AI赋能社会科学研究中问题转译的可能性与挑战
【主持人语】2024年，诺贝尔物理学奖、化学奖授予人工智能（AI）科学家，被外界普遍认为是对人工智能赋能科学研究（AIforScience，AI4S）的认可。同时，这也激励了学术界探索人工智能赋能社会科学研究（AIforSocialScience，AI4SS）的热情。甚至有些AI专家认为，人工智能赋能社会科学研究的前景将比赋能自然科学研究更大。如何从认识论、方法论层面审视AI4SS？AI4SS究竟会给人文社会科学研究带来什么突破，将如何改变各具体学科的面貌？AI4SS的大规模流行，可能产生何种问题或风险，又该如何应对？类似问题，近来已经引发诸多热议。本次笔谈聚焦“人工智能赋能社会科学研究（AI4SS）的跨学科反思”，从哲学、马克思主义理论、经济学、法学、新闻传播、艺术学以及数学、人工智能等进行跨学科研究，抛砖引玉，以期推动该领域研究的进一步发展。（刘永谋）
生成式人工智能进入社会科学研究之后，问题生成、对象建构与知识生产的基本方式正在发生变化。AIforSocialScience（AI4SS）的核心，在于社会科学问题需要经过概念界定、指标拆分、任务编排与结果解释等环节，才能转化为模型可处理的形式。由此，AI4SS可被理解为一种“问题转译”机制。以AI文学创造力研究为例展开方法论考察表明，问题结构、提示设计与评价体系推动了研究尺度扩展、处理效率提升与流程可见性增强，并使社会科学对象在形式化过程中面临复杂性压缩、语境流失与结构性偏差。技术系统扩展了证据生产能力，意义世界的把握仍然有赖于持续的解释活动。随着技术嵌入不断加深，概念自觉、方法自觉与解释自觉的重要性持续上升。AI4SS的理论意义，在于促使社会科学重新审视理解的条件、解释的限度及其方法论前提。
AI技术的突破正在重塑人文社会科学的研究图景，也为学科发展打开了新的问题空间。文本标注、信息提取、材料归纳、辅助解释、情境模拟等传统上高度依赖人工投入的环节，已逐步纳入智能系统的处理链条。
相关综述将这一领域区分为“AIforSocialScience”与“SocialScienceofAI”两条路径，前者关注AI嵌入研究流程，后者关注AI作为社会对象和制度对象的影响。这表明，AI进入社会科学的意义，已超出一般方法更新，开始触及知识生产方式本身。
已有研究表明，AI工具可能制造“理解错觉”，使研究者把高效产出、流畅表达和形式上的稳定性误判为对对象的真实把握；围绕AI是否“理解”语言及其所编码的物理与社会情境的争论，也已经推进到“理解”概念本身及其能力边界的层面。AI4SS更值得深入追问的，并不只是AI能够处理多少具体任务，而是社会问题如何进入AI系统，以及它们在这一过程中如何被组织、转译、压缩和重构。社会科学面对的并非单纯外在事实的集合，而是带有行动者主观意义的社会行动及其关联结构。因而研究者对问题的界定、拆分与组织，本身已经构成理解活动的一部分。狄尔泰（WilhelmDilthey）以来的人文科学方法论也一再强调，社会科学面对的并不只是可由外部观察把握的事实，也包括由生活经验、意义关联和历史过程所构成的人类世界，因此其方法基础不能仅限于自然科学意义上的因果说明，而需要诉诸理解和解释。如果把这一问题放回现代解释学传统中考察，讨论还可以进一步推进。在伽达默尔（Hans-GeorgGadamer）哲学诠释学中，理解并非脱离历史处境的主观活动，而是在传统、效果历史和语言媒介中展开的存在事件,因此文化意义的把握很难被压缩为一套封闭的方法程序。利科（PaulRicoeur）关于解释理论的讨论表明，说明性分析能够进入意义把握的过程，并为理解提供必要的中介，但它并不能终结理解活动本身。进入AIforSocialScience（AI4SS）的研究场域之后，技术系统能够参与材料整理、关系识别与结果生成，研究流程也因此呈现出更强的结构化特征，但“理解”依然涉及对对象边界、意义层次与情境关联的持续辨认。随着研究流程的技术化推进，研究者在概念设定、变量安排、偏差识别与意义解释中的责任被进一步凸显。
一、社会科学问题的转译系统与转化
