
大数据如何再造历史研究
历史学家该如何向公众讲述真理,该怎样说服政府,该以什么样的方式防止以扭曲、片面、狭窄的视角解读历史?
相比经济学,历史学在公众议程、公共政策领域获得的重视要低得多。但反过来,包括经济学在内,各热门学科往往也会以自己的方式切入历史、使用历史,来证明特定的论点。例如经济学家西蒙·库兹涅茨就根据大萧条至20世纪60年代的美国经济数据,分析指出经济的持续发展将使得不平等现象自然消除。生态学家加勒特·哈丁发明出“公地悲剧”的概念,认为地球因面临人口超载,将成为过度放牧的荒野牧场,最终导致巨大的生态和道德悲剧。而近年来,一些经济学家、环境学家强调必须遏制中国、印度等新兴市场国家对于能源的粗放利用,理由是最近二三十年来新兴市场国家更加突出地暴露出严重污染、浪费式消耗能源等问题。
用经过裁剪的历史事实、数据来论证特定论点,这不叫做对于历史的尊重。美国历史学家、布朗大学历史学助理教授乔·古尔迪与英国历史学家、哈佛大学历史学教授大卫·阿米蒂奇合著的《历史学宣言》,对于当下一些学科、公共政策领域采用裁剪历史、短时历史(用区区十几年至几十年的历史)的方式提出强烈质疑,强调应该对应采用长时段历史、更加完整的历史来防止轻率和武断。
作者指出,当环境史学家加入生态、环境问题研究,借助长时段的土地和水资源使用史料数据,可以非常精确地反映历史上各大洲何时何地曾出现恶劣的生态环境,是何原因,又是如何克服的……研究发现,人类社会并非第一次遭遇环境恶化,并因此催生出新的治理形式。而不同大洲许多地方历史上也积累了应对生态和环境问题的有效经验,相比经济学界开出的简单化的方案,对于应对和解决问题具有更强的适用性。同样,要求新兴市场国家为当前世界污染和能源问题承担主要责任,也并不符合长时段的历史事实。
近年来,随着大数据等技术手段投入到历史学研究,更多的历史数据还有助于破除经济学等学科长期以来形成的理论迷信。书中指出,既有的自由市场观念通常强调政府监管、对于利益集团征税会妨碍经济增长。但较长时段所累积的历史数据,给出的判断恰恰相反。
两位作者希望历史学家能够更好地切入公共政策和公共议程,扭转近一个世纪以来包括部分历史学者、其他学科专家采用裁剪历史、短时历史来误导决策者和公众的局面,更为充分地发挥长时段历史研究与阐释的优势。
《历史学宣言》回顾了近现代历史上,历史学界长期形成的长时段历史叙事方式,指出这种导向源自古希腊-古罗马以及其他古代文明的史学传统,带有强烈的关注未来、道德训诫意味,有助于增加现实政策的前瞻性。而20世纪后半期,以霍布斯鲍姆为代表的历史学家,撰写了大量长时段的历史作品,鼓励尊重多元文化、平民生存权利,并强调要警惕还原主义的叙事。长时段历史叙事有助于避免各领域的专家、官员及公众陷入对于某种政策的玫瑰化预期。比如人们通过历史叙事更加明晰工业革命带来的不仅有进步,还有“被侮辱和被损害”的几代劳工,了解到技术和资本对于人的戕害十分显著,使得人们更加注重社会的均衡发展,注重公共福利建设,而不是仅仅满足于技术带来的增长成果。
书中指出,20世纪后半期,随着经济学、社会学等学科在公共政策和公共议程中开始发挥前所未有的影响,史学研究开始“习惯在短期历史的框架下寻找素材”,甚至主动从历史角度寻找素材来解读现实政策(的合理性)。而另一些历史学家热衷研究“微历史”,即细小事件、小人物的历史,不仅以此证明专家“谙熟史料”,而且还能写得很有趣味性,讨好大众读者和市场——这些历史学家对于历史的宏大叙述既无兴趣,而且还竭力否认其价值所在。
21世纪复兴历史学、复兴长时段历史研究和叙事的有利条件在于——大数据的投入使用。“传统的(历史)研究受制于未经数字化处理的文献数量极大,根本没有足够的时间全面梳理”,最后只能变成概要化甚至错误化的研究。而今,“有了便利的工具,并能够借此对大量的量化信息进行比对”,长时段历史叙事的前景空前开阔。无论是全球通史、国家通史,还是专门的气候史、贸易史、农业生产史、食物消费史等,历史学家也好,其他领域的专家,以及公众也好,都会受益于海量数据被重新投入历史研究,更加清晰地揭示更为精确的历史规律。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09