¿Cómo escapar de las limitaciones de la ideología?
Si bien damos gran importancia al pensamiento de big data, también debemos tratar sus limitaciones de manera racional: la falta de comprensión de los modelos de datos completos, la ansiedad por el pensamiento cuantitativo y el culto excesivo a la correlación deben considerar el conjunto e integrar cuantitativamente lo cualitativo; , énfasis causal en la correlación y la complementariedad para lograr la trascendencia del pensamiento de big data.
Con el rápido desarrollo de la nueva generación de tecnologías de la información, especialmente la popularización generalizada de Internet móvil, big data, computación en la nube, ropa inteligente y otras tecnologías, los datos han crecido explosivamente y la sociedad humana ha entrado en una Etapa caracterizada por los datos. La era del big data. “La llegada de la era digital, donde todo se registra y todo se analiza, es imparable”. [1] En el entorno de big data de 10, los datos se han convertido en una "nueva energía" que impulsa el desarrollo económico y social y crea mayores beneficios económicos y sociales. En el campo de la investigación científica, Jim Gray, ganador del Premio Turing en informática, propuso el "cuarto paradigma" de la investigación científica, que es un paradigma de investigación basado en la informática intensiva en datos. En este contexto, “cuantificarlo todo” y “dejar que los datos hablen” se han convertido en los lemas de la época. La gente presta más atención al pensamiento holístico de "todos los datos en lugar de muestras", persigue el pensamiento cuantitativo de "cuantificación en lugar de cualitativo" y enfatiza el pensamiento de correlación de "correlación en lugar de causalidad". Sin duda, esto tiene un gran impacto en el pensamiento tradicional de comprender la relación entre las cosas mediante la búsqueda de regularidad, causalidad y métodos de muestreo. Sin embargo, todo es la unidad de los opuestos. En la actual locura del pensamiento de big data, debemos seguir siendo racionales, ver dialécticamente los cambios en el pensamiento que trae consigo, tomar en serio sus limitaciones, explorar formas complementarias y adaptarnos mejor a la supervivencia y el desarrollo de la era de big data en el nivel de pensamiento.
1 Limitaciones del pensamiento de big data
1. Malentendido del modelo de datos completo
Con la popularización de varios sensores y dispositivos inteligentes, es posible darse cuenta. Monitoreo en tiempo real y recopilación y transmisión de datos de cosas. Los datos obtenidos de las cosas no son solo datos de muestra, sino todos los datos. Este modo se llama "modo de datos completos". Sobre la base del modelo de datos completo, las características y atributos de las cosas se pueden analizar y comprender de manera más integral, lo que también conduce a una toma de decisiones más objetiva y científica. Sin embargo, para los modelos de datos completos, algunos académicos han sugerido que "N = todos" es a menudo una suposición de los datos, más que una realidad. Por lo tanto, mientras se buscan datos suficientes, es necesario realizar la elaboración necesaria.
En primer lugar, hemos ido cayendo gradualmente en la contradicción entre el crecimiento explosivo de los datos y la tecnología atrasada. En un entorno de big data, los datos cambian rápidamente en lugar de permanecer estáticos. Según estimaciones de IBM, la cantidad de datos nuevos generados cada día alcanza los 2,5 * 1018 bytes. Si se compara 1 metro cúbico de agua con un byte, la cantidad de datos es incluso mayor que la capacidad total de almacenamiento de agua de la Tierra, que es 1,42 * 1018 metros cúbicos. El aumento de datos es muy sorprendente. Aunque el nivel de la tecnología de datos ha mejorado rápidamente, todavía está por detrás de la tasa de crecimiento de los datos. "Incluso si recopilamos todos los datos y los analizamos con tecnología, sólo podemos captar la relación entre puntos o correlaciones locales. Pero esto no significa que podamos trazar leyes y tendencias generales de las cosas. "Esto muestra que el retraso relativo en tecnología dificulta la realización del modelo de datos completo.
