CC BY
0Х. С. Сетра
Наука як професш в епоху Великих Даних: фьлософш науки, що стоггь за Великими Даними та майбутня роль людства в наущ*
Автор
*Sstra HS Science as Vocation in the Era of Big Data: philosophy of Science behind Big Data and humanity's Continued Part in Science // Integr Psych Behav (2018) 52:508-522. https://doi.org/10.1007/s12124-018-9447-5 . Переклад з англ. В. Медшщв.
Анотац1я . Ми живемо в епоху Великих Даних, i, на думку ll прихильниыв, Велим Даш здатш змшити науку у тому вигляд1, як ми ll знаемо. Робляться заяви про те, що у них немае ш теорй', ш щеологи, е припущення, що результати Великих Даних заслуговують на дов1ру, тому що вони вважаються вшьними вщ людсько" думки, яка часто вважаеться нерозривно пов'язаною з людською помилкою. Щ два твердження призводять до ще", що Велик Даш е джерелом кращого наукового знання завдяки бшьшш об'ективноси, бшьшш кшькосл даних та кращому анал1зу. У цш статт я анал1зую фшософш науки, що сто'ть за Великими Даними, i стверджую, що твердження про смерть багатьох традицшних наук та вчено" людини дуже перебшьшеш. Фшософ1я науки про Велик Даш означае, що е певш реч1, як Велик Даш роблять дуже добре, i деяы реч1, як вони не можуть зробити. Я стверджую, що люди все ще будуть необхщш для опосередкування та створення теорй, а також для забезпечення лептимносл та цшностей, необхщних для науки як нормативного сощального пщприемства.
Ключов1 слова : наука, Велим Даш, фшософ1я науки, креатившсть, мистецтво, цшность
Цитування : Сетра Х.С. Наука як профес1я в епоху Великих Даних: фшософ1я науки, що сто'ть за Великими Даними та майбутня роль людства в наущ. TeopemuuHi дослiдження у психологи: монографiчна серiя. Том 20. 2024. С. 19-40.
Вступ
Багато хто говорить, що зараз ми живемо в епоху Великих Даних (Boyd and Crawford 2012; Chen et al. 2012; Sivarajah et al. 2016). Велик! дат - це феномен, що обертаеться навколо прагнення накопичувати величезнi обсяги даних та використовувати 1х для розумшия об'екгiв, з яких ми збираемо данi. У поеднаннi з технолопею машинного навчання та штучного штелекту можна стверджувати, що багато знань тепер виробляються автономно за допомогою iнструментiв, створених вченими, а не безпосередньо вченими. У м1ру того, як Велик! Даш набули популярности вони поширилися з областей бiзнесу та комп'ютерних наук у суспiльство загалом i майже всi iншi науки. Чи е вшцем ери Великих Даних те, що Велига Даш сам1 собою стають якоюсь формою пашвно! науки, витiсняючи iншi форми науки i повнiстю змiнюючи роль вченого?
Прихильники Великих Даних часто роблять подвiйнi заяви про те, що вони не мають m теорп, нi щеологп.
Крiм того, кнуе припущення, що результати Великих Даних заслуговують на довiру, осгальки вони вважаються вiльними в1д людського судження, що часто вважаеться нерозривно пов'язаним з людською помилкою. Щ два твердження призводять до ще!, що Велик! Данi е джерелом найкращих наукових знань, зокрема щодо об'ективность Я стверджую, що Велит Даш краще тддаються деяким формам об'ективносп, особливо механiчним та аперспективним верс1ям, але це доводиться платити (Daston 1992). Я показую, що з погляду фшософп науки Велик Данi мають певну под!6шсть до б1хевюризму, i це означае, що е певш речi, для яких Велига Даш можуть бути використаш, та шш! речi, в яких вони не можуть нам допомогти. Тому мш головний аргумент полягае в тому, що люди все ще вщграватимуть певну роль у наущ, як у опосередкуваннi та створенш теорп, так i у забезпеченш легiтимностi та цiнностей, необхщних науцi як нормативному соцiальному тдприемству.
Поява Великих Даних i фшософ1я науки, що стоИть за ними
Велига даш - це термш, який може просто в;цноситися до великих обсяпв даних, i в цьому випадку
в!н не буде особливо корисним. Люди збирали даш протягом тривалого часу i ставали все бшьш
досвщченими у збиранш все бшьших i бшьших обсяпв (Marr 2015). Я волш використовувати цей термiн для опису сьогодшшнього використання терм1на, який, згщно з Короткою iсторiею Великих Даних Марра (2015), розпочався з! статт Андерсона (2008), яка була процитована на початку ц!е! статть Однак е важлив! под!бносп м!ж зростанням Великих Даних та попередшми гальгасними досягненнями у наущ, i вони будуть прокоментоваш там, де це доречно. Я покладаюся на визначення усталених Великих Даних Лшш (2001), яке складаеться з обсягу , швидкостi i pi3H0MaHimH0cmi (Laney 2001). Обсяг вщноситься до величезних масив!в з!браних даних, швидк1сть -швидкосп генераци та анатзу даних, а р!зномаштнкть - до «структурно! неоднородность» даних (Gandomi and Haider 2014, p. 137). Велик! дан! стали м!ждисциплшарним явищем, i т обсяги даних, як! ми маемо зараз, означають, що кнують нов! вимоги як до
анатзу даних, так i до !х обробки (Bello-Orgaz et al. 2016, p. 45; Boyd and Crawford 2012, p. 662).
Щоб визначити, яку роль Велик! Дан! можуть або не можуть грати в наущ, необхщно вивчити фшософш науки, що лежить в !х основ!. Як1 припущення робляться при використанш Великих Даних - неявно та явно? Кр!м того, як! наслщки щ припущення мають для можливост створення знань з використанням Великих Даних? Спочатку я розгляну деяк1 твердження про нейтральнкть теорп та зосередження уваги на поведшщ. Пойм я коротко розгляну можливост комп'ютера як вченого, а пойм зроблю галька критичних зауважень щодо нейтральносй, щеологл та дослщницьких програм Великих Даних. Цей роздш завершуеться коротким викладом фшософп Великих Даних.
Пост-теор!я та б!хевюризм
Brooks (2013) стверджуе, що "теор!я Великих Даних не повинна мати жодно! теори, принайми!, про людську природу. Ви просто збираете величезну к1льк1сть шформаци, спостеркаете законом1рносп та оцшюете ймов!рнкть того, як люди дiягимугь у майбутньому» (
Brooks 2013 ) Це твердження мае на уваз!, що Велига Дан! повинш стати свого роду основною наукою, роблячи традицшт дисциплши застаршими, а теоретичну д!яльнкть класично! науки - справою минулого. як1 наш людський розум не в змоз! знайти, роблять так1
дисциплши, так! як фшософш i деяй частини психологи, застаршими. замкть можливостi зiбрати достатню гальккть даних та проанатзувати "х належним чином.
