交匯、挑戰與應對：大數據技術對人類學民族志的影響

[摘要]

大數據技術的快速發展為研究者提供了更廣泛、更豐富的數據資源，其規模性、實時性、多樣性和高度可追溯性也為人類學研究帶來了全新的視角和方法。本文探討了大數據對人類學民族志方法的影響，即大數據技術與民族志在本體論、認識論和方法論上均有交匯，使民族志兼具定性與定量的雙重特質，大數據技術促進了增強型民族志、網絡民族志和線下民族志的發展與創新，拓寬了人類學民族志方法運用的空間。大數據也給傳統民族志方法帶來挑戰，使傳統民族志面臨技術依賴和數據過載的困擾，過度依賴大數據容易導致對數據背后的人文因素的忽視，大數據“關鍵問題”策略挑戰民族志的客觀性與準確性，且大數據難以將人類經驗與主觀感受完全轉換成數據。此外，民族志對大數據技術的運用還面臨倫理和隱私保護的問題，如何避免被研究者信息泄露并保護其知情權也是民族志方法中的重點問題。針對這些問題，筆者認為在民族志中需要關注“厚數據”和“小數據”，注重對數據背后的社會和象征意義的深度解釋，并嚴肅對待倫理問題。

[關鍵詞]

大數據；大數據技術；人類學民族志；網絡民族志；“厚數據”；“小數據”

中圖分類號：C912.4 文獻標識碼：A

文章編號：1674-9391（2024）03-0104-11

基金項目：

國家社科基金項目“農村地區自然資源產權建構與環境治理研究”（17BSH042）、河海大學中央業務費項目“山水林田湖草沙”的生態治理研究（230207032）階段性成果。

作者簡介：胡亮，

河海大學公共管理學院、河海大學環境與社會研究中心副教授，研究方向：生態人類學、農村發展；周鵬，河海大學公共管理學院社會學系研究生，研究方向：城鄉社會學。

隨著大數據技術的迅猛發展，人類社會正在迎來一場前所未有的數字革命，這不僅對社會結構和個體行為產生深刻影響，也對人類學方法提出了新的挑戰。傳統的人類學民族志方法注重深度參與和長期田野調查，而大數據時代的數字化信息具有規模性、實時性、多樣性和高度可追溯性，如何更好地結合傳統方法與數字化工具，更全面地把握當代社會的文化現象，成為人類學乃至社會科學研究亟待解決的問題。[1]有學者指出，人類學民族志方法已經進入到數字時代，大數據技術提供了更好地理解數字時代下人類行為和文化演變的工具。[2]1-4盡管如此，傳統人類學方法面對大規模數據時顯得力不從心，如何在信息過載的時代仍然保持人類學方法對文化的深刻理解，需要從方法論和工具上進行創新。[3][4][5]大數據技術也給人類學民族志方法創新帶來諸如數據過載、技術依賴、個人隱私保護、“數字鴻溝”等問題，同樣也需要人類學家進行反思。[6][7]同時，面對數據捕獲、數據存儲和數據分析、數據搜索、數據共享以及信息安全等諸多新的技術領域，人類學家亟待充實其方法和工具箱。[8]大數據相關的民族志定性研究方法也產生了許多倫理挑戰。例如，社交媒體數據使用的知情權難以保障，數據集匯總時難以避免侵犯隱私等。[9]此外，大數據環境下人類學民族志的認識論轉變也引發了學者的討論。[10]如博依德和克勞福德認為，“大數據在認識論和倫理學的層面上提供了一個深刻的變化。大數據重新定義了關于知識的構成、研究的過程、我們應該如何與信息接觸，以及現實的性質和分類的關鍵問題。”[5]由于人類學家傾向于將定量數據和方法簡化為純粹的批判對象，在大數據環境下人類學家要重新思考大數據對人類學知識的重要意義。[11]國內學者雖然對網絡環境下民族志方法與倫理有所討論，但缺乏與大數據的相關分析，[12][13]因此，本研究將探討大數據及其技術發展對人類學民族志的影響，分析民族志與大數據的融合交匯以及如何應對挑戰，為我國人類學民族志和社會科學方法的發展提供有益啟示。

一、大數據與人類學者立場

（一）什么是大數據

大數據是通過計算系統可索引和搜索的大量電子數據，被理解為“4V”特征：體積（volume）：數據的規模和量級龐大；速度（velocity）：數據可能以極快的速度生成和傳播；多樣性（variety）：包含各類結構化數據（例如數據庫中的表格），還包括半結構化和非結構化數據（例如文本、圖像、音頻等）；準確性（veracity）：大數據來源眾多，確保數據的準確性和可靠性，才能在分析中實現價值。[14]《牛津英語詞典》對大數據給予了一個涵蓋性較廣的定義：“可以通過計算分析來揭示模式、趨勢和關聯的極其龐大的數據集，尤其是與人類行為和互動有關的數據集。”[15]如今，我們能想到的在線行為都會產生數據，幾乎每一個數據點都可以被捕獲、存儲和追溯。

