译者序

    这是一本简短而不简单的书。今天的我们，每天都会接触到许多有

    关量化的场景，比如行走步数记录、睡眠时间统计、心率监测等，却很

    少有人认真思考量化背后的发展体系和它可能带来的作用。我也未曾思

    考过诸如我为什么要量化步数，这些步数数据会流向哪里，流向何人，数据对我来说会有什么作用这类的问题。本书的作者们，也是被生活小

    事击中而有了写作的契机，进而去思考量化行为背后的原因以及量化所

    能带来的社会效用。本书从量化的起源讲起，逐步引入量化方式、量化

    背后的数据所有权问题，由浅入深，理论与案例结合，为大家梳理了有

    关量化的思想和做法，引出了一系列关于自我量化的讨论和思考。

    我们生活在数据泛滥的时代，每人每天都在产生着数据，也随时都

    在接收着来自外部的数据。生活在这个世界的人们，被数据和信息所包

    围，透过数据看原因，透过现象看本质是我们所希望达成的共同目标。

    生而为人，我们渴望了解自己，我们希望知道自己的健康状况到底怎么

    样，希望明白自己是一个什么样的人，也急于了解自己的状况是否为偏

    离正常情况的“异常值”，所有的这些，都是量化产生的源头。在无法获

    得契合自己的外部数据支持的情况下，我们可以选择自己记录自身数

    据，然后进行分析，这就是自我量化。记录是量化行为的基础，量化的

    形式多种多样，每个人都可以有自己独特的量化方式，借助外部工具进

    行记录也不失为一种极好的方法，这又引出关于外部数据所有权的思

    考。自我量化涉及生活中的方方面面，量化本身仍处于发展阶段，方法

    和制度尚不完善。本书提供了作者们关于自我量化的思想和感悟，也详

    细叙述了许多有关的案例及思考过程，作者们给读者提供思路，给予读

    者启迪，鼓励读者就书中提到的问题继续探究，形成自己的量化理论和

    方法，完善自我量化体系。

    2本人学识有限，译文不当和错讹之处难免，企盼读者予以批评和指

    正。

    方也可

    3致谢

    本书的关键之一在于知识(甚至自我)是一种社会性产品。所以同

    样地，这本书当然也是社会性产品，只有通过许多人的贡献和努力才有

    可能完成。虽然这是一本入门书籍，而不是像民族志一样的大作，但许

    多人慷慨地付出时间，向我们传授他们的观点，分享他们对数据的看

    法，并帮助我们理解某些风险。患者代表、数据活动家和量化自我爱好

    者的奉献启发了我们，让我们了解当人们参与到对自身有重要意义的技

    术时，会产生多大的作用，带来多大的可能性。

    马里·埃弗里(Mary Avery)首先鼓励我们思考如何向普通读者传

    达自我量化问题。如果没有她敏锐的编辑本能，我们很可能不会想到开

    展这个项目。苏珊·巴克利(Susan Buckley)和吉塔·马纳克塔拉(Gita

    Manaktala)帮助并引导我们将粗糙的想法塑造并整合为最终成品。凯

    瑟琳·卡鲁索(Kathleen Caruso)再次被证明是一位非凡的手稿编辑，她

    似乎能够优雅和细致地处理每一种可能的偶然事件，而抄写员朱利亚·

    柯林斯(Julia Collins)敏锐的眼光让本书获得了极大的改进。香农·奥

    尼尔(Shannon O’Neill)和Lippincott Massie McQuilkin(一家文学机

    构)的威尔·利平科特(Will Lippincott)与我们合作，为读者阐明了一

    些观点，并协助了本书的出版印刷。为此，我们非常感激。

    我们感谢布里塔尼·菲奥雷·加特兰(Brittany Fiore Gartland)、克里

    斯汀·巴塔(Kristen Barta)、克里斯·蒙森(Chris Monson)和彼得·纳吉

    (Peter Nagy)为与这项工作有关的项目提供了重要的研究援助，并对

    量化自我的概念进行了媒体宣传。这项工作在很大程度上也受益于匿名

    修改者们的慷慨协助，他们将时间和思想投入我们的想法中，强化了书

    中的论点。

    4唐恩(Dawn)想要感谢许多自我量化的实践者，他们的实践为我

    们带来了许多帮助。详细说来，在协助展示如何通过自我量化解决实际

    问题方面，安妮·赖特(Anne Wright)通过实践，已经对这个问题了解

    得非常清楚。多年来，拉吉夫·梅赫塔(Rajiv Mehta)一直鼓舞着我们

    的工作。史蒂文·乔纳斯(Steven Jonas)扩大了我们对数据在自我量化

    方面的作用的认知，而QS实验室的人们提供了令人难以置信的具有刺

    激性的、详尽的和富有挑战性的对话。唐恩同时也想感谢她英特尔公司

    的同事，特别是数据感知团队(Data Sense team)的桑吉塔·夏尔马

    (Sangita Sharma)、拉玛·纳赫曼(Lama Nachman)、皮特·登曼(Pete

    Denman)、丽塔·乌汉比(Rita Wouhaybi)、雷尼特拉·杜伦(Lenitra

    Durham)、埃文·萨维奇(Evan Savage)、德文·斯特朗(Devon

    Strawn)和蒂姆·科珀诺尔(Tim Coppernoll)。约翰·雪莉(John

    Sherry)作为实验室领导者和有价值的导师为这项工作做出了贡献。杰

    米·谢尔曼(Jamie Sherman)、尤利娅·格林贝格(Yuliya Grinberg)、达纳·格林菲尔德(Dana Greenfield)、明娜·鲁肯施泰因(Minna

    Ruckenstein)，以及惠特尼·艾琳·贝泽尔(Whitney Erin Boesel)塑造了

    书中提出的大部分思想。吉姆(Jim)和彭妮·娜芙斯(Penny Nafus)为

    这项工作奠定了更深的基础。特别感谢丹·贾菲(Dan Jaffee)，在本书

    撰写的困难时期为我们提供了支持。对于那位承担了必须指出很难发现

    的不足之处的工作的好伙伴，唐恩对他的诚实与合作表示感谢。

    吉娜(Gina)想要感谢许多帮助她阐述书中想法的同事，包括感谢

    他们在普林斯顿大学和斯坦福大学会谈后的讨论。中欧大学公共政策学

    院的同事，以及学院里能力出众的学生进一步推进了量化自我概念的社

    会影响。吉娜对自我量化和个人数据的研究得到了英特尔公司、普林斯

    顿大学信息技术政策中心和中欧大学高级研究所的支持。华盛顿大学罗

    马中心和布达佩斯的劳尔瓦伦堡旅馆为本书的第一稿提供了写作空间。

    特别感谢伊娃·贡奇(éva G?nczi)、伊娃·福多尔(éva Fodor)和艾格

    尼丝·福尔戈(ágnes Forgó)。菲尔·霍华德(Phil Howard)和吉娜的两

    5个儿子哈默(Hammer)和戈登(Gordon)让写作变得愉快，让我们觉

    得自己付出的努力是值得的。

    最后，我们共同感谢读者阅读本书，并强烈建议读者立即着手处理

    目前遇到的问题。

    作者

    6第1章 量化自我简介

    人们现在总是在量化自我，每天有一系列数字跟随着我们：睡觉的

    时间、走路的步数、用了多长时间挣钱、浪费了多少时光、交朋友的数

    量、发推特的数目。量化自我处于一种爆发状态。到2016年年底，有高

    达1.1亿个可穿戴传感器被运输到世界各地。1

    运动员们周末在虚拟设备

    上互相竞争；办公室的职员则对自己浪费在社交媒体上的时间进行记

    录，以及记录他们的帖子能触及多少粉丝；房东跟踪每台设备使用的电

    量；而血糖监测不再仅仅只有糖尿病人做。为什么这么多人要做这些事

    情呢？

    本书分析了量化自我这一概念，即对于自身的数据，人们如何记

    录，为何记录，怎样分析以及做出何种反应。我们分享了关于社会生活

    领域的一些新兴研究，看看人们到底怎样处理自身的数据，使用何种工

    具，以及在这个过程中会加入什么组织。我们展示了一系列日常生活情

    境，其中讲到数据为什么有用、强大、乏味、令人愉快、令人失望、错

    误，抑或无关紧要。我们还探寻当数据涉及制度时会发生什么，公司、大学、政府，还有一些其他类型的组织，都在产生或处理数据。我们关

    注量化自我，主要是因为它和人们最关心的健康、保健相关，并且关于

    健康数据对社会的影响，人们的争论也是最激烈的。我们着力于解释为

    什么人们对于手中数据的力量有如此大的热情，也会考虑评论家关于其

    有可能失控的重要预警。

    量化自我是一项人类活动，比起那些推动量化自我广泛传播的各种

    设备，量化自我本身更加有趣。量化自我不需要比纸和笔更复杂的技

    术。然而，无论是通过可穿戴电子设备，如智能手表和健身手环，还是

    通过手机、计算机，现在很多自我记录的方式都是数字化的。这些高科

    7技记录方式，与人们几个世纪以来量化自我的方式(比如写日记或日

    志)交织在一起。像这样的数字化量化方法的增多，就引发了关于旧传

    统的新问题。技术扩展了可以测量的生命领域，让前所未有的更高频率

    的记录成为可能。只有深入探讨旧传统和新工具结合的过程，我们才能

    理解一个新的社会现象是如何出现的。

    量化自我发生在社交场合中。量化自我的数字本身可能注重个体，但它们都以社会运转方式的共识为根基。技术使用者和制造商之间的关

    系预示了最终会产生怎样的技术，病人和医生之间的关系告诉我们在诊

    所中人们留下的自身数据如何发挥用途。在技术使用者、制造商、病人

    和医生的角色中，每个人都有各自的社交圈子或团体，他们通过向他们

    的圈子或团体咨询来理解什么是“真正”的自我量化。在这些团体中，量

    化自我的工具在构建，并且正在形成实践。基于这个原因，我们会花时

    间研究其中的一些社会动态。

    8写作契机

    在一个晴朗的1月早晨，我们在旧金山碰面一起写作。去吃早餐的

    路上，吉娜(Gina，一名在学术界工作的社会技术和通信学者)谈到了

    自己在圣诞节前走进肯塔基州列克星敦的一家百思买(Best Buy)的奇

    怪经历，在那里吉娜看到了我们研究的东西，着实吓了一跳：活动追踪

    器、心脏传感器、睡眠监控器、自行车监控器、婴儿监控器……那些在

    10年前看来，只是偶尔闪现的一些奇奇怪怪的想法，如今却成为送礼的

    新宠(见图1-1里的陈列)。唐恩(Dawn，一位人类学家，在工业领域

    工作，为技术发展提供信息)提到，她家当地的周报《波特兰水星报》

    (Portland Mercury)，有一期的封面故事是“健康、阴沉的年轻人”，讲

    的是阴沉冷漠的年轻人和耐克智能健身腕带的复杂组合。阴沉冷漠的年

    轻人也在自我量化？这怎么会发生？当我们努力想象热爱奋斗、运动的

    年轻人形象与穿着全黑衣服的阴沉风格结合时，唐恩被绊倒在地上。当

    她尝试着站起来时，我们意识到有些不对劲。真的很不对劲。于是就在

    那里，在我们的目的地——旧金山一家别致的咖啡馆前面，当下班的技

    术人员在等待他们的虹吸酒吧咖啡[1]