En segundo lugar, la existencia objetiva de "islas de datos" limita la realización del "modelo de datos completo". Para realizar el "modelo de datos completo", un requisito previo importante es lograr la apertura y el * * intercambio de datos. Dado que las empresas y los gobiernos conocen bien el valor de los datos, la apertura y el intercambio de datos han logrado ciertos resultados. Sin embargo, hasta ahora, los canales de circulación de los recursos de datos no se han abierto completamente y el problema de las "islas de datos" todavía existe. hasta cierto punto. Las principales manifestaciones son las siguientes: En primer lugar, el flujo de datos entre industrias no se ha realizado realmente. Después de reconocer el valor potencial de los datos, las empresas y los gobiernos se dan cuenta rápidamente del flujo de recursos de datos entre departamentos o dentro de ellos para facilitar el desarrollo conveniente de las organizaciones. Sin embargo, impulsados por los intereses de cada interesado, los datos entre departamentos y dentro de los departamentos no han logrado un verdadero flujo mutuo, lo que se ha convertido en otro problema importante en la "isla de datos" que debe resolverse con urgencia. En segundo lugar, el auge del mercado de comercio de datos ha intensificado hasta cierto punto la formación de “islas de datos”.
Impulsadas por intereses, las empresas emergentes que utilizan la venta de datos como modelo de ganancias inevitablemente aumentarán la confidencialidad de los datos que recopilan. Esta mentalidad y comportamiento también harán que el problema de los "silos de datos" sea más prominente. En tercer lugar, la lenta velocidad de conexión de las empresas y la rápida velocidad de actualización de datos hacen que el problema de las "islas de datos" sea prominente. Debido a que la velocidad de desarrollo de la tecnología no puede seguir el ritmo de la tasa de crecimiento de los datos, las actualizaciones de datos son lentas y la combinación de datos antiguos y nuevos "vinculará" la visión de las personas, lo que conducirá a un nuevo nivel de "islas de datos". Por lo tanto, el llamado "modelo de datos completo" puede convertirse en el estado ideal que esperamos, una nueva "utopía" construida por el desarrollo de la tecnología de datos y una proyección de la sociedad de la información: la sombra de la caverna de Platón.
Finalmente, el valor clave del big data no es "grande" y "completo", sino "útil". La búsqueda de un modelo de todos los datos crea la ilusión de que mientras todos los datos estén disponibles, se puede extraer más valor de los mismos. Actualmente, la mayoría de los datos que se pueden extraer son datos estructurados que pueden ser reconocidos por las computadoras. Sin embargo, en todo el mundo de los datos, la mayoría de los datos valiosos se basan en datos no estructurados que no han sido reconocidos por el documento. En 2014, los datos no estructurados representaron más del 80% del total de datos y en 2015 representaron más del 85%. Al mismo tiempo, los datos no estructurados están creciendo a un ritmo más del doble que los datos estructurados. Esto da como resultado que algunos datos no estructurados sean irreconocibles como "datos basura" y, finalmente, se descarten. De esta forma, la implementación de lo que llamamos el "modelo de datos completo" será más difícil.
2. Ansiedad por el pensamiento cuantitativo
En la era del big data, todos los fenómenos y cambios de comportamiento en la naturaleza y la sociedad humana son digitales, y es posible "cuantificarlo todo". Al mismo tiempo, hay varias cuestiones a las que es necesario prestar atención en el pensamiento cuantitativo. Defectos de la ontología y los métodos En la era actual de los grandes datos, todas las actividades humanas dejarán rastros de datos. El mundo entero evolucionará gradualmente hacia un mundo digital y la visión del mundo de los datos seguirá emergiendo. Bajo la guía de la visión del mundo de los datos, “cuantificar todo” se ha convertido en la metodología de la era del big data. Los filósofos también han comenzado a reflexionar sobre la relación entre los datos y el mundo, e incluso han llegado a la conclusión de que "el origen del mundo son los datos". Pero, ¿se han convertido los datos en la ontología del mundo? Creemos que la razón de tal idea se debe principalmente a los sesgos en la comprensión de la naturaleza de los datos, lo que requiere una consideración cuidadosa.
