不平行的空間：用戶生成內(nèi)容大數(shù)據(jù)質(zhì)量探析*

陳 崢

（1.湖北開放大學(xué) 武漢 430074； 2.武漢大學(xué)社會(huì)學(xué)院 武漢 430072）

1 引言

隨著互聯(lián)網(wǎng)時(shí)代的到來，人類的生產(chǎn)、生活等行為活動(dòng)越來越網(wǎng)絡(luò)化，互聯(lián)網(wǎng)/移動(dòng)互聯(lián)網(wǎng)上每時(shí)每刻都在生成相關(guān)的數(shù)據(jù)（指存在于計(jì)算機(jī)系統(tǒng)中的信息資料），社會(huì)科學(xué)家很快就認(rèn)識(shí)到了這些數(shù)據(jù)的價(jià)值。2009年，大衛(wèi)·拉澤爾等15位學(xué)者撰文指出，當(dāng)前被廣泛使用的電子郵件、移動(dòng)通信、信用卡、電子購(gòu)物清單、網(wǎng)絡(luò)診療記錄、社交軟件等已經(jīng)為我們積累了大量長(zhǎng)時(shí)間、連續(xù)性、大規(guī)模的人類行為與互動(dòng)數(shù)據(jù)?；谶@種前所未有的廣度、深度和尺度的數(shù)據(jù)收集與分析，將為拓展、深化甚至革新對(duì)個(gè)體行為、群體交往、組織結(jié)構(gòu)乃至整個(gè)社會(huì)運(yùn)行規(guī)律的認(rèn)識(shí)開辟一條新路徑[1]。

互聯(lián)網(wǎng)/移動(dòng)互聯(lián)網(wǎng)中的信息內(nèi)容可分為專業(yè)生產(chǎn)內(nèi)容（PGC，Professional Generated Content）和用戶生成內(nèi)容（UGC，User Generated Content）。Web2.0時(shí)代的信息交互技術(shù)，使互聯(lián)網(wǎng)用戶既是信息的受眾，也能方便地成為信息的生產(chǎn)者、發(fā)布者與傳播者。每一個(gè)用戶不僅可以在博客、微博、微信、論壇/BBS、分享網(wǎng)絡(luò)、好友社交網(wǎng)絡(luò)等平臺(tái)上生成自己的內(nèi)容，也可以對(duì)其他用戶發(fā)布的內(nèi)容進(jìn)行點(diǎn)贊、評(píng)論、轉(zhuǎn)發(fā)。由此，互聯(lián)網(wǎng)上幾乎時(shí)刻都在產(chǎn)生新的用戶生成內(nèi)容，形成來源復(fù)雜、形態(tài)多樣、規(guī)模龐大且持續(xù)高速增長(zhǎng)的UGC大數(shù)據(jù)。早在2010年，UGC即已占據(jù)整個(gè)在線內(nèi)容的50.7%[2]。

UGC大數(shù)據(jù)的產(chǎn)生和積累令社會(huì)科學(xué)家極為振奮，因?yàn)檫@種大規(guī)模的個(gè)人行為互動(dòng)數(shù)據(jù)是前互聯(lián)網(wǎng)時(shí)代難以獲取甚至無法獲取的研究資料。以往，專業(yè)生產(chǎn)內(nèi)容相對(duì)容易獲得，但社會(huì)科學(xué)研究最重要的對(duì)象是蕓蕓眾生，研究者必須了解普通人的思想觀念、行為傾向、情感心理等方面的狀態(tài)。為了達(dá)到這一目的，社會(huì)科學(xué)研究者一直在探索和完善社會(huì)調(diào)查、社會(huì)測(cè)量的方法。然而長(zhǎng)期以來，社會(huì)科學(xué)研究仍只能以觀察、訪談、問卷調(diào)查等方法作為獲取普通人信息的主要手段。這些方法存在諸多不足，例如實(shí)施較為困難、成本往往較高，因而導(dǎo)致獲取的數(shù)據(jù)一般規(guī)模較小，并且時(shí)效性差。正因如此，來源于廣大群眾的UGC大數(shù)據(jù)成為計(jì)算社會(huì)科學(xué)關(guān)注的新型資料，社會(huì)科學(xué)各領(lǐng)域?qū)W者紛紛嘗試運(yùn)用UGC大數(shù)據(jù)發(fā)現(xiàn)知識(shí)、探索規(guī)律。

將任何數(shù)據(jù)運(yùn)用于研究都必須先考察其質(zhì)量。在社會(huì)科學(xué)研究意義上，衡量數(shù)據(jù)質(zhì)量的首要標(biāo)準(zhǔn)，就是看它們是否真實(shí)、準(zhǔn)確地反映了社會(huì)事實(shí)（與計(jì)算機(jī)科學(xué)意義上的數(shù)據(jù)質(zhì)量有所不同）。截至目前，基于UGC大數(shù)據(jù)的社會(huì)科學(xué)研究已有不少，但其數(shù)據(jù)質(zhì)量問題似乎并未得到足夠的重視，至今少有人進(jìn)行細(xì)致深入的研究。但是，UGC大數(shù)據(jù)是用戶的行為、心理、觀念在網(wǎng)絡(luò)上的完美映射嗎？顯然，這個(gè)問題對(duì)能否得到正確的研究結(jié)論具有決定性的影響。下文將就這一重要問題展開探討。

2 UGC數(shù)據(jù)質(zhì)量的不均衡性及其形成原因

傳統(tǒng)的數(shù)據(jù)資料獲取方法存在固有缺陷，對(duì)社會(huì)科學(xué)實(shí)證研究能力形成嚴(yán)重制約。長(zhǎng)期以來，社會(huì)科學(xué)家都在尋找克服缺陷的辦法。正因如此，當(dāng)包括UGC在內(nèi)的網(wǎng)絡(luò)大數(shù)據(jù)出現(xiàn)后，很多學(xué)者首先是將其與傳統(tǒng)數(shù)據(jù)進(jìn)行比較，進(jìn)而發(fā)現(xiàn)它避免了傳統(tǒng)數(shù)據(jù)的一些缺陷，這種優(yōu)勢(shì)主要表現(xiàn)在樣本量大、時(shí)效性強(qiáng)、無研究者介入干擾、對(duì)象的無反應(yīng)性。UGC大數(shù)據(jù)的這四個(gè)特點(diǎn)，正是計(jì)算社會(huì)科學(xué)對(duì)其極感興趣的最重要原因。但是，由此認(rèn)為UGC大數(shù)據(jù)一定能夠真實(shí)、客觀、準(zhǔn)確地反映社會(huì)事實(shí)與人們的行為、思想觀念和心理狀態(tài)，能夠完美地適應(yīng)各種社會(huì)科學(xué)研究的需要，卻是過于輕率了。這是因?yàn)?，克服了傳統(tǒng)數(shù)據(jù)的局限并不意味著不會(huì)有新的局限。排除了主試方干擾、受試方干擾，并不足以保證生成的就一定是真實(shí)的、自然狀態(tài)的數(shù)據(jù)。

互聯(lián)網(wǎng)的信息生態(tài)是極為復(fù)雜的，UGC記錄了海量的人類行為與互動(dòng)，但其中有大量既非真實(shí)亦非自然的內(nèi)容。事實(shí)上，大量虛假、錯(cuò)誤、片面、未經(jīng)證實(shí)、相互矛盾的信息每時(shí)每刻都在生成，UGC的實(shí)際狀態(tài)是過載、無序、優(yōu)劣混雜、追溯困難，在數(shù)據(jù)質(zhì)量上呈現(xiàn)極度的不均衡性。對(duì)于對(duì)精確性要求較高的社會(huì)科學(xué)研究來說，UGC大數(shù)據(jù)的總體數(shù)據(jù)質(zhì)量，遠(yuǎn)未達(dá)到可以放心使用的程度。以下從主體多元化、媒介市場(chǎng)化與政治化及其他因素對(duì)此展開分析。