Iдеологiя, що лежить в основi Великих Даних, багато в чому схожа на гадхщ бiхевiористiв у психологи. Вщповщно до цього гадходу, «чорна скринька» свщомого мислення або вважаеться малощкавою, або просто вважаеться недоступною для наукових цiлей i тому йноруеться». Koestler (1967) - цiкавий критик появи бiхевiоризму. Bin охоче визнае, що багато можна пояснити бiхевiоризмом, але очевидно, що е багато речей, яга не можуть бути охоплен цим подходом. Bin згадуе «наукове вщкриття та художню своерщшсть» як одну з таких областей, до чого я повертаюся у роздЫ, де обговорюю роль людського вченого (Koestler 1967, p. 13).
Те, що люди думають , що вони хочуть, i те, що вони думають, що вони схож^ не мае великого штересу. Данi, як1 ми збираемо, дозволяють нам знати людей краще, нж вони сам1 себе знають, то навщо ж турбуватися про суб'ективне сприйняття? Психологiя все ще може залишатися наукою, що пояснюе, що вщбуваеться у свiдомостi людей i як вони сприймають свiт, але для розумшня того, що вони робитимуть, теори мотиваци, переваг i дiй бiльше не пaтрiбнi, коли у нас е Велига Даш. Якщо такий пошук об'ективно" науки про людину та
суспiльство точно вщображае зростання Великих Даних, то наступн слова Берта, зверненi до розквггу бiхевiоризму, мабуть, зберггають свою актуальнкть i сьогоднi: «В результат^ як м1г би сказати цинчний спостерiгач, психологiя, спочатку виторгувавши свою душу, а пойм збожеволiвши, здаеться тепер, коли вона сто'ть перед невчасним к1нцем, втратила всяке усвщомлення» (Burt 1962, p. 229).
Це дещо нагадуе економiчну теорiю виявлених переваг . Тут ми виводимо переваги лише з поведшки. 1ндивщи спостерй'аються, i «морська свинка своею ринковою поведшкою виявляе свiй паттерн переваги -якщо е такий стшкий паттерн» (Samuelson 1948, p. 243). Запитуючи людей, чого вони хочуть, ми втрачаемо час, тому що а) це не потрiбно, оскшьки у нас е дат, щоб передбачити це, i б) тому що люди можуть дшсно не знати себе чи основи сво'х дш у будь-якому випадку. Це нагадуе те, що Sayer (2010, р. 22) назвав ярликами радикального б1хевюризму, чи" «прихильники наполягають на тому, що значення, яга люди надають сво'м дiям та шшим об'ектам, не вiдiграють жодно" ролi у визначеннi того, що вони роблять». Те, як Велик Данi спiввiдносяться з концепцiею свободи та формуванням iдентичностi, також е дуже важливим питанням, але я не розвиватиму його в цш статтi. Для читачiв, якi щкавляться цими темами, я рекомендую прочитати Cohen (2013) та Yeung (2017).
Вчений-комп'ютерник як к
У встут я згадав, деяга розглядають Велик! Данi як комп'ютери, як1 займаюгься наукою без учасп людини. Звичайно, ми створили комп'ютери га шструменти для збору та анатзу даних, але щ iнсгруменги тепер певною м1рою дшть без нашого нагляду. Те, що ми маемо на увазi гад комп'ютерним iнгелекгом, рiзко зм1нилося з перших дшв обчислювально! техники. Програмкти-люди ранiше робили докладнi iнсгрукцп для комп'ютерiв, докладно описуючи можливi ситуацп, як1 можуть виникнути («якщо»-пункти) та повщомляючи комп'ютеру, яка правильна реакцiя («тодЬ^нструкцп). Що нового в машинному навчанш, то це те, що ми замкть того, щоб давати докладш шструкцп про те, як реагувати на цю ситуацию, просто даемо комп'ютерам певнi цiлi та набiр даних. Погiм ми налаштували комп'ютер на роботу наослiп i дозволили йому прос1яти весь матерiал, щоб знайти цiкавi закономiрностi. Для суто аналiтичних цией цiкавi сам1 патерни та кореляци. Кр1м виявлення законом1рностей, ми використовуемо штучний штелект, який впливае на цю шформацш i регулюе рiзнi змiннi, що знаходяться п1д його контролем, щоб найкраще досягти поставлено! мети. Саме цей пщхщ дозволяе комп'ютерам перемагати людей у таких прах, як шахи та Го, прикрасити заголовки та лякати
'ютер, що займаеться наукою
професюнатв та любителiв ходами, яга знаходяться далеко за межами нашого розумшня (СатрЬе11 et а1. 2002; Chouard 2016; Goog1e 2018; Kurzwei1 2015, р. 148).
Теоретично слш, оск1льки людська природа вважаеться непотрiбною i навiгь на завадi хорошiй наук1; аналiгики Великих Даних «не схож1 на романiсгiв, священигав, психолог1в... як1 вигадують штугтивш наративи, щоб пояснити причинно-наслiдковi зв'язки того, чому речi вщбуваються» ( Втоокэ 2013). Нi «апрюрне знання, ш герменевтична чутливкть» не погрiбнi для отримання розум1ння за допомогою Великих Даних, i люди - це не бшьше, н1ж «охоронщ та куратори даних» (Baruh and Popescu 2017, р. 583). Таким чином, це епоха "знання без провидщв", з "iнновацiями без новагорiв, очищеними в1д недбалосгi, упередженосгi та неповноти, як1 супроводжують звичайнi людськ1 зусилля" (Cohen 2013, р. 2921). Коен вказуе на iронiю того факту, що хоча ми так високо цшуемо шновацп, ми водночас «шукаемо спойб для iнновацiй, який повтстю перевершить iндивiдуальну свободу волi» (Cohen 2013, 1922). Chen а1 . (2012) обговорюють рiзнi способи, якими Велик1 Данi впливатимуть на рiзнi галузi, i в наущ та техтщ вони перераховують «науково-техтчт iнновацi!» та «в1дкриття знань» як два додатки Великих Даних, а вплив
застосування Великих Даних залежатиме вщ досягнень науки (Chen et al. 2012, с. 1173). Автори, однак, б1льше зосереджет на тому, як Велик! Дат дозволяють вченим анал1зувати б1льше даних бшьш ефективно, н1ж на Великих Даних, що змшюють науку.
Коли люди стають трохи б1льше, шж «охоронцями та кураторами даних», легко уявити соб1 майбутне, в якому осв1та вчених складаеться з навчання студент1в р1зним дисципл1нам програмування, анал1зу даних та просунуто! статистики. Порада для студент1в, як1 прагнуть бути привабливими, зрозумиа: вчитеся обробляти та анал1зувати дан1, вивчайте «бази даних, машинне навчання, економетрику, статистику, в1зуал1зацш тощо». (Chen et al. 2012, нар. 1165-6). Найустштш1 новачки б1льше не працюють на Enron, Lehman Brothers або AIG; тепер вони працюють на Goole,
Target або Acxiom, переслщуючи Святий Грааль тзнання
Iцеологiя та цослiцницькi программ
ктешгё краще, н1ж вони сам1 себе знають» (Cohen 2013, p. 1923). Захоплення статистикою та ll потенщалом, однак, не нове. У 1897 рощ Олiвер Венделл Холмен-молодший заявив, що «людина майбутнього - це людина статистики» (Cohen 2013, p. 1928). Деяй також вказують на подiбнiсть мiж Великими Даними та попередтми кiлькiснммм рухами у науцi. Одним з них була кшьккна революцiя географи близько 45 рок1в тому, яка призвела до багатьох тих же дискусш, як1 ми ведемо у зв'язку зi зростанням Великих Даних (Barnes 2013). Одним iз центральних моменпв у цих к1льк1сних зрушеннях е те, що коли створення теори перестае бути справою для людей, наша роль обмежуеться створенням систем, що займаються наукою, та приведенням "х у дiю. Я повернуся до очевидного моменту, що вибiр того, де i як використовувати цi системи все ще е дуже людським аспектом Великих Даних.
