選戰大數據（1）

文／鄭自隆

選戰分析研究社群媒體貼文的統計，稱之「網路聲量」，很多人都說這就是「大數據」，這是以管窺豹，但何謂「大數據」？

「大數據」是「沒有『理論』的理論」或「不理『理論』的理論」，傳統社會科學研究，會先參酌文獻（理論），假設變項之間具有「因果相關」，然後蒐集個案資料，再以適當統計方法證明或否證之；若經統計檢定呈現顯著的差異或關聯後，接著就要進一步思考或用理論檢視此個案，到底只是「統計相關」，抑或真的有「因果相關」？其佐證模式如下：理論檢索（假設）→ 統計相關（分析）→ 因果相關（結論）。

但大數據理論（Big Data）顛覆這種思維，大數據可不管第一階段的由文獻所建構的因果相關假設，而是從浩瀚的數據中，沙裡掏金，先找出2個變項的統計相關，然後再找出理由詮釋其關連，甚至不管因果關係：不做假設（沙裡掏金）→ 統計相關 → 因果相關（臆測推論）。

換言之，傳統社會科學研究是先有Why，再找出What以證明之，而大數據理論是先有What，再探究之間Why的關連，如果認為只是從網路找出很多data就是「大數據」，這是誤會，「大數據」重要的是「觀念」與創新連結，至於data是否來自網路倒是其次。

「大數據」是近年興起的概念，除上述方法論（methodology）的基本思維和傳統社會科學研究方法迥然不同外，其研究程序二者也不同：一是「樣本與母體」，傳統社會調查，樣本由母體依適當抽樣方法，以隨機方式產生，而且樣本數至少1067個，如此方具「信心水準95%，抽樣誤差±3%」的推論意義，就是以樣本的研究結果可以推論或預測母體的行為，如選戰候選人支持度調查，就可以用1067人的態度推論1900萬選民的傾向，這就是抽樣（sampling）的功力。

而大數據則是「樣本＝母體」，沒有抽樣問題，所有與研究目的可能有關的資料庫都可以是母體來源，所以是龐大二手資料所建構的巨量資料，而這二手資料庫未必是與研究直接有關，也未必是網路行為的資料庫，如何連結取用，就看研究著功力洞見，也因為「樣本＝母體」，所以沒有信心水準與抽樣誤差問題，大數據是「信心水準100%，抽樣誤差為0%」。

傳統社會調查，資料取得是配合研究目的所形成的特定調查，其資料量就是樣本數，資料格式是依研究目的事先規劃的，要形成資料化（datafication），即無論數字、文字、圖片、影像均必須符碼化（coding）－轉化為可量化計算的人工符碼，如以內容分析法（content analysis）探討候選人臉書圖片元素，可依研究目的將候選人臉書圖片區分為圖像攝影、群眾互動、使用道具等類目（categories），每一類目再建構測量標尺（measurement scale或稱indicator），如「圖像攝影」就分為大特寫、特寫、近景、全景、其他，測量標尺的建構就是「資料化」的過程。

而大數據除了資料化外，有的還必須數位化（digitization），數位化即由電腦可直接閱讀的符碼，如透過人臉辨識分析造勢活動參與者的共同特徵即是，不必經過人工的符碼化。

而資料的精確性，傳統社會調查要求「絕對精確」，這當然很難，但必須力求「相對精確」，如問受訪者每月收入多少，看似絕對精確，但也未必，本薪或許記得，但加班費與獎金是浮動的，也說不準；平均每天看電視多少分鐘、使用手機多久，這些在社會調查中常見的題目，多少都涉及信度（reliability）或效度（validity）問題，無法絕對精確，只能達到相對精確；遑論7等分或5等分的態度量表，由受訪者自我評量，請問你對A牌泡麵評價為何，今天評價5（「好」），隔一週再問可能就變成6（「很好」），要求「精確」很難。

大數據分析用的是巨量資料，要求精確更不可能也沒有必要，舉個例，台灣面積是36,197平方公里，今天隔壁填了一口井1平方公尺，我們會說今天台灣面積變成36,197.001平方公里嗎？在巨量資料中，這種微小的誤差會被稀釋，可以忽略。

本文為作者評論意見，不代表《台灣數位匯流網》立場

圖片來源：取自pikist、TDC NEWS製作

更多台灣數位匯流網報導
聲量大，當選機率高？（1）
聲量大，當選機率高？（2）

【專欄評論文章．非經授權禁止轉載】