2013年2月，Google Flu Trends (GFT) 预测美国流感就诊率达10.6%。同月，CDC官方估计仅为6.8%——高估了超过一半。而此前，GFT一直被视为大数据预测的旗舰：不依赖传统流行病学调查，仅用搜索日志就能比CDC提前1-2周嗅到流感浪潮。然后它崩了。2014年，David Lazer等人在Science发表《大数据寓言》（The Parable of Google Flu），解剖了这场溃败。核心结论不是“算法不够好”，而是“大数据的本体论错了”。三个教训值得写进每一本计算社会科学教材：

1. 算法动力学（algorithmic dynamics）。GFT建模所用的搜索词不是稳定的物理测量——它们是用户与Google搜索建议演化的产物。Google在2011年调整了自动补全和关联推荐，改变了用户实际会输入的词。模型试图预测的行为，反过来被模型所依赖的平台改变。这是社会测量中最危险的反身性：预测变成一条咬自己尾巴的蛇。

2. 大数据傲慢（big data hubris）。GFT用上千万个搜索词拟合CDC历史数据，却没有建立任何因果结构：没有季节参数、没有疫苗接种率、没有气候变量、没有流行病学机制。它的全部“知识”来自相关性。在稳定环境中相关关系或可权宜，但一旦环境出现结构性变化（比如2009年H1N1新型流感出现，搜索行为被媒体恐慌重塑），纯相关模型就像画在沙地上的地图——沙子一动，图就没了。

3. 数据不是自然事实的窗口，而是社会行动的痕迹。搜索行为不是对世界状态的透明读取，而是媒体、算法、用户动机三方的共同产出。媒体集中报道“流感季”时，更多人会搜索“流感”——不是因为生病，而是因为害怕。GFT把这种“害怕”误读成了“正在生病”。

计算社会科学因此面临一个本体论伤口：如果我们所有的数字痕迹都是算法与社会互动的产物，我们凭什么说自己在“观察”社会，而不是在“参与”社会？当GFT这类平台连自己生产的日志都无法稳定地当作证据时，今天依赖社交平台API的社会研究，有多少仍在犯同样的“大数据傲慢”？值得辩论的问题是：我们该把测量工具当成是需要审校的“共同作者”，还是继续假装它是透明的眼睛？