Згщно з Cohen (2013), кнують три фундаментальн1 проблеми, пов'язан1 з Великими Даними. Насамперед, це той факт, що дослщницьй програми часто прихо-ван1, i «спостер1гач1 почали вказувати на «кризу дов1ри», яка вщбуваеться через недостатне розкриття набор1в даних та метод1в» (Cohen 2013, p. 1924). Це пов'язано 1з зауваженням Gandomi та Haider (2014), що Велик! Даш
минули академ1чний анатз. Бiльшiсть того, що ро-биться з Великими Даними, робиться великими корпо-рацiямм, якi не публжуються в академiчних виданнях, не дотримуються академiчних станцартiв прозоростi та розкриття шформаци. Бiзнес, який застосовуе рiзнi ме-тоди для досягнення власних цiлей, не розкриваючи "х,
звичайно, не е новим явищем. Однак той факт, що Велит Даш стали настшьки потужними i що бшьша ча-стина 1х контролюеться корпорацiями, робить 1х бiльш актуальною проблемою - особливо пов'язаною з питаниями динамжи влади, шдивщуально! свободи та фор-мування самосп (Cohen 2013). Внаслiдок ще! проблеми машинне навчання, засноване на Великих Даних, iнодi зазнае невдачi. Через складнкть аналiзу Великих даних людям важко зрозум1ти результати машинного навчання. Це щлком природно, оскшьки цi комп'ютернi си-стеми у багатьох галузях перевершили людськ1 можли-востi. Ретельне вивчення того, як i чому аналiтика Великих Даних iнодi зазнае невдачi, виходить за меж цк! статтi, але деяк приклади показують важливiсть цк! проблеми. Насамперед Великi Данi «маргшатзували регулятивну схему», «ухиляючись вщ поточного захисту конфщенцшносп за допомогою свое1 ново! методологи» (Crawford and Schultz 2014). Це проблема, стверджують автори, тому що прогнозне ви-користання профЫв Великих Даних сьогодш впливае на життя та можливосп людей багатьма важливими способами, але профЫ можуть бути глибоко проблема-тичними (Crawford and Schultz 2014). Вони можуть бути просто неточними, i в цьому випадку наслiдки можуть
бути рiзними i важко оцiнюються, але вони також можуть бути дискримшацшними в кшькох вiдносинах. Насамперед аналiз, заснований виключно на кторич-них даних, мктитиме багато слщДв iсторичноï дис-кримiнацiйноï практики, як не можуть бути виправленi простим видаленням таких змшних, як стать та етнчна приналежнiсть. Кр!м того, компани можуть активно об-ходити антидискримiнацiйну политику, знаходячи зам1ну для змшних, на яких ïм заборонено засновувати свш ви6!р (Crawford and Schultz 2014, p. 100). Навгть якщо ви приберете гендер з набору даних, кнуе безлiч спосо6!в iдентифiкуБати ж1нок, розглядаючи величезну кшьккть шших зм1нних i доступних даних, i таким чином завуалювати дискримшацшну практику. Hirsch (2014) е ще одним добрим джерелом додатковоï шфор-мацiï про те, як Велик Данi можуть призвести як до нав-мисноï, так i до випадковоï практики дискримiнацiï.
По-друге, у Великих Даних закладена глибинна щео-лопя, оскшьки вона е граничним виразом способу рацiональностi, який прирiвнюе iнформацiю до ктини, а додаткову шформацш - до бiльшоï ктини, i який за-перечуе можливкть того, що обробка шформацп, при-значена просто для виявлення патернiв, може бути систематично наповнена певною щеологкю» (Cohen 2013,
p. 1924). Велик дат не е i не можуть бути нейтраль-ними, i концепцiя прогностично" рацюнальност е фундаментальною для цього феномену. Прогностична рацiональнiсть найчаспше використовуеться в управ-лiнськiй лiтературi та iнодi використовуеться як си-нонiм теорп рацiонального вибору (Flowers et al. 2017). Вщповщно до Sarasvathy (2001), вона включае а) цЫ, б) альтернатмвнi засоби або причини досягнення мети, в) обмеження на кошти i г) критери вибору мтж засобами (Sarasvathy, 2001, p. 249). Проблема, однак, полягае в тому, що щеолопя та цшносй, яш вона шдтримуе, при-хованi, а часто й прикидаються вiдсутнiмм (Cohen 2013, p. 1925). У цьому аргументi е кшька ниток: по-перше, ми маемо справу з тим фактом, що люди будують системи, як1 iнтерпретують Велик Данi, вони беруть участь у налаштуванн цих систем, у тому, де вони застосову-ються, i, нарештi, в штерпретаци того, як вони працюють. Ця людська залученкть iнодi завуальована або удавана прихована, але важко стверджувати, що няка iдеологiя не може бути введена на жоднш (або на вс1х) з цих стадiй. Друга, i життево важлива частина полягае в тому, що думка Андерсона (2008) про те, що «до-статньо даних, цифри говорять самi за себе» - це те, що Барнс (2013, p. 300) називае "детермшзм даних з подвоеною силою". 1дея про те, що дат можна вважати
нейтральними, е точкою зору, яка зазнавала нападок з боку багатьох, але в цьому контексп достатньо стввщ-нести важливу критику ще! позици з боку Sayer (2010). В1н стверджуе, що «теор1я все б1льше визнаеться такою, що впливае на саме спостереження, так що останне вважаеться "обтяженою теоркю"» (Sayer 2010, p. 46). Barnes (2013, p. 300) чудово резюмуе основн1 положения критики Сеером некритичного використання кшьккно! оц1нки та спостереження в тому, що « числа школи не бувають невинними, говорячи сам1 за себе, але завжди приходять в1дзначен1 попередньою теоретизац1ею: вони навантажеш теор1ею» та «виникають т1льки з кон-кретних соц1альних 1нститут1в, мехашзм1в та ор-ган1зац1й, моб1л1зованих владою, пол1тичними порядками денним та корисливими 1нтересами». Знання, засноване виключно на досв1д1 та спостереженн1, «тод1 стае щонайменше неоднозначним» (Sayer 2010, p. 46). Нарешй, ми маемо справу з тим фактом, що Велик! Даш, як чисто описова наука, «спочатку консервативно (Barnes 2013). Як описова наука, Велик Даш повинш припускати, що майбутне буде схоже на минуле або принаймш минул1 тенденци розвиватимуться аналогично в майбутньому. Коли мо! прогнози, рекомен-дацп та розумiния повнктю грутуються на минулих
даних, це неминуче веде до збереження того, що е - статус-кво. Хоча це не так вже й погано саме по соб!, але це мае бути зрозумшо, i деяк! захочуть мати теорп, як! не «просто описують свгг, тобто просто вщповщають да-ним, але змшюють свгт, а разом !з ним i сам! числа» (Barnes 2013, p. 300).
