哈佛教授:大數據,重要的不是數據
「滿城盡談大數據」,但很多人其實並不理解大數據真正價值是什麼,哈佛大學Gary King教授用3個大數據研究案例告訴你:有數據固然好,但是如果沒有分析,數據的價值就沒法體現。
2017年伊始,哈佛大學政治學系教授加里·金(Gary King)在上海交通大學舉辦了一場名為《大數據,重要的不是數據》(Big Data is Not About the Data)的講座。
DT君先來介紹一下主講人:Gary King是哈佛大學的校級教授(University Professor)。King教授以實證研究知名,擅長量化研究,其研究涉及政治學、公共政策、法學、心理學和統計學等領域。
(圖片說明:1月4日,Gary King教授在上海交大演講現場)
以下是Gary King 教授演講實錄(有刪節):
我工作的領域叫做量化社會科學(Quantitative Social Science),有時,它有一個別稱,叫大數據。「大數據」這個詞最早是媒體發現的,它試圖向大眾解釋我們是做什麼的,目前看來解釋的效果還不錯。
然而,大數據的價值不是在數據本身,雖然我們需要數據,數據很多時候只是伴隨科技進步而產生的免費的副產品。比如說,學校為了讓學生能更高效地註冊而引進了註冊系統,因而有了學生的很多信息,這些都是因為技術改進而產生的數據增量。
大數據的真正價值在於數據分析。數據是為了某種目的存在,目的可以變,我們可以通過數據來了解完全不同的東西……有數據固然好,但是如果沒有分析,數據的價值就沒法體現。
先來看一個大數據在公共政策層面運用的案例。
我們曾經做過一個評估研究,發現2000年以後美國社會保障管理總署(U.S. Social Security Administration,簡稱「SSA」)對於美國社保賬戶及人口壽命的預測有系統性偏差。
(圖片說明:2000年以後SSA對社保基金賬戶情況的預測出現顯著偏差;
來源:Gary King論文http://gking.harvard.edu/files/gking/files/jep2e292e22e239.pdf )大背景是,美國的社會保障平台是美國最大的單一政府平台,它的資金是跨代流動的——當前退休者的養老金供給來自於他們的下一代,即現在工作的人交的稅金。
所以SSA需要預測這個信託基金項目里的資金流,以及人的壽命,正確預測這兩點很重要,如果人們比SSA預期的更長壽——雖然這是好事——就很可能導致信託基金里就沒有足夠的錢給他們養老了。
我們研究發現,SSA的預測在2000年以後出現了系統性偏差——發生偏差的原因之一,是SSA使用的模型本質上定性分析的模型,且多年來幾乎沒有調整。由於一些藥物的使用和癌症早期發現,美國人開始比模型預測地更長壽了。
我們通過分析得出的結論是,美國社保信託基金至少存在8千億美元的缺口。
雖然結論有點不幸,但是政府需要提前知道。這樣政府就可以有空間在稅率,退休年齡等方面進行調整。這是公共政策層面的話題。
關於定性分析和定量分析,其實不是涇渭分明的。做分析全靠定性分析(由人主導)是不夠的,因為你有很多數據不知道該怎麼處理。 全靠定量分析(由機器主導)也不行,這就像一張巨大的excel表,但是表中沒有行、列的標籤。所以,大數據分析需要的是由人主導,由計算機輔助的技術(we need computer-assisted, human-led technology)。
我們還做過一個計算機輔助閱讀的實驗。我們開發了一套計算機輔助、自動化閱讀的技術,這項技術能幫助人們從非結構化的文字中提取、組織並且處理大量信息。
我們曾用該技術處理了64000篇國會議員官方發布的新聞稿,想通過這項基礎幫我們作分類,看國會議員在新聞稿中都說了些什麼。
結果我們發現,居然有高達27%的議員發布的新聞稿內容只是單純地想抨擊對方(Partisan Taunting),而不是想要平衡預算或停止戰爭,或解決問題。
(圖片說明:Gary King表示,抨擊對方政黨從個人角度來看是理性的,但是從整個集群的角度來看,是非理性的,如果抨擊對方的言語增多,政黨之間的合作關係和能效會減弱;
來源:Gary King研究成果單頁http://gking.harvard.edu/files/gking/files/polmethposter_1.pdf )
大數據時代,我們可以通過去量化過去不能量化的信息,使用精妙的統計學方法分析這些信息成為可能。
現在,我們都可以對一些強定性屬性(inherently qualitative)的東西作定量分析了,如音頻和視頻。但是,目前仍有一些定性分析工作者要分析的內容還未被量化。所以,定性分析、定量分析要配合操作才行。
我參與過一個產品項目叫做Perusall。「Peruse」是仔細精讀的意思,Perusall就是peruse + all,可以簡單理解為大家一起讀。
這個產品產生的背景是,大學教授會給同學布置閱讀作業,但是教授很難評估學生是否閱讀了規定的章節。如果有的學生沒讀而有的學生讀了,這對整體課堂的授課效果會有影響。
Perusall的好處之一,是它把閱讀從一個個體活動變成了一個集體活動。閱讀文章的同學可以對自己看不懂的部分做批註,也可以對其他同學的批註作回復解答。這樣更容易調動同學閱讀的主動積極性,讓閱讀變得更有趣。人天生是社會動物,這也是為什麼人們相比於在iTunes里聽歌更願意花錢去看演唱會,雖然前者音樂聲音更清晰。
(圖片說明:「學生困惑報告」樣本;來源:哈佛官網http://gking.harvard.edu/files/gking/files/ph.pdf )
一旦學生用Perusall在線上閱讀之後,我們就有了很多之前不可能互獲取的數據:知道學生在讀什麼,他們對閱讀內容的反饋怎樣,他們在讀每一頁的時候花多少時間;當然,如果你沒有讀書的第46-47頁,我們也會知道這個。
一方面,Perusall會基於每個學生的閱讀情況和評價質量,對學生的這項閱讀作業進行打分,從老師的層面看,這省去了原先閱讀作業不易評估的問題。
另一方面,Perusall會分析這些閱讀數據,知道學生們讀到哪裡時覺得困惑。
Perusall可以在老師上課前生成一個「學生困惑報告」(Students confusion report)。拿到這份報告,我就可以在一走進課堂時說,「根據你們的閱讀情況,你們可能有以下三個問題。」
(註:本文根據Gary King教授2017年1月4日在上海交通大學的講座內容整理、編輯而成;聯繫本文編輯張弦:zhangxian@yicai.com 微信:zhangxian494011)
推薦閱讀:
※矯情的民主黨和憤怒的共和黨把美國玩壞了
※如何評價10月13日晚的第一次民主黨初選辯論?
※為什麼Ted Cruz在Iowa的民調一路高升,甚至在今天超過了Trump成為了第一?
※如何評價《人民日報》(2015年07月26日05版)所說的「美式民主遭遇困境」?
※微政治 | 在自己身上,捍衛一個自由美國