第一章 盲点炸弹
不透明、规模化和毁灭性
第二章 操控与恐吓
弹震症患者的醒悟
第三章 恶意循环
排名模型的焦虑和杀伤性的对立面
第四章 数据经济
掠夺式广告的赢家
第五章 效率权衡与逻辑漏洞
大数据时代的正义
第六章 筛选
颅相学的偏见强化
第七章 反馈
辛普森悖论的噪声
第八章 间接损害
所有数据都是信用数据？
第九章 “一般人”公式
沉溺与歧视
第十章 正面的力量
锁定微目标的出发点
结束语
注释
索引
· · · · · · (收起)
具体描述
數據科學傢凱西•奧尼爾認為，我們應該警惕不斷滲透和深入我們生活的數學模型——它們的存在，很有可能威脅到我們的社會結構。
我們生活在一個依賴“算法”的時代，它對我們生活的影響越來越大，我們去哪裏上學，我是不是應該貸款買車，我們應該花多少錢來買健康保險，這些都不是由人來決定的，而是由大數據模型來決定的。從理論上來說，這一模型應該讓社會更加公平，每一個人的衡量標準都是一樣的，偏見是不存在的。
但是，正如凱西•奧尼爾書裏所揭示的那樣，事實並非如此。我們今天所使用的這些數學模型是不透明的、未經調節的、極富爭議的，有的甚至還是錯誤的。最糟糕的是，數學模型和大數據算法加劇瞭偏見與不公。例如，一個貧睏學生想申請貸款交付學費，但是銀行大數據算法根據他居住地的郵政編碼判斷將錢帶給他存在風險，因此，拒絕給他提供貸款。他因此失去瞭受教育的機會，而這個機會可能幫助他擺脫貧睏。大數據算法做的常常隻是錦上添花的事兒，有時甚至是落井下石。
通過個案追蹤，凱西•奧尼爾揭示瞭大數據是如何影響我們將來的，它不僅影響著個人，也影響著整個社會。這些數據評價著我們的老師、學生，篩選著我們的簡曆，審核著我們的貸款資格，衡量著員工的工作態度，監視著投票者，監控著我們的健康。
凱西•奧尼爾呼籲數據模型的創造者們要對算法負責，政策的製定者及執行者們在使用這一威力極大的“武器”前應該更加慎重。最後，作者指齣，大數據幾乎掌控著我們的生活，我們應該增加對它的瞭解。這本書相當的重要，它讓我們有能力去問一些十分尖銳的問題，幫助我們瞭解事實的真相，提齣需要改變的地方，探索更好的生活。
【編輯推薦】
案例豐富，內容兼具深度與話題性
未來20年，算法和大數據將席捲世界，接管我們的生活、社會和經濟。我們生活中的很多方麵都將落入自動化的數據分析之下。確保算法和大數據的公平性將是一項重大的任務，數據倫理的價值和意義將不斷凸顯齣來。在作者看來，大數據猶如一個黑盒，規模、傷害和隱秘共存，她在書中引用瞭大量發生在美國當下的、基於大數據和算法的、改變個人生活的案例，並對影響這些城市生活經驗的算法做瞭特彆的觀察和研究。作者認為，數據和算法的關係就像槍械和軍火，數據沒有價值觀，是中立的，但來自人類行為的輸入，難免隱含偏嚮，而算法創造的數據又對人類行為産生反作用，從而導緻更多的不公。凱西在書中指齣：算法模型一旦運轉，執法行為就會增多，産生的新數據又會進一步證明加強執法的必要性。形象地說，就是哪裏“前科”越多，哪裏就越受算法“關照”，最終形成一個失真，甚至有害的迴饋環路。這個觀點也正是近來Facebook乾預美國大選，國內很多專傢學者熱議“今日頭條”推送模式的核心所在。
權威作者的深刻洞見
本書作者是哈佛大學的數學博士，研究方嚮是數論和代數幾何，畢業之後在麻省理工學院執教，並在互聯網公司做過很長時間的數據科學傢，如今緻力於教育和媒體行業的數據知識普及工作，因此，這並不是一本傳統意義上唱衰大數據的書，相反，作者希望讓更多的人通過瞭解大數據、瞭解算法，反思模型，以及通過政府和相關機構的閤理監管，不斷改善各類設計評價體係，讓更多的人受益，維護社會的公平與民主。
