1. 公平与公正

1.1. 公平大多数时候只是副产品

1.2. 由贪婪或偏见导致的不公正一直发生在我们身边

1.2.1. 如果承认法律面前人人平等，或者作为选民的大众应该被平等对待，我们就不能允许模型把我们分为不同的群体进行区别对待

1.3. 对于数学模型来说，公平和公共利益也是如此，其价值难以用数字体现

1.4. 公平和公共利益是仅存在于人脑中的概念，无法量化

1.5. 虽然更高水平的公平和正义肯定有利于提升社会的整体利益，但单个企业无法从中获得实际的收益

1.6. 进步有一个可怕的阴暗面

1.6.1. 进步的动力来源于被极度剥削的工人，其中甚至有很多是儿童

1.6.2. 自由市场无法控制这些剥削行为

2. 成功的模型应用？

2.1. 一个模型的成功与否往往以利润、效率或者违约率等，为标准这几乎都是一些可以计算的标准

2.2. 站在谷歌的角度，用户每点击一次广告就会产生25美分、50美分甚至几美元的收入，因此，这的确是成功的

2.3. 站在社会的角度，穷人只是搜索了一下政府服务就被锁定了，很多穷人因此深陷虚假承诺和高利率贷款的泥潭

2.3.1. 人们需要食品券这一事实首先就表明了市场经济的萧条

2.3.2. 政府企图利用大众缴纳的税款弥补这种萧条带来的损失，并寄希望于食品券能让申请者实现自给自足

2.4. 没有任何法规明确阻止信用评分公司把地理位置这一种族因素的替代变量纳入评估模型

2.5. 相比较于汽车贷款申请，房屋按揭贷款的申请筛选更容易发生种族偏见

2.5.1. 种族身份是申请表中必填的一项

2.6. 教师的教学表现对于数学模型来说是一个太过复杂的概念，可用来训练模型的数据都是一些粗糙的替代变量

2.6.1. 只有当我们的模型是一个拥有积极反馈回路的生态系统时，我们才有可能利用数据改善教育

2.6.2. 在此之前，评估模型只是一种惩罚性的工具

2.6.3. 内部模型的输出结果（在教师评估案例中就是对教师的评价）也必须要接受公平性方面的审查

3. 数学杀伤性武器总结

3.1. 承诺效率和公平，却扭曲了高等教育，推高了债务，助长了大规模监禁，在每一个人生的重大关头打击穷人，破坏民主

3.2. 会互相滋养、固化

3.2.1. 穷人更可能信用差，居住在犯罪高发区，周围的人也都是穷人

3.2.1.1. 贫穷越发有害并且摆脱代价巨大

3.2.2. 富人则感觉到这个世界似乎越来越智能便捷了

3.2.2.1. 把富人送去阿鲁巴岛度假，让他们竞争沃顿商学院的入学名额

3.2.2.2. 向他们推送意大利熏火腿和基安蒂红葡萄酒的促销信息

3.2.2.3. 在亚马逊金牌会员服务的主页上为他们推荐新上映的大电影

3.2.2.4. 引导富人探寻某个处于曾经的贫民街区的咖啡馆

3.3. 暗箱操作，把民众整体进行分组归类

3.3.1. 在幕后对我们的远亲近邻施加伤害，而且是极为广泛的伤害

3.3.2. 穷人首当其冲，中产阶级也难逃一劫

3.3.2.1. 穷人是最容易下手的目标，他们获取信息的渠道更少，有更多的人正处于绝望当中

3.3.2.2. 穷人遭受了大范围的伤害，而上层阶级则称之为不可避免的牺牲

3.3.2.3. 贫穷更像是一种疾病，通常采取的做法是隔离它，防止这种疾病传播到中产阶级

3.3.3. 大多数受害者经济实力欠缺，缺乏律师资源，也没有资金充足的政治组织为他们而战

3.3.4. 富人阶层也难逃一劫，盯上他们的是政治模型还有大学入学申请的评估模型

3.3.4.1. 真正做的只是破坏高等教育的公平性

3.4. 创造惊人利润空间的数学杀伤性武器不太可能长期在小范围内运作，这不符合市场的规律

3.4.1. 它们会进化、传播，寻找新的机会

3.5. 数学杀伤性武器为搜索引擎、顾客开发商、市场营销商创造了巨额收入，但其实质上是国家整体经济的血吸虫

3.5.1. 针对数学杀伤性武器建立的监管系统必须衡量这些潜在成本，同时还要体现更多的非数值价值

3.6. 合理的应对方式似乎就是一个一个解除这些武器

3.6.1. 拆除数学杀伤性武器并不总能带来明显的回报

3.6.2. 要想消灭数学杀伤性武器，我们不仅仅要在数据行业确立最佳范例，还要推行相关的法律条例

3.6.3. 规定收集任何数据都必须经过用户的批准，用户具有选择权

3.6.3.1. 防止我们的医疗信息数据被雇主、健康应用程序以及其他的大数据公司随意地收集和利用

3.6.3.2. 欧洲模式还禁止将数据重新用于其他目的

3.6.3.3. “不可重复使用”条款的约束力则非常强大

3.6.3.3.1. 该条款将销售用户数据定义为非法行为

3.6.3.3.2. 有效避免了数据落入数据中间商之手，后者往往利用手中掌握的用户数字档案支持有害的电子评分系统以及总统竞选活动中的微目标锁定行动

3.6.4. 那些对我们的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

3.6.4.1. 审查者经常面临来自互联网巨头的阻挠，尽管互联网巨头公司建设的平台是我们利用数据的最便捷渠道

3.7. 并不是所有模型都是恶性的

3.7.1. 美国网络新闻机构ProPublica创立了“短信机器”（Message Machine），短信机器借助众包的方式逆向解码奥巴马竞选团队的定向政治广告所使用的模型

