论文部分内容阅读
摘要:研究方法的使用是否科学合理,直接关系到研究成果能否成立。作为一种新兴的科学研究方法,大数据方法的发展动态引起学界广泛关注,但就思想政治教育研究领域而言,这一方法存在的诸多科学性争议框定了研究使用的可能空间。从科学研究用以描述现状、解释现象、预测未来的实际功能聚焦思想活动能否被数据描述、思想状况能否被相关关系解释、思想趋势能否被精准预测等争议问题及其原因,探讨大数据方法在思想政治教育研究中的科学化进路,有助于思想政治教育研究者客观、全面地把握大数据方法的实际价值和发展前景。
关键词:大数据;思想政治教育;研究方法;科学
中图分类号:G434 文献标识码:A
作为一种科学研究方法,大数据方法需要在思想政治教育研究过程中遵循一定的科学研究程序,通过对思想政治教育现象的描述、解释、预测,达成对思想政治教育规律的客观认识。然而在实现描述思想活动、解释思想状况、预测思想趋势等科学研究的基本功能时,大数据方法的科学性仍有较大争议。如何看待这些争议,进而如何理解争议产生原因,最终应该如何在争议之上更好地推动大数据研究方法的科学化发展,无疑影响着大数据方法在思想政治教育研究中的意义评价和出路选择。
以数据的方式描述或反映思想活动,是使用大数据方法进行思想政治教育研究的前提。大数据方法的支持者认为思想活动可以被数据描述,具体实现方式有两种:一种是直接读取“脑数据”反映思想活动。大脑产生的脑电波可以转化为计算机可读的数字信号,通过“编码—解码”脑信号,进而刻画大脑的思想运动。另一种是以行为数据替代思想数据。大数据方法依赖海量的日常生活行为数据或网络数据足迹等进行更深入的研究,在获得足够丰富的数据情况下,“可以用多维时空参数来全方位地完整刻画人的思想行为的复杂性,复杂的思想、心理、情感只是需要更多数据刻画而已”[1]。
反对者认为思想活动不能被数据化或完全数据化,对其可行性表示怀疑。从具体反驳观点来说:一是认为“思想意识数据化呈现的可信度并非先验而是待验”[2],这类研究结果在当前阶段缺乏可供参考的样例,难以证明在现实条件下的可行性;二是认为“思想与行为之间不能简单地相互还原,我们不能简单地把人的行为数据信息与人的思想数据信息相互转化”[3]。人的思想活动受内外影响因素众多,从单一的行为路径判断思想活动难免会出现偏差。
从两方观点来看,无论是直接读取脑数据,还是转化为行为数据,引起争议的原因离不开思想政治教育研究对象的特殊性和复杂性。相较于社会学、政治学等学科运用大数据方法研究人口流动、公民政治参与等问题时,从可直接量化的交通出行、电子政务等行为或网络数据中索取事实材料进行推断,得出关联结论的逻辑。思想政治教育研究者使用大数据方法时,并不仅仅满足于行为这一外显层面来讨论和分析问题,而是要求更深层次地挖掘行为背后的思想活动及其影响因素,关注思想道德的生成、发展规律。但以现有条件来看,相关基础工作并没有充分做好。
一方面,以现有的技术能力直接认识人的思想活动仍显稚嫩。长久以来,关于人脑是如何产生思维的,人类能否通过技术实现对大脑思想活动的影响乃至控制,一直都是科技领域的前沿话题,但直到20世纪末,伴随放射性核素脑显像、磁共振成像等技术突破,人类才逐步发现了大脑活动和感受性之间的关联。2020年8月,马斯克(Elon Musk)向世人直播演示了用一枚硬币大小的可植入芯片读取小猪的脑信号,通过脑机接口技术(BCI)预判小猪行为步伐的科技成果,引发了各种未来应用想象。但“与大脑高级功能如情感、疼痛、记忆相关的解码更加复杂,人类还知之甚少”[4]。一些教育学领域研究者也尝试通过对学习者脑信号的记录分析和控制实验,对学习者的情绪、认知、自身管理能力等进行实证研究,并取得了积极进展,但从研究动态来讲,“其教育应用研究与实践处于起步阶段,研究成果还不丰富”[5],真正彻底地了解人类深层次的思想活动还有待时日。还有许多研究者尝试另辟蹊径,运用形象思维,以人工智能模拟大脑功能区,凭借大数据提供的海量原始素材训练数据模型,以期实现类似于人脑的部分功能。但从生理基础来讲,人的大脑包含了亿万级的神经元,极其精密复杂,依靠大数据、智能算法、运算能力推动的强人工智能仍然是以人类设定的程序或已有内容为基础,尚不能替代思想活动的完整过程。
另一方面,提倡以行为数据代替思想数据的方案,看似合理,却又无法自圆其說。以行为反推思想的研究过程事实上是基于假设—检验的实证主义观点,即认为思想如果无法被直接刻画,那么可以假设某人的思想活动如何,又受到哪些因素影响,通过对这些因素的操作化定义、测量和控制进行实证研究,最终以外显的行为表现来验证原假设是否成立。这种方式在一定程度上回避了直接读取思想意识内容的难题,有其进步意义,但在实际操作层面留下了诸多质疑点。首先思想与行为的关系并非如同做物理实验一样条件可控,基于行为结果反推思想过程的论证很容易将人置于完全理性的空洞假设之中,否则难以在研究过程中控制和干预内外变量因素,产生大量主观臆断的想象空间。但显而易见的问题是,这种假设条件过于理想化,剥夺了人的情感倾向、个体经验等非理性因素选择,忽视了人的异质性,缺乏现实条件下的研究价值。如果我们尝试切换到另外一种与之对应的假设条件,即以有限理性人为研究起点,以全样本数据为参考依据,运用各种数据模型成功还原了人类社会,这种做法恐怕又存在着还原主义的风险,“即使主观数据确实能够反映当下状态,理论解释模型也成立,但它恐怕仅具有当代的合宜性”[6]。即数据本身可以在缺少专门知识或语境的情况下成立,但当脱离了数据产生的经济、政治、文化等随时可能变化的条件,将客观现实简单化为一加一等于二的数字结果,这样的数据叙事更多只是在讲着类似刻舟求剑的笑话。
受制于研究能力和技术水平的限制,这些悬而未决的问题使得思想活动数据化的进程虽取得一定突破,但总体发展水平仍然较低。未来可能性的存在与现实确定性间的遥远距离,使得否定声音不断,却无力在当下给予证明。
反对者认为:一方面,“人的‘思想’难以量化在一定意义上是由其(思想政治教育)自身学科属性所决定的”[8],生硬的使用大数据方法,追求一切皆可量化实际上是对人类社会多样性的根本误解;另一方面“从相关关系中并不能推导出因果关系”[9],大数据方法虽然是在强调相关关系,但在追溯思想活动时,仍无法控制被前期已经由外部环境代入的思想价值影响,最终做出暗含因果的结论解释,这实际上仍然是以抽象思辨为主导的研究范式。
