
大数据开放可提升政府公信力_数据分析师
1月5日,美国哥伦比亚新闻评论网发表的文章《21世纪的新闻审查》(21st-Century Censorship)提出,互联网技术的发展产生了越来越多的媒体平台和自媒体。有观点认为,在大数据时代下,政府对信息的监管和审查会变得日益乏力。然而,学者们则认为,事实可能恰恰相反。
政府与媒体关系发生变化
美国杜克大学斯坦福公共政策学院教授菲利普·班尼特(Phillip Bennett)表示,对新闻业来讲,首先,互联网对新闻媒体的影响是破坏性和颠覆性的,这是不可阻挡的趋势;其次,它催生了互联网通信工具的创新。同样,政府公共部门与媒体间的关系也发生转变。政府不再像以前一样“单纯”地面对并处理与几家主流媒体间的关系,而是面临着由公共舆论所引发的更加复杂多样的挑战。
据美国互联网数据中心数据显示,互联网数据每年约增长50%,每两年便翻一番,而目前全球90%以上的数据是近几年才产生的。有人曾预言,随着互联网和大数据平台的日趋开放,面对海量数据的“无从监管”,政府对新闻信息的监管和审查将随之消失。但事实上,大数据概念从诞生开始,政府监管在其中扮演的角色从未被低估。正如大数据技术的战略意义不在于掌握庞大的数据信息,关键在于对这些有意义的数据进行专业化处理的能力。比如,对新闻信息的处理,就不仅仅是个技术问题。
班尼特表示,在“自由的”网络世界和各国政府对海量新闻信息源的处理过程中,我们看到了这个时代的一种悖谬的“传播风格”,一方面,人们更加善于表达自己,言论途径更加开放;另一方面,政府监管随着大数据的发展在某些方面“愈加严格”。
“当前,一个事实是:监管和审查随着信息时代的发展而不断完善。”班尼特说,理论上,新技术的发展应该使新闻信息的审查更加困难,并最终成为“不可能的审查”,政府难以控制信息的流通。然而,现实中越来越多的政府开始加大监管、审查新闻及各路媒体信息的力度,不仅是发展中国家,也包括发达国家,尤其是在互联网安全意识的提高下,对新媒体的审查越来越“用力”。
英国伦敦城市大学学者格兰达·库珀(Glenda Cooper)日前在澳大利亚对话网站刊文表示,全民新闻时代的来临,打破了传统的派记者去现场、报道、发布新闻的流程,现在很多记者都是在办公室里从社交媒体中搜索有价值的新闻。但这种新的方式,在新闻的隐私性、验证真伪、品位方面都有值得质疑的地方。自媒体新闻往往是倾向性明显的新闻,常伴随伪造、暴力的图片,给社会造成不良影响。
据了解,目前,许多国家通过立法加强对新闻媒体行为的规范,一方面是制定专门的新闻法规,如瑞士、法国、意大利、丹麦等国;另一方面,即使没有整体立法,但相关法律条文“散见”各处,如美国、英国、日本等国,尤其是针对互联网信息的传播。
杜克大学教授莫伊塞斯·纳伊姆(Moises Naim)表示,各国政府正在从数字革命的“观众”转变为数字时代先进技术的最早采用者,政府越来越有能力掌握新闻记者和自媒体的情况,并在一定程度上控制信息的流通过程和方式。政府的监管能力发生了变化,与媒介的关系也发生了变化。
监管方式的模仿与创新
纳伊姆说,今天,一方面许多国家的政府正在使信息更加开放;另一方面政府也需要在监管和审查方式上进行创新。当前,在一些国家,如匈牙利、厄瓜多尔、土耳其和肯尼亚,政府正在模仿俄罗斯等国家,对重要新闻进行更大程度的管控,并力图建立国家媒体品牌的影响力。
“虽然互联网的发展是一个全球化的趋势,但对于信息的监管和审查是每个国家或地区的自主行为,比如,在匈牙利,政府规定权威媒体有权收集记者的详细信息、广告内容和社论内容。”纳伊姆说,我们无法单纯以“新闻自由”为幌子全盘否定政府对媒体和信息的审查和监管行为,尤其是在今天的海量数据面前,每个国家都要考虑互联网时代的信息安全。纳伊姆反问道,当网民在网络平台上遭受他人肆意而名目张胆的人身攻击时,是否还能看到“言论自由”的积极面?
