社科研究中的大數據視域：概念辨析與維度建構*

貴州師范學院商學院 郭建文

當前，對于大數據視域的誤用、濫用現象較為嚴重，突出表現在三個方面。一是視域結構混亂，不同的人對大數據的理解不一導致視域結構不同，沒有形成特定視域下分析問題應有的統一性；二是視域概念模糊，文中缺乏清晰地展現，只是籠統地將大數據的思維融入其中，沒有明晰可辨的分析框架，視域與視角混淆；三是視域虛置，某些文獻雖然面上表明其應用的是大數據視域，但是在具體研究時大數據的核心要素卻沒有得到應有的體現。鑒于此，本文立足大數據的特點及其時代內核，基于托馬斯? 庫恩范式理論對大數據視域的概念進行了界定，并對其維度進行邏輯建構，以作為當前社科研究中大數據視域引入的參考。

一、大數據的特點及其時代內核

（一）大數據及其特點

2008 年《Science》雜志出版的專刊中，大數據被定義為“代表著人類認知過程的進步，數據集的規模是無法在可容忍的時間內用目前的技術、方法和理論去獲取、管理、處理的數據”。維克托?邁爾-舍恩伯格（Viktor Mayer-Schonberger）和肯尼思?庫克耶（Kenneth Cukier）認為大數據是“當今社會所獨有的一種新型能力：一種前所未有的方式，通過對海量數據進行分析，獲得有巨大價值的產品和服務，或深刻的洞見”。盡管當前大數據的概念未獲統一的認定，但大數據意味著數據海量、數據產生和處理的高速度、數據類型的多樣性以及對傳統數據處理技術能力的超越卻是主流的認知。

關于大數據的特點，主要經歷了從“3V”到“5V”的認識過程。自D.Laney的 “3V”界定后，國際數據公司IDC界定了大數據的四大特征：海量的數據規模(volume)、快速的數據流轉和動態的數據體系(velocity)、多樣的數據類型(variety)和巨大的數據價值(value)。IT巨頭IBM提出了5V模式，除了包括規模性（Volume）、高速性（Velocity）、多樣性（Variety），還包括價值性（Value）和精確性（Veracity）。

（二）大數據的時代內核

大數據的時代內核體現了大數據在經濟社會生活中所凸顯的鮮明屬性，是大數據視域建構的基礎。通過綜合學者們的相關論述，大數據的時代內核主要包括以下六個方面。一是全數據替代樣本數據。對事物的研究重點不在于抽樣的精巧設計，而是盡力地萃取能夠標識事物的各方面資料，通過簡單的算法即可探尋事物的本真。二是混雜性替代精確性。由于絕大多數數據都是半結構化或非結構化，這就要求放棄對數據精確性的執迷，而容忍混雜性存在。三是相關性替代因果性。舍恩伯格認為，（在大數據時代）“知道‘是什么’就夠了，沒必要知道‘為什么’” 。根據其觀點，在大數據時代相關關系的重要性要強于因果關系，在許多層面上探尋到事物間的相關關系就足以解決問題。四是量化替代經驗。大數據時代過往難以處理的半結構、非結構性數據有了統一處理的可能，使得世界一切皆可量化，從而擺脫了對經驗分析的依賴。五是數據的價值生命得以延展。小數據時代，數據的價值基本上體現在一次性應用上，大數據時代賦予了數據創造各種價值的可能，數據的價值已經突破了其原始價值的范疇，能夠創造出超越其初始價值的價值。六是前所未有的數據統治力。數據的統治力得到彰顯，成為與技術、思維鼎立共生的核心發展要素。

二、視域概念及其維度構成

（一）視域辨析

嚴格地說，視域一詞并不是真正的學術體系用語，只能歸于慣用語之列。因為在學術體系內視域一詞尚缺乏嚴謹地考察，只是研究者將其作為與研究視角相提并論甚至混用的一個常用語。就字面意義來說，所謂視域，指的是視力所及的范圍。在學術界，視域時常與視角相混，然而細究起來視域與視角存在本質的不同。視域指的是一定的范圍，是平面視覺廣度和最大視覺范圍，而視角指的是觀察事物的特定角度，其范圍要小于視域。在學術范疇內，視域一般指的是基于某種理論而生發出的研究特定范圍問題的方法、規則、視點，而視角的基點可以是特定的理論，也可以是視力聚焦之物，既可以以某種理論作為研究的視角，也可以將特定的研究對象或者該對象的某一側面作為研究視角，故而二者存在根本的不同。

