Big data a problem reprezentacji poznawczej

Main Article Content

Łukasz Iwasiński

Abstrakt

In this article, the author reflects on Big Data analytics in the context of the problem of cognitive representation. There are many voices declaring that the era of Big Data has brought a radical breakthrough in human cognitive abilities. Some – especially in the world of business and marketing, and to a lesser extent in the field of science – argue that for the first time we can reach a clean, objective picture of reality and keep track of its changes. The article is a critical commentary to this thesis. In Big Bata analytics, cognitive activities are assessed not from the point of view of their compliance with reality, but the possibility of achieving set goals. Big Data mining can be, and often is, an important tool for reality control and forecasting – which does not mean it can discover objective truth and create accurate representations of reality.

Downloads

Download data is not yet available.

Article Details

Jak cytować
Iwasiński, Łukasz. (2022). Big data a problem reprezentacji poznawczej. Człowiek I Społeczeństwo, 53, 241-261. https://doi.org/10.14746/cis.2022.53.14
Dział
FORUM DYSKUSYJNE

Referencje

  1. Afeltowicz, Ł. (2012). Modele, artefakty, kolektywy. Praktyka badawcza w perspektywie współczesnych studiów nad nauką. Toruń: Wydawnictwo Naukowe Uniwersytetu Mikołaja Kopernika.
  2. Amsterdamska, O. (1992). Odmiany konstruktywizmu w socjologii nauki. W: J. Niżnik (red.), Pogranicza epistemologii (ss. 136–154). Warszawa: IFIS PAN.
  3. Anderson, C. (2008). The end of theory: The data deluge makes the scientific method obsolete. Wired 16(7).
  4. Barábasi, A.L. (2002). Linked: The New Science of Networks. Cambridge: Perseus Press.
  5. Bińczyk, E. (2017). Michel Foucault, nieklasyczna socjologia wiedzy oraz perypetie władzy-wiedzy. W: T.M. Korczyński (red.), Współczesne problemy socjologii wiedzy: w 80-lecie „Ideologii i utopii” Karla Mannheima (ss. 67–82). Warszawa: Warszawskie Wydawnictwo Socjologiczne.
  6. Chmielewski, A. (1995). Filozofia Poppera. Analiza krytyczna. Wrocław: Wydawnictwo Uniwersytetu Wrocławskiego.
  7. Chmielewski, A. (1997). Niewspółmierność, nieprzekładalność, konflikt. Wrocław: Wydawnictwo Uniwersytetu Wrocławskiego.
  8. Chwałczyk, F. (2018). Miary jako modele pośredniczące między gospodarką a ekonomią, https://www.filozofia-ekonomii.pl/publikacje-psfe/working-papers (dostęp: 23.09.2021).
  9. Czarnocka, M. (2003). O realizmie we współczesnej filozofii nauki. Przegląd Filozoficzny – Nowa Seria, 48(4), 5–20.
  10. Dehnel, P. (2006). Dekonstrukcja – rozumienie – interpretacja: studia z filozofii współczesnej i nie tylko. Kraków: Universitas.
  11. Dziamski, G. (2016). Kulturoznawstwo, czyli wprowadzenie do kultury ponowoczesnej. Gdańsk: Wydawnictwo Naukowe Katedra.
  12. Eagle, N., Pentland, A.S. (2006). Reality mining: sensing complex social systems. Personal and Ubiquitous Computing, 10(4), 255–268.
  13. Elliott, A. (2011). Współczesna teoria społeczna. Warszawa: Wydawnictwo Naukowe PWN.
  14. Fleck, L. (1986). Powstanie i rozwój faktu naukowego: wprowadzenie do nauki o stylu myślowym i kolektywie myślowym. Lublin: Wydawnictwo Lubelskie.