作為了解社會的一種手段，大數據也給社會科學研究方法帶來了許多挑戰。由于傳統的數據處理應用軟件已經難以應對大數據環境，如何分析和處理虛擬網絡、數據捕獲、數據存儲、數據分析、信息搜索、信息共享、數據傳輸、數據可視化、數據查詢、數據更新以及信息隱私等信息環境，需要更多的方法創新。[16]因為總是有新的大數據技術出現，各種新類型數據集層出不窮，舊有的方法也應接不暇。[14]這給社會科學研究方法帶來了機遇也提出了更高的要求。

（二）人類學家對大數據的復雜立場

人類學家對待大數據的態度模糊，有的人類學家認為傳統民族志田野調查仍舊在人類學方法中占據主導地位，將大規模數據收集和分析看作是這種定性研究的必要補充，但是也有相反的觀點，認為傳統田野調查應該服務于新的數據獲得方式。[17]7-11這也導致了民族志與大數據衍生方法的相互關系的問題，如博爾斯托夫（Tom Boellstorff）認為民族志是大數據的他者，大數據在人類學方法中應該有其與民族志的平等地位。[18]大部分人類學家采取綜合起來的立場。例如，科技人類學家王圣捷（Tricia Wang）認為，在人類學調查中，“大數據需要豐富的民族志數據”，因此民族志的操作中應該支持混合方法研究的論點。[7]

從人類學家的立場來看，大數據是人類的數據，它是由人類產生的，而且可以被重構，以識別最初產生數據的人。人類學家認為大數據算法有其局限性和特殊性，認為它是“在特定的專業文化中”使用的專有術語。[19]人類學家也嘗試將“親屬關系”或“禮物交換”等經典概念引入大數據的研究，并提問這些數據背后蘊含何種關系，數據是在何種環境下產生，對相關議題有何種意義等問題。[20]67-86這些學者認為數據有著深刻的社會文化根源，其形成、傾向受到社會文化脈絡的限制，并且可以追溯到數據的產生。

人類學家也同樣認為大數據及其算法也會塑造文化。抖音、快手、微信、Facebook和谷歌（Google）等在線平臺根據搜索查詢對文化群體進行分類，類似的偏好會產生類似的推薦，并導致“算法文化”（Algorithm culture）。在這種文化中，個人根據相似性進行分類，決策機器根據個人所選擇的關鍵事實，形成算法規則。[21]實際的算法系統具有特殊性、不穩定性和延展性，因此，大數據的分析中同樣需要調查技術團隊的社會構成，通過他們定義和發現問題，并確定文化背景下的技術解釋過程。而人類學民族志作為理解人類文化現象的重要方法，一方面受到大數據的影響，另一方面又要嘗試對于算法文化現象進行理解，如何厘清大數據與人類學民族志方法的關系，對于推動人類學方法的創新具有重要意義。

二、大數據與人類學民族志的交匯

大數據是對傳統人類學民族志方法的有益補充。人類學民族志（Ethnography）旨在通過深入的田野調查來理解和描述特定人群或文化的生活方式、行為和社會關系。其核心特征在于研究者通常需要在所研究的地點生活較長時間，進行面對面的觀察和交流，以了解局內人的觀點、感受和解釋，獲取豐富的第一手定性數據，并通過撰寫民族志報告展現被研究文化的整體圖景。[22]41-43從這個意義上而言，通過大數據技術從各種網絡信息平臺所獲得的多樣化、高密度和高反饋性數據集，是對人類學民族志第一手資料的重要補充，彌補了民族志過于強調自然情境與內生視角的缺憾。大數據技術的發展也給民族志方法注入新的活力。很多人類學家認為大數據科學家和人類學家有很多共同點，他們的技能是互補的，民族志觀察可以將大型數據集的計算分析背景化，而計算分析可以用于驗證和推廣民族志的發現。[23]總體上，大數據對民族志的影響或者說兩者的交匯表現在本體論、認識論和方法論上的融合與拓展。

（一）本體論一致：反映“現實”

傳統人類學民族志在本體論上強調反映“現實”，當代民族志之父馬林諾夫斯基拒絕了通過二手數據創造意義的“扶手椅”方法，從本體論的意義上而言，這些研究對象都是可以觀察到，并在此基礎上理解和闡釋社會文化的象征意義。雖然上世紀八九十年代克利福德與馬爾庫斯等人在一定程度上批評傳統民族志注重客觀性和中立性，強調民族志文本的建構性和文學性，但仍舊沒有放棄民族志所研究對象的實在性和本體論立場，對“現實”及其背后的深層意義仍舊是人類學家希望加以解釋的，也是知識的來源。[22]19-22在大數據時代，人類學家關于個人及其信仰和行為的數據已經超出面對面互動所獲的范圍，從信用卡記錄、互聯網使用、網絡社區、電話記錄，甚至云健身習慣都轉換成大數據，成為現實的一部分。面對這些新的現實，人類學家也在努力擴展其本體論認知。[24]9-11

大數據分析包括對過去事件進行持續迭代探索和調查的技能和技術，以洞察已經發生的事情和預測未來可能發生的事情。[25]從這個意義上說，數據科學家開發和使用模型是現實的簡化版本，建立模型的目的是代表現實、預測將來。因此，從本體論意義上而言，大數據科學家與人類學家對于認識“現實”的目標具有一致性。