倘若我们进一步提炼二者的观点,可以归纳出两个前提假设,一是能否把思想政治教育学理解为一门“着重研究社会主体与社会客体的关系以及主体间的关系,旨在揭示‘人们自己的社会行动的规律’(恩格斯语)和社会发展规律”[10]的社会科学。二是如果承认前述命题,那么大数据方法所倚赖的相关关系是否已经足够满足研究需要。而在这两点上,恰恰是当前大数据方法在思想政治教育研究中面临的难题。
从思想政治教育的学科属性来看,其既有人文学科主张价值关照、意义理解的元素,也有社会科学提倡实证研究、客观有效的要求,可以说兼具人文学科与社会科学的特征。这些特征在一定意义上形成了思想政治教育丰富多元的研究路径,推动了思想政治教育的发展创新,但从另一层面而言,这种两种研究取径之间的张力给大数据方法在思想政治教育研究中的准确定位带来了困难。
如果我们尝试站在人文学科的角度来认识和理解思想政治教育学的话,大量思想政治教育研究者善于关注个体价值,推崇人本理念,对人的价值观点、思想观念等主张从多样性和丰富性角度进行理解和诠释。这种认识取向导致“受人文主义影响的学者强调思想政治教育学的价值和意义,反对将思想政治教育学研究自然科学化、实证主义化”[11]。遵循人本主义的认识论出发,思想政治教育研究者一方面将人的行为本身看作是经过判断、选择的结果,任何做法都有其可被理解的意义存在,并非简单的服膺于某种特定规律,具有普遍意义,另一方面认为依靠统计方法得出的數据结论无法忽略其研究前提中诠释数据意义的论证过程,而这一论证过程本身便包含了对精神价值的理解。因而并不认同人类社会中能够发现类似于物理系统中的诸多精巧公式,可以用数学符号自圆其说。这种结果也正如C.P.斯诺在《两种文化》一书中所说“一极是文学知识分子,另一极是科学家……他们对待问题的态度全然不同,甚至在感情方面也难以找到许多共同的基础”[12],显然,由于观点乃至立场上的相互抵牾,一些研究者很难完全认同运用大数据方法归纳思想政治教育规律。
那么,沿袭社会科学研究方法的路径是否就能对大数据方法做出圆满回答?答案恐怕也并不乐观。尽管部分学者列举了大数据方法在数据内容的丰富性、数据分析的深度性、数据结果的可靠性等方面区别于一般研究方法的种种优势。但从现有研究应用来看,大数据方法主要是用数学工具对事物进行数量的分析,并没有完全脱离社会科学所惯常使用的量化研究方法范畴。而“社会科学的主旨在于揭示社会规律,它很重视对社会现象作实证研究和因果性说明”[13],作为一项社会科学研究而言,它需要遵循特定的科学研究规范,以客观事实为基础,以验证事物之间的因果规律为衡量标准,其论证过程基本是“主观变量—客观变量”“客观变量—客观变量”的相互匹配,以确保结论可被证实,避免过度推断或虚假关联。遗憾的是,大数据方法的支持者虽然一再强调相关关系的独特优势,尝试透过相关关系发现更多可能,但在涉及思想状况的研究分析中,研究者更多的是从“他者”视角对鱼龙混杂的信息拼组成主观解释主观的分析链条,难以有效确证结论的真实可靠,发现稳定的因果关系,因而也就限制了大数据方法在思想政治教育研究中的有效性。
就整体而言,大数据方法通过变量间的相关性分析能够帮助研究者找到研究思想状况的更多线索。但在人文学科与社会科学之间游离的研究状况下,以相关关系为单一路径的研究论证尚显单薄,部分研究者对于研究方法的不信任也就在所难免。
大数据方法在思想政治教育研究中最终指向不仅仅在于描述和解释,还在于通过对思想趋势的预测实现未雨绸缪,可以说,思想趋势能否被精准预测体现着大数据方法的核心价值。大数据方法的支持者认为:大数据方法的使用是在充分考虑各种变量基础上对于思想动态的捕捉,从学生的行为规律和潜在趋势,能够判断出思想动态的未来走向。“可以说,大数据面前,每个学生都变成了透明人,一切都可以提前被知道”[14]。
反对者认为:“大数据方法可以使我们通过行为与行为之间的相关关系分析,准确地预测人的行为趋向”[15]。但思想与行为并不是简单的因果关系,“从行为中可以预测人的思想动机,但难以准确地预测人的思想动机,这也是长期以来思想政治教育工作难做的根源之一”[16]。由于大数据方法的缺陷,使其只能应用于对思想趋势的回溯和反思,无法精准预测思想趋势。
综合两者观点,大数据方法能否精准预测思想趋势,不仅在于方法是否具备判断思想趋势的实践有效性问题,还取决于如何将大数据方法真正融入思想政治教育中的理论解释力问题,更进一步说,就是大数据方法是否具有特定的理论和实践规范,可供参考借鉴。
理想状态下,思想政治教育研究者对于大数据方法的使用过程是将网络使用痕迹、行为信息等数据进行实时记录,从重复性的行为模拟、多样态的信息源采集、参考地理环境和人文环境等多种信息中进行的综合读取,在评估数据质量后,通过赋予这些数据以不同的评价维度,转化为具备一定参考价值的思想政治教育信息,对人的思想观点进行判读,进而从不同方面反映和评估受教育者的思想变化趋势并对其不良倾向进行引导。相较于其他实证研究方法,大数据方法的加入使得在预测思想趋势的实践尝试中,在数据量和可信度上都有了极大改观,对原有实证研究方法存在的样本容量、样本代表性等缺陷也带来了切实改良,这也是大数据方法支持者最基本的立论主张。可以说,如果将这一过程推演到极致,完全获得思想动态的各类数据后,分析个体思想动态或趋势是可能的。但当我们细究其中原理时,可以看到当前的大数据思想政治教育研究中不仅缺乏与之相适应的理论体系作为支撑,在应用过程中也因为缺少现实依托而难以展开。 从理论体系来看,现有的思想政治教育理论体系较多指向高校微观层面的教育引导而缺乏来自社会宏观视野的考察。因此,思想政治教育研究者对大数据方法的理解和使用更加贴合校园教育场景,贴近学生的校园生活,较少考虑个体思想在社会日常情景中的发展流变和实践形态。一方面,从大数据方法的产生背景之一是网络时代信息爆炸,传统研究方法已不能完全适应网络信息发展需要。其所强调的“样本=总体”,恰恰是一种高度依赖宏观理论建构和整体思维的综合数据分析方法。另一方面,人又总是处于一定社会历史条件下的人,社会环境无时无刻不在影响和塑造着人们的思想和价值观念,因而对思想趋势的预测必然要嵌入社会经济、政治、文化等宏观因素。如果仅仅将思想趋势预测的依据局限于在高校范围、短时间内产生的数据断点,失去了来自社会层面的宏观理论支撑,不免出现对数据结论细枝末节的放大或参考价值较小的普适性结论,削减预测效果。
