人工智能赋能人文社会科学创新发展

自古以来，人文社会科学便承载着文明传承与理论创新的双重使命。作为研究人类精神文化、历史思想和社会行为的人文社会科学，在长期发展中逐步建立了相对成熟的基础理论体系和学术自信。然而，人工智能等新科技的发展与应用，使人文社会科学面临着前所未有的挑战和机遇。对此，积极拥抱新科技是一条值得探索的路径，尤其是大语言模型和知识图谱等人工智能技术的引入，正为人文社会科学注入新的研究范式与方法论支撑。例如，大语言模型能够通过动态语义建模高效处理海量学科知识，知识图谱可以通过知识拓扑重组系统化构建跨学科网络。在技术协同的“双向赋能”机制下，大语言模型与知识图谱正在引发认知工具革命。二者融合不仅有助于厘清人文社会科学各学科之间的内在联系，还可以形成“数据流—知识网—认知域”的三级跃迁通道，为复合型人才培养提供新的思路和方法。

面临挑战

知识维度：本体论层面的碎片化危机。学科知识体系面临“形散神散”的双重解构，不同学科之间缺乏有效互动与联系。随着信息更新的加速与跨学科需求的增加，学科知识逐渐碎片化。当前，许多新兴成果源于跨领域知识融合，但传统学科体系未能及时适应，难以有效整合新兴的跨学科知识。这种局面使得各学科之间的壁垒加剧，理论创新与实践推进陷入困境。

信息维度：方法论层面的过载困境。数据爆炸性增长使得传统研究方法遭遇“数据迷雾”的技术围城。传统人文社会科学研究尤其是文学、历史学等领域，依赖大量文献资料，分散且形式不一，导致研究人员在筛选和分析时容易陷入信息洪流。虽然可获取的文本数据爆炸性增长，但这些数据往往缺乏有效的处理与整合工具，这使得研究人员在获取信息、筛选资料、分析数据等方面面临挑战。以语言学为例，研究者通常需要分析大量语言数据，如语料库、语言实例等，这些数据大多是非结构化的，对其分析缺乏智能化工具支持，研究人员需要花费大量时间进行数据清洗与信息整合，导致研究效率低下、创新能力受限。

协作维度：组织论层面的壁垒效应。人文社会科学领域的学科组织形式呈现“脑区化”割裂特征。学科壁垒的存在，使得很多潜在的跨学科合作机会遗憾流失。例如，语言学研究虽然在语法、语义、语用等方面有深入的理论体系，但往往与社会学、心理学等学科之间缺乏有效合作。跨学科合作可以带来创新性思维，激发新的研究方向，但当前人文社会科学领域的学科组织形式往往难以支持这种合作。因此，突破学科壁垒，推动跨学科的知识整合，已成为人文社会科学创新发展的重要任务。

技术赋能

大语言模型：认知增强的知识处理器。大语言模型凭借强大的自然语言理解与生成能力，已成为推动人文社会科学发展的重要工具。人文学科研究往往依赖大量非结构化文本数据，这为知识整合和研究推进带来挑战。大语言模型通过深度学习和自然语言处理技术，能高效提取关键信息、进行语义分析和主题归纳，为研究人员提供精准的知识处理手段。例如，历史学研究者可以用大语言模型分析历史事件并揭示因果关系，文学研究者可以通过文本生成和主题挖掘构建新理论框架。更重要的是，大语言模型可以突破学科界限，通过跨学科整合推动知识创新。

知识图谱：学科融合的结构化基座。知识图谱通过图形化方式将零散的非结构化信息转化为结构化知识网络，连接实体（如概念、人物、事件）与关系（如因果、上下位关系），构建全面的知识框架，支持学科内外的知识整合。在人文社会科学领域，知识图谱可以将孤立的学科知识系统性连接，突破学科壁垒，促进跨学科融合。以语言学为例，语法结构与语义学、语用学、句法学等子领域的知识点，可以通过知识图谱关联与展示，形成清晰的知识框架，揭示各子领域之间的内在联系。此外，知识图谱能够在不同学科之间建立联系，如哲学思想体系与文学创作的关系、语言学与社会学的交织等，可以发现不同学科之间的内在联系，促进知识融合与创新，从而推动人文社会科学创新发展。

协同进化：知识生产范式的三重跃迁。大语言模型与知识图谱协同驱动，可以带来知识生产的三重跃迁。一是从“数据处理”到“知识整合”。大语言模型可以通过自动化语义分析和知识挖掘，从海量非结构化数据中快速提取有价值信息，为知识图谱提供高质量输入。二是从“学科孤立”到“跨学科协作”。知识图谱可以通过将学科内外的知识点和关系图谱化，有效突破学科边界，促进各领域深度融合。三是从“理论创新”到“实践应用”。大语言模型与知识图谱协同驱动的人工智能应用，不仅能够推动学术理论更新，还可以为实际问题提供新的解决方案，形成知识创新与应用推广的良性循环。

学科发展

基础学科：理论深化的数智跃迁。长期以来，人文社会科学领域的基础学科注重理论积淀与方法创新。数字时代的到来，使这些学科面临知识碎片化和信息过载的双重挑战。人工智能在基础学科领域的知识处理和发现中发挥着重要作用。大语言模型能够从海量学科数据中提取出核心要素，为知识图谱提供高质量输入，从而转化为结构化知识，并对知识点进行系统化、图谱化处理，形成全面的基础学科知识网络。“数字考据”的工具革命，使基础学科获得了新的发展动力，学科研究不仅能够深入探索现有理论，还能向更深层次、更广范围发展，从而推动基础学科的创新和升级。

新兴学科：知识基建的范式重构。当前，一些人文社会科学领域的新兴学科展现出“技术—文化”共生的特征，但也面临知识体系尚未完全建立和跨领域融合的挑战。人工智能可以为这些学科提供强有力的知识支撑。大语言模型的多维数据处理能力，能够高效获取新兴学科知识，及时把握研究动态和发展趋势。知识图谱能够将分散学科知识连接起来，为新兴学科的理论构建和方法创新提供基础框架。例如，借助大语言模型对历史文献深度分析，结合知识图谱揭示文化遗产与现代技术的交融，不仅能够为传统学科的进一步发展提供理论支持，也能够为新兴学科的建设奠定坚实基础。通过大语言模型和知识图谱协同驱动，新兴学科能够在跨学科融合中持续创新，不断拓展理论深度和应用广度。

交叉学科：认知网络的超域融合。交叉学科要求研究者具备广泛的跨学科知识和视野。大语言模型具有强大的跨学科能力，能够整合来自不同领域的知识，打破传统学科边界，促进不同学科之间的协同创新。知识图谱可以通过将不同学科之间的联系可视化，利用实体和关系的图谱化呈现，进一步推动学科间的深度融合。例如，对于哲学与文学的交叉研究、历史学与社会学的融合等，知识图谱可以帮助建立更加系统化的跨学科研究框架，打破学科孤岛，助力多学科协同整合。通过大语言模型和知识图谱协同驱动的人工智能应用，交叉学科研究能够实现认知网络的超域融合，并进一步推动学科交融与创新的蓬勃发展。

作者系南京邮电大学国别区域研究中心特聘研究员；南京邮电大学管理学院院长、教授

来源：中国社会科学报

责任编辑：崔晋

新媒体编辑：苏威豪

如需交流可联系我们