Z8.04.4Data provenance设计研究
数据可见不等于数据可核查，原始来源同样重要
别名: 数据血缘 · 可核查性 · 可验证性
概念解释
公布一张加工过的图表、一个汇总后的结论，和提供可核查的原始数据，是两回事。可核查意味着第三方能够重做分析：拿到原始粒度的数据、知道口径与处理步骤、从而验证结论是不是数据的必然产物。支撑这个性质的元信息叫数据血缘（data provenance）——数据从哪里来、经过哪些加工、每步做了什么选择。
只有成品没有来源时，「透明」其实没有发生：公众看到的仍是断言，只是断言被画成了图表。
机制
为什么成品图表不构成可核查？因为从原始数据到成品之间，每一步加工都埋着自由度：统计口径选哪个（户籍人口还是常住）、聚合到什么粒度（区还是街道）、时段怎么切（自然年还是财年）、异常值如何清洗、哪个月的数据被排除。这些选择每一个都能改变结论的方向，而它们在成品图表上完全不可见。
只发布结论等于只发布一次选择的结果，选择本身被藏起来。核查者无法区分「数据真的支持这个结论」和「换一种同样合理的口径结论就反转」。开放数据研究把口径与质量列为首要障碍正是因为这个：不可重做的分析在证据意义上不存在。
怎么研究
- 开放数据质量与谱系研究：对门户数据集的元数据完备度（口径、采集方法、更新记录）做系统评估，考察谱系信息与第三方重用率的关系。
- 数据新闻实践研究：跟踪数据新闻编辑室「分析可重复」的实践——附上数据处理脚本与原始数据，读者可复算。
- 重分析对照研究：同一决策结论，请独立团队用公开的原始数据重做分析，比较结论一致性——一致性与数据血缘完备度的关系。
方法论注意点：核查能力的测量要用「任务完成」而非「资料在场」——不是数元数据字段填了几个，而是看一个外部团队能否真的从公开材料复现出同样的数字。复现失败的位置就是谱系缺口的位置。
边界
- 隐私限制原始粒度的公开。 个体层面的数据不能放；但粒度聚合到街道级可能抹掉小群体的处境。粒度是权衡后的决定，且应当被写明——含糊的「因隐私不予公开」经常被用作不公开的挡箭牌。
- 成本与安全例外存在被滥用空间。 商业合同、安防细节确有例外理由，但例外范围应逐项列明并接受审视，笼统的例外条款等于豁免权。
- 原始数据不能自我证明质量。 血缘信息由发布方自己填写，恶意方可以伪造谱系——跨机构的交叉核验（两个独立采集源互相印证）是更硬的约束。
怎么落地
- 每个发布的数据集附元数据文件：采集方法、口径定义、已知缺陷、更新频率、责任部门。
- 提供从原始到成品的处理说明——理想是附处理脚本，至少是逐步的口径记录；成品图表链接到它所用的数据集版本。
- 数据集版本化：更新留痕，历史版本可取——用旧版本做的分析在数据更新后应仍可复现。
- 验证办法：抽取一份已发布的成品结论，让外部团队仅凭公开材料复现其中的关键数字。复现不出来的部分，逐项补谱系信息，直到复现成功。