【英文版獲奬情況】
《紐約時報》（New York Times）年度書籍
《波士頓環球報》年度最佳圖書
《連綫》雜誌年度必讀書目之一
《財富》年度最受歡迎的書之一
《柯剋斯評論》年度最佳作品
芝加哥公共圖書館年度最佳圖書
《自然》網站年度最佳圖書
《麻省理工科技評論》年度最佳科技圖書
用户评价
##讲述算法通过怎样的程序步骤实现影响的部分很有意思
评分这是一本很牵强,有偏见的书. 作者作为数据科学家给我的感觉就是害怕数据.数据本身是没有好坏的,到了人的手里有不同的用法. 书中举的由于模型偏见带来的问题,我感觉作者是在讨好中下阶层的人.或许这些人才是这本书的受众,可以把自己的不行归结到社会上. 整本书也没有给我更多的启发, 我也没有看到作者会为此做出切合实际的行动或者建议. 书名能吓人, 给偏见找一个帮凶(这本书是数据),提出一个可以泛泛而谈的问题,却没有实际建议. 这本书十分糟糕 说实话，模型不是万能的，需要透明化不断调整。这个观点我赞同，但让算法跟公平牵扯在一起讨论就很牵强了。算法是真实的，但公平是不存在的，
评分##Gotta game the model!!!
评分##把算法的缺点放大到极致，影响到教育、理财、就业、社会管理，几乎是生活的各个领域，本质上是效率和公平的问题，个体、阶层、地域的差异很可能会被算法一刀切带过。算法可以解放人类劳动，但并不意味着可以一劳永逸地把决定权交给机器，所以需要及时反馈和改进模型。具有偏见的和陷阱性的替代变量，加上信息使用和算法的不透明则使得算法具有欺骗性，因此适当的自律和监管是有益的。
评分##他们什么都知道，他们什么都想要。
评分##1、按李航《统计学习方法》的第一章，统计学习方法包含了三个要素：模型、策略和算法。个人感觉这本书其实讨论最少的其实就是算法：例如以学生成绩来评价老师的案例，根本错误就出在选取最优模型的策略上，这样算法几乎没有正确的可能。不止这本书的标题翻译问题，算法就是个大筐，什么都能往里装。 2、书本身就是面向大众的科普通俗读物，不过“选民扩音器”（voter megaphone）的案例从今天看这个真的太重要了。 3、我甚至有一丝感觉，好模型和坏模型的界限其实不模糊，不涉及社会的才有可能是好模型，只要是涉及社会的模型都难免有不可预知的外部性。我们所能做的就是公开化和审查监督。
评分##他们什么都知道，他们什么都想要。
评分##1、公平是模糊的，很难量化，关键在于如何界定公平；2、作者提到，“电子评分建模者回答的是，像你这样的一类人过去的行为表现如何。理想情况下，应该问的问题是，你过去的行为表现如何。但是这很难区分；3、作者认为，“数据越多越好是信息时代的指导原则，但是考虑到社会公平，一部分数据理应被排除在外”。 怎么办：1、确保信用评分的公平性；2、确保消费者可以看到数据档案对评分的影响，禁止在信用评分中纳入种族或者性别因素；3、参考欧洲模式：规定收集任何数据都必须经过用户的批准，用户有选择权，禁止将数据用于其他目的；4、对生活有重大影响的模型，包括信用评分系统和各类电子评分系统，都应该对公众公开
评分##科普闲聊的写法，内容和想法好过某些社会学的博论
相关图书
本站所有內容均為互聯網搜索引擎提供的公開搜索信息，本站不存儲任何數據與內容，任何內容與數據均與本站無關，如有需要請聯繫相關搜索引擎包括但不限於百度，google,bing,sogou 等
© 2026 tushu.tinynews.org All Rights Reserved. 求知書站 版权所有