2.1 主體多元化：UGC的內(nèi)容真?zhèn)位祀s

UGC大數(shù)據(jù)源自人類行為的網(wǎng)絡(luò)化，互聯(lián)網(wǎng)規(guī)模龐大的用戶群體在人格特質(zhì)、文化素養(yǎng)、知識(shí)結(jié)構(gòu)、心理狀態(tài)等諸多方面的異質(zhì)性，決定了其內(nèi)容生產(chǎn)動(dòng)機(jī)的千差萬別和內(nèi)容生產(chǎn)能力的巨大差距。同時(shí)，UGC數(shù)據(jù)生產(chǎn)者與PGC數(shù)據(jù)生產(chǎn)者不同，一般既無須對(duì)質(zhì)量負(fù)任何責(zé)任，也無須承擔(dān)因質(zhì)量低劣而引起的后果，這決定了很多用戶內(nèi)容生成的隨意性很強(qiáng)。用戶的異質(zhì)性與無責(zé)任性一方面使UGC的內(nèi)容包羅萬象，另一方面也必然導(dǎo)致其質(zhì)量良莠不齊。即便是以知識(shí)分享為旗幟，以創(chuàng)建人類歷史上規(guī)模最大的百科全書為口號(hào)的維基百科以及百度百科等網(wǎng)絡(luò)平臺(tái)，其很多詞條內(nèi)容的質(zhì)量也令人不敢恭維。例如，安德卡分析了2010年1月6日的2 958 303篇維基百科的快照，發(fā)現(xiàn)至少有8.52%的文章存在標(biāo)記錯(cuò)誤，其中以引用標(biāo)注出現(xiàn)的錯(cuò)誤為最多，很多文章被注明了引用卻實(shí)際上沒有任何引用來源或參考[3]。這還只是主要通過機(jī)器算法檢測(cè)出來的錯(cuò)誤，如果請(qǐng)具有領(lǐng)域知識(shí)的專家來檢驗(yàn)詞條，會(huì)發(fā)現(xiàn)錯(cuò)誤更多?；ヂ?lián)網(wǎng)上每時(shí)每刻都有錯(cuò)誤、虛假、片面的信息生成為數(shù)據(jù)，并且由于互聯(lián)網(wǎng)具有突破時(shí)空限制的強(qiáng)大傳播能力，這些信息可能會(huì)有極廣的傳播范圍和極快的傳播速度。例如，從百科獲取知識(shí)信息的用戶，有可能繼續(xù)在互聯(lián)網(wǎng)分享一些錯(cuò)誤信息，或依據(jù)其生成新的內(nèi)容，這意味著錯(cuò)誤信息量還可能持續(xù)增加。換言之，錯(cuò)誤的信息內(nèi)容一經(jīng)生成，就會(huì)不斷擴(kuò)散，很可能呈覆水難收之勢(shì)。

除了錯(cuò)誤、虛假、片面的信息之外，UGC還是謠言的淵藪。互聯(lián)網(wǎng)的虛擬性與隱匿性，固然有助于用戶的自然表達(dá)，且可為用戶的傳播活動(dòng)提供安全保障，但也被造謠者當(dāng)作保護(hù)傘。一直以來，社交媒介平臺(tái)上的各種謠言泛濫成災(zāi)。例如，新浪微博曾被冠以“史上最佳謠言機(jī)器”的“美名”[4]。據(jù)中山大學(xué)發(fā)布的《2016微信年度謠言分析報(bào)告》，2016年微信中傳播最為廣泛的五大熱門謠言，閱讀量均超過2 000萬次，并被多個(gè)公眾號(hào)轉(zhuǎn)發(fā)[5]。一些謠言被缺乏甄別能力的用戶轉(zhuǎn)發(fā)擴(kuò)散，在龐大的網(wǎng)絡(luò)空間中難以被及時(shí)堵截和消除。并且，一些已經(jīng)由權(quán)威機(jī)構(gòu)辟謠過的謠言，經(jīng)過一段時(shí)期后又死灰復(fù)燃，其內(nèi)容在互聯(lián)網(wǎng)上反復(fù)生成。所謂“造謠動(dòng)動(dòng)嘴，辟謠跑斷腿”“辟謠的腳步追不上造謠的翅膀”，即是對(duì)這種亂象的生動(dòng)描述[6]。

社交媒介的興起催生了“后真相時(shí)代”?！昂笳嫦唷敝浮霸V諸情感及個(gè)人信念，較客觀事實(shí)更能影響民意”，該詞入選2016年牛津詞典年度詞匯[7]。羅什·沃索吉等人的研究展示了“后真相時(shí)代”的表征，他們力圖探究推特平臺(tái)中虛假與真實(shí)新聞傳播趨勢(shì)的異同，為此收集、分析了從2006年推特創(chuàng)立之初至2017年，由300萬用戶發(fā)布且被瀏覽、轉(zhuǎn)發(fā)450萬次的12.6萬條新聞。結(jié)果顯示，虛假新聞無論是在傳播廣度、深度還是速度上均顯著優(yōu)于真實(shí)新聞。為保證結(jié)論的可靠性，他們先運(yùn)用社交媒介機(jī)器人偵測(cè)算法將自動(dòng)化的社交媒介賬戶進(jìn)行識(shí)別并移除，而后再將這些機(jī)器賬戶產(chǎn)生的流量加入分析進(jìn)程，發(fā)現(xiàn)機(jī)器賬戶散布虛假與真實(shí)新聞的速率一致，表明該結(jié)論依然成立。由此，他們強(qiáng)調(diào)，民眾的確更喜歡傳播虛假新聞[8]。此外，本杰明·多爾、默罕默德·法茲與托比亞斯·弗雷德里希的研究亦佐證了虛假信息傳播能力之強(qiáng)大。他們通過在代表社交網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)與若干傳統(tǒng)的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的曲線圖上，分別模擬一個(gè)自然的謠言傳播過程，發(fā)現(xiàn)謠言在前者中的傳播速度遠(yuǎn)快于后者。例如在推特中，一條始于一個(gè)隨機(jī)節(jié)點(diǎn)的謠言僅經(jīng)8個(gè)回合的傳播便波及4 500萬名用戶，“速度是驚人的”[9]。

由上可見，信息生產(chǎn)與傳播主體的極端多元化及其異質(zhì)性與無責(zé)任性，導(dǎo)致UGC內(nèi)容真?zhèn)位祀s，整體質(zhì)量難以保證。

