都說未來是數(shù)據(jù)時(shí)代。數(shù)據(jù)說明一切，數(shù)據(jù)不會騙人。數(shù)據(jù)是羅塞塔之石，可破譯一切人類代碼。現(xiàn)實(shí)果真如此嗎?紐約大學(xué)數(shù)據(jù)科學(xué)教授Andrea Jones-RooyJuly不同意這種說法。因?yàn)閿?shù)據(jù)并不是客觀的現(xiàn)實(shí)，它也是由人來定義的，會存在各種偏差。所以我們需要仔細(xì)甄別，周全考慮。

原文標(biāo)題是：I’m a data scientist who is skeptical about data

 

 

幾千年來，我們一直都在靠軼事、直覺以及老太太的故事來做為我們觀點(diǎn)的證據(jù)，今天我們大多數(shù)人都要求大家要用數(shù)據(jù)來支持自己的論點(diǎn)和想法。無論是治愈癌癥，解決職場的不平等，還是贏得選舉，數(shù)據(jù)現(xiàn)在都被認(rèn)為是羅塞塔石，幾乎可以破譯人類所有現(xiàn)存的代碼。

但在這一片狂熱當(dāng)中，我們已經(jīng)將數(shù)據(jù)與真相混為一談。這種認(rèn)知，對我們理解、解釋以及改進(jìn)我們所關(guān)心的事物的能力，會產(chǎn)生危險(xiǎn)的影響。

我這么講對自己是有風(fēng)險(xiǎn)的。我是紐約大學(xué)數(shù)據(jù)科學(xué)教授和企業(yè)的社會科學(xué)顧問，我為他們進(jìn)行定量研究，幫助他們理解和改進(jìn)多樣性。我靠數(shù)據(jù)謀生，但我卻總發(fā)現(xiàn)不管我跟學(xué)生還是客戶交談時(shí)，我都要提醒他們數(shù)據(jù)其實(shí)并不是現(xiàn)實(shí)的完美體現(xiàn)：數(shù)據(jù)這東西基本上是人類的杜撰，因此會受制于偏見和局限，以及其他隨之而來的不完美。

這種誤解最清晰的表現(xiàn)是從會議室到教室都能聽到的問題，當(dāng)好心人試圖弄清楚棘手問題的真相時(shí)：

“數(shù)據(jù)是怎么說的?”

數(shù)據(jù)什么都沒說。說話的是人類。他們說的是數(shù)據(jù)當(dāng)中他們注意到的或者要尋找的東西，數(shù)據(jù)從一開始之所以存在，是因?yàn)槿祟愡x擇去收集它們，并且利用了人類制造的工具去收集數(shù)據(jù)。

數(shù)據(jù)說明不了問題的任何東西，它的作用不會大過可以造房子的錘子或者做馬卡龍的杏仁粉。數(shù)據(jù)是發(fā)現(xiàn)的必要因素，但是你需要有人來選擇它，塑造它，然后把它變成洞察。

因此，數(shù)據(jù)的有用程度只能跟它的質(zhì)量以及掌握它的人的技能一樣。(如果你曾經(jīng)試過制作馬卡龍就知道我說的了。我就試過。我們只能說那種數(shù)據(jù)肯定不符合法國糕點(diǎn)店的標(biāo)準(zhǔn)。)

因此，如果數(shù)據(jù)本身不能做任何事情或者說明不了任何東西的話，那數(shù)據(jù)是什么?

數(shù)據(jù)是什么?

在某個(gè)時(shí)間和地點(diǎn)，數(shù)據(jù)是這個(gè)世界某個(gè)方面不完美的相似物。(我知道，這個(gè)定義遠(yuǎn)不如我們所希望的那么性感。)這是當(dāng)人們想要了解關(guān)于某個(gè)東西的一些東西，試圖去測量它，然后以特定方式去組合這些測量值時(shí)的結(jié)果。

以下是我們會把不完美引入到數(shù)據(jù)當(dāng)中的四種主要方法。

隨機(jī)偏差
系統(tǒng)偏差
測量選擇偏差
排除偏差

但是，這些錯(cuò)誤并不意味著我們應(yīng)該拋棄所有數(shù)據(jù)，意味著一切都是不可知的。而是意味著要深思熟慮地進(jìn)行數(shù)據(jù)收集，問問我們自己可能錯(cuò)過了什么，并對收集更多數(shù)據(jù)表示歡迎。

