在社會科學(xué)中如何使用數(shù)據(jù)？

隨著計(jì)算機(jī)、智能手機(jī)和其他電子技術(shù)的發(fā)展，網(wǎng)絡(luò)數(shù)據(jù)急劇增加，進(jìn)而促使社會科學(xué)家發(fā)現(xiàn)新問題，或利用新方法解決老問題。經(jīng)濟(jì)學(xué)家、政治學(xué)家、社會學(xué)家可以使用谷歌、推特、臉書、網(wǎng)絡(luò)博客等在線數(shù)據(jù)研究輿情、信息流動、疾病傳播等問題。網(wǎng)絡(luò)大數(shù)據(jù)的使用在社會研究中有三個(gè)基本優(yōu)點(diǎn) （Johnson and Smith， 2017）。 首先，與傳統(tǒng)問卷數(shù)據(jù)相比，收集網(wǎng)絡(luò)數(shù)據(jù)花費(fèi)的時(shí)間和經(jīng)費(fèi)更少。傳統(tǒng)問卷需要時(shí)間和經(jīng)費(fèi)培訓(xùn)調(diào)查員并對樣本人群進(jìn)行提問，但大數(shù)據(jù)方法避免了上述時(shí)間和經(jīng)費(fèi)的開銷。第二，大數(shù)據(jù)具有即時(shí)性。時(shí)刻更新的大數(shù)據(jù)提供了第一時(shí)間研究突發(fā)事件的可能。第三，大數(shù)據(jù)具有完整性。問卷研究者總是面臨低回饋率、項(xiàng)目無反應(yīng) （item non-response） 等問題，但每個(gè)人對網(wǎng)絡(luò)大數(shù)據(jù)的貢獻(xiàn)卻逐年增加。雖然網(wǎng)絡(luò)大數(shù)據(jù)有很多優(yōu)點(diǎn)，社會科學(xué)家在使用網(wǎng)絡(luò)大數(shù)據(jù)時(shí)需要考慮到其存在的局限性。本文將討論在社會科學(xué)中使用網(wǎng)絡(luò)數(shù)據(jù)的挑戰(zhàn)：缺乏代表性、測量誤差、更易出現(xiàn)第一型錯(cuò)誤。此外，本文還將列舉出缺乏代表性問題的幾種解決辦法，包括通過真實(shí)統(tǒng)計(jì)數(shù)據(jù)校準(zhǔn)網(wǎng)絡(luò)數(shù)據(jù)、通過雙重差分模型推測數(shù)據(jù)變化的趨勢、對網(wǎng)絡(luò)數(shù)據(jù)加權(quán)、以及將網(wǎng)絡(luò)數(shù)據(jù)視作面板數(shù)據(jù)。

1. 缺乏代表性

很多學(xué)者都指出，網(wǎng)絡(luò)數(shù)據(jù)存在選擇偏差，且研究者不能控制數(shù)據(jù)的代表性。由于老齡及貧困人口更少接觸互聯(lián)網(wǎng)，網(wǎng)絡(luò)數(shù)據(jù)傾向于排除這些人群。例如，Scarborough （2018） 抓取了2017年父親節(jié)、母親節(jié)期間包含女性主義關(guān)鍵詞的推特?cái)?shù)據(jù)。通過對這些推文進(jìn)行樸素貝葉斯情感分析（Na?ve Bayes sentimental analysis），作者得出了不同地區(qū)推文對女性主義的態(tài)度。為了研究推特?cái)?shù)據(jù)的代表性程度，作者測試了推特情感指數(shù)與綜合社會調(diào)查（General Social Survey）中性別態(tài)度指數(shù)的相關(guān)性。此外，作者還研究了不同種族、性別、受教育程度的個(gè)人的推特情感指數(shù)是否可以通過他們的性別態(tài)度進(jìn)行預(yù)測。結(jié)果表明，針對女性主義的推特情感指數(shù)與綜合社會調(diào)查中的性別態(tài)度指數(shù)高度相關(guān)。但推特情感指數(shù)與性別態(tài)度指數(shù)的相關(guān)性在不同種族和受教育程度的人群中存在差異：非白人人口和受教育程度低的人口使用推特較少，推特情感指數(shù)與性別態(tài)度指數(shù)的相關(guān)性也較低。上述結(jié)果表示，雖然推特是了解輿論的重要途徑，它對總體人口并不具有代表性。