    和藜麦早餐沙拉时，我们在等救护

    车。

    9图1-1 肯塔基州列克星敦的百思买，圣诞节时陈列的量化自我工具

    资料来源：吉娜·聂夫。

    膝盖受伤需要吃一系列的止痛药，这些在身体不同循环中起不同作

    用的药丸形成了复杂的混合，它们对肝脏、呼吸和内脏有不同损伤。第

    一次服药几小时后，唐恩又服用了一次。过了几小时，她怀疑：现在再

    吃一片安全吗？她已然忘记前两片药的服用时间了。那么每天吃这些药

    会对肝脏造成什么损伤呢？其实，什么时候吃药是没关系的，每天吃药

    的剂量才是重点。服药以后，脑海中不会有印象，药片本身也让头脑不

    清醒。研究了多年量化自我的唐恩，面对如何解决这个问题的本能反应

    是做一些手工记录，也就是把事情写下来，而不是使用自动感应器来记

    录。她手机上有个应用程序，可以输入数字或一些文本，这些信息被存

    储在一个时间戳旁边。她决定记录吃的每种药的名字。当她查看应用上

    的记录时，她能够往回计算吃完药之后过了多长时间，这能让她保持不

    同种类药片的正常运转，虽然并不是通过大脑的记忆来完成。对于会损

    10伤肝脏的药片，她对距离上次吃药的时间不太在意，转而关心自己每天

    吃药的总剂量，以保证维持在推荐的数量以内。因此对于这样的药片，她统计片数，而不是距离上次吃药的时间。几周后，她向一位好奇的来

    访者展示了这一切。“嗬，”他说，“我明白你为什么那么做，但是我得

    说，如果是我，我可能不会想自己那么做。”唐恩觉得，如果不是在写

    这本书的话，她也不会那么做。

    2014年，高德纳(Gartner)工业技术研究集团将可穿戴设备放在了

    他们“技术成熟度”曲线的顶端，这个曲线是一种在硅谷工业界中广泛接

    受的评价因子。到2015年，可穿戴设备已经进入高德纳曲线的“幻想破

    灭期”，这是人们普遍认同的一项技术在人们长期适应之前往往会出现

    的充满质疑的阶段。与此同时，社会科学家和哲学家也开始研究可穿戴

    设备如何交易和使用，并提出问题。他们特别关注的是，如何以牺牲其

    他价值为代价，来美化科学的实用性，人们对数字投入了过多的关注，对生命本身的关注似乎减少了。他们开始担心人们被要求承担一些管理

    风险的责任，但对于这些风险，人们几乎没有实际控制经验。他们在其

    他许多生活领域都见过这样的社会动态。当人们允许某些公司通过数据

    窥探自己的生活时，对于占优势地位的公司所拥有的这一巨大权利，社

    会科学家和哲学家均表示担忧。社会科学家和评论家担心，量化自我会

    给予那些决定衡量什么，以及由谁衡量的人过多权力。然而，当唐恩的

    病情袭来时，量化自我的能力不再仅仅是学术交流或行业炒作的话题，它变成了一件非常重要的事，无论是在实际还是在个人层面都很重要。

    这种能力超越了在大型零售商货架上售卖的量化自我设备本身。

    记者诺拉·杨(Nora Young)也许是第一个注意到量化自我给人们

    带来紧张感的人。2

    我们每一步行动的数字痕迹都可能引发可怕的社会

    后果，如严重的隐私侵犯、日常生活商品化、“健康主义”(对被认为健

    康的所有事物发生痴迷)3

    ，以及对个人的过分关注，这种过分关注可

    能会侵蚀我们参与社会活动的积极性。但杨也指出，量化自我对个人和

    11社会都很有用。正如对药物保持追踪能够保护唐恩的肝脏免于伤害，不

    久我们会发现，整合后的数据有时会带来更好的医疗知识，偶尔还可以

    为更合理地参与医疗实践提供参考。

    我们对这种紧张感越来越关注，作为个人我们关注自己的数据，而

    社会科学家则研究人们在收集和使用数据时所涉及的社会问题。我们认

    为，在有用性和社会复杂性之间的这种紧张关系，创造了对这个主题的

    介绍性书籍的需要，书里应当汇集现有的研究、相关的新闻和其他材

    料。更广泛的公众参与量化自我的讨论，可以让社会平衡更加倾向于公

    众利益。我们在日常生活中对于数据收集的选择，会影响其他人用这些

    数据所能做的事，以及数据如何应用于我们身上。当我们不能选择何种

    数据被收集及数据去向时，作为公民，我们拥有提高自身呼声的能力会

    变得更重要。

    公众对量化自我的兴趣可以看作一种广泛的、具有公民意识的事

    情，比如对隐私政策或是监控的关注。然而，它也与家庭密切相关。量

    化自我的数据是个人的，但本质上它还是社会性的。请考虑以下情况：

    在众多可用来确定室内空气质量的传感器中，有人使用了其中之一，会

    有多少人受到影响。家庭空气质量监测设备可以捕捉到室内空间中所存

    在的物质的数据，包括潜在的有害物质(如一氧化碳)，抑或来自其他

    地区甚至其他国家的工业毒素。室内空气质量影响着房间里的每一个人

    和潜在访客。不同物质对于每个人的影响不尽相同，这些物质由设备追

    踪着，产生了数据，或许会改变屋子里的人们谈论健康的方式。不过，改变空气质量可能不是单单一个房主可以独立解决的事情。这是一个最

    终可能需要通过地方、国家甚至国际努力来解决的问题——谁为此买单

    可能会引发争议。

    空气质量并不是唯一影响他人的数据类型，许多数据都会影响。即

    使是个人的遗传学数据，也反映和揭示了我们的直系及旁系亲属的某些

    12情况，而选择进行基因组分析的个体，得到的结果对所在家庭也同样适

    用。很多时候，我们认为量化自我是一种个人(有时是自恋的)追求，但产生的数据对很多人都有影响。这里的利害关系是我们用来看待自己

    和他人的透镜。能够用心地设计或使用这些透镜是一种能力，这种能力

    可以帮助形成或破坏重要的关系。

    我们还要与许多未知因素抗衡，有些因素与新兴技术的性质有关，有些因素则与不同类型的数据在社会上的处理方式有关。有时，我们收

    集数据的能力超过了理解它的能力。人们收集的关于基因组、微生物组

    (肠道内的细菌被认为会影响从肥胖到精神健康的所有身体状况)，以

    及环境暴露(身体接触到的污染物)的数据，已经超过了目前科学所能

    理解的范畴。人们会如何对待这样的不确定性？他们会对医生和医疗保

    健系统提出什么要求？他们将如何挑战科学家和专家，或者如何动员科

    学家和专家？他们会期待政府和社会回应什么？

    对于未知，尽管人们争论不休，但在很多情况下，人们会利用量化

    自我来满足自己的具体需求。母亲看着孩子成长，不仅观察孩子身体上

    的变化，也通过数据来感受。运动员通过数据提高“比赛成绩”。糖尿病

    患者只是简单地想要安全地过日子。在不同的情况下，量化的形式都有

    所不同，且必须满足不同目标。量化需要某种系统的记录方式——手

    机、纸和笔、传感器、记忆。有人可能会购买设备或者下载应用程序来

    解决问题，识别故障，或形成一个习惯。我们发现的问题是，许多现成

    的可供选择的量化工具，都是通过“授权”而出售的，实际上并没有帮助

    人们弄清他们应该问哪些问题，更不用说如何问下一个问题、测试自己

    的想法或有所发现。结果是，虽然大家都希望能摆脱自我量化设备，但

    几乎没有人能做到。同时，社会科学家们开始关注一个问题：这些设备

    正在引起一些社会成本和负担。

    这种情况不是必要或最终的状态。我们希望提供有关量化自我的基

    13本思想及一些挑战性信息，以支持更广泛的讨论研究。我们有两种方式

    来完成，第一种是展现基于我们和他人的研究，当人们通过量化自我成

    功完成目标时，他们会有什么反应？这并不需要特殊的技术技巧或科学

    知识，我们会在书中分享一种方法，这种方法对很多人都很有效。第二

    种是指出医疗实践团体、商业活动和政策制定等领域的自我量化，在这

    些领域中，更多的公众参与会促进量化自我工具的进步，而且并不会对

    公共利益造成破坏。

    本书的各位作者都具有不同的专业背景，因此可用不同的知识为我

    们引入量化自我打基础。我们在书中所介绍的研究，包括我们自己的研

    究，都是基于文化和社会的，不是基于行为主义或通过技术测试得出

    的。在我们的研究领域，我们试图理解人们如何看待他们所处的环境，以及他们如何形成所持有的信念。我们在这里进行的研究倾向于通过观

    察以及与人们在“自然”状态下交谈，而不是严格的实验室实验。

    考虑到我们的个人背景，唐恩成立了研究小组，调查消费者使用一

    种名为生物传感器的新型技术的情况，这种技术有许多在量化自我方面

    的应用。像许多不在大学工作的人类学家一样，唐恩把人种学应用到设

    计和商业问题上。现在她与人合作，共同领导一个综合工程和人种学研

    究项目，以了解产品设计如何更好地支持新的数据形式。她也是量化自

    我(Quantif？ied Self，QS)社区的积极参与者，QS社区是一个为量化

    自我的人群组建的团体。唐恩工作的公司——英特尔，一直是QS社区

    的赞助商，并为自我量化制造技术组件。正如我们将在第4章展示的，将智力投入与社区工作及日常工作结合起来，在自我量化中并不少见。

    尽管这些实际工作加深了人们对量化自我的了解，但它也造成了一个有

    自身局限性的观点。

    吉娜是一名为大学工作的通信技术社会学家，她和唐恩合作参

    与“生物传感器”项目，这个项目专注于数字健康创新领域。她研究了量

    14化自我如何模糊家庭和诊所之间的界限，以及规则如何影响医疗实践和

    自我保健之间的关系。她重点分析工业和社会机构在实际操作中如何使

    用技术。

    利害关系是我们用来看待自己和他人的透镜。

    与任何介绍性书籍一样，本书根据作者的倾向和观点所著。我们很

    可能遗漏了一些重要的话题或者领域，或许是因为当时的文献还不够成

    熟，没有太多相关内容；又或许是由于我们写了这本书之后，相关作品

    才出现。我们也可能会重点强调一些内容，只是因为我们各自的学科与

    这些问题更有相关性，或许是我们在这个团体中的角色所需，又或许是

    我们和书中说到的其他人一样，受到了社会环境的影响。无论多么细

    心，研究人员都无法避免这些因素影响他们选择研究的东西和那些看起

    来合理的方法。

    我们认为，如果我们想要了解诸如为什么人们在几个月之后会放弃

    使用活动追踪器，或不再打开智能手机上的健身应用，社会学和人类学

    的观点会有所帮助。在市场上，自我量化工具的成功和失败既不是巧合

    也不是所谓的未达用户要求。虽然在实践中，用心理学思想来增加个人

    用户与产品的黏性是被大量使用的技巧，但社会也有一套规则来解释：

    为什么即使使用这些技巧，许多人往往在使用自我量化工具几个星期之

    后，依然将其搁置一旁了？这些高度一致的社会模式、文化习惯，也引

    发了关于数据所有权、访问权、隐私权，以及数据在医疗和商业中的社

    会地位的讨论。这样的讨论决定了数据是否可用于产生它的人，决定谁

    能参与医学研究和突破，谁有权限去规定从数据中得到的内容，以及谁

    可以挑战科学的权威。推动公众讨论，不仅有助于了解参与者的意见，还可以了解人们对人类、技术、社区和社会如何运作的期待。这正是社

    会科学可以做出的贡献，也是我们希望在书中介绍的内容。

    15持续量化的世界

    量化并不是新近产生的。本杰明·富兰克林(Benjamin Franklin)是

    18世纪美国政治家，他持续地记录了自己如何花费时间，以及是否达到

    为自己规定的目标。他用图表和便条的形式量化，来“执行自我检查计

    划”4。这种以日记形式进行的日常量化很常见，事实上在18世纪，日记

    就是被共享的。人们使用相对简单的条目，按顺序简短地记录发生的

    事。通信学者李·汉弗莱斯(Lee Humphreys)和她的合著者发现，今天

    的推特与十八九世纪的日记非常相似，都是“用当前时代的传媒方式与

    他人探讨、反思、交流和分享”。5

    虽然风格与本杰明·富兰克林非常不

    同，20世纪20年代的发明家巴克敏斯特·富勒(Buckminster Fuller)也量

    化自己，他的做法是：创建一个大型的剪贴簿，严格地每15分钟记录下

    一些东西。从某种意义上说，这两种风格体现了今天仍在持续的自我量

    化思路，一种是数据在改变生活的过程中发挥主动作用，另一种则是被

    动地支持个人反思。今天，我们可能会把富兰克林的方法称为“自我量

    化”；而将富勒的称为“生命记录”，它是自我量化的近亲，虽然只是近

    亲，但它可能比我们想象的更具干预性。对于我们现在所称的自我量

    化，富兰克林的尝试具有非工具性和思考性，与我们最初所认为的相

    比，他的方法其实更像“生命记录”。除了历史上的这两种方式以外，我

    们需要加上第三种——主动的自我实验。在出现现代临床试验之前，自

    我实验是科学工作的重要组成部分。为了解眼睛的运作方式，艾萨克·

    牛顿爵士(Sir Isaac Newton)盯着太阳的反光，差点失明。在当时布洛

    芬、疟疾疫苗和神经科学的历史中，都曾有过自我实验，并且直到现

    在，自我实验者仍持续做出重要发现。所有这三种方式(自我量化、生

    命记录、自我实验)，都对我们如何看待自我产生了影响，并都有各自

    的历史。

    “实验”这个要素一直引发关于谁才有知识，什么才是有效知识的问

    16题。多数人手中的数据都带有某种色彩，有创造或破坏信仰的能力。当

    代自我实验的支持者认为，自我实验不是小众的科学形式，它可以在比

    实验室更实际的情形中完成实验，促进更多的纵向追踪研究工作。但怀

    疑论者认为，自我实验不足以消除偏差，因为实验者既是研究对象，也

    是研究数据的解释者。然而，对于这种对偏差的指责，我们应该始终保

    持冷静。科学范式的转变不仅仅是通过更多的证据(如果用一种特定的

    方式看待问题，这些证据可能一直都存在)，也会随着信念的改变而改

    变。历史上的案例提醒我们，对于信仰某件事的人来说，抛开信仰去看

    待事物的本质，是非常困难的。例如，在中世纪的英格兰，女性治疗师

    发现，将面包放在伤口上可以加速痊愈(其实是青霉素的作用，有谁能

    想到吗？)。因为性别因素的影响，她们的方法被指控是巫术，而非科

    学发现，但即使在这种情况下，她们也远远领先于正在根据希波克拉底

    (Hippocratic)四液学说[2]

    工作的“正当”科学家。与此类似，当世界各

    地的本土研究组织发展民族植物学知识时，他们的实践有时有着出人意

    料的生物学有效性，虽然有时也没什么用。研究这些植物的科学家偶尔

    会依赖现有的相关本土知识，并且也不时抛弃这些知识。

    在我们将要阅读的一些例子中，人们通过自我量化，来探寻某些西

    方科学没法发现但却有用的知识。在另一些例子中，他们所做的工作已

    被已知的情况证实，或依赖于已知情况的证实。人们在本不该怀疑的地

    方怀疑，或因来源不可靠而忽略某些发现，这正是社会偏见暴露的场

    景。相对立的信仰和证据可以有意无意地在科学和世俗两个领域并存。

    这本书的深层目标是，展示基于数据的自我实验如何迫使我们与证据和

    信仰之间的不确定性搏斗，以及我们如何决定什么是正统知识，什么不

    是正统知识。

    如果量化一直存在，那对于自我量化来说，又有何新发展呢？第一

    个是技术转变。通过电子设备来感应各种现象，一直是工程和计算机科

    学的目标。手机作为计算平台的出现，传感器和其他构成传感器系统的

    17组件的小型化，基础连接设施和数据存储设备的改进，都为广泛使用传

    感器创造了条件。这些东西的相互依赖极其复杂，拥有运转良好的传感

    器系统就足以令人惊讶了，更不用说还有基于此的延伸市场。

    第二个发展是一项文化变革，即生物医学化，它是对事物存在状态

    的医疗或生物方面的解释延伸。6

    现在，从情绪、感觉到成功本身，很

    难找到没有生物医学解释的角落。生物医学化已经成为一种思维模式、一种思想习惯，它使医学成为解释事物存在形态的最容易接受的解决方

    案，也即解释事物为何以现有的状态存在着。在生物医学化的世界中更

    容易认识到，人们之所以以现有的方式行事，是因为神经元丛集，而非

    文化或社会。生物医学化在我们现有的认知中勾勒出一个新篇章，使自

    我量化更具体和可期待。“健康”不再仅仅是对身体状态的描述，它已成

    为一个有重量的词汇，是人们认为是否达到期待状态的委婉表达。被告

    知“你的行为不健康”可能带来难以置信的羞耻感——你刚刚被指出破坏

    了生物医学世界的社会规则。生物医学化也是影响技术市场的强大社会

    力量。尽管只有小部分自我量化工具用于医学，但这些工具大多采用生

    物医学化的理论和框架。通过这种方式，生物医学化在消费电子产品体

    系中占有一席之地。

    在自我量化过程中，社区和工具指导人们能或不能做什么。有些看

    似可追踪的方面可能存在技术限制，位于社区内部可能会使一些事情看

    起来更需要量化。接下来，我们将介绍一些有关自我量化的做法、使用

    的工具、形成的自我量化社区的基本情况。这些概述有助于为第2章奠

    定基础，在第2章，我们将探讨由自我量化工具引申出的更广泛的社会

    问题。

    生物医学化在我们现有的认知中勾勒出一个新篇章，使自我量化

    更具体和可期待。

    18现有量化做法

    人们究竟会如何处理自己的数据，是个很重要的问题。这主要有两

    个原因。首先，与工程师和研究人员一样，普通人也通过尝试来发现和

    学习。他们的发现可以增进我们对数据的共同理解。其次，人们对数据

    的处理从某种程度上讲是一种经济活动。市场不存在“游离于人群之外

    的地方”——卖方和买方之间存在沟通，在沟通过程中，涉及如何使用

    这些东西的想法和技能互相交换着。市场内部长期存在的关于身体、科

    学和视觉形式的想法都已付诸实践，并因此发生着改变。7

    量化经常涉及使用新的小工具，有趣的是，最倾向于使用新的小工

    具的人(在某些圈子里被称为“主要用户”)，量化的兴趣往往与广大公

    众一致。在全美范围内的抽查，和对QS社区中自我量化者视频的分

    析，揭示出在量化的对象和为何量化方面，自我认同的“自我量化者”与

    广大公众群体有着惊人的相似之处。对二者的研究都发现，人们主要量

    化身体活动、食物、体重。8

    在表1-1中，我们总结了人们期待的有关自

    我量化的结果，其中包括改善健康、改善生活的其他方面以及寻找新的

    生活体验。

    表1-1 QS社区中部分自我量化项目和动机

    19虽然自我量化形式多样，但数据有一个共同的“生命周期”，在周期

    内，人们收集、融合、分析和对数据做出反应。9

    同样，卡内基梅隆大

    学团队也确定了自我量化面临的关键挑战，包括收集所需数据(例如想

    录入数据的时候，设备却正在充电)，整合数据使其变得有意义(例如

    如何才能在同一个地方获取所有数据)，以及研究数据(例如放弃做其

    他事的时间来反思，因为数据不像表面上看到的那么简单)。10

    普通的

    自我量化者想要通过追踪设备来获得他们需要的结果，可能面临更多困

    20难。根据普华永道的一份报告，21%的美国民众在使用可穿戴设备，但

    坚持每天使用的只有10%。11

    2012年，有60%的健康应用的用户使用周

    期仅为6个月。12

    早在多年前，技术行业就已经意识到普遍存在的提前终

    止使用的现象。13

    学术研究也发现自我量化工具无法长期“吸引”用户。

    我们将在第4章中讨论目前技术行业为何如此努力地增加用户黏性。

    仍有自我感觉良好的行业和媒体，公开表达对健康支持技术的强烈

    需求(再次忽视了自我量化实际上可以做到的所有其他事情)。大约一

    半的受访美国人表示，相信可穿戴技术能提高预期寿命10年(占比

    56%)，帮助减肥(占比46%)，提高运动能力(占比42%)。14

    显

    然，“该行业的数据产品可以解决健康问题”的信息正在扩散，即使事实

    上问题并没有得到解决。“量化带来看到缺陷的能力”的假设，反过来又

    形成为支持自我量化而参与、影响商业模式和技术设计的能力。但是，在实际使用时，人们放弃量化的比率表明，他们也不认为这种模式足够

    有效。通过引进技术就能减少肥胖或增加寿命的幻想，开始与生活中人

    们如何使用这些工具的实际情况发生碰撞。

    一些研究人员认为，人们在自我量化时“真正所做的”，是证明自己

    可以妥善管理自身事务，并以社会认可的方式控制身体。15

    另有研究人

    员将自我量化描述为“一种为了放松自己的思考负担，人们将身体管理

    任务外包给技术的做法”。16

    还有一些人希望看到技术作为“感觉的实

    体”来限制自己，让自身专注于即时的闪念，而不是经过深思熟虑的明

    智追求。17

    我们自己的立场是：数据应该被认为是一种传感器。18

    电子传

    感器通过保持电信号的质量来读取数据，且只保留其中一些信号。烟与

    火并非同一事物，但有时烟预示着火。类似的，就数据来说，一些数据

    被传递下来而另一些没有，在这种不完美的传递中，人们有许多发挥空

    间。

    别人的做法以及别人为何如此，是人们看待自我量化的重要影响因

    21素。有时自我量化不是个人行为，虽然它的名字可能意味着这一点。在

    各种各样的情况之中，自我量化中的“自我”被其他利益和动力所驱动，开始变成“他人量化”。社会学家黛博拉·勒普顿(Deborah Lupton)分析

    了完全自我驱动和被商业推销驱动的量化，这有助于确定二者兼有的情

    况。19

    公共量化(communal tracking)，同时也越来越多地被称为“公民

    科学”，涉及将私人的量化数据捐献给公共卫生研究，以期获得更大收

    益。例如“开放路径”(Open Paths)项目，协助用户从多个移动设备和

    数字源获取数据，然后选择将自己的数据捐赠给哪个研究项目(如果有

    的话)。逼迫量化(pushed tracking)是人们被给予经济激励的情况，例如雇主通过各式各样的棍棒和胡萝卜来“激励”员工自我量化；或受到

    来自社会的压力，使得不量化会付出很高代价。有时出于医学或其他方

    面的原因，孩子会被父母要求自我量化，或由父母来对他们的举止进行

    量化。父母确实有这样做的理由，但与成年人相比，孩子给出有意义的

    反馈的能力更弱。强制量化(imposed tracking)指没有更有效的替代方

    案时的量化，例如当活动量化成为就业或参保的先决条件时。

    关于产生数据的自我量化者和数据访问者之间关系的思考尚未达成

    一致，要想形成更有力的公共政策，这些都是讨论的关键。这也是可能

    发生更严重的负面社会后果的地方，我们或许将会看到涉及更强烈抵制

    的做法。最近警方使用身体相机、警车车载相机和路人使用手机相机的

    经验表明，监视工具有可能被用于与初衷完全不同的地方，比如用于反

    监视，或从底层观察上层权利者。到底谁监视着谁，不能一概而论。

    [电子书 分享微-信jnztxy]

    22用于量化的工具

    谈到工具，我们指的是任何可用于收集、分析和理解自我量化数据

    的设备，这里的“数据”包括了从原始的纸笔记录到“实验室”数据，比如

    微流体学的新发展，使得在不将样品送到实验室的情况下，也可测试血

    液、唾液或其他流体。自我量化技术已经发生了许多重要变化，提升了

    我们收集和分析数据的能力。电子产品的小型化使我们可以在手机和可

    穿戴设备上记录运动数据，电池寿命和低功耗芯片组的改进使传感设备

    的使用时间可大于一天，低能耗蓝牙无线电的引入使得设备可以更有效

    地连接，当然我们也可以使用云计算来存储和处理数据，从而使日常量

    化成为可能。仅仅在确保电子设备不熔化上，就已经做了很多工作，这

    本身其实就是一项伟大的工程，更不必说上文所提到的技术。从技术上

    来讲，一些事物本身就更易量化，例如步数与压力或激素的关系，这影

    响着人们在选择量化对象时，侧重于关注“健康”还是“健康综合征”。20

    工程师必须面对复杂的电路，但他们也有自己的社会想象力。技术

    建设社区内流传着许多“愿景”，它们通常预示着最终会推向市场的产

    品。20世纪80年代诞生了普适计算(ubiquitous computing)思想，即计

    算机有一天会成为身体和环境的一部分，而不仅仅存在于办公室中，这

    一思想自产生之后一直是技术社区的重要思想。这个想法有效地推进

    了“可穿戴性”的思考。诱导计算(persuasive computing)思想，指计算

    机可以“推动”人们以特定的方式采取行动，也促进了可穿戴设备中常见

    设计策略的创建。计算机科学的这个子领域也对游戏化(gamification)