（二）認識論上的一致：改變知識定義

認識論關注對現實的感知方式以及對知識的建構過程，傳統人類學民族志的知識生產主要來源于參與式的田野觀察，并主張文化和發展模型需要建立在第一手收集的數據之上，通過具體證據的統計文獻，在田野中觀察和記錄社會行為，收集當地人陳述，獲得現實社會的數據，并建構文化現象背后深層的意義的知識。[26]11-14[27]3-37在大數據時代，面對面的交流已經不是知識獲取的唯一來源。數字檔案的開放性和可訪問性使研究者能夠更方便地獲取和利用大量的信息，社交媒體和在線平臺的宏大數據流已經成為研究人員獲取知識的新途徑。[28]1-19物聯網技術的發展使得研究者能夠收集大量的實時數據。例如生態環境數據、人類行為數據等，這些數據改變了知識只來源于研究主體在場直接觀察的觀念。

大數據技術也重新定義了知識的本質和獲取方式。知識不再局限于有限的經驗和理論，而是通過海量數據的分析和共享而獲得新的維度。從海量的數字片段中，我們能夠提取出前所未有的模式、趨勢和關聯。[17]9-15這種數據驅動的方式，使個性化的信息獲取也成為大數據時代知識的一大特征，推動了知識的個性化和多樣化。大數據在如何定義知識方面重新構建了關于現實的本質和分類的問題。[5][29]在數字社會背景下，手機、虛擬社區、APP等行動者軌跡形成大量的知識，同樣具有格爾茨意義上“深層”的意義集的特征，從而導致新的假設或對現有知識理解的更新與修正。

（三）方法論上的融合：相互的增強

在方法論上，傳統民族志方法論注重深入的田野調查，采取整體主義立場和比較研究方法，來揭示人類社會的普遍性和特殊性，因而具有強烈的人文主義特征。大數據分析摻入了量化實證主義的特征，提供了更廣泛、更多樣的數據來源，使研究者能夠獲取更全面的信息。兩者在方法上的融合與促進，使民族志兼具質性與定量的雙重特征，并在多個方面拓展民族志方法的功能：

1.促進增強型民族志的發展

通過大數據技術和計算機科學的應用，對傳統的民族志方法進行增強或改進，大數據技術使民族志方法在各個方面的創新和功能增強，也給予民族志的新的潛力，促進了所謂的增強型民族志的發展。[30]正如許文迪（Wendy Hsu）所指出的，當代民族志很難找到各個階段沒有使用某種形式的數字技術：從研究計劃的制定，田野地點的選擇，到招募參與者，進行數據收集，再到數據分析，乃至于寫作和出版都離不開大數據技術與方法。[31]大數據環境下的各種數據、視頻、圖像、短視頻等蘊含豐富數據的載體也便利了民族志的調查。[32]短視頻APP平臺已經成為獲取信息的流行手段，從城市邊緣群體，擴展到民族國家實踐，都以多樣化的、巨量的數據呈現，推動了民族志在工具上的發展。[33][34][35]

當前，包括數字記錄和存儲、虛擬田野調查、計算機輔助分析、數字地理信息系統、交互式媒體和數字敘事、社交媒體、軟件分析和編輯包等大數據技術已經擴展到傳統的民族志工具包，“數字挖掘”或者“網絡爬蟲”技術也被廣泛使用，定量技術與傳統的定性方法得以綜合起來，以產生日常實踐的整體描述。[36]29-32新技術也給予民族志方法更多可能，正如懷特海德所指出的那樣，民族志既不是定性的，也不是定量的，而是一種鼓勵更多可能的方法，這些方法可以用來產生對文化過程和實踐的整體理解。[37]

在兩者結合的研究中，布杰里-尼爾森（Bjerre-Nielsen A）對470名大學生的智能手機使用情況進行了2年的持續監測，以評估課堂上智能手機使用與學習成績之間的關系，大數據監測結合2年的在場觀察，擴展了民族志維度和深度。[38]此外，民族志研究者可以提供這種特定任務的數據，從而增強預測的目的。[5]

2.促進在線民族志的發展

Ｂｏｅｌｌｓｔｏｒｆｆ（２０１５）指出Internet的出現，產生了在線虛擬社區，并成為現代人的“第二自我”。[39]31-32網絡和虛擬社區自出現以來就吸引了較多人類學家和社會學家的關注。“在線民族志”（Online Ethnography）“虛擬民族志”（Virtual Ethnography）“互聯網民族志”（Internet Ethnography）“數字民族志”（Digital Ethnography）都成為了該領域相關的重疊術語。[40][41]大數據在推動“在線民族志”研究方面發揮了關鍵作用，大數據技術使研究者能夠廣泛而深入地收集在線社交媒體、網絡平臺和數字化社群中的數據，包括用戶生成的內容、交互模式、信息傳播路徑等；同時，大數據在社會網絡分析中發揮了重要作用，幫助研究者揭示在線社群成員之間的關系、影響力和網絡結構；大數據還可以支持對在線內容進行語言和情感分析，從而深入挖掘參與者的態度、情感和觀點。[16][42]此外，大數據使得在線民族志的研究可以更容易地進行跨文化比較，揭示文化之間的異同。尤其突出的是，大數據技術提供了強大的數據可視化工具，幫助研究者以直觀的方式呈現復雜的在線社群結構、趨勢和關系。[38][43]