En primer lugar, las fuentes de datos del big data se basan principalmente en los comportamientos conscientes o inconscientes de las personas en la vida social. En otras palabras, los big data son un reflejo cuantitativo de la existencia objetiva de actividades perceptivas y objetivas en la vida social de las personas. "Cuantificar todo" es la forma ideal de entender las cosas en la era del big data. Por lo tanto, en esencia, la fuente de datos sigue siendo el mundo material objetivo. Sin el mundo material, los datos se convertirían en "agua sin fuente y un árbol sin raíz".
En segundo lugar, el objetivo principal de "Cuantificar todo" es recopilar, transmitir, almacenar y analizar datos generados por las actividades perceptuales y objetivas pasadas de las personas, interviniendo y guiando así el comportamiento de las personas. Su función principal es mejorar la objetividad y la cientificidad de las predicciones y dar pleno juego a la iniciativa subjetiva y la creatividad de las personas. Sin embargo, este método ideal de "cuantificar todo" sólo se da cuenta de que "los datos son datos estáticos de la vida social humana", pero ignora el hecho objetivo de que "la vida social humana son datos dinámicos". Considera toda la vida social humana como un conjunto de datos estáticos y sin vida, ignorando que muchos fenómenos en toda la naturaleza y la sociedad humana son intrincados y en constante cambio.
(2) El comportamiento individual es “seleccionado”
La predicción cuantitativa hará que el comportamiento individual sea “seleccionado”. El análisis cuantitativo y el procesamiento del comportamiento, la actitud y la personalidad de las personas basados en la tecnología de big data pueden predecir y ayudar a las personas a encontrar el llamado cónyuge adecuado, pero también preguntamos: ¿La pareja encontrada por el sistema es la más adecuada para el individuo? Si tomamos esta decisión basándonos en un análisis cuantitativo de datos, ¿deberíamos abandonar nuestra intuición y nuestros sentimientos personales? ¿Renunciamos a nuestro derecho a elegir o seguimos el sistema que nos permite ser "elegidos"? Desde otra perspectiva, se trata de una comprensión de la relación entre sensibilidad y racionalidad: los factores perceptivos como el sentimiento y la inspiración son los únicos que se encuentran al comienzo de la vida humana y son la intuición más instintiva del ser humano sobre toda la naturaleza y la sociedad. La racionalidad se desarrolla gradualmente sobre la base de la sensibilidad.
La gente presta más atención a la racionalidad, principalmente porque la racionalidad es fácil de comprender debido a su lógica clara y rigurosa, mientras que las emociones son fáciles de ignorar debido a su incertidumbre. Pero precisamente por eso la razón es limitada, mientras que la sensibilidad se extiende infinitamente debido a la incertidumbre de su expresión, y también puede dar la respuesta más instintiva e intuitiva al mundo en constante cambio y desarrollo. Tenemos dudas sobre cómo encontrar la pareja adecuada para el amor o el matrimonio basándose en el análisis de big data, porque así como el cerebro humano no puede ser reemplazado por computadoras, la sensibilidad no puede ser reemplazada por la racionalidad.
El objeto predicho por el análisis de big data puede ser una buena opción, pero no es necesariamente la mejor opción. Este tipo de predicción en realidad ha tenido un cierto impacto en la libertad de elección del individuo.
(3) La intensificación de la dictadura de los datos
La previsión cuantitativa intensifica la "dictadura de los datos". El núcleo del pensamiento digital es la cuantificación o "hablar con datos". Las predicciones exitosas realizadas mediante análisis cuantitativos aumentarán aún más la dependencia de las personas de los activos de datos. La historia de éxito de Walmart, denominada "cerveza y pañales", es empírica. Las empresas y los gobiernos ahora están prestando más atención al papel de los datos, especialmente en el proceso de toma de decisiones. Parece que la falta de datos reducirá en gran medida su credibilidad. Si el gobierno toma alguna decisión basada en datos, tendrá las consecuencias opuestas. Por ejemplo, el PIB de este año es 6, el año pasado fue 6,3, lo que es 0,3 puntos porcentuales menos que el año pasado. ¿Podemos concluir que la economía de este año debe ser peor que la del año pasado? Evidentemente, hacer una evaluación de este tipo basándose únicamente en estos datos no es objetivo. El filósofo de Internet Yevgeny Morozov ha criticado duramente la ideología detrás de muchas aplicaciones de "grandes datos" y advirtió sobre una inminente "tiranía de los datos". "Las palabras no tienen intención, el significado proviene del contexto", por lo que el análisis de datos y las predicciones deben estar asociados con los escenarios correspondientes; de lo contrario, se producirá "ambigüedad".
