AI如何赋能社会科学研究？

文章作者

靳永爱

中国人民大学人口与健康学院教授、

人口与发展研究中心研究员

李宇睿

中国人民大学人口与健康学院硕士研究生

AI替代社会研究者？

生成式人工智能（generative artificial intelligence，以下简称“AI”）正在引起各领域、各部门信息传递模式、工作组织形态乃至人员结构的变革。依托大语言模型（large language model，LLM），AI能够分析和解读自然语言，并将其转化为任务指令，加速了整个“搜集信息→整合资源→设定目标→执行任务”工作流；进入人工智能时代，AI一跃成为工作助理，在工作技能（skills）和提示词（prompts）的双重加持之下自主完成任务。快捷、多模态、高自主性的特性使得AI能够胜任各种复杂项目，进而在各领域中均占有一席之地，许多人甚至将AI技术的广泛应用看作比肩工业革命的时代符号。在各种应用方向中，AI赋能科学研究持续受到社会各界的关注，从“AI助力实验设计”到“AI证明数学猜想”，AI表现出的迁移学习能力和创造力令人咋舌。本文将系统梳理已有关于AI应用于社会科学研究的理论和实践成果，并在此基础上展望AI应用于社会科学的未来。

01

AI提高科研产出效率，

助力研究者投入创造性工作

现代社会科学研究是一条完整的流水线：从研究选题与文献梳理，到数据收集与数据分析，再到成果形成与呈现，每个环节都需要付出大量时间和精力。AI的出现于社会科学研究而言，像是一场“新工业革命”，它能够自主完成机械性的科研劳动，把研究者从烦琐的重复工作中解放出来，让研究者把更多精力投入真正需要创造力和判断力的地方。

（一）信息整合与脉络梳理：

AI为研究启动“按下加速键”

在传统的科研流程中，要推进一个新项目，研究者首先必须面对堆积如山的文献，并从散见于不同期刊、书籍的相关成果中摸索出新的研究方向；文献获取与整理之间隔着漫长的阅读过程，研究者无法迅速、直观地了解特定领域尚未解决的重要问题。AI的出现大幅缩短了文献整理所需的时间。在文献脉络整理阶段，AI的主要优势在于迅速获取、筛选并整合海量信息，帮助研究者快速摸清一个领域的研究脉络。AI不但能够像文献检索工具一样根据领域、主题、作者等标签筛选中英文文献，而且能够按照指令汇总文献，整理出结构化的文献清单和综述初稿。过去数天乃至数周才能完成的文献汇总工作，如今几个小时就能完成，研究者可以将精力放在核心文献的精读或研究问题的打磨上，更快地走向下一个研究环节。

案例一：利用豆包工作“学术文献调研”技能进行文献搜集和整理

豆包工作内置了学术文献调研技能模块，将研究者检索、筛选、导出文献的一般流程结构化，减轻了研究者编写提示词的负担。学术文献调研技能要求豆包工作代入撰写过多篇高质量综述的资深研究者，按照文献检索与核验→证据综合与审查→综述成稿→文档交付的步骤完成文献汇总。研究者只需简单描述专业领域、主题词、文献来源等需求，就可以收获完整的文献综述或汇总表格。下面是利用豆包工作学术文献调研技能完成文献搜集的示例。经人工核查，豆包工作搜集的文献均为该研究问题之下经典、高质量文献，研究脉络整全、汇总概括合理。

图 |豆包工作“学术文献调研”示例

（二）自然语言编程：

AI降低数据分析门槛

不论定量还是定性社会科学研究，数据管理和分析都在工作流中占据重要地位，从回归分析、因果推断到文本编码、主题分析，熟练运用编程语言或统计软件总是成为社会科学研究的门槛。AI将自然语言转换为结构化程序的能力直击这一痛点。在AI的帮助下，研究者只需用自然语言描述分析需求，就可以实现代码的生成、调试和运行；诸如文本编码、概括等重复性工作也可以交由AI依据示例完成。目前已有相关研究论证了AI在数据分析环节的比较优势：Dobler等（2025）考察AI对元分析模型选用的建议后肯定了AI“统计助理”的角色，Than等（2025）通过比较AI与手动编码的结果证明了AI在质性材料分析方面的替代价值。这意味着在AI时代，即使是缺乏专门训练的学者也能完成对庞大数据的复杂分析。不过需要注意的是，社会科学研究伦理要求研究者保证数据安全、对数据处理过程负责，研究者须在数据开放许可范畴内调用AI辅助数据分析，上传或允许云端模型浏览本地目录下的微观数据文件一般被视作违反使用规定的行为。研究者可以在详细规划研究进程的基础上利用AI编写程序脚本，或者在严格本地部署的情况下利用AI实现数据的预处理和预分析。

