谷歌 Ngrams ：大數據如何創(chuàng)造錯覺

　　如果我說美國人現在開始越來越以自我為中心了，你也許會想這個老家伙肯定又要嘟囔些「過去才是好日子」之類的。但是，如果我說我有著對1500億個文本詞語的分析來支持這個的宣稱呢?在幾十年前，這樣規(guī)模的證據簡直是天方夜譚。而在今天，1500億個數據已經過時了?！复髷祿狗治龅臒岢币呀浘磉^了生物學、語義學、金融學以及其相間的各種領域。

　　盡管沒有人能夠在如何定義上取得一致，但大致概念是找到足夠大的數據庫，這樣他們可以發(fā)現傳統(tǒng)調查里無法發(fā)現的規(guī)律。這些數據來源于數百萬個現實用戶的行為，例如，發(fā)推特或信用卡消費，并且這些行為需要上千臺計算機來收集、存儲與分析。而對于許多計算機和研究者來說，這個投資是值得的，因為數據中的規(guī)律可以解鎖從基因序列到明日股票價格的一切信息。

　　但是有一個問題：我們會不禁認為在如此驚人數量的數據的支持下，基于大數據的研究不可能是錯的。然而，數據的海量特征會給結果灌注一種錯誤的確定感。許多的結果都是不真實的——而其原因會讓我們重新思考那些盲目信任大數據的研究。

　　在語言和文化中，大數據隆重地在 2011 年出場，那時谷歌發(fā)布了它的 Ngrams 工具。谷歌在《Science》雜志中發(fā)表的文章大張旗鼓地宣布， Ngrams 可以讓用戶在谷歌掃描書籍數據庫中尋找特定短語——這個數據庫囊括了幾乎 4% 的出版過的書籍!——并獲知這些短語的頻率如何隨著時間而變化。這篇論文的作者預言了「文化經濟學」的降臨，一個基于大量數據的對文化的研究，并且自此以后，谷歌 Ngrams 變成了一個幾乎無限的娛樂來源——但也是語義學、心理學和社會學的一座金礦。例如，他們搜羅了數百萬書籍去展示，是的，美國正在變得愈來愈個人主義，我們正在「每一年都在加速忘記我們的過去」，道德理想正在從我們的文化意識中消失。

　　我們正在失去「希望」：網絡漫畫《xkcd》的作者 Randal Munroe 所創(chuàng)造的許多有趣的小漫畫之一是一個關于「希望」的 Ngrams 表格。如果 Ngrams 真的反射出了我們的文化，我們也許正在前往一個黑暗的未來。

　　問題開始于 Ngrams 語料庫建立的方式。在去年十月發(fā)表的一篇研究中，三位來自佛蒙特大學(University of Vermont，UVM)的研究者指出，總體來說，Google Books 收納了每 一本書的復印版。這與它的最初目標完美相符：讓這些書本的內容完全呈現于谷歌的強大檢索技術中。盡管從社會學研究的角度來說，它讓語料庫有了危險的歪曲。

　　舉個例子，一些書籍淪落到了低于它們真正文化重量的境地：《指環(huán)王》的影響力還沒有《巴伐利亞的巫術迫害》多。而相反的，一些作家則開始變得十分凸顯。從英文小說的數據來看，你可以總結出在上世紀初期的20年里，每個角色的兄弟都叫做 Lanny。實際上這個數據甚至反映了一位(并不一定是受歡迎的)作家 Upton Sinclair 有多么多產：他寫出了11部有著同一個「Lanny Budd」的小說?！　?/p>

　　到底誰是 Lanny ?：「Lanny」與其他英文小說中常見名字相對比的谷歌 Ngrams 圖標

　　更加糟糕的是 Ngrams 并不是已出版書籍的一種連續(xù)的、平衡的縮影。同一份 UVM 的研究證明，在許多發(fā)生的創(chuàng)作變化之中，值得注意的是開始于上世紀60年代的科幻小說的增多。所有這些都讓我們很難相信谷歌的 Ngrams 能夠準確地反映出文字文化主流隨著時間的變化。

