有理有据的胡说八道：由DB圈的一桩陈年公案看大数据时代的数据科学

忽如一夜春风来，大数据之漫山遍野的开。如今的IT界，言必称大数据云计算，高级一点的还有机器学习人工智能。数据科学正在如火如荼的在IT公司里发展。数据科学家们出身五花八门各行各业。所谓八仙过海各显神通。我本人对于杰出的数据科学家们有着崇高的敬意，并无贬低一切的念头。然而这个方兴未艾的数据科学家满地走的今天，对数据的解读这件事情对普通人到底意味着什么，的确也非常的值得我们去思考。

在Database学术圈里有一段陈年公案，对于我们理解当前的大数据泡泡颇有借鉴之处。Database的两大顶级会议分别是:

• SIGMOD（ACM SIGMOD Conference）
• VLDB (Internaltional Conference on Very Large Data Bases )

在2001年的时候SIGMOD做了一个巨大的改革，将原来single-blinded的会议评审变成了double-blinded. 所谓single-blinded就是评委知道作者是谁但是作者不知道评委是谁。而double-blinded则互相都不认识。常识来说double-blinded会更公平。因为在single-blinded的前提下，假如说王菲作为娱乐圈有名有势的人来参加海选唱因为爱情的，唱破了音，作为评委的蔡明难道敢举起牌子大呼一声你还不如我唱的，给咔嚓了么？除非是评委不想在这个圈子里混了。如果是double-blinded就无所谓了，反正我蔡明也不知道唱歌破音的是王菲天后，据就据了。

2006年初的时候，MIT的Samuel Madden和威斯康辛的David DeWitt给整个Database学术圈发表了他们的“研究”成果。原文在这里:

http://db.csail.mit.edu/madden/doubleblind.pdf

文章的主题思想很简单，SIGMOD实行double-blinded已经很多年了，根据他们对若干年论文发表的数据分析表明double-blinded无助于增加新竞研究人员论文录取的公平性。文章的分析颇有模有样，有图有数据，让人不由得感觉感觉做研究的，果然是不一样。

David DeWitt是database圈子无人不知无人不晓的大山头。Samuel Madden是这个领域的包括DeWitt在内的一圈人里面的新生代的代表。两位的学术水平和高度都是我望尘莫及的。然而在这个拍着脑袋都能想明白的double-blinded明显会比single-blinded对新人更有利的东西，难道人脑的常识不敌于数据的分析了么？可能database这个圈子的前辈们都比较的高风亮节，不太符合人的本性。有谣传说DeWitt的文章在double-blinded被拒了所以不爽才发了此文。我想这肯定是空穴来风莫须有的事情。只是奇了怪了，本着谁得利谁发文的原则，这个得出single-blinded比double-blinded要强的结论的分析，看起来好像是对功成名就的老头子们更有利。

果不其然，新加坡国立大学的Anthony Tung发表了他的研究情况，一样的数据一样的分析，唯一不同的是在整个分析里面把所有用到mean的地方统统都换成了median。原文同样附上，有兴趣的可以好好读读。

http://www.comp.nus.edu.sg/~atung/DB_detail.pdf

这次结论完全翻转过来了。Single-blinded果然是对年轻人大大的公平。这真是非常有意思的事情，对于我这样的不是天天和数据打交道的人来说，我怎么知道mean换成median之后就太子变成狸猫了呢？我想对很多没有太多数学基础的人来说，尤其是做business的，这不就是说数据科学家们想怎么解释，就可以怎么解释么？

Michael Jordan(机器学习的大牛，不是打球的那个)曾经在一次访谈里面表达了他对现在大数据热的担忧。数据大了，什么样的结论都能够从数据里面舀一勺出需要的数据来支持。我们从大数据里面分析学习和得到的，到底是真实的东西，还是先编好了故事再给凑出来的分析呢，对大部分的人来说在这波大数据浪潮里其实是无从得知的。

所以有理有据的胡说八道是一项技能，而在今天的大数据时代，区分到底是实实在在的有用的东西还是有理有据的胡说八道，对普通人来说，尤其的不容易。在这个数据科学大行其道的今天，我想大家保持一颗警惕一些的心并无坏处。