2.2 媒介市場(chǎng)化：利益驅(qū)動(dòng)的數(shù)據(jù)造假

UGC創(chuàng)造了有利可圖的媒介市場(chǎng)，其商業(yè)價(jià)值已被充分認(rèn)識(shí)和利用。特里·多爾蒂等指出，互動(dòng)型媒介環(huán)境為將現(xiàn)今多元化的媒介市場(chǎng)變現(xiàn)提供可能性，這種可能性是通過提供能夠讓普通受眾的聲音在信息與廣告的漩渦中凸顯的方式來實(shí)現(xiàn)的。在互聯(lián)網(wǎng)世界中，這種有利可圖的媒介市場(chǎng)愈發(fā)由UGC而非發(fā)行商所驅(qū)動(dòng)。早在2007年，這種新興市場(chǎng)即吸引了6 900萬用戶，并且產(chǎn)生了4.5億美元的廣告收入[10]。伴隨UGC大數(shù)據(jù)的商業(yè)價(jià)值而來的，是網(wǎng)絡(luò)媒介的市場(chǎng)化現(xiàn)象。各種互動(dòng)式平臺(tái)上廣泛存在受經(jīng)濟(jì)利益驅(qū)使的故意造假行為，大量的商業(yè)水軍在網(wǎng)絡(luò)上興風(fēng)作浪。例如，近年來，影視劇口碑和點(diǎn)擊量倒掛的情況屢見不鮮。有些劇作觀眾評(píng)價(jià)較高，業(yè)內(nèi)人士也予以肯定，但收視率和網(wǎng)絡(luò)平臺(tái)點(diǎn)擊量慘淡；相反，有些劇集格調(diào)較低，內(nèi)容拖沓冗長(zhǎng)，觀眾普遍給予差評(píng)，但點(diǎn)擊量卻節(jié)節(jié)攀升[11]。這種現(xiàn)象的背后隱藏著一條完整的流量造假產(chǎn)業(yè)鏈。影視劇播放量的攀升會(huì)讓其所屬制片公司名利雙收；視頻網(wǎng)站也會(huì)因?yàn)閯∽鞑シ帕看?、關(guān)注度高，贏得更多與其他制片公司合作的機(jī)會(huì)，并吸引更多的廣告贊助商。故此，競(jìng)相刷流量成為影視劇圈內(nèi)慣例，流量公司亦大行其道[11]。這些專門刷流量的公司會(huì)提供諸如“騰訊5元1萬點(diǎn)擊量”之類的服務(wù)[12]。低廉的價(jià)格造就了驚人的假流量，如《楚喬傳》2017年內(nèi)的播放量竟被刷到457.9億，被調(diào)侃“全球人口不足一部劇點(diǎn)擊量”[12]。這種通過購(gòu)買而得的點(diǎn)擊量實(shí)際上是對(duì)用戶觀看行為的偽造。再如，中國(guó)最大的電商平臺(tái)淘寶活躍著一批“職業(yè)差評(píng)師”，他們通過購(gòu)買商品、收貨之后故意給賣家差評(píng)的方式，敲詐勒索賣家。某“差評(píng)師”的群里甚至喊出“十條差評(píng)擼垮一個(gè)店”[13]的口號(hào)。將用戶評(píng)價(jià)用作牟利工具，這種行為不僅誤導(dǎo)了消費(fèi)者，而且污染了數(shù)據(jù)。這些數(shù)據(jù)不是互聯(lián)網(wǎng)用戶真實(shí)行為的記錄，而是出于利益驅(qū)動(dòng)進(jìn)行造假的產(chǎn)物，對(duì)研究者來說也無疑是陷阱。但發(fā)現(xiàn)這些假數(shù)據(jù)，并在研究中予以徹底剔除，往往是相當(dāng)困難的。

2.3 媒介政治化：UGC中的信息偽造與操縱

作為一種傳播能力強(qiáng)大的新媒介，互聯(lián)網(wǎng)與傳統(tǒng)媒介一樣存在媒介政治化現(xiàn)象?；ヂ?lián)網(wǎng)的發(fā)展讓公民參與社會(huì)政治生活的模式產(chǎn)生了變化，相較于以往在社會(huì)政治生活中較為被動(dòng)的地位，當(dāng)今“任何人可以隨時(shí)在公開的站點(diǎn)上發(fā)表自己對(duì)有關(guān)事務(wù)的意見和建議”，公民政治參與的渠道愈發(fā)暢通[14]69。然而，政治參與渠道的暢通也為偽造與誘導(dǎo)民意提供了機(jī)會(huì)，樸槿惠組建網(wǎng)絡(luò)水軍、俄羅斯被疑干預(yù)美國(guó)大選兩起事件，都堪稱典型案例。

據(jù)報(bào)道，韓國(guó)國(guó)家情報(bào)院在一份報(bào)告中承認(rèn)，曾在選舉前組建了30組“網(wǎng)絡(luò)水軍”，成員包括國(guó)家情報(bào)院官員和來自民間的網(wǎng)絡(luò)高手，專門負(fù)責(zé)發(fā)帖實(shí)施“心理戰(zhàn)”，以幫助樸槿惠贏得選舉。2012年1月1日至12月19日，“網(wǎng)絡(luò)水軍”利用716個(gè)推特賬戶，通過發(fā)帖、回帖、分享等方式生成帖子數(shù)量達(dá)到27萬多條。這些人在網(wǎng)絡(luò)上發(fā)帖，專門負(fù)責(zé)抹黑樸槿惠的競(jìng)選對(duì)手。文在寅就是受害者之一，他最終以48.02%比51.55%的微弱劣勢(shì)敗北[15]。

至今仍處在爭(zhēng)議漩渦之中的俄羅斯干預(yù)美國(guó)大選事件更為錯(cuò)綜復(fù)雜。2016年6月始，多家美國(guó)媒體相繼爆料稱，俄羅斯在網(wǎng)絡(luò)上運(yùn)用多種手段支持特朗普。2016年7月，在對(duì)一家名為“互聯(lián)網(wǎng)研究機(jī)構(gòu)”的神秘的俄羅斯在線宣傳組織進(jìn)行長(zhǎng)期追蹤之后，《紐約客》作者阿德里安·陳撰文指出：“為造成草根運(yùn)動(dòng)方興未艾之假象，該機(jī)構(gòu)在各社交媒介平臺(tái)中運(yùn)營(yíng)大量馬甲賬號(hào)……從去年夏天到年末，我發(fā)現(xiàn)該機(jī)構(gòu)名下的一些推特賬號(hào)已然開始置頂右翼新聞媒介，并將自己描述成愈發(fā)喜愛特朗普的保守派選民……有理由相信，如此支持特朗普的行為，是該機(jī)構(gòu)力圖通過協(xié)助特朗普問鼎白宮，達(dá)成攪亂美國(guó)社會(huì)之目的的嘗試?！盵16]除涉嫌利用虛假社交媒介賬號(hào)為特朗普造勢(shì)之外，俄羅斯還被指責(zé)散布虛假的、經(jīng)宣傳手法修飾的新聞?！度A盛頓郵報(bào)》2017年1月5日的報(bào)道顯示，時(shí)任美國(guó)國(guó)家情報(bào)總監(jiān)的詹姆斯·克拉珀當(dāng)日在向國(guó)會(huì)作證時(shí)強(qiáng)調(diào)“俄羅斯炮制假新聞并將之發(fā)布于社交媒介，對(duì)此我們不應(yīng)該忽視”。同時(shí)，希拉里·克林頓的競(jìng)選伙伴參議員蒂姆·凱恩表示他是一些假新聞的對(duì)象，盡管主流媒介均未采信這些新聞，但“其中一條新聞被分享了80萬次”[17]。雖然上述事件至今仍未被坐實(shí)，并且這些手段在多大程度上影響了選民的投票意向，其與特朗普問鼎白宮是否具有相關(guān)性也尚未有定論，但具有諷刺意味的是，新聞聚合網(wǎng)站Buzzfeed強(qiáng)調(diào)“借助媒介進(jìn)行宣傳攻勢(shì)絕非全新的策略，也非局限于俄羅斯，包括美國(guó)在內(nèi)的若干國(guó)家，早已運(yùn)用這一策略企圖操控他國(guó)民意”[18]。

以上案例表明，某些人會(huì)出于政治目的而借用普通用戶的身份偽造大量的UGC數(shù)據(jù)；借助于互聯(lián)網(wǎng)，這種偽造還可能是跨國(guó)界的。某些國(guó)家已經(jīng)將互聯(lián)網(wǎng)作為插手他國(guó)政局的重要工具，當(dāng)前，在出于政治目的的暗地操縱下，互聯(lián)網(wǎng)上虛假民意的聲音越來越大，與網(wǎng)民的自然表達(dá)混在一起，真?zhèn)坞y辨[19]。