這種觀點(diǎn)不是反科學(xué)或反數(shù)據(jù)。相反，這兩者的優(yōu)勢來自于清楚我們自身工作的局限性。意識到可能會出現(xiàn)的錯(cuò)誤可令我們的推斷更加強(qiáng)大。

首先是隨機(jī)偏差。隨機(jī)錯(cuò)誤發(fā)生在當(dāng)人類決定要去測量某些東西之時(shí)，由于設(shè)備損壞或他們自己的錯(cuò)誤，導(dǎo)致記錄的數(shù)據(jù)是錯(cuò)誤的。其形式可以是將溫度計(jì)掛在墻上測量溫度，或者用聽診器來計(jì)算心跳。如果溫度計(jì)壞了，它可能無法告訴你正確的度數(shù)。聽診器可能沒壞，但是計(jì)數(shù)的人可能會錯(cuò)過一次心跳。

隨機(jī)錯(cuò)誤會對我們的余生造成很大的影響(當(dāng)我們沒有勤勉地記錄溫度和心跳時(shí))，其形式之一是醫(yī)療篩檢中的誤報(bào)。例如，乳腺癌的誤報(bào)意味著篩檢結(jié)果說患有癌癥，但其實(shí)沒有。發(fā)生這種情況的可能原因有很多，其中大部分可歸結(jié)為在將關(guān)于世界的事實(shí)(是否患有癌癥)轉(zhuǎn)化為數(shù)據(jù)(通過乳房X線照片和人得出數(shù)據(jù))的過程中的失誤。

這種錯(cuò)誤造成的后果也是非常真實(shí)的。研究表明，誤報(bào)可導(dǎo)致出現(xiàn)多年負(fù)面的心理健康的后果，哪怕患者的身體狀況良好。從好的方面來說，對誤報(bào)的恐懼也會導(dǎo)致對篩查更加小心謹(jǐn)慎(......這會進(jìn)一步增加誤報(bào)的可能性，算了不說了，這離題了)。

一般來說，只要我們的設(shè)備沒壞并且我們努力做到了最好，我們希望這些錯(cuò)誤在統(tǒng)計(jì)上是隨機(jī)的，因此會隨著時(shí)間的推移而慢慢被中和掉——盡管如果你的醫(yī)療篩查是錯(cuò)誤之一的話，這并不算一個(gè)很大的安慰。

其次是系統(tǒng)偏差。系統(tǒng)誤差是指這樣一種可能性，即某些數(shù)據(jù)以犧牲其他數(shù)據(jù)為代價(jià)不斷進(jìn)入到你的數(shù)據(jù)集，從而可能導(dǎo)致你對世界做出錯(cuò)誤的結(jié)論。這可能是由于許多不同的原因而導(dǎo)致的：你抽樣誰，什么時(shí)候抽樣，或者加入你的研究或填寫你的調(diào)查的人是誰。

選擇偏差就是一種常見的系統(tǒng)誤差。比方說，用來自Twitter推文的數(shù)據(jù)來理解公眾對特定問題的情緒如何，這種作法是有瑕疵的，因?yàn)槲覀兇蠖鄶?shù)人都不會發(fā)推文——而且那些發(fā)推的人并不總是將自己的真實(shí)感受示于人。相反，來自Twitter的數(shù)據(jù)集就是：一種了解方式，通過它可以知道選擇了參與到該特定平臺的部分人跟世界分享了什么東西，僅此而已。

2016年的美國總統(tǒng)大選就是例子，一系列的系統(tǒng)誤差可能導(dǎo)致了民意調(diào)查錯(cuò)誤地偏向于希拉里·克林頓。人們很容易得出結(jié)論認(rèn)為其實(shí)一切民意調(diào)查都是錯(cuò)誤的——也許是，但跟我們平時(shí)想象的可能不一樣。