    提供支持，也就是使用游戏设计技巧来鼓励用户执行某些动作。游戏化

    将量化行为转换为游戏，比如用积分、星星奖励，来鼓励使用牙线或跑

    步，或者用更精致、更复杂的策略来奖励某些行为或动作。社交网络分

    析是另外一个驱动技术行业的想法。新形式的媒体建立在社会学家斯坦

    利·米尔格拉姆(Stanley Milgram)20世纪60年代提出的“六度分隔理

    23论”之上。脸书、推特以及类似的专业社交网站，都应把自己如今的受

    欢迎程度归功于社交网络的重新发展。现在，大部分记录活动的应用或

    设备都有社交属性，比如可以邀请朋友、家人来竞争或支援。网络并非

    唯一的社交方式，但网络被嵌入大多数技术系统中，因为网络提供了展

    示社会关系的、可供计算机处理的结构化方式。

    24有关量化的社区

    在社会学和人类学中，“社区”这个术语有时指代强大的相互关联的

    社会或家庭关系，而另一些情况代表特定的地理位置。“实践社区”指围

    绕共同利益而召集起来的一群人。21

    在线论坛被称为“社区”，无论它们

    是否具有真正的社会支持，或可能只是技术公司出于自身利益，用怀旧

    感来吸引大家的注意。无论如何，在许多团体和地方，人们都谈论着自

    我量化数据。本书中，我们将用“社区”来特指人们一系列或松散或紧

    密，甚至可以位于不同地方的关系，人们在“社区”中谈论数据。这些关

    于数据的讨论，有时发生在家庭成员之间，有时发生在医生当中，有时

    人们在线和朋友或其他人比较数据。同时，对于如何讨论自我量化数

    据，专业的实践社区也有他们自己的一套方法。我们使用社区来代表所

    有这些不同种类关系的做法，建立在查尔斯·卡杜辛(Charles

    Kadushin)对社会圈子的定义之上，即使私下里不相识，人们也可以属

    于同一个圈子。22

    在社会圈子里，人们对于谁属于或不属于这个圈子，有一套不成文的规则。

    自我量化实践在几个不同的社区开展。前文中提到的QS社区是其

    中一个很重要的社区。在注意到旧金山湾区周围的人们从增强的自我量

    化技术中获益之后，2008年，《连线》(Wired)杂志的编辑加里·沃尔

    夫(Gary Wolf)和凯文·凯利(Kevin Kelly)，在凯利位于加利福尼亚

    州帕西菲卡的家里，举行了首次聚会。之后不久，沃尔夫建立了网站

    quantifiedself.com。截至目前，QS社区“聚会”在38个国家的119个城市开

    展，还定期举办国际会议和座谈会23。QS社区强调单个个体的自我实

    验，他们有时称作“多中取一”研究，其中“多”，也就是研究中的所有案

    例总数，其实就由个体本身组成。在大多数QS聚会中，人们通过“展示

    和讲述”分享自我量化经历，所有发言者都被要求坦率地回答三个问

    题：你做过怎样的自我量化，你是如何开展的，你从中学到了什么。许

    25多谈话被录制下来，并发布在网站上分享。

    QS社区中的一个关键规范是，人们将意见集中在他们所知道的适

    用于自己的方面上，这意味着可能并不适用于所有人。这种扎实的对话

    风格为信仰、观点、立场和价值观的多样性腾出空间，同时促使人们相

    互学习。24

    QS社区也不仅仅是敢于尝试的先导型用户专属的群组，它正

    在演变为一个社会舞台，在这个舞台上，人们讨论本书中讨论过的许多

    社会争议。QS社区使用的在先导型用户之间提倡的会话风格，也可促

    进技术和公共卫生的对话，这通常难以在单一的专业社区中进行。在讨

    论中，会产生一些非常实际的进展，尽管不完全成型。

    惠特尼·贝泽尔(Whitney Boesel)是一位社会学家，也是QS社区的

    成员，她设计了一个极好的表格。她将在沃尔夫和凯利的第一次聚会中

    发展起来的，在后来全世界的QS聚会中占据主导地位的实践区分出来

    (见图1-2)。因为人们经常把自我追踪称为“自我量化”，她把大部分

    人的通常做法称为“广泛自我量化”，占主导地位的实践人群称为“主导

    自我量化”。这张图用一个圈代表QS社区，她所特指的“那个群体”，即

    主导自我量化，存在于广泛的社会实践和现象之中。

    26图1-2 量化的分类

    资料来源：惠特尼·贝泽尔，The Society Pages.

    因“广泛自我量化”悦耳易记，所以已经被记者、产业权威和学者等

    推广使用，用于指代和自我量化相关的所有事物。记者们现在说“自我

    量化技术”(计步器、睡眠记录装置和类似的产品)和“自我量化运

    动”，他们通常用这些词描述使用自我量化产品的广泛人群，而不是QS

    社区活动中的小部分人群。以“自我量化”的名义，许多关于自我优化的

    文化价值的说法被提出来。

    27问题是，在许多情况下，“自我量化”这个词用于指代的对象，却恰

    恰与QS社区里的人们极力想达成的事情相反。这个词的使用经常(但

    不总是)独立于QS社区成员的想法，他们的思想和对自己所做工作的

    定义也被忽略。在QS聚会上，你不会发现有人刚刚谈论并吸收“我们都

    需要优化我们自己”的观点，但你会发现人们在质疑医生的处方、满足

    个人的好奇心。沃尔夫本人对自我量化的介绍，侧重于发现，而不是顺

    从于既定的做事规则：

    “关注自身健康的量化者，希望确保医生不忽略他们身体状况的细

    节；关注自我精神状态的量化者，常努力在市场诱惑和常识的错误观点

    中，寻找实现自身个人价值的方式；健身量化者尽力根据自己的体型和

    想要达成的竞争性目标来调整训练计划，他们同时也想了解自己的优势

    和劣势，发现未知的潜力。在这方面，自我量化不是优化自我的工具，而是发现自我的契机。”25

    QS社区的成员都有自己关于“量化自我”真正含义的定义，虽然并不

    都和沃尔夫的一样，但在这个名字里，有一些重要的在发生的东西，不

    能和这些其他的方面混在一起。为了更清楚明白，我们在这本书里使

    用“自我量化”来泛指人们量化自我的做法和社会现象。用“主导自我量

    化”，即QS，来指代沃尔夫、凯利建立的这一特定社区。

    QS是一个重要的社区，在随后的章节中，我们会了解关于这个群

    体的更多知识，但它并不是人们为了解数据意义所成立的唯一组织。长

    久以来，在网络上，在线的患者社区一直很活跃，也包括许多分享、讨

    论数据的论坛，人们在其中一起转换、整合数据。一些在线社区，比

    如“Patients Like Me”和“Cure Together”，为了促进收集有关病情和疾病

    的更多知识，要求成员共享数据。其他组织有更具社交风格的在线工作

    架构，比如我们在标签“推特聊天”中发现的bcsm(breast cancer social

    media，乳腺癌社交圈)标签，hcsm(healthcare social media，养生社

    28交圈)标签，hpm(hospice and palliative medicine，临终关怀医学)标

    签；脸书群组；以及一些围绕特殊病症和疾病而建立起来的网站。应用

    和服务通常提供“社交”功能，基于社交网络或一对一联系。例如

    Coached.me网站，将潜在的数据驱动的健康教练与持有数据并寻求建议

    的人群关联起来。这类应用和服务通常可以让人们在一个小群体里分享

    数据、得到鼓励，感受来自他人的关心。

    还有一些社区，对看到自我量化的特殊愿景成为现实很感兴趣。这

    样的情况在卫生改革和技术会议上很常见，如TEDMed(专注于医疗方

    面的TED演讲)、斯坦福药物X计划(Stanford's Medicine X)、欧莱利

    健康项目(O’Reilly Health Foo)、健康情报和系统管理组织

    (Healthcare Information and Management Systems Society，HIMSS)，以及健康2.0(Health 2.0)。他们由企业家、学者、工程师、风险资本

    家、医学专家组成，也有一些是应患者提倡而建立。在学术方面，计算

    机科学大会比如全球普适计算大会(Ubicomp)、诱导计算(Persuasive

    Computing)和CHI(Computer-Human Interaction，人机交互)研究开发

    了目前市场上的许多技术。

    最后，最重要的是人们为了理解数据而寻求帮助的社区。在这里，人们通过和其他人对话来理解数据——这些对数据的理解不是空穴来

    风，它们不同于在线或者因某种目的而设立的特殊社区。关于自我量化

    数据的谈话内容，会因为谈话对象不同而完全不同，比如和家人、医

    生、朋友或其他使用自我量化工具的人谈话。

    当社区、工具和实践交织在一起时，我们发现，一系列争议和社会

    问题会导致最终谁从这个现象中获益。在第2章，我们将进一步探讨目

    前的问题。在随后的章节里，我们深入探究关键社区如何通过研发新产

    品和工具来解决问题。

    29[1] 一种煮咖啡的方式。——译者注

    [2] 四液学说认为，人体内部由血液、黑胆、黄胆、黏液四种体液组合的比例不同，构成

    了每个人的不同气质。——编者注

    30第2章 当个体面对社会，孰轻孰重

    不论我们是否愿意进行自我量化，或被他人(征求或未征求我们同

    意地)量化，我们的个人数据(通常是最原始和私人性质的数据)，都

    会把我们与广大的社会体系联系起来。数据包含一个虚拟自我，即存在

    于全世界服务器里的“数据分身”。1

    当它踏上旅途，自我的一部分也一同

    前往。在这方面，数据带有社交性质。它同时具有个人性和政治性。

    谁需要数据？他们又想用数据做什么？本章将概括讲述可以影响这

    些问题答案的社会动态。当自我量化技术在新闻里大肆讨论时，隐私是

    最经常被提出的问题。这很容易理解：有越多关于我们的数据充斥周

    围，我们的隐私就越容易受到侵犯。但同时也有许多其他的关于数据的

    可能影响，在个人和社会层面，积极的消极的都有。一方面，由感知技

    术获得的数据可能造成歧视，或导致关于身体的负面观点合法化。另一

    方面，个人数据，特别是和他人的数据结合起来分析时，可以产生造福

    于个人和社会的发现。我们最后讨论隐私，因为先理解技术的其他含义

    可以帮助我们认识为什么隐私如此重要，却一直极难保护。

    31作为个体，我正常吗

    当人们初次使用活动记录器时，所问的第一个问题常常是自己的读

    数是否正常。“正常”有时候等同于“和大部分人一样”，也有时候被用以

    形容理想情形。许多自我量化工具无法区分二者。生物医学化的文化，教导我们结合其他人的状况来衡量自身，这也是科学通常的做法。科学

    在人群里测量某种现象，并将人群分类。用数学图像来描述的话，大部

    分人处于正态曲线的中间位置，正态曲线是一个钟形的曲线。并非所有

    医学现象都呈钟形分布，不过如果数值在一个想象的“中心”外，从人文

    角度看，就意味着出现了某些问题，或许需要医学干预，或许需要自我

    约束。然而，也不是所有个体都存在问题，数值高低的不同、中心点的

    不同可能仅仅是个体差异。 [电子书 分享微-信jnztxy]

    人们在决定自己要测量什么的时候，数学正态分布与理想状态下

    的“正常”的融合给予他们巨大力量。我们中的许多人生活在那种崇

    尚“自我提高”和“采取行动”的社会环境中。如果选择不对一些潜在的问

    题采取行动，这个人将成为人群中的双重异常值，是绝对“不正常”的存

    在，也意味着达不到自我提高者眼中的文化上的理想状态。数据可以使

    人们承担起一些相关工作，比如确定他们的数据是否代表正常的个体

    差、身体问题或关于健康的社会信念。要区分生物学上的人类问题，与

    因为公众定义其“不正常”而成为问题的问题，不总是那么容易的。

    比如活动跟踪器。大多数跟踪器推荐每天走10000步，让我们跳出

    思维定式来看，这个数字其实高于美国平均水平的两倍，并且，对于多

    数人来说，高于官方推荐的每周运动150分钟。当某人一天走了7000步

    之后，应用告诉她，她其实应该走10000步，她就可能会思考“我正常

    吗”。她或许会决定接受达到10000步才是“正常”的观念，接受自己缺乏

    运动的事实。她甚至可能会多走几步，虽然在现实中，这种情况常常只

    32存在于这个设备是新买的并且很有趣的时候。运动监视器通常不会标明

    不同种类人群“(平均状态下的)正常”步数是多少，也不会说明不同医

    疗条件的不同影响，或者告诉用户这只是一个理想水平。特定年龄的平

    均步数是多少？不同健康状态的呢？不同医疗水平的呢？我们可以认为

    17岁和70岁的人需要同样的步数吗？美国的步数平均数比汽车不那么普

    及的国家少。世界上从事农业的人步数更多，他们每天走的步数比西方

    国家认为的“正常”甚至“理想”数目还要多。他们的“正常状态”是否也被

    认为是“理想状态”，这是一个充满价值的判断，差不多和过度工作的后

    果评估一样重要。

    于是，“我正常吗”成为社会划分人群——年老或年轻，体力劳动者

    或办公室白领，和随后人们如何使用这些分类的问题。一项基于工作地

    点的步数研究显示了随着量化变得更加广泛，这些分类将如何演变。2

    一个项目在公司内组织了一项竞争最多步数的比赛。这个比赛不会对人

    们的活动水平产生长期影响，但它引发了关于能或不能每天走10000步

    的合理讨论。家里有生病小孩的母亲不必参加本次比赛。团队里的人们

    为了不让其他人失望，感受到了压力。这是第一次将分类，家里有患病

    小孩的母亲，考虑进这种情况，虽然这是一种偏离了锻炼的社会义务的

    状态，但它被认为是“正常”的。

    在某种程度上，个人的决定确实会产生影响。一个使用活动追踪器

    的人可以决定自己是否被应用设计者放在了错误分类里，比如把她分在

    了更年轻的群体里。事实上，当唐恩从膝盖受伤中逐渐恢复时，她决

    定，3000步是她这种情况人群的合适水平，虽然她的活动追踪器制造商

    一直提醒说她“缺乏”运动。同时，设计限制着我们的选择。当唐恩选择

    不接受这种“鼓励”运动得更多的思想时，她仍然被迫接受着这样的信

    息，使她不得不反抗制造商的假设，即残疾(对她来讲是暂时残疾)，不在某种正常的范围内。实际上，她的研究表明，制造商在这个数字统

    计上是完全错误的。在一项研究中，唐恩招募了29名体能充沛的活动监

    33测器活跃用户，其中只有2名最近几年没经历过大的伤痛。

    这给了我们除了“家里有患病小孩的母亲”“暂时残疾”之外的第三种

    可能。在未做出巨大牺牲的情况下，地理位置、社会主张和医学上的挑

    战可能会使许多人达到10000步很困难，虽然如此，也有人会认为每天

    应该达到10000步。通过数据和设计过的系统来鼓励自身行为改变，一

    个设备用户更能看清自己，这是作为一个人本身所无法看到的。在这种

    情况下，技术成为监测的一种替代品。这并不是医生或其他医疗人员的

    直接观察，而是自我量化工具的听起来很权威的、以准医学术语表达的

    建议，目的是让用户把需要自己解决的问题内化。接受“失败的行走

    者”的观点，让“积极的生活方式”的这种社会状况失去了讨论空间，而

    这种状态对大多数人来说几乎不可能达到。多数应用都只允许单独的解

    决方案。“社会”特征不是一场关于公共基础设施和支持个人健康的公民

    条件的对话，表现在日常生活中，就是人们在步数上互相竞争。哲学家

    米歇尔·福柯(Michel Foucault)曾警告说，这种内在的焦点正成为当代

    文化的核心部分，助长了一种不充分的意识，为下一次购买创造了需

    求。作为技术使用者，人们可以选择相信或拒绝步数模型，但是只要技

    术以这种方式设计，使用者仍然没法轻易逃出这个模型。

    社会力量和个人数据的关系很复杂。这些分类(如未达到要求的行

    走者、无法控制自己血糖水平的人、“减得不是最多”的减肥者)的文化

    意义，随着数据种类的增加而变化。从历史上看，风险类别一直是基于

    人口统计学的，例如“40多岁的白人女性患××病的风险更大”的说法。风

    险类别有社会和生物学成分。例如，在社会上，面临歧视会产生压力，压力又会增加患某些病的风险，比如心脏病。关于吃什么食物的信念是

    社会性和文化性的，但它导致了人们体内拥有类似的微生物群落，因此

    越来越被视为了解健康的一个关键。有了更丰富的数据，定义“和我同

    样的情况”的类别就变得更复杂。事实上，在QS社区里，有一个活跃的

    讨论，正是关于如何从问“什么是正常的”，转变为“对我来说什么是正

    34常的”。安妮·赖特(Anne Wright)在QS社区会议上提出，用数据作为

    工具，将现在的你与之前的你比较，是一个很好的跳出“我正常吗”陷阱

    的方式。类似地，询问“在同样情况下，其他人会发生什么”是一个更微

    妙的学习他人经验的方式。在这里，“和我同样的情况”可以与许多不同

    参数交叉考虑。

    这是一种统计思维方式的转变，涉及会被问到的各种合理问题，和

    足以回答这类问题的计算能力的转变。这种转变意味着，在接下来的时

    光，社会平等和隐私会持续成为被关注的主题。一方面，这种转变可以

    帮助一些医学“异常值”，也就是很难被确诊的医学个例弄清自己到底患

    了什么病。精密医学领域的新进展，为根据个人数据做医学决策提供了

    更广阔的前景，并通过针对个别病例的定制治疗，实现对传统诊断类别

    的超越。然而，正如评论家叶夫根尼·莫罗佐夫(Evgeny Morozov)指

    出的，如果关于我们身体的数据累积到“对个体来说正常的情况”可以精

    确定义的水平，那么数据收集过程可能不得不继续进行下去而无法退

    出。退出数据收集会成为“有什么事情要隐瞒”的有效暗示，可想而知会

    带来一些后果。3

    虽然大多数工业化国家对基于数据而得出的性别或种

    族歧视有明确的法律规定，但从非传统的、不受保护的数据中，比如社

    会媒体行为，仍可以有效地推测出一些会造成歧视的内容，这包括除了

    名字以外的各个方面。

    35提问者是谁

    过去数据常常很稀有，数据收集很昂贵。只有专家级研究者收集数

    据，并且只有在严重重大问题时才会收集数据。而现在，手机上的传感

    器为非职业研究者带来了收集数据并就此提问的可能。举个例子，杰奎

    琳·威尔赖特(Jacqueline Wheelwright)是一名健身教练，也是一位自身

    免疫性疾病患者，她描述了自己如何使用运动记录器来弄清自身疾病诱

    因的过程。4

    通过回顾一年来宝贵的运动记录数据，她发现，当走太多

    路时她的病症就会突然爆发。专业医学还没能提供引发自身免疫性症状

    的活动阈值，但她能够询问她的疾病发作是否与活动有关，因为她有数

    据作为提问的支撑，使其成为需要提出并且值得回答的问题。

    手机上的传感器，为非职业研究者带来了收集数据并就此提问的

    可能。

    类似的，赛斯·罗伯茨(Seth Roberts)，自我量化者及心理学教

    授，通过测试反应时间，对自己的认知功能进行了一系列实验。数据告

    诉他：“也许每个人都能说我不知道食物会对我产生何种影响，然而，与其他任何人不同，我可以靠自己减少自己的无知，我不需要依靠专

    家。”5

    罗伯茨认为，他不必动用他所有的专业知识来减少他的知识盲

    点。“非专家也能发现关于健康的重要事情……我所说的‘非专家’是指不

    是健康专业人士、不以研究健康为工作的人；‘发现’是指首次从数据里

    学到的东西——与从专家处得知相对；‘重要’是指对许多人来说都重要

    的事情。”据罗伯茨的观点，科学研究可能在通常情况下成立，但不总

    是适用于特定的情形：“那些研究动物，或更好一些，研究其他人得到

    的结论，对你适用吗？”6

    在数据充裕的社会里，提问者可能会是你(即数据所测量的人)，36也可能是你和临床专家或其他专家联合。在这里，我们找到了重要的交

    叉。数据可以维持医生办公室一直发生的文化场景(如“你曾经像我说

    的这样测过血糖吗？”)，也可以通过不同的“切入点”改变它们。“数

    据”，丹尼尔·罗森博格(Daniel Rosenberg)写下的这个词，语源学上

    与“在论证前给出的概念”有关。7

    换一下切入点，就改变了话题。比如，凯蒂·麦柯迪(Katie McCurdy)画了一幅没有数字的症状严重程度图，她是一名平面设计师，也是一名自我量化者。8

    她画这个图(见图2-1)

