基于“用户画像”的阅读疗法模式研究——以抑郁症为例

针对目前抑郁症阅读疗法施治对象的选取样本过于单一,私密性差,不能及时发现潜在患者,及时治疗的现状,提出了在大数据背景下基于"用户画像"的抑郁症阅读疗法新模式。该模式首先根据"伯恩斯抑郁症清单(BDC)"的内容来构造抑郁情绪的种子词,然后基于机器学习的方法,综合提炼用户网上行为和抑郁情绪的主观表露,构建用户抑郁情感词典。根据抑郁情感词典分析用户微博文本,计算其抑郁情感指数,得到"用户画像",进而推送相应的阅读治疗资源。基于"用户画像"的阅读疗法模式大大突破了受众范围,便于准确把握诊断、治疗时机,使患者在无意识状态下接受阅读治疗,减轻了患者经济和精神的双重压力,具有较高的社会价值和重要的现实意义。

基于用户画像的农产品电商平台设计和实现

基于"用户画像"的农产品电商平台精准营销模式的设计和实现,需要帮助农民设计好农产品电商平台"用户画像"精准营销模式。设计农产品电商平台"用户画像"精准营销模式,需要凭借大数据技术,通过专业化设计。

算法不正义与大数据伦理

大数据正在对中国社会科学研究范式、路径、方法和未来发展产生极其重大而深远的影响和挑战。然而,对于以各种算法为基础的大数据而言,在其数据收集、处理和应用中,也出现了相应的不正义伦理议题,亟需社会科学研究者进行深入思考。所谓的算法不正义,指的是在大数据的知识建构过程中,社会不同个体或团体,在大数据资源的占有、使用和分配上出现不平等,从而导致在数据资源的"代表性"、"用户画像"、决策支持、行动干预等不同维度上出现不正义的情形。在大数据收集、处理、应用的过程中,算法忽视或者无法甄别数据来源,传输和使用过程中对某个区域范围内总人口中特定人群的优待或者排斥,从而导致数据本身所蕴含的不平等被原封不动地转移到大数据的计算结果之中,这种计算结果有可能反过来进一步加剧原本不同人群在数据资源分配和再分配上的不平等,进而导致基于算法的大数据不平等和不正义。为了解决这些算法不正义的问题,学者们也提出了诸如"促进平等的数据倡议"的行动方案,有些国家和地区还出现了公民自发的"量化自我"运动,以有意识地应对因大数据及其算法而导致的不平等和不正义。