在線民族志的研究中，人類學家博爾斯托夫有關“第二自我”（Second Self）的研究在理論和方法上均有突破，他在網絡社區運用民族志的方法，進行長時間觀察并與虛擬角色成員互動，發展了一種他稱之為“虛擬世界”的社會理論。虛擬世界不僅僅是一個游戲平臺，更是一個充滿社會、文化和經濟活動的數字社交空間，他的研究涉及了虛擬婚禮、社交互動、經濟交易等多個方面。通過對網絡社會中居民的行為、語言、社群組織等方面的深入觀察，他提出了“第二自我”這一概念。他發現民族志方法結合數據分析，能夠描繪出第二自我在虛擬社區中展開的各種社會實踐的整體描述。[39]海因也結合大數據的量化技術和參與觀察來對在線市場的留言板和社區論壇進行研究，[28]89-124以分析這些空間如何與經常交換商品的離線網站互動。這表明網絡民族志實踐在方法上呈現出混合形式。[44]

3.推動“線下”生活的民族志研究

這種類型的民族志關注被研究對象的“線下”生活如何受到大數據的影響，“線上”“線下”生活之間具有較強的模糊性，但是又與完全在線虛擬社區為中心的“線上”生活有較大的差異，比如平臺勞動經濟，日常身體監測、智能手機、云健身、網絡攝像頭與生活軌跡研究等等。這種研究更強調普通生活與數字技術的相互影響。這種形式的民族志既可能與屏幕上的生活接觸，也可能與屏幕外的生活接觸，它試圖探索這些模糊界線的社會生活。[29][45]這項研究主要是由人類學家和社會學家共同發展起來的，并被數字人類學和數字社會學界所認可。[46]65-69這一分支感興趣的是日常生活如何在數字時代被生產、表現，以及實現對生活的整體理解。[47]

相關的研究中人類學家瑞特爾（Christian S.Ritter）對一家挪威軟件公司的平臺勞動經濟民族志研究較有代表性，通過人類學家在辦公空間的參與式觀察的基礎上，采用了數字化的方法和計算網絡分析，對軟件人員如何受數字平臺的影響進行分析，展示民族志在研究數字經濟專業群體方面的巨大潛力。我國類似的研究中，陳龍對平臺外賣騎手的研究也具有突破意義。[48][49]網絡攝像頭是大數據的重要來源，米勒等人通過參與觀察和對倫敦網絡攝像頭用戶進行采訪，對倫敦使用網絡攝像頭技術進行研究，認為網絡攝像頭在這些地方的使用是由文化背景決定的，而不僅僅是由網絡攝像頭作為一種技術的能力決定的。[46]65-69總的來說，這些研究更強調線下生活如何受到數字技術的影響，并呈現出日常生活的新樣態，而民族志與大數據技術的結合，無疑對于探討生活的變革具有極強的生命力和創造性。[48]

除了上述三種大數據與民族志方法相互交叉融合外，大數據的時空分析（Spatial-temporal analysis）能力為人類學家提供了更精細的時空視角。通過地理信息系統（GIS）等工具，民族志已經突破了“在地化”“參與式觀察”的傳統方式，在空間上也拓展了馬爾庫斯等人所強調的“多地點”（Multi-sites）民族志。[22]209-237

三、大數據對人類學民族志的挑戰

大數據的崛起為民族志方法帶來了深刻的變革，然而，大數據分析中的技術優勢也易導致民族志研究中的技術依賴和技術崇拜，并忽略數據背后的社會與文化脈絡，[50]產生了倫理和保護隱私的困境。[51]123-126

（一）大數據技術依賴的困境

面臨過度依賴與數據過載困境。在大數據環境下，人類學家身處數字飽和環境，容易造成研究中對技術的過度依賴和過分信任，忽視數據背后的人文因素，使得研究變得冷漠和機械。[52]7-11過度關注數據的多樣性和龐大性，也容易產生對數據質量和真實性審查的缺失；追求大樣本而忽略了數據的精細分析，同樣容易導致結果的偏差和失真。[51]127

大數據技術在民族志研究中產生了數據過載與選擇的困難。隨著大數據的涌入，研究者往往面臨著前所未有的數據過載，大量的數據集和信息可能讓研究者無所適從，導致選擇困難。[53]95-111海量信息（比如智能手機的信息）使研究者難以確定研究的焦點和范圍。[54]在數據過載的情況下，研究者需要更為精準地選擇數據集和恰當的分析方法，也提高了學者運用民族志進行研究的能力要求。