  15. Frické, M. (2015). Big data and its epistemology. Journal of the Association for Information Science and Technology, 66(4), 651–661.
  16. Gitelman, L., Jackson, V. (2013). Introduction: Raw data is an oxymoron. W: L. Gitelman (red.), Raw Data is an Oxymoron (ss. 1–15). Cambridge, MA: MIT Press.
  17. Heller, M. (2009). Filozofia nauki. Wprowadzenie. Kraków: Petrus.
  18. Hey, T., Tansley, S., Tolle, K.M. (2009). Jim Gray on eScience: A transformed scientific method, http://itre.cis.upenn.edu/myl/JimGrayOnE-Science.pdf (dostęp: 23.09.2021).
  19. Housley, W. (2015). Focus: The Emerging Contours of Data Science. Discovery Society, August 3, https://archive.discoversociety.org/2015/08/03/focus-the-emerging-contours-of-data-science/ (dostęp: 23.09.2021).
  20. Husserl, E. (1993). Kryzys europejskiego człowieczeństwa a filozofia. Warszawa: Aletheia.
  21. Iwasiński, Ł. (2016). Społeczne zagrożenia danetyzacji rzeczywistości. W: B. Sosińska-Kalata (red.), Nauka o informacji w okresie zmian. Informatologia i humanistyka cyfrowa (ss. 135–146). Warszawa: SBP.
  22. Iwasiński, Ł. (2020). Social implications of algorithmic bias. W: B. Sosińska-Kalata (red.), Nauka o informacji w okresie zmian. Rewolucja cyfrowa – dziś i jutro: infrastruktura, usługi, użytkownicy (ss. 25–35). Warszawa: SBP.
  23. Kant, I. (1957). Krytyka czystego rozumu, t. 1, tłum. R. Ingarden. Warszawa: Państwowe Wydawnictwo Naukowe.
  24. Kant, I. (1960). Prolegomena do wszelkiej przyszłej metafizyki, która będzie mogła wystąpić jako nauka, tłum. B. Bornstein, na nowo oprac. J. Suchorzewska. Warszawa: Państwowe Wydawnictwo Naukowe.
  25. Kitchin, R. (2014). Big Data, new epistemologies and paradigm shifts. Big data & society, 1(1), https://journals.sagepub.com/doi/full/10.1177/2053951714528481 (dostęp: 23.09.2021).
  26. Kołakowski, L. (1966). Filozofia pozytywistyczna: od Hume’a do Koła Wiedeńskiego. Warszawa: Państwowe Wydawnictwo Naukowe.
  27. Konecki, K. (2000). Studia z metodologii badań jakościowych. Teoria ugruntowana. Warszawa: Wydawnictwo Naukowe PWN.
  28. Krajewski, W. (1995). „Reprezentacjonizm” i realizm. Filozofia Nauki, 3(3), 79–83.
  29. Leciejewski, S. (2013). Cyfrowa rewolucja w badaniach eksperymentalnych. Studium metodologiczno-filozoficzne. Poznań: Wydawnictwo Naukowe Uniwersytetu im. Adama Mickiewicza w Poznaniu.
  30. Lekka-Kowalik, A. (2008). Odkrywanie aksjologicznego wymiaru nauki. Lublin: Wydawnictwo KUL.
  31. Majcherek, J. (2004). Źródła relatywizmu w nauce i kulturze XX wieku: od teorii względności do postmodernizmu. Kraków: Universitas.
  32. Mayer-Schönberger, V., Cukier, K. (2014). Big data: rewolucja, która zmieni nasze myślenie, pracę i życie. Warszawa: MT Biznes.
  33. Miś, L. (2007). Problemy społeczne: teoria, metodologia, badania. Kraków: Wydawnictwo Uniwersytetu Jagiellońskiego.
  34. O’Neil, C. (2017). Broń matematycznej zagłady: jak algorytmy zwiększają nierówności i zagrażają demokracji. Warszawa: Wydawnictwo Naukowe PWN.
  35. Okrasa, W. (2017). Społeczne wyznaczniki procesu statystycznego i status statystyki publicznej z perspektywy socjologii statystyki. W: T.M. Korczyński (red.), Współczesne problemy socjologii wiedzy: w 80-lecie „Ideologii i utopii” Karla Mannheima (ss. 163–188). Warszawa: Warszawskie Wydawnictwo Socjologiczne.
