Pułapki myślowe data-driven : krytyka (nie tylko) metodologiczna

• Autorzy: Remigiusz Żulicki

Warianty tytułu

The Mind Traps of Data-driven : (Not Only) Methodological Critique

• Języki publikacji: PL

Abstrakty

Podejście data-driven jest silnym trendem we współczesnym marketingu i innych dziedzinach życia. Z pozycji krytyki metodologicznej autor omawia pułapki myślowe data-driven. Wskazuje, że wbrew pozorom, dane nie mówią same za siebie, dane nie są "dane", tylko zbierane i generowane, więc nieobiektywne. Większa ilość danych nie musi oznaczać większej wartości. Stosowane narzędzia kształtują badaną rzeczywistość. Wiara w dane jest wiarą, niemożliwą do zasadniczo logicznego uzasadnienia. Panuje nie konieczność, ale moda na korzystanie z danych i najnowocześniejszych metod obliczeniowych. Autor wskazuje powiązania założeń epistemologicznych z etycznymi oraz konsekwencjami społecznymi oraz proponuje alternatywy. (abstrakt oryginalny)

EN

The data-driven approach is a strong trend in modern marketing and other areas of life. From the position of methodological criticism, I discuss the data-driven mind traps. I indicate that contrary to popular beliefs: data does not speak for themselves; data is not given, but collected and generated, so biased; a larger amount of data does not necessarily mean a higher value; the tools used shape the examined reality; faith in data is a belief that is impossible to justify logically; there is no imperative but trend for the use of data and the most modern quantitative methods. I point to the links between epistemological and ethical assumptions as well as social consequences. I suggest alternatives. (original abstract)

