京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据:网络时代的科学读心术_数据分析师
人的心思之所以难以捉摸和认识,是因为人的主体性问题。凡是正常的人,都有独立自主性,思想可以不受外界的影响。正因如此,人的思想世界是一个极其复杂的世界,神秘多变、复杂多样。为了读懂他人的心思,不少学科和诸多学者作了许多努力。例如,德国学者弗洛伊德专门创立精神分析理论,试图通过梦的解析来读懂人的所思所想。现代心理学则试图引入观察、实验、问卷调查等自然科学方法来破解人们的心理,把握人类的心理活动规律,建立关于人类心理的科学体系。这些研究揭示出人类心理的一些共同规律,为科学读心术作出了重要贡献。然而,由于信息的不对称性,心理学、社会学等学科无法全面揭示人类的思想和行为规律,而大数据技术的兴起为揭开人类心灵面纱提供了一种全新的科学工具,从而成为网络时代的科学读心术。
大数据使读懂他人心思成为可能
所谓大数据(big data),从字面意义来说就是数量规模特别巨大的数据集合,因而用传统的方法无能为力而必须使用计算机或云计算技术才能处理。近年来,智能手机、平板电脑等移动智能终端的大量普及,各种监控系统以及物联网的形成,互联网络高度发达,云存储、云计算等云技术迅速发展,带来了数据采集的自动化、数据类型的多样化、数据传输的即时化、数据存储的云端化以及数据处理的并行化。从数据采集来说,数据来自智能设备,在无人参与的情况下,海量数据就不知不觉地从智能终端中自动产生出来。这种由智能系统采集的数据由于不被人为干扰,因而反映了人们思想、行为的真实状态,具有与主体无关的客观真实性。从数据类型来说,智能系统采集的数据基本上都是离散数据,能够及时被电脑等智能设备处理,而且类型特别丰富,包括文本、图片、音频、视频等,全面刻画了数据采集对象的各种状态。从数据传输来说,智能终端采集的数据被即时传输上网,实现了在线采集和传输。从数据存储来说,云存储具有海量的空间,采集数据的智能终端不再需要巨大的存储能力。而面对海量的各类数据,并行的云计算能够在不同的地方同时进行计算和处理,再多的数据在云计算面前都不在话下。
在大数据时代,我们每个人都不知不觉地成了自动且免费的数据提供者,自动暴露了自己的一切言行。我们每天浏览网页,阅读新闻,发表评论;我们偶尔也上网购物,漫步在淘宝的虚拟店铺,在亚马逊、当当的网上书店里浏览、购买图书并留下自己的评论;我们也经常在博客、微博中洋洋洒洒写下自己的所思所想和世界各地的旅游足迹,有图有字有真相;我们用QQ、微信等网络交流工具与熟悉或陌生的所谓网友谈天说地,敞开心扉与素不相识的陌生人透露自己的喜怒哀乐;我们还每天打电话、发短信,在超市购物,溜达在装满摄像头的街道和建筑中。殊不知,这一切的一切都已被智能终端自动记录下来,并上传网络,存储云端。总之,我们的一切,包括所思、所想、所为,都留下了数据化足迹。如果说物理足迹会随岁月流逝而消失的话,那么这条数据化的足迹却永远难以抹去,成了一条永不消逝的信息链。大数据时代,一切心思都已经摆在网络上,透明而清晰。通过大数据,不懂心理学的普通人,可以轻松读懂他人的心思。
大数据或能读懂过去、预测未来
大数据为什么能够读懂人的心思,又是怎样读懂人的心思?关键就是它解决了人类心理信息的不对称问题。对于复杂的心理活动来说,传统的数据收集方法太落后,人工收集的数据难于解决信息失真问题,而且所收集的少量数据根本不足以全面刻画人的复杂心理,因此研究者与研究对象处于完全的信息不对称状态,人类心理当然就显得神秘莫测。大数据属于自动收集数据,随时随地记录下人们的一切,这海量的数据反映了我们所有的言行举止,暴露了我们的一切行踪,研究者只要挖掘这些数据就能掌握我们过去的一切信息。通过数据挖掘,不但可以刻画人们过去的心理、行为轨迹,而且还可以找到数据间的相关性,找到其中具有规律性的东西。根据数据足迹及其相关性规律,他人不用复杂的猜测过程就能用数据手段科学地刻画和把握人们的内心世界。更有甚者,大数据不但能读懂人们的过去,或许还能预测未来。我们知道,人类的思想和行为都具有路径依赖性,根据以往数据的相关性,能够找到人们过去的思想行为规律。根据这些规律,他(她)未来一定时间内会想什么、会做什么就有可能预先被推测出来。对那些有犯罪企图的人,如果我们能提前预测就能防患于未然。当然,对一般人来说,能够预知他人的心思可能也很有意义,否则怎么会有那么多人猜测他人心思呢?例如恋爱中人就特别想知道自己恋人的所思所想,以便做好应对之策。
大数据比人们自己还更了解自己。在大数据面前,人们以往的假面具和伪装术都失去了效用和意义。不过这也带来了诸多的伦理问题。例如信息安全、隐私保护和个人自由就是几个突出的问题。我们每天使用电脑和手机,每天暴露在监控之下,这些智能设备产生的数据究竟产权归属于谁?我们自己是否有知情权、使用权和删除权?我们的所有隐私都暴露在网络中,随时可以被他人挖掘和利用,我们每个人在大数据面前都变成了透明人。因此,在大数据时代,我们的隐私权该怎么来保护?大数据能够挖掘我们的过去,预测我们的未来,那我们的思想和行为自由会不会受到监视和控制?我们是否还有自己的思想和行为的自由?这些问题都值得我们认真去思考和解决。文章来源:CDA数据分析师官网
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在MySQL数据库运维与开发实践中,经常出现一种典型现象:数据库实际存储的数据量很小,数据表条数少、文件体积低,但服务器整体 ...
