数据挖掘常被描绘为从海量数据中自动提取金块的客观技术，仿佛数据本身携带着不言自明的真理，算法只是透明的工具。然而，这一技术神话掩盖了其背后深刻的主观性：每一份数据集都是特定历史、利益和缺失的产物，每一次特征选择都包含价值判断，每一个算法都预设了“什么值得关注”的立场。本文的核心论点是：数据挖掘不是对客观规律的被动发现，而是一种主动的立场建构——它通过选择、加权和循环解释，将数据中的某些可能性固化下来，同时遮蔽另一些可能性，最终塑造出看似中立的“事实”。
传统统计推断以假设检验和置信区间为骨架，强调控制误差、随机抽样和可重复性，其知识生产路径是“先假设，后验证”。而数据挖掘则沉迷于模式搜索、预测性能和复杂模型，常常陷入“数据窥探”而不自知：同样的数据被反复挖掘，偶然关联被包装成普遍规律。更关键的是，统计推断承认先验和主观性（如贝叶斯学派），而主流数据挖掘却将“让数据自己说话”奉为圭臬，这种天真的经验主义反而放大了隐性的偏见。当算法在训练数据上优化准确率时，它同时学习的是数据收集者、标注者和特征工程者的世界观，而非某些超然的客观实在。
如果我们承认数据挖掘是立场建构，就必须重新审视其评价标准。当前业界热衷于用AUC、F1分数等指标度量模型“好不好”，但这些指标仅反映预测一致性，无关知识的社会合理性与道德价值。一个典型的案例是健康数据挖掘：若以历史就诊记录训练预测模型，模型很可能将“少看病的人”视为低风险群体，却忽视这些人群可能因经济或结构原因无法就医——挖掘结果只是再生产了现存的卫生不平等。正确的做法是显式承认我们关心什么、为谁挖掘，将公平性、可解析性和反事实推理纳入模型设计，而不是假装模型是纯数学的直译器。
最终，数据挖掘的新范式应该是“批判性数据实践”：研究者必须像解释学家一样，审视数据生成场景、算法选择的政治性及结果解释的语境。我们要教会下一代挖掘者不仅如何调参，更要知道何时不挖掘、如何不施加暴力。在数据驱动的决策时代，承认建构性不是削弱数据挖掘的价值，反而让它更具责任感和解放力——因为只有意识到知识是被制造出来的，我们才能制造出更包容、更符合人类意愿的知识。这才是从“发现式挖掘”走向“立场建构”的真正意义所在。