从实践应用来看,行为数据作为大数据研究的底层数据,进行精准预测需要来自多重维度数据支撑,以构建完整的“数据链”,其现实可操作难度极大。一方面,传统思想政治教育研究重定性、轻定量,在“历史数据、个体数据、样本数据等方面数据资源匮乏”[17]导致思想政治教育数据获取过程本身缺乏完整性,难以做到全方位覆盖每一位学生。另一方面,当下开展的一些大数据思想政治教育实证研究,大多依托专业的互联网公司或数据机构进行数据开发、托管和维护等全流程工作,这些公司和机构出于商业运作、隐私保密等方面考虑形成的数据壁垒,难以仅凭研究者个体轻松打破。因而一些大数据思想政治教育研究数据实际上大多是基于个别平台、部分高校中获取的独立数据,这些数据信息在论述过程中虽然被冠以高校大数据的名称出现,但因为平台的使用场景、应用人群、操作频率不同,高校办学层次、优势学科、人口统计学变量各异,加之大量非结构化数据无法有效利用,所使用的数据本身就存在一定的系统性偏差,也无法达到类似商业大数据动辄以PB为单位计算的数量级,因而进行经验推广的实际意义并不大。
很明显的是,当下研究中对思想趋势的预测、推断往往是基于大数据方法的理想状态的估计,而在理论支撑不足、实践应用有限的情况下,这种预测很难达到精准的程度,不得不让研究者谨慎地看待大数据方法在思想趋势预测中的实际效果。
从上述论证来看,大数据方法在思想政治教育研究中的科学性显然仍有待提升。这在客观上要求研究者将大数据方法放在现实场域之中,在认识大数据方法的使用限度、融合质性研究方法强化因果关系论证、形成大数据思想政治教育研究规范中推动其科学化发展。
(一)认识大数据方法在思想活动中的使用限度
使用大数据方法对于思想政治教育研究,特别是在思想活动层面的探索有其使用限度。对于不同的思想活动内容、不同的思想政治教育研究任务来说,运用大数据方法实现描述的难度和精度并不一致,产生的实际效果也不一而同。为此,在研究设计上,可以按内容区分和思想政治教育高度相关、一般相关、低相关的变量,按大数据研究方法功能区分历史回溯、实时监测和趋势预测功能,按类别区分群体思想和个体思想研究,在由简到难的过程中明确方法限度,把握哪些研究在当前可以完全实现、哪些可以基本实现、哪些尚不能实现,减少方法失效。
如对一些旨在反映社会思潮、社会心态等总体性变化特征的思想政治教育研究课题,当前已可以由面板数据进行长期的历史分析和过程跟踪,通过海量的电子书籍、网络搜索痕迹等内容统计相关主题词的权重情况,借由主题词的变化反映整体样态。如王永斌通过“核心价值观”在百度的搜索变化趋势,反映哪些群体在关注社会主义核心价值观,关注的程度如何[18],王建红借助马克思主义理论体系语料库构建、主题词比较分析进行思想政治教育话语变迁的探索[19]等。而对于个体的思想活动考察来讲,则需要更加谨慎。像对个体理想信念生成机制的大数据研究中,不仅需要结合人口社会学意义上的性别、年龄、学历等基本情况、代际特征等相对稳定的数据信息作为背景参考,还需要充分考虑大数据方法在知、情、意、信、行等不同环节中的应用可能性,在了解大数据方法的使用限度后,通过调整或细化目标设计,达到最佳研究效果。
(二)融合质性研究方法强化因果关系论证
大数据方法依赖相关分析逻辑可以为研究者提供大量可供参考和选择深化的研究方向,但这些线索很难在思想状况的多向维度中找到确凿的因果关系。在当前阶段可以融合质性研究方法进行互补,探索混合研究方法,提高对于思想状况的本质认识,强化论证,探索其中规律。
相较于大数据方法侧重于对数据量的广泛占有,质性研究更多的是借助小数据方法,即对于个案数据的精细化研究。通过大数据方法提供的海量信息作为一般性借鉴,质性研究可以进一步根据思想政治教育研究的不同需要,制定灵活的分析策略,针对性地挖掘大数据内部的信息关联,确证因果关系。如在确证网络文化对思想政治教育的负面影响分析中,可以运用大数据方法,爬取网络文本数据了解网络空间中有哪些网络文化样态,这些样态都存在着什么样的负面影响,在这些共性的问题中,通过质性研究方法搜集对网民、网络企业、相关部门等不同主体的访谈、调研数据,更进一层地认识在这些负面影响中,什么是主要影响或次要影响,什么是显性影响或隐性影响等等,进而有的放矢地制定引导策略。
此外,“科学方法的应用本身不能提供意义,而是为了辅助有意义的结果呈现”[20],通过质性研究方法和大数据方法的融合,可以让社会的道德情感、文化思想等等进入到数据决策之中,让人的价值考量和数据事实之间得以建立稳定联系的渠道,使价值理性和工具理性同时得到彰显。进而在一定程度上弥合思想政治教育研究中的人文追求和科学主张,使得研究结果更容易被理解和接受。
(三)形成大数据思想政治教育研究规范
随着大数据方法的研究浪潮,我们能够预见的是相应主题的思想政治教育研究成果和交流会日益频繁。而由于理论和实践的局限,思想政治教育研究者对于大数据的概念理解、使用过程并不一致,致使学习成本较高、交流推广难度较大,也造成了部分研究者对于大数据方法科学性的怀疑。因此,从存在问题突出的理论研究和实践应用层面考量,制定严谨充分的大数据思想政治教育研究规范尤为必要。 具体而言,在理论研究中要深化理解大数据思想政治教育的学理内涵,规范话语表达。在学理内涵上,要厘清大数据方法的根本优势,深化系统论思想,在自然系统、社会系统、思维系统等不同的系统类型中深挖学理依据,使大数据方法在思想政治教育研究中能够获得更加有效的学理支撑,形成研究者在方法论上的研究意识和系统素养。在话语表达上,不能盲目将思想政治教育技术化、工具化,盲目使用其他学科话语替代思想政治教育的基本概念,造成“数据崇拜”“技术崇拜”,忽略了思想政治教育的价值属性。
在实践应用中应侧重把握大数据的全面性和安全性,建立基于数据共享的同行交流评议机制。在大数据的全面性和安全性上,根据不同研究课题的需要,设置一定体量和规模的综合数据门槛,既不能将所有使用数据的思想政治教育研究统称为大数据思想政治教育研究,也不能将具有明显系统偏差的数据作为整体经验普遍推广,同时,要充分考虑数据隐私和个人信息安全,确保研究数据脱敏使用。在建立基于数据共享的交流评议机制上,一方面通过数据共享解决大数据总量级别的积累问题,尽可能保证研究数据的规模和多元,另一方面要让同行研究者能够更清楚地了解他人的研究成果,通过对数据资源的评估,对同行研究成果的可靠性和创新性进行更有客观依据的评估,促进思想政治教育研究者之间相互交流和学习。
