大数据时代的数据价值迷思：新闻媒体的数据真的不如社交媒体？

　　社交媒体平台巨大、更新速度快、内容多样，以致于人们都误以为其承载的数据肯定也是庞大而又有价值的，新闻媒体的数据权威性在社交媒体时代遭受质疑。但是，事实真的如人们所想的那样吗？社交媒体数据的价值真的比新闻媒体还要大吗？其实不然。

　　由于为全球范围内的对话提供了广泛的可能性，社交媒体如今成为“大数据”的代言人。平台巨大的规模、超快的更新速度和多样的内容被视为大数据时代教科书级的范例。

　　但是，当人们对社交媒体的数据价值格外重视，或许也该反向思考——社交媒体上的数据，真的比新闻媒体这样的传统数据更多，更有价值吗？

　　在互联网数据领域深耕超过20年的互联网企业家，及学者Kalev Leetaru，以Twitter为例撰文指出：社交媒体的数据价值可能被人们高估了，而新闻媒体则被低估。

　　本期笔者跟随KalevLeetaru的视角，以严格的数据计算为支撑，破解大数据时代的数据价值迷思。

　　Kalev Leetaru：乔治华盛顿大学（George WashingtonUniversity）网络与国土安全中心高级研究员，曾任谷歌云平台开发专家

　　社交媒体“大”数据，没有想象中那么大

　　在今天，人们把社交平台看作大数据的缩影。

　　但是，值得注意的是：这些平台对外部的透明度不高，意味着它们的印象构建，实际上都是基于这些公司自己向公众披露的数据，和创造的美好概念，比如：“活跃用户”。

　　这些数字一直在变化，概念也在不断演变，但唯一的目的都是反映整个社交媒体生态最美好的一面。

　　人们对社交平台的崇拜之情主要基于一个信念：它们的服务器拥有一个难以想象的大型全球人类行为档案。

　　但是，与过去作为数据来源的传统媒体相比，社交媒体拥有的这个档案真的大得多吗？

　　就最近的事件来看，Facebook在去年开放了一个大型数据集，为学者研究提供材料，其中包括：“1PB（千万亿字节）的数据，储存着全球Facebook用户，点击过的几乎所有公开链接、点击发生在何时、以及点击的用户是什么类型的。”。

　　但在专业人士的分析中指出：该数据集尽管是PB级别，但其在公布时预计仅包含300亿行，大概是每周从3亿帖子中生成200万个数据的增长速度。

　　Facebook与Social Science One建立合作伙伴关系，向其开放PB级别的用户数据，搭建业界与学界的桥梁。

　　对于许多研究人员来说，300亿行听起来像是他们一生都分析不完的海量数据。然而，按照现代标准，300亿条记录是一个相当小的数据集，而PB级数据在大数据时代早已见怪不怪。

　　作为对比，Kalev Leetaru提出：自己的开放数据项目GDELT已经编制了一个数据库，该数据库自2018年3月以来已经从全球新闻媒体主页中收集超过850亿个外链。换句话说，它只用了一半的时间，却是Facebook数据集的2.8倍。

　　由Kalev Leetaru创建的GDELT是有史以来最大，最全面，最清晰的关于人类社会的开放数据库，每日监控世界各地的新闻媒体更新。

　　社交媒体与新闻媒体相比，其数据方面的差距并不一定像人们想象得那么大。

　　之所以产生错误的想象，仅仅是因为历来缺乏将新闻媒体视为大数据工具的习惯。而相比之下，社交媒体从一开始就积极地将自己与大数据挂钩，并在建设上最大限度地与数据分析靠拢。

　　Twitter的“大”数据库，研究价值有限

　　既然社交媒体在数据量上，并没有人们想象得那样无敌，那么，在数据的研究价值层面表现又如何呢？

　　社交媒体巨头Twitter虽然只成立了短短13年，但数千亿条推文赋予它厚度，每天成千上万人发推赋予它速度，而文字、图像和视频的混合则丰富了它的维度。在全球范围内，Twitter都绝对称得上这场大数据革命重要的注脚。

　　大量学者使用Twitter的数据进行研究，而KalevLeetaru指出：在Twitter的海量数据中，有研究价值的部分其实有限。

　　Twitter本身不定期公布推文数量的相关数据。然而，根据先前的研究推断，可以合理地估计：自13年前该平台成立以来，推文数量已累计超过一万亿条。

　　乍一看，一万亿是个非常庞大的数字，但从内容的角度考虑，推文实际上很小。因为毕竟它只是一个最多包含140个字符的文本。

　　这意味着：即使推文总量大，但每条推文传递的信息其实很少。

　　进一步来看，甚至很少有推文是接近140个字符的，每条英语推文平均包含34个字符，而日语推文平均仅包含15个字符。

　　此外，虽然Twitter的原始数据非常大，但其中只有4％是推文文本数据。由于大多数针对Twitter的分析是关注推文的文本，所以对社会分析有用的数据量其实非常小。

　　一万亿条140个字符的推文，也只产生140TB（太字节）的数据。而实际情况是，在2012年，Twitter上的推文平均长度为74B（字节）。

　　这意味着：那万亿个推文的文本转化为数据，只有74TB。

　　而根据2012到2014年的状况推断，可以估计：在这万亿推文中有35％是转推。

　　那么，有价值的数据可能要缩减到48TB。此外，这些文本中还包含着超链接、提到其他用户（@XXX）等内容，这些文字是也缺乏分析价值的。

　　1TB约等于15个64GB的手机存储数据量。

　　社交媒体VS传统媒体，谁掌握着大数据？

　　Twitter VS数字化书籍：十三年的文本超越两个世纪的书籍？

　　2010年的Google Books NGrams中囊括了所有已出版书籍的4％，总计5000亿字，估计大小约为3TB，比Twitter的数据量小24倍。Internet Archive（互联网档案馆）的英语公共领域书籍文本总计约450GB，比Twitter小约85倍。