有一種可能性是選民不太可能會報(bào)告說自己將投票給特朗普，因?yàn)榇蠹艺J(rèn)為這是不受歡迎的選擇。我們稱之為社會期望偏差。停下來思考一下這個(gè)問題很有幫助，因?yàn)槿绻�我們事先對這種偏差更加警惕的話，我們可能就會將它植入到我們的模型里面，從而更好地預(yù)測選舉結(jié)果。

令人遺憾的是，醫(yī)學(xué)研究的系統(tǒng)偏差也到處可見：醫(yī)學(xué)研究的對象往往是那些已經(jīng)生病并且有手段找醫(yī)生或者參加臨床試驗(yàn)的人。作為克服這一缺點(diǎn)的辦法之一，可穿戴技術(shù)的發(fā)展稍微令人有點(diǎn)興奮。比方說，如果有Apple Watch的每個(gè)人都可以將他們的心率和每天的步數(shù)發(fā)送到云端，那么我們就會擁有更多的數(shù)據(jù)，而且偏差更小。但這可能也會引入一種全新的偏差：現(xiàn)在的數(shù)據(jù)有可能會偏向西方世界的富裕成員。

第三是選擇測量內(nèi)容選擇偏差。當(dāng)我們以為我們正在測一樣?xùn)|西，但事實(shí)上測的卻是其他東西時(shí)就會發(fā)生這種情況。

有很多公司對想辦法做出更客觀的招聘和晉升決策都比較感興趣，我跟他們有過合作。為此他們往往會求助于技術(shù)：我們?nèi)绾谓o經(jīng)理提供更多的數(shù)據(jù)，好讓他們做出更好的決策?我們怎么才能應(yīng)用正確的篩選條件來確保招聘人員能找到最優(yōu)秀的人才?

但很少有人會停下來問一下自己在測量的數(shù)據(jù)是不是他們想要測量的東西。比方說，如果我們正在尋找頂尖的求職者，我們可能更青睞那些上名牌大學(xué)的人。但這可能并非衡量人才的手段，而是衡量社交網(wǎng)絡(luò)成員不僅僅是衡量人才的標(biāo)準(zhǔn)，它可能只是衡量你是否具備某些社交網(wǎng)絡(luò)成員資格的一種標(biāo)準(zhǔn)，這種資格能為某些人提供一系列“合適”的機(jī)會，讓他們得以能進(jìn)入一所優(yōu)秀的大學(xué)。一個(gè)人的GPA成績可能是衡量一個(gè)人選擇自己能勝任的課程的能力很好手段，而他們的SAT成績可能是他們父母在請私教方面的財(cái)力的一種可愛的表達(dá)。

企業(yè)以及我的學(xué)生對最前沿的方法論如此癡迷，以至于他們都忽略了一個(gè)更深層次的問題：為什么我們要用這種方式去衡量這個(gè)?還有沒有可以更徹底去了解人的方式?而且，根據(jù)我們手上的數(shù)據(jù)，我們?nèi)绾螌�過濾器進(jìn)行調(diào)整才能減少這種偏差?

最后一個(gè)，是排除偏差。當(dāng)數(shù)據(jù)集里面系統(tǒng)性地忽略了某個(gè)群體時(shí)就會發(fā)生這種情況，而這就會為進(jìn)一步的排除創(chuàng)造出先例。

比方說，現(xiàn)在女性比男性更容易死于心臟病，這被認(rèn)為主要是因?yàn)榇蠖鄶?shù)心血管數(shù)據(jù)都是基于男性的，而男性經(jīng)歷的癥狀與女性的不同，從而導(dǎo)致診斷的不正確。

關(guān)于白人女性在美國競選政治職位時(shí)的表現(xiàn)的數(shù)據(jù)目前有很多，但是有色人種的就不是很多，相對于競選過程當(dāng)中的白人女性，她們會面臨著不同的偏差。在我們進(jìn)行這些研究之前，我們就會試圖從有關(guān)橙子的數(shù)據(jù)推斷出蘋果——但其結(jié)果要比一盆不均衡的水果沙拉要糟糕得多。

