神话
亲身经历只是“不可靠的”轶事证据。
现实
第一手资料是社会科学中至关重要的原始资料，能够提供数字无法触及的背景信息。它们并非旨在普适，但对于亲历者而言，却是无可辩驳的真实。
社会学数据科学定性研究人权
亲身经历与统计代表性
这种比较探讨了个人生活故事中蕴含的深刻情感与数据中呈现的宏观量化模式之间的关键区别。统计数据虽然能提供社会趋势的概览，但生活经验却能捕捉到数字往往无法呈现的细微差别和情感真相。
亮点
- 亲身经历才能揭示百分比背后隐藏的人力成本。
- 统计数据为证明系统性偏见提供了必要的证据。
- 故事赋予数据以人情味，使其与公众产生共鸣。
- 数据可以防止将个别轶事误认为是普遍真理。
亲身经历是什么？
通过亲身参与事件而获得的个人知识和智慧，而不是通过外部描述获得的。
- 基于叙事和日记等定性数据
- 捕捉到了系统性问题带来的情感冲击。
- 同一群体内不同个体之间的差异显著
- 现象学研究的主要来源
- 突出显示平均值忽略的异常值和特殊案例。
统计表示是什么？
利用数学模型和数据点来描述特定人群的特征和趋势。
- 依赖于定量指标和大样本量
- 识别不同群体之间的相关性和因果关系
- 受误差范围和抽样偏差的影响
- 为政策制定和科学共识奠定基础
- 旨在通过数值聚合实现客观中立
比较表
| 功能 | 亲身经历 | 统计表示 |
|---|---|---|
| 主要关注点 | 个人视角 | 集体模式 |
| 数据类型 | 定性（故事/感受） | 定量（数字/指标） |
| 优势 | 细微差别和同理心 | 可扩展性和趋势预测 |
| 主要弱点 | 轶事和主观 | 非人化和过度概括 |
| 规模 | 微型（唯一） | 宏观（众多） |
| 可靠性 | 高度情绪准确性 | 高预测能力 |
详细对比
深度与广度
亲身经历深入探究某种情境的“原因”和“方式”，揭示调查问卷可能忽略的日常生活细节。相反，统计数据着眼于宏观层面，了解某种现象的普遍程度，从而提供理解大规模社会变迁所需的视角。
同理心与政策
一个家庭在医疗保健方面遭遇困境的故事，往往能以电子表格难以企及的方式触动人们的心灵，促使他们采取行动。然而，政策制定者需要这些电子表格，以确保资源分配到最需要的地方，在人文关怀与务实考量之间取得平衡。
异常值问题
在统计学中，异常值通常被视为噪声，需要为了保证均值而进行平滑处理。而在生活经验领域，这个异常值指的是那些面临独特挑战的人，他们所经历的挑战可能预示着系统中存在着大多数人尚未遇到的缺陷。
主观性和客观性
统计学力求“保持客观”，避免偏袒任何立场，而生活经验则以其主观性为真理的来源。最有效的分析往往发生在数据科学家运用统计学发现问题，并运用故事来理解问题之时。
优点与缺点
亲身经历
优点
- + 高度的情感共鸣
- + 揭示隐藏的细微差别
- + 赋予边缘群体更多话语权
- + 将原始数据置于特定情境中
继续
- − 无法概括
- − 更难衡量
- − 容易产生认知偏差
- − 收集耗时
统计表示
优点
- + 展现全局
- + 能够进行精准预测
- + 极具逻辑说服力
- + 易于比较
继续
- − 抹杀个人身份
- − 易于操控
- − 缺乏情感背景
- − 平均值掩盖了极端值。
常见误解
神话
统计数据完全客观，不会说谎。
现实
数据收集往往受到研究设计者偏见的影响。我们选择测量什么——以及忽略什么——可能会造成统计结果在技术上准确，但在功能上却具有误导性。
神话
你必须二选一。
现实
最严谨的研究采用“混合方法”，将统计学的“内容”与生活经验的“方式”相结合。仅使用一种方法通常会导致对某一主题的理解不完整，甚至可能造成危险。
神话
统计数据中所描述的“普通人”实际上是存在的。