通過對科學研究領域內與研究方法方式相關的概念的考察，與視域關聯度較高的學術用語當屬“范式”。1962 年托馬斯 ?庫恩（Thomas Samuel Kuhn）在《科學革命的結構》一書中闡述了范式的概念與理論。他認為，“范式是一種公認的模型和模式，是常規科學的理論基礎和實踐規范，是研究者在從事科學研究時共同遵守的世界觀和行為方式，是共同接受的一組假說、理論、準則和方法的總和”。吉姆·格雷 ( J.Gray) 對科學范式的發展歷程進行了研究，認為科學范式已經從經驗科學范式、理論科學范式和計算科學范式，發展成當前的 “數據密集型科學范式”，也即第四范式。第四范式的提出與大數據概念被重視幾乎同步，具有很強的大數據背景，可以說正是大數據推動了第四范式誕生。

范式是科學研究的特定階段特定領域開展研究的通用模式，具有相對的普適性。視域是基于某一理論對客觀事物或現象進行觀察研究的工具，從既有文獻對視域的應用來看，主要是基于某一理論出發對特定的問題開展研究，因此視域和范式存在一定的關聯與區別。二者的相通之處在于都是對研究對象開展研究的工具性集合，規定、制約著研究的范圍、進程。不同之處在于，視域基于某一特定理論出發，而范式覆蓋的范圍則更為寬泛，并沒有與特定的應用型理論相結合，可以說是各個不同研究視域的內核抽象。因此特定的視域可以看作是范式的外延，范式則是視域的內涵。簡而言之，視域就是范式在特定理論視角中的體現，是特定理論與研究范式的有機結合，視域中蘊含著范式的精髓，而范式需要視域去體現和發生作用。

（二）視域的維度構成

鑒于視域與范式的關系，分析特定視域的維度結構可以借鑒范式的相關理論。范式一般包括共同的基本理論（觀點、方法）、共有的信念和某種自然觀（含形而上學假定），其“基本原則可以在本體論、認識論和方法論三個層面表現出來，分別回答事物存在的真實性問題、知者與被知者之間的關系問題以及研究方法的理論體系問題”。由上，范式的內部結構主要由核心層、方法層、應用層組成。核心層主要包括基本的理論、觀點、信念；方法層包括各種研究方法；應用層包括范式的具體應用。因此，作為范式基礎上融入特定理論的視域，其在結構上應包括如下幾個維度。

1.理論

理論維度指的是形成特定視域的理論、理念、觀念和思維，這是特定視域的核心，決定了視域的學科眼界與視域的寬度和深度，是區分此視域非彼視域的關鍵。和視角不同，視域具有顯著的認識本體的特征，是從本體的某一點出發去認識視域范圍內的特定問題，而不是基于問題的某一部分出發展開分析。因此視域具有先在性和本體性，視域與問題兩分，同一視域可以作用于不同的問題，而視域的本體即其核心層的理論。

2.方法

方法維度也即理論維度基礎上特定視域內蘊的主流研究方法。不同的理論基礎決定了研究的視界不一，理論本身的特質也決定了這一視域下應采用的研究方法的不同。方法是理論應用的載體，也是理論應用的形式化，任何視域都具有顯著不同于其他視域的研究方法，因而研究方法作為視域的一個維度存在。3.視點

所謂視點維度指的是特定視域所關注的問題焦點，是該視域下研究問題時需重視的關鍵環節，也是解決相關問題的鑰匙和著力的方向。視域標定的是視界范圍，但是對于特定問題的研究必須要聚焦于相應重點。不同的視域由于核心理論不同，研究方法各異，對于同一個研究對象其關注的重點也各有不同，因而視點能夠從一個方面反映視域的特征。4.舉措