AI进入社会科学研究之后，研究已经从工具层面的更新延伸到问题组织方式与知识生产过程。研究者所面对的技术条件，已经覆盖数据资源、数据库、模型设定、提示设计、任务编排、结果评估与解释框架等多个层面，这些环节共同塑造了研究对象进入分析、分类与阐释的路径。在这一过程中，技术系统能够显著增强资料处理、标注、关系识别与生成性分析的结构化程度，大语言模型也已经被证明可以作为零样本标注者和生成性解释工具参与计算社会科学研究流程。与此同时，社会科学研究所关心的并不只是形式化表征本身，还包括如何从原本不是为科学研究而生成的数据中提取具有解释力的科学意义,模型使用中的方法透明性、结果评估、偏差控制与情境化解释等，仍然需要由研究者持续承担。在这一系统中，模型能够识别什么、处理什么以及呈现何种程度的分析能力，都与研究者如何组织问题密切相关。正是在这一意义上，AI4SS的重心可以进一步从“AI能做什么”转向“社会问题如何被转化为AI可以处理的对象”。
社会科学问题并不会以未经中介的形态直接进入模型。按照社会技术研究的视角，这一过程可以被理解为一次“转译”。米歇尔·卡隆（MichelCallon）关于翻译社会学（SociologyofTranslation）的讨论表明，行动者、对象与问题并不会以既定形态直接进入技术网络，而是在问题化、利益锁定、角色赋定与代表动员等环节中逐步获得稳定的关系形式。罗布·基钦（RobKitchin）关于数据革命与数据基础设施的研究则提示，数据并不是中性的给定物，而是在采集机制、平台结构、技术标准与制度安排的共同作用下被塑造出来的。在这一意义上，进入AI系统的更多是经由研究设计组织出来的问题表征。研究者需要先完成概念界定，明确问题边界，再根据研究目的将其拆分为若干维度、变量与特征，并进一步转写为分类、比较、提取、生成、排序或评分等可执行任务，系统才可能对其作出响应。问题进入AI系统的过程，也可以被理解为研究对象被重新塑形的过程，其中哪些内容被凸显、哪些层面被弱化、哪些难以形式化的维度暂时退出可计算范围，往往已经在前期的问题组织与任务设定中被预先规定。
如果从方法论上加以分解，这一过程大体可以理解为三次连续转译。第一次是概念转译。社会科学中的许多核心概念具有开放性、争议性和历史性，诸如认同、信任、创造力、偏见、公共性、风险感知等，都不是天然清晰的研究对象，而是在持续的理论争论中逐步形成的解释框架。研究者若希望借助AI处理这些问题，首先就必须回答本文所讨论的概念究竟指向何种现象，包含哪些核心维度，又将哪些内容暂时搁置。第二次是指标转译。概念边界一旦被规定，研究者就需要把它进一步拆分为若干可观测、可识别、可比较的维度和变量。所谓可比化，指的是把原本性质不同、尺度不一的对象压缩进共同的度量框架之中。指标化因此不仅带来了方法上的便利，也会重新安排对象的呈现方式。玛丽（S.E.Merry）关于指标政治的讨论进一步说明，指标并不只是技术性的测量工具，它还会影响哪些方面更容易被看见，哪些方面更容易进入评价体系，哪些方面在量化过程中被边缘化。第三次是任务转译。指标只有进一步写成模型能够执行的任务形式，才会真正进入系统运行。任务形式并不只是技术执行的最后一步，它同时也在塑造对象的可见边界。杰弗里·鲍克（GeoffreyC.Bowker）与苏珊·利·斯塔（Su-sanLeighStar）在《理清头绪：分类及其后果》中说道：“每一种分类体系都会使某些视角获得优先，同时使其他视角沉默。”分类从来不只是被动记录世界的工具；标准、标签与类别一旦建立起来，哪些内容得以进入分析框架，哪些差异被压缩为同一类型，哪些经验被排除在外，都会随着分类体系的稳定化而被固化下来。放在AI4SS中看，任务设定越清晰，系统运行通常越顺畅；与此同时，对象内部那些难以被标准化表达的部分，也更容易从研究流程中滑落出去。正是在这一系列转译过程中，社会问题逐渐获得进入AI系统处理的形式。这一转译过程当然带来了显著的方法收益。其一，研究尺度明显扩大，大规模文本、跨平台资料和复杂语料的处理成本被大幅压低。其二，概念边界被迫清晰，许多原本在理论讨论中可以保持模糊张力的问题，在进入模型之前都必须获得更明确的界定。其三，研究流程的可见性和可复核性有所增强，语料来源、任务结构、评价规则和解释路径都更容易被显性呈现出来。正因如此，AI4SS并不仅仅为社会科学增加了一套技术工具，它也在推动研究者以更高强度面对概念、方法与对象之间的关系。
