去蕪存菁：小議社交媒體分析學(xué)中的數(shù)據(jù)質(zhì)量問題

向征+于思

近十余年來(lái)，社交媒體的發(fā)展日新月異，并通過不同的渠道，以不同的形式，為我們認(rèn)識(shí)、分析和解決眾多社會(huì)經(jīng)濟(jì)問題提供了海量、豐富的數(shù)據(jù)，社交媒體分析學(xué)（social media analytics）由此應(yīng)運(yùn)而生。社交媒體分析學(xué)主要通過采集各種類型的社交媒體數(shù)據(jù)，使用文本分析、數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)及計(jì)量統(tǒng)計(jì)等方法，來(lái)發(fā)現(xiàn)、描述并解釋基于傳統(tǒng)數(shù)據(jù)和方法不易發(fā)現(xiàn)和認(rèn)識(shí)的規(guī)律。社交媒體分析學(xué)在各個(gè)領(lǐng)域取得了長(zhǎng)足的進(jìn)展，旅游管理也不例外。近年來(lái)使用社交媒體數(shù)據(jù)的研究紛紛涌現(xiàn)，涵蓋旅游及酒店業(yè)各領(lǐng)域，涉及游客滿意度、旅游目的地形象、酒店收入業(yè)績(jī)分析等問題，不一而足。其研究對(duì)象、數(shù)據(jù)使用和分析方法可謂千姿百態(tài)，為旅游管理提供了前所未有的想象空間。

與實(shí)驗(yàn)法、問卷調(diào)查法等傳統(tǒng)研究方法相比，社交媒體分析學(xué)的數(shù)據(jù)來(lái)源和構(gòu)成不是由研究者預(yù)先設(shè)計(jì)而生成的，而是使用現(xiàn)成的二手?jǐn)?shù)據(jù)。用Agarwal和Dhar的話來(lái)說(shuō)，社交媒體數(shù)據(jù)總是“不完美的”。形象地說(shuō)，社交媒體分析學(xué)在方法論上是一個(gè)吹糠見米的過程，即通過不完美的數(shù)據(jù)找到盡可能接近現(xiàn)實(shí)的答案。目前，社交媒體分析學(xué)尚處在初級(jí)階段，近年來(lái)，Ruths、Pfeffer和Tufekci等社會(huì)科學(xué)領(lǐng)域的研究人員對(duì)這種以數(shù)據(jù)為基礎(chǔ)的新研究范式提出了越來(lái)越多的批評(píng)，特別是對(duì)數(shù)據(jù)來(lái)源及數(shù)據(jù)本身的可靠性和合法性存有質(zhì)疑。鑒于此，本文旨在介紹社交媒體作為研究數(shù)據(jù)的一些常見的質(zhì)量問題，并針對(duì)性地探討旅游社交媒體研究中存在的潛在問題和挑戰(zhàn)。

社交媒體數(shù)據(jù)質(zhì)量的不完美是指什么？所謂完美和不完美，對(duì)研究者來(lái)說(shuō)是一個(gè)相對(duì)的概念。如果研究的目的是為了認(rèn)識(shí)社交媒體本身的基本特征和規(guī)律，則社交媒體數(shù)據(jù)的不完美和造成這些不完美的原因正好為這些問題的探討提供了“完美的”觀察。但是，如果研究的目的是為了認(rèn)識(shí)或發(fā)現(xiàn)數(shù)據(jù)中能夠代表特定人群的基本特征和規(guī)律，則不完美的數(shù)據(jù)會(huì)對(duì)研究的合法性造成影響。比如，用“谷歌趨勢(shì)”的數(shù)據(jù)預(yù)測(cè)人群中流感爆發(fā)的不準(zhǔn)確，就是由于過高估計(jì)數(shù)據(jù)中非相關(guān)的搜索關(guān)鍵詞導(dǎo)致的。

那么，社交媒體數(shù)據(jù)質(zhì)量的不完美是什么原因造成的呢？表現(xiàn)在哪些方面？要認(rèn)識(shí)這個(gè)問題，必須理解社交媒體作為信息平臺(tái)的本質(zhì)。