舉措維度指的是特定視域在解決問題時所推崇的路徑與方法，是特定視域下解決相關問題的基本觀點。不同視域下對于同一問題的解決存在不同甚至相互矛盾的觀點，比如對于社會穩定問題，治理視域下一般提出的解決辦法是社會各部門的協同，而對于法治視域下的社會穩定問題則更為強調法治的規制作用。三、大數據視域的維度構成與結構特點

（一）大數據視域的維度構成

根據上面的分析，本文將大數據視域定義為通過大數據理論所能觀察到的事物范圍與聚焦的要素，是大數據思維基礎上衍生出的一系列觀念與視線的組合，是觀察事物的一系列理論、規則、方法、視點以及實踐應用構建而成的對社會問題、社會現象觀察研究的一種模式和分析架構。綜合視域維度構成分析并結合大數據理論自身特點，本文認為大數據視域的維度應包含如下方面。

1.數據

大數據理論是以數據為中心的理論體系，大數據思維與共識是大數據理論的基礎。對大數據來說，數據是其根本，沒有規模體量大、類型多樣、產生速度超快的數據作為基礎，大數據技術將成為無本之木、無源之水。因此，大數據視域的四個維度中，數據維度作為視域的理論層具有根本性的地位。因此，應用大數據的視域觀察事物，首要的要關注與事物有關的數據，脫離數據維度的所謂大數據視域將會失去其賴以存在的基礎。

2.量化

在視域的維度結構中，理論維度基本決定了方法維度。大數據視域以數據為核心，故而量化作為大數據視域的方法維度順理成章。大數據技術是量化的技術，之所以應用大數據其中一個重要原因就是要在浩如煙海的數據中探求事物的規律性，從而擺脫經驗主義、主觀主義的局限與非理性。量化作為大數據視域的維度之一這是從大數據自身引致的。用大數據視域來觀察、研究事物的發展規律，就必須要堅持量化的眼光，把握量化的技術。從現有文獻來看，基于大數據的視域或視角的研究文獻中，基本上都提到和應用了量化研究。這從一個層面證實了量化作為大數據視域維度之一的必要性。

3.相關

視域指的是一定的視力范圍，但是通過視域對客觀事物開展研究必須要聚焦于一定的視點。區別于小數據時代對于因果關系的執迷，大數據時代更為側重對相關性的探尋，社會網絡的形成使得整個世界成為一張無邊無際的網，而這個網絡中的任何一個節點的變化都可能因“蝴蝶效應”的存在而對網絡和網絡上的其他節點產生或大或小的影響。因此，在這一背景下，對事物因果性的追索更多地讓位于相關性。從另一角度來講，關注相關性實質上就是堅持系統的眼光，正因為系統性的存在使得事物之間存在各種形式的關聯。因此，應用大數據視域來研究、分析問題時需要將視域的焦點聚焦在事物的相關性上，相關性即是大數據視域的視點維度。

4.預測

舉措是視域中的問題解決之維，大數據在實用價值上與小數據的顯著區別是大數據具有更強、更精準的預測能力，預測是大數據應用價值的核心體現。基于數據的分析不僅還原了事物的發展規律，更為重要的是基于研究的目的對事物的未來發展變化進行預測才能最終解決問題。能夠做出精準的預測是大數據之所以得以存在和發展的秘訣，因而，預測是大數據視域的重要一維。

（二）大數據視域的維度構成特點

通過以上的分析，大數據視域的維度由數據、量化、相關和預測組成，四個維度的有機組合構成了多層次、多角度、立體式的大數據視域。首先，數據維度是大數據視域的基礎；其次，量化是大數據的內在要求；再次，相關性是大數據分析的核心；最后，預測是大數據應用的價值歸宿，同時也是實現機器學習、數據分析智能化的關鍵環節。大數據視域的特點主要表現在四個方面：一是數據的基礎性。對于大數據視域而言，其理論的核心是與大數據有關的各種原理。二是量化的全面性。即應用大數據視域研究問題時要全面地使用量化的方法。三是相關的普遍性。即通過大數據視域探尋事物的發展規律時，最為普遍的研究導向就是去找尋事物內外部的相關關系。四是預測的核心性。應用大數據視域開展社會問題研究時解決問題的著眼點在防范、將問題消除在萌芽狀態，故而預測的核心性凸顯。