    的目的，不是让她的症状“更准确”，而是要产生一个“切入点”，用于支

    持与医生讨论她的病史，而不必每次都从0开始。依靠这些切入点，麦

    柯迪能方便地与医生开展与病情相关的谈话。关于自我量化和医疗，我

    们将在第5章进一步探索这些谈话会如何开展。

    37图2-1 凯蒂·麦柯迪绘制的症状严重程度图

    资料来源：凯蒂·麦柯迪。

    在涉及大量人口的研究问题时，数据也有潜力影响哪些问题需要被

    深入研究。在第5章，我们将检视这个领域的其中一些努力，比如辛辛

    那提儿童慢性病护理网(Cincinnati Children's Chronic Care Network)，提供自我量化数据给临床研究人员和患儿家长使用。这一领域的项目，每一个都反映了被数据测量的人和医学专家的不同权利的平衡。在一次

    由QS社区主持召开的公共卫生研究人员和消费设备制造商的会议上，公共卫生研究员埃里克·黑克勒(Eric Heckler)认为，科学研究人员不

    能简单地认为可以在将公民数据收集起来的同时，又能像往常一样进行

    38商业活动。9

    和传统的媒体数据相比，日常数据是完全不同的类型。从

    网络搜索到的手机设备收集的数据，可以比它原始的收集目的揭示更多

    的内容。比如，加速计数据通常用于推断步数，但通过不同的算法，可

    用于揭示患帕金森病的可能性。临床研究暂未证实活动追踪器的效用，但这些数据也不一定与临床研究无关，因为它收集的是正在进行的活

    动，可以说明一个人的习惯及更多的日常问题。由于数据收集的多目的

    性，且与个人生活经历有重要的联系，它确实在公共卫生研究中有潜在

    作用，然而人们可能会想要关于它的更多内容。

    两个例子可以说明如何扩大公众参与研究的方法。一个是苹果的研

    究工具包(Apple's ResearchKit)，通过这项技术，医学研究人员能够

    收集自愿参与医学研究的人的手机数据。当研究工具包促进公众对医学

    研究的参与度时，在量化自我公众健康论坛上，一些研究参与者抱怨

    说，这个设计让公众成为数据捐赠者，但却阻止了没有进行过机构审查

    委员会(IRB)伦理审查的人的研究。尽管这个规定可以保护苹果手机

    使用者免遭不道德的研究，但是病人导向研究的倡导者担心，这可能也

    会将民间科学家(研究机构和中心以外的研究者)排除在外，阻碍他们

    接触问题。在被机构研究者忽略的疾病研究方面，民间科学家扮演了极

    其重要的角色，典型的案例是早期艾滋病毒和慢性疲劳综合征的研究。

    它们被排除在社会和科学的预算成本之外。另一个是这一领域的另一方

    面，即“PublicLab.org”，它是一个支持环境卫生的基层研究组织，回答

    环境健康相关问题，和做必需的数据收集工具的基层开发。基层科学在

    已有的科学有效性和社会合法性方面面临挑战。对于个人自我量化项目

    是否能在科学上有效，从而为我们的集体科学知识做出贡献，而不仅仅

    只是大数据的一部分，仍然存在争议。历史学家洛兰J. 达斯顿

    (Lorraine J. Daston)和彼得·加里森(Peter Galison)指出，为了不产生

    偏差，科学实践必须与个人观察者分离开来，这一观点在19世纪首次出

    现，当时人们需要在许多不同的研究人员身上产生“集体经验主义”。10

    今天，伊恩·埃斯利克(Ian Eslick)，一个拥有麻省理工学院博士学位

    39的QS社区参加者，建立了工具来对自我进行科学研究。他不可能说“让

    我们降低客观性”，因为人们收集和分析的是他们自己的数据。相反，他倡导回归19世纪之前的想法，认为科学家可以是一个基于自身经验的

    训练有素的观察者：“科学是关于重复性、过程、纪律、特性，关于控

    制干扰，还有很多不同的机制，我们可以齐心协力来讲述故事或形成决

    定。”11

    换句话说，科学证明不必成为我们寻求答案的唯一理由。

    在提出问题方面，若有更广泛的参与，会改变问题的种类吗？自古

    以来，拥有更多样性背景的人和不同角度看法的人，会有和既定研究者

    不同的想法。当已有的研究处于一种“问题终结”状态，即研究者认为他

    们已经知道了行为和结果的循环方式，任何新的不在循环里的结果就被

    忽略了的时候，多样性就变得尤其重要。确实，当活动记录者不发

    生“行为改变”时，我们可能会发现问题终结的证据，并且新版的技术不

    会改变这个问题的基本解决方法。当已有的思维方式在整个社会中占主

    导地位时，社会中参与者的简单变化不一定会带来新的观点。我们认

    为，在健康和身体方面，虽然有占主导地位的生物医学化，社会上仍然

    存在多样的想法，我们将在第3章讨论一些想法。这种多样性能否被动

    员起来，组成一个更广泛的社会运动，或者自我量化实践是否会因过于

    个人主义而导致无法形成集体行动，是一个开放式的问题。

    40公共卫生结果

    被《大西洋月刊》(The Atlantic)称为“有价值的人”的拉里·斯马尔

    (Larry Smarr)是一个计算机科学研究所的主任，他对自己的肠道菌群

    进行了一系列复杂的测试。尽管他本人感觉良好，甚至向医生描述不出

    任何不适症状，但数据表明，他明显不太好。在2012年的QS社区大会

    上，他提出：“你认为你可以感觉到身体内部正在发生的事，这在认识

    论上是错误的，你就是做不到。”12

    在斯马尔看来，数据可以帮助我们看到自己看不到的或感觉有偏差

    的东西。如果用正确的方式，在更广泛的人群中观察更多现象，就有带

    来更佳的公共卫生结果的潜力。医学从业人员和健康技术研发者也在思

    考，如何依照现有的医疗条件，而不是靠新的发现，来为人们提供更好

    的健康状态。受福柯启发，批判理论家担心的医学化规范性掌握了过多

    的权利，与之不同，这些参与者不加掩饰地将自我量化工具和实践作为

    一种方法，用以鼓励病人遵守治疗方案，遵循推荐的饮食健康和锻炼指

    南，并更有效地管理慢性疾病。虽然我们认真对待批判性思维，但临床

    观点并非不合理的。它认为，从生理学上讲，当标准的医学知识(即集

    体经验的结果)通过自我量化设备传播时，人们可以做出更好的决定。

    事实上，技术有能力将医疗建议传播到日常生活中更广阔的领域，并且

    在所传播的地方，技术对信息有更精准的控制能力。

    这真的有用吗？通过使用更多自我量化工具，真的使人更健康了

    吗？我们将在第5章解决这个问题，但简单的回答是，没有固定的答

    案，这取决于你问的是谁。在斯坦福大学举办的药物X大会上，关于自

    我量化数据的信息交换总结了这个问题的复杂性，一个专家指出：“数

    据带来知识，知识带来改变。”观众群中一位女士回应：“作为职业心理

    学家，我可以说如果真的是这样，就没有心理学家存在的必要了。”

    41许多已有的关于自我提升的项目，不论是减肥计划、财务计划还是

    生产计划，都是从数据开始，通过某种形式的量化以后，带来精简的有

    用的行为模式。但是，简单地了解(和同意)一种行为的健康性或不健

    康性不足以对它产生改变。事实上，我们的一位被采访者，也是一位公

    共健康研究者，对在自我量化工具中被认为有效的短期反馈回路表示蔑

    视：“如果那是你的核心认同行为，要改变它至少需要花4年。”然

    而，“数据带来知识，知识带来改变”，对于从事寻找“机会时刻”的公

    司，是很有诱惑力的说法，正如哈门那(Humana)医疗集团总经理伊

    丽莎白·比尔鲍威尔(Elizabeth Bierbower)所说。像比尔鲍威尔那样的

    人，看到了真实了解人们的行为所带来的机会，“在合适的时候，通过

    正确的干预，传达合适的信息”13

    ，看起来应该是有效的。当然，在成本

    方面，它也吸引了保险公司。然而，“实时知识”在实践中可能很难带来

    有意义的东西。简单的、短期的健康行为变化模型也可能无法承受社会

    复杂性的重压。

    到底为什么要致力于技术和数据，而不是其他方式的交流，来传达

    医疗建议？安玛丽·莫尔(Annemarie Mol)的研究指出，通过技术提供

    医疗建议的倾向，与医疗保健作为一种制度实践的演变过程有关。14

    她

    认为，西方的医疗保健系统试图促使病人选择，但“选择”与医疗保健的

    官僚化密切相关，将医疗决策变成了一种算法或配方。血糖太高？根据

    规程，需要做X，而不是Y。随着更大量的病人选择，以及医疗系统的

    标准化，现在任何一个病人的医生都会说做X(而不是Y)，这是有临

    床证据支持的。莫尔指出，问题在于，医疗工作意味着要抛弃规程所规

    定的剧本，并非给予标准化的建议，而是基于病人的个人情况和偏好给

    出建议。她将这种差异称为人文关怀逻辑和选择逻辑，在人文关怀逻辑

    看来，保持某人的血糖稳定，意味着需要对问题进行医学讨论，比方

    说，偶尔让血糖偏低的人，去做一些让生活变得美好的事比如爬山，是

    否值得。在选择逻辑看来，技术和临床医生提供了简单的临界点，当达

    到阈值时，就需要采取措施。虽然不必去诊所让人觉得自由，但如果选

    42择的自由仅仅是规程交付形式的自由，莫尔认为这最终不是有意义的选

    择。

    医疗保健服务的官僚化，使技术更容易替代各种类型的干预措施，并凸显出某些市场逻辑。个人领域部门的长期官僚化结构尤其容易受

    到“颠覆”的影响，或与提供另一种不同产品的小型初创企业竞争。15

    第5

    章描述了健康和保健技术市场的一些关键参与者，它们已经为自己设定

    了“颠覆医学”的议程。积极的公共卫生结果是否采用技术，取决于技术

    实际取代的当前做法，以及技术是被用作医疗的替代品还是补充品。

    对自助服务技术依赖的增加，有效地将劳动力成本转嫁给病人。在

    扩大对个人的控制，如使更多的人解释他们自己的数据，和严格的自发

    的数据解释之间，存在显著差异。这关系到曾经由社会机构支付劳动报

    酬而给予个人的照顾，现在渗透到了个人和家庭，无论他们想不想自己

    完成，都必须自己完成且没有补偿，能提供帮助的只有技术。被医疗器

    械行业吹捧的个人“掌权”的承诺，尤其是在美国，很可能是伪装成权利

    的负担。

    个人“掌权”的承诺，很可能是伪装成权利的负担。

    通观本书，我们都鼓励读者对他们自身所在的医疗保健机构提出疑

    问。你被要求使用的技术是真的可以提升健康状况，还是在将行政或医

    疗的劳动转移到你身上？如果你自愿使用它，它是真的帮你了解身体现

    状了，还是说大量的数据流向了他人，而你只得到了一个无用的数字？

    它只是一个按规程做出反应的设备，还是真的有安玛丽·莫尔提出的真

    实医疗效果？

    43数据访问权归属

    对数据的访问权，实际上是关于谁有权利分析数据，并从结果中获

    益的问题。人们很容易将数据访问权看作一个只有极客或疑难病症患者

    才有的问题。但是，考虑以下丹娜·刘易斯(Dana Lewis)和斯科特·莱

    布兰德(Scott Leibrand)的案例，他们引发了一个重要的公众讨论，即

    人们对于自己的数据，可以有什么程度的深入访问。丹娜和斯科特，用

    他们自己的获得授权的极客技术，连接了丹娜的动态血糖监测器。16

    作

    为1型糖尿病患者，丹娜特别关注夜间低血糖症。低血糖不会唤醒糖尿

    病患者，但却可以在睡眠中使人致死。和许多人一样，丹娜很清楚自身

    饮食、锻炼和血糖读数之间的模式，她据此调整自己的胰岛素剂量。她

    和斯科特发现，这些模式很有规律，可以被嵌入一种算法中，由丹娜根

    据她在清醒时通常做的事情来调整。他们开发的算法，通过使用葡萄糖

    监测仪的连续监测数据来触发胰岛素使用，从而“终止风险发生的回

    路”。这近似于丹娜醒着的时候所做的事情，降低了她夜间低血糖的风

    险。对丹娜来说，比起仅仅在屏幕上看到数据，能更深层次地使用数据

    非常重要。为了编写这个算法，丹娜不得不切换到一个更老的葡萄糖连

    续监测模型，因为新的模型禁止访问公司专有范围之外的数据。

    虽然丹娜和斯科特的工作并不是没有争议，但它指出了人们有权访

    问自身数据的重要性。即使这不是大多数人愿意承担的任务，但在医疗

    技术上，用户驱动的创新使许多人从中获益，而且它依赖于数据访问。

    为了回应大量对该方法的询问，丹娜和斯科特推出了开放式人工胰腺系

    统，与他人分享自己的技术。有些人希望看到他们的算法通过临床试验

    得到验证，并得到监管机构的批准，而另一些人则希望两人能够通过其

    他方式传播他们的工作。虽然关于传播的最佳方式存在着合理的争论，但很明显，更多的人可以从类似这样的用户驱动的创新中获益，而在这

    个过程中，数据访问很重要。

    44许多公司发现，总是会有一些数据在它们所支持的范围之外使用。

    有两种方式，可以让公司适应这种使用。一种是提供数据下载按钮，供

    终端用户直接使用。另一种是构建应用程序编程接口即API，以便其他

    软件提供者可以代替用户来检索数据。

    虽然表面上来看是技术性的事情，但这也是个人变得政治化的另一

    个重要领域。“API接口象征着有意义的数据的入口。”Fitabase的创始人

    亚伦·科尔曼(Aaron Coleman)在2015年的QS社区公共卫生研讨会上提

    到。科尔曼比大多数人更了解这个问题。他的公司促进了Fitbit用户和医

    学研究人员之间开通权限和传递信息，他还联合Fitbit改变他们的API，以使提供的数据对研究更有用。企业只有在自己想知道个人、公共卫生

    研究人员或其他公司想要如何处理这些数据的时候，才会支付额外的费

    用用于供应和维护API。制作一个下载按钮比构建一个API要便宜得

    多，但是对于提供什么内容，仍需做出决定。要求提供“所有原始数

    据”，并不能帮助公司知晓该提供什么——在实践中，关于“原始”的含

    义有太多不确定性。唐恩试图从她的活动追踪数据中清除心率数据，以

    了解非运动原因带来的心率升高。她可以使用已经“加工”过的数据来完

    成这件事，但要想使用“原始的”加速计数据来完成是不可能的，她并不

    是个手边能随时有步骤转换算法的人。对于个人终端用户来说，当他们

    对最有用的数据有具体想法时，他们更有可能促使公司提供这些数据。

    当然，那些相信自己拥有独特的数据，或者认为不公开自己的处理方法

    会带来竞争优势的公司，将不会被这样的观点所说服。

    45谁会成为获益者

    我们只是简单地讨论了数据访问为何重要，通过本书的后面部分，我们将更详细地展示对那些推动自我量化、行业发展和医疗实践的人来

    说，数据访问意味着什么。关于数据访问为什么重要，与市场结构有

    关，是需要定义的最终问题。公司会破产，会定期更换产品。如果没有

    数据下载或API，用户可能会被锁定在一个新服务中，并且不会再有机

    会得到他们的数据。一些自我量化者称这些公司为“数据黑洞”，即从某

    种意义上数据可以进入，但永远无法离开。如果行业无法证明它能支持

    数据的可移植性，一个消费者转换成本很高的市场，是否仍然能够被称

    为一个具有竞争性的市场，将会是监管部门要面对的一个问题。

    对公平市场行为的潜在担忧提醒我们，在自我量化数据中有相当大

    的财富存在。数据是“可货币化”的概念，或数据是一片蓝海的想法，是

    一种基本信念，激励着许多公司和投资者追随自我量化技术。数据的经

    济价值制约了公司愿意与其他公司、终端用户或研究人员分享的内容。

    它也让人幻想着，更大的数据储备能制造更多的财富——这些幻想可能

    会成为现实，也可能不会。我们会在第4章“自我量化和技术产业”中讨

    论这项内容。

    数据作为一种经济资产，是公众考虑生活有多大程度可被商品化的

    重要因素。当你没有支付一项服务的全部费用，而这项服务由一家营利

    性公司运营时，其实你的数据或注意力才是被出售的对象。监测研究学

    者大卫·菲利普斯(David Phillips)和他的合著者将这种现象称为“自我

    商品化”。与之类似，体育和健康社会学家布拉德·米灵顿(Brad

    Millington)评论道：“交互式、可定制的技术为监测、讨论，甚至健康

    和健身商品化提供了新手段。”17

    数据所代表的虚拟自我被抽象地分割，并进行买卖。生活中其他许多方面曾经不是商品，后来也同样成了商品

    46(如土地、水和劳动)，但通常社会对商品的定义有逻辑界限。使用和

    传播数据的边界，是一个颇受争议的问题。在许多人的认知里，公司获

    得个人信息，用于提供有用的产品，是很正常的一件事，但接下来再把

    这些数据卖出去又是另一回事了。即使剔除个人的标志性信息，这些数

    据仍然是我们自己的一部分。在某种程度上，我们都画了一条线，在线

    内，我们会提供关于自己的数据，这确实代表我们个人，但画这条线不

    符合商品化这一活动。当线交叉时，我们可能就开始怀疑受到了隐私侵

    犯。在下一个和最后的版块，我们将展示，隐私保护与自我的表现形式

    及商品化世界有什么关系。

    47隐私保护：充满不确定性的目标

    到目前为止，我们已经了解了一些公司如何交易你的身体数据，因

    为即使数据属于你，法律上来讲他们的销售行为仍是合理的。与此同

    时，公司拒绝帮助客户了解如何计算“睡眠质量得分”或其他测量方式，因为公司不愿披露其专有算法，参加任何QS社区会议时，你都可能会

    发现人们对此颇多抱怨。对于英国国民健康服务(National Health

    Service)打算聚焦和共享病人数据记录的计划，英国国内已经出现了提

    出重新识别匿名数据的方案，对此，我们可以额外进行一些讨论，指出

    其可能成为一项犯罪的依据。

    这些情况都有两个主要的共同点。第一，仅仅将名字和地址信息从

    数据中抹除，不代表隐私就受保护了。不仅这些信息可以重新植入，并

    且在没有针对个人或直接攻击的情况下，也有明显的入侵或侵犯事件发

    生。我们对隐私的期望，与哲学家海伦·尼森鲍姆(Helen Nissenbaum)