(4) El espionaje de la privacidad y la tortura moral
“Cuantificar todo” expone aún más la privacidad personal, y las predicciones cuantitativas a veces van en contra de la ética moral. Primero, la privacidad personal está expuesta al sol. La aplicación de dispositivos inteligentes, como herramientas portátiles y chips inteligentes, puede monitorear el comportamiento de todos en tiempo real. Bajo la vigilancia del "tercer ojo", nos desnudamos y nos convertimos en "personas transparentes". Por ejemplo, varios sensores médicos pueden monitorear los cambios fisiológicos de los individuos en tiempo real. En segundo lugar, la filtración de la privacidad digital profundiza la discriminación social. Con la digitalización del comportamiento personal, es fácil que se produzcan filtraciones de privacidad guiadas por intereses de datos, lo que también profundizará el grado de discriminación en la sociedad. Por ejemplo, si un hospital filtra datos médicos personales y muestra que alguien tiene VIH, la gente mirará a esa persona con gafas de colores, lo que provocará desequilibrio psicológico, obstáculos en la vida, dificultades laborales, etc. Además de la violación de los derechos humanos personales, también se ha profundizado aún más el nivel de discriminación social. Por último, las predicciones de big data a veces violan la ética humana. Como todos sabemos, Target tiene un análisis de proyecto, que se basa en el análisis de datos de la navegación personal y la compra de productos para el embarazo. Sin embargo, puede predecir el momento del embarazo de una niña con anticipación y darle cupones de productos para el embarazo relevantes. El padre de la niña no lo sabía. Entonces regañó al gerente. Hay dos preguntas detrás de este incidente que vale la pena reflexionar: primero, ¿cómo se enteró la empresa de que la niña estaba embarazada? ¿Cómo se filtra la privacidad personal? Por otro lado, nuestra privacidad es voyeurismo, obtenido sin el conocimiento y consentimiento del individuo, lo que no sólo hace que el individuo entre en pánico, sino que también viola la ley. En segundo lugar, el padre, como la persona más cercana a la niña, aún no se ha enterado de este asunto, pero la empresa se enteró y presentó el cupón primero. ¿Es esto una falta de respeto hacia los demás? ¿Viola la ética moral? Las cuestiones éticas relacionadas merecen reflexión.
3. Uso excesivo de la correlación
El pensamiento central de big data es el pensamiento de correlación, pero el pensamiento de correlación también conduce al problema de la adoración excesiva en la práctica de la vida. Hay varias razones por las que la gente idolatra el pensamiento relacionado: primero, la existencia de datos masivos hace que sea imposible para las personas extraer directamente cosas verdaderamente valiosas de numerosos datos confusos. Por lo tanto, las personas solo pueden obtener la relación entre las cosas a través del análisis de correlación estadística. La correlación entre ellos puede descubrir aún más el verdadero "conocimiento" detrás de ellos. En segundo lugar, en el contexto de una era altamente compleja e incierta, a las personas les resulta más difícil explorar las relaciones causales entre las cosas.
Por lo tanto, "la compleja relación entre el método de reducción y el método holístico debería ser 'complementaria' en el análisis final". El desarrollo de la ciencia moderna también muestra que "el reduccionismo no es suficiente, mientras el reduccionismo no sea suficiente; sin holismo, no hay holismo..." .La actitud científica es combinar reduccionismo y holismo." Sólo comprendiendo plenamente la relación dialéctica entre el todo y la parte, y la compleja relación entre el método holístico y el método de reducción, podremos hacer un buen uso de esta herramienta para comprender y transformar el mundo.
