費(fèi)文緒/編譯

?

大數(shù)據(jù)如何產(chǎn)生虛假的信心

費(fèi)文緒/編譯

● 如果我聲稱(chēng)美國(guó)人最近變得更加以自我為中心，你可能會(huì)把我視為一個(gè)愛(ài)發(fā)牢騷愛(ài)懷舊的倔老頭，但是如果我說(shuō)通過(guò)分析1 500億個(gè)文本詞匯，我能支持這個(gè)斷言，你又會(huì)怎么看我呢？請(qǐng)看卡耐基梅隆大學(xué)計(jì)算機(jī)科學(xué)博士研究生杰西·杜尼艾茨（Jesse Dunietz）的分析。

幾十年前，這種規(guī)模的證據(jù)只是一個(gè)白日夢(mèng)。而現(xiàn)在，1 500億個(gè)數(shù)據(jù)點(diǎn)實(shí)際上已經(jīng)過(guò)時(shí)了。一股對(duì)“大數(shù)據(jù)”分析的熱潮席卷了生物學(xué)、語(yǔ)言學(xué)、金融學(xué)以及它們之間的每個(gè)領(lǐng)域。

盡管對(duì)于如何定義“大數(shù)據(jù)”尚未達(dá)成完全的共識(shí)，不過(guò)一般的觀點(diǎn)認(rèn)為，數(shù)據(jù)集龐大，以致能揭示傳統(tǒng)數(shù)據(jù)查詢(xún)見(jiàn)不到的模式，這就是大數(shù)據(jù)。數(shù)據(jù)通常由數(shù)百萬(wàn)現(xiàn)實(shí)世界中的用戶(hù)行為產(chǎn)生，比如Twitter文章或信用卡購(gòu)買(mǎi)記錄，需要利用成千上萬(wàn)臺(tái)計(jì)算機(jī)收集、儲(chǔ)存和分析這些大數(shù)據(jù)。不過(guò)，對(duì)很多公司和研究者而言，對(duì)大數(shù)據(jù)的投入是值得的，因?yàn)槠淠Ｊ侥芷谱g關(guān)于任何事物的信息——從遺傳病到明天的股票價(jià)格。

但是有一個(gè)問(wèn)題：人們想當(dāng)然地以為擁有如此海量的數(shù)據(jù)作為支撐、依賴(lài)于大數(shù)據(jù)的研究不會(huì)出錯(cuò)。但是，數(shù)據(jù)量的巨大可能會(huì)為研究結(jié)果灌注一種虛假的確定性。很多基于大數(shù)據(jù)的研究很可能是虛假的——而其中的原因應(yīng)該讓我們對(duì)任何盲目相信大數(shù)據(jù)的研究有所質(zhì)疑。

在語(yǔ)言和文化研究方面，大數(shù)據(jù)于2011年大大露臉，當(dāng)時(shí)谷歌推出全球書(shū)籍詞頻統(tǒng)計(jì)工具Ngrams。在《科學(xué)》雜志上大張旗鼓地發(fā)布后，Google Ngrams允許用戶(hù)在谷歌圖書(shū)數(shù)據(jù)庫(kù)中檢索短語(yǔ) （谷歌掃描的圖書(shū)數(shù)量大約占到現(xiàn)代印刷術(shù)發(fā)明以來(lái)人類(lèi)已出版圖書(shū)總量的4%），然后看看這些短語(yǔ)出現(xiàn)的頻率是如何隨著時(shí)間變化的。這篇論文的作者們預(yù)示了“文化組學(xué)”（culturomics）的問(wèn)世——這是一種基于大量數(shù)據(jù)的文化研究，從那以后，Google Ngrams很大程度上成為了娛樂(lè)的無(wú)盡源泉，同時(shí)也成為語(yǔ)言學(xué)家、心理學(xué)家和社會(huì)學(xué)家的金礦。他們遍覽數(shù)百萬(wàn)冊(cè)書(shū)籍，最終得出一個(gè)研究結(jié)論，比如說(shuō)，美國(guó)人確實(shí)變得越來(lái)越個(gè)人主義，“我們年復(fù)一年越來(lái)越快地忘記我們的過(guò)去，道德理想正從我們的文化自覺(jué)中消失。”

