當(dāng)前大數(shù)據(jù)已經(jīng)在諸多領(lǐng)域得到應(yīng)用，與我們的生活息息相關(guān)。例如，打開(kāi)網(wǎng)絡(luò)我們就會(huì)收到關(guān)于購(gòu)物的推薦廣告，進(jìn)入電子郵箱時(shí)就會(huì)看到系統(tǒng)自動(dòng)識(shí)別的垃圾信件等，這些現(xiàn)象背后均與大數(shù)據(jù)和人工智能密不可分。然而，與之形成對(duì)比的是，在國(guó)際關(guān)系研究領(lǐng)域，大數(shù)據(jù)似乎并未得到普遍應(yīng)用。那么大數(shù)據(jù)在國(guó)際關(guān)系領(lǐng)域應(yīng)用前景究竟如何呢？筆者嘗試就此作一番探究。

　　國(guó)際關(guān)系數(shù)據(jù)存在特殊性

　　大數(shù)據(jù)顧名思義是數(shù)據(jù)量巨大的數(shù)據(jù)，有時(shí)也被稱(chēng)為海量數(shù)據(jù)。隨著互聯(lián)網(wǎng)技術(shù)的應(yīng)用和普及，人類(lèi)社會(huì)中產(chǎn)生了越來(lái)越多的數(shù)據(jù)，例如網(wǎng)絡(luò)發(fā)言、網(wǎng)絡(luò)購(gòu)物、圖片、音頻和視頻等。對(duì)于這些數(shù)據(jù)的挖掘和研究，有助于科研的創(chuàng)新和企業(yè)的發(fā)展。因此，我們可以看到大數(shù)據(jù)以及人工智能算法在我們生活中的諸多方面得到了普遍應(yīng)用。

　　然而與在國(guó)內(nèi)社會(huì)領(lǐng)域得到普遍應(yīng)用的情況不同，國(guó)際關(guān)系研究領(lǐng)域似乎尚未對(duì)大數(shù)據(jù)加以深入探究。可以看到，無(wú)論是理論前沿還是國(guó)際關(guān)系熱點(diǎn)，我們都很難看到大數(shù)據(jù)的應(yīng)用，這與國(guó)際關(guān)系研究的對(duì)象有關(guān)。國(guó)際關(guān)系的研究問(wèn)題往往為高政治領(lǐng)域，例如國(guó)際沖突與戰(zhàn)爭(zhēng)、同盟締結(jié)與破裂等現(xiàn)象，而戰(zhàn)爭(zhēng)與結(jié)盟等現(xiàn)象的發(fā)生次數(shù)是有限的，樣本量往往很難上萬(wàn)，依靠傳統(tǒng)數(shù)據(jù)庫(kù)就足以解決。這導(dǎo)致國(guó)際關(guān)系主流數(shù)據(jù)庫(kù)的數(shù)據(jù)規(guī)模都較小，例如戰(zhàn)爭(zhēng)相關(guān)因素?cái)?shù)據(jù)庫(kù)（COW）、烏普薩拉沖突數(shù)據(jù)庫(kù)（UCDP）、奧斯陸國(guó)際和平研究所的武裝沖突數(shù)據(jù)（ACD）、同盟協(xié)議數(shù)據(jù)庫(kù)（ATOP）等。由于這些主流數(shù)據(jù)庫(kù)都可以免費(fèi)使用，其變量、指標(biāo)和維度均受到國(guó)際關(guān)系專(zhuān)業(yè)人士的認(rèn)可，因此得到了廣泛應(yīng)用。