坦率地说,大数据方法作为一种新兴的研究方法,并不是完美无缺的。它既有不可比拟的方法优势,却也无法完全避免研究方法的一般缺陷,以及由此带来的争议。但是,由于缺陷和争议而放弃了大数据研究方法的整套分析体系,并不是从事科学研究的态度。面向未来,如果思想政治教育研究者能够在看似不可通约的争议之中不断反思,改进大数据方法的不足,不断靠近“思想”的真相,形成稳定而规范的科学研究共同体,这本身便是一条实现思想政治教育研究方法科学性的康庄大道。
参考文献:
[1] 黄欣荣.大数据、数据化与科学划界[J].自然辨证法通讯,2018,(5):118-123.
[2] 陶志欢.思想意识数据化呈现的逻辑反思与边界校勘[J].思想理论教育,2019,(7):106-111.
[3][16] 管爱花,王升臻.思想政治教育运用大数据相关关系的哲学反思——基于思想与行为的因果关系[J].广西师范大学学报:哲学社会科学版,2019,(1):55-60.
[4] 新华网.新华视点:“脑机接口”火了,还有哪些难题待解?[EB/OL]. http://www.xinhuanet.com/2020-08/31/c_1126435403.htm,2021-03-15.
[5] 柯清超,王朋利.脑机接口技术教育应用的研究进展[J].中国电化教育,2019,(10):14-22.
[6] 阎光才.教育及社会科学研究中的数据——兼议当前的大数据热潮[J].北京大学教育评论,2013,(4):77-86.
[7] 常宴会.大数据时代思想政治教育理念的三重反思[J].思想教育研究,2017,(8):106-110.
[8][9][15] 管爱花,孙其昂等.大数据破解思想政治教育“思想”之谜的思考[J].河海大学学报(哲学社会科学版),2019,(4):7-11.
[10] 欧阳康,张明仓.社会科学研究方法[M].北京:高等教育出版社,2001.
[11] 张智.论思想政治教育学意识形态性与科学性的统一[J].教学与研究,2018,(4):80-88.
[12] [英]C.P.斯诺.纪树立译.两种文化[M].北京:三联书店,1994.
[13] 欧阳康.社会认识论:人类社会自我认识之谜的哲学思考[M].昆明:云南人民出版社,2002.
[14] 黄欣荣.大数据对思想政治教育方法论的变革[J].江西财经大学学报,2015,(3):94-101.
[17] 徐永利.大数据融入高校思想政治教育探析[J].中国电化教育,2018,(12):46-53.
[18] 王永斌.谁在关注社会主义核心价值观——基于百度指数的大数据分析[J].马克思主义研究,2018,(2):124-128.
[19] 王建红.大数据方法与马克思主义理论话语體系研究初探[J].马克思主义理论学科研究,2017,(5):83-91.
[20] 孙嘉蔚.教育研究中的“实证”与“经验”之辨——基于方法论的反思[J].苏州大学学报(教育科学版),2020,(4):53-62.
作者简介:
康超:在读博士,研究方向为网络思想政治教育。
佘双好:教授,博士生导师,研究方向为思想政治教育理论与方法。
Exploring the Scientific Nature of Big Data Methods in Ideological and Political Education Research and Its Controversies
Kang Chao, She Shuanghao
(School of Marxism, Wuhan University, Wuhan 430072, Hubei)
Abstract: Whether the research method is scientific and reasonable is directly related to the establishment of research results. As a new scientific research method, big data method has attracted wide attention in the academic field since its emergence. However, there are many academic controversies in the field of Ideological and political education, which limit the possibilities for research and application. From the perspective of the controversial issues and reasons of whether the scientific research is used to describe the present situation, explain the phenomenon, predict the actual function of the future, focus on whether the ideological activities can be described by data, whether the ideological status can be explained by the correlationship, and whether the ideological trend can be accurately predicted, and discuss the scientific approach of big data method in the research of Ideological and political education, which is more helpful to the researchers understanding the practical value and development prospect of big data method comprehensively.