面臨大數據“關鍵問題”策略挑戰民族志的客觀性與準確性困境。“關鍵問題”算法策略作為一種廣泛應用于數據科學領域的方法，旨在通過識別和解決數據集中的核心問題，提高分析的準確性和實用性，以便于從復雜的行為中捕捉突發現象。[55]203-219然而，這一策略對人類學民族志研究所追求的客觀性和準確性構成了嚴峻的考驗。“關鍵問題”策略在尋找數據的關鍵問題時，由于數據的采集受到算法的影響，在確定關鍵問題時偏重一些關鍵詞、句，這種偏倚可能導致對特定群體的忽視，從而影響民族志研究的客觀性。

此外，大數據“關鍵問題”偏向容易產生對情境的忽視，其策略注重數據的數量和統計規律，而忽視了情境對數據解釋的影響。在民族志研究中，社會情境是理解社會現象和個體行為的關鍵因素之一。[56]然而，算法很難捕捉到人與人互動的所有細微差異，從而降低了對民族志研究對象的準確理解。

面臨大數據難以將不能被量化的人類經驗、主觀感受完全轉換成數據困境。盡管數據在我們的生活中扮演著越來越重要的角色，但仍然存在一些人類經驗無法被量化和完全轉換成數據，在捕捉人類經驗方面存在著較大的局限性。[57]人類經驗往往涉及到豐富的非結構化元素，如情感、感知和主觀體驗。這種非結構化的經驗難以被數字化和量化，例如，一首音樂、一種氛圍、一種旅游的體驗往往包含著超越數字的情感和體驗，很難被數據手段捕捉。[58]

很多主觀感受不能完全量化。對美的感知、對愛的體驗或對人生意義的追求等主觀層面的經驗很難通過數據進行準確地度量。[59]大數據在統計和分析客觀行為時表現出色，但對于主觀感受仍需借助其他研究方法。另外，情境與背景的復雜性也難以完全量化。傳統民族志的參與觀察，使人類學家通過主位（Emic）的研究立場，可以細致入微地感知情境與生活脈絡，使人類學經驗可以得到同情的理解。而在大數據環境下，這些人類經驗與社會因素的復雜性常常難以被簡化為可量化的數據。

（二）倫理與隱私問題

在大數據時代，人類學民族志方法面臨著嚴峻的倫理困境。隨著大數據的廣泛應用，如何保護個體隱私成為利用大數據不可避開的倫理問題，尤其個人數據的泄露難以杜絕。[60]個人信息的搜集、存儲和共享變得更加便利，而這往往是在被研究者毫不知情的情況下進行的。這不僅侵犯了個體的隱私，也可能導致個體在社會中的形象和聲譽受損。[61]

另外，大數據的運用涉及到數據的所有權和控制權的問題。在數字時代，數據變得愈發成為權力的象征，而這種權力并不總是在被研究者手中。大規模數據的收集和管理往往由政府機構、平臺公司、跨國組織等大型組織掌控，這引發了關于數據所有權和數據使用權的爭議。[62]被研究者可能失去對自身數據的掌控權（比如銀行數據、健康數據），而研究者在使用這些數據時也面臨如何合理、公正地運用的問題。

倫理困境還涉及到數據的安全性和濫用的問題。隨著大數據的積累，數據泄露、濫用和黑客攻擊的風險也相應增加。這不僅對被研究者個體造成直接的傷害，也可能對整個社會體系產生負面影響。研究者需要在確保數據安全的前提下進行研究，同時要防范數據被不當利用的可能性。[61]

倫理困境還涉及到數據的公正性和偏見。由于大數據的采集往往基于先前的行為和觀察數據，這可能導致對某些群體或個體的過度關注，而對其他群體的忽視。這樣的數據偏見可能會在研究結論中現出來，從而影響對社會現象的客觀理解。[62][63]

除了上述挑戰外，大數據也可能忽視了一些少數群體的聲音。[61]其中，“數字鴻溝”成為一個值得關注的問題，即信息技術的不平等分布可能導致某些社會群體被忽略，比如，難以使用電子產品的老人往往處于信息控制的弱勢地位。[64]另外，大數據研究往往需要跨學科的合作，涉及計算機科學、統計學等領域的知識，研究者不僅需要具備人類學的知識，還需理解數據科學的基本原理，這也給人類學者提出了更高的挑戰。

四、人類學民族志如何迎接挑戰

（一）關注“厚數據”，重視“小數據”

人類學民族志如何應對大數據時代的技術依賴和嚴重的倫理問題？作為人類學家而言，格爾茨所提出的“深描”（Deep Description）概念仍舊有其現實意義。[27]3-37這一理論的核心思想在于人類學家應該對人類行為背后的深層次、復雜性和文化象征意義進行解讀，通過詳細、深刻的描述來捕捉社會行為的各個方面，以更全面地理解人們的真實經驗和情感。在此基礎上，王圣捷提出了“厚數據”（Thick Data）這一概念，她強調在研究中不僅需要大規模的數量化數據（“薄數據”），還需要深入、豐富、質性的數據來獲得更為全面的理解。厚數據不僅包括傳統的數字數據，還包括更具深度和情境感的質性數據，如個人生命歷程、社會互動的細節等。這種方法能夠揭示人們背后的動機、文化背景和情感，為研究提供更為豐富的視角。[7]