政府监管将更加透明化
许多学者认为,不论新闻及其他信息的监管和审查面临多少偏见和争议,在大数据平台迅速发展和广泛应用背景下,政府监管方式都将更加透明。
大数据的开放能够增加政府的透明度,提高政府的公信力。纽约大学法学院教授贝丝·诺维克(Beth Novick)表示,数据的开放可以让政府公职人员和民众一起参与进来,解决政府无法完成的、棘手的问题,更广泛地发挥群众力量,借助大数据平台进行更好的社会管理。
当然,大数据的存储和处理模式,不可避免地会带来信息安全、隐私保护等问题。一方面,大数据时代的国家信息安全需要引起政府高度重视,应大力推动国家的网络信息安全建设;另一方面,从全球范围来看,目前已有50多个国家依靠法律形式规范个人信息数据的管理与使用。显然,大数据时代,人们的隐私应该受到更好的法律保护。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
Pandas 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在企业日常运营中,“未来会怎样” 是决策者最关心的问题 —— 电商平台想知道 “下月销量能否达标”,金融机构想预判 “下周股 ...
2025-09-30Excel 能做聚类分析吗?基础方法、进阶技巧与场景边界 在数据分析领域,聚类分析是 “无监督学习” 的核心技术 —— 无需预设分 ...
2025-09-29XGBoost 决策树:原理、优化与工业级实战指南 在机器学习领域,决策树因 “可解释性强、处理非线性关系能力突出” 成为基础模型 ...
2025-09-29在标签体系的落地链路中,“设计标签逻辑” 只是第一步,真正让标签从 “纸上定义” 变为 “业务可用资产” 的关键,在于标签加 ...
2025-09-29在使用 Excel 数据透视表进行多维度数据汇总时,折叠功能是梳理数据层级的核心工具 —— 通过点击 “+/-” 符号可展开明细数据或 ...
2025-09-28在使用 Pandas 处理 CSV、TSV 等文本文件时,“引号” 是最容易引发格式混乱的 “隐形杀手”—— 比如字段中包含逗号(如 “北京 ...
2025-09-28在 CDA(Certified Data Analyst)数据分析师的技能工具箱中,数据查询语言(尤其是 SQL)是最基础、也最核心的 “武器”。无论 ...
2025-09-28Cox 模型时间依赖性检验:原理、方法与实战应用 在生存分析领域,Cox 比例风险模型(Cox Proportional Hazards Model)是分析 “ ...
2025-09-26检测因子类型的影响程度大小:评估标准、实战案例与管控策略 在检测分析领域(如环境监测、食品质量检测、工业产品合规性测试) ...
2025-09-26CDA 数据分析师:以数据库为基石,筑牢数据驱动的 “源头防线” 在数据驱动业务的链条中,“数据从哪里来” 是 CDA(Certified D ...
2025-09-26线性相关点分布的四种基本类型:特征、识别与实战应用 在数据分析与统计学中,“线性相关” 是描述两个数值变量间关联趋势的核心 ...
2025-09-25深度神经网络神经元个数确定指南:从原理到实战的科学路径 在深度神经网络(DNN)的设计中,“神经元个数” 是决定模型性能的关 ...
2025-09-25在企业数字化进程中,不少团队陷入 “指标困境”:仪表盘上堆砌着上百个指标,DAU、转化率、营收等数据实时跳动,却无法回答 “ ...
2025-09-25MySQL 服务器内存碎片:成因、检测与内存持续增长的解决策略 在 MySQL 运维中,“内存持续增长” 是常见且隐蔽的性能隐患 —— ...
2025-09-24人工智能重塑工程质量检测:核心应用、技术路径与实践案例 工程质量检测是保障建筑、市政、交通、水利等基础设施安全的 “最后一 ...
2025-09-24CDA 数据分析师:驾驭通用与场景指标,解锁数据驱动的精准路径 在数据驱动业务的实践中,指标是连接数据与决策的核心载体。但并 ...
2025-09-24在数据驱动的业务迭代中,AB 实验系统(负责验证业务优化效果)与业务系统(负责承载用户交互与核心流程)并非独立存在 —— 前 ...
2025-09-23CDA 业务数据分析:6 步闭环,让数据驱动业务落地 在企业数字化转型中,CDA(Certified Data Analyst)数据分析师的核心价值,并 ...
2025-09-23