　　大數(shù)據(jù)在國(guó)際關(guān)系領(lǐng)域的應(yīng)用現(xiàn)狀

　　由于專(zhuān)業(yè)特性，大數(shù)據(jù)在當(dāng)前的國(guó)際關(guān)系研究領(lǐng)域似乎較少有用武之地，然而隨著數(shù)據(jù)挖掘的深入，也有一些國(guó)際關(guān)系研究開(kāi)始將大數(shù)據(jù)作為研究的變量之一。首先，比較具有應(yīng)用前景的有GIS地理信息系統(tǒng)（Geographic Information System）提供的地理分布數(shù)據(jù)有助于學(xué)者對(duì)空間數(shù)據(jù)進(jìn)行建模，使既往研究中長(zhǎng)期被忽視的地理因素得以重回大家的視野。其次，全球夜間燈光數(shù)據(jù)也具有應(yīng)用價(jià)值，該數(shù)據(jù)由美國(guó)國(guó)防氣象衛(wèi)星計(jì)劃（DMSP）的衛(wèi)星觀(guān)測(cè)所得，比較客觀(guān)地反映了各國(guó)/地區(qū)的生產(chǎn)、生活狀況，可以替代GDP成為度量經(jīng)濟(jì)活動(dòng)的可行指標(biāo)之一。再次，谷歌（Google）公司提供的 GDELT全球事件數(shù)據(jù)項(xiàng)目（GDELT Event Database）提供了全球100多種語(yǔ)言的媒體、網(wǎng)頁(yè)上的事件信息，時(shí)間跨度為1979年至今，數(shù)據(jù)量達(dá)億級(jí)，包括國(guó)家、事件類(lèi)型、地理位置等多個(gè)維度。除此以外，學(xué)者們也可以通過(guò)采用網(wǎng)絡(luò)爬蟲(chóng)技術(shù)抓取網(wǎng)絡(luò)上自己感興趣的信息，然后再對(duì)自己挖掘的數(shù)據(jù)進(jìn)行文本分析、自然語(yǔ)言處理和圖像識(shí)別等技術(shù)加工。

　　根據(jù)以上分析，我們可以看到，大數(shù)據(jù)在國(guó)際關(guān)系領(lǐng)域的應(yīng)用存在局限。第一，從研究主體上看，傳統(tǒng)國(guó)際關(guān)系數(shù)據(jù)庫(kù)大部分關(guān)注的主體是國(guó)家，而大數(shù)據(jù)的主體則出現(xiàn)向微觀(guān)個(gè)體轉(zhuǎn)變的趨勢(shì)，例如網(wǎng)絡(luò)發(fā)言或微信等自媒體上的數(shù)據(jù)都是以個(gè)人為主體，因此應(yīng)用大數(shù)據(jù)有助于我們對(duì)于輿論的判斷和選舉的民情進(jìn)行評(píng)估。第二，從時(shí)間上看，大數(shù)據(jù)借助于新技術(shù)而出現(xiàn)，例如網(wǎng)絡(luò)、衛(wèi)星等，因此大數(shù)據(jù)的時(shí)間段往往集中于最近數(shù)十年，這導(dǎo)致對(duì)于一些涉及較長(zhǎng)時(shí)間段的普遍性理論，例如戰(zhàn)爭(zhēng)與和平問(wèn)題，目前的大數(shù)據(jù)似乎難以提供有力的幫助。第三，從數(shù)據(jù)質(zhì)量看，大數(shù)據(jù)的質(zhì)量有待提高，例如應(yīng)用自然語(yǔ)言處理技術(shù)從新聞報(bào)道中獲得的大數(shù)據(jù)，盡管有量大和速度快等優(yōu)點(diǎn)，但是這類(lèi)數(shù)據(jù)受到新聞報(bào)道者偏好的影響很大，有些新聞會(huì)重復(fù)報(bào)道，有些偏遠(yuǎn)地區(qū)的事件則被忽視。例如近年來(lái)民眾似乎對(duì)歐洲“恐襲”印象深刻，然而從發(fā)生次數(shù)看，不論是與2010年以前的歐洲“恐襲”次數(shù)比較，還是與其他地區(qū)“恐襲”頻率比較，近年的次數(shù)并不多。顯然這一現(xiàn)象與全球媒體對(duì)歐洲的密切關(guān)注有關(guān)。因此，研究人員要對(duì)挖掘出來(lái)的大數(shù)據(jù)進(jìn)行清洗，排除重復(fù)報(bào)道、錯(cuò)誤報(bào)道、有傾向性的報(bào)道等因素的影響。第四，大數(shù)據(jù)不一定包括總體，在統(tǒng)計(jì)中，隨機(jī)抽樣技術(shù)是為了盡量使樣本能夠體現(xiàn)出總體的特征，然而不能因?yàn)閿?shù)據(jù)量的巨大就判定大數(shù)據(jù)能代表總體。例如，在考慮民情輿論時(shí)，根據(jù)網(wǎng)絡(luò)發(fā)言大數(shù)據(jù)得到的初步判斷可能是有偏差的，因?yàn)榫W(wǎng)絡(luò)言論只能表明那些樂(lè)于在網(wǎng)上表達(dá)意見(jiàn)的人群的立場(chǎng)，而沒(méi)有考慮到不愛(ài)上網(wǎng)的人群和上網(wǎng)不愛(ài)發(fā)言的人群的立場(chǎng)。