“深描”和“厚數據”概念提醒我們在抽象的數字世界使用民族志方法時，不能僅僅沉迷于抽象的數字和統計數據，而是需要注入更多人性化的故事，認識到大數據只是認識人類社會的一種方式，還存在著其他更多的方式去認識人類的各種面向。在數字世界中，人們的行為、選擇和互動被轉化為數據，通過注入人性的故事，可以捕捉到數據無法完全展示的豐富信息。“厚數據”引起情感共鳴有助于打破研究者與被研究者之間的距離，促使更深入、真實的研究成果。當然，在數字化的世界中，文化差異常常被數字化的統計結果所掩蓋，通過講述個體的故事，我們也能夠更好地理解不同文化背景下的行為和觀念，促進不同文化之間的相互理解。

除了關注“厚數據”外，大數據環境下的民族志仍舊需要從較小的“小數據”（Small Data）中學習，小數據針對的往往是個體、一個群體、一個微觀社區產出的數據流，比如傳統社區研究。[65]199-214通過小數據的深入分析和感知主觀的體驗、難以化約成數據的文化面向，可以真正實現對文化符碼的洞察。更大的數據并不總是更好的數據，大數據源于多個來源，難以保證所有數據都是正確而沒有錯誤的，比如網絡社會中大量的虛假信息，當結合多個數據集時，這類問題往往被放大，導致研究的失真。[5]從這個意義上說，小數據更適合進行密集、深入地檢查，以識別模式和現象，這是也是傳統人類學民族志仍舊可以占據主導地位的領域。此外，數據科學家一直改進方法來分析大型數據集以建立識別模式，但如果研究尚未開始，或在數據集中沒有相關信息或者信息不顯著時，如何建立認識模式尤其困難。因此，大數據分析和民族志可以從更小的數據集中學習。[66]3-16

（二）嚴肅對待倫理問題

在處理倫理問題和隱私安全時，首要考慮的是確保參與者的知情同意和隱私保護。研究者應該向參與者詳細解釋研究的目的、使用的數據類型和采集方法，并征得他們的明確同意。這涉及到透明溝通，讓參與者了解他們的個人信息將如何被使用，以及采用何種隱私保護措施。一方面，為了確保數據安全，研究者也要采用先進的技術手段和數據管理實踐，使用加密技術對敏感信息進行保護，確保數據存儲和傳輸的安全性。同時也要建立安全的存儲系統，并限制數據訪問權限，只允許授權人員進行數據處理和分析，定期進行安全審計和監控，及時應對潛在的數據泄漏風險。[60][61]

另一方面，重視研究倫理的教育和培訓也是解決倫理問題的關鍵。研究團隊成員應該接受專業的倫理培訓，了解數據收集和處理過程中可能涉及的倫理挑戰，學會妥善處理這些問題。要加強團隊成員的倫理意識，使其能夠在研究過程中持續關注和應對倫理問題，確保研究過程的公正和透明。同時，還需要建立獨立的倫理審查機構，對研究計劃和數據采集過程進行審查，確保其符合倫理標準和法規。這有助于提供第三方的監督和評IZUjmhd1O1WlVEUDCVIfMQ==估，確保研究在倫理上的合法性和合規性。與此同時，及時回應參與者的反饋和顧慮，建立開放的溝通渠道，為他們提供保護和支持。通過以上綜合手段，我們可以更全面地解決數據民族志的倫理問題和隱私安全，保障參與者的權益和研究的合法性。

五、結論

大數據擴展了人類學民族志研究的本體論、認識論和方法論，并且增強了民族志的技術工具和研究范圍，同時在線上、線下民族志的研究中，綜合了大數據技術和定性研究方法的優勢。在過去的幾年里，數字民族志、虛擬民族志和網絡志、線下民族志在大數據技術的推動下，有了長足的發展。這表明，大數據環境下的民族志研究可以扎根于任何一個學科，被用來回答與他們的學科密切相關的特定問題，而不僅僅限制在人類學的范圍內使用，這也給予民族志方法更大的潛力。

技術革命使得數據能夠以更快的速度、更大規模地被收集。數據化不僅僅提供了新的文化空間，而且深刻地塑造了人類的行為，進一步推動了民族志和大數據之間的交匯。這一發展趨勢要求人類學家在方法論上更具靈活性。因此，人類學民族志在大數據時代的實踐應當注重與技術的互動，與其他學科的合作，以創新性地適應和利用新興的數字研究工具，把握社會文化現象的多樣性和變化。此外，大數據時代對我國人類學民族志研究方法同樣既是一場變革，也是一次機遇。面對中國現實，我們應該整合定性和定量方法，學習使用數字化工具和技術，同時，將傳統的人類學研究方法與大數據分析相結合，通過混合方法研究，充分利用兩種方法的優勢，提供更豐富、全面的研究結果。另外，我們也要謹慎對待技術依賴、數據過載，關注“厚數據”和“小數據”，更好地適應大數據時代的研究需求。

總體而言，人類學民族志方法在大數據時代需要靈活應對，整合傳統方法和現代技術，以更全面、深入地理解和解釋社會文化現象。

參考文獻：

[1]Seaver N. What should an anthropology of algorithms do？[J]. Cultural anthropology， 2018，33（3）：375-385.

