存储上,电子图书具有纸媒所不具备的携带方便、易于查询等长处,实现了从古昔的汗牛充栋到当今的大容量可移动介质的重大转变。在知识的交流上,网络的发展提供了更多的交流机会,E-mail、博客、微博、论坛、微信等网络平台已经成为日常交流的重要方式,而知识的分享、交流和传递也更为迅速和便捷。在知识的再生产上,海量网络资源为人们的书写记录提供了重要平台。比如,部分史料在搜集、整理、编写、保管、出版、传播等环节开始趋于数字化发展。由此可见,大数据时代的“为学”方式较纸媒时代已经发生很大改变。随着“数字鸿沟”的不断拉大,广大学者除了要秉承传统的为学精神,还要不断学习新的知识获取及交流方法,使自身的学术研究不断适应时代的发展要求。
此外,人文教育也是必须面对的一个问题。30年前,尼尔·波兹曼在谈到电视对美国教育的影响时指出,“美国目前最大的教育产业不是在教室里,而是在家里,在电视机前。”这种警醒亦如当下的大数据之于教育。传统课堂传授的知识备受各类现代传播媒介的信息冲击,学生获取知识及价值认同的途径已发生重要改变。大数据时代使得我们的教育变得越来越“教条化”。这就要求人文教育工作者既要注重网络传播的伦理规范,还要加强高校自身的职责建设,推动网络新媒体与传统教学资源的有机组合。
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