首先，盡管幾乎所有的社交媒體都能為消費(fèi)者提供值得信賴、可以共享的社會(huì)知識(shí)，然而每個(gè)社交媒體平臺(tái)本身都是反映不同社會(huì)、文化和經(jīng)濟(jì)價(jià)值取向的復(fù)雜技術(shù)系統(tǒng)，從形式和內(nèi)容上講可謂千姿百態(tài)。例如，作為微博平臺(tái)，Twitter在信息的生成傳播和虛擬社交網(wǎng)絡(luò)的動(dòng)態(tài)演變上有其獨(dú)有特征；在旅游在線平臺(tái)中，TripAdvisor屬于開放式的網(wǎng)站，而Expedia只對(duì)在該網(wǎng)站有購(gòu)買經(jīng)歷的消費(fèi)者開放網(wǎng)評(píng)功能。從這個(gè)意義上講，不同社交媒體往往代表不同的消費(fèi)者市場(chǎng)和特定的商業(yè)模式，其數(shù)據(jù)的代表性很大程度上取決于采集數(shù)據(jù)的平臺(tái)本身的特征。因此可以說(shuō)，社交媒體數(shù)據(jù)質(zhì)量有潛在的平臺(tái)偏見。

其次，社交媒體個(gè)人用戶也是造成數(shù)據(jù)不完美的重要原因。以網(wǎng)評(píng)為例，最近Streitfeld在《紐約時(shí)報(bào)》的一篇文章引用了一位評(píng)論人的話，認(rèn)為產(chǎn)品的網(wǎng)評(píng)和打分往往是由“處于網(wǎng)絡(luò)底層的粉絲、仇恨者和操縱者”貢獻(xiàn)的，因而我們不應(yīng)該對(duì)它們有過高的期望。Mkono和Tribe在Journal of Travel Research的一篇文章中談到，旅游產(chǎn)品在線評(píng)論網(wǎng)站的用戶不僅僅是評(píng)論人，而且往往扮演了其他重要的角色，比如活動(dòng)家、社會(huì)精英，甚至惡搞者。從這個(gè)意義上講，參與社交媒體的人群本身就具有“選擇性偏見”。Stephens-Davidowitz的研究發(fā)現(xiàn)，在與Facebook類似的社交網(wǎng)站上，人們更傾向于分享“成功、富有、有吸引力、悠閑、聰明以及快樂”的經(jīng)歷，但是這并不能夠代表大多數(shù)人的生活經(jīng)歷。此外，社交媒體數(shù)據(jù)尤其是在線網(wǎng)評(píng)數(shù)據(jù)不可避免地存在一些錯(cuò)誤信息，比如拼寫或輸入錯(cuò)誤。因此可以說(shuō)，社交媒體數(shù)據(jù)可能存在各種各樣的用戶偏見。

第三，除了個(gè)人用戶外，社交媒體的使用者還包括以營(yíng)銷為主要目的的商家，因此這些數(shù)據(jù)是否都是由真正的消費(fèi)者生成值得懷疑。例如，Anderson和Simester發(fā)現(xiàn)在某零售商網(wǎng)站上，很大一部分網(wǎng)評(píng)是由完全沒有購(gòu)買該產(chǎn)品記錄的“用戶”提交，因此推斷這些所謂的網(wǎng)評(píng)其實(shí)是商家雇傭的“水軍”所為。同時(shí)，這些網(wǎng)評(píng)往往偏于負(fù)面，在語(yǔ)言特征上與虛假?gòu)V告類似。已有不少研究確認(rèn)，某些商業(yè)利益會(huì)導(dǎo)致網(wǎng)評(píng)中參雜一定數(shù)量的垃圾信息，甚至是完全不實(shí)的信息。

由此可見，社交媒體數(shù)據(jù)是平臺(tái)、個(gè)人用戶和商家互動(dòng)的結(jié)果。在更大范圍內(nèi)講，社交媒體還受各種社會(huì)、政治、經(jīng)濟(jì)和文化等大環(huán)境的影響。例如，社交網(wǎng)絡(luò)實(shí)名制的實(shí)施會(huì)對(duì)群體行為造成一定的影響。這些因素都會(huì)影響數(shù)據(jù)的真實(shí)性、可信性和代表性。筆者認(rèn)為，目前旅游社交媒體分析研究中，主要存在以下數(shù)據(jù)質(zhì)量相關(guān)問題：

· 數(shù)據(jù)采集自單一數(shù)據(jù)源。例如，在基于網(wǎng)評(píng)數(shù)據(jù)進(jìn)行相關(guān)研究的文獻(xiàn)中，TripAdvisor是首選。由于存在平臺(tái)偏見的可能，這些研究發(fā)現(xiàn)和結(jié)論只能算是眾多的待選解決方案之一，其普適性值得商榷。

· 數(shù)據(jù)抽樣缺乏系統(tǒng)化的方法，對(duì)數(shù)據(jù)本身所代表的人群特征也缺乏足夠的認(rèn)識(shí)。當(dāng)前工作中的數(shù)據(jù)抽樣往往采用了一些經(jīng)驗(yàn)法則，比如在選擇網(wǎng)評(píng)數(shù)據(jù)時(shí)用字?jǐn)?shù)限制作為數(shù)據(jù)質(zhì)量的過濾器，而字?jǐn)?shù)長(zhǎng)度作為標(biāo)準(zhǔn)是沒有可靠依據(jù)的。更有甚者，很多研究對(duì)數(shù)據(jù)根本沒有運(yùn)用任何基本抽樣方法，只是采用所有能夠使用或得到的數(shù)據(jù)。

