The Rise of Big Data Policing

出版者:NYU Press

作者:Andrew Guthrie Ferguson

页数:272

出版时间:2017-10-3

价格:USD 28.00

装帧:Hardcover

isbn号码:9781479892822

用户评价

这部作品的学术严谨性令人印象深刻，它超越了许多流行读物停留在表面现象的讨论。作者在文献回顾部分下足了功夫，将信息技术、犯罪学、城市研究等多个领域的经典理论进行了富有成效的对话。我特别喜欢作者在探讨“数据化治理”时，所援引的福柯式的权力分析路径，这使得对现代警务模式的批判不再仅仅停留在道德层面，而是上升到了对权力运作逻辑的深刻洞察。书中对特定城市试点项目的深度田野调查，为抽象的理论提供了坚实的经验支撑，使得论证过程无比扎实可信。例如，作者在分析了某个城市部署的实时犯罪热点预测系统的实际部署情况后发现，该系统与其声称的目标之间存在显著的系统性偏差，这种基于一手证据的揭露，远比二手资料的引用更具冲击力。总而言之，这是一本既有深厚理论根基，又紧密结合现实实践的优秀学术专著。

这本书的叙事节奏把握得极为巧妙，如同悬疑小说的布局，层层递进，让人难以放下。我特别欣赏作者在描述技术人员和一线警察在实际应用中产生的认知冲突时所采用的叙事手法。它不是空泛地谈论理论，而是通过一系列鲜活的案例研究，展示了数据模型在面对真实世界的人性复杂性和突发状况时的局限性。有一章专门讨论了“误报率”对社区信任度的侵蚀，那种详尽的数据可视化和随之而来的定性访谈的结合，极具说服力。你仿佛能听到数据背后的嘀咕声，那些被标记为“高风险”的个体，他们的生活是如何被这种数字标签重新定义的。作者的文笔流畅而富有洞察力，即便是对于非技术背景的读者来说，那些关于机器学习和大数据基础设施的复杂概念，也被拆解得清晰明了，没有丝毫晦涩感。它成功地架起了一座桥梁，连接了尖端的科技创新与我们日常关心的公民权利保障问题，是一部极具现实关怀的力作。

这本书给我的感受是，它像一剂强效的清醒剂，猛然间打断了关于“科技向善”的许多不切实际的幻想。它没有提供廉价的解决方案，而是逼迫读者正视问题的复杂性和棘手性。尤其让我震撼的是，作者描述了算法是如何在模糊的法律和道德地带中，为执法部门提供了一种新的“合理化”工具。当一个错误被归咎于“数据”或“模型”时，人类的责任似乎就被巧妙地稀释了。这种对责任分散机制的细致描绘，是我以往阅读相关题材时所忽略的一个重要维度。全书的语气沉稳而坚定，充满了一种知识分子的良知和紧迫感，让人在阅读结束后，除了感到知识上的充实，更有一种强烈的社会参与的冲动。它不是一本读完就可以束之高阁的书，而是一本需要被反复引用和讨论的当代警示录，指导我们如何在数据洪流中，坚守以人为本的价值立场。

这部作品深入探讨了当代社会治理中一个极其复杂且日益重要的领域——数据驱动的警务实践。作者以一种近乎手术刀般的精准，剖析了海量数据如何被整合、分析，并最终转化为执法行动的蓝图。我发现它最引人入胜的部分在于，它不仅仅停留在对技术可行性的赞美，而是毫不留情地揭示了算法偏见和预测性模型背后的社会伦理困境。例如，书中对特定社区数据采集密度的比较分析，清晰地展示了技术如何在无形中固化甚至加剧了既有的社会不平等。作者在引述多学科研究成果时，展现了深厚的学术功底，从社会学中的“标签理论”到计算机科学中的“黑箱问题”，都得到了恰当且深刻的结合。更值得称赞的是，它没有将技术视为中立的工具，而是将其置于权力结构之中进行审视，探讨了谁拥有数据、谁来定义“风险”，以及这些定义对公民自由构成了何种潜在威胁。读完之后，我对于日常新闻中那些关于“智能监控”的报道，都有了一种全新的、更加批判性的视角。它迫使我重新思考，在一个被算法预测和量化评分的社会中，我们如何定义正义与公平。

从批判理论的角度来看，这本书提供了极具价值的分析框架。它挑战了当前主流对“效率至上”的警务改革模式的盲目崇拜，直指其内在的意识形态根源。作者并没有陷入技术决定论的陷阱，而是坚定地将焦点放在了政治经济学层面——即谁在投资这些昂贵的系统，谁从这些系统的部署中获益，以及这种“效率”的成本究竟由谁承担。书中对数据治理结构和监管真空的批判尤为犀利，它揭示了在缺乏有效制衡的情况下，数据采集的边界是如何不断被技术进步所模糊和突破的。我个人认为，对于政策制定者和法律学者而言，这本书简直是必读的警钟。它提出的关于数据所有权、算法可解释性以及问责机制的诸多尖锐问题，至今仍未得到充分的回应。阅读过程中，我反复思考，我们是否正在用短暂的安全感，交换我们对自身隐私和自由更长远的控制权。

讨论美国警察系统大数据监控的兴起与得失。将监控手段分为以人/以地/即时三类，并分析了监控方法即数据海量挖掘。之后讨论了黑色数据（不良效应）蓝色数据（对警察的监控）明亮数据（如何消除风险误差）和无数据（数据洞的克服），全面的呈现了美国当下司法警察体系数据使用现状和问题，并指出数据只能呈现但无法解决问题。

讨论美国警察系统大数据监控的兴起与得失。将监控手段分为以人/以地/即时三类，并分析了监控方法即数据海量挖掘。之后讨论了黑色数据（不良效应）蓝色数据（对警察的监控）明亮数据（如何消除风险误差）和无数据（数据洞的克服），全面的呈现了美国当下司法警察体系数据使用现状和问题，并指出数据只能呈现但无法解决问题。

讨论美国警察系统大数据监控的兴起与得失。将监控手段分为以人/以地/即时三类，并分析了监控方法即数据海量挖掘。之后讨论了黑色数据（不良效应）蓝色数据（对警察的监控）明亮数据（如何消除风险误差）和无数据（数据洞的克服），全面的呈现了美国当下司法警察体系数据使用现状和问题，并指出数据只能呈现但无法解决问题。

讨论美国警察系统大数据监控的兴起与得失。将监控手段分为以人/以地/即时三类，并分析了监控方法即数据海量挖掘。之后讨论了黑色数据（不良效应）蓝色数据（对警察的监控）明亮数据（如何消除风险误差）和无数据（数据洞的克服），全面的呈现了美国当下司法警察体系数据使用现状和问题，并指出数据只能呈现但无法解决问题。

讨论美国警察系统大数据监控的兴起与得失。将监控手段分为以人/以地/即时三类，并分析了监控方法即数据海量挖掘。之后讨论了黑色数据（不良效应）蓝色数据（对警察的监控）明亮数据（如何消除风险误差）和无数据（数据洞的克服），全面的呈现了美国当下司法警察体系数据使用现状和问题，并指出数据只能呈现但无法解决问题。