2. 測量誤差

除代表性問題外，研究者還發(fā)現(xiàn)網(wǎng)絡(luò)數(shù)據(jù)存在測量誤差問題。一個(gè)經(jīng)典案例就是谷歌流感趨勢的失效。Lazer等人 （2014） 發(fā)現(xiàn)，谷歌搜索中的流感頻率與現(xiàn)實(shí)中的流感爆發(fā)并不具有相關(guān)性。這就表示谷歌搜索熱度也許并不是一種可靠的測量方法。除谷歌搜索外，測量誤差還出現(xiàn)在社交媒體中。例如，通過臉書的“外籍墨西哥人 （Expats Mexico）”分類，研究者可以研究住在美國年滿18周歲的墨西哥移民情況 （Zagheni et al. 2017）。臉書的“外籍人士”并無明確定義，一般基于兩個(gè)因素：個(gè)人在資料欄填寫的“居住城市”和“故鄉(xiāng)”，及好友的社交網(wǎng)絡(luò)結(jié)構(gòu)。作者指出這樣的定義存在潛在的測量誤差：這種定義下的“外籍人士”并不一定出生在國外，且用戶填寫的個(gè)人資料未必是真實(shí)信息。這樣的測量誤差很難解決?；诖祟悢?shù)據(jù)的模型要經(jīng)常重新校準(zhǔn) （re-calibrate）。

3. 更易出現(xiàn)第一型錯(cuò)誤

當(dāng)兩個(gè)變量間出現(xiàn)的顯著關(guān)系是出于偶然，而非真實(shí)存在的關(guān)系時(shí)，第一型錯(cuò)誤就發(fā)生了 （Barocas and Selbst 2016）。這類問題在研究者把大量變量加入模型時(shí)更容易發(fā)生：加入的變量越多，越有可能發(fā)現(xiàn)出于偶然的顯著關(guān)系。鑒于大數(shù)據(jù)包括大量的數(shù)據(jù)和變量，相比于傳統(tǒng)的理論主導(dǎo) （theoretically driven） 的研究方法，研究者在數(shù)據(jù)主導(dǎo) （data driven） 的研究方法中更容易出現(xiàn)第一型錯(cuò)誤 （Boyd and Crawford 2012）。

解決辦法

1. 通過真實(shí)統(tǒng)計(jì)數(shù)據(jù)校準(zhǔn)

當(dāng)面對網(wǎng)絡(luò)數(shù)據(jù)缺乏代表性的問題時(shí)，研究者可以通過用真實(shí)統(tǒng)計(jì)數(shù)據(jù)校準(zhǔn)的方法估計(jì)研究對象的數(shù)值。此方法需要對研究對象數(shù)值與他們在網(wǎng)上呈現(xiàn)的數(shù)據(jù)間的關(guān)系，及互聯(lián)網(wǎng)滲透 （internet penetration）與社會人口學(xué)變量間的關(guān)系做出函數(shù)假設(shè)。例如，Zagheni和Weber （2012） 通過觀察電子郵件的IP地址，研究不同年齡的人口遷出率。他們根據(jù)年齡和不同國家的互聯(lián)網(wǎng)滲透率建立函數(shù)，估計(jì)遷出人口的誤差值，再根據(jù)歐洲國家的人口統(tǒng)計(jì)數(shù)據(jù)對模型進(jìn)行校準(zhǔn)，通過對誤差的估計(jì)，修正最初觀察電子郵件得到的數(shù)據(jù)，得出真實(shí)的遷出人口數(shù)量。