　　Google Books Ngrams Viewer：开放数据库，可以查询任何一个或几个词在过去500年内在书籍中的出现频率变化趋势。

　　图中为“life，liberty，happiness”三词的结果。

　　Internet Archive是一个非营利性的数字图书馆组织，提供数字数据，如：网站、音乐、动态图像、和数百万书籍的永久性免费存储及获取。

　　但是，Google和InternetArchive的数字化图书馆藏书只包含每本书的一个副本。因此，将它们与转推无数的Twitter相比是不公平的。

　　通过过滤转发可以发现：Twitter的数据量只是Google Books NGrams的16倍，是Internet Archive的公共领域书籍的54倍。

　　按照数据量来看：仅仅发展了13年的Twitter的数据量，已经比今天研究人员可用的两个世纪的数字化书籍更大。

　　但不可忽视的两个因素是：首先，数字化时代改变了出版的逻辑，以前出版一本书的成本太高；而在Twitter时代，个人“出版”的数量仅受限于敲键盘的速度。其次，数字化的书籍只是人类历史上极小的一部分，从本质上讲，这是将Twitter在13年内的文本总数与两个世纪的书籍的4％进行比较。

　　Twitter VS在线新闻：差距只有8倍

　　考虑到社交媒体与传统出版业的较大差别，更有代表性的比较需要找到具有类似特性的媒体。

　　上文中提到：GDELT的新闻数据集在一半的时间内，成为Facebook数据集的三倍。

　　那么，Twitter与新闻间的数据差异又是怎样？

　　从2014年11月至今，GDELT项目监控了大约3TB的新闻文章文本，该数据仅计算文章文本本身。

　　在同一时期，可以根据Twitter的先前趋势估算：其推文总量应该在6000亿左右。

　　假设转发量随时间逐渐增加，那么，估计其中3300亿条不是转推。

　　如果按照每条140个字符计算，那么将达到大约84TB；按照平均每条74个字符计算，就是44TB，但如果不包括转推，这将降至仅24TB。

　　由GDELT检测发现：假设2006年至今发送的数万亿条推文都是140个字符，Twitter的数据量也仅是2014年至今全球在线新闻量的47倍。使用更为现实的平均推文长度来计算，Twitter的数据量是新闻的25倍，移除转发后则只是16倍。

　　值得注意的是：这是跨度13年和4年的比较。

　　如果将两者都放在4年的时间内比较，那么Twitter的数据量只是新闻的15倍，移除转发后就只有8倍了。

　　因此，如果有人可以访问2014年至今完整的Twitter消息，那么在同一时间段内，其文本总量可能只是在线新闻内容总量的8倍左右。

　　从这个角度来看，Twitter是一个很大的平台，但它和全球新闻相比也不是天差地别。这也提醒了人们，每天在世界各地发布了多少新闻。

　　对学术研究而言，新闻比社交媒体更有价值

　　在现实中，只有极少数研究人员可以获得Twitter上所有的推文，最大的学术研究通常是使用Twitter Decahose进行的，其中仅包含每日推文的大约10％。

　　2014年至今，Decahose上的数据仅为新闻的1.5倍。如果排除转发，新闻则会反超成为Decahose的1.2倍。

　　很少有大学有足够的财力支持去订阅Twitter Decahose，因此，绝大多数基于Twitter的学术研究都是通过Twitter的搜索API（应用程式界面）进行的，该API仅提供每日推文的大约1%。在此情况下，新闻实际上是其数据量的6.7倍。如果排除转发，新闻将成为其的12.2倍。

　　Twitter Developer为学者研究提供开放数据

　　因此，就大多数学者所使用的这1％数据而言，Twitter在过去四年中实际上比同一时期的全球在线新闻输出的数据小几倍。而那些有幸与Decahose合作的学者，获取的数据实际上也少于他们能从新闻中得到的内容。

　　更极端地假设：一个人可以获取Twitter上所有的信息，数据量也只是新闻的8倍。过滤掉所有超链接和提到别的用户（@XXX）的内容，该数字将进一步缩小。

　　简而言之，Twitter是一个庞大的数据集，这一点毋庸置疑。但就大多数分析所关注的实际文本内容而言，由于单条推文的字符有限，一万亿条推文实际上并没没有人们想象的那样有价值。

　　在许多方面，与传统的内容平台相比，Twitter更偏向于行为数据。

　　最重要的是：即使在平台信息完全可接触的前提下，Twitter实际上也并不比新闻媒体这样的传统数据集大得多。

　　就大多数研究人员使用的Decahose和API而言，新闻媒体实际上提供了更大量的可分析内容，并且信息出处更明确，稳定性更高，历史背景更清晰。

　　大数据时代，社交媒体巨头在数据领域占优势已经成为共识，甚至塑造了对大数据工作的定义。然而，一万亿条推文可以迅速转化成几十TB的数据，这样快速而巨大的信息流通量中，有研究价值的部分其实很少。

　　而相比社交媒体，传统媒体却是巨大的未开发数据源。Twitter肯定符合大数据的所有定义，但通过仔细观察，结论是传统新闻业并不落后。唯一的不同只是：社交媒体积极突显自己与大数据的关系，而新闻业却未能在数字时代重塑自己。

　　通过社交媒体与书籍、新闻的对比，最重要的启示是：当我们不遗余力地，将社交媒体神话化为大数据的集大成者时，实际上更重要的是：创造性思考如何利用围绕着我们的未开发数据，并将其带入大数据时代？