2. Integración cuantitativa e integración cualitativa
El propósito de la investigación cuantitativa es responder a los atributos cuantitativos de las cosas y sus movimientos, mientras que el propósito de la investigación cualitativa es estudiar en profundidad lo específico. características o comportamientos de los objetos y explorar más a fondo las razones. Desde el punto de vista del contenido, la investigación cualitativa y la investigación cuantitativa deben estar unificadas y complementarias: la investigación cualitativa sienta las bases de la investigación cuantitativa y es la base de la investigación cuantitativa. La investigación cuantitativa es la encarnación de la investigación cualitativa, haciendo que la investigación cualitativa sea más científica y precisa; , así sacar conclusiones más amplias y profundas. Ambos tienen sus propias ventajas al analizar problemas desde diferentes ángulos, y es precisamente por eso que pueden lograr una comprensión más completa de las cosas. Por lo tanto, en la investigación científica, debemos combinar los dos para aprender de las fortalezas de cada uno y maximizar el efecto. En primer lugar, la comprensión general de la cantidad es la base de la investigación cualitativa. En el entorno del big data, el importante papel de “cuantificarlo todo” se basa principalmente en tres razones: en primer lugar, los datos masivos permiten “cuantificarlo todo”. Mediante la aplicación de varios dispositivos inteligentes, se puede cuantificar el mundo físico y el mundo virtual de las personas. A través del análisis de datos de objetos perceptivos, podemos descubrir la correlación entre los datos a partir del grado de correlación presentado por el coeficiente de correlación cuantitativa, captar la correlación entre los datos y determinar la conexión cuantitativa entre la materialización de los datos. En segundo lugar, "cuantificar todo" nos ayuda a comprender las cosas desde una perspectiva cuantitativa. A través del análisis cuantitativo, podemos tener una comprensión general de la integridad de las cosas en términos de cantidad. Esta comprensión general no es una comprensión general abstracta de las cosas en el sentido de la investigación cualitativa, sino una correlación con cosas específicas. podemos construir una nueva imagen general. En tercer lugar, la esencia misma de los macrodatos es un conjunto de relaciones cuantitativas, que tienen una importancia rectora práctica. Albert-Laszlo Barabas señaló: "El comportamiento humano es predecible, pero en el pasado no teníamos los datos relevantes ni alguna forma de explorar el comportamiento humano". Por lo tanto, la investigación cuantitativa juega un papel importante a la hora de captar las tendencias de correlación entre las cosas. En segundo lugar, la investigación causal cualitativa crea nuevas conexiones y satisface nuevas necesidades. Aunque el análisis cuantitativo de big data nos permite captar la correlación de las cosas en su conjunto, no puede aclarar la relación causal entre las dos. La causalidad es la relación entre el proceso de interacción entre elementos y sus efectos. Por lo tanto, sobre la base de captar cosas relevantes en la dimensión cuantitativa, debemos realizar una investigación en profundidad sobre la estructura y combinación de los elementos internos de las cosas, explorar las relaciones causales de los elementos internos, cambiar la interacción entre elementos y combinar las necesidades. del desarrollo humano para crear productos que satisfagan las necesidades del ser humano y obtengan resultados. Por otro lado, las nuevas relaciones causales que surgen de la lógica causal entre factores internos pueden investigarse o probarse más a fondo en estudios cuantitativos. De esta manera, la investigación cuantitativa proporciona a la investigación cualitativa las propiedades cuantitativas generales y la estructura general de los objetos perceptivos. Sobre esta base, la investigación cualitativa explora profundamente la interacción entre elementos, saca conclusiones representativas y luego coloca todos los datos en la investigación cuantitativa para obtener evidencia empírica, logrando la complementariedad de la investigación cuantitativa y cualitativa.
