【摘要】人工智能和大數據分析技術的發(fā)展為社會科學研究提供了新的技術方法和理念，同時也帶來了新的挑戰(zhàn)。本文從人工智能技術在我國社會科學研究中的運用現狀出發(fā)，分析了未來人工智能技術背景下社會科學研究范式的多元化發(fā)展和文理融合發(fā)展的趨勢。強調推動我國可計算社會科學研究發(fā)展需要避免的幾個誤區(qū)，比如偏重相關關系的研究而忽略對因果關系的探索，受樣本數據偏差的影響而陷入“統計的胡說”現象，以及過度依賴于算法而導致結果偏差放大的現象等。隨著文理融合時代的到來，統計學和數據處理相關的計算機網絡技術的跨學科普及至關重要，需要盡早開展相關的交叉學科的設置，積極提供網絡教育等相關知識普及的公共品。
【關鍵詞】人工智能 大數據 社會科學 統計 計算機語言
【中圖分類號】C3 【文獻標識碼】A
【DOI】10.16619/j.cnki.rmltxsqy.2019.20.005
隨著人類社會的進步和科技的發(fā)展，科學研究的方法也在不斷演進，從早期以亞里士多德的天動學說為代表的自然哲學研究手法，逐步演變到以牛頓為代表的對自然哲學的數學原理的探索，進一步發(fā)展到如今基于數值計算和模擬仿真的計算科學時代。而進入21世紀，人工智能技術（Artificial Intelligence）的發(fā)展，揭開了被稱為第4代科學——數據集約型（大數據）科學發(fā)展的序幕。[1]
傳統的科學研究方法主要是基于研究人員通過觀察和實驗提出假說，然后通過反復試錯驗證來實現對理論的探索，是先提出理論然后進行驗證的過程。而人工智能背景下研究的特征則體現在利用相對有限的小規(guī)模的觀察數據，然后通過不同場景假設和模擬仿真技術來獲取更多數據——即深度學習，最終完成新理論的發(fā)現，可以稱之為模擬仿真驅動型科學研究，是一個從數據中去發(fā)現規(guī)律的過程。
人工智能的發(fā)展的基礎是計算機科學和認知科學的發(fā)展，然而應用人工智能的研究領域卻不僅僅局限于計算機科學，而是跨界于各個自然科學和社會科學的領域。在我國，人工智能在科學研究中的應用也越來越普遍，主要集中于計算機科學、工程和自動控制系統領域。《中國人工智能發(fā)展報告2018》中已經顯示中國目前是人工智能論文產出和人工智能專利布局最多的國家。在過去的20年里，中國人工智能領域的論文產出全球占比從4.26%上升到了27.68%，按照國際經濟學對比較優(yōu)勢的定義，[2]中國人工智能領域的論文產出全球占比已經大于中國GDP的全球占比了，因此中國在人工智能的研究領域已經屬于具有比較優(yōu)勢的國家了。這一定程度上是得益于現今人工智能算法的進化很大程度上以大數據為基礎，而中國龐大的人口規(guī)模是世界上最好的天然的大數據試驗場。
與此同時，隨著微觀數據的可獲得性的增加，社會科學研究領域在最近的20年來越來越趨向于量化研究，其中包括實證研究和反事實分析。以經濟學為例，在經濟學領域備受關注的約翰·貝茨·克拉克獎，該獎項60%的獲獎者都獲得了諾貝爾經濟學獎。在1995年之前，僅有20%的獲獎者的的成果是建立在數據基礎上的實證研究（80%是理論研究成果），而在過去的15年內，實證研究的獲獎比例上升到了70%。因此，可以預見人工智能中的大數據和大數據技術在社會科學研究領域中的運用將會越來越普遍，而成為社會科學研究領域的一個重要趨勢。
人工智能的技術為社會科學領域的研究者們帶來了前所未有的大數據的同時，也為社會科學研究提供了新的技術和方法，甚至是新的研究理念。這些對社會科學領域的研究而言無疑是巨大的機遇。但需要注意的是，人工智能技術雖然使得社會科學與自然科學研究在方法上形成了一定的共通性，但是這兩類研究之間仍然具有幾點本質的不同，如何合理而有效地利用人工智能技術，對社會科學研究者們提出了一些特殊的挑戰(zhàn)性問題。首先，社會科學的主要研究對象是人和人類的行為，存在倫理限制的技術手段無法在人類活動中實現完全實驗環(huán)境，因此人工智能所帶來的大數據在社會科學領域很難真正實現理想中的總體而非樣本的情境。其次，人工智能可以協助研究者們從更為微觀的層面對社會科學問題進行分析，在獲得微觀個體的精確行為的同時，也對研究者進行宏觀規(guī)律總結帶來了挑戰(zhàn)。人類微觀活動之間的交互作用是非常復雜的，因此宏觀加總的難度也隨著數據的細化而成幾何級數式的增加。最后，我們對社會科學的研究成果的應用一般不是具體的產品或者服務，而是一些戰(zhàn)略性的政策，比如說企業(yè)的營銷策略，激勵機制，政府的政策方針，等等，因此，社會科學的研究成果的影響面會比較大，在分析過程中的稍許偏差很可能會帶來巨大的社會影響。