    所称的“语境完整性”(contextual integrity)有关，因此我们会在没有被

    重新识别并针对的情况下感受到侵犯。当自身信息被收集时，对于数据

    的用处，我们有一套合理的假设和理解，以及在那种特定情境下谁在收

    集数据的猜测。18

    意料之外的变化会打破我们关于情境的假设，造成隐

    私受侵犯的感觉。由于隐私如此依赖于特定环境，因此我们没法简单说

    这个或那个数据是特别“私密”的。使数据变得“私密”的，是与数据有关

    的问题，以及数据所涉及的主体周围的一系列人或机构。你或许不会和

    你的医生分享你和丈夫吵架的事，因为这太过私密，也和看病无关。但

    也恰恰出于同样的原因，你不会和丈夫聊你与医生、保险公司分享的东

    西。

    这并不意味着因为隐私与“所有事情都相关”，所以机构摆脱了泄露

    隐私的困境。恰恰相反，要想认真对待隐私，机构对于所收集数据的相

    48关信息，需要有更高的社会敏感度和更高的标准，并且要愿意追踪数据

    的可能流向。但令人惊讶的是，难于理解的、可变的服务文档是无关情

    境的，仅仅旨在免除组织的责任。这样的文件不符合上文提到的更高标

    准，即使它们可能符合法律条文。在这本书接下来的章节，你将会看到

    一些公司维护(或不维护)情境完整性的例子。

    这些例子涉及对所有权的不同信仰，以及这些差异如何破坏情境的

    完整性。在大众理解中，所有权通常被认为是二态的——要么是你拥有

    某物，要么是别人拥有。然而，数据从来都不是仅仅由一个团体创造

    的。数据之所以能从无到有，是因为有人采取了行动，并且有人或公司

    设计了技术来以数据形式反映这些行动。所以数据属于谁呢？人类学家

    比尔·毛雷尔(Bill Maurer)曾表示，在梳理数据的所有权争议时，最好

    考虑运用我们在亲属关系中的原则(即人们与亲属之间的关系)，而不

    是商品交换原则。19

    在我们的步数示例中，可以将步数数据看作人们和

    活动追踪公司之间交互而产生的“孩子”。你不可能单独产生这些数据，活动追踪公司也不能。

    随着孩子的到来，一系列的权利和义务将出现在父亲与母亲、父母

    与孩子之间。这些权利和义务长期存在——只有在最极端的情况下才会

    被移除。因自我量化数据正是由用户和研发技术的公司所产生，那么我

    们能以类似的方式重新设想数据的权利和责任吗？鉴于自我量化数据是

    私人生活经历的具体表现，与亲属关系的类比较为合理。于是，“虚拟

    自我”就诞生了。

    像买卖双方这样的市场关系，与亲属的权利和责任完全不同，因而

    也和数据关系不同。如果数据只是一种商品，那么在购买、出售或交换

    服务后，各方的责任就已结束。这种公平的商品交易意识，使双方都得

    到了所想要的，正是公司在随后将个人数据货币化时所依赖的东西。这

    种交易实际上是在说：“在交换之后，我们对数据的使用，与你无

    49关。”许多关于如何正确使用数据的冲突，就是基于数据作为一种商品

    的思想，这种思想，忽略了人们自身数据的长期风险。这种捆绑在数据

    身上的商品逻辑，几乎没有留下什么空间来指出你的一部分仍然属于

    你，并会对你产生持续影响。认识到人们作为自己数据的“父母”，拥

    有“父母”的权利，与数据的市场交换并不相排斥，但需要同时评估市场

    之外的生活方面。为此我们可以说，个人数据既是一种市场商品，也是

    一种非市场化的“孩子”，它为我们创造了彼此间的责任。

    数据的商品化，让担心更普遍的生活商品化，及希望有更稳健隐私

    权的人担忧。相比公司所承诺的，更进一步保护隐私依赖于在交易发生

    之后，须对数据主体承担更有意义的义务的概念——主体是产生数据的

    人群。这是一种严格的比市场观点更广泛的义务感。

    在下一章，我们将研究自我量化的具体实践，以及人们为达成自己

    的目标和标准所进行的不同量化方式。

    50第3章 理解、使用数据的方式与技

    巧

    本章研究数据的创造性用法，检查人们如何使现有产品为自身情况

    或目的而工作。数据经常揭示出比设计初衷更多的意图，虽然不一定有

    用，但从这个方面来说，数据是一种奇特的产品。比如，家庭用电监控

    器无意中描绘了是否有人在家的状态。然而，单一的用电监控器的作

    用，到底真的能说明你是一个高效的能源用户，还是当用电较多时它能

    对你的用电情况做些什么？解决这个问题需要更多的数据及对现有数据

    的不同算法，或须对这个问题进行深入研究。通常这意味着将某种其他

    形式的量化与现有产品相结合。

    我们之中那些没有耐心进行扩展探索并不断修改探究方案的人，仍

    然可以从那些喜欢探究的人的探究结果中学到知识。当唐恩的膝盖受伤

    时，她把从别人那里学到的东西列了出来，以找出最好的方法来量化用

    药。他人分享的想法，帮助她免于处理一些应用程序的不当设置，这正

    好是让她觉得烦心的事。人们对数据的处理有着近乎无限的多样性，我

    们无法在这里展示所有的数据。我们的目标是描述一些常见的做法，重

    点强调自我量化工具“说明书外”的真正使用技巧，并分享这样做的潜在

    回报。

    人们聚集在QS会议上，讨论如何处理数据和发现的陷阱。有时，人们在试图理解数据时会陷入困境，而QS社区的人通常会分享一些新

    东西，尝试解决问题，并提供走出困境的建议。出于这个原因，这里的

    大多数例子都来自于我们在QS中遇到的那群人。然而，我们认识到，这些实践是许多人都可以做的，而且在不把自己当作“自我量化者”的情

    51况下，很多人已经做到了这些。

    虽然每个项目都不同，但在这里我们着眼于5种自我量化的常见风

    格或目的：①监测和评价；②引发感觉；③审美好奇心；④调试问题；

    ⑤培养习惯。我们提供了人们在每个方面所做的事情的例子，以及关于

    以这种方式量化的实际建议，这有两个原因。第一个原因是鼓励你自己

    去尝试这些东西，这涉及在设备手册中找不到的别人发现的想法和陷

    阱。我们用类似QS问答式谈话的精神来做这件事，这些观点都是我们

    看到的对他人或我们自身有用的方法，但也可能对你无效。当然，这些

    方法也不指望成为“众所周知的方法”或科学的黄金标准。第二个原因是

    即使你没有兴趣尝试自我量化，但当你看到人们为了体验其他人带来的

    创造力而进行这些项目，且遇到难题时，你也可以帮忙解决。正如评论

    家叶夫根尼·莫罗佐夫强烈提倡的，自我量化，不是让人们不加思索地

    跟随计算机的指令去做，也不是允许用技术代替感觉和情绪。1

    52监测和评价式量化

    商业上可用的自我量化装置，大多是为评估和监测而设计的。我今

    天走的步数够吗？时间安排高效吗？这些问题暗示了一个目标或标准，其实问题和解决方案人尽皆知——走更多步数，以及时间安排更有效

    率。在这种形式的自我量化中，数据的意义是不言而喻的——步数越多

    越好，效率越高越好。一旦人们定好需要量化的东西，数据就被收集起

    来，以便反映实际完成数和预期目标之间的差距。当然，经过进一步思

    考，人们可能会调整所量化的内容。

    QS社区参与者阿米莉亚·格林霍尔(Amelia Greenhall)用这种方式

    实施了几个量化项目。她注意到，她的自我量化实验，让她感觉自己是

    在努力做让自己快乐的事，并追求金色星星的奖励。所以她真的制作了

    一块纸板，奖励自己金色星星，并追踪所完成的小目标。“量化这些

    事，”她说，“激励我做得更多。”她的方法是注重自己所做的事，而不

    是何时做或做事的频率。看到总数字(比如15颗金色星星，代表15次短

    跑)给了格林霍尔更大的自我成就感，而不是专注于某一天没有跑步。

    她还考虑了对她来说重要的时间尺度。对于从来没跑过步的人来说，15

    次跑步是很多的，并且在几个月内，看到排成一排的15颗闪亮的金色星

    星比看到单纯的数字更令人鼓舞。2

    像格林霍尔一样，如何判断哪些数据最适合哪个目标，现实与目标

    之间的差距是否需要被消灭，是许多自我量化者需要学习的。许多自我

    量化者把这个过程看作一种反馈回路，这是一个计算机科学术语，即由

    系统生成信息，然后根据这些信息进行调整。反馈回路不是自动的。一

    些人可能会认为格林霍尔的追踪方法不精确，但她选择使用金色星星，而不是记录跑步的距离，以及选择不记录跑步的时间戳，都是经过深思

    熟虑的，并传达了比更精确的方法更重要的信息。

    53监测和评价式量化的实践

    有些活动天生比其他活动更难量化。比如，食物量化很流行，但是

    它也是最难量化的形式之一，因为食物的分量大小和具体内容很难判

    断。一些应用程序为解决这个问题，将加工好的食品的营养信息预先加

    载到它们的系统中，但这相当于阻碍了新鲜食物的食用。花费精力寻找

    最简单的符合量化目的的量化方法是值得的。这可能意味着更深入地反

    映底层目标。就食物量化来说，精确的卡路里信息很难收集，但是这种

    精确，只有在你有特别的原因，需要精确的卡路里目标时，才会显得重

    要。定性(测量质量)或主观(自己的观点)的测量可能同样有用。一

    种常用的做法是在吃之前拍一张食物的照片，可以追踪像颜色、新鲜

    度、分量这样的特性，而不必查卡路里含量。这样可以更加容易地随着

    时间变化进行记录，就和记录卡路里一样。如果你的目标是吃更健康的

    食物，那么简洁地记录下我们自己对每顿饭的主观评价(如健康的、中

    性的或不加节制的)是最简单的。

    类似地，数字带有象征意义，可能会让人产生负面情绪。如看到自

    己的体重可能会让人沮丧，想要通过测量体重来激励自己可能会适得其

    反。3

    俄勒冈州波特兰的一位自我量化者指出，如果将单位转换为一些

    不熟悉的计量单位(比如将磅转换为千克，或相反)，她就可以在量化

    的同时，不过分关注让她烦恼的数字。

    一些使用者变得太习惯于运动追踪了，以至于当他们忘记使用活动

    追踪器时，他们甚至觉得锻炼“不算数”。许多基于感应器的设备，不允

    许使用者输入估计值，或者修正明显错误的数据。这意味着，如果使用

    者忘记穿戴设备，周平均数和其他一些算法会受到影响。当唐恩在帮助

    规范Data Sense(一个处理数据工具)时，她听到了大量关于这个常见

    约束的抱怨，并努力使用户能够在事后进行猜测性录入，这可能比精确

    54记录的“0”更能准确地反映情况。就传感器而言，这个问题只发生在自

    动追踪的情况下。

    55引发感觉式量化

    当人们通过量化引发感觉时，他们在观察身体感知的物理信号和数

    据记录之间的对比。综合二者，他们能更好地定义或感觉到一些现象。

    数据成为“感觉的替代品”，即某种帮助我们感觉自己身体或周围世界的

    东西。这些感觉可能会变得异乎寻常的可信。社会学家惠特尼·贝泽尔

    讲述了一个女人的故事，在反复使用家用排卵监测器之后，这个女人对

    自己的排卵时间有了更强烈的认识——非常强烈。事实上，因为这个，她变得更擅于预测自己的排卵周期，而无须通过某些类型的测试来预

    测。4

    在另一个项目中，一个住在美国西海岸，相当强壮、健康的35岁

    左右的男子，为了解自己的身体如何对糖分做出反应，监测了自己的血

    糖含量。他未患糖尿病，但糖分会影响所有人，对每个人都有一点不同

    的影响。在测试血糖之后，他会花一点时间在脑海里记录他的感觉——

    精力充沛？平静？有饱腹感？觉得天旋地转？他同时记录当时发生的其

    他事，比如，一场精神紧绷的会议或锻炼。他并没有试着去保持最佳血

    糖水平，而是通过这些数据，了解自己的身体如何对糖分做出反应。

    量化有时甚至不需要使用传感器。罗宾·巴鲁阿(Robin

    Barooah)，QS社区的早期参加者，通过主观打分，记录每次用餐获得

    的能量。这段记录实际上是一个让身体暂停的过程，旨在让他重新感觉

    帮助他保持体重的物理信号，因为他已经对这个信号麻木了。他

    说，“控制饮食已经不起作用了……(所以)我得出结论，我可能需要

    重新学习调节体重。我所说的‘学习’不是指要有一个供我实践的系统，而是让我的身体像(从前)做过的那样，自行调节体重。”5

    他的方法与

    心理学或生理学有关减肥的方法无关，但他的目标是重新学习体验饱腹

    感，事实上他这样做过之后，确实成功减肥了。当人们将量化与信念联

    系在一起时，相对于其他形式，这种量化可能更为强烈，因为它往往是

    人们心中所期盼达到的。通过数据，他们能清楚地知道自身的状态。

    56数据成为“感觉的替代品”，即某种帮助我们感觉自己身体或周围

    世界的东西。

    这种形式的项目能产生关于原因和影响的想法，偶尔会成为假说。

    已故的自我量化先锋赛斯·罗伯茨常喜欢说，“你不能伪造一个你没有经

    历过的假设”6。比如，通过血糖测量项目，实施项目的人可以提出压力

    和血糖之间会产生相互作用的假设。他所开发的这种身体意识，也可能

    导致关于身体有能力体验某些事的新观念。前《连线》杂志编辑凯文·

    凯利，称这些以技术为媒介的感觉为“外感”，用于指代技术带来的感知

    身体和环境能力的增强。7

    比如，德国的一个研究小组发明了一种腰

    带，可根据方向，间歇性地震动。在使用一段时间以后，穿戴者能脱离

    它，凭直觉就知道哪里是北边，并且，用这个项目小组的话来说，就是

    可以“感觉到空间”。8

    在这里，技术并未取代人的意识，而是用新的方式

    重新对感觉进行定向和延伸。

    57引发感觉式量化的实践

    尝试与错误经常是这类量化的一部分。比如我们已经看到，许多量

    化情绪的人发现，他们需要在不同的软件间切换，或者设计属于自己的

    系统，因为他们对情绪的理解变得越发微妙。在这样的项目里，最初用

    1～10的尺度记录快乐或悲伤程度就已足够。随着意识变得微妙，可能

    需要不同的记录策略。悲伤与愤怒不一样，而在不同条件下“不快乐”可

    能变得很重要。

    就其他量化形式来说，收集何种数据，取决于目标是什么。如果目

    标是分辨是否陷入抑郁，那么有多少低情绪的分数被记录下来，以及持

    续时间多长，可能比准确描述这些情绪更重要。相反，定性的描述

    (“快乐”“忧郁”或“兴奋”)可以更形象地描绘所经历的情绪变化。

    有趣的是，不使用传感器量化(如人工量化)的一个重要应用，是

    决定输入的数据指代的是现在、过去几小时还是整天。许多引出性的量

    化项目量化“目前”的感受，但是事实并非如此。人们通常说经历了愉快

    或者糟糕的一天，所以在我们的情绪例子里，在一开始就把“快乐”或“7

    分”作为用来表示一整天的感受是有意义的。如果这种感觉的停止是捕

    捉情绪的最好方法，那么它本身就是情绪持续多久的一种指标。

    像情绪这样的数据如何被标记，传达了可想象的量化范围。一些量

    化应用使用列举方式，即事先为一种类型设定好标签来实现量化。对于

    情绪，这类标签可能包括“愉快”“焦虑”或“沮丧”。一些自我量化者偏好

    用非医学化的、对他们自己有意义的语言。有时单独的一个标签就足以

    描述某些人的自我量化目标。同时，另一些人，可以通过第二个或第三

    个标签来及时描述观点(比如我们可以同时使用“快乐”和“沮丧”)。在

    这个过程中，重要的是用合适的标签，来表达你试图理解或体验的那种

    58情绪或感受。

    实践中，用于引起情绪或意识的量化，常常意味着抑制评判的冲

    动。引出感觉可以帮助提出假说，但是要与新兴的解释匹配，就要避免

    需过滤的数据，这可能会很困难。需要注意，引出感觉是医学诊断过程

    的对立面，医学诊断通常意味着迅速排除可能。在这种量化风格中，假

    设的解决方案被暂停，以便尽可能充分地开发正发生的事情所引发的身

    体感觉。

    59审美好奇心式量化

    20世纪30年代，曼·雷(Man Ray)用通过数学计算制作的身体模

    型，来创作雕塑、绘画和摄影作品。现在，一些艺术家使用个人数据作

    为材料，创造可视化作品。艺术家劳丽·弗里克(Laurie Frick)将她手

    机上的GPS数据转换成拼贴画一样的抽象模式(见图3-1)。弗里克将数

    据作为构建艺术作品的本体，而不是作为科学或证据。类似地，雕刻家

    斯蒂芬·卡特赖特(Stephen Cartwright)为通过数据得出的原材料赋予形

    状。从1999年起，他就开始每天每隔一小时记录自身所在地的精确纬

    度、经度和海拔，然后将这个数据和其他一些变量结合起来，制作雕塑

    作品。最终的作品很抽象，主要与视觉呈现形式有关。9

    虽然如此，卡

    特赖特的影像并非用于帮助解释或分析数据，但他的作品表明这样的形

    象化可以帮助人们讲故事。

    60图3-1 劳丽·弗里克的FrickBits

    资料来源：劳丽·弗里克。

    满足审美好奇心在某些方面与引发感受类似。在纽约视觉艺术学院

    (School of Visual Arts in New York City)罗布·沃克(Rob Walker)的

    艺术硕士课程上，学生们需要开始具体的关于“练习注意力”的课程，来

    强化发现被忽视的东西的能力。10

    沃克把自己看作游击队员，且正处在一场他称之为“去视觉化”的战