問(wèn)題開(kāi)始于Ngrams語(yǔ)料庫(kù)建立的方式。去年10月發(fā)表的一項(xiàng)研究中，佛蒙特大學(xué)的三位研究者指出，總體而言，谷歌書(shū)籍?dāng)?shù)據(jù)庫(kù)（Google Books）包括了每本書(shū)的一個(gè)副本。這對(duì)它創(chuàng)建的初衷而言非常有意義，那就是把這些書(shū)的內(nèi)容暴露于谷歌強(qiáng)大的搜索技術(shù)。但是，從社會(huì)學(xué)研究的角度而言，這使得語(yǔ)料庫(kù)被危險(xiǎn)地歪曲了。

更逃避不了的事實(shí)是，Ngrams并不是正在出版書(shū)籍的一致而均衡的切片。同樣是佛蒙特大學(xué)的上述研究表明，在書(shū)籍結(jié)構(gòu)的變化中，尤為突出的是從20世紀(jì)60年代開(kāi)始科學(xué)文章的顯著增長(zhǎng)。所有這些因素都讓我們很難相信，谷歌Ngrams準(zhǔn)確反映出詞匯的文化流行度隨著時(shí)間的變化。

即便你不考慮數(shù)據(jù)來(lái)源，在解釋上仍然存在很多棘手的問(wèn)題。的確，像“character”（性格）和“dignity”（尊嚴(yán)）這樣的詞匯出現(xiàn)的頻率隨著時(shí)間在降低，但是這就意味著人們對(duì)道德的關(guān)注減少了嗎？不會(huì)這么快減少的，伊利諾伊大學(xué)厄巴納-香檳分校的英語(yǔ)教授泰德·安德伍德（Ted Underwood）提醒研究者下結(jié)論要慎重。20世紀(jì)末的道德概念很可能與我們現(xiàn)在的道德概念有很大的不同，他指出，“尊嚴(yán)”這個(gè)詞可能出于并非道德方面的原因而流行。所以，我們通過(guò)把現(xiàn)有的聯(lián)系映射到過(guò)去所得出的任何結(jié)論都是可疑的。

當(dāng)然，所有這些問(wèn)題對(duì)于統(tǒng)計(jì)學(xué)家和語(yǔ)言學(xué)家而言，都算不上新鮮事。他們天天跟數(shù)據(jù)和解釋打交道，就像每天吃的面包和黃油，不過(guò)，谷歌Ngrams的不同之處在于，純粹的數(shù)據(jù)會(huì)產(chǎn)生一種誘惑，讓我們變得盲目，可能會(huì)讓我們誤入歧途。

這種數(shù)據(jù)的誘惑并不是Ngrams研究所獨(dú)有的，類(lèi)似的錯(cuò)誤也會(huì)損害所有類(lèi)型的大數(shù)據(jù)研究項(xiàng)目。比如，我們看看谷歌流感趨勢(shì)（GFT）的案例。2008年發(fā)布的GFT研究在數(shù)以百萬(wàn)計(jì)的谷歌搜索查詢(xún)中，統(tǒng)計(jì)了諸如“發(fā)燒”和“咳嗽”這樣的詞匯出現(xiàn)的頻度，用它們來(lái)映射到現(xiàn)在有多少人得了流感。如果采信GFT研究的估計(jì)，可能在疾病控制中心 （CDC）從醫(yī)生的報(bào)告中計(jì)算出真實(shí)數(shù)據(jù)之前兩周，公共衛(wèi)生官員們就會(huì)采取行動(dòng)。

最初，GFT研究結(jié)果聲稱(chēng)具有97%的準(zhǔn)確度，但是一項(xiàng)對(duì)美國(guó)東北大學(xué)文獻(xiàn)的研究表明，GFT研究的準(zhǔn)確度不過(guò)是僥幸。首先，GFT研究完全忽視了2009年春季和夏季爆發(fā)的“豬流感”。（原來(lái)GFT研究大部分預(yù)測(cè)的是冬季流感。）其次，該研究體系開(kāi)始高估了流感案例。實(shí)際上，它夸大了2013年流感高峰期的數(shù)據(jù)，比真實(shí)數(shù)據(jù)夸大了驚人的140%。最后，谷歌只好整體解散GFT研究項(xiàng)目。

