2014年3月，《科學》雜志在“政策論壇”欄目發表了Laser等人的一篇題為《谷歌流感寓言：大數據分析陷阱》的論文，引起了人們對大數據的警惕。論文作者援引2013年2月《自然》雜志發表的一篇論文所提供的數據指出，谷歌所預測的有關流感類疾病的就醫比例，是美國疾病防控中心所獲得的數據的兩倍多。前者的結論基于與流感相關的大數據搜索得出，而后者的數據依據對全美各個實驗室的流感監控報告得出。

谷歌流感趨勢預測失真的事實讓學者們開始思考這樣一個問題：鑒于這是對大數據的補充性使用，我們到底可以從這個預測錯誤中得到什么教訓?Laser 等人得出的結論是：盡管搜索或者社會媒體等提供的數據可以被用于預測，但是，大數據遠未到完全取代傳統方法、假設或者理論的時候。

“不可重復性”危機

Laser等人認為，造成谷歌流感趨勢預測失真的兩個重要因素是數據自大(data hubris)和搜索運算動態性(algorithm dynamics)。數據自大是指：大數據不僅僅是補充性的，而且可以完全替代傳統的數據采集和分析方法。搜索運算動態性是指：數據運營商為支持其商業模式、改善其服務質量、適應用戶行為的改變將對搜索運算方法產生各種影響。以谷歌流感趨勢預測為例，因其致力于不斷地測試和改善搜索體驗，故搜索運算方法一直在變，而這不僅是谷歌眾多工程師反復決策的結果，同時也是其分布在世界各地的數以億計的客戶的搜索行為所致，并最終影響其預測結果。每一次數據運算收集和運算方式的改變，都在影響數據生成和收集的連貫性。另外，一些有影響力的搜索主體，還會試圖通過操控數據生成過程的方式來達到自己獲取經濟、政治或者社會收益的目的。如此，數據生成和收集之間將出現斷裂。

搜索運算動態性因此可能導致大數據研究的“不可重復性”危機。可重復性是指科學研究被重復實施時得到的結論與原研究結論之間的一致性程度，它是科學與非科學的分界線。目前，幾乎所有的大數據研究都面臨“不可重復性”危機。數據搜索方式的頻繁改變，使人們無法獲取連貫的大數據。這使其研究不可被證偽，因此有效性大打折扣。

大數據的“不完全代表性”

大數據所面臨的另外一個挑戰是，其本質上具有“不完全代表性”。社會各界對于“大數據”的一個較為廣泛的看法是：數據量越大越好。但這并非絕對。事實上，大數據的價值在很大程度上取決于其連貫性與代表性。

大數據概念的提出，使得所有依靠傳統方式收集到的數據變成了“小數據”。但受制于數據生成、收集、遴選和加工等因素的局限性，所有數據本質上都受到 “不完全代表性”的困擾。作為“小數據”的范例樣本，語料庫的“不完全代表性”屢屢受到學術界詬病。語料的收集實際上就是對其的有原則選擇，而選擇總是意味著喪失一些重要信息。如此一來，語料庫總是有局限性。

必須指出的是，大數據本質上也是“不完全代表性”的。這主要體現在以下四個方面。

其一，大數據在很大程度上是外部事件驅動以及數據服務商商業模式主導的結果。大數據的代表性與用戶搜索行為的代表性密切相關。但是，現在用戶的搜索行為在很多時候都受到外部事件驅動。Laser等人觀察到，不僅如此，服務商還會根據各自的商業模式有意識地對用戶的搜索行為進行誘導。

其二，大數據有可能受到數據運營商的操縱。在大數據產業鏈上，一個公開的秘密是，數據運營商時刻都在利用各種軟件監控網民的搜索行為和習慣。這種監控越成功，用戶的搜索行為越受到操控，最終得到的大數據也就越缺乏代表性。

其三，大數據在某些情況下可能只是諸多無效信息的無度膨脹。大數據所收集到的海量信息，很可能都是人類各種轉瞬即逝行為的碎片或痕跡，而后者只是各種外部因素和內部因素，如情緒、欲望、從眾效應等合力作用的結果，在很大程度上可能與用戶的基本行為模式或者價值體系背離。

其四，真正有價值的數據是認知無意識數據，但限于目前的大數據挖掘技術，這部分數據仍不可能被挖掘出來。甚至在將來的很長一段時間內，我們也還沒有能力挖掘人類認知無意識活動的技術性留痕。