    争中。他担心，铺天盖地的广告占据了人们注意力的方方面面，会导致

    人们在潜意识中，用广告公司所创造的词汇来看待这个世界。为了让自

    己从不同的角度看世界，沃克的学生举办了“寻宝游戏”，来找寻公司不

    太容易吸引我们注意力的事物。“寻宝游戏”举办以来，这样的事物似乎

    变得越来越常见了。注意、计算、记录细节，使其成为一幅完整画像，或者成为其他视觉形式的过程，加深了学生对事物普遍性的认识，改变

    了他们看待世界的角度。

    一些项目创建数据来呈现特定的图像。人们已经发现，在用于跑步

    和骑行的量化软件中，用户会通过选择具有特定形状的路线来“绘制”数

    据。基于这个事实，华盛顿大学的丹妮拉·罗斯纳(Daniela Rosner)和

    她的研究小组开发了Trace，一款基于数字素描的应用程序，可以根据

    人们创建和标注的位置来生成步行的路线。比如走出一个心形，应用程

    序会将它映射到街道上，从而产生一个加密的信息，发送给收件人后，收件人通过行走来解锁11。

    61审美好奇心式量化的实践

    审美项目并不局限于由艺术家发起。在数据的字面意思之外，体验

    数据的视觉含义，是人们探索日常生活的一种重要方式。比如，每天拍

    摄食物的人，手上的资料或许可以作为拼贴艺术的素材。如果这些素材

    以新的方式组合，说不定会产生一些令人满意的视觉效果。即使没有特

    别具有视觉吸引力的方面，数据的可视化也可能成为有趣的记述个人传

    记的方式。比如“查理”，他记录下了每时每刻自己面对的主要地理方

    向，关于这样做的初衷，他表示自己并没有特别强的目的性，只是“为

    了好玩”。然而，当人们让他解释这些数据时，这些数据能够勾起他特

    别的记忆，他可以用一种新的方式讲述自己的故事12。

    对于没有受过艺术训练，但是对这样的视觉项目感兴趣的人来说，重点在于，要记住，从概念上令人满意的工作，并不需要特别精致专业

    的艺术设计。相反，审美的复杂性可以掩盖内涵的缺失。13

    重要的是你

    在自己的数据中看到的东西，而不是别人可能看到的东西。事实上，使

    用自己的数据做原始素材，也是开始发展数据可视化技能的好方法，因

    为和使用别人的数据相比，人们更容易理解自身数据的深层含义。罗布

    ·沃克的“20种去视觉化”清单，即将成为视觉艺术学院的一门课程，它

    是让你思考那些有趣并值得收集的数据的一个很好的方法14。

    62调试问题式量化

    调试是计算机程序设计的一个过程，目的是弄清楚为什么系统不能

    按设计好的方式运行。很多时候，仅仅通过医疗诊断并不能确定症状的

    诱因，比如过敏、偏头痛、哮喘、疲劳和睡眠问题都很难确定诱因。诱

    因因人而异，往往只能在临床环境之外发现它们。对于未有效诊断的病

    症(就像“是的，你有偏头痛，但是，我们不知道原因是什么”)，和完

    全未确诊的病症，数据可以变成特别强大的工具。数据作为有效的工

    具，也可以被用于解决其他类型的问题，如弄清为什么账单上的电费这

    么高，或为什么财政预算并不能反映实际的支出模式。调试的目的，常

    常是弄清如何解决问题，或怎样才能解决麻烦，并不必然是找到深层的

    生物医学原因。调试通常不是一系列像科学出版物里所说的“纯净”的实

    验室实验，但这也说明，调试的目的不是发表什么理论，而是寻找问题

    的解决办法——是调试，而不是证明。

    安妮·赖特的故事是数据有用性的典型例子。作为前NASA机器人专

    家，她用自己掌握的科学技能，来调试自身的医学问题。赖特病得太重

    以至于无法工作，因为用她自己的话来说——“我身上这些模棱两可的

    病症，让我很难在生活中做想做的事，但在所有的测试中它们却都是阴

    性的。”15

    她的病症被怀疑源于胃肠道，她拜访了很多专家，却没有得到

    一个有用的诊断，也没能了解病症的诱因或原因。

    赖特转向了自己的调试技能。根据研发“火星漫游者”的工作经

    验，“在这个工作中，当出现问题时，不可能像汽车或冰箱这样的标准

    化产品一样，有流程图引导寻找导致故障的地方，并给出维修指令。相

    反，我们必须将预期与观察相比较，自行寻找故障原因。”16

    她开始将其

    用于自己的身体：拍所吃的食物，用心率感应器做实验。在医生的建议

    下，她限制自己只能进行阿育吠陀式饮食[1]。追踪这种饮食带来的结果

    63以及其他一些事情，让她意识到，当食材中包含属于茄科的三种食材中

    的一种时，她的病情就会发作。通过阅读其他人的经验，以及参加生物

    讲座，赖特开始理解自身病症的生物医学原因。

    赖特的经历是一个重要的提醒：诊断和测试是为那些落在钟形曲线

    或中心之外的人设计的，而不适用于离群值。像慢性疲劳综合征这样的

    新兴病症，“必须努力去争取确诊。”17

    当病人的描述不符合钟形曲线内

    的现有知识或协议时，医学专业人士会对故事的真实性产生怀疑。在病

    人的倡议下，慢性疲劳综合征现在至少在医学上被确认了。有一些医学

    问题过于稀有，比如赖特的病症，以至于不能通过倡议来获得对它的承

    认。然而，拿赖特的病症来说，还有足够多的人患有相似的病症，互相

    交流能帮助他们了解自身的问题。但是并非每个人都像赖特这么幸运，能找到非医学的解决方法，值得庆幸的是她找到了。她公开分享了自己

    的故事，以证明当你可能需要精确理解某个医学问题，而别人无法提供

    帮助时，你可以通过自己的努力做到。事实证明，数据得出的结论非常

    有效，使她能够继续正常生活——除了让她能活跃于QS社区，还改变

    了她的职业生涯，赖特随后转入“量化身体”项目工作，这是一个帮助人

    们学习成为同伴的“数据教练”的项目。

    64调试问题式量化的实践

    有一小段时间，安妮·赖特担任唐恩的“数据教练”。虽然在自我调

    试方面，没有唯一的方法，但我们的建议反映了唐恩从那次经历中学到

    的东西。对于调试，有三个因素值得记录：症状本身；可能是罪魁祸

    首、触发机制或原因的事物；可能促进症状缓解的做法。创建数据集，记录症状开始时同时发生的其他事，或症状发生前的事，都很有用。量

    化的作用，是缩小潜在罪魁祸首的范围，比如某种食物、缺乏睡眠或压

    力过大。类似的，要用尽可能接近实际感受的语言来描述，而不一定使

    用医学语言或术语，这样保存的数据，在以后可能会产生重要作用。

    在有了罪魁祸首的清单和可能带来缓解的想法之后，就可以开始思

    考量化的最佳方式了。人工记录，还是使用传感器或智能手机？

    Quantifiedself.com网站包含了大量的工具及其使用描述。注意，一定要

    查看设备提供的具体数据内容。比如，如果你只关心睡眠持续时间，但

    制造商只能提供睡觉时间和起床时间，那么这个设备并不适合你。同

    时，还要检查是否支持将设备记录的数据与手工记录的量化数据结合在

    一起(通常是通过数据导出功能)。同时，也需要决定手工记录数据的

    形式。在本章最后，我们提供有关这个做法的一些思考。

    在量化一段时间之后，有些人能产生一种感觉，知道量化多久之后

    能有效果，并且了解自己需要多长时间才能从一种方法中学到所有东

    西。其他人则从基于实验的研究中得出明确的原因和结果。马克·德拉

    戈(Mark Drangsholt)是华盛顿大学的教授，教授循证医学，他本人患

    有心律失常。马克提出，他的许多医学院的同事认为，自我量化是“一

    种低水平的(科学)证据，人们甚至不知道量化的数据是不是真的”。18

    德拉戈主张将病例交叉设计作为对单一案例研究的改进。这种方法将同

    一个体的数据分为三组，“控制”数据收集在正常情况下的数据，“暴

    65露”数据收集症状发生之前的可能触发机制数据，“风险”数据收集症状

    发生中的数据。德拉戈的案例中，缺乏睡眠、饮用超过一杯的酒、公众

    演讲，都是一些增加心脏病症发生“风险”的“暴露”数据。这样做有利于

    进行比较，虽然事情发生的时间不同，并且不是在人与人之间比较，但

    可以对暴露下的发生症状的风险进行正式计算。通过这个方法，德拉戈

    得出了能同时让他作为科学家，和作为一个为避免触发心脏病的普通人

    都满意的结论。

    病例交叉设计涉及一些统计处理，方法可以在网上找到。另外一种

    测试方式，ABAB测试，使治疗期和非治疗期交替出现，有利于让干

    预前后的差异更清楚。使用这种方式，自我量化者无须使用太多数学计

    算。有时在治疗期间，ABAB测试与安慰剂结合在一起。然而，即使

    使用从科学中提取的这些方法，仍然需要你对治疗周期，或暴露期的长

    短做出判断。那些不可预测的疾病，或者社会期望，会妨碍纯粹的控制

    实验。例如，与睡觉时间有关的实验，可能会因配偶想出去跳舞而搁

    浅。

    66培养习惯式量化

    许多自我量化者使用数据来支持“习惯渗透”，即养成新习惯或改变

    旧习惯。习惯渗透基于的想法，是改变产生倾向的触发器，去做或避免

    去做某事，并创建更多的日常程序来支持期望的结果。习惯渗透者们协

    调所在的环境，并巧妙地创造实践的线索，虽然是一些在很大程度上没

    有经过深思熟虑的实践。许多人从心理学家和说服性计算创新者B. J. 福

    格(B. J. Fogg)所做的事中获得灵感，他从在一颗牙上使用牙线开始，养成了用牙线清洁牙齿的习惯。19

    从一颗牙齿上开始，比从整个口腔开

    始更容易，因此更易发起，随着时间的推移，福格的一个简单的使用牙

    线的手势，成为日常的“自然”事物的一部分。他把这个过程称为“小习

    惯养成”，代表从小行为出发，随着时间的推移，会产生习惯上的变

    化。自我量化者有时会聚在一起讨论“连锁”习惯，即通过在既存的习惯

    之后安排一种新习惯，例如在喝咖啡之后做仰卧起坐，进而有效地形成

    长期习惯。心理学家称这种行为是“触发”行为，或者是在日常活动中创

    造提醒物。

    许多自我量化者使用数据来支持“习惯渗透”，即养成新习惯或改

    变旧习惯。

    习惯渗透行为涉及各种各样的改变——识别什么习惯需要改变、评

    估环境中现有的安排是否支持最终目标，并提出做事的新方法。科学记

    者查尔斯·都希格(Charles Duhigg)建议人们把注意力集中在改变“线

    索”(指让人去做某事的刺激点)或“惯例”(指人们为了满足自己的潜

    在欲望而采取的一系列行动)上。他认为，人们不太可能改变自己寻求

    的潜在“奖励”(从无聊中解脱出来，需要社交联系等)。他建议用另一

    种方式来取代惯例。如果一个人能够确定，每天下午吃饼干的习惯更多

    的是为了缓解无聊，而不是享受饼干本身，那么他就能找到合适的替代

    67品。20

    这就是自我量化可以发挥作用的地方——更清楚地识别线索和惯

    例，可以创造证据来反映奖励的本质意义。

    习惯渗透有一些约束。一方面，习惯是社会性的和与环境相关的，发生在家庭、社区和社会层面。整个家庭的日常习惯不能因一个成员需

    要新的习惯而改变。另一方面，社会环境可以被安排，为某项活动创造

    社会“后果”。害怕让锻炼伙伴失望，于是做更多的锻炼，是一种行之有

    效的刺激方式。使用游戏主题和特征的自我量化应用程序也能带来激

    励，当你做了某件事以后，也可以让别人知道你做了这件事，即使其他

    人可能并不在乎你是否做了。无论是在社交、现实还是在虚拟环境中，习惯渗透者们都在对环境和看不见的因素进行调整，以改变日常行为，否则很容易就会无法完成习惯调整。

    68培养习惯式量化的实践

    弄清楚是什么触发了不需要的习惯，或者现有习惯的潜在激励是什

    么，有助于调整调试问题和激发感觉的技巧。一旦你对正在发生的事情

    有了更清晰的认识，养成新习惯就指日可待了。B. J. 福格有一个遵循心

    理学知识的模型：明确目标，使其容易达成，然后激发这个习惯。基本

    的想法是将新习惯映射到环境中，而不是与环境相悖。然而，一位习惯

    渗透者及产品经理，在尝试了习惯渗透的延伸形式之后，警告我们这样

    做非常难。例如，早睡意味着重新安排晚饭时间、上下班时间、托管孩

    子的时间，这些过程同时也对日常习惯中的其他环节有影响。事实上，与环境打交道，可能意味着引入比你想象的多得多的改变。习惯渗透或

    许会揭示另一个改变的需求，这可能比第一个变化产生更多问题。另

    外，疾病和旅行也会影响新习惯的养成，种种这些原因，让养成习惯需

    要的时间比大多数人认为的更长。研究发现，简单习惯的养成周期大约

    为21天，但是“要想成为稳固的习惯，越难的习惯需要的时间越长，并

    且，一些特殊的习惯养成甚至会花费更长时间”。21

    另外还有其他自我量化技术，不是通过量化来了解问题的本质，而

    是用以支持习惯的坚持。为了监测你想要保持的习惯，量化小细节和一

    致性往往更重要。一些人已经发现，在很长一段时间内，通过逐渐增加

    数据的方式来统计数据，而不是每天统计同样的数据，可以更加鼓舞人

    心。阿米莉亚·格林霍尔用金色星星来激励自己就是这种方式。以另一

    种做法将行为经济学利用到自己方便的地方。应用程序Beeminder，允

    许你把金钱押在你自己的成功上。成功完成目标任务，就可以拿回自己

    的钱；如果失败，那么应用程序开发公司将赢得这笔钱。

    69优秀自我量化实践的特点

    对各种自我量化技术的短暂尝试表明，正确进行量化，不止一种方

    法。像马克·德拉戈这样的人采用了“科学第一”的方法，在这个方法

    中，数字是客观事实的窗口，而人类偏见的影响被最小化。其他人，像

    罗宾·巴鲁阿或安妮·赖特，采用“认知第一”的方法，目标可能是思考这

    些认知是什么，或者扩展人们普遍认为的正确观点的范围，而忽略真实

    程度。QS社区内部的标准是，当某种学习行为发生时，不管是什么类

    型的学习，“好的”自我量化都会随之产生。22

    人类学家苏菲·黛依(Sophie Day)和她的同事，研究了科学之外的

    数字使用，指出人们使用数字的许多方法。这些方法不仅包括艺术实

    践，而且远远超出理智推理。23

    毕竟，和人类社会所生产的艺术、音乐

    和文学一样，数字也是文化产物。甚至医学和其他行业，采用“科学第

    一”的思维方式的人，也不总是像人们想的那样，科学而精确地使用数

    字。在一项统计医生素养的研究中，要求医生根据给出的概率、假阳性

    和敏感性信息，计算出病人患癌症的风险，只有不到10%的人做出了正

    确回答。24

    跨文化研究表明，人们非常习惯于以特定的方式与数字打交

    道，而且很难用不习惯的方式使用数据。虽然在某种意义上，没有人一

    开始就“习惯”自我量化技术，但是在这些情形中，我们看到了适应行为

    的证据，和重新调整之前所持观点的能力。科学家可以扩大他一直以来

    所认为的证据的范围，而人类学家可以学会使用数据，不仅仅只从人类

    学观点来研究问题。我们在这里描述的自我量化实践的丰富性和多样

    性，只是技术用户提出的多种观点的冰山一角。

    在本章的最后一部分，我们进一步提供了建立自己个性化自我量化

    实验的建议——更联系实际的建议。那些不喜欢改变自身已有自我量化

    实践的读者，可以直接跳到第4章，看看科技行业是如何使自我量化工

    70具成型的。

    71量化实践的进一步考虑

    接下来的建议，不是规定或规范的最佳做法，只是如果你对如何开

    始一个项目感兴趣，我们参考自身社区参与的经验，特别是唐恩被安妮

    ·赖特指导的经验，总结了开始项目的方向。像这样的实践并不会被撰

    写成书，当实践经验从一个人传递到另一个人时，人们会添加自己的观

    点，或者对其进行修改和调整。毫无疑问，我们所写的看似好的建议，对一个有特殊情况的读者来说，可能是最坏的。基于这一点，我们建议

    大家在开始自我量化项目几天之后，再回过头来看我们的意见，毋庸置

    疑，你会从持保留态度转变为想要主动阅读。

    针对项目的初始阶段，以下是我们在收集自我量化数据时学习到的

    一些因素。

    (1)要有一个简洁的开始。自我量化项目应该从有人做过的简单

    实验开始，比如可以在几天或几周内完成的。虽然通过几个月或者几年

    时间来量化，会带来不一样的好处，但第一个项目不应该长期占用你的

    时间。

    (2)聚焦于一件或两件事。量化事物数量较多，会让人无法在目

    标上集中注意力。量化必然会产生对日常生活的片面看法，也不可能从

    许多片面的观点中构建出一幅全貌。利用偏向于你优势的地方，把注意

    力引向最重要的问题。

    (3)合理命名数据。尽可能用与经验相符的方式标注数据。有

    时，在实际的生活场景中，提问可以帮助你找到需要被量化的东西。比

    如，在回答诸如“今天你想远足吗”这样的问题时，可能能对肌腱炎的疼

    痛程度进行量化。是否能参加远足，对有肌腱炎的人来说，是最相关的

    问题。

    72(4)时间和地点都是很好的数据管理器。按时间或地点限制数据

    收集，可以提高数据集合反映的观点的精确度。结合实际情况，具体指

    的是比如每天固定在某一时间拍照，或每次进入一个地方时拍照。记录

    数据的时间(今天的总体感觉、最后几小时的感觉、现在的感觉等)会

    使数据的意义更清晰。