（三）成果可视化与转化复现：

AI让论文“活起来”

专著和论文是社会科学研究成果的主要形式，但不是成果呈现的最优媒介。学术报告、研讨会议、课堂教学等活动往往需要研究者以简洁、逻辑清晰的方式将研究成果可视化，这时统计图表、逻辑示意图、幻灯片等是研究者成果呈现的重要形式。以前研究者在制作图表或幻灯片时常在框架设计、母版配色、图表调用等方面花费较多时间，即使用现成的Visio、PowerPoint或LaTex Beamer模板，从文字报告到美观图表仍要花时间制作与调试。AI在文字和图表之间自由转换的多模态能力大大缩短了成果可视化所需的时间，研究者以自然语言描述需求，同时将已有的模板传输给AI，就可以收获一份全新的成果可视化文件。更进一步地，AI的出现还让研究成果的集成式、交互式呈现成为可能：最新成果提出把论文连同代码、数据与工作流转化为可对话的AI Agent（Miao等，2026），读者只需用自然语言提问，它就能调用工具复现论文或完成新的分析。

案例二：利用豆包工作“PPT”技能制作成果汇报幻灯片

豆包工作内置了“PPT”技能，帮助使用者迅速生成PowerPoint（.pptx）文件。在“PPT”制作过程中，豆包工作被要求自动整合和提取前置信息，形成精炼、逻辑化的概括式表述，支持从头开始制作和依据读入的模板制作两种方式。在幻灯片调试步骤中，豆包工作允许细节微调，无需重新生成整个文件，大大压缩等待时间。下面是利用豆包工作“PPT”技能制作学术成果汇报幻灯片的示例。经人工核验，豆包工作较好地回应了幻灯片制作需求，逻辑完整地呈现了示例文章的研究背景、研究问题、技术路线等，适配给定的“人口学年会”场景。

图 |豆包工作“PPT”示例

02

AI在社会科学研究

细分领域中的角色

AI不仅是社会科学生产全流程的“助推器”，而且是特定细分领域的“工程师”。在AI出现之前，诸如社会心态模拟（social attitudes simulation）、“零样本”预测（zero shot prediction）、多模态数据处理（multi-modal data processing）等已经引起社会科学研究者的广泛关注，相应的软件或技术如NetLogo（主体建模）、OCR（图像文本识别）等也在一定范围内得到了认可。然而，社会系统高于其组成部分的“涌现”性、高维数据的不可得性及图片、视频等视觉材料的复杂性仍然持续限制着这些领域的发展——直到AI时代的到来。

（一）AI应用于社会心态与行为模拟

社会模拟的思想由来已久，其方法论根基在于促使社会事件或结构“涌现”的社会互动过程可以被人为地“制造”出来。在传统社会科学研究中，研究者模拟社会心态或社会互动过程的前置条件是设定一般性的行为准则（如收益最大化原则、社会交换等价原则、社交网络信息传递规律等），然而虚拟主体与人类行为逻辑之间往往存在差异。在人类集群行为这个“学术黑箱”被彻底打开之前，穷举行为准则无法完全再现社会。AI的出现改变了这一局面。Argyle等（2023）提出了“硅基样本”（silicon samples）的概念，他们把从大型调查中抽样得到的社会人口学信息输入给AI，要求其复现特定亚群体的政治态度，进而发现所谓的AI“算法偏见”实际上是细颗粒度、与人口学特征相关的社会心态还原。硅基样本与真实人类样本的比较显示，模型不仅学到了选民措辞，而且能够掌握态度、观念与社会文化情境之间复杂的关联。这为社会科学研究者提供了一条新路：在难以招募研究对象或出于伦理考虑不便开展实验的领域，可以用经过校准的模型来探索人类态度与行为的可能形态。目前学界对硅基样本的应用仍然存在争议，但在社会科学研究中，至少作为前期大型调查或者实验的预调查是具有重要参考意义的。