基于上述背景，本文嘗試從社會科學領域利用人工智能的現狀出發(fā)，闡述人工智能為社會科學研究帶來研究范式的多元化以及研究技術和方法革新，并進一步深入探討人工智能給社會科學研究所帶來的挑戰(zhàn)以及如何應對的策略和建議。
社會科學領域利用人工智能研究的現狀
相比自然科學，人工智能在社會科學領域中的應用尚處在比較基礎的階段。羅晨和沈浩（2018）根據美國科學情報研究所（Institute for Scientific Information, ISI）編制的Web of Science（WoS）引文數據庫，選取了以人工智能為主題的社會科學領域的發(fā)表論文和會議論文，發(fā)現社會科學涉及到人工智能的研究最早可以追溯到1975年。然而在最開始的10年，人工智能相關的社會科學領域每年的論文數量僅在個位數徘徊，直到最近的10年，這一數字出現了飛速地增長，每年都有超過百篇的相關論文，其中2017年和2018年，分別超過了200篇。雖然中國在工程和自然科學類的人工智能方面的研究數量領先于世界各國，但是在社會科學領域，我們對人工智能方面的應用還是與發(fā)達國家（尤其是美國）有一定的差距，截止于2018年，社會科學領域人工智能相關的文獻中國的數量還不到美國的四分之一。
社會科學是研究人類社會種種現象的各學科的總體或者其中任一學科，它包括商業(yè)與經濟、政治學、法學、倫理學、歷史學、社會學、心理學、教育與教育研究、運籌學與管理科學等。社會科學的不同子科學涉及人工智能的研究深度和廣度都各不相同。截至2018年，我國人工智能在社會科學子學科中應用最多的是商業(yè)與經濟方向，共有515篇相關論文；而論及人工智能的應用廣度，即在人工智能研究領域的某社會科學子學科與其他學科的關聯度，心理學的度數中心度則是最高的。其他涉及人工智能較多的社會科學子科學分別是運籌學與管理科學、教育與教育研究，以及其他社會科學子學科（跨學科、倫理學和社會科學史）。表1表示了應用人工智能最多（深度）的五個社會科學子學科，以及他們相應的廣度指標（社會網絡分析的度數中心度[3]）。
表1
從表1中我們可以看到，社會科學領域中涉及到人工智能較多的這些子學科，也是近年來研究數量化趨勢比較明顯的社會科學子學科。人工智能的跨學科特征在社會科學研究中的體現是十分明顯的，毫無疑問未來將會是文理融合的時代。
人工智能與社會科學研究范式的多元化
如前言所述，人工智能在社會科學研究中的引入使得社會科學的研究方法更為多元化。根據米加寧等（2018）的研究，可以把社會科學的研究范式歸納分為四種。
一是定性分析，即通過類比和推理歸納概括研究對象之間的關系，而現代的社會科學的定性分析就是通過理論建模，解釋研究對象之間的復雜邏輯關系，對應于自然哲學研究方法。
二是定量分析，通過“假設-檢驗”，利用人工采集的數據論證研究對象之間的關系。在社會科學中因果關系的確認是研究者們極為關注的，但長期以來由于數據的局限性，同時社會科學的研究對象的構成要素復雜多變，因此在社會科學研究中大量的定量分析常常存在由于樣本的選擇而帶來的偏差問題，對應于數學原理探索方法。
三是計算實驗的仿真研究，其中最具代表性的就是經濟學領域中使用的可計算一般均衡分析。它是在通過復雜的數學推導的定性分析基礎上，利用有限的真實數據對模型進行校準，當復雜模型被證實有一定程度的有效性之后，通過模擬現實不存在的模擬數據，對研究對象進行反事實分析來完成的。最近10年，計算實驗的仿真研究方法在社會科學研究領域越來越到受影響力大的專業(yè)學術期刊的關注，其原因歸結于這類研究方法能夠較好地克服定性分析和定量分析的局限性。