  36. Oracle (2015). Assessing the role of Big Data in tackling financial crime and compliance management, https://www.oracle.com/a/ocom/docs/industries/financial-services/fs-big-data-fccm-wp.pdf (dostęp: 23.09.2021).
  37. Pentland, A. (2009). Reality mining of mobile communications: Toward a new deal on data. W: S. Dutta, S. Mia (red.), The Global Information Technology Report 2008–2009 (ss. 75–80). Geneva: World Economic Forum.
  38. Popkin, R.H., Stroll, A. (1994). Filozofia. Poznań: Zysk i S-ka Wydawnictwo.
  39. Popper, K.R. (1977). Logika odkrycia naukowego. Warszawa: Państwowe Wydawnictwo Naukowe.
  40. Porter, T.M. (1995). Trust in Numbers: The Pursuit of Objectivity in Science and Public Life. Princeton, NJ: Princeton University Press.
  41. Rieder, G., Simon, J. (2016). Datatrust: Or, the political quest for numerical evidence and the epistemologies of Big Data. Big Data & Society, 3(1).
  42. Rieder, G., Simon, J. (2017). Big data: A new empiricism and its epistemic and socio-political consequences. Berechenbarkeit der Welt?, 85–105.
  43. Sikora, M. (2007). Problem reprezentacji poznawczej w nowożytnej i współczesnej refleksji filozoficznej. Poznań: Wydawnictwo Naukowe Instytutu Filozofii UAM.
  44. Sojak, R. (2004). Paradoks antropologiczny. Wrocław: Wydawnictwo Uniwersytetu Wrocławskiego.
  45. Stephens-Davidowitz, S. (2019). Wszyscy kłamią. Big data, nowe dane i wszystko, co Internet może nam powiedzieć o tym, kim naprawdę jesteśmy. Kraków: Wydawnictwo Literackie.
  46. Stevens, M., Wehrens, R., de Bont, A. (2018). Conceptualizations of Big Data and their epistemological claims in healthcare: A discourse analysis. Big Data & Society, 5(2), 1–21.
  47. Sumpter, D. (2019). Osaczeni przez liczby. Warszawa: Copernicus Center Press.
  48. Szacki, J. (2006). Historia Myśli Socjologicznej. Warszawa: Wydawnictwo Naukowe PWN.
  49. Tuchańska, B. (2012). Dlaczego prawda? Prawda jako wartość w sztuce, nauce i codzienności. Warszawa: Poltext.
  50. Turner, J.H. (2008). Struktura teorii socjologicznej. Warszawa: Wydawnictwo Naukowe PWN.
  51. UW (2021). https://usosweb.uw.edu.pl/kontroler.php?_action=katalog2/przedmioty/pokazPrzedmiot&prz_kod=1600-SZD-WM-NZI&callback=g_78db2ce2 (dostęp: 23.09.2021).
  52. Williamson, B. (2015). Smarter Learning Software: Education and the Big Data Imaginary. http://dspace.stir.ac.uk/handle/1893/22743 (dostęp: 23.09.2021).
  53. Woleński, J. (2005). Epistemologia: poznanie, prawda, wiedza, realizm. Warszawa: Wydawnictwo Naukowe PWN.
  54. Woźniak, T. (2000). Propaganda scjentystyczna. Funkcje społeczne przekazów popularnonaukowych. Warszawa: IFIS PAN.
  55. Zeidler, P. (2010). Czy można zaobserwować orbitale? O problemie obserwowalności i realności przedmiotów teoretycznych. Filozofia Nauki, 18(4/72), 5–22.
  56. Zybertowicz, A. (1995). Przemoc i poznanie: studium z nie-klasycznej socjologii wiedzy. Toruń: Wydawnictwo Uniwersytetu Mikołaja Kopernika.
  57. Żulicki, R. (2020). Data science w Polsce. Etnografia społecznego świata. https://dspace.uni.lodz.pl/handle/11089/35209 (dostęp: 23.09.2021).
  58. Życiński, J. (1993). Granice racjonalności. Eseje z filozofii nauki. Warszawa: Wydawnictwo Naukowe PWN.
  59. Życiński, J. (2018). Świat matematyki i jej materialnych cieni. Warszawa: Copernicus Center Press.