3.7.1.1. 通过大众提供信息，消除竞选背后的模型的神秘感，短信机器有效地减少了（哪怕一点点的）谣传和猜测

3.7.2. 作者团队设计模型的目标是维护公共利益

3.7.2.1. 致力于利用这些发现帮助受害者，减少无家可归、生活绝望的人

4. 数据科学家

4.1. 应该停止我们的科技乌托邦幻想，即无根据地寄希望于用算法和科技解决一切问题

4.1.1. 想让算法更好地服务于人类，我们必须承认算法不是全能的

4.2. 数据科学家应该像医生一样遵守希波克拉底氏誓言，尽可能防止或避免对模型可能的误用和误解

4.2.1. 坚定的价值观和自我约束只对谨慎的人有效

4.3. 数据科学家在寻求他们的老板所需求的具体答案时面对的实际压力

4.4. 数据科学家面对的挑战是理解他们猛烈抨击的大数据生态系统，而且不仅要找出问题所在，还要给出可能的解决方案

4.5. 数据科学家的工作就是在你挖掘得不够充分的时候，继续深入挖掘数据

4.6. 数学比数学杀伤性武器的价值大得多，民主也是如此

4.7. 大数据目的是寻找人类肉眼看不见的模式

4.7.1. 数据不会消逝，计算机也不会，数学更不会

4.7.2. 大数据程序只能将过去编入代码，而不会创造未来

4.8. 人类的决策虽然经常有缺陷，却也有一个主要的优点，即人类的决策是可以改善的

4.8.1. 创造未来需要道德想象力，而想象力只有人类才有

4.9. 存在证实性偏差，更容易看到他们想看到的东西

526互联

读算法霸权笔记12_数据科学

1. 公平与公正

1.1. 公平大多数时候只是副产品

1.2. 由贪婪或偏见导致的不公正一直发生在我们身边

1.2.1. 如果承认法律面前人人平等，或者作为选民的大众应该被平等对待，我们就不能允许模型把我们分为不同的群体进行区别对待

1.3. 对于数学模型来说，公平和公共利益也是如此，其价值难以用数字体现

1.4. 公平和公共利益是仅存在于人脑中的概念，无法量化

1.5. 虽然更高水平的公平和正义肯定有利于提升社会的整体利益，但单个企业无法从中获得实际的收益

1.6. 进步有一个可怕的阴暗面

1.6.1. 进步的动力来源于被极度剥削的工人，其中甚至有很多是儿童

1.6.2. 自由市场无法控制这些剥削行为

2. 成功的模型应用？

2.1. 一个模型的成功与否往往以利润、效率或者违约率等，为标准这几乎都是一些可以计算的标准

2.2. 站在谷歌的角度，用户每点击一次广告就会产生25美分、50美分甚至几美元的收入，因此，这的确是成功的

2.3. 站在社会的角度，穷人只是搜索了一下政府服务就被锁定了，很多穷人因此深陷虚假承诺和高利率贷款的泥潭

2.3.1. 人们需要食品券这一事实首先就表明了市场经济的萧条

2.3.2. 政府企图利用大众缴纳的税款弥补这种萧条带来的损失，并寄希望于食品券能让申请者实现自给自足

2.4. 没有任何法规明确阻止信用评分公司把地理位置这一种族因素的替代变量纳入评估模型

2.5. 相比较于汽车贷款申请，房屋按揭贷款的申请筛选更容易发生种族偏见

2.5.1. 种族身份是申请表中必填的一项

2.6. 教师的教学表现对于数学模型来说是一个太过复杂的概念，可用来训练模型的数据都是一些粗糙的替代变量

2.6.1. 只有当我们的模型是一个拥有积极反馈回路的生态系统时，我们才有可能利用数据改善教育

2.6.2. 在此之前，评估模型只是一种惩罚性的工具

2.6.3. 内部模型的输出结果（在教师评估案例中就是对教师的评价）也必须要接受公平性方面的审查

3. 数学杀伤性武器总结

3.1. 承诺效率和公平，却扭曲了高等教育，推高了债务，助长了大规模监禁，在每一个人生的重大关头打击穷人，破坏民主

3.2. 会互相滋养、固化

3.2.1. 穷人更可能信用差，居住在犯罪高发区，周围的人也都是穷人

3.2.1.1. 贫穷越发有害并且摆脱代价巨大

3.2.2. 富人则感觉到这个世界似乎越来越智能便捷了

3.2.2.1. 把富人送去阿鲁巴岛度假，让他们竞争沃顿商学院的入学名额

3.2.2.2. 向他们推送意大利熏火腿和基安蒂红葡萄酒的促销信息