Keywords: big data; ideological and political education; research method; science
责任编辑:李雅瑄
关键词:大数据;思想政治教育;研究方法;科学
中图分类号:G434 文献标识码:A
作为一种科学研究方法,大数据方法需要在思想政治教育研究过程中遵循一定的科学研究程序,通过对思想政治教育现象的描述、解释、预测,达成对思想政治教育规律的客观认识。然而在实现描述思想活动、解释思想状况、预测思想趋势等科学研究的基本功能时,大数据方法的科学性仍有较大争议。如何看待这些争议,进而如何理解争议产生原因,最终应该如何在争议之上更好地推动大数据研究方法的科学化发展,无疑影响着大数据方法在思想政治教育研究中的意义评价和出路选择。
一、思想活动能否被数据描述
以数据的方式描述或反映思想活动,是使用大数据方法进行思想政治教育研究的前提。大数据方法的支持者认为思想活动可以被数据描述,具体实现方式有两种:一种是直接读取“脑数据”反映思想活动。大脑产生的脑电波可以转化为计算机可读的数字信号,通过“编码—解码”脑信号,进而刻画大脑的思想运动。另一种是以行为数据替代思想数据。大数据方法依赖海量的日常生活行为数据或网络数据足迹等进行更深入的研究,在获得足够丰富的数据情况下,“可以用多维时空参数来全方位地完整刻画人的思想行为的复杂性,复杂的思想、心理、情感只是需要更多数据刻画而已”[1]。
反对者认为思想活动不能被数据化或完全数据化,对其可行性表示怀疑。从具体反驳观点来说:一是认为“思想意识数据化呈现的可信度并非先验而是待验”[2],这类研究结果在当前阶段缺乏可供参考的样例,难以证明在现实条件下的可行性;二是认为“思想与行为之间不能简单地相互还原,我们不能简单地把人的行为数据信息与人的思想数据信息相互转化”[3]。人的思想活动受内外影响因素众多,从单一的行为路径判断思想活动难免会出现偏差。
从两方观点来看,无论是直接读取脑数据,还是转化为行为数据,引起争议的原因离不开思想政治教育研究对象的特殊性和复杂性。相较于社会学、政治学等学科运用大数据方法研究人口流动、公民政治参与等问题时,从可直接量化的交通出行、电子政务等行为或网络数据中索取事实材料进行推断,得出关联结论的逻辑。思想政治教育研究者使用大数据方法时,并不仅仅满足于行为这一外显层面来讨论和分析问题,而是要求更深层次地挖掘行为背后的思想活动及其影响因素,关注思想道德的生成、发展规律。但以现有条件来看,相关基础工作并没有充分做好。
一方面,以现有的技术能力直接认识人的思想活动仍显稚嫩。长久以来,关于人脑是如何产生思维的,人类能否通过技术实现对大脑思想活动的影响乃至控制,一直都是科技领域的前沿话题,但直到20世纪末,伴随放射性核素脑显像、磁共振成像等技术突破,人类才逐步发现了大脑活动和感受性之间的关联。2020年8月,马斯克(Elon Musk)向世人直播演示了用一枚硬币大小的可植入芯片读取小猪的脑信号,通过脑机接口技术(BCI)预判小猪行为步伐的科技成果,引发了各种未来应用想象。但“与大脑高级功能如情感、疼痛、记忆相关的解码更加复杂,人类还知之甚少”[4]。一些教育学领域研究者也尝试通过对学习者脑信号的记录分析和控制实验,对学习者的情绪、认知、自身管理能力等进行实证研究,并取得了积极进展,但从研究动态来讲,“其教育应用研究与实践处于起步阶段,研究成果还不丰富”[5],真正彻底地了解人类深层次的思想活动还有待时日。还有许多研究者尝试另辟蹊径,运用形象思维,以人工智能模拟大脑功能区,凭借大数据提供的海量原始素材训练数据模型,以期实现类似于人脑的部分功能。但从生理基础来讲,人的大脑包含了亿万级的神经元,极其精密复杂,依靠大数据、智能算法、运算能力推动的强人工智能仍然是以人类设定的程序或已有内容为基础,尚不能替代思想活动的完整过程。
另一方面,提倡以行为数据代替思想数据的方案,看似合理,却又无法自圆其說。以行为反推思想的研究过程事实上是基于假设—检验的实证主义观点,即认为思想如果无法被直接刻画,那么可以假设某人的思想活动如何,又受到哪些因素影响,通过对这些因素的操作化定义、测量和控制进行实证研究,最终以外显的行为表现来验证原假设是否成立。这种方式在一定程度上回避了直接读取思想意识内容的难题,有其进步意义,但在实际操作层面留下了诸多质疑点。首先思想与行为的关系并非如同做物理实验一样条件可控,基于行为结果反推思想过程的论证很容易将人置于完全理性的空洞假设之中,否则难以在研究过程中控制和干预内外变量因素,产生大量主观臆断的想象空间。但显而易见的问题是,这种假设条件过于理想化,剥夺了人的情感倾向、个体经验等非理性因素选择,忽视了人的异质性,缺乏现实条件下的研究价值。如果我们尝试切换到另外一种与之对应的假设条件,即以有限理性人为研究起点,以全样本数据为参考依据,运用各种数据模型成功还原了人类社会,这种做法恐怕又存在着还原主义的风险,“即使主观数据确实能够反映当下状态,理论解释模型也成立,但它恐怕仅具有当代的合宜性”[6]。即数据本身可以在缺少专门知识或语境的情况下成立,但当脱离了数据产生的经济、政治、文化等随时可能变化的条件,将客观现实简单化为一加一等于二的数字结果,这样的数据叙事更多只是在讲着类似刻舟求剑的笑话。
受制于研究能力和技术水平的限制,这些悬而未决的问题使得思想活动数据化的进程虽取得一定突破,但总体发展水平仍然较低。未来可能性的存在与现实确定性间的遥远距离,使得否定声音不断,却无力在当下给予证明。
二、思想状况能否被相关性解释
大数据方法倚赖的相关性分析能否真正把握思想状况,直接关系到大数据方法在思想政治教育研究中的有效性。大数据方法支持者认为:“大数据技术通过分析人在生活中留下的痕迹再现人的生活,因其能反映人的思想状况而与思想政治教育存在关联”[7],因为思想与行为有关联性存在,大数据方法遵循的相关性为探寻思想规律提供了线索和方向,可以在诸多相关关系中逐渐确证因果性,通过发现思想变化的规律,实现对真实思想状况的认识。反对者认为:一方面,“人的‘思想’难以量化在一定意义上是由其(思想政治教育)自身学科属性所决定的”[8],生硬的使用大数据方法,追求一切皆可量化实际上是对人类社会多样性的根本误解;另一方面“从相关关系中并不能推导出因果关系”[9],大数据方法虽然是在强调相关关系,但在追溯思想活动时,仍无法控制被前期已经由外部环境代入的思想价值影响,最终做出暗含因果的结论解释,这实际上仍然是以抽象思辨为主导的研究范式。