Третя проблема полягае в тому, що Велик! Дан! ве-дуть до сустльства, в якому суб'ективнкть формуеться «для корисливих цшей могутн1х економ!чних суб'екпв» (Cohen 2013, p. 1925). Це дуже важлива проблема, але вона не може бути бшьш докладно розглянута в цьому текст!. Суб'ективнкть сама схильна до вплив!в, i проблема виникае тод!, коли «методи Великих Даних тдда-ють шдиввдв передбачуваним м!ркувань про сво! переваги, а процес модуляци також формуе та виробляе щ переваги» (Cohen 2013, p. 1925). Коротше кажучи: кнуе мало прозоросп та контролю, е щеолопя, що лежить в основ!, яка часто кноруеться, i використовуваш методи
Практичний фшософський та ме
Тепер настав час узагальнити вищевикладене i розташувати Велик! Дан! стосовно деяких центральних понять, що використовуються в наущ та методологи. З погляду фшософп науки Велик! Дан!, безумовно, можна
мають реальш наслщки для окремих людей i суспшь-ства.
Baruh and Popescu (2017) посилаються на Cohen (2013) та ll припущення про те, що «щеолопчний ефект Великих Даних - це заперечення iснувания щеологл та упередженосп» (Baruh and Popescu 2017, p. 583). Boyd and Crawford (2012) написали статтю з 6 викликами для Великих Даних, тод! як два перш! - це те, що Велига Дан! «змшюють визначення знання» i що його «заклики до об'ективност вводять в оману» (Boyd and Crawford 2012, p. 662).
Коли прихильники Великих Даних припускають, що !хнш пiцхiц е нейтральним i хтось подолав традицшш перешкоди для об'ективно! науки, це не може бути сприйнято як щось бшьше, шж вщсутнкть розумшня того, як працюе наука та методолопя. За словами Коена (2013), «заперечення щеологл саме собою е щеолопч-ною позищею» (Cohen 2013, p. 1924).
юпчний виб!р (або необхщшсть)
описати як позитивктську схему. Позитив!зм у пщруч-никах за методами дослщження характеризуется фено-MeHani3M0M, dedyKmuei3M0M, iHdyKmuei3M0M, об'ек-тившстю та наукою як позитивним/описовим , а не
нормативним устремлшням (Bryman 2008, p. 13). Я по-вернуся до питания про шдуктив!зм i зазначу тiльки, що причина, через яку згадуються як дедyкцiя, так i ш-дуки^, полягае в тому, що ми дшсно створюемо теорiï iз зiбраних нами даних, i ми також збираемо данi, що ми робимо, тому що в певною мiрою керуемося теорiями (Bryman 2008, p. 13).
Це суто емпiрично тому, що единим визнаним дже-релом знання е факти, опосередкованi розумом i лопкою. Спостережyванi факти - це даш, якi ми збираемо рiзними способами, тодi як машинне навчання та штучний телект використовуються для забезпечення мiркyвання та лопки, необх1дних для створення знань iз цих даних. З цим пов'язана лопка агрегування Великих Даних, яка пов'язана з описом Коеном цього шдходу як такого, що «прирiвнюе шформащю до iстини i велику iнформацiю до бiльшоï ктини» (Cohen 2013, p. 1924). Для Великих Даних та машинного навчання бшьше ш-формацiï, як змщнюе отриманi теорiï, так i збшьшуе можливостi наших комп'ютерiв за рахунок покращених можливостей навчання. Однак, якщо спостереження об-тяженi теорiею, важко прийняти позицiю, яка вважае ïх основою iстини без необхiдностi опосередкування (Sayer 2010).
Таким чином, теори про кореляци та причинно-наслiдковi зв'язки можуть бути сформованi апостерiорi за допомогою розумних комп'ютерiв, здатних виявляти закономiрностi та аналiзyвати, як змшш пов'язанi i якi змшш викликають зм1ни в iнших. Немае жодноï необ-хiдностi в людськш дiяльностi в цьому процесi, оскшьки ролi, як! вимагають в1д людей, вже були зкраш, коли ми надали машинам знання статистики i те, що кватфжуеться як досвщ у вигляд! наборiв даних, плюс здатнкть вчитися без нашоï допомоги, просто прохо-дячи через щ набори даних. Таким чином, Велик! Дан! -це шдуктивне наукове тдприемство для збирання та руху, щоб знайти законом!рност! та побудувати теорiï про залежност! та причинно-наслщков! зв'язки.
Однак, якщо ми подивимося на науку про Велит Даш, де комп'ютери беруть участь у поясненш резуль-татiв та осмисленш багатьох можливих гiпотез, що висуваються комп'ютерами, то ми побачимо науку, яка нагадуе «тип мiркyвания, який починаеться з вивчення даних i тсля ретельного вивчення цих даних отримуе все можлив! пояснення даних, що спостер^аються, а пойм формуе гшотези для щатвердження або спросту-вання, поки досл1дник не прийде до найбiльш ймов!р-ноï штерпретаци даних, що спостеркаються» (Charmaz
2006, p. 186). Таке визначення абдуктивно1 науки Char-maz (2006), i Kitchin (2014, с. 5) стверджуе, що наука про Велик! Даш е досить прагматичною i вщкритою для «пбридного поеднання абдуктивного, шдуктивного та дедуктивного пщход!в для просування розумшня феномену».
Велик1 Данi, безумовно, кшьккш за своею природою та «щеолопя Великих Даних натуратзуе алгоритм1чний анатз к1льк1сних даних як першорядне вираження ктини» (Baruh and Popescu 2017, p. 583). Прихильники Великих Даних можуть стверджувати, що також можна аналiзувати яккний матерiал, такий як тексти, музика та фотографи за допомогою методу Великих Даних, але це означатиме вщсутнкть розумшня того, як комп'ютери насправдi анатзують матерiал. Так, згаданi форми даних можуть вважатися яккними, якщо вони !нтерпре-туються людським сощологом, який використовуе герменевтику або шш! под!бн методи, але це не те, що ро-бить комп'ютер. Коли комп'ютер отримуе зображення, воно перетворюеться на код - 0 i 1. Це те, що вш анатзуе. Працюючи з повними текстами вш також використовуе яккний метод п1драхунку сл!в, пор!вняння структур тощо. буд., а чи не штерпретативш методи. Кр!м того, як уже згадувалося, бшьшкть даних ко-дуеться людьми i не може вважатися об'ективною або
нейтральною сама по соб! (Sayer 2010). Деяк! можуть за-перечити, що людське шзнання включае розшифровку в0х вражень под!бним чином, i що ми просто в!римо, що сприймаемо щлкний i дшсно яккний матер!ал. Гештальтпсихолопя - щкавий теоретичний напрям у цьому вщношенш, i я припускаю, що люди дшсно сприймають щле як «вщмшне вщ суми його частин» (Rock and Palmer 1990).