3.2.2.3. 在亚马逊金牌会员服务的主页上为他们推荐新上映的大电影

3.2.2.4. 引导富人探寻某个处于曾经的贫民街区的咖啡馆

3.3. 暗箱操作，把民众整体进行分组归类

3.3.1. 在幕后对我们的远亲近邻施加伤害，而且是极为广泛的伤害

3.3.2. 穷人首当其冲，中产阶级也难逃一劫

3.3.2.1. 穷人是最容易下手的目标，他们获取信息的渠道更少，有更多的人正处于绝望当中

3.3.2.2. 穷人遭受了大范围的伤害，而上层阶级则称之为不可避免的牺牲

3.3.2.3. 贫穷更像是一种疾病，通常采取的做法是隔离它，防止这种疾病传播到中产阶级

3.3.3. 大多数受害者经济实力欠缺，缺乏律师资源，也没有资金充足的政治组织为他们而战

3.3.4. 富人阶层也难逃一劫，盯上他们的是政治模型还有大学入学申请的评估模型

3.3.4.1. 真正做的只是破坏高等教育的公平性

3.4. 创造惊人利润空间的数学杀伤性武器不太可能长期在小范围内运作，这不符合市场的规律

3.4.1. 它们会进化、传播，寻找新的机会

3.5. 数学杀伤性武器为搜索引擎、顾客开发商、市场营销商创造了巨额收入，但其实质上是国家整体经济的血吸虫

3.5.1. 针对数学杀伤性武器建立的监管系统必须衡量这些潜在成本，同时还要体现更多的非数值价值

3.6. 合理的应对方式似乎就是一个一个解除这些武器

3.6.1. 拆除数学杀伤性武器并不总能带来明显的回报

3.6.2. 要想消灭数学杀伤性武器，我们不仅仅要在数据行业确立最佳范例，还要推行相关的法律条例

3.6.3. 规定收集任何数据都必须经过用户的批准，用户具有选择权

3.6.3.1. 防止我们的医疗信息数据被雇主、健康应用程序以及其他的大数据公司随意地收集和利用

3.6.3.2. 欧洲模式还禁止将数据重新用于其他目的

3.6.3.3. “不可重复使用”条款的约束力则非常强大

3.6.3.3.1. 该条款将销售用户数据定义为非法行为

3.6.3.3.2. 有效避免了数据落入数据中间商之手，后者往往利用手中掌握的用户数字档案支持有害的电子评分系统以及总统竞选活动中的微目标锁定行动

3.6.4. 那些对我们的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

3.6.4.1. 审查者经常面临来自互联网巨头的阻挠，尽管互联网巨头公司建设的平台是我们利用数据的最便捷渠道

3.7. 并不是所有模型都是恶性的

3.7.1. 美国网络新闻机构ProPublica创立了“短信机器”（Message Machine），短信机器借助众包的方式逆向解码奥巴马竞选团队的定向政治广告所使用的模型

3.7.1.1. 通过大众提供信息，消除竞选背后的模型的神秘感，短信机器有效地减少了（哪怕一点点的）谣传和猜测

3.7.2. 作者团队设计模型的目标是维护公共利益

3.7.2.1. 致力于利用这些发现帮助受害者，减少无家可归、生活绝望的人

4. 数据科学家

4.1. 应该停止我们的科技乌托邦幻想，即无根据地寄希望于用算法和科技解决一切问题

4.1.1. 想让算法更好地服务于人类，我们必须承认算法不是全能的

4.2. 数据科学家应该像医生一样遵守希波克拉底氏誓言，尽可能防止或避免对模型可能的误用和误解

4.2.1. 坚定的价值观和自我约束只对谨慎的人有效

4.3. 数据科学家在寻求他们的老板所需求的具体答案时面对的实际压力

4.4. 数据科学家面对的挑战是理解他们猛烈抨击的大数据生态系统，而且不仅要找出问题所在，还要给出可能的解决方案

4.5. 数据科学家的工作就是在你挖掘得不够充分的时候，继续深入挖掘数据

4.6. 数学比数学杀伤性武器的价值大得多，民主也是如此

4.7. 大数据目的是寻找人类肉眼看不见的模式

4.7.1. 数据不会消逝，计算机也不会，数学更不会

4.7.2. 大数据程序只能将过去编入代码，而不会创造未来

4.8. 人类的决策虽然经常有缺陷，却也有一个主要的优点，即人类的决策是可以改善的

4.8.1. 创造未来需要道德想象力，而想象力只有人类才有

4.9. 存在证实性偏差，更容易看到他们想看到的东西