Słowa kluczowe

PL

Sztuczna inteligencja; Metodologia badań; Big Data

EN

Artificial intelligence; Research methodology; Big Data

• Czasopismo: Marketing i Rynek
• Rocznik: 2019
• Numer: nr 8
• Strony: 3--14

Twórcy

autor

Remigiusz Żulicki

• Uniwersytet Łódzki

Bibliografia

• Alekseichenko, V. (2019a). 10 mitów o sztucznej inteligencji. Pozyskano z http://biznesmysli.pl/10-mitow-o-sztucznej-inteligencji/
• Alekseichenko, V. (2019b). The difference between AI vs ML. Pozyskano z https://www.linkedin.com/feed/update/urn:li:activity:6501030890754314240
• Anderson, C. (2008). The End of Theory: The Data Deluge Makes the Scientific Method Obsolete. Pozyskano z https://www.wired.com/2008/06/pb-theory/
• Arena, M. J., Pentland, A. i Price, D. (2010). Honest Signals - Hard Measures for Social Behavior. Organization Development Journal, 28(3), 11-20. Pozyskano z http://www.questia.com/library/journal/1P3-2127733261/honest-signals-hard-measures-for-social-behavior
• Artun, O., i Levin, D. (2015). Predictive Marketing: Easy Ways Every Marketer Can Use Customer Analytics and Big Data. New York: Wiley.
• Babbie, E. (2003). Badania społeczne w praktyce. Warszawa: Wydawnictwo Naukowe PWN.
• Barton, D. i Court, D. (2013). Three keys to building a data-driven strategy. Pozyskano z https://www.mckinsey.com/business-functions/digital-mckinsey/our-insights/three-keys-to-building-a-data-driven-strategy
• Biecek, P. (2015a). Pogromcy Danych. Przetwarzanie danych w programie R. Interdyscyplinarne Centrum Modelowania Matematycznego i Komputerowego Uniwersytetu Warszawskiego. Pobrano z http://pogromcydanych.icm.edu.pl/
• Biecek, P. (2015b). Pogromcy Danych. Wizualizacja oraz modelowanie danych. Interdyscyplinarne Centrum Modelowania Matematycznego i Komputerowego Uniwersytetu Warszawskiego. Pobrano z http://pogromcydanych.icm.edu.pl/
• Błażewicz, G. (2016). Rewolucja z marketing automation: jak wykorzystać potencjał Big Data. Warszawa: Wydawnictwo Naukowe PWN.
• Bornakke, T., i Due, B. L. (2018). Big-Thick Blending: A method for mixing analytical insights from big and thick data sources. Big Data & Society, 5(1), 1-16. https://doi.org/10.1177/2053951718765026
• Botsman, R. (2017). Big data meets Big Brother as China moves to rate its citizens. Pozyskano z http://www.wired.co.uk/article/chinese-government-social-credit-score-privacy-invasion
• Bowker, G. C. (2005). Memory Practices in the Sciences. Cambridge, Massachussets: MIT Press.
• Boyd, D. i Crawford, K. (2011). Six Provocations for Big Data. SSRN Electronic Journal, 1-17. https://doi.org/10.2139/ssrn.1926431
• Boyd, D. i Crawford, K. (2012). Critical questions for big data: Provocations for a cultural, technological, and scholarly phenomenon. Information Communication and Society, 15(5), 662-679. https://doi.org/10.1080/1369118X.2012.678878
• Breiman, L. (2001). Statistical Modeling: The Two Cultures. Statistical Science, 16(3), 199-231. https://doi.org/10.2307/2676681
• Brynjolfsson, E., Hitt, L. M. i Kim, H. H. (2011). Strength in Numbers: How Does Data-Driven Decisionmaking Affect Firm Performance? SSRN Electronic Journal. https://doi.org/10.2139/ssrn.1819486
• Cain, M. i Finch, J. (1981). Towards a Rehabilitation of Data. W: Practice and Progress: British Sociology 1950-1980. London: George Allen and Unwin.
• Ceri, S. (2018). On the role of statistics in the era of big data: A computer science perspective. Statistics i Probability Letters, 136, 68-72. https://doi.org/10.1016/j.spl.2018.02.019
• Chang, R. M., Kauffman, R. J. i Kwon, Y. (2014). Understanding the paradigm shift to computational social science in the presence of big data. Decision Support Systems, 63, 67-80. https://doi.org/10.1016/J.DSS.2013.08.008
• Chouldechova, A. (2017). Fair Prediction with Disparate Impact: A Study of Bias in Recidivism Prediction Instruments. Big Data, 5(2), 153-163. https://doi.org/10.1089/big.2016.0047
• Chudziak, J., i Zalewska, K. (2018). Trendy, które zmieniają brand marketing. Pozyskano z https://nowymarketing.pl/a/18202,trendy-ktore-zmieniaja-brand-marketing
• Clarke, A. E. (1991). Social Words / Arenas Theory as Organizational Theory. W Social Organization and Social Process. Essays in Honor of Anselm Strauss (s. 119-158). New York: Aldine de Gruyter.
• Clarke, A. E. (2005). Situational Analysis. Grounded Theory After the Postmodern Turn. London: Sage.
• Clarke, A. E., Friese, C. i Washburn, R. S. (2017). Situational Analysis: Grounded Theory After the Interpretive Turn. Los Angeles: Sage.
• Crawford, K., West, S. M. i Whittaker, M. (2019). Discriminating Systems: Gender, Race and Power in AI. New York. Pozyskano z https://ainowinstitute.org/discriminatingsystems.pdf
• CrowdFlower. (2017). 2017 Data Scientist Report. Pozyskano z https://visit.crowdflower.com/rs/416-ZBE-142/images/data-scientist-report-dec.pdf?mkt_tok=eyJpIjoiWXpNek5EQmtNalJsTkdWayIsInQiOiJPb29MV2JJdU81alRhbGh6OUVWcmt2UWpibXJ3cG5pSlFrNUxlVUdwT2hna1VOOU5Gd2tMU3ZEWmhoTVVmVHRXNWFhMFM4eTI1dDJwbWRJczVoTVlnRjFkQjl4ekNmT
• Cukier, K. i Mayer-Schönberger, V. (2014). Big Data. Rewolucja, która zmieni nasze myślenie, pracę i życie. Warszawa: MT Biznes.
• Culkin, J. M. (1967). A Shoolman's Guide to Marshall McLuhan. The Saturday Review, 51-53; 70-72. Pozyskano z https://webspace.royalroads.ca/llefevre/wp-content/uploads/sites/258/2017/08/A-Schoolmans-Guide-to-Marshall-McLuhan-1.pdf
• Czech, M. (2018). 6 najczęstszych błędów podczas implementacji chatbota i jak ich uniknąć. Pozyskano z https://nowymarketing.pl/a/20278,6-najczestszych-bledow-podczas-implementacji-chatbota-i-jak-ich-uniknac
• Dalton, C. M., Taylor, L. i Thatcher, J. (2016). Critical Data Studies: A dialog on data and space. Big Data & Society, 3(1). https://doi.org/10.1177/2053951716648346
• Dasgupta, S. (2018). Machine Learning for Data Science. Pozyskano z https://www.edx.org/course/machine-learning-fundamentals-uc-san-diegox-dse220x
• DataCamp. (2018). DataCamp. The Smartest Way To Learn Data Science Online. Pozyskano z https://www.datacamp.com/
• Davenport, T. H. i Patil, D. J. (2012). Data scientist: The sexiest job of the 21st century. Harvard Business Review. https://doi.org/10.1109/MITP.2016.41
• Dijck van, J. (2014). Datafication, dataism and dataveillance: Big data between scientific paradigm and ideology. Surveillance and Society, 12(2), 197-208. https://doi.org/10.24908/ss.v12i2.4776
• Divan, M. J. (2018). Data-driven decision making. 2017 International Conference on Infocom Technologies and Unmanned Systems: Trends and Future Directions. ICTUS 2017, 50-56. https://doi.org/10.1109/ICTUS.2017.8285973
• Dunson, D. B. (2018). Statistics in the big data era: Failures of the machine. Statistics and Probability Letters, 136, 4-9. https://doi.org/10.1016/j.spl.2018.02.028
• Eagle, N. i Greene, K. (2014). Reality Mining: Using Big Data to Engineer a Better World. Cambridge, London: The MIT Press. Pozyskano z http://www.jstor.org/stable/j.ctt9qf8q3
• Eagle, N. i Pentland, A. (2006). Reality mining: Sensing complex social systems. Journal Personal and Ubiquitous Computing, 10(4), 255-268. https://doi.org/10.1007/s00779-005-0046-3
• Eder, M. (2014). Metody ścisłe w literaturoznawstwie i pułapki pozornego obiektywizmu - przykład stylometrii. Teksty Drugie, (2), 90-105.
• Evans, N. (2016). Five Steps to Better Campaigns in Data-Driven Marketing. Pozyskano z https://www.cmo.com/features/articles/2016/3/25/five-steps-to-better-campaigns-in-datadriven-marketing.html

Identyfikatory

DOI

10.33226/1231-7853.2019.8.1