Я також стверджував, що велик! дан! здебшьшого по-в'язан з поведшкою як опозици шзнання. Я грунтую свою точку зору на тому факт!, що хоча можна впевнено використовувати Велик! Дан! в опитуваннях, де людей запитують про ïх ощнки або суб'ективний досвщ, мета полягае не в тому, щоб зрозумгти, що вщбуваеться у свщомосп людей, а в тому, щоб зрозумгти, як щ вщповщД перетворюються на поведшку. Ми можемо зрозумгти, що незадоволенкть р!внем обслуговування в мунщипалгтет! пов'язана з бажанням переïхати, але Велик! Дан! не можуть допомогти нам пояснити процес , що результуе цю кореляцш.
Вщсутнкть розумшня процесу не означае, що Велик! Дан! не поеднуються з теор!ями процесу для того, щоб спрямовувати поведшку. Яскравий приклад - це те, як компанп використовують персональш дан! !з сощаль-них мереж та поеднують ïх !з психолопчними теор!ями
мотиваци та дп, щоб впливати на поведшку виборщв тощо. Скандал у Cambridge Analytica 2018 року за участю Facebook - один iз прикладiв ( Greenfield 2018). Цей пщхщ до застосування Великих Даних спираеться на методологiю, що нагадуе теорт вузлiв Sunstein and Thaler (2003).
Все це разом узяте формуе картину, в яку значна ча-стина традицшно! методологи соцiальних наук погано вписуеться, тодi як природничо методолопя, математика, економетрика i т. д. тдходить дуже добре. Об'ек-тмвнiсть, мабуть, е одним iз головних аргументiв на ко-ристь стилю науки, який слщуе тдходу Великих Даних. Ми можемо говорити про онтологiчну , ме-хашчну та аперспективну об'ектившсть, i двi останнi, можливо, особливо цiкавi тут (Daston 1992). Аперспек-тивна об'ектившсть передбачае «усунення iнцмвiду-альних (чи iнодi групових, як у разi нацiональнмх стмлiв чи антропоморфiзму) особливостей», тодi як механiчна об'ектмвнiсть «спрямовано придушення ушверсально" людсько" схмльностi до судження i есте-тизацп» (Daston 1992, p. 599). Коли ми виключаемо лю-дину-вчену з рiвняння, то долаемо i людськ1 схиль-ностi, i людськ1 перспективи, вiрно? Можна було б стверджуватм, що те й шше вбудовано в нашi комп'ю-тери, нашi методи аналiзу й самi данi, але для наших
поточних цiлей ми задовольнимось твердженням, що прмхмльнмкм Великих Даних претендують на досяг-нення високих результатiв у цих шарах об'ективность Я очiкую, що хтось заперечить, що зараз виявляю те, що е феноменом шфантитзму, наповненим варiацiямм i теоретично не дуже добре розвиненими старими i погано вщповщними категорiямм. Це заперечення навряд чи може бути вщкинуто, оскшьки, безперечно, е багато людей, яга використовують Велик Данi способами, що супе-речать тому, що я щойно описав. Почасти це пояснюеться тим, що багато дослщжень, заснованих на Великих Даних, видаються досить прагматичними. Gandomi and Haider (2014) обговорюють цей феномен i той факт, що Велик Данi фiлософськм недостатньо розвиненi. Стрiмке зростання Великих Даних привело дослщнигав до того, що вони «перескочили на книги та iншi електронн носи для негайного та широкого поширення сво"х робiт», зам1сть того, щоб розвивати цей пщхщ у звичайних ака-демiчнмх каналах (Gandomi and Haider 2014, p. 137). Незважаючи на еклектичний фiлософський пщхщ до застосування Великих Даних, я наполягаю на тому, що саме щ фшософсьй передумови е найбшьш характерними для застосування Великих Даних. Докладшше обговорення фшософи великих даних див. у статп Melanie Swan при-свячена цiй тем1 (Swan, 2015).
Роль вченого
Вивчивши фшософш науки про Велига Даш, люд-ство дшшло висновку, що воно все ще вщкрае певну роль у наущ майбутнього. У першш частиш я наводжу деякi аргументи класичних фiлософiв науки, яга разом утворюють враження, що наука е формою мистецтва -щось не просто техшчне, але потребуе як пристрасй, так i гворчосгi. Я усвщомлюю, що якщо зайти занадто далеко, то ця лшш тркувань ризикуе зробити науку чи-
мось мктичним. Таким чином, поставивши це поза до-сяжнктю комп'ютер!в, дехто скаже, що я просто замшив одну проблему ще бшьшою проблемою. Я не стверджую, що наука - це мктичне мистецтво, назавжди недоступне комп'ютерам, але я стверджую, що наука потребуе певних форм творчосп та щасливоï людськоï винахщливосп, як! нин недоступн комп'ютерам. Пойм я викладу деяк! ще щодо об'ективност та нормативност в наущ в останнш частин! роздшу.
Вчений як художник
Для Michael Polanyi наукове в1дкриття "являе нове знання", але супутне йому бачення - це не знання; «воно менше знання, тому що це здогад; але воно бшьше знання, тому що це передбачення речей невщомих i в даний час, можливо, незбагненних »( Polanyi 1962, с. 135). Бшьш того, вш стверджуе, що будь-який «процес дослщження, не керований штелектуальними при-страстями, неминуче пошириться в пустелю трив!аль-ностей» (Polanyi 1962, p. 135).
1нтелектуальш пристраст! займають центральне мкце, оск!льки вони можуть «викликати натяки на кон-
кретн! в!дкриття та пщтримувати ïхне пост!йне праг-нення» (Polanyi 1962, p. 151). Те, що вш називае еври-стичною функц!ею «науковоï пристраст!», у тому, що розумшня науки зливаеться «з! здатнктю ïï в1дкривати; так само, як чутливкть художника зливаеться з його творчими зд!бностями ( Polanyi 1962, с. 151). Вш каже, що е така р!ч, як "творч! вчен!", як! зайнят! "спробами вгадати правильно", i ця робота е творчою як через про-цес в!дкриття нових знань, так i тому, що вона незво-ротно змшюе наш! сусп!льства ( Polanyi 1962, 151). Коли виявляеться щось нове, потр!бш нов! штерпретацшш
структури, оскшьки старi вже не допомагають нам зро-зумтти, що ми тепер знаемо. Наука у Форм! вщкриття, таким чином, е творчою, оскшьки «вона не може бути досягнута старанним виконанням будь-я^ ранiше вiдомоï та певноï процедури» (Polanyi 1962, p. 151).