不过，问题也恰恰在这里变得更加尖锐。社会科学问题一旦被组织为可计算对象，就不可避免地会经历复杂性压缩、语境损失和结构性偏差。社会问题在进入AI系统后，往往更容易被转化为可操作、可比较的形式结构；然而，若缺少对具体文化语境与意义层次的持续追索，这种处理也可能削弱社会科学所依赖的“厚描述”维度。格尔茨（CliffordGeertz）的文化人类学理念提示我们，文化分析不能停留于行为表面，而应进入行为得以被理解的意义脉络与具体情境。就本文而言，这意味着社会问题在进入AI系统后，若被过度压缩为可操作的形式结构，其历史关联、经验张力与文化语境都可能在操作化过程中被弱化。系统输出越流畅、结果越稳定，研究者越容易误以为对象已经被充分理解。关于大语言模型是否“理解”的争论之所以持续存在，也正因为“理解”并不只是得到结果，它还涉及对象边界、意义深度和解释能力的评估。
因此，AI4SS真正值得关注的，不只是模型是否更强，也包括研究者能否清楚地意识到：自己究竟让AI系统理解了什么，又在这一过程中舍弃了什么。社会问题被转译得越清晰，系统的处理能力通常越强；与此同时，对象中那些难以被编码、却往往决定问题深度的剩余部分，也越容易沉入研究盲区。在AI4SS语境中，偏差同时构成一种方法论信号，它提示研究者回到概念边界、对象构造与证据组织这些更基础的问题上。偏差暴露了对象如何被构造、证据如何被筛选、解释如何被限定，也由此构成了人文社会科学批判性进入AI系统内部的一个重要入口。然而，这种转译和编码说到底是在与模型不断磨合的基础上以模型提供的技术逻辑来尽可能布展问题的过程，它并不可能超越技术设计层面的局限性。而如何使得技术设计更适配社会科学研究，需要人文社科学者真正参与到技术研发中来。这也正是一些科技企业开始设置“首席哲学家”职位的原因所在。
二、以实证展现转译的思路与设置
笔者关于AI创造力的实证研究提供了一幅可以被直接观察的“问题AI化剖面图”。由于创造力不具有单一维度上的稳定属性，使之成为本文一个适合的方法论参照。这一概念同时牵涉生成机制、层次划分、情境互动与新颖性—适切性评价，因而呈现出高度抽象且难以直接形式化的概念特征。顺着这一思路来看，研究者面对的不是一个边界天然清晰的对象，而是一个需要经过概念界定、维度拆分、评价设计与案例解释，才可能获得稳定研究形态的复杂概念。它的方法论价值在于：研究并未把“创造力”直接交给模型处理，而是先建立跨学科理论框架，再设计五类提示词结构、实行单模型控制、搭建主客观结合的评价体系，并通过典型案例分析回到具体文本之中，从而将一个抽象概念逐步转化为可比较、可评估、可解释的研究对象。
在这一研究中，最关键的第一步，是对“创造力”进行重新界定。研究承认创造力评估具有强烈的主观性、语境依赖性与多维性，同时又拒绝让这种主观性停留在不可分析的状态，而是将其进一步组织为内容创新性、语言创造性、文化创造性和结构创造性等维度。这样一种处理方式表明，研究对象在进入系统之前已经发生了第一次变化：模型面对的并非“创造力本身”，而是研究者依据理论判断建构出来的“可研究创造力”。这对于AI4SS具有一定程度上的方法论意义。社会科学研究中的许多核心问题都与创造力相似，例如认同、信任、偏见、公共性、风险感知等，始终处在“双重解释”之中：一方面，行动者本身已经以常识方式理解并组织自己的行动世界；另一方面，社会科学概念又会返回这一世界，进入公共讨论、制度安排与日常实践。问题进入AI系统之前所经历的界定、拆分与编码，也因此带有鲜明的解释性介入特征。
该实证研究将“提示词是否有效”这一问题放置一旁，进一步比较不同提示结构如何系统性影响生成结果。研究将提示词分为抽象概念型、情境叙事型、情感体验型、风格模仿型和多元融合型五类，并把它们的核心功能维度归结为“认知触发方向”与“约束开放度”；同时提出假设，风格模仿型可能因形式与内容双重约束而压缩探索空间，多元融合型则可能在明确融合对象与保留融合自由之间取得更优平衡，提示词约束度与创造力之间或许存在“倒U型”关系。研究结果恰好证明了这一点：抽象概念型在文化创造性维度上同样表现突出；风格模仿型则因约束过强而在各维度上的增益最低。进一步的方差分析显示，不同类型提示词激发的总体创造力差异达到极显著水平，多元融合型平均值最高，且输出质量最稳定。这意味着，问题结构本身会系统性影响AI输出质量。研究设计的关键，并不只在于“给AI一个问题”，更重要的是如何组织这个问题，使其既获得足够定向，又不至于过早封闭探索空间。问题过于松散，模型容易停留在高频模式和陈词化表达之中；问题过于僵硬，模型又会滑向机械复现。真正有效的问题设计，通常位于“适度结构化”的区间之中。
