本篇是翻譯與整理Yeung, Karen (2016) ‘Hypernudge’: Big Data as a Mode of Regulation by Design . Information, Communication & Society這篇論文，有些專有名詞是自己翻譯的且自己是業餘的，所以翻譯不周或超譯之處請見諒。
一、簡介
現今社會處於大數據 (big data)驅動的第四次工業革命的開端，雖然大數據一詞被廣泛使用，但至今仍無通用的定義。大數據其實是很多技術與流程的集合體，它能夠非常快速地篩選、分類和詢問大量的數據。在挖掘數據的過程中，可以預測分析出有用的模型，並將之應用於問題上。實際的技術包含統計學與人工智慧演算法，可以在眾多結構化與非結構化的資料中，將資料流轉成高密度且特殊的知識形式。大數據一個關鍵的貢獻是能夠在普通人無法分析的數據集中，找到有用的相關性。
雖然大數據十分強大，但對個人數位資料的廣泛收集令人不安。不僅是因為它對隱私的影響，更重要的是這些數據被用來塑造個人決策，以此服務商業大亨。大數據涉及的演算法十分複雜，但這些應用的背後都基於一種看似簡單的設計機制影響著——“輕推 (nudge)”。
透過數據流的演算法分析後，聲稱可以提供有關個人的習慣、偏好和興趣的預測性見解，例如：產品推薦系統。但事實上演算法架構師則可以通過微妙、不顯眼但強大的輕推過程，引導用戶選擇架構師偏好的方向。
二、大數據作為一種基於設計的監管形式
（一）基於設計的監管形式
監管 (regulation)本質上是一種解決集體性問題的系統控制，是管理風險或行為以實現公開聲明的目標。監管可視為一個控制過程，主要由三個部分組成：
- 資訊收集：資訊收集和監控，如：監視器可收集與監控人群的一舉一動。
- 標準制定：設定標準、目標或指標。將監管標準融入到設計中，以促進被認為是理想的社會結果，如：在車輛啟動之前，酒精鎖會檢測駕駛呼氣的酒精濃度，如果酒精濃度超出安全標準，則無法發動引擎。
- 行為修正：改變行為以滿足標準，如：汽車警報器可偵測到異常干擾，並發出警示。
（二）選擇架構和輕推作為影響行為的工具
“輕推 (nudge)”是選擇架構 (choice architecture)的任何層面，輕推以可預測的方式改變人們的行為，過程中不會禁止任何選擇或有明顯改變人們的經濟鼓勵措施。
輕推嘗試理解人類決策的認知心理學實驗，在實驗中發現微觀經濟分析中假設的人是具有理性行為的，這一假設和實際個人如何做出的決策存在相當大的分歧，因為人們普遍使用認知捷徑和經驗。更重要的是，許多人的決策是在下意識且被動的情況下發生的，而不是通過主動且有意識的深思熟慮。
利用這些發現，可以有意識地設計周圍的決策選擇環境，系統性地影響人類在特定方向上的決策。如：為了鼓勵顧客選擇更健康的食品，餐廳經理會將健康食品放在更突出的位置，像是將水果放在巧克力蛋糕的前面，因此客戶將系統地傾向於選擇更健康的食品。
（三）大數據分析作為資訊選擇架構
為了理解大數據分析技術如何利用輕推，可以區分成兩種：
- 自動化決策流程 (automated decision-making processes)：許多常見的交易依賴於自動決策流程，從簡單的售票機到複雜的信貸系統。儘管複雜性差異很大，但並非這些流程都依賴於大數據驅動的分析，然而這些決策流程仍會自動發布某種決策。除了用戶輸入相關數據之外，無需任何人為干預，因而構成了一種強制設計的形式。
- 數位決策指導流程 (digital decision-guidance processes)：相比之下，數位決策指導流程的設計中，做出相關決策的不是機器，而是個人。這些技術以演算法認為“最佳”的方式來指導個人的決策過程，但事實上是“建議”用戶做出選擇架構師偏好的決策。
1. 數位決策指導流程
雖然自動化決策引起不少關注，但本文主要關注由大數據驅動的決策指導技術。這些技術利用輕推來達到“選擇優化”的目的，我們來看網路搜索引擎的運作方式，為了快速查詢，大數據分析技術以快速的方式挖掘大量的網頁，與評估它們的“相關性”並按排名顯示結果。如：Google 搜索引擎中，最突出顯示的網站是“付費”贊助列表，其次是按照 Google 演算法依相關性排序的網絡鏈接。
儘管理論上可以自由地查看所有可能相關的頁網頁，但實際上使用者可能只會訪問第一頁或第二頁的內容。因此使用者的點擊行為受到資訊選擇架構 (informational choice architecture)的演算法影響，“輕推”使用者點擊行為朝著選擇架構師喜歡的方向發展。對於Google來說，需要推動網絡流量朝著促進使用更多Google產品的方向發展，從而增加Google廣告空間的價值。
其他選擇優化技術也以類似的方式運行，幫助使用者從非常大的資料中，識別出哪些數據項目能作為目標。如：“預測性警務”技術使用大數據分析來識別“風險最高”的個人或其他目標，以幫助執法人員確定他們的檢查重點。
2. 靜態輕推與動態輕推
儘管輕推的概念很簡單，但大數據決策指導分析以高度複雜的方式利用輕推。我們來比較簡單靜態的輕推（如：路面減速丘）與大數據驅動的動態輕推（如：Google地圖導航），首先假設駕駛都不會被迫以輕推架構師 (nudge's architect)認為的最佳方式行事。因此，對於減速丘來說，駕駛需忍受因接近減速丘所帶來的不適與車輛損毀的風險；對於Google地圖導航來說，如駕駛不遵守建議方向，Google地圖會計算即時數據流並給出新的建議路線，而這演算法的過程是高度複雜的。
靜態的推動減少了人工干預的需求，因此只要能夠達到一定的標準，就會自動執行，這使得它們是一種相當生硬的控制形式。像是路面減速丘，不管任何人總是會給予同樣的回饋。與之相比，大數據驅動的動態輕推就有更多的包容性，且自動執行能更為動態，其執行標準會在網路環境中不斷更新和完善，從而實現即時數據的回饋，進而達到個人化的回饋。
網絡大數據驅動的數位技術可作為獨立的控制系統運行，其允許對標準制定和行為修改階段進行動態調整，使個人的選擇架構能夠在三個方向上不斷地動態配置 (dynamically configuring)：
- 演算法根據即時的數據分析，識別出與目標相關的個人選擇環境，進而回應目標行為和更廣泛的環境變化。
- 數據反饋可以被收集、存儲並重新用於其他大數據應用。
- 監測和分析全人口大數據，以確定整體趨勢與調整個人的選擇環境。
大數據驅動的輕推靈活、不顯眼且非常有效，為數據主體提供了高度個人化的選擇環境，這些技術稱為“超輕推 (hypernudge)”。超輕推依賴於演算法在資料中找到的關聯性，而這些關聯性通常難已被人類察覺到，超輕推會凸顯出這些關聯性，並以刻意設計好的方式動態配置用戶的信息選擇脈絡，以影響用戶的決定。
相關文章
參考文獻
Yeung, Karen, ‘Hypernudge’: Big Data as a Mode of Regulation by Design (May 2, 2016). Information, Communication & Society (2016) 1,19, TLI Think! Paper 28/2016, Available at SSRN: https://ssrn.com/abstract=2807574
留言
張貼留言