2.4 其他影響因素

除了用戶因素、媒介市場(chǎng)化因素、媒介政治化因素外，還有一些因素也會(huì)影響UGC的數(shù)據(jù)質(zhì)量，例如用戶線上與線下的不一致性、垃圾數(shù)據(jù)問題等。

用戶是以獨(dú)立的“隱形人”身份在虛擬空間中生產(chǎn)內(nèi)容，這既可能讓其不受現(xiàn)實(shí)世界的道德與法律規(guī)范的制約，從而放縱自己的行為[14]70，也能較容易地將自身形象“完美化”。很多人在虛擬世界里的言論、行為與其在現(xiàn)實(shí)世界中的言論、行為存在不同程度的差異，有些人的差異還很大。一個(gè)靦腆的宅男可能在網(wǎng)上是兇悍的“暴民”，文體明星則一般是雇用專人打理其社交媒介賬號(hào)，在網(wǎng)絡(luò)上展現(xiàn)的往往是他們或其公關(guān)策劃公司認(rèn)為“應(yīng)該展現(xiàn)的形象”，互聯(lián)網(wǎng)記錄的顯然不是他們的平常狀態(tài)。UGC中還包含著大量的垃圾數(shù)據(jù)，如惡意灌水等行為產(chǎn)生的數(shù)據(jù)。這些垃圾數(shù)據(jù)一般體量較大，對(duì)話題提取、意見提取等研究無疑會(huì)構(gòu)成不同程度的干擾，有些情況下甚至?xí)?dǎo)致研究失敗。正如奈斯比特所言：“失去控制和無組織的信息在信息社會(huì)并不構(gòu)成資源，相反，它會(huì)成為信息工作者的敵人?！盵20]

3 UGC數(shù)據(jù)質(zhì)量檢測(cè)識(shí)別技術(shù)的局限

鑒于UGC數(shù)據(jù)質(zhì)量的良莠不齊，憑借檢測(cè)識(shí)別技術(shù)提高數(shù)據(jù)質(zhì)量就顯得尤為重要。UGC大數(shù)據(jù)包括文本、圖片、音頻、視頻等多種類型，目前用于社會(huì)科學(xué)研究的主要是文本型數(shù)據(jù)。當(dāng)前的內(nèi)容檢測(cè)識(shí)別方式主要有人工檢測(cè)、自動(dòng)測(cè)量?jī)深?，前者即人工抽樣檢測(cè)，后者包括基于統(tǒng)計(jì)的自動(dòng)檢測(cè)與基于機(jī)器學(xué)習(xí)的自動(dòng)檢測(cè)。然而，各種檢測(cè)識(shí)別技術(shù)都是針對(duì)文本型數(shù)據(jù)且皆有其短板，尚無力應(yīng)對(duì)互聯(lián)網(wǎng)信息生態(tài)的復(fù)雜性，亦難以適應(yīng)UGC大數(shù)據(jù)的多態(tài)性、動(dòng)態(tài)性特點(diǎn)；對(duì)圖片、音頻、視頻等數(shù)據(jù)進(jìn)行檢測(cè)識(shí)別的技術(shù)難度更大，這些數(shù)據(jù)在社會(huì)科學(xué)研究中的價(jià)值發(fā)揮還很有限。下文將就基于人工研判的識(shí)別、基于統(tǒng)計(jì)的自動(dòng)測(cè)量、基于機(jī)器學(xué)習(xí)的自動(dòng)檢測(cè)技術(shù)等三個(gè)方面的應(yīng)用與局限性展開分析。

3.1 基于人工研判的識(shí)別

3.1.1 標(biāo)志列表匹配

虛假錯(cuò)誤信息自有其信息源，一些域名即以散布假消息為人熟知。由此，為提醒互聯(lián)網(wǎng)用戶信息源的可靠性，相關(guān)研究人員開發(fā)了若干標(biāo)志列表，將慣常發(fā)布錯(cuò)誤或片面信息的域名做出標(biāo)記[21]。比如，數(shù)據(jù)服務(wù)平臺(tái)卡哥（Kaggle）中名為“關(guān)于假新聞的真相”的數(shù)據(jù)集。該數(shù)據(jù)集包括通過webhose.io的應(yīng)用程序接口爬取的244個(gè)網(wǎng)站的元數(shù)據(jù)，并且還在持續(xù)擴(kuò)大之中。同時(shí)，Kaggle專門開發(fā)了名為“BS Detector”的網(wǎng)絡(luò)瀏覽器插件，安裝此插件的用戶點(diǎn)擊進(jìn)入上述列表中的網(wǎng)站時(shí)，即會(huì)得到“可疑信息來源”的提示[22]。此外，名為“開源”（open sources）的數(shù)據(jù)服務(wù)平臺(tái)中包含一個(gè)由相關(guān)領(lǐng)域?qū)＜揖艏?xì)選的1 001個(gè)域名的數(shù)據(jù)集[23]。這種通過標(biāo)志列表匹配的方法有很明顯的局限性，此種方式并不能甄別某篇文章內(nèi)容的真?zhèn)?，而是基于一個(gè)假設(shè)，即所有來自可疑信息源的信息皆是可疑的，但事實(shí)上社交媒體用戶發(fā)布信息的真實(shí)性并不必然與特定網(wǎng)站相關(guān)聯(lián)。

3.1.2 事實(shí)核查網(wǎng)站

事實(shí)核查網(wǎng)站是致力于識(shí)別在網(wǎng)絡(luò)上傳播的虛假信息及騙局的網(wǎng)站。這些網(wǎng)站會(huì)雇用職業(yè)記者、志愿者去核查用戶在網(wǎng)頁與社交媒體中分享的文章內(nèi)容的真實(shí)性，尤其會(huì)關(guān)注那些熱點(diǎn)文章[24]。一旦文章內(nèi)容的真?zhèn)蔚玫酱_認(rèn)，網(wǎng)站會(huì)公布其發(fā)現(xiàn)以及與之相關(guān)聯(lián)的信息，比如文章的網(wǎng)址等。根據(jù)杜克記者實(shí)驗(yàn)室的統(tǒng)計(jì)，截至2019年10月，其收錄的活躍的事實(shí)核查網(wǎng)站已達(dá)210家[25]。較有代表性的事實(shí)核查網(wǎng)站如PolitiFact.com、HoaxSlayer.com等。前者主要關(guān)注美國(guó)政治新聞，該網(wǎng)站的員工會(huì)檢視國(guó)會(huì)議員、白宮職員、游說團(tuán)體與利益集團(tuán)的言論，并在“真假度量?jī)x”（Truth-O-Meter）分級(jí)為真實(shí)、大部分真實(shí)、一半真實(shí)、大部分錯(cuò)誤、謊言。后者旨在協(xié)助用戶識(shí)破各種網(wǎng)絡(luò)騙局，并為他們提供網(wǎng)絡(luò)安全知識(shí)[26]。此外，法國(guó)新聞社于2018年組建了面向外部的國(guó)際化的事實(shí)核查團(tuán)隊(duì)，與其他國(guó)家、地區(qū)的核查者、編輯展開合作，并將發(fā)現(xiàn)公之于眾，目前此合作項(xiàng)目已遍及20余個(gè)國(guó)家和地區(qū)[27]。

雖然事實(shí)核查網(wǎng)站的準(zhǔn)確度很高，但面對(duì)互聯(lián)網(wǎng)高速增長(zhǎng)的海量信息，靠人工調(diào)查與研判，只能是面向一些特定類別的、相對(duì)重要的信息，無法對(duì)海量的優(yōu)劣混雜的UGC大數(shù)據(jù)進(jìn)行較為全面的清查。