[2]Horst，Heather A.， and Daniel Miller，eds.Digital anthropology.Routledge，2020.

[3]Hart T.Online ethnography[J].The international encyclopedia of communication research methods，2017：1-8.

[4]Curran J.Big data or “big ethnographic data”？ Positioning big data within the ethnographic space[C]//Ethnographic praxis in industry conference proceedings，2013（1）：62-73.

[5]Boyd D，Crawford K.Critical questions for big data：Provocations for a cultural， technological， and scholarly phenomenon[J]. Information， communication & society，2012，15（5）：662-679.

[6]Boellstorff T.Making big data， in theory[J].First Monday，2013，18（10）.

[7]Wang T.Big data needs thick data[J].Ethnography matters，2013（13）：1-5.

[8]Charles V，Tavana M，Gherman T.The right to be forgotten-is privacy sold out in the big data age？[J].International Journal of Society Systems Science，2015，7（4）：283-298.

[9]Metcalf J，Crawford K. Where are human subjects in big data research？ The emerging ethics divide[J]. Big Data & Society，2016，3（1）：1-14.

[10]Paoli A D，D’Auria V. Digital ethnography： a systematic literature review[J]. Italian Sociological Review，2021，11（4S）：243-243.

[11]Paff S.Anthropology by data science[J].Annals of Anthropological Practice.2022，46（1）：7-18.

[12]卜玉梅.虛擬民族志：田野，方法與倫理[J].社會學研究，2012（06）：217-246.

[13]卜玉梅.網絡民族志的田野工作析論及反思[J].民族研究，2020（02）：69-85.

[14]Markus M L.New games， new rules， new scoreboards： the potential consequences of big data[J].Journal of Information Technology， 2015，30：58-59.

[15]O.E.Dictionary Editorial Board.“Big data”[EB/OL].（2015-03-11）[2023-10-30].The Oxford English Dictionary . https：//www.oed.com/dictionary/big-data_n/.

[16]Charles V，Gherman T.Achieving competitive advantage through big data.Strategic implications[J].Middle-East Journal of Scientific Research， 2013，16（8）：1069-1074.

[17]Knox，H，and Dawn Nafus，eds Ethnography for a data-saturated world[M]. Manchester University Press，2018.

[18]Boellstorff T.The ability of place： Digital topographies of the virtual human on Ethnographia Island[J].Current Anthropology，2020，61（S21）：S109-S122.

[19]Dourish P.Algorithms and their others： Algorithmic culture in context[J]. Big Data & Society，2016，3（2）.

[20]Maurer W M.Principles of descent and alliance for big data[M].2015.

[21]Striphas T.Algorithmic culture[J].European journal of cultural studies，2015，18（4-5）：395-412.

[22][美]詹姆斯·克利福德，喬治·E.馬庫斯.寫文化：民族志的詩學與政治學[M].高丙中等，譯.北京：商務印書館，2006.

[23]Laaksonen S M，Nelimarkka M，Tuokko M，et al.Big data augmented ethnography：using computational methods and ethnography to explore online interaction during electoral campaigning[J].Journal of Information Technology & Politics，2017（14）：2，110-131.

[24]Rudder C.Dataclysm： Love， sex， race， and identity——What our online lives tell us about our offline selves[M].Crown，2014.

[25]Mustafi J.Natural Language Processing and Machine Learning for Big Data[J].Techniques and Environments for Big Data Analysis： Parallel， Cloud， and Grid Computing， 2016：53-74.

[26]Kuper A.Anthropology and anthropologists： the modern British school[M].Routledge，2014.

[27][美]克利福德·格爾茨.文化的解釋[Ｍ].納日碧力戈，等譯.上海：上海人民出版社，1999.

[28]Hine C.Ethnography for the internet：Embedded，embodied and everyday[M].Routledge，2020.

[29]Lazer D，Pentland A，Adamic L，et al.Computational social science[J].Science，2009，323（5915）：721-723.

[30]Duggan M.Questioning “digital ethnography” in an era of ubiquitous computing[J]. Geography Compass，2017，11（5）：e12313，1-12.

[31]Hsu，W.F.Digital ethnography toward augmented empiricism：A new methodological framework[J].Journal of Digital Humanities，2014，3（1）： 3-1.

[32]Shoumy N J，Ang L M，Seng K P，et al.Multimodal big data affective analytics：A comprehensive survey using text，audio，visual and physiological signals[J].Journal of Network and Computer Applications，2020，149：102447.

[33]武曉偉，張橦.新媒體對社會邊緣群體的組織化與賦權研究——以“女友組”為例[J].中國青年研究，2014（03）：21-25.

[34]Laurier E，Brown B，McGregor M.Mediated pedestrian mobility：Walking and the map app[J].Mobilities，2016（11）：117-1 34.

[35]Spinney，J.Close encounters？Mobile methods，（post）phenomenology and affect[J].Cultural Geographies，2015（22），231-246.