四是基于人工智能的數據集約型研究?，F在的大數據研究從數據獲取、建模到分析預測幾乎都可以由計算機來完成。其數據上的優(yōu)勢是毋庸置疑的，研究的效率也要遠勝于其他研究方法；然而這類研究方法的重點卻應該鎖定在理論建模分析中。如果忽略甚至放棄了理論建模，那么就可能造成對研究對象之間的因果關系以及其他復雜邏輯都不能準確判定，研究結果也難以給與合理解釋，因此，必須反復強調的是，一旦大數據的樣本存在偏差或者算法出現偏誤，研究結果也將會存在很大的誤差。
人工智能的發(fā)展為社會科學的研究帶來了過去無法想象的大數據、新算法，和超強的計算能力，因此在未來社會科學研究的范式必然向多元性發(fā)展。
首先，在研究問題的提出方面，大數據的研究范式可以驅動研究者們提出新的研究問題和研究關注點。到目前為止大多數人工智能所提供的大數據是被動收集的，受研究熱點或傳統研究方向的主觀影響較小，因此，這些大數據無論是深度還是廣度都可以給研究者們帶來新的研究問題的啟發(fā)，可以幫助研究者跳出必須基于對先行文獻綜述的傳統的框架，而對學科重要問題展開拓展研究的空間變大。
其次，無論是數據的獲得、整合和分析，人工智能的運用都會大幅度提高效率，大數據分析，可以讓研究者能夠更加順利地觀察和捕捉到研究對象之間的邏輯關系。
再次，由于“因果關系是人類理性行為與活動的基本依據，人類理性本身不可能否定因果關系”（王天思，2016）。社會科學傳統的理論建模定性分析可以獲得研究對象之間的理論因果關系，在此基礎上，如能充分利用人工智能的先進算法，毫無疑問可以使得理論建模的假設大幅度減少，模型的復雜程度可以得到大幅度提高，仿真程度也會變得更高和更好。
最后，研究者們可以根據理論模型的定性分析，利用人工智能進行進一步的大數據收集和整合，實現對理論研究結果進行準實驗性的定量分析。在社會科學領域的實證分析中，變量的內生性問題，遺漏變量問題以及樣本選擇性偏差問題是困擾研究者能否作出準確因果判定的關鍵原因。人工智能所帶來的多維度的大數據一般能很好的解決遺漏變量問題，降低樣本選擇性偏差的概率，同時如果輔以在大數據采集和挖掘前的準實驗設計來解決變量內生性問題，那么社會科學的定量研究的說明力將會更強。
如上所述，研究范式的多元化的目標和趨勢，是需要既能克服傳統研究范式的數據劣勢，又能克服完全給予數據科學的大數據研究范式的理論解釋力度不足的問題。
可計算社會科學研究的發(fā)展
人工智能的運用對社會科學的研究技術和方法帶來巨大的影響，推動了被稱為可計算社會科學研究領域的發(fā)展。主要體現在突破大數據技術突破數據瓶頸，提高分析效率以及能夠實現宏觀研究的微觀支持等方面。
大數據技術（數據采集挖掘，數據儲存整合和數據分析）。人工智能為社會科學研究提供了諸多新的分析技術，其中最具代表性的就是大數據技術，這一技術徹底改變了社會科學研究中數據難獲得的重大問題，由于數據量的激增，傳統的社會科學研究中的數據整合和簡單數據分析的方法也隨之發(fā)生巨大的變化。正如Einav和Hendry（2013）所指出，大數據具有四個主要的特征，即數據體量大，生成速度快，種類多樣，以及價值密度低。大數據的運用與傳統的數據的處理方法將發(fā)生巨大的變化。
第一是數據的實時可得性。傳統的數據通常是人工采集的，并且是為了社會科學研究某個特定“假設-檢驗”為目的而收集的，通常具有較嚴重的滯后性。數據的實時可得性為社會科學研究中的預測提供了良好的基礎。盡管數據的時效性稍差對揭示基于歷史過程的社會科學領域的一般規(guī)律不會產生較大的影響，但是對于利用這個一般規(guī)律來對未來進行預測的時候，數據的實時性對預測結果的準確度而言就是至關重要的了。
第二是數據量的巨大。伴隨數據量的巨大化所帶來的多維度數據一方面在為研究者提供更多信息的同時，也讓研究者在使用數據整合和分析的統計學工具方面也會隨之發(fā)生質變。處理海量數據將會更加依賴高效的計算機算法和云計算。
