大数据技术体系为推动社会科学借鉴自然科学成果,形成基于数据驱动的社会科学研究新范式提供了有力支撑。
与自然科学不同,社会科学以人类社会现象为研究对象,其传统研究范式在认知准确性方面存在争议。然而,大数据时代的到来为弥补这一缺陷提供了潜在的解决方案。随着全球新一轮科技革命和产业变革的加速演进,数据源、数据处理、数据分析等数据相关技术发展迅速,特别是以统计学习、机器学习、深度学习乃至更广泛的人工智能为代表的数据分析方法,正在带来新的认知方式,为形成数据驱动的社会科学研究新范式提供有力支撑。
大数据的概念特征和内涵
大数据首次出现在2010年2月《经济学人》关于信息管理的特别报道中。2011年5月,麦肯锡全球研究所在一份题为《大数据:创新、竞争和生产力的下一个前沿》的报告中,将大数据定义为“其规模超过常规数据库工具的获取、存储、管理和分析能力的数据集”。现在流行的大数据定义是海量的、高增长的、多样化的信息资产,需要新的处理模式来拥有更强的决策、洞察和流程优化能力。在维克托·迈尔·舍恩伯格的《大数据时代》一书中,大数据技术被描述为一种使用所有数据进行分析而不是传统随机分析的处理模式。海量性、实时性、多样性和有效性成为大数据的典型特征。这也是大数据定义中被广泛接受的3V、4V或nV。此外,大数据技术还包括数据采集、数据存储、数据处理、数据分析和显示所需的专业知识和技能。这些多学科、跨学科的知识和技能融合在一起,形成大数据技术体系。
自大数据概念首次提出以来,该技术在精准营销、信息安全、智能制造、语义识别、文本分析等诸多领域取得了丰硕的成果。然而,大数据在社会科学领域的应用大多停留在概念和模式复制阶段。即便如此,学者们普遍认为,大数据的兴起为社会科学学科体系的重建和研究范式的转变带来了新的机遇。
有效应对人类社会复杂的适应性。
事实上,大数据以及围绕大数据运用而形成的大数据技术体系,为有效应对人类社会活动的复杂适应性特征提供了技术可行性,从而为推动社会科学借鉴自然科学成果,形成基于数据驱动的社会科学研究新范式提供了有力支撑。
首先,大数据技术有助于系统扫描社会科学现象。传统社会科学研究受限于数据收集、信息传递和知识获取的技术因素,往往无法系统定位和描述社会现象的全貌。第二,大数据技术有助于动态跟踪社会问题。社会科学问题往往具有实时性和进化性的特点。传统的研究方法难以实时跟踪和反馈许多推动事物转化的内外部因素,在时间上滞后于事件的衍生和发展。第三,大数据技术有助于系统分析事物发生发展的本质动因和多重影响因素。基于显著变量设置的传统研究方法无法从技术上收集和计算所有影响社会现象的因素,被忽略因素的显著影响、显性突变或累积跃迁效应可能导致研究结果出现重大偏差。第四,大数据技术有助于接近整体数据。传统的研究方法往往通过主观判断或科学抽样来控制数据的代表性和误差因素,并在此基础上构建定量描述、假设检验、参数估计等一系列方法。大数据的通用近似特征不仅仅是数据资源的扩展,其理论基础和技术框架也为社会科学的发展提供了结构性变革的可能。
扭转对大数据的认知偏差
目前的大数据理论和大数据技术距离为社会科学的复杂适应性提供解决方案的目标还很远,主要存在以下障碍。第一,大数据这个名字本身就有误导性。强调“大”数据是大数据技术的首要内涵。然而,由于存储和计算能力的极大提高,数据收集变成了一个没有明确目标的被动过程。这使得数据的价值密度呈指数级下降,冗余数据的处理成本不断飙升,客观上导致了重数量轻质量的现实缺陷。第二,大数据有偏差,不一致。大数据技术为特定目标收集的“第一手”数据仍然存在“选择性偏差”。被动收集的数据使得大数据技术只能观察和收集行为者的信息。因此,无法保证数据的无偏性和一致性。第三,重视技术发展而忽视解决问题的倾向。大数据技术是从数据的采集、存储、传输和计算开始的,目前的应用也多在这些领域,更多的是着眼于大数据技术的发展,而不是大数据解决实际问题的真正应用。