（二）AI应用于“零样本”预测与学习

在调查成本与样本量间抉择是传统社会科学研究面临的重要难题之一，在样本量不足的情况下进行高维统计分析很容易遭遇“维度诅咒”（curse of dimensionality），性别、年龄、地域、族群等各个维度均满足特定取值的个案数量趋近于0，支撑统计推断和因果检验的渐进法则失效。社会科学研究者过往应对零样本问题的方法包含小区域估计（如Fay-Herriot模型）和贝叶斯模型等，如今经过预训练且具备迁移学习能力的AI提供了新思路。Castro-González等（2026）系统比较了三种“低成本学习”技术：弱监督学习、小样本迁移学习与零样本提示词工程（zero-shot prompt engineering，即无需引入新的训练数据集，仅通过自然语言提示词引导AI理解新的学习任务）。他们发现，零样本提示词工程能以极低的标注成本取得高准确率的分类结果。这意味着，当某个群体或议题的相关数据稀缺、无法训练专门模型时，可以运用合适的提示词让AI凭借预训练阶段积累的知识直接完成估计、预测或分类。

（三）AI应用于多模态资料整理与分析

社会科学家很早就认识到历史文献、大众媒体、广告图片等对于分析社会演进、社会现状（尤其是社会心态和社会互动网络）的价值，然而人工处理非结构化数据需要耗费大量的时间。AI的出现为“信息爆炸”时代的多模态资料处理提供了新的可能性。相较于传统文本、图像采集分析工具，基于注意力机制（attention mechanism）的AI不但能够实现文本压缩、聚类，而且能像人类一样自动聚焦重点词句，承担信息抽取等复杂工作。在AI的助力下，研究者可以批量读取并编码图像、音频、影像等“文本”，并将其纳入结构化的数据分析之中。以Law和Roberto（2025）对美国卫星图像及街景图像的研究为例：研究者使用AI分析了美国1101张卫星图像与街景图像，考察城市建成环境与当代居住隔离之间的关系。研究发现，在给出清晰标签定义的条件下，AI对图像的标注与专家标注高度一致，准确率达到86%，与以往用深度学习模型得到的结果相当，而且几乎不需要针对该任务专门训练。同样地，Stuhler等（2025）也展示了AI在语料库整理方面的潜力：研究者可以自行在提示词中定义信息抽取任务（例如从文字、图片或视频信息中提取年龄、职业、籍贯等信息），并要求AI依据所给材料完成。AI的出现把过去需要编程技能或耗费大量人力的多模态数据处理工作，变成了提示词设计与检验的工作，大幅降低了多模态数据整理与分析的技术门槛。

案例三：利用豆包工作进行图像识别和信息提取

依托多模态大语言模型，豆包工作可以快速、高质量地完成从图像到结构化数据的转换。下面是利用豆包工作进行图像识别和信息提取的一个简单案例，提示词要求豆包工作从2025年50期《三联生活周刊》的封面中提取如下信息：年度期数、总期数、主标题、副标题、封面主体（人物或环境）、呈现方式（实拍或绘制）、主题（开放编码），其中总期数任务较为简单（为连续的自然数数列）、年度期数稍难（存在2期合刊现象）、主副标题要求识别汉字与字号，封面主体要求识别图像中的元素，呈现方式和主题则要求对封面整体有概括性的把握。经人工核查，在存在标准答案的50×6共300项任务中，豆包工作正确完成297项，正确率为99%。3个错误标注与分类标签的定义模糊有关。总的来说，豆包工作能够较好地完成图像识别和信息提取任务。

图 |豆包工作信息提取示意

03

AI“陪聊”：碰撞出研究的思想火花

古希腊哲学家苏格拉底把自己比作“思想的助产士”：对于一个思辨性质的问题，他不直接给学生答案，而是通过一连串的追问帮助对方澄清头脑中模糊的想法，进而把知识“接生”出来。这一对话式的思想交流过程被认为是辩证法的实践渊源。两千多年后，AI以一种新的方式延续了“对话催生思想”的传统。相较于浏览器等关键词信息检索工具，AI不仅能够“被动”提供信息，而且能够“主动”核查信息，因此它能够点亮研究者的思想火花，让原本停留在直觉层面的想法走向清晰明确的研究设计。由于社会科学的研究对象，即社会本身，是一个有机的复杂系统，社会科学研究者初具灵感时常常是混杂、模糊的，在AI的帮助之下，许多动笔之前难以厘清的想法可以在对话中渐趋澄清，将研究灵感转化为研究设计变得愈加方便。