選擇去研究一樣?xùn)|西還可以激勵(lì)對該專題進(jìn)行進(jìn)一步的研究，這本身就是一種偏差。由于根據(jù)現(xiàn)有數(shù)據(jù)集做東西要比創(chuàng)建自己的數(shù)據(jù)集更容易，因此研究人員經(jīng)常會圍繞著某些主題展開研究——比如參與競選的白人女性或男性的心血管健康——而犧牲了其他人。如果你反復(fù)多次如此這般，突然之間的男性就成了默認(rèn)的心臟病研究對象，而白人女性就成了默認(rèn)的政治參與研究對象。

其他的例子比比皆是。衡量“領(lǐng)導(dǎo)力”可能會激勵(lì)大家在會議中表現(xiàn)得更加積極，從長遠(yuǎn)來看這會破壞溝通。給SAT中增加“逆境”分可能會慫恿父母搬到不同的社區(qū)，以便讓他們的得分更高。

我看到這在多元化領(lǐng)域也產(chǎn)生了影響：DiversityInc等嘗試蘋果公司多樣性的組織已經(jīng)選擇若干用來獎(jiǎng)勵(lì)公司的指標(biāo)——比方說，“領(lǐng)導(dǎo)認(rèn)可”的衡量標(biāo)準(zhǔn)是是否設(shè)有首席多元化官(Chief Diversity Officer)。為了給這個(gè)方框打勾，它可能會刺激一些并無任何實(shí)際用途的行為，比如任命一個(gè)沒有實(shí)權(quán)的CDO。

為什么我們?nèi)匀恍枰�相信�?shù)據(jù)

在反智主義、假新聞以及另類事實(shí)和偽科學(xué)橫行的時(shí)代，我其實(shí)非常不愿意這么說。有時(shí)我感覺我們科學(xué)家?guī)缀醵紱]有堅(jiān)持下去。但我相信數(shù)據(jù)和科學(xué)之所以有用，并不是因?yàn)樗�是完美的和完整的，而是因�(yàn)槲覀冋J(rèn)識到我們自身努力的局限性。就像我們想要用統(tǒng)計(jì)數(shù)據(jù)和算法對事情進(jìn)行仔細(xì)分析一樣，我們也需要仔細(xì)地收集數(shù)據(jù)。我們有多謙卑，對自身局限性的認(rèn)識有多深，我們自己就有多強(qiáng)。

這并不意味著要拋棄數(shù)據(jù)。這意味著當(dāng)我們的分析中包含有證據(jù)時(shí)，我們應(yīng)該考慮影響其可靠性的偏差。我們不應(yīng)該僅僅去問“它說明了什么?”而且還要問，“ 數(shù)據(jù)是誰收集的?他們是怎么做的?那些決定是如何影響結(jié)果的?”

我們需要去質(zhì)疑數(shù)據(jù)，而不是僅僅因?yàn)槲覀円呀?jīng)把一個(gè)數(shù)字分配給某個(gè)東西，就假設(shè)那個(gè)東西突然之間就變成冰冷的真相。當(dāng)你遇到一項(xiàng)研究或一個(gè)數(shù)據(jù)集時(shí)，我懇請你問問自己：這幅圖中可能缺了什么?還有沒有其他辦法可以去考慮究竟發(fā)生了什么?這個(gè)特定的衡量手段包含了什么，排除了什么，激勵(lì)了什么?

我們需要對數(shù)據(jù)考慮周全，因?yàn)槲覀冋�在開始關(guān)注統(tǒng)計(jì)數(shù)據(jù)，算法和隱私。只要數(shù)據(jù)被認(rèn)為是冰冷、確切、絕對可靠的事實(shí)，對我們周圍的世界，我們就有可能產(chǎn)生并且強(qiáng)化許多不準(zhǔn)確的理解的風(fēng)險(xiǎn)。

原文鏈接：https://qz.com/1664575/is-data-science-legit/

譯者：boxi。

來源：36氪神譯局

標(biāo)簽： 數(shù)據(jù) 蒲Ъ

版權(quán)申明：本站文章部分自網(wǎng)絡(luò)，如有侵權(quán)，請聯(lián)系：west999com@outlook.com
特別注意：本站所有轉(zhuǎn)載文章言論不代表本站觀點(diǎn)！
本站所提供的圖片等素材，版權(quán)歸原作者所有，如需使用，請與原作者聯(lián)系。