3.2 基于統(tǒng)計(jì)的自動(dòng)測(cè)量

基于統(tǒng)計(jì)的自動(dòng)測(cè)量是對(duì)文本進(jìn)行統(tǒng)計(jì)特征抽取，通過回歸分析、機(jī)器學(xué)習(xí)等技術(shù)手段對(duì)數(shù)據(jù)質(zhì)量進(jìn)行評(píng)測(cè)。在通過特定的算法進(jìn)行識(shí)別后，可以過濾掉劣質(zhì)數(shù)據(jù)，但統(tǒng)計(jì)算法能夠達(dá)到的識(shí)別精度往往不盡如人意。常見的算法有信息源評(píng)估、聲譽(yù)評(píng)估、用戶反饋評(píng)價(jià)等。信息源評(píng)估是根據(jù)生產(chǎn)者的社會(huì)身份來判斷其所提供內(nèi)容的質(zhì)量，如“.gov”表示政府組織，“.edu”表示學(xué)校，“.com”表示企業(yè)等，它假定社會(huì)身份越有權(quán)威性的用戶提供的內(nèi)容質(zhì)量越高。聲譽(yù)評(píng)估是根據(jù)個(gè)人在網(wǎng)絡(luò)的知名度、美譽(yù)度來判斷其所提供內(nèi)容的質(zhì)量，它假定越有聲望的用戶生產(chǎn)的內(nèi)容越具有真實(shí)性。用戶反饋評(píng)價(jià)是基于互聯(lián)網(wǎng)眾籌模式的測(cè)評(píng)，它假定用戶評(píng)價(jià)越高的內(nèi)容質(zhì)量越高。顯然，這些假定都只有概率意義上的正確性，基于這些假定設(shè)計(jì)的算法雖然有助于數(shù)據(jù)質(zhì)量的評(píng)測(cè)和提高，但顯然都存在缺陷，無法起到根本性的作用。例如用戶反饋評(píng)價(jià)在有些時(shí)候是失效的，因?yàn)闇y(cè)評(píng)者的主觀性及隨意性會(huì)影響測(cè)評(píng)效果，并且用戶好評(píng)也可能是水軍刷出來的。

在社會(huì)科學(xué)研究中，研究者必然會(huì)面對(duì)從不同數(shù)據(jù)源獲取的不一致甚至矛盾對(duì)立的數(shù)據(jù)，絕大多數(shù)情況下都是通過設(shè)計(jì)一定的算法對(duì)數(shù)據(jù)進(jìn)行診斷，去偽存真。這種基于統(tǒng)計(jì)方法的檢測(cè)識(shí)別技術(shù)在某些時(shí)候是有效的。但必須看到，它形成正確判斷的前提是真實(shí)信息的量大于錯(cuò)誤信息的量；對(duì)于運(yùn)用加權(quán)算法的統(tǒng)計(jì)分析而言，權(quán)威性高的數(shù)據(jù)源一般不能出錯(cuò)。然而在很多情況下，這兩點(diǎn)其實(shí)是難以保證的。

3.3 基于機(jī)器學(xué)習(xí)的自動(dòng)檢測(cè)

3.3.1 基于在線社會(huì)網(wǎng)絡(luò)分析的識(shí)別方式

隨著社交媒體平臺(tái)成為虛假信息的溫床，有學(xué)者開始運(yùn)用社交媒體數(shù)據(jù)以在線社會(huì)網(wǎng)絡(luò)分析的方式識(shí)別可疑用戶。有研究團(tuán)隊(duì)使用推特?cái)?shù)據(jù)進(jìn)行了相應(yīng)嘗試。他們基于一個(gè)標(biāo)志列表，該表包含常發(fā)布虛假信息的域名，并通過推特應(yīng)用程序接口獲取兩類數(shù)據(jù)：一是包含標(biāo)志列表中網(wǎng)址的推文，二是不包含相應(yīng)網(wǎng)址的推文。對(duì)于后者，他們按照時(shí)間順序以“一小時(shí)會(huì)話”為單位，將這些推文分組并使用基于會(huì)話的模型對(duì)其依次進(jìn)行處理。之后，每一段會(huì)話會(huì)被“銳推”（即推文轉(zhuǎn)發(fā)）可視化工具Retweet Graph Generator分析，每一個(gè)“銳推”圖形G=（V, E）包括節(jié)點(diǎn)u,v（u,v∈V），描述了用戶之間的聯(lián)結(jié)與網(wǎng)絡(luò)邊緣（(u, v)∈E），且表明了用戶u與用戶v之間由推文轉(zhuǎn)發(fā)產(chǎn)生的互動(dòng)。然后研究團(tuán)隊(duì)使用基于德格魯特模型的用戶概率模型計(jì)算用戶的虛假指數(shù)，即某用戶發(fā)布虛假信息的可能性。德格魯特模型為確定某特定團(tuán)體能否就某一問題達(dá)成共識(shí)提供了簡(jiǎn)單的方案。在此模型中，假設(shè)每個(gè)個(gè)體通過將自己與朋友的見解進(jìn)行中和的方式形成自己的最終意見[28]。基于此，每位用戶ui會(huì)被指派一個(gè)虛假指數(shù)的初始值Pi(0)=0。然后，假定A為“銳推”圖形G的鄰接矩陣，若用戶u轉(zhuǎn)發(fā)了用戶v的推文，則A（u,v）=1；研究團(tuán)隊(duì)通過調(diào)轉(zhuǎn)A的邊緣創(chuàng)造一個(gè)躍遷矩陣T，并使A值為1，意即每位用戶轉(zhuǎn)發(fā)若干用戶的推文，后者中每位用戶對(duì)前者的影響程度相同。矩陣T包括了每一節(jié)點(diǎn)根據(jù)假新聞的分享行為給予另一節(jié)點(diǎn)的權(quán)重。如此，發(fā)布可疑推文的用戶Pi(0)=1，未發(fā)布者Pi(0)=0。最后，他們運(yùn)用更新規(guī)則提取新指數(shù)的公式，即p（t）=T.p（t-1）。總之，如果某特定用戶發(fā)布或者轉(zhuǎn)發(fā)了包含標(biāo)志列表中網(wǎng)址的推文，其虛假指數(shù)值即會(huì)上升。

由上可見，這種方式首先是基于一個(gè)假設(shè)，即在某在線社會(huì)網(wǎng)絡(luò)的子網(wǎng)絡(luò)中，有一些用戶發(fā)布過包含了標(biāo)志列表中網(wǎng)址的推文，與之距離愈近的用戶，其發(fā)布虛假信息的可能性愈大；其次，此方式仍然是基于專業(yè)知識(shí)的標(biāo)志列表；最后，此方式也無法對(duì)推文內(nèi)容進(jìn)行分析。該方式最大的缺陷在于，如果含有標(biāo)志列表中網(wǎng)址的推文是辟謠的內(nèi)容，則此方法極易形成誤判。

3.3.2 語言學(xué)模型與深度神經(jīng)網(wǎng)絡(luò)算法識(shí)別

為實(shí)現(xiàn)對(duì)新聞內(nèi)容真?zhèn)蔚淖詣?dòng)監(jiān)測(cè)，有研究團(tuán)隊(duì)開發(fā)了語言學(xué)模型。其要義是提取新聞標(biāo)題與正文的語言學(xué)特征，并將其導(dǎo)入一個(gè)被訓(xùn)練用以識(shí)別文章內(nèi)容真實(shí)性的深度神經(jīng)網(wǎng)絡(luò)。該模型可分解為三個(gè)步驟：