那么，到底是哪里出錯(cuò)了呢？對(duì)于Ngrams，人們并沒(méi)有認(rèn)真考慮其數(shù)據(jù)來(lái)源和解釋。數(shù)據(jù)來(lái)源——谷歌搜索，并不是一個(gè)靜態(tài)的野獸。當(dāng)谷歌開(kāi)始自動(dòng)完成查詢(xún)，用戶(hù)就開(kāi)始接受建議的關(guān)鍵詞，而扭曲了GFT研究看到的搜索。在解釋方面，GFT研究的工程師們最初讓GFT采用了表面價(jià)值的數(shù)據(jù)，幾乎任何搜索詞都被視為一個(gè)潛在的流感指示詞。采用數(shù)以百萬(wàn)計(jì)的搜索詞，實(shí)際上保證了GFT過(guò)度解釋了具有季節(jié)性的詞匯，比如“雪”，將其視為流感證據(jù)。

我們正在失去希望：上圖是“希望”（hope）這個(gè)詞的Ngrams詞頻統(tǒng)計(jì)圖，這是xkcd網(wǎng)絡(luò)漫畫(huà)的創(chuàng)作者蘭德?tīng)枴らT(mén)羅（Randall Munroe）發(fā)現(xiàn)的很多有趣的情節(jié)之一。如果Ngrams真的反映了我們的文化，那么我們將走向一個(gè)黑暗的地方

但是當(dāng)人們不把大數(shù)據(jù)視為萬(wàn)能藥時(shí)，大數(shù)據(jù)就可能起到變革作用。有幾個(gè)研究團(tuán)隊(duì)，比如哥倫比亞大學(xué)杰弗里·沙曼（Jeffrey Shaman）研究團(tuán)隊(duì)，通過(guò)利用疾病控制中心的研究結(jié)果彌補(bǔ)GFT研究的偏差，得到了比兩者都更為準(zhǔn)確的流感預(yù)測(cè)。據(jù)CDC說(shuō)，“沙曼的研究團(tuán)隊(duì)對(duì)該季節(jié)中已經(jīng)發(fā)生的實(shí)際的流感疫情測(cè)試了他們的模型?！蓖ㄟ^(guò)把剛剛發(fā)生的流感疫情考慮在內(nèi)，沙曼及其研究團(tuán)隊(duì)精密調(diào)校了他們的數(shù)學(xué)模型，以更好地預(yù)測(cè)未來(lái)的流感疫情。研究團(tuán)隊(duì)們所需做的就是嚴(yán)格評(píng)估他們對(duì)數(shù)據(jù)的假設(shè)。

為了避免我看起來(lái)像是谷歌的冤家對(duì)頭，我會(huì)趕緊補(bǔ)充說(shuō)，谷歌遠(yuǎn)不是唯一的罪魁禍?zhǔn)?。我的妻子是一個(gè)經(jīng)濟(jì)學(xué)家，過(guò)去曾為一家公司工作，那家公司搜刮整個(gè)互聯(lián)網(wǎng)上的招聘信息，然后匯總成統(tǒng)計(jì)數(shù)據(jù)報(bào)告給國(guó)家勞動(dòng)機(jī)構(gòu)。這家公司的經(jīng)理們鼓吹說(shuō)他們分析了美國(guó)80%的工作，但是再一次，數(shù)據(jù)的數(shù)量讓他們變得盲目而誤入歧途。例如，當(dāng)?shù)氐奈譅柆敵锌赡軙?huì)發(fā)布一個(gè)與銷(xiāo)售相關(guān)的職位招聘信息，而實(shí)際上它可能想要招聘10個(gè)人，或是在招到人以后，讓招聘信息依然掛在網(wǎng)上數(shù)周不拿下來(lái)。

所以，與其屈服于“大數(shù)據(jù)的狂妄自大”，剩下的我們還不如保持質(zhì)疑態(tài)度，即便有人拿出數(shù)十億的詞頻分析作為結(jié)論支撐。

［資料來(lái)源：Nautilus］［責(zé)任編輯：彥 隱］