社会科学研究的本质是问题导向,要基于现实问题选择合适的数据和方法,而不是机械地套用大数据解决方案。第四,应强调微观层面的精准定位,而忽略宏观层面的总量。大数据在商业营销领域的成就,使得人们更多地利用大数据对微观个体进行精准定位,识别其状态,预测其行为。但社会科学的核心仍然是对社会现象的分析,需要突破微观基础和宏观现实之间的逻辑联系和传导机制。第五,过于强调关系发现,而忽略了因果分析。这也是制约大数据技术发挥有效作用的关键问题。这项技术大大增强了数据收集的维度和深度,使人们能够真正从全局和动态演化的角度审视社会现象和社会问题。但它拒斥传统的基于因果关系的研究体系,试图在事物的作用机制之外寻求社会现象认知的解决之道。因此,如果大数据技术不能扭转偏颇的认知模式,社会科学领域就很难有所突破。
推进社会科学研究的智能化。
总的来说,大数据时代的到来为社会科学的发展提供了重要机遇。社会科学研究有望突破传统社会调查方法和数学模型、推断统计、定量建模等传统定量技术的局限。但是,社会科学的发展不应该也不会完全局限于目前大数据概念的定义和技术局限。本文立足社会理论和社会现实问题,积极挖掘多元基础数据,构建社会主体间的联系网络,充分利用人机一体化的综合集成模式,追溯社会现象的起源和逻辑传递机制,从而对社会科学研究对象进行精确的定量结构分析和预测推演,使之成为社会科学未来发展的重要途径之一,即数据驱动的社会科学研究新范式。
新范式为突破社会科学研究中被动寻找经验证据的传统实证方法,建立基于数据资源的主动量化提供了新的思路。问题导向、数据出发、机制追溯、综合整合、定量计算将是数据驱动社会科学研究范式的基本特征。未来,社会科学的研究范式将面临巨大变革,但不会违背自身的学术渊源;更多利用大数据技术,但不会抛弃基于定量统计方法的实证研究基础;不断准确地刻画微观个体的行为和状态,但不会忽视宏观集合体的特征和微观-宏观整合的研究途径;主要的科学方法是数据计算和模拟实验,但仍以人类智慧和专业经验为指导。在上述基础上,社会科学将逐步从数据实证应用的研究范式向数据驱动的研究范式转变。
作为现代社会科学研究的基础支撑,数据的核心,无论是多源非结构化大数据,还是统计抽样数据,都是为了解决与社会发展要求相匹配的实际问题。因此,今后有必要重点关注以下问题。
首先,建立科学的数据资源评估体系。大数据采集模式的创新并不能完全消除数据样本的偏倚或不一致性。以大数定律和中心极限定理为基础的科学抽样方法,在未来仍然具有不可替代的适用性。因此,当前的首要任务应该是面向社会问题,建立系统的数据资源评估理论和方法,提出面向全球、多样、实时的非结构化数据的有效性判断标准,重视数据科学伦理问题的研究。
其次,解决大数据层面的总积累问题。将微观非结构化数据系统地提炼和总结为不同层次的总信息,是基于微观大数据解构宏观社会现象的基础。某种程度上,信息的有效提取也决定了大数据技术能否真正融入社会科学的研究体系。
第三,在数据分析的基础上,提出了解决方案。未来社会科学的发展应该基于多源数据,通过智能计算和专家智慧的结合,定量分析社会现象,提出社会问题的科学治理体系和模型,最终建立社会科学“类工程化处置”的研究机制和范式。
最后,注重逻辑因果机制和机理的发现。大数据研究不能片面关注关联性,而应更加注重发现社会现象的本质动因,科学回答“是什么”和“为什么”的基本命题。因此,需要利用多元化实时数据的相关性优势,准确阐明社会现象的因果机制,挖掘社会问题的逻辑机制,形成真正科学有效的治理方法和途径,从而形成智能化的社会科学研究工具和平台。
,“综合仿真实验平台的设计与构建研究”)
来源:作者:蔡跃洲万翔宇
欢迎关注中国社会科学网微信微信官方账号cssn_cn了解更多学术资讯。