· 對(duì)可疑數(shù)據(jù)缺乏有效的認(rèn)識(shí)手段和可行的甄別方法。例如，在線評(píng)論數(shù)據(jù)中存在一些人為錯(cuò)誤，同時(shí)還有灌水?dāng)?shù)據(jù)，甚至虛假數(shù)據(jù)，目前還沒有行之有效的方法對(duì)這些可疑數(shù)據(jù)進(jìn)行識(shí)別和剔除。

值得一提的是，近年來(lái)社交媒體數(shù)據(jù)質(zhì)量問題已逐漸引起旅游界學(xué)者的關(guān)注。在認(rèn)識(shí)社交媒體平臺(tái)偏見方面，Mellinas等人發(fā)現(xiàn)預(yù)訂網(wǎng)站Booking.com在顯示用戶打分刻度時(shí)，可能會(huì)誤導(dǎo)用戶；Xiang等人在Tourism Management的一篇文章中，對(duì)美國(guó)三個(gè)最具代表意義的旅游在線評(píng)論網(wǎng)站（TripAdvisor，Expedia和Yelp）進(jìn)行了對(duì)比分析，發(fā)現(xiàn)這三個(gè)網(wǎng)站的酒店網(wǎng)評(píng)在一些重要數(shù)據(jù)特征上存在明顯差異。在認(rèn)識(shí)網(wǎng)評(píng)相關(guān)的情感和語(yǔ)義等重要測(cè)量指數(shù)的研究中，學(xué)者們也開始意識(shí)到數(shù)據(jù)質(zhì)量問題，Park和Nicolau用Yelp的餐飲業(yè)網(wǎng)評(píng)數(shù)據(jù)進(jìn)行分析研究，發(fā)現(xiàn)網(wǎng)評(píng)情感和用戶打分存在不對(duì)稱關(guān)系，這個(gè)發(fā)現(xiàn)在Xiang等人的研究中也得到了部分驗(yàn)證。在鑒別數(shù)據(jù)噪音方面，Schuckert、Liu和Law用網(wǎng)評(píng)中的用戶總打分和分項(xiàng)打分之間的不一致性作為可疑網(wǎng)評(píng)的甄別手段。最近，Xiang等人的另一篇文章發(fā)現(xiàn)，當(dāng)TripAdvisor在要求網(wǎng)評(píng)人填寫旅游目的時(shí)，用戶往往提供不準(zhǔn)確的信息，形成數(shù)據(jù)噪音，由此，他們開發(fā)了一套基于高質(zhì)量網(wǎng)評(píng)的排序算法，來(lái)有效剔除噪音。這些研究表明，在社交媒體分析學(xué)的研究中，有意識(shí)、系統(tǒng)化地進(jìn)行數(shù)據(jù)采集、預(yù)處理和抽樣，對(duì)研究結(jié)論的合法性至關(guān)重要。

認(rèn)識(shí)到社交媒體平臺(tái)的本質(zhì)，我們就能夠有意識(shí)、有針對(duì)性地認(rèn)識(shí)和處理社交媒體分析過程中可能存在的數(shù)據(jù)質(zhì)量問題。當(dāng)然，目前這些研究?jī)H僅是一些探索性的工作，關(guān)于旅游相關(guān)的社交媒體研究的本體論和方法論基礎(chǔ)，仍然有很多值得深入探討的課題。比如，利用網(wǎng)評(píng)和博客來(lái)認(rèn)識(shí)旅游目的地形象似乎正在成為一個(gè)趨勢(shì)，但是，究竟什么樣的數(shù)據(jù)能夠用來(lái)描述目的地形象，這也是個(gè)合法性的問題。

吹糠見米，去蕪存菁。筆者認(rèn)為，對(duì)社交媒體數(shù)據(jù)質(zhì)量的研究，不僅能夠給旅游管理提供可靠的方法論基礎(chǔ)，而且在假信息、假新聞泛濫的今天，更具有迫切的現(xiàn)實(shí)意義。

（第一作者系美國(guó)弗吉尼亞理工大學(xué)酒店和旅游管理系副教授，博士生導(dǎo)師，北京聯(lián)合大學(xué)客座教授；第二作者系北京聯(lián)合大學(xué)副教授，通訊作者；收稿日期：2017-08-11）endprint