    (5)对量化工作实事求是。每小时记录一件事，坚持两天很容

    易，但是对于大多数人来说，持续两天后，这个项目很可能就此停止，不会继续坚持了。考虑你实际想投入多少时间和精力到量化项目中，并

    且考虑在一天中何时记录比较方便。

    (6)数字、文字和图片都很重要。有时记下一个单词或拍照可能

    会成为最有力的记录，特别是在时间也被自动记录的情况下。即使是最

    简洁的注释也有利于提供良好的上下文环境，或者在之后需要重构一件

    事时帮助回忆。通常，传感器数据最好与手动记录的笔记或其他数据相

    结合，便于理解。

    (7)数据有不同的尺度。如果你使用的是数字尺度，请注意尺度

    本身传递的信息。用5分制计分，可以留有中间立场；用6分制计分，将

    迫使你进行选择。有时粗略的尺度(如低、中、高)比10分制的选择更

    有效。你可以问自己，更高或更低的数字对你来说感觉更积极还是消

    极，据此设定尺度范围。另外可考虑将有特殊意义的数字作为计量尺

    度。在统计学中，数字9和99常常代表“丢失”的数据或无意义的问题。

    比如，你可以用1～10来量化心情，用99来代替心情没法被明显辨别的

    某一天。

    (8)文字和图片有数量要求。单词的频率可以计算，所以它们变

    成了数字。像750 Words这样的程序，可以在任意段落中计算关键字出

    现的频率，这能为你关注的事物提供线索。一些人每天简单记录觉得高

    兴的事，然后用750 Words来分析，用以量化心情。通常这样的项目会

    73与情绪分析同时进行，以确定这些词的语气是积极还是消极。但你是否

    同意这个分析，又是另一回事了。

    (9)自我量化工具不一定要花哨。应用程序开发人员试图对显示

    数据的方式做出好的猜测，哪些数据可能有用，哪些计量尺度更实用，哪些词更重要等，但这些都是猜测。纸和笔的记录、Excel表格、谷歌

    表单(Google Forms)，或通用的自我报告应用，比如Keep Track应

    用，给了你对于信息记录的更多控制力，并且当项目发生改变时，可以

    获得更多能力去改变和调整。

    (10)开展几次试运行。在你第一次尝试时，有些东西达不到预期

    是很正常的。也许是选择的数据规模不太好，也许是收集数据的频率不

    现实。对自我量化项目进行修改，直到确定可行的方案。

    假设你现在已经做了以上事情，并且手上有了一部分数据，你会问

    自己：现在该怎么做？下面我们列出了一些你可以使用的数据分析方

    法，这不要求你掌握新的统计或可视化技能。这个列表中的项目，是关

    于如何分析数据的建议，即如何寻找帮助你发现模式、找到趋势和完成

    拼图的东西。

    (1)时间和地点是强线索。大多数人在看图表时，都很自然地寻

    找规律，并试着解释我们看到的峰值。通常，这些规律指出了并不直接

    出现在数据里的东西——如倾向于在一周的某一天去餐馆，或是在早上

    照顾孩子——这帮助解释数据里的波动。统计学家经常使用时间滞后变

    量，含义是某些东西会在以后产生效果。吃东西可能会引发反应，但不

    是立即生效，而是在第二天发生反应。因为数据的时滞性，数据集的两

    个峰值即使相关，也不会直观地排列，那么你将不得不添加一个临时调

    整时间戳，比如加上或者减去适当小时数，直到看到峰值之间的联系。

    在线形图中，很难通过肉眼看出递归和时间滞后性，但有一些方法可以

    使它们变得明显。比如，可以把图表打印出来，圈出每个“周一”，以便

    74从视觉上放大这个规律。在电子表格里，你可以把数据拷贝到新表格

    中，删除所有与峰值无关的数据，然后查看时间栏，看看是否有共同的

    一天或一周的规律。像Data Sense这样的可视化软件，可以自动为用户

    呈现递归，并帮助你找到延迟的影响。25

    Fluxtream是一款缩放不同时间

    尺度的工具，每一个都能揭露出不同的模式。如果你的数据有一个位置

    戳，和时间戳同样的原则也适用：询问在特定的地方会发生什么。

    (2)滑动平均可以解释潜在趋势。滑动平均显示的每个数据点，是前面几个数据点的平均值。这个数据，直观地反映了数据的上升或下

    降趋势。自然状况下，体重会正常波动，与每天的体重读数相比，一周

    的平均体重是体重增加或减少的一个更好的指标，并且，平均数也可以

    减少焦虑。在数据密集且变化量大的情况下，滑动平均也能作为一种可

    视化工具。类似这样的数据被描绘出来(想象一个月每天收集的卡路里

    数据)看起来就像许多长钉挤在一起，于是纯粹因为视觉原因，我们很

    难看到潜在的趋势。滑动平均数可以消除数据的短期异动，同时保留潜

    在的长期趋势。

    (3)注解。数字不会讲故事，但人会。在图表上记下评论或插入

    图片，可以帮助还原数据中的故事。如果在某一周内，你一直在量化睡

    眠，当看到某天睡眠时间减少时，你很可能回想起时间减少的原因。如

    果你记录几个月或一年的数据，来试着寻找睡眠差的原因，这样的回想

    就没那么可靠了。任何你能找到的其他事物(照片、音频资料，当时写

    下的某些东西)都能帮助你在所量化的指标和未量化的指标之间建立联

    系。

    (4)拼贴画能支持视觉上的意会。当同一事物的照片(食物、药

    丸、脸)以一个系列的方式显示出来时，一些模式会通过形状和颜色产

    生。以这种方式量化会使数学计算更加困难，但视觉模式比数字更能产

    生强大的反馈。26

    无意中捕捉到的位置信息，或是一个物体的包装，或

    75是其他意外被拍摄到的人，都可以帮助你回忆起当时的情形，或者捕捉

    到你最初可能没有想到的额外信息。

    (5)缺少数据并不意味着真正的缺失。缺失数据的修补是有意义

    的。它们可能意味着事情已陷入尴尬或麻烦，这使数据记录变得更加情

    绪化，也或许问题已经自行解决。如果关于你的缺失数据，你有它可能

    比总体平均值更低或更高的理论，那么你可以按自己的想法修改或降低

    被统计数据的平均值或相关系数。缺失数据本身也可以成为数据。在量

    化某一特定活动时，关注不做某件事的模式，而不是关注做了什么，可

    能会带来不同的解释。

    (6)讲故事是一个使故事精练的好机会。QS社区有一个公开的秘

    密，即问答节目。当人们不得不向别人解释数据时，往往会花时间更仔

    细地思考数据。这就是关于数据的完整故事出现的时候。通过与别人交

    谈数据，发现其他人看到的东西，可以成为数据本身另一个有用的镜

    像。

    (7)与他人比较可以提供参考。和我们交谈过的大多数自我量化

    者都没有意识到，探究自身数据是否偏离人群的平均水平是很有用的。

    不管怎样，参考其他人的数据样本，可以看到可能的变化。比如，我们

    了解到，波特兰的一个自我量化者抱怨说，某个睡眠质量算法并不怎么

    好，因为他发现不可能获得低于95%的分数。另一个人插话说，他使用

    了同样的设备，实际上可以得到更低分数，这让第一个自我量化者对自

    己的数据有了更多的认识。

    一旦人们有机会查看自己的数据，其中一些人可能会寻求改变。显

    然我们无法告诉你该做什么，但如果你陷入困境，有一些资源值得考

    虑。过度劳累的医生通常不愿意看到自我量化数据，原因会在第5章说

    明。与医生相比，营养学家、自然疗法崇尚者、心理健康专家，以及其

    他进行健康相关实践的人，通常对自我量化数据更感兴趣。还有一个新

    76兴的领域——数据教练，他们没有受过医学训练，但了解自我量化技

    术，并可能对手头的问题有一些经验。一个好的数据教练会让你依然主

    导自己的量化，只是在这个过程中得到更多的资源和反馈。

    特定疾病的在线社区可以有学识渊博的参与者，论坛上的人们有丰

    富的第一手经验，而且经常谈论自己的数据。如果你手上有数据，像

    Patients Like Me或Cure Together这样的社区，会是极佳的谈论数据和经

    验的场所。如果你住在市区，当地的QS社区问答小组将会是一个提问

    和征求意见的好地方。

    收集数据在某种程度上产生了一种能感知到的负担。27

    如果你量化

    咖啡因，希望能缓解症状，然而量化结果却显示，饮用多少咖啡因并不

    重要，你会发现，本以为通过量化能控制症状，但最终结果让人失望。

    实验可能也确实会失败，选择你不想知道的和选择想知道的一样重要。

    然而，值得记住的是，一个问题如果能成功解决，意味着它实际上并不

    是个问题。人们使用数据来平息担忧，我们已经看到了很多这方面的例

    子。在本章的故事里，量化血糖的人同时也量化情绪和睡眠，虽然源自

    不同原因。当他把情绪和睡眠数据放在一起时，他发现，心情不好的日

    子，常常正是前一天晚上睡不好的日子。因此，他的潜在问题变得不再

    是问题——这是一种更常见的商业实践的逆转，也就是使用量化来创造

    和合法化我们甚至都不知道自己曾经有过的“问题”。

    现在我们已经了解了社区和自我量化实践，让我们转向第4章，讨

    论工具和设备，以及生产它们的行业。

    [1] 阿育吠陀式饮食，即Ayurveda-prescribed diet。阿育吠陀是印度的一门医学体系，如今也代表着一种健康的生活方式。——编者注

    77第4章 自我量化与技术行业的碰撞

    这种邀请一般很简单：在一个因聚集了大量科技公司总部而闻名的

    社区里，在最酷的咖啡馆见面喝杯咖啡。在一个健康创新会议上，吉娜

    遇到了一个有奢侈消费品工作经验的人，他离开了奢侈品行业，转而研

    究自我量化设备。但在后续会议上，提出问题的却不是人种学家。会议

    中悬而未决的问题，无论是吉娜还是所有的科技公司都无法回答：“我

    们将如何处理这些数据”。

    “我们将如何处理这些数据”是一个重要的问题。来自自我量化工具

    的数据没有任何隐私和安全保护，而这些保护是健康状况数据所必需

    的，并且它经常能密切反映人们的生活画面。究竟多少人的数据被用于

    商业营销，它的使用是否有歧视性影响，或者是否降低了提供服务的成

    本，这些都很重要。自我量化数据已经被用来在市场营销中细分客户群

    体，但如果它被用作区分性别、种族或宗教，则可能会超越界限。由于

    资金来自数据，比起支持人们量化自我的能力，对公司来说，公司量化

    人们的能力可能更具经济价值。事实上，在一些私人领域，自我量化可

    能被更准确地称为“对自己”的量化，因为它并不是真正由自己执行，或

    者为了自己而做。

    私下里人们仍然在问：“我们将如何处理这些数据？”这意味着对自

    我量化数据的态度应该让每个人都感到担忧。随着自我量化工具的主流

    化，它们的开发和定义，是由庞大而复杂的行业所设定的，至少最初

    是。这个行业向我们提供了一套社会操作指导——初步告知我们关于新

    设备所能做的工作，为谁工作，以及应该如何使用。当行业内的执行者

    提到“我们要怎么处理这些数据”时，他们暗示，在某种程度上，这些公

    78司自己尚不知晓自我量化设备为谁准备或能做什么事。这是一个非常模

    棱两可的问题，对于一个通常不会容忍不明确投资回报的行业来说，这

    是不寻常的。正如评论家叶夫根尼·莫罗佐夫所说，这是一个珍视“效

    率、透明度、确定性和完美”的行业。1

    既然如此，那为什么自我量化工

    具的许多商业模式都依赖于这种模糊性呢？

    答案与技术行业工作的文化规范，以及缺乏透明的监管审查有关。

    这两个因素决定了市场的发展，让消费者不清楚或不甚了解数据能为自

    己做什么。对于哪部分消费者能获得公司设计的工具，以及这些工具在

    世界上反映或产生的价值是什么这两个问题，技术行业目前都能很好地

    掌控，这是检验一些比较常见的工业实践的一个很好的理由。

    79当我们谈论“行业”时，我们在说些什么

    在技术行业工作的人们，利益并不一致和连贯。自我量化工具有时

    由个人、行动者甚至远在硅谷之外的病人团体研发。许多情况下，它们

    在大学内研发，进而商业化。然而，随着可穿戴设备和数字健康市场的

    成熟，自我量化技术获得了巨大的关注，并得到了来自强大利益集团的

    资金。到2019年，每年将会有超过4200万的健身追踪器被售出。2

    虽然

    当我们写下这个数字时，还无法提供官方数据，但一名分析师估算，大

    约700万台苹果手表在面世的最初6个月内被售出。3

    在硅谷，风险资本

    对数字健康领域的投资增长迅猛。2014年，对数字健康公司的投资超过

    了41亿美元，几乎超过了前三年的总和。这部分资金来源于已有的风险

    投资公司，比如红杉资本(Sequoia)、安德森霍洛维茨基金

    (Andreessen Horowitz)、凯鹏华盈(KPCB)及科斯拉风险投资

    (Khosla Ventures)，也有企业投资，如默克(Merck)、谷歌、高通

    公司(Qualcomm)及卡姆比亚(Cambia，一家健康保险公司)。数字

    健康基金的增长速度比一般的风险投资基金快。对于数字健康领域内的

    基金来说，最高端的领域是分析学和大数据、消费者医疗参与、数字媒

    体设备、远程医疗、个性化医疗及人口健康管理。4

    这些领域中的许多

    都和自我量化设备生产有关，或需要在某方面使用工具所产生的数据。

    资金的流入意味着，自我量化行业的生态系统现在包括传统的科技

    巨头、大型医疗器械公司、制药公司、保险公司、大型医院集团、运动

    服装公司和奢侈品牌。不同种类的公司，对可穿戴技术和相应的数据持

    有不同的动机。然而，个人创造者和“制造者”也占有一席之地。QS社区

    聚会上有很多人，他们的日常工作是设计和制造自我量化技术，但他们

    却带了新标签：技术用户、倡导者、“黑客”(为一个新目标而调整技术

    的人)，或者是业余发明家。多重角色为人们提供了新的方式，对思考

    日常工作中所做的事情进行思考。5

    唐恩对此并不陌生，她本人就是作

    80为大型技术公司工作者，同时在QS社区内参与数据接触的讨论，以及

    产品实用度研究。作为人际交往的结果，她以不同的方式参与英特尔的

    设计研究，并提出不同的技术方向。虽然技术制造者和使用者之间分类

    的界限有时很模糊，但两者在检验工业过程如何帮助定义新设备和工具

    的初始社会操作指令，以及在实践中人们使用的方式，会在何种情况下

    对定义造成何种影响等方面很有用。

    81精准定位细分市场

    以下几个因素有助于理解行业参与者在自我量化设备和数据中看到

    的商机，以及为什么会有如此巨大的市场热情。第一个因素是技术成熟

    度。目前传感器系统可以很可靠地发挥效用，并以部分人可接受的价格

    生产。创新，包括智能手机、蓝牙、GPS、加速度计的兴起，带来了新

    的“外形因素”(一个行业术语，用于包装物材料的技术)。技术创新让

    设备小型化成为可能，但正是它们的社会容纳度和包装物，帮助我们想

    象将其穿在身上的样子。举例说来，智能手表背后的社会实践比其技术

    更古老，比如人们将手表视作象征身份的珠宝来佩戴的传统。虽然这些

    技术正在发挥作用，但相对的新特性导致了“我们将如何处理这些数

    据”的相关思考。工具确实处于社会变革的边缘；随着时间的推移，我

    们通过在现实生活中尝试，来了解所获得的数字的意义。

    如此高水平的投资背后的第二个因素，是我们已经概述过的社会变

    革，它使量化自身、生物医学化和大范围转向以数据为中心的文化更具

    吸引力。生物医学化对技术产业的影响与对普通大众有所不同。在提出

    商业计划的同时，指出医学专业知识，可以让人对这个计划更加信服。

    医学专业知识赋予这个计划一种权威的光环，尤其是在医学重要性高于

    科学，而使科学上的争议被淡化的时候。事实上，最近的一项研究，比

    较了可穿戴设备贸易展和“身体世界”(Body Worlds)博物馆中使用的

    隐喻，身体世界是一个科学博物展览，展示了用塑料包裹的尸体。6

    可

    穿戴设备贸易展中的语言和身体世界博物馆中的隐喻几乎相同，这暗示

    了可穿戴设备制造商对于自己想给客户传达多少信息，即“当用户看数

    据时，可以知道多少东西”，持有多少把握。他们对这些数据非常了

    解，就像医生对于解剖肌肉或肌腱一样。这种自信有代价。在使用数据

    的过程中，公司不太可能为潜在的有价值的知识进行深入设计和研究，并在实践中发现其真正含义。而这可能是从未得到医学或校准领域认可

    82的新知识。

    生物医学和企业都通过概率的视角来看待事物。这些概率，比如

    说“坚持锻炼的女性压力更小”，在人群里或市场上都适用。通常，概率

    提供了一定程度的确定性，客户将以某种方式回应——客户的回应是一

    种确定性，这种确定性正是企业渴望的。如历史学家伊恩·哈金(Ian

    Hacking)所说，概率的作用是“驯服机会”，当机会被驯服时，投资就

    会获得收益。7

    当行业参与者听到类似“坚持锻炼的女性压力更小”这样的

    说法之后，若能尝试将其转化成数据形式和设计，会是一个短暂的飞

    跃，比如设计一种鼓励多锻炼以减少压力的技术。这引导公司根据总体

    概率对产品进行优化设计，并将其他的个人背景因素作为“噪声”，在设

    计中，很难考虑到所有因素，或很难将其作为一种有用的数据资源。然

