京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据时代轻易获取知识的利弊_大数据培训
长期以来,人们学习和掌握知识,要么是老师的言传身授,要么是阅读书籍报刊,尤其是来自经典书籍上的知识,很多人对此深信不疑。然而进入网络大数据时代之后,海量的知识顿时如潮水涌现在眼前,令人眼花缭乱。到底如何判断哪些是真知识,并且是有用的知识,现在成了一个难题。美国哈佛大学伯克曼互联网与社会中心的资深研究员戴维·温伯格新著《知识的边界》(中文版译者胡泳、高美,山西人民出版社出版),围绕大数据时代的知识等一系列问题展开了深层次的探讨和反思。
书籍报刊中的知识凝聚着专业人士的智慧,更具价值
本书中,温伯格对于大数据时代的知识进行了不同层面、不同维度的分析和梳理。他认为,印刷时代的知识是静态、单向度、线性的传播方式,而大数据时代的知识则恰恰相反。美国云计算之父马克·贝尼奥夫认为,大数据时代的知识具有社交性、流动性、开放性的特征。而温伯格则在书中一语中的:“大数据时代的知识没有边界、也没有形状。”
大数据时代的知识是非线性的,可以自由组合、切割,处于一种游离状态。有点“召之即来,来之可取”的意味。大数据时代的知识,如同一张无限扩展的大网,将人类所有知识“一网打尽”。从客观上看,大数据时代的知识学习,确实有其便捷性,这是不争的事实。在没有建立互联网数据库之前,学者们从事学术研究,必须到图书馆查阅一本本书刊资料,既费时又费力。现如今,有了一台连接网络学术数据库的电脑,只要输入关键词,无数近似文献就会“排队”以供遴选。对于作家而言,大数据时代的文学创作,再也不必手持放大镜,一页页地翻阅字号奇小无比的工具书,而在词海的数据库中轻松检索,轻而易举就能获取相近或相反的字、词、句。
另一方面,大数据时代的各种知识,在网站、博客、微博、微信等新媒体中四处传播。而有些知识,未必就是真正的知识,可能是精神中的杂音、噪音,污染知识环境,侵蚀着人们的心灵健康。反而书籍报刊中的知识传播,经过了层层把关,凝聚着无数专业人士的智慧,更具价值。由于大数据时代的知识真假难辨,有的人感到迷惘,乃至一口认定或否定其存在的价值。事实上,作为现代人,使用网络已经成为一种重要的学习和工作手段,刻意逃避不是明智之举。笔者认为,任何一个人在大数据新媒体平台发表文章、表达观点,都应具备高度的社会责任感,理性地阐发真知灼见。倘若只是个人情绪的偏激宣泄,大数据时代的知识在未来命运如何,谁都无法预料。
不管处于什么时代,知识需要花费苦功钻研
这里不得不提,大数据时代的知识便捷性只是相对而言。假如高度依赖网络数据进行学术研究或者文学创作,笔者有着隐隐的担忧:因为学者、作家使用数据库后,省略了在稿纸上的“各种比划”,思考中的各种揣摩、猜疑和最初的灵感火花,无法原汁原味地留存。众所周知,学术研究或者文学创作过程中那些潦草、凌乱的文稿笔迹,是知识的半成品,具备极高的研究价值。大数据时代将大脑思索的过程省略,轻而易举地抹掉,应该引起足够的关注。
大数据时代的知识仅仅是一种资源,好比家中存放成百上千的书籍,如果不去研读,知识和人依然无关。不管处于怎样的一种时代,知识需要人们花费苦功钻研,否则再多的知识也无意义。另外,现在不少人,凡是有不懂的问题,习惯性地上网搜索,不作任何甄别地将网上的知识和答案奉为宝典。长此以往,久而久之会使大脑变得懒惰,思维变得迟钝。大数据时代的知识,究竟是令人变得聪明还是愚笨?
《知识的边界》一书的魅力,在于它所呈现的思辨层面的丰富性,以及对知识本身的学习、生产、传播、知识内部要素以及知识的外部影响,进行层层深入、环环相扣的论述。在很多看上去不是问题的问题追问中,温伯格表现出深厚的知识思辨能力,这是极为难得的。
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 数据查询中,“按顺序计数” 是高频需求 —— 例如 “统计近 7 天每日订单量”“按用户 ID 顺序展示消费记录”“按产品 ...
2025-10-31在数据分析中,“累计百分比” 是衡量 “部分与整体关系” 的核心指标 —— 它通过 “逐步累加的占比”,直观呈现数据的分布特征 ...
2025-10-31在 CDA(Certified Data Analyst)数据分析师的工作中,“二分类预测” 是高频需求 —— 例如 “预测用户是否会流失”“判断客户 ...
2025-10-31在 MySQL 实际应用中,“频繁写入同一表” 是常见场景 —— 如实时日志存储(用户操作日志、系统运行日志)、高频交易记录(支付 ...
2025-10-30为帮助教育工作者、研究者科学分析 “班级规模” 与 “平均成绩” 的关联关系,我将从相关系数的核心定义与类型切入,详解 “数 ...
2025-10-30对 CDA(Certified Data Analyst)数据分析师而言,“相关系数” 不是简单的数字计算,而是 “从业务问题出发,量化变量间关联强 ...
2025-10-30在构建前向神经网络(Feedforward Neural Network,简称 FNN)时,“隐藏层数目设多少?每个隐藏层该放多少个神经元?” 是每个 ...
2025-10-29这个问题切中了 Excel 用户的常见困惑 —— 将 “数据可视化工具” 与 “数据挖掘算法” 的功能边界混淆。核心结论是:Excel 透 ...
2025-10-29在 CDA(Certified Data Analyst)数据分析师的工作中,“多组数据差异验证” 是高频需求 —— 例如 “3 家门店的销售额是否有显 ...
2025-10-29在数据分析中,“正态分布” 是许多统计方法(如 t 检验、方差分析、线性回归)的核心假设 —— 数据符合正态分布时,统计检验的 ...
2025-10-28箱线图(Box Plot)作为展示数据分布的核心统计图表,能直观呈现数据的中位数、四分位数、离散程度与异常值,是质量控制、实验分 ...
2025-10-28在 CDA(Certified Data Analyst)数据分析师的工作中,“分类变量关联分析” 是高频需求 —— 例如 “用户性别是否影响支付方式 ...
2025-10-28在数据可视化领域,单一图表往往难以承载多维度信息 —— 力导向图擅长展现节点间的关联结构与空间分布,却无法直观呈现 “流量 ...
2025-10-27这个问题问到了 Tableau 中两个核心行级函数的经典组合,理解它能帮你快速实现 “相对位置占比” 的分析需求。“index ()/size ( ...
2025-10-27对 CDA(Certified Data Analyst)数据分析师而言,“假设检验” 绝非 “套用统计公式的机械操作”,而是 “将模糊的业务猜想转 ...
2025-10-27在数字化运营中,“凭感觉做决策” 早已成为过去式 —— 运营指标作为业务增长的 “晴雨表” 与 “导航仪”,直接决定了运营动作 ...
2025-10-24在卷积神经网络(CNN)的训练中,“卷积层(Conv)后是否添加归一化(如 BN、LN)和激活函数(如 ReLU、GELU)” 是每个开发者都 ...
2025-10-24在数据决策链条中,“统计分析” 是挖掘数据规律的核心,“可视化” 是呈现规律的桥梁 ——CDA(Certified Data Analyst)数据分 ...
2025-10-24在 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23