　　算法應(yīng)用提高預(yù)測(cè)準(zhǔn)確率

　　在李世石與AlphaGo的人機(jī)大戰(zhàn)中，機(jī)器學(xué)習(xí)、深度學(xué)習(xí)算法對(duì)AlphaGo的獲勝起了重要作用，這些算法同樣對(duì)于國(guó)際關(guān)系預(yù)測(cè)具有重大幫助。在傳統(tǒng)回歸方法中，統(tǒng)計(jì)模型的假設(shè)檢驗(yàn)需要對(duì)樣本數(shù)據(jù)的分布做出假定，例如正態(tài)分布、卡方分布和Ｆ分布等，從而進(jìn)行進(jìn)一步計(jì)算。這一方法的缺陷是，如果樣本數(shù)據(jù)的分布不符合假定，則結(jié)論不一定成立。大數(shù)據(jù)中常用的機(jī)器學(xué)習(xí)算法主要采用交叉驗(yàn)證，將數(shù)據(jù)分為訓(xùn)練集和測(cè)試集兩類(lèi)，先用訓(xùn)練集建模，然后用測(cè)試集加以檢驗(yàn)，可以規(guī)避傳統(tǒng)回歸中對(duì)分布假定帶來(lái)的不足。目前國(guó)際關(guān)系學(xué)界也應(yīng)用了一些算法進(jìn)行預(yù)測(cè)，例如樸素貝葉斯模型、Logistic模型、隱馬爾可夫模型、神經(jīng)網(wǎng)絡(luò)等，取得了較好的預(yù)測(cè)準(zhǔn)確率。

　　然而，機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等算法往往關(guān)注的是變量間的相關(guān)關(guān)系，而較少考慮因果關(guān)系。即使根據(jù)某些算法能夠提高預(yù)測(cè)準(zhǔn)確率，研究人員也很難對(duì)模型中各變量的作用機(jī)制加以解釋。例如神經(jīng)網(wǎng)絡(luò)算法可以根據(jù)輸入的數(shù)據(jù)得出結(jié)果，但沒(méi)法給出被擬合函數(shù)的數(shù)學(xué)表達(dá)式，整個(gè)過(guò)程是黑箱操作。此外，神經(jīng)網(wǎng)絡(luò)結(jié)果對(duì)于參數(shù)十分依賴(lài)，然而調(diào)參沒(méi)有客觀(guān)標(biāo)準(zhǔn)，由研究人員憑經(jīng)驗(yàn)決定。由于以上特點(diǎn)，機(jī)器學(xué)習(xí)、深度學(xué)習(xí)算法往往被用于政策應(yīng)用或者現(xiàn)實(shí)生活，而較難給國(guó)際關(guān)系領(lǐng)域帶來(lái)重大理論突破。

　　在大數(shù)據(jù)時(shí)代，數(shù)據(jù)挖掘技術(shù)使研究人員可以獲得大量過(guò)去難以得到的數(shù)據(jù)，這對(duì)國(guó)際關(guān)系學(xué)科的創(chuàng)新具有重大推動(dòng)作用。然而，根據(jù)國(guó)際關(guān)系研究的特點(diǎn)，大數(shù)據(jù)及相關(guān)算法在國(guó)際關(guān)系領(lǐng)域存在應(yīng)用界限，我們一方面要充分利用新技術(shù)帶來(lái)的研究創(chuàng)新空間，另一方面也不必過(guò)度迷信大數(shù)據(jù)，正確認(rèn)識(shí)到大數(shù)據(jù)的優(yōu)勢(shì)與不足，推進(jìn)學(xué)術(shù)創(chuàng)新。

返回列表