3. La causalidad se enfatiza en el contexto de la era del big data. Schoenberg propuso que "nos basta con saber qué, no hay necesidad de saber por qué". atención a la correlación más que a la causalidad. Sin embargo, si bien toda la sociedad humana presta atención activamente a la correlación, es inevitable reflexionar y reevaluar la importancia y el impacto de la causalidad. No podemos evitar plantear preguntas: primero, ¿existe una cuestión ontológica de causalidad en el mundo? En segundo lugar, ¿cuál es la relación entre correlación y causalidad? 3. ¿Cómo pueden complementarse las investigaciones científicas? En cuanto a la ontología de la causalidad, creemos que la causalidad existe objetivamente. El pensamiento causal es un hábito de pensamiento formado por los humanos durante un largo período de tiempo y también es la premisa lógica para que comprendamos la naturaleza del mundo.
En los tiempos modernos, los resultados de las investigaciones de las ciencias naturales, las humanidades y las ciencias sociales se basan en un estricto razonamiento lógico matemático de las relaciones causales. La tarea central de las ciencias naturales es revelar las relaciones causales entre las cosas. En cuanto a la relación entre causalidad y correlación, algunos académicos creen que es un reflejo de la relación entre ciencia y tecnología en el contexto de la era del big data. La ciencia es el estudio de las relaciones causales, es decir, la ley de causa y efecto, mientras que la tecnología son los métodos y técnicas para la resolución de problemas. Los dos énfasis son diferentes, pero no contradictorios. Así como la tecnología resuelve "cómo hacerlo" y la ciencia responde "por qué", la correlación puede guiarnos en la práctica "cómo hacerlo" y la causalidad puede responder "por qué hacerlo". Incluso si se hace más énfasis en la correlación en la era del big data, siempre es inseparable de la búsqueda de la causalidad, que está determinada por la naturaleza del pensamiento. Prestar atención al análisis de correlación no niega el análisis de causalidad, ni significa que la causalidad no sea importante. Por el contrario, es más propicio para un análisis en profundidad de la causalidad, porque los dos no son excluyentes sino que coexisten. Podemos complementar las fortalezas de cada uno en la investigación científica. Primero, la correlación es la base de la investigación de causalidad. En la era del big data, podemos encontrar de manera rápida, conveniente y precisa la correlación de las cosas a través del análisis de correlación basado en datos masivos, y luego explorar la causa y el efecto de la correlación y captar la esencia de las cosas. Como dijo Schoenberg: "Al encontrar cosas que puedan estar relacionadas, se puede analizar más a fondo la relación causal sobre esta base. Si existe una relación causal, se puede descubrir más a fondo la causa en el proceso de buscar la correlación de características". De hecho, también se analizan las relaciones de causa y efecto.
En segundo lugar, la causalidad es el requisito inherente y el objetivo de la correlación. En el campo de la investigación científica, lo que buscamos no es sólo conocer la correlación del "qué", sino más importante aún, aclarar la relación causal del "por qué" entre las cosas, de modo que la teoría científica que así se establezca pueda resistir la prueba del práctica. . En este sentido, la causalidad es la estipulación inherente y esencial de la correlación en la era del big data. Es también el objetivo que se persigue detrás de la correlación y juega un papel decisivo. Lo que debemos hacer es utilizar el pensamiento causal como base de la investigación y el pensamiento de correlación como orientación de la investigación. Ambos se complementan, aprovechan el valor contenido en los grandes datos y logran la trascendencia del pensamiento de los grandes datos.
Comentarios bienvenidos.
Convocatorias
¡Llega temprano con tus habilidades académicas!
1. Nivel académico: ¡Un cierto nivel académico profesional es imprescindible!
2. Tener insights únicos: ¡aquellos con profundidad, amplitud y nitidez son los mejores!
3. Categorías de contenido: ciencias naturales, ciencias sociales, etc. ¡Sin límites!
4. Materiales o artículos traducidos: siempre que cumplan con las condiciones anteriores.
Consulta académica/Enviar dirección de correo electrónico
Declaración: Los derechos de autor pertenecen al autor original. Las opiniones expresadas en este artículo no representan la posición de esta institución.
¡La "Revista del Instituto de Investigación Electrónica de China" acepta envíos de expertos y académicos! Enviar enlace ki.net
Número de contacto de la revista: 010-
Correo electrónico de la revista: