摘要: 大數據技術革命中數據技能缺失、算法決策風險、數據參與差距等諸多問題引發國外學者對數據素養的關注。從理論層面而言，數據素養本身具有內在合法性的爭議，即數據素養在大數據時代是否適用以及數據素養的技術維度與社會倫理維度的關系界定。從實踐層面而言，數據素養主要包括工匠型數據素養、參與型數據素養和交互型數據素養，其實踐形態以技術干預模式為主。為了規避數據驅動社會的各類風險，需超越技術性的數據素養，從人與數據交互的視角把社會倫理融入到數據素養中，以促進以人為本的大數據技術發展。

　　關鍵詞: 工匠型數據素養; 參與型數據素養; 交互型數據素養

　　一、大數據時代數據素養的興起: 技能、民主與倫理

　　大數據時代數據素養的興起源于當前海量數據的使用及其影響。大數據時代，數據尤其是非結構化數據不僅成為新型經濟資產，而且數據借助于算法以驅動決策的方式深刻影響每個人的生活世界。進一步而言，大數據也引發諸如隱私泄露、算法決策風險、數據不平等、參與差距等亟需解決的問題。數據素養則是解決這些問題的關鍵之一，因而成為大數據時代的重要問題。具體而言，大數據時代數據素養的興起有以下三方面原因:

　　二、大數據時代數據素養概念的合法性爭議

　　基于上述原因，大數據時代數據素養概念的合法性爭議主要有兩個。

　　爭議 1: 數據素養這一概念在大數據時代是否依然適用。存在兩種觀點，一種觀點認為大數據時代數據素養這一概念仍然適用。持此觀點的學者多從不同的學科和視角界定數據素養。例如，杰克·R·卡爾森( Jake R. Carlson) 認為，數據素養包括理解什么是數據，恰當地閱讀各種圖表，從數據中得出正確結論以及識別數據在何時被不恰當或錯誤的方式使用。〔8〕教育研究者艾倫·曼迪納契 ( Ellen Mandinach) 則在上述定義基礎上，結合教育領域的特點，將數據素養進一步擴展為將數據轉化為信息進而最終轉化為恰當教育實踐的能力。〔9〕

　　另一種觀點則認為數據素養這一概念在大數據時代是不充分的。麻省理工學院媒體實驗室公民媒介中心的學者拉胡爾·巴爾加瓦( Rahul Bhargava) 認為，“數據素養”的概念在大數據時代是不充分的。具體而言，圍繞著“使用和分析數據能力” 的各 種 數 據 素 養 概 念 在以下三個方面受到質疑〔3〕5 - 7 : 一是它們僅指如何從數據得到信息，而沒有涉及經典知識層次理論的最終目標———智慧; 二是沒有質疑數據收集水平，而是將數據作為給定的原材料一般靜待提取和處理; 三是沒有為政治和倫理的考量留下余地。因此，應從“數據素養”( data literacy) 概念走向“數據時代的素養”( literacy in the age of data) 。進一步而言: 現有的數據素養定義或是建立在傳統信息素養和統計素養的基礎上，或是關于如何轉化數據以指導實踐，因而不足以解決缺乏透明度、數據主體對數據采集的不知情、數據主體無法參與到對自身產生影響的數據驅動決策過程等社會與倫理等問題，進而需將數據素養定義擴展為大數據素養( big data literacy) 。其三個核心要點分別是: “理解關于你的行為和互動的數據是何時何地被收集的; 理解在大量數據分析中所使用的算法操作; 權衡數據驅動決策對個人和社會真實的與潛在的倫理影響。”〔10〕

　　爭議 2: 倫理在大數據時代數據素養中的定位。不同學者對倫理與數據素養之間關系的考量并不一致。概言之，有兩種不同的見解:

　　一是將倫理問題限定于數據素養的子集即道德地使用數據之中。持此觀點的學者大多將數據素養概念局限在某一領域。如科研領域的數據素養分為理解數據、尋找與獲取數據、評估數據、管理數據和使用數據五大核心能力。使用數據作為五大核心能力之一又包括數據處理、綜合且適當地展示數據分析結果和道德地使用數據。在此，道德地使用數據所指涉的是數據使用者會引用數據源，如通過他人獲得數據源時確保所使用的方法恰當、結果解釋公正透明。〔11〕123 - 134

　　二是將倫理作為數據素養概念的背景和大前提，置于數據素養各子技能之上。持此觀點的學者認為，數據素養是解決大數據時代參與差距、個人隱私安全、數據主體隱匿、數字鴻溝等政治與倫理問題的有效途徑之一。例如，數據素養研究者安妮卡·沃爾夫( Annika Wolff) 明確地以倫理統帥數據素養概念 的 各 個 要 素。〔12〕15 大衛·克 魯 索( David Crusoe) 則將倫理原則明確為安全與隱私。他認為， “數據素養是在安全與隱私的背景下關于數據是什么，它們怎樣被收集、分析、可視化和共享的知識，以及對數據如何應用于產生利益或損害的理解。其中，安全描述了數據應怎樣被存儲以拒絕不希望出現的訪問，隱私則描述了對誰能夠看到關于數據的哪些內容的控制。因而，數據主體安全與隱私既不是大數據時代數據素養所包含五個要素之一，更不會成為其第六個要素，而是大數據時代數據素養得以可能的必要前提與背景。”〔13〕38 - 41在此意義上，數據素養本身就是倫理的要求。〔3〕17

　　三、大數據時代數據素養的主要類型

　　根據學者對數據素養闡釋的不同視角和側重點，大數據時代數據素養的類型可從總體上歸納為三種: 工匠型數據素養、參與型數據素養和交互型數據素養。

　　1. 工匠型數據素養: 數據工匠

　　工匠型數據素養僅關注與某一領域數據的使用和分析相關的知識與技能，它更多地具有工具性價值而較少涉及大數據所引發的社會與倫理問題。例如，科研數據素養主要包括在數據生命周期內訪問、解釋、批判性評估、管理、處理和道德地使用數據等能力〔11〕125，其主要目的是研究人員能將數據處理、數據管理、數據監護等融入科研工作流程。與科研數據素養密切相關的是圖書館數據素養，它以數字化監管能力為核心，主要包括了解不同組織背景與政治法律問題的管理能力〔14〕和專業技術能力。其中專業技術能力包括數據選擇、保存和與用戶交流的技能，數據處理、開發與存儲方法等涉及計算機科學與工程專業知識，以及數據學科屬性的專業知識。〔15〕圖書館員具備數據素養的目的在于承擔大數據時代圖書館員的諸多新角色，如數據獲取與權利咨詢顧問，數據素養的教育者，研究數據生產者和使用者的人類學家，數據存儲、管理與共享系統的制造者，數據管護者等。〔16〕

　　2. 參與型數據素養: 賦權與平等

　　參與型數據素養以開放數據為背景，以包容性社會為旨向，其核心目標是消除數據訪問與數據素養之間的不平等，為每一個公眾賦權。具體而言，參與型數據素養致力于克服數據使用技能與知識的不平等，從而使公眾不僅能夠平等地獲取數據，更能將數據運用于個人所關注的當地問題的解決，同時能夠讓那些不懂數據語言的邊緣人在政府創建規則與政策方面擁有更大的發言權，并從中受益。〔17〕52 - 53進一步而言，參與型數據素養以解決現實世界問題為目的，以道德地使用數據為前提，指的是能夠從數據中提出問題、制定研究計劃、收集與清洗數據、分析與可視化數據、解決問題并發現新的問題的能力。〔12〕14 - 17

　　3. 交互型數據素養: 人與數據的良性交互

　　交互型數據素養不同于前兩類數據素養，它既不面向某一領域的專業人員和特定數據集，也不面向政治話語中的公眾和政府的開放數據，而是立足于每一個理性人的個人數據。進一步而言，交互型數據素養主要解決數據主體如何與數據相互作用，即在一個不完善的數據世界中大眾如何管理和控制個人數據，保持其隱私，且在算法推薦與決策下保持自由選擇與自主行動的能力。

　　四、數據素養的實踐形態

　　當前建立數據素養的實踐主要以技術干預為主，包括技術干預下的數據素養教育和支撐數據素養的軟件工具。

　　1. 數據素養教育實踐

　　第一，網絡在線教育實踐。無論是工匠型數據素養還是參與型數據素養，網絡在線教育都是其主要實踐形式。就科研數據素養而言，國外大學圖書館大多都為科研人員和研究生提供了在線學習課程，如馬薩諸塞大學醫學院 Lamar Soutter 圖書館為健康科學、工程學科等專業的本科生、研究生及研究人員提供新英格蘭數據管理協作課程( New England Collaborative Data Management Curriculum，簡稱 NECDMC) ，此課程由七個相對獨立的在線教學模塊構成，可滿足不同學習者的需求。除此之外，還有其他社會組織開展的、面向非科研人員的在線數據素養教育。如，數據學院( School of Data) 面向社會組織、記者和公民，提供以數據基礎知識和特定技能為重點的數據素養網絡課程。此課程由數據基礎、數據清洗、數據探索、數據處理與制圖、使用智能手機收集數據和數據呈現六個獨立的學習模塊構成，學習者可依據自身需求而按照任意順序展開學習。

　　第二，技術參與的實體教育實踐。例如，托馬斯·M·菲利普( Thomas M. Philip) 設計了針對青少年大數據素養教育實踐框架與模式。此框架主要包括以下幾個層面的內容〔18〕 : 一是熟練使用數據科學的技術性工具和語言; 二是不僅將數據的生成、收集、分析、可視化、交流視為理解、解決社區與社會問題的有效方法，而且能使用數據解決自己感興趣的問題，即在體驗通過數據解決問題所帶來的滿足感的同時看到數據的魅力; 三是學會從數據中提出問題，知道數據的生成、收集、可視化、解釋等并不是中性的或客觀的，而是以一系列基于某種世界觀、價值觀和社會權力的假設為前提的; 四是了解借助數據解決問題的局限性。

　　2. 支持數據素養的技術工具

　　支持數據素養的技術工具大體具有兩個特點:

　　第一，技術工具通過相對簡單的在線指導而間接地提升用戶的數據素養。“正如我們需要學習如何更換自行車上的輪子或者清洗洗衣機過濾器，卻不需要如機械師或工程師一般詳細了解其內在構造與原理。很多人轉向多種形式的在線指南來實現數據素養，而無需這方面的專業知識。”〔7〕232 - 235如 Data Wrapper、Google Maps、RAW 等都是以用戶“會用”為核心的軟件工具。以 CartoDB 為例，CartoDB 的“一鍵式制圖”功能不需要用戶具備編程基礎，它可自動分析用戶上傳的數據，從中提取信息并提出一系列的可視化建議以供選擇和修改。尤其是其空間數據的分析和可視化功能，它們為了解城市公共服務設施的可達性、鄰里與社區結構在城市發展中的作用等問題提供了有益幫助。

　　第二，關注非專家用戶易于理解的數據可視化。數據可視化的形式是影響公眾理解數據分析的輸出結果的重要因素。以常用圖表為例，為特定數據集配備不同類型的圖表，觀眾對其的解釋與理解也會不盡相同，因而，選擇最有效的、能夠引導觀眾做出最準確解釋的圖表類型尤其重要。相關研究表明，當觀眾需要量化圖表中顯示的信息時，柱狀圖可以讓他們做得更好。在不同的柱狀圖類型中，包含兩個分布條形柱的直方圖能夠導向最準確的感知。〔19〕建設性可視化就是在這方面的一個嘗試。“目前支持人們創建可視化的方法大多是開發代碼庫、工具包或創建可視化模板，并提供一個可共享所創建的可視化的基礎結構。非計算機專家在設計可視化方面存在很大困難，特別是在選擇數據、制作可視化圖片并解釋可視化方面。建設性可視化則創建一個交互式環境，在其中人們可以從模塊化數據鏈接單元中直接組裝符合其需求的可視化，最終使人們能夠設計和建構自己的可視化，如個人健康等量化自我數據的可視化、社區的犯罪分布可視化等。”〔20〕