倘若我们进一步提炼二者的观点,可以归纳出两个前提假设,一是能否把思想政治教育学理解为一门“着重研究社会主体与社会客体的关系以及主体间的关系,旨在揭示‘人们自己的社会行动的规律’(恩格斯语)和社会发展规律”[10]的社会科学。二是如果承认前述命题,那么大数据方法所倚赖的相关关系是否已经足够满足研究需要。而在这两点上,恰恰是当前大数据方法在思想政治教育研究中面临的难题。
从思想政治教育的学科属性来看,其既有人文学科主张价值关照、意义理解的元素,也有社会科学提倡实证研究、客观有效的要求,可以说兼具人文学科与社会科学的特征。这些特征在一定意义上形成了思想政治教育丰富多元的研究路径,推动了思想政治教育的发展创新,但从另一层面而言,这种两种研究取径之间的张力给大数据方法在思想政治教育研究中的准确定位带来了困难。
如果我们尝试站在人文学科的角度来认识和理解思想政治教育学的话,大量思想政治教育研究者善于关注个体价值,推崇人本理念,对人的价值观点、思想观念等主张从多样性和丰富性角度进行理解和诠释。这种认识取向导致“受人文主义影响的学者强调思想政治教育学的价值和意义,反对将思想政治教育学研究自然科学化、实证主义化”[11]。遵循人本主义的认识论出发,思想政治教育研究者一方面将人的行为本身看作是经过判断、选择的结果,任何做法都有其可被理解的意义存在,并非简单的服膺于某种特定规律,具有普遍意义,另一方面认为依靠统计方法得出的數据结论无法忽略其研究前提中诠释数据意义的论证过程,而这一论证过程本身便包含了对精神价值的理解。因而并不认同人类社会中能够发现类似于物理系统中的诸多精巧公式,可以用数学符号自圆其说。这种结果也正如C.P.斯诺在《两种文化》一书中所说“一极是文学知识分子,另一极是科学家……他们对待问题的态度全然不同,甚至在感情方面也难以找到许多共同的基础”[12],显然,由于观点乃至立场上的相互抵牾,一些研究者很难完全认同运用大数据方法归纳思想政治教育规律。
那么,沿袭社会科学研究方法的路径是否就能对大数据方法做出圆满回答?答案恐怕也并不乐观。尽管部分学者列举了大数据方法在数据内容的丰富性、数据分析的深度性、数据结果的可靠性等方面区别于一般研究方法的种种优势。但从现有研究应用来看,大数据方法主要是用数学工具对事物进行数量的分析,并没有完全脱离社会科学所惯常使用的量化研究方法范畴。而“社会科学的主旨在于揭示社会规律,它很重视对社会现象作实证研究和因果性说明”[13],作为一项社会科学研究而言,它需要遵循特定的科学研究规范,以客观事实为基础,以验证事物之间的因果规律为衡量标准,其论证过程基本是“主观变量—客观变量”“客观变量—客观变量”的相互匹配,以确保结论可被证实,避免过度推断或虚假关联。遗憾的是,大数据方法的支持者虽然一再强调相关关系的独特优势,尝试透过相关关系发现更多可能,但在涉及思想状况的研究分析中,研究者更多的是从“他者”视角对鱼龙混杂的信息拼组成主观解释主观的分析链条,难以有效确证结论的真实可靠,发现稳定的因果关系,因而也就限制了大数据方法在思想政治教育研究中的有效性。
就整体而言,大数据方法通过变量间的相关性分析能够帮助研究者找到研究思想状况的更多线索。但在人文学科与社会科学之间游离的研究状况下,以相关关系为单一路径的研究论证尚显单薄,部分研究者对于研究方法的不信任也就在所难免。
三、思想趋势能否被精准预测
大数据方法在思想政治教育研究中最终指向不仅仅在于描述和解释,还在于通过对思想趋势的预测实现未雨绸缪,可以说,思想趋势能否被精准预测体现着大数据方法的核心价值。大数据方法的支持者认为:大数据方法的使用是在充分考虑各种变量基础上对于思想动态的捕捉,从学生的行为规律和潜在趋势,能够判断出思想动态的未来走向。“可以说,大数据面前,每个学生都变成了透明人,一切都可以提前被知道”[14]。
反对者认为:“大数据方法可以使我们通过行为与行为之间的相关关系分析,准确地预测人的行为趋向”[15]。但思想与行为并不是简单的因果关系,“从行为中可以预测人的思想动机,但难以准确地预测人的思想动机,这也是长期以来思想政治教育工作难做的根源之一”[16]。由于大数据方法的缺陷,使其只能应用于对思想趋势的回溯和反思,无法精准预测思想趋势。
综合两者观点,大数据方法能否精准预测思想趋势,不仅在于方法是否具备判断思想趋势的实践有效性问题,还取决于如何将大数据方法真正融入思想政治教育中的理论解释力问题,更进一步说,就是大数据方法是否具有特定的理论和实践规范,可供参考借鉴。
理想状态下,思想政治教育研究者对于大数据方法的使用过程是将网络使用痕迹、行为信息等数据进行实时记录,从重复性的行为模拟、多样态的信息源采集、参考地理环境和人文环境等多种信息中进行的综合读取,在评估数据质量后,通过赋予这些数据以不同的评价维度,转化为具备一定参考价值的思想政治教育信息,对人的思想观点进行判读,进而从不同方面反映和评估受教育者的思想变化趋势并对其不良倾向进行引导。相较于其他实证研究方法,大数据方法的加入使得在预测思想趋势的实践尝试中,在数据量和可信度上都有了极大改观,对原有实证研究方法存在的样本容量、样本代表性等缺陷也带来了切实改良,这也是大数据方法支持者最基本的立论主张。可以说,如果将这一过程推演到极致,完全获得思想动态的各类数据后,分析个体思想动态或趋势是可能的。但当我们细究其中原理时,可以看到当前的大数据思想政治教育研究中不仅缺乏与之相适应的理论体系作为支撑,在应用过程中也因为缺少现实依托而难以展开。 从理论体系来看,现有的思想政治教育理论体系较多指向高校微观层面的教育引导而缺乏来自社会宏观视野的考察。因此,思想政治教育研究者对大数据方法的理解和使用更加贴合校园教育场景,贴近学生的校园生活,较少考虑个体思想在社会日常情景中的发展流变和实践形态。一方面,从大数据方法的产生背景之一是网络时代信息爆炸,传统研究方法已不能完全适应网络信息发展需要。其所强调的“样本=总体”,恰恰是一种高度依赖宏观理论建构和整体思维的综合数据分析方法。另一方面,人又总是处于一定社会历史条件下的人,社会环境无时无刻不在影响和塑造着人们的思想和价值观念,因而对思想趋势的预测必然要嵌入社会经济、政治、文化等宏观因素。如果仅仅将思想趋势预测的依据局限于在高校范围、短时间内产生的数据断点,失去了来自社会层面的宏观理论支撑,不免出现对数据结论细枝末节的放大或参考价值较小的普适性结论,削减预测效果。