Карл Поппер у схожому ключ! порiвнюе вченого з художником (Popper 1989). Одна з його головних тез - це дещо незащкавлений (з точки зору застосування) спо0б, яким справжш художники та вчеш займаються своею творчктю - «m Планк, m Ейнштейн, m Резер-форд, m Бор не думали про можливе застосування атом-ноï теорiï» (Popper 1989, 38). Вони "шукають заради по-шуку", а прагнення до науки мае свое коршня в «поетичних та релтйних м!фах» i мае менше спшьного з простим збиранням факпв для того, щоб знайти нов! додатки (Popper 1989, с. 39). Для Поппера метою науки е пошук ктини, а процес, який наводить нас туди, е ми-стецьким (Popper 1989, с. 40). Нще вш не каже, що одна лише шформащя приведе нас туди. Картина, яку малюе Поппер, досить погано узгоджуеться з щеею про те, що машини, що проавають маси даних, можуть замшити людину-вченого. Якщо тшьки ми не надшимо комп'ю-тер даром творчост та цiлеспрямованоï дiï. У цш статп я висловлю припущення, що комп'ютери ще не авто-
номш таким чином. Це, звичайно, тема особливого ш-тересу, i якщо комп'ютери потраплять туди, це, без-умовно, матиме насл1дки для потреб людей у наущ.
«В даний час у молод1жних колах широко поширене уявлення про те, що наука перетворилася на проблему обчислень, виготовлених у лаборатор!ях або статистич-них арх1вах так само, як "на фабрицГ, обчислень, що включають лише холоднокровнкть, а не чиесь "серце i душу"» (Weber 1958, p. 113)
Вебер у свош книз! «Наука як покликання» обгово-рюе рух до обчислення та статистики в деяких дисци-пл!нах i ршуче заявляе, що в чиïйсь свщомосй мають !снувати iдеï, щоб обчислювальш зусилля були ц!нними, i що така штущ!я не може бути нав'язана (Weber 1958, p. 113). Розрахунок та шформац!я власними силами не да-дуть нам далеко просунутися. Ц! iдеï непост!йн! i не пщ-даються дов!льному виробництву, i ми знову опиняемося в досить мктичнш галуз!, де штущ!я та натхиения роблять науку бшьш схожою на мистецтво, н1ж суто техн!чний процес. Вебер стверджуе, що «натх-нення грае в наущ не меншу роль, н1ж у галуз! ми-стецтва», i хоча процеси художник1в та вчених можуть бути дещо шшими, «психолог!чн! процеси не вщр!зня-ються. I те й шше-божевшля (у сенс! Платошвсь^ «манiï») i «натхиения» (Weber, 1958, , p . 113).
Якщо наука - це мистецтво, то, можливо, штучний !нтелект ще цшком здатний повнктю замшити человека-ученого. Зг1дно з Boden, «креативнкть е фундаментальною рисою людського !нтелекту i неминучим викликом для II» (Boden 1998, p. 347). Вона пише, що кнуе три типи творчосп, в яких воно або складаеться з: а) об'еднання в1домих концепцш невщомими способами; б) дослщження пристосування констеляцш кну-ючих структур; або в) перетворення простору, в якому кнують вщом! структури . Хоча багато фшософ!в ствер-джували, що жодна по-справжньому нова щея не вини-кае з людсько! творчосй, нам не сл1д робити висновок, що це означае, що машини мають такий же потенщал для творчосп. Допустимо, що нас щкавить комбшатор-ний споаб творчость Комп'ютер може створити фанта-стичну кшьккть нових можливих констеляцш кнуючих концепцш i феномешв, але реальне завдання шновацш полягае в тому, щоб визначити, як! з них мають потенщал, а як! т. Для вчених з штелектуальними при-страстями, описаними Polanyi , деяк! нов! констеляци видшятимуться та сприйматимуться як дуже щкавь Вчений може навиъ не розутти, чому вш отримуе це в1дчуття, але !нту!тивне розшзнавання цшно! шфор-мацп, отримано! з освгш-науки, важко запрограмувати на комп'ютер!. Boden обговорюе проблему надання
комп'ютеру !нструмент1в, необхщних для правильноï оценки нових щей, як1 вш вигадуе: «Визначити критерiï, як! ми використовуемо у наших оцшках, досить складно. Виправдати чи навгть (причинно) пояснити нашу залеж-нкть вщ цих критерiïв ще складшше. Наприклад, саме те, чому нам щось подобаеться чи не подобаеться, часто мае багато спшьного з мотивацшними та емоц!йними факто-рами-м!ркуваннями, про як! нишшнш майже нчого не говорить» (Boden 1998, p. 347).
Boden (1998) пише, що здатнкть II знаходити нов! ï^ï та переконувати нас у ïх щнност! була б «остаточ-ним виправданням II», але закшчуеться твердженням, що «ми дуже далек! вщ цього» (Boden 1998, p. 355). У шзшшш статп Lake et al. (2017) обговорюють, як нов! системи штучного !нтелекту, що Грунтуються на «гли-боких нейронних мережах», натхненш бюлогкю лю-дини. Незважаючи на досягнутий прогрес, щ системи кардинально вщр!зняються вщ людського !нтелекту, i автори спещально пропонують системи штучного !нтелекту, як! будують причинш модел! свгту, що пщтримують пояснения i розумшня, а не просто виршують проблеми розшзнавання образ!в (Lake et al. 2017). . Одна з проблем, з якою стикаються комп'ю-терш шженери, як ми вже бачили, полягае в тому, що
деяк! «когштивш зд!бност людини залишаються важ-кими для розумшня за допомогою обчислень, включа-ючи творч! зд!бносй, здоровий глузд та м!ркування за-гального призначення» (Lake et al. 2017 , Р. 3). Вони стверджують, що «теор!я вщносност! часто вважаеться вершиною людського штелекту» i «ми все ще далек! вщ розробки систем штучного !нтелекту, здатних виршу-вати так! завдання», хоча автори спод!ваються на де-який прогрес (Lake et al. 2017, 24).
Навиъ якщо ми хочемо надати комп'ютерам мож-ливкть судити (i тим самим, можливо, створювати) справд! натхненш витвори мистецтва, необхщно вису-нути останне заперечення проти вченого-комп'ютер-ника: наука - це сощал-демократичне починання, що
Об'ективиий науковець та
Cohen (2013) висунув деяк! проблемш аспекти Великих Даних. По-перше, методолопчний виб!р, який ми ро-бимо, мае важлив! насл1дки тих вщповщей, як! ми мо-жемо отримати. По-друге, i це, мабуть, найголовшше, жоден пщхщ не е нейтральним. Методи Великих Даних «не можуть сам! виршити, як! питання досл1джувати, не можуть навчити нас, як помктити потоки даних та па-
п!дкоряеться нормативним оц!нкам вщповщних сус-п!льств. Те, що ми щнуемо i бажаемо, зм!нювати-меться з часом i м!ж культурами. Роль науки у сощаль-ному розвитку та у в!дображенн! сустльних ц!нностей важко переоц!нити, i я схильний вважати, що цей аспект науки означае, що мають бути люди, залучен! до наyковоï д!яльносй, щоб вона сприймалася як законна та цшна.