第三是數據的結構多元性。傳統的數據結構一般不是數值就是文本，而大數據的數據來源更加多樣化，可能是傳統的數值或文本，也可能是圖片、音頻，甚至是視頻。比如在經濟學中常用的用來估算當地經濟發(fā)展的衛(wèi)星燈光數據的原始格式就是圖片格式。這意味著傳統的數據分析方法就不再適用，數據整合的第一步是如何把不同數據格式的數據進行量化處理，轉化成社會科學研究可以直接利用的數據形式，這也是需要新的算法和計算機的運算能力。
第四是數據挖掘、儲存和分析的技術的更新速度會大幅度增加。當數據的規(guī)模越來越大，數據庫、并行計算、云計算、機器學習等技術都會成為社會科學研究的中間步驟。
計算模型+數據校準分析的算法和數據輔助。在社會科學領域，研究者們所探究的研究對象的因果關系不會完全被大數據中的相關關系完全取代。在某些規(guī)范（normative）研究中，人工智能所帶來的高效可靠的相關關系確實已經足夠進行一些預測分析，并且可以為政策制定者提供很好的借鑒和支持。然而實證（positive）研究是不可能止步于相關關系的，因果關系才能是社會科學研究者們追尋人類和社會發(fā)展規(guī)律的本源。人工智能以及人工智能所帶來的大數據不應該成為因果關系的阻礙，理想的結果是“大數據會成為因果分析的強大手段”（劉濤雄、尹德才，2017）。
人工智能的算法能夠大大提高社會科學研究的分析效率，研究者們在建立理論模型的時候，不需要由于傳統的計算能力問題而對模型進行各種假設限制，這使得模型能更好地對真實世界進行模擬。其實在人工智能涉足社會科學研究領域之前，經濟學就已經使用了計算一般均衡模型取代傳統的理論模型來探討能源和環(huán)境等問題。
計算模型在自然科學領域早已被廣泛應用，比如物理學，幾乎所有的理論物理研究都是建立在計算模型的基礎上。然而計算模型在社會科學領域雖然被應用的時間不短，但是始終沒有實現質的飛躍，其根本原因就是計算模型在校準時所需要的數據在社會科學領域比較難以獲得。人工智能的介入恰恰能解決社會科學研究數據難的問題。大數據的數據規(guī)模和維度可以用來對計算模型進行高精度的校準，同時數據的實時性也可以為計算模型對社會問題的預測提高準確度。
微觀分析和宏觀分析的結合。現在社會科學研究在做微觀個體分析與其在做宏觀政策分析時相對比較割裂。[4]比如說宏觀經濟學的研究方法和微觀經濟學的研究方法就有很大的差異，哪怕兩者研究的是同一個問題，相互之間都很難統一。這是由于社會科學研究的主體是人和人類的行為，人類行為之間的交互作用極為復雜，往往存在“加總的謬誤”現象，即微觀研究很難進行宏觀加總，同樣的，宏觀的分析也很難進行微觀的拆分。
人工智能為社會科學研究帶來的大數據使得社會科學研究必然能從更微觀的層面進行，同時人工智能也能帶來新的計算機算法，能夠對微觀研究的結果進行宏觀的復雜加總和綜合，使得社會科學的宏觀分析和微觀分析有更好的統一性。如此一來，我們既可以實現對微觀個體行為的深入研究，也能夠破析出各個微觀個體相互之間的網絡結構，從而進一步得出每個微觀個體對不同宏觀因素的作用。
可計算社會科學研究所面臨的挑戰(zhàn)
盡管人工智能技術的運用揭開了可計算社會科學研究發(fā)展的序幕，然而要真正達到創(chuàng)造具有實踐意義的研究成果，尚需完善一些基礎條件。人工智能的核心技術是深度學習，盡管它具有處理大量各類數據的超強能力，但尚不能應對一些異常項的干擾，因此對于復雜現象以及個別特殊現象的推定和解釋，離不開具有理論知識的專家系統的支持。如果不考慮這些問題，往往容易陷入一些誤區(qū)。同時，對于作為專家支持系統的研究人員首先要不忘社會科學研究的初心，探索規(guī)律和理論，不能被數據綁架而導致結果偏離。因此不僅需要具有理解各種數據特征和使用數據的能力，也需要具備數據科學的基本素養(yǎng)和一定的編程能力。
可計算社會科學研究中的誤區(qū)。人工智能為社會科學領域帶來了新的研究范式和新的研究技術和方法，這些無疑對于現在越來越依賴于定量分析的社會科學研究而言是極大的機遇。然而，我們必須也要意識到人工智能在帶來研究效率提升的同時，很可能也會使得社會科學研究者們陷入研究的誤區(qū)。