　　五、數據素養———促進以人為本的大數據技術發展

　　超越工匠型數據素養。現有關于數據素養的概念和實踐多側重于其技術性內涵，尤其是對具體領域技術使用者所需數據素養的闡述。然而，技術性的數據素養概念可能會僅使我們意識到而不是解決數據驅動社會的各種風險。〔3〕25 - 26因而，需要進一步從數據主體生活經驗的視角明晰和揭示數據素養概念。具體而言，立足數據和算法決策導航的社會，從作為個人數據的創造者、管理者和算法對象的數據主體的生活體驗出發，探究數據主體所需數據素養的內涵及實踐; 如此一來，數據素養就不再以某種具體的知識、技能或熟練操作某個數據技術平臺為主要內容，而是要提升數據主體對數據驅動社會的基本原理和風險的了解。〔13〕38 - 42與此同時，這種理解反過來又會增強人們理解、解釋和使用他們所遇到的數據，甚至是分析他們的個人數據。在此過程中，不僅實現了人與數據的真正交互，而且能夠通過倫理地提前介入而規避數據驅動世界所帶來的各種風險。推薦閱讀：大數據背景下統計學本科教學體系研究

　　參考文獻

　　〔1〕Frank M，Walker J，et al. Data Literacy - What is it and how can we make it happen? [J]. TheJournal of Community Informatics，2016， 12( 3) : 4 - 8.

　　〔2〕Deahl E. Better the data you know: Developing youth data literacy in schools and informal learning environments[EB /OL].[2014 - 06 - 15]( 2018 - 06 - 03) . http: / / ssrn. com /abstract = 2445621.

　　〔3〕Bhargava R，Letouzé E，et al. Beyond data literacy: reinventingcommunity engagement andempowerment in the age of data[R]. New York: Data - Pop Alliance ( Harvard Humanitarian Initiative， MIT Media Lab and Overseas Development Institute ) and Internews，2015.

　　〔4〕Gurstein M. Open data: Empowering the empowered or effective data use for everyone? [J]. First Monday，2011，16( 2) : 2 - 7.

　　〔5〕Haddadi H，Mortier R，et al. Human - data Interaction: The Encyclopedia of Human - Computer Interaction[R]. 2nd Ed. Denmark: The Interaction Design Foundation，2016.

　　〔6〕Mittelstadt B，Allo P，Taddeo M，et al. The Ethics of Algorithms: Mapping the Debate[J]. Social Science Electronic Publishing，2016， 3( 2) : 1 - 21.

　　〔7〕Frank M，Walker J. Some Key Challenges for Data Literacy[J]. The Journal of Community Informatics，2016，12( 3) : 232 - 235.

　　〔8〕Carlson J，Fosmire M，Miller C，et al. Determining Data Information Literacy Needs: A Studyof Students and Research Faculty[J]. Libraries Faculty and Staff Scholarship and Research，2011: 1 - 30.

　　〔9〕Reeves T. Book Review: Data Literacy for Educators: Making it Count in Teacher Preparation and Practice[J]. Mid - Western Educational Researcher，2017，29( 1) : 84 - 88.

　　〔10〕D’Ignazio C，Bhargava R. Approaches to Building Big Data Literacy [C]. Proceedings of the Bloomberg Data for Good Exchange Conference，USA: New York，2015.

　　〔11〕Prado J C，Marzal M . Incorporating Data Literacy into Information Literacy Programs: Core Competencies and Contents[J]. Libri，2013，63( 2) : 123 - 134.

　　〔12〕Wolff A，Gooch D，et al. Creating an understanding of data literacy for a data - driven society[J]. Journal of Community Informatics， 2017，12( 3) : 9 - 26.

　　〔13〕Crusoe D. Data Literacy defined pro populo: To read this article， please provide a little information[J]. The Journal of Community Informatics，2016，12( 3) : 27 - 46.

　　〔14〕Tammaro A M，Ross S，Casarosa V. Research Data Curator: the competencies gap[C]. BOBCATSSS 2014 Proceedings，Spain: University of Barcelona，2014: 95 - 100.

　　〔15〕Lesk M. Curators of the Future[J]. Data Analysis and Knowledge Discovery，2013，29( 3) : 1 - 7.