从实践应用来看,行为数据作为大数据研究的底层数据,进行精准预测需要来自多重维度数据支撑,以构建完整的“数据链”,其现实可操作难度极大。一方面,传统思想政治教育研究重定性、轻定量,在“历史数据、个体数据、样本数据等方面数据资源匮乏”[17]导致思想政治教育数据获取过程本身缺乏完整性,难以做到全方位覆盖每一位学生。另一方面,当下开展的一些大数据思想政治教育实证研究,大多依托专业的互联网公司或数据机构进行数据开发、托管和维护等全流程工作,这些公司和机构出于商业运作、隐私保密等方面考虑形成的数据壁垒,难以仅凭研究者个体轻松打破。因而一些大数据思想政治教育研究数据实际上大多是基于个别平台、部分高校中获取的独立数据,这些数据信息在论述过程中虽然被冠以高校大数据的名称出现,但因为平台的使用场景、应用人群、操作频率不同,高校办学层次、优势学科、人口统计学变量各异,加之大量非结构化数据无法有效利用,所使用的数据本身就存在一定的系统性偏差,也无法达到类似商业大数据动辄以PB为单位计算的数量级,因而进行经验推广的实际意义并不大。
很明显的是,当下研究中对思想趋势的预测、推断往往是基于大数据方法的理想状态的估计,而在理论支撑不足、实践应用有限的情况下,这种预测很难达到精准的程度,不得不让研究者谨慎地看待大数据方法在思想趋势预测中的实际效果。
四、大数据方法在思想政治教育研究中的科学化路徑
从上述论证来看,大数据方法在思想政治教育研究中的科学性显然仍有待提升。这在客观上要求研究者将大数据方法放在现实场域之中,在认识大数据方法的使用限度、融合质性研究方法强化因果关系论证、形成大数据思想政治教育研究规范中推动其科学化发展。
(一)认识大数据方法在思想活动中的使用限度
使用大数据方法对于思想政治教育研究,特别是在思想活动层面的探索有其使用限度。对于不同的思想活动内容、不同的思想政治教育研究任务来说,运用大数据方法实现描述的难度和精度并不一致,产生的实际效果也不一而同。为此,在研究设计上,可以按内容区分和思想政治教育高度相关、一般相关、低相关的变量,按大数据研究方法功能区分历史回溯、实时监测和趋势预测功能,按类别区分群体思想和个体思想研究,在由简到难的过程中明确方法限度,把握哪些研究在当前可以完全实现、哪些可以基本实现、哪些尚不能实现,减少方法失效。
如对一些旨在反映社会思潮、社会心态等总体性变化特征的思想政治教育研究课题,当前已可以由面板数据进行长期的历史分析和过程跟踪,通过海量的电子书籍、网络搜索痕迹等内容统计相关主题词的权重情况,借由主题词的变化反映整体样态。如王永斌通过“核心价值观”在百度的搜索变化趋势,反映哪些群体在关注社会主义核心价值观,关注的程度如何[18],王建红借助马克思主义理论体系语料库构建、主题词比较分析进行思想政治教育话语变迁的探索[19]等。而对于个体的思想活动考察来讲,则需要更加谨慎。像对个体理想信念生成机制的大数据研究中,不仅需要结合人口社会学意义上的性别、年龄、学历等基本情况、代际特征等相对稳定的数据信息作为背景参考,还需要充分考虑大数据方法在知、情、意、信、行等不同环节中的应用可能性,在了解大数据方法的使用限度后,通过调整或细化目标设计,达到最佳研究效果。
(二)融合质性研究方法强化因果关系论证
大数据方法依赖相关分析逻辑可以为研究者提供大量可供参考和选择深化的研究方向,但这些线索很难在思想状况的多向维度中找到确凿的因果关系。在当前阶段可以融合质性研究方法进行互补,探索混合研究方法,提高对于思想状况的本质认识,强化论证,探索其中规律。
相较于大数据方法侧重于对数据量的广泛占有,质性研究更多的是借助小数据方法,即对于个案数据的精细化研究。通过大数据方法提供的海量信息作为一般性借鉴,质性研究可以进一步根据思想政治教育研究的不同需要,制定灵活的分析策略,针对性地挖掘大数据内部的信息关联,确证因果关系。如在确证网络文化对思想政治教育的负面影响分析中,可以运用大数据方法,爬取网络文本数据了解网络空间中有哪些网络文化样态,这些样态都存在着什么样的负面影响,在这些共性的问题中,通过质性研究方法搜集对网民、网络企业、相关部门等不同主体的访谈、调研数据,更进一层地认识在这些负面影响中,什么是主要影响或次要影响,什么是显性影响或隐性影响等等,进而有的放矢地制定引导策略。
此外,“科学方法的应用本身不能提供意义,而是为了辅助有意义的结果呈现”[20],通过质性研究方法和大数据方法的融合,可以让社会的道德情感、文化思想等等进入到数据决策之中,让人的价值考量和数据事实之间得以建立稳定联系的渠道,使价值理性和工具理性同时得到彰显。进而在一定程度上弥合思想政治教育研究中的人文追求和科学主张,使得研究结果更容易被理解和接受。
(三)形成大数据思想政治教育研究规范
随着大数据方法的研究浪潮,我们能够预见的是相应主题的思想政治教育研究成果和交流会日益频繁。而由于理论和实践的局限,思想政治教育研究者对于大数据的概念理解、使用过程并不一致,致使学习成本较高、交流推广难度较大,也造成了部分研究者对于大数据方法科学性的怀疑。因此,从存在问题突出的理论研究和实践应用层面考量,制定严谨充分的大数据思想政治教育研究规范尤为必要。 具体而言,在理论研究中要深化理解大数据思想政治教育的学理内涵,规范话语表达。在学理内涵上,要厘清大数据方法的根本优势,深化系统论思想,在自然系统、社会系统、思维系统等不同的系统类型中深挖学理依据,使大数据方法在思想政治教育研究中能够获得更加有效的学理支撑,形成研究者在方法论上的研究意识和系统素养。在话语表达上,不能盲目将思想政治教育技术化、工具化,盲目使用其他学科话语替代思想政治教育的基本概念,造成“数据崇拜”“技术崇拜”,忽略了思想政治教育的价值属性。
在实践应用中应侧重把握大数据的全面性和安全性,建立基于数据共享的同行交流评议机制。在大数据的全面性和安全性上,根据不同研究课题的需要,设置一定体量和规模的综合数据门槛,既不能将所有使用数据的思想政治教育研究统称为大数据思想政治教育研究,也不能将具有明显系统偏差的数据作为整体经验普遍推广,同时,要充分考虑数据隐私和个人信息安全,确保研究数据脱敏使用。在建立基于数据共享的交流评议机制上,一方面通过数据共享解决大数据总量级别的积累问题,尽可能保证研究数据的规模和多元,另一方面要让同行研究者能够更清楚地了解他人的研究成果,通过对数据资源的评估,对同行研究成果的可靠性和创新性进行更有客观依据的评估,促进思想政治教育研究者之间相互交流和学习。