第一個誤區(qū)是過度注重相關關系而忽略研究對象之間的因果關系。大量的文獻已經關注到了這點，王天思（2016）從哲學的角度闡述了大數據中的因果關系，劉林平等（2016）也探討了規(guī)律和因果在大數據應用到社會學領域的重要性，馬費成（2018）在論述人文社會科學與自然科學應當相互學習借鑒時也提出可以在相關關系的基礎上分析因果關系。如前所述人工智能的運用要擺脫對數值計算的偏重而應將其作為社會科學因果關系的研究的輔助。
第二個誤區(qū)是陷入“統計的胡說”現象。這里需要關注的是大數據究竟帶來的僅僅是樣本的增加，還是可以成為總體。在大多數情況下人工智能技術所帶來的大數據只是統計樣本的增加，也就是從傳統分析的小樣本到大數據下的大樣本。美國機場電子護照的通行經常無法識別深膚色的人種，其主要原因就是在設計人臉識別的人工智能算法校準的時候采用了不具有代表性的大數據樣本。在社會科學的研究中也是如此，通過分析有偏的樣本，即使它是大數據的樣本，得出的研究結論也必定是有偏差的。
第三個誤區(qū)是過度依賴算法而導致偏差的擴大?，F在的人工智能算法只能處理一個特定的任務，也就是狹義的人工智能，[5]由于狹義人工智能的算法是為了某個特定目標而施行的，其算法會在有偏的基本數據樣本上帶來更大的偏差。Barocas和Selbst（2016）討論大數據分析可能會帶來意想不到估計偏差，文中提到美國波士頓政府曾利用人工智能的算法根據智能手機對道路坑洼的識別來決策道路維護資源的投入，由于智能手機識別道路坑洼這一大數據樣本本身就是有偏的，而人工智能自動迭代更新的算法會帶來道路維護資源的進一步錯配。相對經濟發(fā)展較為落后的地區(qū)而言，波士頓富人區(qū)的智能手機持有數量較多，人工智能的算法是通過智能手機是否感受到行車路上是否有坑洼來分配政府的修路資源，帶來的結果只能是富人區(qū)的道路情況被過度維護。原先的數據樣本偏差僅僅是富人區(qū)的道路坑洼會更多地被匯報，而人工智能來分配道路維護資源的算法會產生進一步的資源不公平分配的結果。
即使算法是無偏的，人工智能的單一目標也可能會帶來公平性的問題?！杜聿┥虡I(yè)周刊》在2016年的一篇文章中深入討論了亞馬遜公司通過人工智能算法來最大化包裹投遞效率和服務最多的客戶的目標卻導致公司在自動選擇服務區(qū)域時完美避過大多數的黑人區(qū)。作為美國最大的網絡零售商，利潤最大化無疑是其目標，因此亞馬遜公司所設計的人工智能算法并不會把種族考慮在內，這種看似“無偏”的算法實際上卻帶來了類似于“種族歧視”的服務設定范圍，造成社會公平的損失。
需要強調的是，在社會科學研究的過程中，人工智能可能會帶來樣本和算法有偏的兩個誤區(qū)會產生相互疊加的放大效應，輕則是我們的研究結果可信性下降，重則我們的研究結果可能是偽命題。相比理論的定性分析和傳統數據的定量分析，人工智能介入的社會科學研究的研究方法更為復雜，因此增加了其他研究者對研究結果的辨錯難度。
社會科學研究人員在利用人工智能進行深度研究所必需的能力。人工智能源于計算機科學，它所需的學習和技術與社會科學研究者所接受的綜合訓練之間交集很小。相比中國人工智能的論文產出，中國的人工智能人才擁有量不是最高，從絕對數量來說遠低于美國，從研究領域來看，中國人工智能人才的研究領域也相對比較分散。
隨著人工智能對社會科學研究的逐漸滲透，社會科學研究者們除了要具備傳統的社會科學領域的學科訓練之外，還需要具備一定的數據工程師和軟件工程師的能力。與此同時，社會科學研究者們還需要理解社會科學領域的因果分析方法和現在大數據的相關關系分析方法之間的利與弊，在研究不同問題的時候選擇合適的研究方法。
