大数据，重要的不是数据

“满城尽谈大数据”，但很多人其实并不理解大数据真正价值是什么，哈佛大学Gary King教授用3个大数据研究案例告诉你：有数据固然好，但是如果没有分析，数据的价值就没法体现。

2017年伊始，哈佛大学政治学系教授加里·金(Gary King)在上海交通大学举办了一场名为《大数据，重要的不是数据》(Big Data is Not About the Data)的讲座。

DT君先来介绍一下主讲人：Gary King是哈佛大学的校级教授(University Professor)。King教授以实证研究知名，擅长量化研究，其研究涉及政治学、公共政策、法学、心理学和统计学等领域。

以下是Gary King 教授演讲实录(有删节)：

我工作的领域叫做量化社会科学(Quantitative Social Science)，有时，它有一个别称，叫大数据。“大数据”这个词最早是媒体发现的，它试图向大众解释我们是做什么的，目前看来解释的效果还不错。

然而，大数据的价值不是在数据本身，虽然我们需要数据，数据很多时候只是伴随科技进步而产生的免费的副产品。比如说，学校为了让学生能更高效地注册而引进了注册系统，因而有了学生的很多信息，这些都是因为技术改进而产生的数据增量。

大数据的真正价值在于数据分析。数据是为了某种目的存在，目的可以变，我们可以通过数据来了解完全不同的东西……有数据固然好，但是如果没有分析，数据的价值就没法体现。

先来看一个大数据在公共政策层面运用的案例。

我们曾经做过一个评估研究，发现2000年以后美国社会保障管理总署(U.S. Social Security Administration，简称“SSA”)对于美国社保账户及人口寿命的预测有系统性偏差。

2000年以后SSA对社保基金账户情况的预测出现显著偏差

来源：Gary King论文

大背景是，美国的社会保障平台是美国最大的单一政府平台，它的资金是跨代流动的——当前退休者的养老金供给来自于他们的下一代，即现在工作的人交的税金。

所以SSA需要预测这个信托基金项目里的资金流，以及人的寿命，正确预测这两点很重要，如果人们比SSA预期的更长寿——虽然这是好事——就很可能导致信托基金里就没有足够的钱给他们养老了。

我们研究发现，SSA的预测在2000年以后出现了系统性偏差——发生偏差的原因之一，是SSA使用的模型本质上定性分析的模型，且多年来几乎没有调整。由于一些药物的使用和癌症早期发现，美国人开始比模型预测地更长寿了。

我们通过分析得出的结论是，美国社保信托基金至少存在8千亿美元的缺口。

虽然结论有点不幸，但是政府需要提前知道。这样政府就可以有空间在税率，退休年龄等方面进行调整。这是公共政策层面的话题。

关于定性分析和定量分析，其实不是泾渭分明的。做分析全靠定性分析(由人主导)是不够的，因为你有很多数据不知道该怎么处理。 全靠定量分析(由机器主导)也不行，这就像一张巨大的excel表，但是表中没有行、列的标签。所以，大数据分析需要的是由人主导，由计算机辅助的技术(we need computer-assisted, human-led technology)。

我们还做过一个计算机辅助阅读的实验。我们开发了一套计算机辅助、自动化阅读的技术，这项技术能帮助人们从非结构化的文字中提取、组织并且处理大量信息。

我们曾用该技术处理了64000篇国会议员官方发布的新闻稿，想通过这项基础帮我们作分类，看国会议员在新闻稿中都说了些什么。

结果我们发现，居然有高达27%的议员发布的新闻稿内容只是单纯地想抨击对方(Partisan Taunting)，而不是想要平衡预算或停止战争，或解决问题。

(图片说明：Gary King表示，抨击对方政党从个人角度来看是理性的，但是从整个集群的角度来看，是非理性的，如果抨击对方的言语增多，政党之间的合作关系和能效会减弱;来源：Gary King研究成果单页 )

大数据时代，我们可以通过去量化过去不能量化的信息，使用精妙的统计学方法分析这些信息成为可能。

现在，我们都可以对一些强定性属性(inherently qualitative)的东西作定量分析了，如音频和视频。但是，目前仍有一些定性分析工作者要分析的内容还未被量化。所以，定性分析、定量分析要配合操作才行。

我参与过一个产品项目叫做Perusall。“Peruse”是仔细精读的意思，Perusall就是peruse + all，可以简单理解为大家一起读。

这个产品产生的背景是，大学教授会给同学布置阅读作业，但是教授很难评估学生是否阅读了规定的章节。如果有的学生没读而有的学生读了，这对整体课堂的授课效果会有影响。

Perusall的好处之一，是它把阅读从一个个体活动变成了一个集体活动。阅读文章的同学可以对自己看不懂的部分做批注，也可以对其他同学的批注作回复解答。这样更容易调动同学阅读的主动积极性，让阅读变得更有趣。人天生是社会动物，这也是为什么人们相比于在iTunes里听歌更愿意花钱去看演唱会，虽然前者音乐声音更清晰。

(图片说明：“学生困惑报告”样本;来源：哈佛官网 )

一旦学生用Perusall在线上阅读之后，我们就有了很多之前不可能互获取的数据：知道学生在读什么，他们对阅读内容的反馈怎样，他们在读每一页的时候花多少时间;当然，如果你没有读书的第46-47页，我们也会知道这个。

一方面，Perusall会基于每个学生的阅读情况和评价质量，对学生的这项阅读作业进行打分，从老师的层面看，这省去了原先阅读作业不易评估的问题。

另一方面，Perusall会分析这些阅读数据，知道学生们读到哪里时觉得困惑。

Perusall可以在老师上课前生成一个“学生困惑报告”(Students confusion report)。拿到这份报告，我就可以在一走进课堂时说，“根据你们的阅读情况，你们可能有以下三个问题。”