学术哲学的邀请（61）—浅草才能没马蹄

我一直有系列问题令我辗转反侧，那便是学术是什么？做科研的目的是什么？又是什么驱动我去从事学术和科研？我如何把握自己的研究方向，如何自己做主，如何自由自在地从事自己的研究而不受任何外力左右，想研究什么便研究什么，出于兴趣而非其他。

可以说，学术可以塑造自我，这个自我来自于研究过程中不断地求索和追求，这种求索和追求绝不是屈于人后，或者甘于人后，而是追求自己的学术话题体系、学术影响力和学术领地，在这个学术领地，我可以为王，这是不是理想国或者哲学王的范畴？我可以在我的学术领地向蓝天挥墨毫，自由发挥。

我想另辟蹊径，溯洄从之。事物的发展随着时间变化而变化，并以其特有方式进化或演变，这种纵向截面的动态过程和横向截面的静态过程交织在一起，动静结合，形成了数据粒度（我在推演一下，是否背后存在工具粒度、方法粒度、方法论粒度、理论粒度、知识粒度和学术哲学粒度？又或者存在工具维度、方法维度、方法论维度、理论维度、知识维度和学术哲学的维度？）。

数据是指对客观事件进行记录并可以鉴别的符号，是对客观事物的性质、状态以及相互关系等进行记载的物理符号或这些物理符号的组合。数据是事实或观察的结果，是对客观事物的逻辑归纳，是用于表示客观事物的未经加工的的原始素材。维度是一组数据的组织形式，对于一组数据，我们可以在一维方向展开，形成线性关系；我们也可以将这组数据在二维上展开，那么这组数据可能表示两个不同的含义，同样的，我们可以在N维上展开，形成这组数据的N维空间结构；我们也可以将这组数据在多个维度的立体模型上展开，从而表达多个维度共同构成的数据载体背后的立体全息的展现。

数据维度就是在数据之间形成特定关系，表达数据多种含义的一个很重要的基础概念。粒度就是同一维度下，数据统计的粗细程度。粒度是指数据单位中保存数据的细化或综合程度的级别。细化程度越高，粒度级就越小；相反，细化程度越低，粒度级就越大。数据的粒度一直是一个研究设计问题。我们在选择维度或事实前必须声明粒度，因为每个候选维度和事实必须与定义的粒度保持一致，维度就是观察事物的角度。维度是抽象的对客观事物的描述。维度有层级结构，不同层级对应不同的粒度。

可以发现，一种类型的数据是稀疏或合成的，其关注特定时刻和广泛趋势，另一种数据更丰富且具有更细粒度。第一种类型数据会遗漏一些有用的细微差别和细节，但第二种类型可能需要保持一定的距离，才能区分出真正重要的数据和视为噪音的数据。这些现象往往是不可避免的，但它们都使分析和解释更加困难。数据的复杂性和模糊性使得我们很难知道从何处下手，但这又为理论发现和新的学术发现提供了更大的潜力和机遇，当然，也没有必要限制所构建理论的多样性，或许所构建的理论也具有维度和粒度，其理论本身也是万花筒和多棱镜。混沌理论或复杂性理论可能为更好地理解数据动态及静态过程提供了潜力。

发现理论需要超越数据表面描述，以便渗透到数据背后，发现背后的逻辑——无论其是简单的还是复杂的。这背后涉及数据的多态性、复杂性、非线性关系和反馈循环等。从一个不成形的数据形态转向某种理论理解，这种理解极有可能是片面的、是极端的，没有充分体现或者展示数据的丰富性、活力和复杂性，这是可以理解的，并且对他人开展研究可能有用。

对于数据的不同度量，即不同人分析同一数据会形成维度和粒度上的差异性，我认为不同的度量策略往往会产生不同形式的理论， 这些理论在本质上无好坏之分，但可能有不同的优点和缺点。 其次， 它意味着数据和理论之间的差距缩小或者逼近可以从两端（数据或理论）开始，并可能经常在两者（数据或理论）之间进行迭代。严格坚持纯粹的演绎或纯粹的归纳策略似乎都是不可取的。虽然数据本身可以产生经验规律，但需要抽象的概念化来驱动或促成数据背后的机制自然生成。

所以，我认为各种方法不是独立的或者互斥的，众多方法不一定是独立完美的或者详尽的，需要结合使用。单独一种方法或许很难解决或者满足数据无边界性、动态、多层性的性质，但是通过关注某些维度，有助于理解数据结构，但这也取决于我们关注哪些维度，相应的，必然会忽略哪些维度，关注的是否会对新理论的发现有决定性价值，忽略的数据维度是否对新理论的发现有微小或者负向作用，这都是因人而异且需要长期验证的。正因为如此，依据数据不同维度和粒度而采取不同方法的策略对于新兴理论的提出产生重要的作用。

或许基于数据的或者数据驱动的理论构建涉及如下过程：归纳（数据驱动的泛化）、演绎（理论驱动的假设检验）和灵感（由创造力和洞察力驱动，即顿悟）。灵感或顿悟可能会受到实证研究、生命体验、社会阅历、阅读、思维实验和练习的正强化，但它的根源往往是无法追踪的。灵感或顿悟不加选择地利用正式数据、经验、 先验理论和常识。当它成功地在所有这些联系之间建立了新的且可信的联系时，它就形成行动化和价值化。

这需要我们考虑研究中数据和理论之间联系的本质问题。在从数据出发进行理论化时，我们不应该忌讳迭代或同时交叉使用归纳（数据驱动）方法和演绎（理论驱动）方法驱使灵感产生，进而来指导我们的研究。在现有理论的基础上，在研究过程中有选择地从不同理论及其适配性数据出发，从数据和理论高度丰富原有理论并发现新的理论，当然数据和理论匹配的过程我们需要开发新的策略或者采取混合策略，这让我们在研究中不至于僵化或教条。从长期看，事物总是变化的，这是研究不断推进的纵向机遇。从短期看，事物会保持相对静态性，这为研究理论的提出提供了适应的时间和空间，这是研究之所以可以形成的横向机遇。

*注：本文阅读的外文文献为：Ann Langley.Strategies for Theorizing from Process Data[J].The academy of management review.1999,24(4).691-710.