政策建議。新技術的運用必將進一步推動可計算社會科學研究的發(fā)展。一般來說，大數據的相關關系分析方法更適合于規(guī)范研究，提高預測的準確性，為政府和企業(yè)提供政策建議和支持；而大數據輔助的因果關系分析則是實證研究未來的發(fā)展方向。人工智能在真正進入計算機算法自我迭代更新和進步之前，還是高技術勞動力密集型的。然而隨著進一步的發(fā)展，面臨文理融合時代的到來，社會科學研究者與數據工程師和軟件工程師的跨學科合作也是社會科學研究的必然趨勢。這個跨學科融合的基礎學科，無疑是統計學和數據處理相關的計算機語言。一些發(fā)達國家，比如日本，已從小學即開始進行統計學的普及教育，在大學本科文科類專業(yè)中開設“數據科學”專業(yè)課，同時也大力推廣計算社會科學相關開發(fā)軟件的學習，如R語言、java語言以及人工智能核心語言Python等?？梢越梃b其做法，盡早開展相關的交叉學科設置，以及提供利用網絡相關知識的普及等公共品，為迎接第四科學時代的到來，打好基礎，做好準備。
（上海社會科學院世界中國學研究所謝一青博士對本文亦有貢獻）
注釋
[1]人工智能的概念早在1956年的達特茅斯（Dartmouth）會議上就被正式提出了。自那以后，隨著計算機和網絡技術的飛速發(fā)展，人工智能的理論和實踐也不斷被刷新，其定義的內涵和外延也不斷被拓展。現今取得共識的概念大多沿用“人工智能之父”約翰·麥卡錫（John McCarthy）的定義和解釋，即認為機器無需像人類般思考才算獲得智能，人工智能的關鍵在于讓機器能夠解決人腦所能解決的問題。因此，現在大多數研究者探討的人工智能，是以大數據為基礎，利用計算機的運算能力，使用迭代更新的算法來實現對現實情況的分析和決策（張洪忠等，2018；陸汝鈐，1989）。
[2]在國際經濟學領域，一國相對要素稟賦豐裕的定義是該要素的世界占比大于該國GDP的世界占比，一旦一國的某種要素相對要素稟賦豐裕，該國在密集型使用這一豐裕要素的產品和服務上就具備了比較優(yōu)勢。
[3]羅晨和沈浩（2018）利用社會網絡分析法，把各個利用了人工智能進行研究的社會科學子學科作為社會網絡中的行為者，通過分析不同子學科在論文發(fā)表領域的共現次數，獲得每個子學科的度數中心度。度數中心度越高的社會科學子學科與其他子學科的聯系更為廣泛。
[4]在純理論模型定性分析的時候，通過對模型的嚴格假設，微觀分析和宏觀分析在早期的社會科學研究中也可以實現統一。
[5]廣義人工智能是目前人工智能的目標，它是否能穩(wěn)定存在目前還未被數學證明。Yampolskiy（2015）深入探討了一種廣義人工智能算法存在的boot-strap悖論。
參考文獻
張洪忠、石韋穎、劉力銘，2018，《如何從技術邏輯認識人工智能對傳媒業(yè)的影響》，《新聞界》，第2期。
陸汝鈐，1989，《人工智能（上）》，北京：科學出版社。
清華大學中國科技政策研究中心，2018，《中國人工智能發(fā)展報告2018》，北京：清華大學公共管理學院。
羅晨、沈浩，2018，《社會科學領域的人工智能研究：基于SSCI文獻的探索》，《全球傳媒學刊》，第5卷第4期。
米加寧、章昌平、李大宇、林濤，2018，《第四研究范式：大數據驅動的社會科學研究轉型》，《學?！?，第2期。
王天思，2016，《大數據中的因果關系及其哲學內涵》，《中國社會科學》，第5期。
Einav, L., Hendry, D. F., 2013, "The Data Revolution and Economic Analysis", http://www.nber.org/papers/w19035.pdf.
Yampolskiy, R. V., 2015, From Seed AI to Technological Singularity via Recursively Self-Improving Software.
"Amazon Doesn't Consider the Race of Its Customers. Should It?", Bloomberg.com.
劉林平、蔣和超、李瀟曉，2016，《規(guī)律與因果：大數據對社會科學研究沖擊之反思——以社會學為例》，《社會科學》，第9期。
馬費成，2018，《推進大數據、人工智能等信息技術與人文社會科學研究深度融合》，《評價與管理》，第2期。
劉濤雄，尹德才，2017，《大數據時代與社會科學研究范式變革》，《理論探索》，第6期。