现实
“平均值”是一种数学概念。几乎没有人能完美符合所有统计平均值，因此，生活经验对于弥补“平均值”无法描述现实的空白至关重要。
常见问题解答
为什么生活经验在现代研究中如此重要？
它对纯粹的数据脱离实际起到了至关重要的制衡作用。通过纳入受政策或产品直接影响者的声音，研究人员可以识别出仅凭数字永远无法揭示的意外后果和文化差异。这有助于得出更符合伦理且更有效的成果。
统计数据能否用来抹杀生活经验？
是的，这种情况经常发生，人们会用笼统的平均值来否定个别投诉，这通常被称为“统计煤气灯效应”。例如，说“犯罪率下降了10%”并不能改变刚刚被抢劫的人的现实，用这个统计数据来忽视他们的经历是对数据的滥用。
如何将生活经验转化为可用数据？
研究人员使用一种称为定性编码的方法。他们收集访谈或故事，寻找反复出现的主题、关键词和情感标记。虽然这比数豆子要复杂得多，但它能将个人故事整理成结构化的格式，从而为更广泛的决策提供依据。
对于统计代表性而言，“抽样偏差”意味着什么？
这意味着数据实际上并不能代表它声称代表的群体。如果你只调查拥有智能手机的人，那么你关于“公众”的统计数据就会偏向于某些收入和年龄段，从而有效地抹杀了其他所有人的真实经历。
亲身经历和观点是一回事吗？
不完全是这样。观点是对某事的看法，而亲身经历则是对某人实际经历的记录。“我觉得公交车很慢”是观点；“这周我每天都等了45分钟公交车”是亲身经历。
我该如何在做决定时平衡这两者？
首先从数据入手，了解基线情况和事件规模。然后，寻找那些处于数据极端情况的人们的故事——那些“平均值”无法涵盖的人群。如果数据显示某项改变是好事，但受影响的人却觉得痛苦，那么你就需要调查这种差异。
为什么有些人更相信故事而不是数字？
人类的大脑进化成擅长讲故事，而不是处理电子表格。我们更容易记住并理解一个人的经历，而不是记住一个百分点的变化。这就是为什么慈善机构往往关注一个孩子的故事，而不是数百万条统计数据。
使用统计表示法存在哪些伦理风险？
最大的风险在于“非人化”。当人们被简化为图表上的点时，决策者就更容易忽视某些政策可能造成的人类苦难。这还会导致“算法偏见”，即历史数据会强化未来的歧视。
裁决
当你需要培养同理心、理解复杂的动机或针对个体需求进行设计时，应选择亲身经历。当你需要验证某种趋势、高效分配有限资源或对整个人群进行预测时，则应依赖统计数据。
相关比较
OKR中的领先指标与滞后指标
要驾驭绩效追踪的世界，必须牢牢掌握领先指标和滞后指标。滞后指标确认已经发生的事情，例如总收入；而领先指标则作为预测信号，帮助团队实时调整策略，以实现远大目标。
背景与统计数据
理解背景与统计数据之间的相互作用是高水平分析的标志。统计数据为群体中发生的情况提供了一个严谨的数学框架，而背景则为其增添了至关重要的实质内容，解释了这些模式存在的原因以及哪些具体情况影响了最终的数字。
被动监测与预测性监测
选择合适的系统健康策略往往取决于时机。被动式监控会在事件发生后立即向团队发出警报，以最大限度地减少持续停机时间；而预测式监控则利用历史数据模式和机器学习技术，在潜在的资源耗尽或故障影响用户之前就发出预警。
充分简化与完全数据复杂度
在现代分析中，如何在充分降维和保留数据全部复杂性之间做出选择是一项基础性决策。降维侧重于去除噪声，在不损失预测能力的前提下提取核心统计信号；而保留复杂性则旨在揭示所有原始细节，从而发现那些细微的概括性描述可能无意中抹去的复杂非线性关系。
充分统计量与原始数据表示
这份技术对比分析了充分统计量和原始数据表示在操作上的差异。原始数据保留了所有观测到的细微差别，而充分统计量则将数据集压缩成紧凑的形式，同时又不丢失估计模型参数所需的任何信息。