对于社会科学研究者来说，AI对话功能的出现意味着围绕学术问题的平等交流变得触手可及——过去，研究者想要澄清学术概念、打磨研究问题，往往需要找到志同道合的合作者；现在，即使是前沿方向的细分领域，研究者也可以在与AI的交互中扩展研究思路。目前被广泛使用的各类AI平台，其最基础也最重要的面板是对话窗口：用户在此提出问题（“输入”），模型在此给予回应（“输出”）。如下面的案例所示，研究者可以让模型扮演挑剔的审稿人，对自己的研究设想反复提问；也可以请它梳理概念、设计访谈提纲，或模拟一场学术讨论，检验论证是否站得住脚。在这个意义上，AI把学术交流的社交门槛降到最低——不需要掌握太多高深方法或技术，只需要把问题表达出来。

案例四：与豆包工作对话生成新的研究想法

邀请豆包工作参与课题讨论，研究者可以更快了解自己设想的研究问题是否与已有成果重复、是否可行、是否具有进一步落地的价值。如下是某研究者与豆包工作关于“省级迁移流年龄特征变化趋势”的讨论，研究者请豆包工作扮演审稿人的角色，使用“科研评估”技能判断研究可能存在的问题。经过几轮对话，研究者慢慢澄清了脑中的概念，逐渐收窄了研究问题，最终形成了初步的研究设计。

图 |与豆包工作交流学术想法示例

04

AI应用于社会科学研究的未来展望

AI在为社会科学开拓视野的同时也带来了诸多疑虑：

其一，目前各类AI平台仍属“输入→输出”黑箱，研究者不知道AI内部工作过程，违背了社会科学研究的透明性和可重复性原则。提示词不同，输出结果常常不同；同样的提示词，AI在不同上下文、不同语言环境、不同版本下也可能给出不同结果，这直接动摇了研究成果检验和累积的基础；

其二，AI同样具有偏见。模型训练数据多为互联网文本，语料库中沉淀了人类社会的思维定式。虽然已有研究验证了AI模拟社会心态或行为的保真度，但是质疑的声音从未平息（如Boelaert等，2025）；

其三，AI在社会科学研究中的使用可能加剧学术资源分配的不平等。性能更好的模型往往需要付费使用，负担得起的机构可能进一步强化话语垄断地位，这与社会科学一贯关心的“知识由谁生产、为谁服务”直接相关（Xie和Avila，2025）。

这些问题彼此交织，共同限制着AI和社会科学的进一步融合，所幸新的研究已经开始尝试解决。第一，针对不可重复性问题，研究者提出从零散的“提示词工程”（prompt engineering）走向成体系的“提示手册”（promptbooks），把提示词转化为可以记录、共享、复现的研究资产，提高AI辅助研究的公共性（Stuhler等，2025）。第二，针对AI工作过程不可知问题，研究者试图打开“黑箱”，如Ma（2026）提出的探测和操控AI内部表征的方法。第三，针对硅基样本失真的问题，研究者提出同时使用硅基样本与人类样本的“混合被试设计”，把AI模拟当作“可能有信息量的观测”，把人类被试当作金标准，通过统计方法把两者结合起来，既保留推断效度，又降低研究成本（Broska等，2025）。

新事物的出现总是伴随着惊异与焦虑，一方面，AI在加快社会科学成果转化的同时暴露出一些局限；另一方面，“AI无用论”和“AI替代社会研究者”两种看似对立的观点各自不断蔓延。站在智能技术迭代与社会科学发展的交叉路口，与其说AI与社会科学是毫不相干的陌路人，或彼此替代的竞争对手，不如说AI与社会科学是彼此需要、共同进步的。我们可以从两个方面理解：