　　FIGURE 圖表：主要用于標題的大寫字母F開頭的「Figure」使用頻率在20世紀大幅上升，意味著語料庫中科技文章開始增加。這也許解釋了一些關于社會的問題，但是并沒有更多解釋大多數社會是如何用這些詞語的。

　　即使通過了數據的來源的檢驗，在「理解」這一關依然存在尖銳的問題。的確，像「性格」和「尊嚴」這樣的用詞在過去幾十年的使用也許下降了。但是這意味著人們對于道德的關注就減少了嗎?伊利諾伊斯大學香檳分校的英文學教授 Ted Underwood 警告說，不要這么快下定義。他指出，我們現在關于道德的理解也許與在 19、20世紀之交時的概念有著巨大出入，并且「尊嚴」也許因為非道德的原因變得逐漸普及化。因此任何我們從將眼下的關聯投射到過去所總結的結論都是可疑的。

　　當然了，這些對于統(tǒng)計學和語義學來說都不是新鮮事。數據與表征是他們的面包與黃油。而谷歌 Ngrams 不同的是，它有著讓純粹的數據遮蔽了我們的雙眼并導致人們誤入歧途的危險。

　　這種傾向不僅僅出現在對于 Ngrams 的研究中。相似的錯誤也損害著各種大數據項目。例如，谷歌的 Google Flu Trends(GFT)項目。誕生于 2008 年的 GFT 項目會計算數百萬的谷歌檢索中「發(fā)燒」與「咳嗽」等詞語出現的數量，利用它們去「預測」多少人得了流感。有了這些估測，公眾健康機構就能夠在疾疫控制中心從醫(yī)生報告中得出真正數量的兩周前就采取行動。

　　當大數據不再被看成一個萬金油的時候，它才會真正有顛覆性。

　　最初，GFT 宣稱自己有 97% 的準確度。但是根據西北大學文檔的研究，這種準確度僅僅是一個僥幸。首先，GFT 完全忽視了 2009 年春天和夏天「豬流感」的蔓延(最后證實 GFT 大部分預測的是冬天)。接著，系統(tǒng)開始去過度預測流感。實際上，它在 2013 年的峰值預測是真實的140%。最終，谷歌直接停了整個項目。

　　那么，到底是哪里錯了呢?有了 Ngrams，人們會不再仔細考慮他們手中數據的來源和詮釋。谷歌檢索中的數據資源并不是一個靜止的野獸。當谷歌開始自動補充檢索內容時，用戶們開始習慣于接受提供的關鍵詞，扭曲 GFT 所看到的搜索。在理解方面，GFT 的工程師在最開始讓 GFT 采用面值數據;幾乎每一個檢索術語都被當成潛在的流感指示。有了數百萬個檢索術語后，GFT 毫無疑問的開始過度詮釋一些季節(jié)性的詞語，例如把「雪」來當做流感的證據。

　　但是，當大數據不再被看做是萬金油時，它才真正具有了顛覆性。哥倫比亞大學的研究者 Jeffrey Shaman 和其他許多團隊在流感預測上利用 CDC 去補償 GFT 的誤差，其結果比 CDC 和 GFT 兩者都要好。根據 CDC 來看，「Shaman 的團隊測試了這個季節(jié)已經出現的實際流感的模型」。通過將過去的短時間情況納入到考慮當中，Shaman 和他的團隊精確調整了他們的數學模型，去更好地預測未來。團隊所需要的就是去嚴格地評估關于數據的假設。

　　為了不讓我自己聽起來像一個反谷歌斗士，我不得不再說下，谷歌絕對不是唯一的一個犯錯者。我的妻子，一位經濟學家，曾在一家統(tǒng)計整個互聯網的職位發(fā)布并收集整合成為國家勞動部門的統(tǒng)計數據的公司工作。公司的經理曾經夸口他們分析了整個國家 80% 的職位，數據的數量致使他們盲目走向了誤解的方向。舉例來說，一家當地的沃爾瑪也許會發(fā)布一個銷售助理職位，而它實際上想要招十個，或者它也許會讓這個發(fā)布一直在掛在那里幾周，直至人滿為止。

　　因此，相比于屈服在「大數據廢墟」下，我們最好在心里保持我們的質疑——即使在有人提到海量文字支持的時候。