五、余论
坦率地说,大数据方法作为一种新兴的研究方法,并不是完美无缺的。它既有不可比拟的方法优势,却也无法完全避免研究方法的一般缺陷,以及由此带来的争议。但是,由于缺陷和争议而放弃了大数据研究方法的整套分析体系,并不是从事科学研究的态度。面向未来,如果思想政治教育研究者能够在看似不可通约的争议之中不断反思,改进大数据方法的不足,不断靠近“思想”的真相,形成稳定而规范的科学研究共同体,这本身便是一条实现思想政治教育研究方法科学性的康庄大道。
参考文献:
[1] 黄欣荣.大数据、数据化与科学划界[J].自然辨证法通讯,2018,(5):118-123.
[2] 陶志欢.思想意识数据化呈现的逻辑反思与边界校勘[J].思想理论教育,2019,(7):106-111.
[3][16] 管爱花,王升臻.思想政治教育运用大数据相关关系的哲学反思——基于思想与行为的因果关系[J].广西师范大学学报:哲学社会科学版,2019,(1):55-60.
[4] 新华网.新华视点:“脑机接口”火了,还有哪些难题待解?[EB/OL]. http://www.xinhuanet.com/2020-08/31/c_1126435403.htm,2021-03-15.
[5] 柯清超,王朋利.脑机接口技术教育应用的研究进展[J].中国电化教育,2019,(10):14-22.
[6] 阎光才.教育及社会科学研究中的数据——兼议当前的大数据热潮[J].北京大学教育评论,2013,(4):77-86.
[7] 常宴会.大数据时代思想政治教育理念的三重反思[J].思想教育研究,2017,(8):106-110.
[8][9][15] 管爱花,孙其昂等.大数据破解思想政治教育“思想”之谜的思考[J].河海大学学报(哲学社会科学版),2019,(4):7-11.
[10] 欧阳康,张明仓.社会科学研究方法[M].北京:高等教育出版社,2001.
[11] 张智.论思想政治教育学意识形态性与科学性的统一[J].教学与研究,2018,(4):80-88.
[12] [英]C.P.斯诺.纪树立译.两种文化[M].北京:三联书店,1994.
[13] 欧阳康.社会认识论:人类社会自我认识之谜的哲学思考[M].昆明:云南人民出版社,2002.
[14] 黄欣荣.大数据对思想政治教育方法论的变革[J].江西财经大学学报,2015,(3):94-101.
[17] 徐永利.大数据融入高校思想政治教育探析[J].中国电化教育,2018,(12):46-53.
[18] 王永斌.谁在关注社会主义核心价值观——基于百度指数的大数据分析[J].马克思主义研究,2018,(2):124-128.
[19] 王建红.大数据方法与马克思主义理论话语體系研究初探[J].马克思主义理论学科研究,2017,(5):83-91.
[20] 孙嘉蔚.教育研究中的“实证”与“经验”之辨——基于方法论的反思[J].苏州大学学报(教育科学版),2020,(4):53-62.
作者简介:
康超:在读博士,研究方向为网络思想政治教育。
佘双好:教授,博士生导师,研究方向为思想政治教育理论与方法。
Exploring the Scientific Nature of Big Data Methods in Ideological and Political Education Research and Its Controversies
Kang Chao, She Shuanghao
(School of Marxism, Wuhan University, Wuhan 430072, Hubei)
Abstract: Whether the research method is scientific and reasonable is directly related to the establishment of research results. As a new scientific research method, big data method has attracted wide attention in the academic field since its emergence. However, there are many academic controversies in the field of Ideological and political education, which limit the possibilities for research and application. From the perspective of the controversial issues and reasons of whether the scientific research is used to describe the present situation, explain the phenomenon, predict the actual function of the future, focus on whether the ideological activities can be described by data, whether the ideological status can be explained by the correlationship, and whether the ideological trend can be accurately predicted, and discuss the scientific approach of big data method in the research of Ideological and political education, which is more helpful to the researchers understanding the practical value and development prospect of big data method comprehensively.
Keywords: big data; ideological and political education; research method; science
责任编辑:李雅瑄