第一，AI无法取代社会科学、AI需要社会科学。虽然AI在社会科学研究中表现出诸多优势，它仍然远未达到替代社会科学研究者的地步。对于“AI应用于社会科学研究”（AI for social science），AI可能降低社会科学研究的技术门槛，但无法主导创造性的知识生成过程。功能再强大的模型也只是人类社会信息与文本的“投影”，它缺少对现实生活的切身理解，无法替代研究者对研究价值的判定、对证据的批判性采纳和对研究伦理的把握。对于“AI的社会科学研究”（social science of AI），AI的出现反而引入了更多的研究问题，智能能否“具身”、虚拟内容如何影响舆论、劳动力市场如何应对冲击……这些问题业已成为社会科学的新课题。对于研究者来说，AI既是生产工具也是社会现象，技术壁垒的降低可能会带来调整产出方式的阵痛，但是只要紧紧抓住“想法”这个核心，社会科学就不会失去自己的护城河，AI最终会加深我们对人类社会的理解。

第二，AI的确有潜力推动社会科学进步，社会科学需要AI。AI应用于社会科学研究的优势不再赘述，拒绝AI这一工具，就等于主动放弃这个时代最重要的研究基础设施之一。与此同时，在社会科学研究者的书斋之外，AI也在以日为时间单位改变人类社会的运行方式。已有研究指出，即使社会科学研究者不主动调用硅基样本，34%的受访者也会使用AI辅助填答问卷中的开放式问题（Zhang等，2025）。如果社会科学研究者不将AI纳入自己的研究视野，TA可能无法跟随社会走向“虚拟真实”的步伐。

总而言之，真正的问题不是“用不用AI”，而是“怎样用好AI”。人工智能可以成为研究者的“第二大脑”，但判断的责任始终在人。未来，AI与社会科学生产必将走向更深层次的融合，我们既要敞开怀抱，也要坚守科学原则和学术伦理，在不断的交流、拓展与试错中迎接社会科学研究的新时代。

参考文献：

• DOBLER D, BINDER H, BOULESTEIX A-L, et al. ChatGPT as a Tool for Biostatisticians: A Tutorial on Applications, Opportunities, and Limitations[J]. Statistics in Medicine, 2025, 44(23/24): NO. e70263.

• THAN N, FAN L, LAW T, et al. Updating “the future of coding”: qualitative coding with generative large language models[J]. Sociological Methods & Research, 2025, 54(3): 849-888.

• CFPS数据使用中的人工智能工具管理规定：https://www.isss.pku.edu.cn/cfps/sjzx/AIsyglgd.

• MIAO J, DAVIS J R, ZHANG Y, et al. Reimagining research papers as interactive and reliable AI agents[J]. Nature, 2026.

• CASTRO-GONZÁLEZ L, CHUNG Y-L, KIRK H R, et al. Cheap learning: maximizing performance of language models for social data science using minimal data[J]. Sociological Methods & Research, 2026, 55(3): 877-924.

• ARGYLE L P, BUSBY E C, FULDA N, et al. Out of one, many: using language models to simulate human samples[J]. Political Analysis, 2023, 31(3): 337-351.

• STUHLER O, DANG TON C, & OLLION E. From codebooks to promptbooks: extracting information from text with generative large language models[J]. Sociological Methods & Research, 2025, 54(3): 794-848.

• LAW T & ROBERTO E. Generative multimodal models for social science: an application with satellite and streetscape imagery[J]. Sociological Methods & Research, 2025, 54(3): 889-932.

• BOELAERT J, COAVOUX, S, OLLION É, et al. Machine bias. how do generative language models answer opinion polls?[J] Sociological Methods & Research, 2025, 54(3): 1156-1196.

• BROSKA D, HOWES M, & VAN LOON A. The mixed subjects design: treating large language models as potentially informative observations[J]. Sociological Methods & Research, 2025, 54(3): 1074-1109.

• XIE Y & AVILA S. The social impact of generative LLM-based AI[J]. Chinese Journal of Sociology, 2025, 11(1): 31-57.

• MA J. Computational basis of large language models' decision making in social simulation[J]. Sociological Methodology, 2026, 56(1): 31-61.

• ZHANG S, XU J, & ALVEVO AJ. Generative AI meets open-ended survey responses: research participant use of AI and homogenization[J]. Sociological Methods & Research, 2025, 54(3): 1197-1242.