Ми бачили, що Brooks (2013) описував аналггиюв Великих Даних як «не схожих на ромашсйв, свяще-ник!в, психолопв... як! вигадують iнтyïтивнi наративи, щоб пояснити причинно-насл1дков! зв'язки того, чому реч! в1дбуваються» (Brooks 2013). Якщо це так, то аналитики Великих Даних, можливо, роблять щось кр!м науки, про що говорили Polanyi , Popper та Weber ?
i як нормативне прагнення
терни в ширшу концептуальну чи нормативну перспективу, i не можуть сказати нам, чи справедливо i коли можна було б обмежити обробку даних на догоду шшим ц!нностям» (Cohen 2013, p. 1922). Люди все ще беруть участь у створенш, налаштуванн!, оцгнц!, застосуванш та iитерпретацiï результат!в комп'ютерних систем, що ви-користовуються у Великих Даних, що робить заяви про людське старшня вкрай передчасними. Cohen (2013)
стверджуе, що Велик! Дан! школи не зможуть «замшити m кероване людиною моделювання, m попередн ршення про напрямок та обсяг, як! встановлюють суттев! та етичш параметри для конкретних програм до-слiцжения» (Cohen, 2013, p. 1923). Хоча вони не можуть замшити його, вони, безумовно, можуть його виткнити (Cohen 2013, p. 1926). Прогностична ращональнкть може становити загрозу важливим сощальним цшностям, оскшьки вона може «виткнити шш! види мотиватор!в -альтруïзм, емпатш тощо, - як! можуть стимулювати ш-новацiï в р!зних напрямках, i навгть виткнити альтерна-тивн! «види програм для процвиання людини» (Cohen 2013, p. 1926-7). Як ми вже бачили, описовий характер Великих Даних означае, що прогнози та дослщження, що Грунтуються на них, як правило, захищають статус-кво (Barnes 2013, p. 300).
В0 висловлювання Коена повертають нас до моеï точки зору, що наука е одночасно сощальним i демокра-тичним пщприемством. Merton (1973) пише про р!зш способи, якими наука пов'язана з суспшьством, i про те, що вона залежить вщ певних титв соцiальноï структури (Merton 1973, p. 267). Вчет - це «невщ'емний елемент суспшьства» з зобов'язаннями та штересами, що звщси випливають, а наука - це не «самостверджувальне пщприемство, яке було суспшьство, але не належало
йому» (Merton 1973, p. 267-8). У цьому контекст! вш опи-суе етос науки, який мктить «щнносп та норми, як! вва-жаються обов'язковими для людини науки» - норми, проголошеш через «приписи, заборони, переваги та доз-воли» (Merton 1973, p. 268-9). Хоча можна було б ствер-джувати, що цей етос е тех^чним i може бути реатзова-ний в автономних комп'ютерах, Merton стверджуе, що це моральш звичаï, як1 е обов'язковими через те, що вони вважаються «правильними та добрими» (Merton 1973, p. 270 ). Поки я знаю лише небагатьох, хто готовий вважати комп'ютери здатними до морал! в повному розум1нн! цього слова, а не лише до етики як поведшки вiцповiцно до встановлених правил.
Коли я називаю науку демократичним птдприем-ством, мене б!льше хвилюе той аспект науки, який вклю-чае здатнкть впливати на власне суспшьство через нау-кову д!яльнкть або критику такоï дГяльност!. Не стверджую, що наука - це феномен демократичних ре-жим!в, пойм також вказуе Merton (1973, р. 269). Однак я стверджую, що частина того, що надае наущ лептим-ност!, - це демократичш якост!, властив! чотирьом «!н-ституцшним !мперативам» науки Мертона: ун!вер-сатзму, комунГзму, безкорисливост! та орган!зованому скептицизму (Merton 1973, p. 270).
Ще одне зауваження Коена полягае в тому, що Велик! Дан! створюють деяк! проблеми, пов'язаш з етикою до-слщжень. Це вщбуваеться через те, що приватш ко-мерцшт структури вщповщають за зб!р та анатз бiльшоï частини того, що ми розумкмо як Велик! Дан!, i що це «е фактичною приватизацкю дослщжень людського суб'екта без процедурних i етичних гарантш, як1 тра-дицшно були потр!бш» (Cohen 2013, p. 1925).
Висновок
Очевидно, що це велика проблема з тим, як велик дат використовуються сьогодн1, але це не е невщ'емною рисою великих даних. Велик дат 1 лежача в 1х осиов1 фшософ1я, яку я обговорюю в цш статг1, могли б з таким самим устхом дотримуватись звичайиих стандарта до-слщницько! етики, включаючи комушзм, що обгово-рюеться Мертоном (1973, с. 273).
У статп ми побачили, деяк форми науки колошзу-ються Великими Даними. I не безпщставно, коли йдеться про якусь перформативну науку. Я не стверджую, що Великим Даним немае м1сця в науц1, а просто те, що е ще мкце для чогось шшого , кр1м Великих Даних та появи комп'ютера як вченого.
Можуть стверджувати, деяк1 науки, як1 поклада-ються на кльксш методи 1 шдх1д природничих наук, добре п1дходять для науки, засновано! на Великих Даних. Тут вони використовують кльксну оц1нку, якнайбшьше шформаци та передов1 статистичн1 методи, так що все буде краще з комп'ютерами, вони могли б сказати. Бшьше того, остання перешкода на шляху до справжньо! об'ективност1 - людини - може бути зам1нена комп'ютерами. Я показав, що хоча перш1
твердження цшком можуть бути ктинними, ми ще далек! вщ того, щоби прийняти трете.
Кр1м того, якщо ми подивимося на дисциплши, як1 не п1дпорядковуються лопщ агрегування, комп'ютери будуть робити менший внесок. Я пор1вняв науку про Великих Даних 1з б1хевюризмом - нав1ть радикальним б1хев1оризмом - 1 головне полягало в тому, що, хоча цей пщхщ добрий для певних цшей, е реч1, як1 в1н не може зробити. У той час як аналгтики Великих Даних можуть пояснити поведшку та 1нш1 явища, що легко спостерка-ються 1 п1ддаються кодуванню, деяк1 з нас все ще будуть щкавитися внутр1шн1ми процесами, як викликають по-вед1нку. Ми отримуемо це не з даних, а з бшьш м'яких наук, що мають справу з такими явищами, як людська мотиващя, тзнання, фшософ1я та мораль. Це означае,
що нам все ще потр!бш науки, як! не вщповщають щеа-лам Великих Даних та позитив!зму. Коли ми потребуемо штерпретацп замкть статистичного анатзу, люди роблять те, що не можуть зробити комп'ютери. коли дшсно яккш явища мають бути проанатазоваш як цше, комп'ютери мають тти у вщставку. Коли моï думки, а не ди е цшями пояснення, я повинен звернутися до людей, а коли потр!бш процеси та причинн пояснення, мен! потр!бно щось бшьше, н1ж поведшка i факти, що спостеркаеться, - един! реч!, як! приймае комп'ютер.