    而，这种因人而异的“噪声”因素，可以影响技术的采用或摈弃，因此事

    实上，企业忽视了它可能带来的风险。

    这引导我们走向第三个因素。对公司来讲，它们非常希望相信自身

    的技术擅长解决问题。叶夫根尼·莫罗佐夫把这种相信称为“技术解决主

    义”，是一种相信靠技术能解决复杂社会问题的思想。8

    在解决复杂问题

    时，技术解决主义使科技公司显得更重要，相应也就淡化了其他人可以

    提供的帮助。在《时代》(Time)杂志的一篇文章里，我们可以看

    到“解决主义”发表的关于谷歌新的长期健康项目的言辞激进的文章，标

    题为“与死亡对抗的谷歌”。9

    像这样的过度反应显然是荒谬的，但这种行

    为却在被鼓励。然而，我们本身在工业上的经验，使我们相信在工作

    中，往往也有一些更温和的东西——人们拥有想要建立起对他人重要的

    东西的本能。但是，对于这个问题，这种着重于解决问题的倾向，阻止

    了公司仔细研究在这种情况下，数据是否为好的或合适的解决方案。解

    决主义表示，技术对人产生影响，而不是人对技术产生影响，因此，对

    于产品所依赖的社会动态，公司不太愿意使用必要的资源来研究了解。

    这对于数据产品来说，是一个特别危险的策略，因为数据的意义与社会

    83动态直接相关。风险投资资金可能会追随那些未脱离社会实践的主张，但与此同时，许多自我量化工具都很矛盾，因为它们与现有的实践或社

    区没有明显的联系，而人们正是在这样的实践或社区中理解数据的。

    最后，自我量化数据引起商业兴趣的第四个因素，是其集中化的潜

    力。在硅谷，数据被视为值得储备的有价值的通用资源，是可能有一天

    会带来多重潜在用途的“新石油”。硅谷的一个常见想法是，企业实际上

    是在“民主化”或“扁平化”。比如，像互联网这样的分布式网络，某种意

    义上带来了更广泛的通信方式。然而，该行业也十分关注哪个公司将成

    为下一个“平台”，即下一个中心，系统中所有其他元素都必须与其连

    接，平台所有者可以通过该系统，从其他参与者那里赚取资金。许多著

    名的硅谷公司的赚钱方式是，将自己置于某种类型的分布式网络中心

    ——不管是亚马逊网站的卖家和买家网络，还是脸书的朋友和熟人网

    络。有许多初创企业都试图成为自我量化数据的中心枢纽。

    另一种分布式系统则对集中化更感兴趣，这意味着商业计划的“规

    模”压力巨大，也即需要吸引大量客户或合作伙伴。当新产品的开发者

    提出计划时，他们需要有“使用案例”，描述他们推荐的使用产品的方

    法。人为梳理使用案例，比如只保留“人们想要监测自身健康”的相关内

    容，可以洗去现实生活中的杂乱信息，促进“规模化”。10

    毕竟，谁不愿

    意监测自己的健康呢？在工业行业工作的大多数人类学家经常看到，让

    企业完全接受人们实际做的事情是很困难的，因为现实生活中的那些杂

    乱信息让商业实践变得更加困难。现实生活的杂乱信息，使得让产

    品“规模化”的设想变得更加困难，因为每一个不同的情境对产品都有不

    同的影响作用。对于产品经理来说，找到能作为样本的通用情境会让工

    作变得更容易，这样有利于随后从统计上推断对更大的市场的影响，即

    使这些情况对部分特定人群来说没有意义。数据产品也不例外。工业参

    与者很难听到独立的自我量化者的声音，这个声音描述的才是真正适合

    独立量化者的东西。然而，最终还是要面对现实。当商业人士最终置身

    84数据之中时，他们可能会对数据的混乱程度感到惊讶，但他们不得不问

    自己：“我们将如何处理这些数据？”

    在硅谷，数据被视为一种值得储备的有价值的通用资源，是可能

    有一天会带来多重潜在用途的“新石油”。

    85数据的经济角色

    考虑到行业参与者处理数据的方式，问题就转变为：财富是如何产

    生的，这些获取财富的方式里，是否有我们需要考虑的社会效应。在这

    里，我们将关注消费市场。一般来说，经济活动中使用的数据有几种不

    同的形式。第一，许多公司收集他们自认为可能对消费者直接有用的数

    据。自我量化数据即产品，如心率监测器、跑步追踪器和直接面向消费

    者的血液样本分析报告。第二，公司收集可能提高客户黏性的数据。如

    Runtastic和Runkeeper应用，通过收取额外的费用，提供额外的个性化培

    训，并且提供个性化培训服务的能力依赖于数据。内斯特(Nest)，一

    家基于网络的焊条保温筒[1]

    制造公司，宣布他们已经与公用事业公司建

    立了合作，提供平衡电网中能源消耗的服务。11

    平衡电网中能源消耗的

    能力，正是依赖于这两个公司的数据交换。第三，依赖广告收入的公

    司，通常使用数据来确定广告投放地点和目标客群，以及其他类型的营

    销。这是一种不局限于自我量化的广泛经营方式。一些公司通过分析数

    据集的整体模式来盈利。比如，遗传学测试公司23andMe，通过将自身

    客户数据库权限开放给生物科技公司基因泰克(Genentech，全球制药

    巨头罗氏公司的子公司)，而获得了一笔6000万美元的订单。12

    在第3章，我们展示了实际上多少人从自我量化设备中获得了有价

    值信息。在这里，我们还必须承认，这些设备产生的数据是更广泛经济

    的一部分，数据只是在其中扮演了一个角色。各种各样从数据中盈利的

    方式，会在某方面对客户不利吗？一个交易是否公平，可能更多的是与

    特定的情况有关，而不单是一个公司是否赚了钱，或者是哪个政党认为

    公平。其中的细节很重要。

    比如，一些公司认为自我量化数据是客户的财产，相反，另一些公

    司认为是公司的财产。“人群层面”的数据模式，即已经被公司分析、清

    86洗过，无法轻易辨别个人信息的数据，可能相对于原始数据有着不一样

    的所有权归属。众所周知，服务文档的条款阅读起来很费解，通常被人

    们忽视，而且有时内容很宽泛，很少谈及公司实际如何处理用户数据。

    然而，一些公司另行提供了没有法律术语的版本，或者试图通过其他方

    式来传达如何使用客户数据。有些公司对数据非常严格，确保所有关于

    人们数据的活动都基于客户自身的选择，由客户选择是否执行，而也有

    公司的做法是，如果它们认为这个做法对人们几乎没有风险，则默认参

    与，让客户自行选择是否退出，因为如果让客户自行选择是否加入，会

    让一些增值服务难以售出。以上都是公司对待数据的不同做法，在成为

    某一特定公司的客户之前，这些都是值得研究的。

    虽然不同的商业惯例之间存在着值得关注的差异，但法律学者弗兰

    克·帕斯奎尔(Frank Pasquale)认为，一般来说，经营数据的公司会逐

    渐变得比以往更不透明，而不是更透明。13

    “数据会如何被处理”缺乏透

    明度，使得人们即使有意愿加入，也很难做出有意义的选择。帕斯奎尔

    把这叫作“黑盒社会”，用以同时指代数字“黑匣子”——类似于飞机上

    的“黑匣子”，它提供了人们生命的越来越详细的数据；以及指代在工程

    意义上的“黑匣子”，即我们虽然不了解深层工作原理，但仍然在使用的

    系统。

    黑盒社会最关注的领域是数据的二次使用。帕斯奎尔引用了一个案

    例，一对夫妇想使用信用卡来获取心理健康服务，结果却发现他们的信

    用评分因此受到了负面影响。他们因为获取心理健康服务的行为，被认

    为是信贷风险客户，而没有被单纯地看作寻求解决与风险不相关的问题

    的人。虽然不是所有的数据收集实例都导致了这样严重的情况，但帕斯

    奎尔的观点是，出现这种类型的问题的可能性是真实存在的。他认为，数据的创建，或者由私人公司处理数据，本质上不是一件坏事。事实

    上，在他的书中，基于他在法律和政治经济方面的专业知识，为改善这

    种情况提供了可能的补救措施。他不是唯一一个为这种情况寻找出路的

    87人。2014年，白宫召集了一群人组成“大数据和隐私工作组”(Big Data

    and Privacy Working Group)，以确定在保留数据的实际和经济价值的

    基础上，解决广泛使用大数据引发的社会问题。14

    从事机器学习(在大

    型数据集中发现模式的技术)的工程师也在询问如何设计算法以避免有

    害的偏见，以及如何在设计算法时对结果的潜在社会后果更加敏感。15

    88开拓自我量化市场

    要想建立自我量化工具的市场，就需要定义所销售的产品，以及产

    品的使用方法。目前，自我量化工具已经出现在许多市场中。然而，技

    术行业仍在努力为已发布的设备寻找令人信服的使用方法。Rock Health

    是一个以支持初创公司和参与数字健康投资为主业的公司，它的一份报

    告指出，多数量化设备缺乏明确的定义：“市场的通用语言是，让消费

    者自行想象如何使用。”16

    我们之前提到的理由——技术的新奇性、夸大

    的数据准确性、为了保持受众规模而需要的通俗性，当然，还有解决方

    案主义——都指出了自我量化工具市场上会出现这种通用语言的原因。

    关键领域已经开始凝聚。其中一个市场领域涉及将自我量化工具设

    计为奢侈品，与高端珠宝和配饰一起售卖。时尚设计师托里·伯奇

    (Tory Burch)为Fitbit设计了一系列高端珠宝配饰；前博柏利

    (Burberry)公司CEO安吉拉·阿伦茨(Angela Ahrendts)加入苹果公

    司，帮助设计苹果手表；瑞士制表商泰格豪雅(Tag Heuer)与谷歌、英特尔合作参与智能手表项目；时尚公司瑞贝卡·明可弗(Rebecca

    Minkoff)已将智能设备加入了自己的配件生产线；活动追踪公司Misfit

    设计了一款产品，嵌入施华洛世奇(Swarovski)水晶中。另一个与设

    计制作运动量化设备有关的方向是，面向一群热爱在周末进行10公里跑

    或铁人三项或交叉健身(CrossFit)训练的斗士，他们希望提升自己的

    运动表现，这类设备可以由专业运动员帮助售卖。专业铁人三项选手蒂

    莫西·奥唐奈(Timothy O’Donnell)帮助推广佳明(Garmin)智能手

    表，宣称这种手表可以带给大家一种专业设备的感受。与此同时，职业

    运动队配备着来自STAT Sport、Zephyr和Catapult Sports的生物特征追踪

    器，而业余爱好者则在集体训练后能统计发布心率监测数据的健身工作

    室扎堆，比如Orangetheory Fitness。17

    自我量化工具的另一个市场领域，是作为医生和患者之间的沟通桥梁，如帮助传达治疗决定、加强老年人

    89的独立性或促进形成健康的生活方式。法国医疗设备生产商威辛斯

    (Withings)建议，欧洲和美国的医生需要调试普通家庭使用的血压袖

    带，以使其更好地发挥作用。如果是这样，自我量化工具就正好能在医

    疗环境中派上用场了，因为医疗技术工业对此反应很慢，医疗设备制造

    商往往需要很长一段时间来增加功能。最后，职场监控方面正在显露一

    个潜在市场。雇主购买量化设备，用多种方式监测员工行为，有时用于

    了解员工工作进展，有时用于监测员工工作时间以外的活动，以期降低

    提供健康必需品的费用。高德纳公司的报告指出，世界范围内有10000

    家公司为雇员提供健康量化器，并且自2016年起，许多规模超过500人

    的公司将会为员工提供健康量化器。18

    这些新兴的领域，通过消费市

    场，揭示了它们认为的自己所能解决的问题。同时也限定了使用这些工

    具的用户群体和环境。

    自我量化工具正在关键社会舞台的交叉点崭露头角——在健康和

    保健、工作和生活、平民化和奢华性之间。

    自我量化工具正在关键社会舞台的交叉点崭露头角——在健康和保

    健、工作和生活、平民化和奢华性之间。这些交集，迫使设备制造商更

    加谨慎地传达它们设定的设备操作指导。比如，健康量化设备和平台的

    医疗用途无法受到推崇或评论，因为生产商在以消费者的健康为市场。

    与糖尿病做斗争的人们可能会使用Jawbone UP智能手环和它的数据平

    台、碳水化合物计量装置。但如果该公司公开鼓励使用该设备来管理糖

    尿病，就有可能与监管机构发生冲突。类似的，从某种意义上说，设备

    本身可以比专业的医疗保健服务和工具便宜，但奢侈品产品线和模式创

    造了这些新技术与年轻人、健康人、富人之间的联系，可能使它们在社

    会上更难获得。为了更清楚地阐述我们的想法，我们现在进一步看看其

    中的三种新兴市场——我们称为健康线、奢华线、工作线。

    90自我量化工具的健康线

    健康主义活跃在美国及更大区域的消费者市场里。请看看全食超市

    (Whole Foods，美国有机商品超市)的货架，看看“健康”分别作为消

    费活动和身体状况反映的模糊界限，以及一些被称为“医疗保健”的东

    西。这里有一个巨大的灰色地带，由补品货架、流行食品、健康风潮和

    饮食选择组成，这些选择介于医疗推荐和传统愿望之间，使人们用消费

    来通往健康。在这个货架上，我们找到了关于“健康生活”的观点，这是

    一种基于对医学和准医学知识的通俗解读。在消费市场的背景下，“健

    康生活”与医疗保健的基本方式不同，但这并不妨碍公司利用目前流行

    的健康概念，故意模糊二者的区别。至于人们是否应该指望技术行业来

    解决健康问题，又是另外一个需要考虑的问题了。

    自我量化工具是为本身就年轻、健康的人设计的。这就带来了问

    题，公司鼓励人们通过消费来通往“健康”，但却主动忽略了另外一些获

    利性不那么强的客户。活动追踪器的宣传材料，通过展示使用这些设备

    的年轻且健美的人，来传达使用之后的极其健康的身体状态。但让我们

    看一看，当企业在这种假设之外冒险时会发生什么。我们很快就会发现

    我们处于一个完全不同的市场中，比如“独立生活”市场，一个认为老年

    人只需要被监视的地方，在那里，其他的人类需要，像美感或好奇心这

    些，完全无从体现。

    独立生活市场很活跃。根据一份2014年的报告，三分之二的老年人

    希望使用自我保健技术来独立管理自己的健康，并且其中62%的老年人

    乐意使用健康监测设备来记录生命体征。19

    Lively是一种为老年人特别

    设计的产品，它集成了与健身市场相同的活动量化装置，这种装置将感

    应器布满整个家中，来协助记录老年人是否按时服用药物、出门频率、开冰箱的次数等，用以监测老年人是否有精神错乱或痛苦的征兆。在一

    91些情况下，这些感应器可使老年人独立生活更长时间。然而，一些研究

    表明，许多人却宁愿不接受监控。不管独立生活产品的设计是否合理，在“健康线”中，那些不符合“理想的、能被提升的年轻身体”的模型，或“需要他人额外管理的身体”的模型就被搁置起来了。这个行业几乎没

    有关注过中间人群——伤者、残疾人、穷人或中年人——除非他们也同

    样按年轻人的标准来看待最理想的身体状态。

    92自我量化工具的奢华线

    自我量化工具也处于奢华配饰和平民市场的交叉点。从苹果手表到

    设计过的袖带，许多自我量化消费设备试图将自身包装为奢侈品。它们

    在设计之初，就是为了帮助富人拥有更迷人的体型，炫耀技术人员的知

    识，以及作为身份的象征。这些市场运作的基础，在于排他性与足够大

    客户群体的平衡。奢侈品营销传达的理念是，自我量化工具是可选的，具有排他性的，也是一种向其他同样重视炫耀性消费的群体展示个人风

    格的手段。奢侈品同样可以产生对医学有利的潜在数据集。苹果健康套

    件项目承诺开发服从《健康保险可移植性和责任法》(HIPAA，the

    Health Insurance Portability and Accountability Act)的应用，这是一项规

    范美国健康数据的法则，它允许设备将社会、健康、时尚三者结合。

    在如何处理工业和社会差异比如阶层差异上，我们再次看到了一个

    建立在社会交叉点上的市场。富人可能会觉得，选择穿戴这个或那个消

    费产品是必要的——这是一种展现自己消费品位的机会。对于社会学家

    所说的“魅力劳动”，即在工作的同时，塑造和维持时下流行的身体状

    况，量化技术应如何去适应呢？的确，与之相关的研究工作对很多人来

    说，可能都是现实面临的问题。“大部分公众都是活动量化者……下载

    健康应用，量化睡眠习惯，记录营养状态和目标，然后将自己达成的成

    就发送到博客、脸书、推特上，表面上是在追求更优美的体型，实际上

    是在一直悄悄关注自己在社交影响力(Klout，一家衡量用户在某些社

    交网络上影响力指数的公司)上的得分。”20

    仅仅读一下需要发送的社交

    网站列表，就已经让人精疲力竭了。时尚的奢侈品设备可能会进一步给

    身体带来难以企及的衡量标准——这是无法达到的标准，在历史上对女

    性的影响更为严重，但也可能会以新的方式影响男性。

    和苹果手表一起售卖的“健康生活方式”只对有购买力的人有效。根

    93据卡尔·赛德斯特伦(Carl Cederstr?m)和安德烈·斯派塞(André

    Spicer)的观点，显著健康，或他们所称的“健康综合征”(wellness

    syndrome)，给那些无法承担保养身体的费用的人，或者其他不买健康

    设备的人，带来了曙光。他们认为，社会越 ......