第一步是數(shù)據(jù)獲取。研究團(tuán)隊(duì)選擇名為假新聞?wù)Z料庫(kù)的數(shù)據(jù)集。此數(shù)據(jù)集包括從開源數(shù)據(jù)服務(wù)平臺(tái)提供的1 001個(gè)域名中爬取得到的超過900萬篇新聞，它是為以識(shí)別假新聞為目的的深度學(xué)習(xí)算法的訓(xùn)練而設(shè)的。每篇新聞都被貼上某種標(biāo)簽，被分為12類，包括“假新聞”“極端偏激”“陰謀論”“仇恨新聞”“可靠的”等[23]。根據(jù)研究目的，他們選用“假新聞”與“可靠的”兩類，前者的定義為捏造信息、散布欺騙性內(nèi)容或嚴(yán)重歪曲真實(shí)新聞報(bào)道的來源，后者的定義為以符合新聞業(yè)傳統(tǒng)和道德慣例的方式傳播新聞和信息的來源。兩者的數(shù)據(jù)集分別包括100萬、200萬篇文章。

第二步是語言學(xué)特征遴選。研究團(tuán)隊(duì)將語言學(xué)特征歸為三類：第一，文體特征，即每篇文章正文與標(biāo)題的句法及文本類型；第二，復(fù)雜性特征，即每篇文章正文與標(biāo)題的可讀性與詞匯量等；第三，心理特征，即比照描述某種心理特質(zhì)的專業(yè)詞典，判定每篇文章正文與標(biāo)題的情感傾向。按此標(biāo)準(zhǔn)，從數(shù)據(jù)集中文章的正文與標(biāo)題提取的、可用數(shù)值表示的特征共計(jì)534個(gè)。為消弭特征過多對(duì)模型訓(xùn)練的負(fù)面影響，研究者先將缺失值比例較高、僅具有單一值以及高度相關(guān)的特征刪除，再運(yùn)用梯度決策提升樹計(jì)算特征的重要性指數(shù)以排除零與低重要性的特征，由此剔除了134個(gè)特征；對(duì)于剩余的特征亦僅保留重要性指數(shù)排名前20者，比如正文行數(shù)、正文中平均每句話有多少個(gè)停止詞、標(biāo)題中大寫字母的比例等。這些語言學(xué)特征將通過Javascript特征提取庫(kù)被導(dǎo)入深度神經(jīng)網(wǎng)絡(luò)模型。

第三步運(yùn)用深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行分析。首先進(jìn)行的是數(shù)據(jù)預(yù)處理，根據(jù)輸入規(guī)格，通過離散化或者獨(dú)熱編碼，將定類數(shù)據(jù)轉(zhuǎn)化為數(shù)值。其結(jié)果是每個(gè)數(shù)據(jù)條目即代表數(shù)值特征的一個(gè)矢量。接著，將數(shù)據(jù)通過輸入層導(dǎo)入模型，輸入層之后是批歸一化層。批歸一化層的功能在于保證輸入數(shù)據(jù)具備零均值與單位方差，以使神經(jīng)網(wǎng)絡(luò)處于更佳的運(yùn)轉(zhuǎn)狀態(tài)。然后，經(jīng)歸一化的數(shù)據(jù)將進(jìn)入稠密層，或稱全連接層。這是一個(gè)共計(jì)5層的瓶頸結(jié)構(gòu)，相應(yīng)包含512、256、128、64、32個(gè)神經(jīng)元。該層的作用在于分類，即決定數(shù)據(jù)屬于何種類型。最后，在模型的分類層中，將每類一個(gè)神經(jīng)元與歸一化指數(shù)函數(shù)一起用來生成概率對(duì)Preal與Pfake，即表示文章內(nèi)容是真實(shí)或虛假的相應(yīng)可能性[29]。

這種基于深度神經(jīng)網(wǎng)絡(luò)算法的識(shí)別技術(shù)可能在精確度上有所提高，但并非像人工一樣是基于對(duì)內(nèi)容的理解，而是只有概率意義上的準(zhǔn)確性。此外，深度神經(jīng)網(wǎng)絡(luò)是一個(gè)黑箱系統(tǒng)，其判斷機(jī)理是“不可知的”，這也決定了在某些時(shí)候其可靠性值得懷疑。

4 案例：UGC中難以消除的錯(cuò)誤信息

由于檢測(cè)識(shí)別技術(shù)存在明顯的局限性，UGC大數(shù)據(jù)中信息內(nèi)容失實(shí)（信息內(nèi)容與社會(huì)事實(shí)不符）、用戶行為失實(shí)（數(shù)據(jù)并非用戶行為的真實(shí)記錄）、用戶心理失實(shí)（數(shù)據(jù)未能反映用戶的真實(shí)心理）等問題難以消除，下文以幾個(gè)最為典型的案例進(jìn)行說明。

4.1 信息內(nèi)容失實(shí)

網(wǎng)傳美國(guó)未來學(xué)家阿爾文·托夫勒在《第三次浪潮》中寫道：“如果說IBM的主機(jī)拉開了信息化革命的大幕，那么‘大數(shù)據(jù)’才是第三次浪潮的華彩樂章?！睂?shí)際上《第三次浪潮》中并無此語，阿爾文·托夫勒與此相近的言論為“計(jì)算機(jī)能夠記憶、聯(lián)系、篩選‘廣大數(shù)據(jù)’（vast masses of data），它將幫助我們以更為深刻的水平去認(rèn)識(shí)很多問題?！盵30]

運(yùn)用慧科新聞搜索研究數(shù)據(jù)庫(kù)，以“大數(shù)據(jù)+第三次浪潮+華彩樂章”為組合關(guān)鍵詞進(jìn)行搜索，可以發(fā)現(xiàn)從2014年10月至2019年10月，在1 000多種平面媒體和3 000余種網(wǎng)絡(luò)媒體中，共有2 247篇文章引用了這句話，分布于報(bào)紙、網(wǎng)站、論壇、博客之中，文章數(shù)分別為38、2050、135、23，其中不乏知名門戶網(wǎng)站乃至權(quán)威媒體；此外，還可見于學(xué)術(shù)論文（引用時(shí)均未標(biāo)明頁碼）。

這句憑空杜撰之語在互聯(lián)網(wǎng)上廣為流傳，而阿爾文·托夫勒的原話卻在網(wǎng)絡(luò)信息空間中難覓蹤影。在慧科新聞搜索研究數(shù)據(jù)庫(kù)中用多種關(guān)鍵詞組合進(jìn)行搜索，結(jié)果均為0；甚至直接采用百度進(jìn)行網(wǎng)頁搜索，也難覓其蹤。對(duì)于這種虛假錯(cuò)誤信息，基于統(tǒng)計(jì)方法與基于機(jī)器學(xué)習(xí)方法的檢測(cè)識(shí)別技術(shù)完全無能為力，必須由具有領(lǐng)域知識(shí)的人來判別，而靠專家來保證海量UGC大數(shù)據(jù)的質(zhì)量顯然是不切實(shí)際的。值得注意的是，2018年已有學(xué)者在學(xué)術(shù)論文中給出了正確的引文[31]，但影響甚微。

4.2 用戶行為失實(shí)