Вчеш все ще потр!бн! з двох причин. Перша - це той факт, що наука багато в чому схожа на мистецтво, опи-сане Polanyi , Weber та Popper . Поки що комп'ютери можуть виконувати практично во мислим! ди, але творч! здабносп, iнтуïцiя та !нстинкти, защяш у процес ро-зробки теорш i кер!вництва ïх застосуванням, ще пере-бувають поза досяжност! комп'ютера. Якщо ми хочемо уникнути «пустел! банальностей», про яку говорив Polanyi , нам потр!бна штелектуальна пристрасть люд-ських ктот. У нас е вагом! пщстави застосовувати наш! нов! комп'ютерш !нструменти для виршення наукових проблем, але у нас також е дуже вагом! пщстави вщки-дати твердження про те, що теор!я мертва, що наука те-пер нейтральна i що люди бшьше не потребують шших
ролей, кр!м створення та запуску комп'ютерш про-грами.
Друга причина полягае в тому, що питання про те, як, що i чому науков! починання поки що неможлив! без участ людини, особливо якщо ми хочемо зберегти лептимтсть i повагу до демократичних основ науки як частини загального блага суспшьства. Один !з аспекпв цього полягае в тому, що коли деяк! роблять вигляд, шби люди не залучен! до науки про Велик! Дан!, вони просто приховують вплив, який деяк! люди та ор-гашзацп роблять на створення, застосування та штер-претацш систем даних та науки, яка е ïх результатом . Наука, звичайно, не керуеться цившьним контролем чи политикою, але вона, безумовно, розвиваеться у симбюз! !з суспшьством загалом. Наука - це бшьше, нж просто техн!чне вправу. Це також моральне зобов'я-зання, яке вимагае, щоб воно спрямовувалося та кон-тролювалося моральними ктотами. На даний момент це означае, що люди, як i рашше, вщкрають виршальну роль у майбутньому в0х наук.
•HiTepaiypa
Anderson, C. (2008). The end of theory: The data deluge makes the scientific method obsolete. Wired magazine, 16(7), 16-07.
Barnes, T. J. (2013). Big data, little history. Dialogues in Human Geography, 3(3), 297-302.
Baruh, L., & Popescu,M. (2017). Big data analytics and the limits of privacy self-management. New Media &Society, 19(4), 579-596.
Bello-Orgaz, G., Jung, J. J., & Camacho, D. (2016). Social big data: Recent achievements and new challenges. Information Fusion, 28, 45-59.
Boden, M. A. (1998). Creativity and artificial intelligence. Artificial Intelligence, 103(1-2), 347-356.
Boyd, D., & Crawford, K. (2012). Critical questions for big data: Provocations for a cultural, technological, and scholarly phenomenon. Information, Communication & Society, 15(5), 662-679.
Brooks D (2013) What you'll do next. The New York Times. Retrieved from http://www.nytimes.com/2013/04
/16/opinion/brooks-what-youll-do-next.html
Bryman, A. (2008). Social research methods. Oxford: Oxford University Press.
Burt, C. (1962). The concept of consciousness. British Journal of Psychology, 53(3), 229-242.
Campbell, M., Hoane Jr., A. J., & Hsu, F. H. (2002). Deep blue. Artificial Intelligence, 134(1-2), 57-83.
Charmaz, K. (2006). Constructing grounded theory: A practical guide through qualitative analysis. London: Sage.
Chen, H., Chiang, R. H., & Storey, V. C. (2012). Business intelligence and analytics: From big data to big impact. MIS Quarterly, 1165-1188.
Chouard, T. (2016). The go files: AI computer wraps up 4-1 victory against human champion. Nature News. Cohen, J. E. (2013). What privacy is for. Harvard Law Review, 126(7), 1904-1933.
Crawford, K., & Schultz, J. (2014). Big data and due process: Toward a framework to redress predictive privacy harms. BCL Rev, 55, 93.
Daston, L. (1992). Objectivity and the escape from perspective. Social Studies of Science, 22(4), 597-618.
Flowers, S., Meyer, M., & Kuusisto, J. (2017). Capturing the innovation opportunity space: Creating business models with new forms of innovation. Edward Elgar Publishing.
Gandomi, A., & Haider, M. (2014). Beyond the hype: Big data concepts, methods, and analytics. International Journal of Information Management, 35(2), 137-144.
Google. (2018). Solve intelligence. Use it to make the world a better place. Retrieved from https ://deepmind.
com/about/
Greenfield, P. (2018,March 26th). The Cambridge Analytica files: The story so far. The Guardian. Retrieved from https://www.theguardian.com/news/2018/mar/26/the-cambridge-analytica-files-the-story-so-far
Hirsch, D. D. (2014). That's unfair-or is it: Big data, discrimination and the FTC's unfairness authority. Ky. LJ, 103, 345.
Kitchin, R. (2014). Big data, new epistemologies and paradigm shifts. Big Data & Society, 1(1), 2053951714528481.
Koestler, A. (1967). The ghost in the machine. New York: The Macmillan Company.
Kurzweil, R. (2015). Superintelligence and singularity. In S. Schneider (Ed.), Science fiction and philosophy: From time travel to superintelligence (pp. 146-170). Chichester: Wiley-Blackwell.
Lake, B. M., Ullman, T. D., Tenenbaum, J. B., & Gershman, S. J. (2017). Building machines that learn and think like people. Behavioral and Brain Sciences, 40.
Laney, D. (2001). 3D data management: Controlling data volume, velocity and variety. META Group Research Note, 6(70).
Marr, B. (2015). A brief history of big data everyone should read. In World Economic forum blog. Retrieved from https://www.weforum.org/agenda/2015/02/a-brief-history-of-big-data-everyone-should-read/
Merton, R. K. (1973). The sociology of science: Theoretical and empirical investigations. Chicago: University of Chicago press.
Polanyi, M. (1962). Personal knowledge: Towards a post-critical philosophy. London: Routledge.
Popper, K. (1989). Creative self-criticism in science and in art. Diogenes, 37(145), 36-45. Rock, I., & Palmer, S. (1990). The legacy of gestalt psychology. Scientific American, 263(6), 84-91. Samuelson, P. A. (1948). Consumption theory in terms of revealed preference. Economica, 15(60), 243-253. Sarasvathy, S. D. (2001). Causation and effectuation: Toward a theoretical shift from economic inevitability to
entrepreneurial contingency. Academy of Management Review, 26(2), 243-263. Sayer, A. (2010). Method in social science: A realist approach. London: Routledge.
Sivarajah, U., Kamal, M. M., Irani, Z., & Weerakkody, V. (2016). Critical analysis of big data challenges and analytical methods. Journal of Business Research, 70, 263-286. Sunstein, C. R., & Thaler, R. H. (2003). Libertarian paternalism is not an oxymoron. The University of Chicago Law Review, 1159-1202.
Swan, M. (2015, March). Philosophy of big data: Expanding the human-data relation with big data science services.
In Big Data Computing Service and Applications (BigDataService), 2015 IEEE First International Conference on (pp. 468477). IEEE.
Weber, M. (1958). Science as a vocation. Daedalus, 87(1), 111-134.
Yeung, K. (2017). 'Hypernudge': Big data as a mode of regulation by design. Information, Communication & Society, 20(1), 118-136.