Barocas, S., Selbst, A. D., 2016, Big Data's Disparate Impact, California Law Review, 104, pp. 671-732.
袁堂軍，復旦大學經濟學院教授、博導，復旦大學亞洲經濟研究中心主任，全球投資與貿易研究中心主任，日本研究中心常務理事，日本一橋大學經濟研究所客座教授。研究方向為世界經濟、發(fā)展經濟學和數量經濟史。主要著作有《中國的經濟發(fā)展與資源配置》《亞洲的智慧：多元文明的統一與發(fā)展》等。
責 編∕趙鑫洋
The Present Situation and Future of Computational Social Science Research in China
Yuan Tangjun
Abstract: The development of artificial intelligence (AI) and big data analysis technology has provided new technical methods and ideas for social science research, but it has also brought new challenges. Based on the current situation on the application of AI technology in social science research in China, this paper analyzes the trend of the diversified social science research paradigms and the integration of arts and sciences under the background of AI technology in the future. It emphasizes several misunderstandings that should be avoided when promoting the development of computational social science research in China, such as focusing on the research of correlation while ignoring the exploration of causality, having the problem of "statistical nonsense" due to the deviation of sample data, and causing magnified deviation of results due to the over-reliance on algorithms. With the coming of the era of integration of arts and sciences, the interdisciplinary popularization of computer network technology related to statistics and data processing is of vital importance. It is necessary to establish the related interdisciplinary subjects as soon as possible and actively provide public goods for popularization of related knowledge such as network education.
Keywords: artificial intelligence, big data, social science, statistics, computer language