但這種方法僅適用于統(tǒng)計(jì)數(shù)據(jù)完善的國家和地區(qū)。Zagheni和Weber （2012） 發(fā)現(xiàn)，一些非洲國家網(wǎng)民數(shù)量少、互聯(lián)網(wǎng)滲透率低，且缺乏完善的人口統(tǒng)計(jì)數(shù)據(jù)，此方法并不適用。

2. 雙重差分模型

當(dāng)缺乏完善的統(tǒng)計(jì)數(shù)據(jù)時(shí)，研究者還可以通過雙重差分模型估計(jì)變化趨勢 （Zagheni and Weber 2012）。如果社交媒體的用戶呈現(xiàn)出某種相似的變化趨勢，那么研究者就可以比較某個(gè)特定群體或地區(qū)這段時(shí)間的變化與總體用戶變化的區(qū)別，從而得到這個(gè)群體的相對變化趨勢。

3. 對網(wǎng)絡(luò)數(shù)據(jù)加權(quán)

另一個(gè)降低缺乏代表性造成的誤差的方法是對網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行加權(quán)。類似社交媒體用戶組成的樣本或總體樣本都可以用來計(jì)算網(wǎng)絡(luò)數(shù)據(jù)的權(quán)重 （Diaz et al. 2015）。對數(shù)據(jù)加權(quán)便于比較不同用戶群體。例如，女性發(fā)送推特的數(shù)量總體少于男性，但更熱衷于針對政治問題發(fā)送推文。如果我們對女性用戶的數(shù)據(jù)進(jìn)行加權(quán)，就可以得出更具有代表性的結(jié)果。上文提到，非白人和受教育程度低的人群在推特上缺乏代表性。對這些群體加權(quán)可以增加他們在推特上的比重，一定程度上提高代表性。

4. 將網(wǎng)絡(luò)數(shù)據(jù)視作面板數(shù)據(jù)

最后，面對缺乏代表性問題，與其將網(wǎng)絡(luò)數(shù)據(jù)看作總體樣本的代表，我們還可以將其視作面板數(shù)據(jù)，從而觀察個(gè)人或群體在一定時(shí)間內(nèi)的變化。例如，Diaz等 （2015） 觀察了大選期間推特用戶最近一次討論選舉的推文和當(dāng)天任何一條推文之間的時(shí)間差，多數(shù)人的時(shí)間差在一周左右。但競選辯論當(dāng)天，研究者發(fā)現(xiàn)該時(shí)間差有顯著增加，這意味著很多之前并不熱衷于討論競選的用戶在關(guān)鍵日期加入了討論。此外，這些面板數(shù)據(jù)還可以用來研究某些事件發(fā)生前后的行為和態(tài)度變化，尤其適用于研究對某些群體有特定影響的事件。研究者可以選擇來自不同群體的社交媒體用戶，觀察他們在事件前后的變化，并發(fā)現(xiàn)群體間的差異。

結(jié)論

本文列舉了在社會科學(xué)中使用網(wǎng)絡(luò)數(shù)據(jù)的幾種挑戰(zhàn)：缺乏代表性、測量誤差、更易出現(xiàn)第一型錯(cuò)誤。本文隨后列舉了缺乏代表性問題的幾種解決辦法，包括通過真實(shí)統(tǒng)計(jì)數(shù)據(jù)校準(zhǔn)網(wǎng)絡(luò)數(shù)據(jù)、通過雙重差分模型推測數(shù)據(jù)變化的趨勢、對網(wǎng)絡(luò)數(shù)據(jù)加權(quán)、以及將網(wǎng)絡(luò)數(shù)據(jù)視作面板數(shù)據(jù)。雖然網(wǎng)絡(luò)數(shù)據(jù)為社會科學(xué)提供了更多研究資源，研究者在使用網(wǎng)絡(luò)數(shù)據(jù)時(shí)要考慮到網(wǎng)絡(luò)的特殊性，發(fā)現(xiàn)數(shù)據(jù)的不足，并盡可能縮小網(wǎng)絡(luò)數(shù)據(jù)與現(xiàn)實(shí)數(shù)據(jù)的差異。