新的数据收集、储存、分析工具的出现 ， 共同构建起大数据科学这门新学科 。 现代社会生活中产生的呈爆炸性增长的数据 ， 是大数据科学的主要研究对象 。 大数据科学的出现 ， 又为科学研究与社会发展提供了新的推动力 。 目前 ， 不少科学研究都在一定程度上依赖于大数据科学 。 新数据处理方法可以提高科学发现的准确性和预测能力 ， 并有助于确定未来的研究方向 。 学者们普遍认为 ， 大数据给人类带来了新的数据分析技术与思维方式的变革 。 不过 ， 有些学者认为大数据只是服务于科学研究的工具 ， 不承认其具有独特的认识论地位 。 由数据集产生的知识在可靠性、可解释性等方面受到一定质疑 ， 引发了对科学知识现有理解的挑战 。 探索大数据科学的认识论问题 ， 可以对这一挑战进行回应 ， 还可以推动认识论本身的发展 。

文章图片
变革知识产生方式
大数据科学 ， 又被称为“数据密集型科学” ， 以显著增长的数据体积（容量）与累计速度为主要特征 。 人们对大数据的理解 ， 虽然源于天文学、气象学等领域的研究人员处理大型复杂数据集这一历史 ， 但我们并不能简单以数据容量的大小来定义“大数据” 。 格雷（JamesNicholasGray）认为 ， 大数据科学是科学研究的第四范式 。 莱昂内利（SabinaLeonelli）认为 ， 大数据具有认知力 ， 能够在使用不同方法论工具与理论框架的研究群体间架起桥梁（这些群体往往因为概念分散、社会壁垒和技术难题等问题不能相互交流） 。 大数据科学要求数学、统计与计算机工程等技能的结合 ， 发展出一种特定的认识论研究 。 这一认识论强调研究手段（建模、统计、模拟等）是研究目标和产出的重要推动力 ， 也是影响研究结果的主要因素 。 不过 ， 这种认识论又与只承认数据方法论意义的工具主义有着本质区别 。
正如伽利略与牛顿以后自然科学的数学化成为近代科学的研究趋势一般 ， 基于数据的科学逐渐成为当代研究发展的新方向 。 这一方向与计算科学中“数据驱动”概念研究密切相关 ， 并且可以为统计学概率上的可能性研究结果进行辩护 。 在数据驱动的研究中 ， 研究人员将数据集作为归纳推理的起点 ， 而不需要依赖理论上的一些“先见” 。 甚至有研究者认为 ， 这样的方式是“理论的终结” 。 传统的理论驱动方法需要预设一些“不可动摇”的理论原则 ， 数据仅起到假设检验的作用 。 选择数据驱动还是理论驱动范式 ， 决定了对数据性知识的不同态度 。 数据驱动下产生的知识 ， 大多只具有相关联系 ， 要寻找其中更为根本的因果联系 ， 往往是较为困难的——这是一种自下而上的知识产生方式 ， 本质依赖于归纳推理 。 归纳推理本身存在的问题 ， 导致了一种更深层次的反思——从数据中推理出知识的方式是否有效？这样的知识是否具有普适性？

文章图片
面临可靠性问题
随着社会生活逐步“数据化” ， 人类活动正受到越来越多的监控和记录 ， 产生了巨大的数字足迹 。 “无孔不入”的监控设备似乎把人类所有的行为都记录在数据中 ， 由此产生的海量数据成为研究的宝库 。 为从这类数据中提取知识 ， 人们开发出越来越复杂的计算工具 。 大数据科学通过采用新颖、高效的方式来计划、实施、传播和评估研究 ， 革新了知识的产生方式 ， 但同时又引发了知识的可靠性问题 。
【新的数据收集、储存、分析工具的出现|大数据推动认识论新发展