谷歌發(fā)現(xiàn)某些搜索關(guān)鍵詞可以很好地標(biāo)示流感疫情的現(xiàn)狀。GFT的工作原理就是使用經(jīng)過匯總的谷歌搜索數(shù)據(jù)來估測流感疫情，其預(yù)測結(jié)果將與美國疾病預(yù)防控制中心（Centers for Disease Control and Prevention，CDC）的監(jiān)測報(bào)告相比對。但是2013年2月，《自然》雜志發(fā)文指出，GFT預(yù)測的流感樣病例門診數(shù)超過了CDC根據(jù)全美各實(shí)驗(yàn)室監(jiān)測報(bào)告得出的預(yù)測結(jié)果的兩倍（但GFT的構(gòu)建本來就是用來預(yù)測CDC的報(bào)告結(jié)果的）。

研究***作者大衛(wèi)·拉澤(David Lazer)認(rèn)為造成這種結(jié)果的兩個重要原因分別是“大數(shù)據(jù)傲慢”(Big Data Hubris)和算法變化。

“大數(shù)據(jù)傲慢”指的是這樣一種觀點(diǎn)：即認(rèn)為大數(shù)據(jù)可以完全取代傳統(tǒng)的數(shù)據(jù)收集方法，而非作為后者的補(bǔ)充。這種觀點(diǎn)的***問題在于，絕大多數(shù)大數(shù)據(jù)與經(jīng)過嚴(yán)謹(jǐn)科學(xué)試驗(yàn)得到的數(shù)據(jù)之間存在很大的不同。

編寫一個將5000萬搜索關(guān)鍵詞與1152個數(shù)據(jù)點(diǎn)相匹配的算法是非常困難的，很有可能會出現(xiàn)過度擬合（將噪聲誤認(rèn)為信號）的情況：很多關(guān)鍵詞只是看似與流感相關(guān)，但實(shí)際上卻并無關(guān)聯(lián)。事實(shí)上，在2013年的報(bào)道之前，GFT就多次在很長一段時間內(nèi)過高地估計(jì)了流感的流行情況。 2010年的一項(xiàng)研究發(fā)現(xiàn)，使用CDC的滯后預(yù)測報(bào)告（通常滯后兩周）來預(yù)測當(dāng)前的流感疫情，其準(zhǔn)確性甚至都高于GFT的預(yù)測結(jié)果。

谷歌搜索引擎的算法并非一成不變的，谷歌對算法會進(jìn)行不斷地調(diào)整和改進(jìn)。而搜索引擎算法的改變和用戶的搜索行為會影響GFT的預(yù)測結(jié)果，比如媒體對于流感流行的報(bào)道會增加與流感相關(guān)的詞匯的搜索次數(shù)，進(jìn)而影響GFT的預(yù)測。

另外，相關(guān)搜索（People also search for）的算法也會對GFT造成影響。例如搜索“發(fā)燒”，相關(guān)搜索中會給出關(guān)鍵詞“流感”，而搜索“咳嗽”則會給出“普通感冒”。

除此以外，搜索建議（recommended search）也會進(jìn)一步增加某些熱門詞匯的搜索頻率。

因?yàn)镚FT會在它的模型中使用相對流行的關(guān)鍵詞，所以搜索引擎算法對GFT的預(yù)測結(jié)果會產(chǎn)生不利影響。奇怪的是，GFT在構(gòu)建時是基于這樣一種假設(shè)：特定關(guān)鍵詞的相對搜索量和特定事件之間存在相關(guān)性，問題是用戶的搜索行為并不僅僅受外部事件影響，它還受服務(wù)提供商影響。

GFT在2012~2013的流感流行季節(jié)里過高的估計(jì)了流感疫情；在2011年~2012年則有超過一半的時間過高的估計(jì)了流感疫情。從2011年8月21日到2013年9月1日，GFT在為期108周的時間里有100周的預(yù)測結(jié)果都偏高。上圖：對流感樣病例門診數(shù)的預(yù)測結(jié)果；下圖：偏差%=（非CDC預(yù)測值-CDC預(yù)測結(jié)值)/CDC預(yù)測值，GFT的平均絕對偏差為0.486，CDC滯后模型的平均絕對偏差為0.311，GFT與CDC相結(jié)合的平均絕對偏差為0.232。以上統(tǒng)計(jì)結(jié)果P< 0.05。圖片來源：The Parable of Google Flu:Traps in Big Data

拉澤和他的研究團(tuán)隊(duì)認(rèn)為，如果谷歌可以公開衍生數(shù)據(jù)和匯總數(shù)據(jù)，那么研究者就可以更好地了解GFT背后的算法。此外，谷歌還需要解決可重復(fù)性的問題：利用谷歌的Correlate服務(wù)得到的與流感高度相關(guān)的關(guān)鍵詞與GFT選取的關(guān)鍵詞無法匹配。

另外，GFT的優(yōu)勢在于能夠提供細(xì)化程度非常高的數(shù)據(jù)（數(shù)據(jù)粒度小）。因此與CDC相比，GFT的價(jià)值在于提供地區(qū)水平上的流感疫情預(yù)測。而且，GFT非常適合建立流感傳播的生成式模型（Generative Model），并且對于預(yù)測幾個月后的流感疫情具有較高的準(zhǔn)確性。

數(shù)以百萬的工程師和用戶在不斷改變著搜索引擎算法，而作為研究者則需要更好地理解這些變化，因?yàn)檎撬阉饕嫠惴Q定了我們最終得到的信息。

在論文的***作者指出，數(shù)據(jù)的價(jià)值并不僅僅體現(xiàn)在“大小”上。真正核心的改變在于利用創(chuàng)新的數(shù)據(jù)分析方法去分析數(shù)據(jù)，這樣才能幫助我們更好的理解這個世界。