[36]McCrea T P.Sensing the Cloud：A Materialist Spatial Analysis of Data Centers and Critical Conceptualization[M].University of Washington，2021.

[37]Whitehead T L.What is ethnography？Methodological，ontological，and epistemological attributes[EB/OL].[2004-05-27].Ethnographically Informed Community and Cultural Assessment Research Systems（EICCARS）Working paper Series.http：//www.cusag.umd.edu/documents/workingpapers/epiontattrib.

[38]Bjerre-Nielsen A，Andersen A，Minor K，et al.The negative effect of smartphone use on academic performance may be overestimated：Evidence from a 2-year panel study[J].Psychological Science，2020，31（11）：1351-1362.

[39]Boellstorff T.Coming of age in Second Life： An anthropologist explores the virtually human[M].Princeton University Press，2015.

[40]Domínguez D，Beaulieu A， Estalella A，et al.Virtual ethnography[C]//Forum Qualitative Sozialforschung/Forum：Qualitative Social Research，2007，8（3）：3-07.

[41]Haverinen A.Internet ethnography：the past，the present and the future[J].Ethnologia Fennica，2015，42：79-90.

[42]Lohmeier C.The researcher and the never-ending field： Reconsidering big data and digital ethnography[M]//Big data？Qualitative approaches to digital research.Emerald Group Publishing Limited，2014：75-89.

[43]Slingerland E，Atkinson Q D，Ember C R，et al.Coding culture：Challenges and recommendations for comparative cultural databases[J].Evolutionary Human Sciences，2020，2：e29.

[44]Kusuma A，Purbantina A P，Nahdiyah V，et al.A virtual ethnography study：Fandom and social impact in digital era[J].Etnosia：Jurnal Etnografi Indonesia，2020，5（2）：238-251.

[45]Barendregt B.Digital ethnography，or “deep hanging out” in the age of big data[J].Audiovisual and Digital Ethnography，2021：168-190.

[46]Geismar H，Knox H，Digital anthropology[M].London：Routledge，2021.

[47]Pink，Sarah，Horst H，Lewis T，Hjorth L，et al.Digital ethnography：Principles and practice[J].Digital Ethnography，2015：1-21.

[48]Ritter C S.Digital ethnography：Understanding platform labour from within[M]//Methodological Approaches for Workplace Research and Management. Routledge，2023：54-69.

[49]陳龍.“數字控制”下的勞動秩序——外賣騎手的勞動控制研究[J].社會學研究，2020，35（06）：113-135+244.

[50]Beuving J J.Ethnography’s future in the big data era[J]. Information，Communication & Society，2020，23（11）：1625-1639.

[51]Jemielniak D.Thick big data：Doing digital social sciences[M].Oxford University Press，2020.

[52]Markham A.Doing ethnographic research in the digital age[M].Oxford University Press，anticipated 2020.

[53]Antoniou J，Tringides O.Big Data，Analytics，Transparency and Quality of Experience[M]//Effects of Data Overload on User Quality of Experience.Cham：Springer International Publishing，2022.

[54]Bawden D，Robinson L.Information Overload：An Overview[EB/OL].[2020-6-30].City Research Online.https：//doi.org/10.1093/acrefore/9780190228637.013.1360.

[55]Kordon A K.Applying Data Science[M].Cham： Springer International Publishing，2020.

[56]Ananny M，Toward an ethics of algorithms：convening， observation，probability， and timeliness[J].Sci Technol Human Values，2016，41（1）：93-117.

[57]Briard T，Jean C，Aoussat A，et al.Challenges for data-driven design in early physical product design：A scientific and industrial perspective[J].Computers in Industry，2023，145：103814.

[58]Weaver A.Tourism，big data，and a crisis of analysis[J].Annals of Tourism Research，2021，88：103158.

[59]Gardhouse K，Anderson A K.Objective and Subjective Measurements[J].The Cambridge handbook of human affective neuroscience，2013：57.

[60]Mittelstadt B D，Floridi L.The ethics of big data：current and foreseeable issues in biomedical contexts[J].The ethics of biomedical big data，2016：445-480.

[61]Herschel R，Miori V M.Ethics & big data[J].Technology in Society，2017，49：31-36.

[62]Wigan M R.Big Data-Can Virtue Ethics Play a Role？[EB/OL].[2015-12-08].Bepress. https：//works.bepress.com/mwigan/29/.

[63]Streule M.Doing mobile ethnography：Grounded，situated and comparative[J].Urban Studies，2020，57（2）：421-438.

[64]Naudé W，Vinuesa R.Data deprivations，data gaps and digital divides： Lessons from the COVID-19 pandemic[J].Big Data & Society，2021，8（2）.

[65]Latzko-Toth G， Bonneau C， Millette M. Small data， thick data： Thickening strategies for trace-based social media research[M]. The SAGE handbook of social media research methods， 2017.

[66]Bollier D， Firestone C M. The promise and peril of big data[M]. Washington， DC： Aspen Institute， Communications and Society Program， 2010.

收稿日期：2023-12-17 責任編輯：王美英