用戶行為失實(shí)最典型的例子是“刷單”?！八巍敝干碳彝ㄟ^偽造資金往來或物流記錄，制造虛假銷量，從而實(shí)現(xiàn)促銷目的的行為[32]。這種對(duì)用戶購(gòu)買行為的偽造源于經(jīng)濟(jì)利益的驅(qū)使。2018年，阿里巴巴就監(jiān)控到2 800多個(gè)炒信平臺(tái)，包括刷單QQ群2 384個(gè)，空包交易平臺(tái)290個(gè)，刷單交易平臺(tái)237個(gè)[33]。各電商平臺(tái)、相關(guān)政府部門對(duì)“刷單”行為的打擊力度持續(xù)加強(qiáng)，如阿里巴巴建立覆蓋全鏈路的大數(shù)據(jù)實(shí)時(shí)風(fēng)控與稽查系統(tǒng)[34]；2019年6—11月，市場(chǎng)監(jiān)管總局、發(fā)展改革委、工業(yè)和信息化部等8部門聯(lián)合開展2019網(wǎng)絡(luò)市場(chǎng)監(jiān)管專項(xiàng)行動(dòng)[35]。在這種情況下，“刷單”現(xiàn)象仍然普遍存在。不僅網(wǎng)店商家刷，也有電商平臺(tái)授意供應(yīng)商和員工“自刷”[35]，只是手段因時(shí)而異且更為隱秘。例如，阿里巴巴的生態(tài)產(chǎn)業(yè)鏈條上滋生了大量的“刷單螞蟻”，他們組織嚴(yán)密，培訓(xùn)嚴(yán)格，了解阿里打擊刷單技術(shù)體系的漏洞，這讓他們能夠“上有政策、下有對(duì)策”，刷出的銷量和評(píng)價(jià)能夠以假亂真[35]?？梢?，這是平臺(tái)與刷單者的技術(shù)博弈，至少在當(dāng)前還難以清除“刷單”對(duì)數(shù)據(jù)造成的污染。

4.3 用戶心理失實(shí)

前述特朗普“通俄門”事件是UGC大數(shù)據(jù)中用戶心理失實(shí)的典型例證。利用社交媒介平臺(tái)偽造民意，進(jìn)而影響用戶思想、改變用戶初衷的問題，在美國(guó)引發(fā)廣泛關(guān)注。為此，美國(guó)參議院情報(bào)委員會(huì)多次舉行聽證會(huì)。在2018年9月5日進(jìn)行的聽證會(huì)上，臉書首席運(yùn)營(yíng)官雪莉·桑德伯格承認(rèn)對(duì)于問題的發(fā)現(xiàn)與應(yīng)對(duì)過于遲緩，但堅(jiān)持認(rèn)為臉書已經(jīng)在甄別、封殺可疑用戶方面取得相當(dāng)進(jìn)展，稱臉書“每天阻止成百上千萬次注冊(cè)虛假賬號(hào)的嘗試”；推特CEO杰克·多西亦直言對(duì)問題的棘手程度準(zhǔn)備不足、相關(guān)技術(shù)亦不完善，但已經(jīng)做到“每天阻止超過50萬個(gè)可疑賬戶登錄推特”[36]。除此之外，兩者并未就如何改進(jìn)現(xiàn)狀透露更多細(xì)節(jié)。而本應(yīng)參會(huì)的谷歌卻未如期前往，有媒介分析稱谷歌此舉意在回避那些可能讓其緊張尷尬的問題[37]。這表明擁有強(qiáng)大資源的互聯(lián)網(wǎng)巨頭雖然付出了努力，但其現(xiàn)有技術(shù)手段尚不足以對(duì)UGC數(shù)據(jù)偽造、操控民意的內(nèi)容進(jìn)行有效鑒別與剔除。

此外，用戶在社交媒體上著力構(gòu)建完美“人設(shè)”，從而導(dǎo)致在網(wǎng)絡(luò)中的“言”與現(xiàn)實(shí)生活中的“行”不一致，即“前臺(tái)后臺(tái)效應(yīng)”。近年來，經(jīng)營(yíng)“人設(shè)”成為明星自我推銷、攫取流量的手段。然而，不少明星的后臺(tái)行為一旦被曝光，其在前臺(tái)經(jīng)營(yíng)的“人設(shè)”便瞬間崩塌。同時(shí)，“人設(shè)”經(jīng)營(yíng)愈發(fā)大眾化。一些用戶在社交媒體平臺(tái)上謹(jǐn)慎經(jīng)營(yíng)自己的“人設(shè)”，比如，為秀文化底蘊(yùn)，還沒有真正讀完一本書就先曬出三五句評(píng)論，或精心挑選“適合發(fā)朋友圈的句子”[38]?！叭嗽O(shè)”與真實(shí)生活有時(shí)存在巨大落差，只是刻意表演出來的“精神顏值”[38]。

可見，無論是對(duì)民意的偽造或操控，還是用戶刻意打造的網(wǎng)絡(luò)形象，都是虛假心理狀態(tài)的體現(xiàn)，這些對(duì)社會(huì)科學(xué)研究而言無疑是干擾項(xiàng)。對(duì)此，互聯(lián)網(wǎng)巨頭尚不具備令人滿意的去偽存真的技術(shù)手段。

5 UGC數(shù)據(jù)質(zhì)量問題的對(duì)策

由上述分析可見，將UGC大數(shù)據(jù)運(yùn)用于社會(huì)科學(xué)研究，在很多時(shí)候都會(huì)面對(duì)各種真實(shí)性值得懷疑的數(shù)據(jù)，因此不能拿來即用，必須以合適的方式檢驗(yàn)數(shù)據(jù)的質(zhì)量，判斷可能存在的誤差，并采用適當(dāng)?shù)牟呗?，將研究結(jié)論的誤差控制在可以接受的范圍內(nèi)。根據(jù)當(dāng)前的數(shù)據(jù)狀態(tài)與技術(shù)水平，在研究中可采用的策略如下。

5.1 數(shù)據(jù)質(zhì)量的預(yù)判

UGC大數(shù)據(jù)種類很多，基于UGC大數(shù)據(jù)的社會(huì)科學(xué)研究也有不同的指向和特點(diǎn)。當(dāng)研究者決定采用某些UGC數(shù)據(jù)時(shí)，就需要憑借自己的知識(shí)和經(jīng)驗(yàn)，對(duì)數(shù)據(jù)的真實(shí)性、準(zhǔn)確性做出初步判斷。有些數(shù)據(jù)所受污染較小，或雖有一定程度的污染但對(duì)研究結(jié)論的影響不大，例如，通過對(duì)用戶在網(wǎng)上言論的情緒分析，來研究人類情緒是否和季節(jié)、天氣有較強(qiáng)的相關(guān)性，以驗(yàn)證心理學(xué)的相關(guān)假設(shè)。而有些數(shù)據(jù)則可能存在很嚴(yán)重的質(zhì)量問題，例如在2016年美國(guó)大選期間，假新聞和民意偽造泛濫成災(zāi)，此時(shí)用UGC數(shù)據(jù)來分析民眾投票傾向，其研究結(jié)論就會(huì)大受質(zhì)疑。例如，2016年包括微軟必應(yīng)在內(nèi)的基于大數(shù)據(jù)對(duì)美國(guó)大選投票結(jié)果的預(yù)測(cè)幾乎“全軍覆沒”。對(duì)數(shù)據(jù)質(zhì)量進(jìn)行預(yù)判的主要思路是分析所選擇的UGC數(shù)據(jù)是否存在媒介市場(chǎng)化、媒介政治化、生產(chǎn)者動(dòng)機(jī)等因素的影響，影響程度如何。

5.2 數(shù)據(jù)質(zhì)量的抽樣檢驗(yàn)