2026-09-11 很多数据分析师能熟练计算均值、标准差,但当被问到“总体和样本有什么区别”“参数和统计量有什么关系”“数据级别的高低如 ...
2026-09-11CDA数据分析师 出品 作者:李诗怡 定义: 将同一时间段内因具备相同属性或共同经历的用户划分为群体,分析其留存与生命周期价值 ...
2026-09-11在零售、商超、餐饮、线下门店等实体商业运营中,客流与销售额是衡量门店经营状态的两大核心指标。销售额是门店经营的最终结果, ...
2026-09-10在数据可视化体系中,柱形图是最基础、应用最广泛的图表类型,其中**累计柱形图(堆积柱状图)**是兼顾整体总量与内部结构的核心 ...
2026-09-10 许多数据分析师精通Excel函数和SQL查询,但当面对一张上万行的销售明细表,要快速回答“哪个地区销量最高”“哪款产品增长最 ...
2026-09-10在Python Pandas数据分析中,DataFrame是承载结构化数据的核心载体,数据清洗、数据修正、条件赋值、字段更新等实操场景,都离不 ...
2026-09-09 很多数据分析师掌握了Excel函数、会写SQL查询,但当被问到“数据从哪里来”“数据加工有哪些步骤”“如何使用分析工具连接数 ...
2026-09-09卡方检验(Chi-Square Test)是统计学中针对分类数据的经典显著性检验方法,核心用于判断两个离散分类变量是否相互独立、数据实 ...
2026-09-09CDA数据分析师 出品 作者:李诗怡 1. 销售漏斗阶段判断 题目:销售漏斗模型中,通过广告、社交媒体等方式触达品牌信息(如浏览品 ...
2026-09-07在Python数据分析中,Pandas库的DataFrame是最核心、最常用的结构化数据表对象,类似于Excel的二维表格,具备规整的行列结构、字 ...
2026-09-07在数据分析、经营复盘、业绩预测与经济统计工作中,平均增速(平均增长率)是衡量数据长期变化趋势、业务发展快慢的核心指标。不 ...
2026-09-07 很多数据分析师精通Excel单元格操作,但当被问到“表结构数据的基本处理单位是什么”“字段和记录的本质区别”“为什么表结 ...
2026-09-07随着大数据技术的快速发展,商业竞争逐步从传统的经验式经营转变为数据驱动的精细化运营。海量的用户行为数据、交易数据、运营数 ...
2026-09-04CDA数据分析师 出品 作者:李诗怡 1. 波士顿矩阵(BCG Matrix) 定义: BCG于1970年提出的业务组合分析工具,以"市场增长率"(纵 ...
2026-09-04 数据分析师八成以上的时间在和数据表格打交道,但许多人拿到Excel后习惯性地先算、先分析,结果回头发现漏了一列关键数据, ...
2026-09-04数据透视表是Excel与Power BI中最核心的数据分析工具,具备快速汇总、维度拆分、动态筛选的能力,可高效完成数据归类与统计展示 ...
2026-09-03在Power BI数据分析可视化场景中,堆积柱状图+折线图是最常用的复合图表组合。堆积柱状图适合展示各细分维度当期数值、结构占比 ...
2026-09-03 很多数据分析师每天与Excel打交道,但当被问到“表格结构数据的基本处理单位是什么”“数据类型误判会引发哪些分析错误”“ ...
2026-09-03CDA数据分析师 出品 作者:李诗怡 一、8个核心数据清洗函数 1. TRIM:一键清除多余空格(最常用) 作用:仅保留文本中"单词/字 ...
2026-09-02