UGC大數(shù)據(jù)體量龐大，不可能進(jìn)行總體的質(zhì)量檢驗(yàn)，但可采用隨機(jī)抽樣的方法，從中抽取一定數(shù)量的樣本，由具備豐富領(lǐng)域知識(shí)經(jīng)驗(yàn)的研究人員對(duì)樣本進(jìn)行人工檢驗(yàn)，并依據(jù)檢驗(yàn)結(jié)果推斷其總體質(zhì)量，進(jìn)而判斷研究結(jié)論大致的誤差范圍（置信區(qū)間）。需要特別指出的是，這種檢測(cè)與計(jì)算機(jī)技術(shù)意義下的數(shù)據(jù)質(zhì)量檢驗(yàn)，兩種數(shù)據(jù)質(zhì)量的含義是完全不一樣的。前者針對(duì)信息內(nèi)容的真實(shí)性、準(zhǔn)確性；后者指在大數(shù)據(jù)預(yù)處理環(huán)節(jié)進(jìn)行的數(shù)據(jù)清洗、去重等技術(shù)性操作，其目的是保證獲取的數(shù)據(jù)集與源數(shù)據(jù)的一致性。當(dāng)前基于UGC的研究，大多缺失抽樣檢驗(yàn)環(huán)節(jié)。計(jì)算社會(huì)科學(xué)研究者必須正視現(xiàn)實(shí)，不能將受到嚴(yán)重污染的數(shù)據(jù)用于研究，除非能夠消除這些污染。

5.3 與傳統(tǒng)研究相結(jié)合

大數(shù)據(jù)分析最顯著的優(yōu)勢(shì)在于研究的精細(xì)化以及對(duì)事物相關(guān)性的發(fā)現(xiàn)能力。UGC大數(shù)據(jù)尤其在對(duì)普通人群的心理、觀念、行為的研究中具有重要價(jià)值，但缺陷是數(shù)據(jù)質(zhì)量往往難以保證。因此我們可以將大數(shù)據(jù)分析與傳統(tǒng)研究相結(jié)合，實(shí)現(xiàn)優(yōu)勢(shì)互補(bǔ)。研究者基于UGC大數(shù)據(jù)進(jìn)行探索性研究，以發(fā)現(xiàn)事物的多樣性及事物之間的相關(guān)性，但并不輕易將其作為可靠結(jié)論，而是在此基礎(chǔ)上提出研究假設(shè)，然后設(shè)計(jì)嚴(yán)謹(jǐn)?shù)难芯靠蚣?，用傳統(tǒng)方法對(duì)假設(shè)進(jìn)行進(jìn)一步驗(yàn)證。

5.4 多種UGC數(shù)據(jù)的交叉驗(yàn)證

對(duì)同一問題的研究，在條件允許的情況下，可采用多種數(shù)據(jù)源，如搜索數(shù)據(jù)可采用百度、搜狐、360等，社交媒體數(shù)據(jù)可采用微博、微信等；然后比較基于不同數(shù)據(jù)源的研究結(jié)論的一致性程度，看一項(xiàng)研究是否能夠得出跨平臺(tái)的結(jié)論。

以上只是對(duì)UGC數(shù)據(jù)質(zhì)量問題的初步思考與嘗試，其應(yīng)對(duì)策略還需要計(jì)算社會(huì)科學(xué)學(xué)者不斷探索與改進(jìn)。

6 結(jié)論

隨著數(shù)字化生活時(shí)代的到來，互聯(lián)網(wǎng)/移動(dòng)互聯(lián)網(wǎng)上產(chǎn)生了海量的用戶生成內(nèi)容。這種大規(guī)模的個(gè)人行為互動(dòng)數(shù)據(jù)是以往難以甚至無法獲取的研究資料，它蘊(yùn)藏著廣大網(wǎng)絡(luò)用戶的思想觀念、行為傾向、情感心理等社會(huì)事實(shí)信息，具有重大的社會(huì)科學(xué)價(jià)值。但要將UGC大數(shù)據(jù)運(yùn)用于社會(huì)科學(xué)研究，必須首先考察其質(zhì)量。從UGC大數(shù)據(jù)生產(chǎn)者的異質(zhì)性、生產(chǎn)動(dòng)機(jī)的差異性、內(nèi)容檢測(cè)識(shí)別技術(shù)等影響因素進(jìn)行分析，可以發(fā)現(xiàn)網(wǎng)絡(luò)信息與社會(huì)現(xiàn)實(shí)是兩個(gè)不平行的空間，數(shù)據(jù)質(zhì)量呈現(xiàn)極度的不均衡性。認(rèn)為UGC大數(shù)據(jù)能夠真實(shí)、客觀、準(zhǔn)確地反映社會(huì)事實(shí)與人們的行為、思想觀念和心理狀態(tài)，能夠完美地適應(yīng)各種社會(huì)科學(xué)研究的需要，籠統(tǒng)地給大數(shù)據(jù)冠以真實(shí)性、準(zhǔn)確性特征是輕率的。UGC的發(fā)布和傳播基本處于無控制或極弱控制狀態(tài)，這既是UGC的最大優(yōu)勢(shì)，也導(dǎo)致了UGC數(shù)據(jù)的缺陷。各網(wǎng)絡(luò)平臺(tái)對(duì)缺乏信息審核評(píng)價(jià)機(jī)制的弊端早有所知，也采取了很多措施對(duì)數(shù)據(jù)質(zhì)量進(jìn)行控制，但效果有限。同時(shí)，當(dāng)前基于人工研判的識(shí)別、基于統(tǒng)計(jì)的自動(dòng)測(cè)量、基于機(jī)器學(xué)習(xí)的自動(dòng)檢測(cè)技術(shù)主要是針對(duì)文本型數(shù)據(jù)且皆有其局限性，尚無力應(yīng)對(duì)互聯(lián)網(wǎng)信息生態(tài)的復(fù)雜性，亦難以適應(yīng)UGC大數(shù)據(jù)的多態(tài)性、動(dòng)態(tài)性特點(diǎn)，因此從原始數(shù)據(jù)中提取出高質(zhì)量數(shù)據(jù)往往是很困難的。

對(duì)計(jì)算社會(huì)科學(xué)而言，數(shù)據(jù)質(zhì)量是研究質(zhì)量的基礎(chǔ)，也是UGC大數(shù)據(jù)價(jià)值發(fā)揮的關(guān)鍵。致力于計(jì)算社會(huì)科學(xué)的學(xué)者一定要清醒認(rèn)識(shí)到，包括UGC在內(nèi)的大數(shù)據(jù)并不是萬能的。UGC大數(shù)據(jù)存在的一些缺陷，憑借當(dāng)前的數(shù)據(jù)處理技術(shù)尚無法解決，這也是高水平的研究和高質(zhì)量的成果并不多見的重要原因之一。在當(dāng)前條件下，計(jì)算社會(huì)科學(xué)以UGC為研究資料，必然會(huì)面對(duì)各種真實(shí)性、準(zhǔn)確性值得懷疑的數(shù)據(jù)。將UGC大數(shù)據(jù)運(yùn)用于社會(huì)科學(xué)研究，必須根據(jù)具體情況對(duì)數(shù)據(jù)質(zhì)量進(jìn)行審慎的分析和判斷。但分析UGC大數(shù)據(jù)的質(zhì)量缺陷，絕不是為了將其“棄之如敝屣”，而是為了探索提高數(shù)據(jù)質(zhì)量的方法和途徑，使之更好地發(fā)揮價(jià)值。在技術(shù)方面，通過發(fā)展人工智能技術(shù)來提高數(shù)據(jù)的檢測(cè)識(shí)別精度應(yīng)該是主要方向；在具體研究方面，需要通過數(shù)據(jù)質(zhì)量預(yù)判與抽樣檢驗(yàn)，采用與傳統(tǒng)研究相結(jié)合、多種UGC數(shù)據(jù)交叉驗(yàn)證等策略予以應(yīng)對(duì)，并不斷探索與改進(jìn)適合UGC大數(shù)據(jù)運(yùn)用的研究方法。

（來稿時(shí)間：2020年8月）