在方法设计上还有两点尤为重要。第一是单模型控制。研究明确说明，为避免不同模型在训练语料、参数规模和架构设计上的差异引入额外变量，实验选择单一模型DeepSeek，以保证观察到的差异主要来自提示词结构本身。第二是评价体系的搭建。研究并未将创造力判断完全交给主观印象，也未把它简单还原为客观指标，而是采用了主客观相结合、定量与定性互补的三角验证法。客观指标层面，引入词汇丰富度、句法复杂性和意象密度等形式特征；主观评价层面，则通过多名评分者与评分一致性检验来增强判断的透明性与可信度。更重要的是，研究进一步指出，客观指标与主观创造力评分之间只有“一致但有限的正相关关系”，形式复杂度只是创造力的必要条件而非充分条件。也就是说，形式特征能够提供证据，却不能替代整体判断。社会科学中的许多核心概念同样具有类似结构：可计算特征可以捕捉表层复杂度、分布模式和形式线索，却难以充分覆盖文化内涵、规范意味、情境差异与历史张力。研究者若仅凭模型产出的可量化结果作出判断，很容易高估“形式证据”的解释力。创造力实证研究一方面承认客观指标的重要价值，另一方面坚持主观解释、案例分析和整体判断仍然处在核心位置，这为研究提供了一个有力的校正机制。由此，研究者的主导性具体落实为评价结构的设计能力。
研究指出，统计数据能够揭示宏观趋势，但只有深入到具体样本，才能真正理解提示词激发AI创造力的微观机制。多元融合型案例表明，一旦问题结构被设计得具有异质语义场之间的张力，模型就有可能在既有语料基础上实现较高水平的跨域联想与概念重组。风格模仿型案例又反过来证明，当形式与内容的双重约束叠加时，探索空间会被显著压缩，模型更容易滑入表层复现与机械复制。从创造力案例中可以清楚看到，AI4SS中的研究者早已不只是问题的提出者，同时也是对象的构造者、变量的安排者、偏差的管理者和意义的解释者。创造力研究成立的前提，依赖的是研究者对概念、任务、评价与案例分析的系统组织。正是在这一方法论框架之内，“创造力”才获得了可观察、可比较、可解释的研究形态。由此可以得出更一般的判断：社会科学问题的AI化，核心始终掌握在研究者手中。研究者如何提出问题，如何切分对象，如何设定任务边界，如何识别偏差，如何在系统输出之后重新解释问题，这些环节共同决定了AI4SS研究的质量。
三、转译中的方法增益与结构性偏差
这样一种问题AI化究竟为社会科学带来了什么?又在何处遭遇其内在边界?AI创造力研究经过细致设计的提示结构和评价体系，的确能够在内容创新性、文化创造性、语言创造性和总体创造力等维度上获得显著提升；另一方面也清楚揭示出，创造力这样的厚概念并不会因为进入实验流程就变得完全透明，相反，它在量化、比较和操作化之后，反而更集中地暴露出形式证据与整体判断之间的距离。
AI4SS对于社会科学研究的推动具有真实而重要的价值。从简单的数据分析到复杂的文本生成，从精准的预测建模到深度的智能交互，AI不仅仅是工具，更逐渐成为社会科学学者们得力的“伙伴”。对研究者而言，这种变化最直接的表现，是研究尺度、研究速度和材料可见性的显著提升。过去由于语料规模、异质性和处理成本过高而难以展开的问题，如今拥有了新的进入方式。不过，这种收益更值得重视的地方，还不止于技术层面的提速。AI系统的引入会倒逼研究者以更高强度面对问题定义本身。创造力之所以能够成为可研究对象，前提就在于研究者先把它拆分为内容、语言、文化和结构等维度，并据此安排样本、提示、评分与解释结构。没有这一步，所谓“创造力研究”便无从成立。由此可以看到，AI4SS的一个重要收益在于：它促使研究者把原本可能含混保留的问题边界进一步显性化。系统越需要清晰输入，研究者越需要清晰表述；技术流程越强调可执行性，概念界定的重要性就越突出。AI由此不只是扩展研究能力，也在一定程度上推动了问题的澄清。
然而，问题并没有因为研究流程更清晰而自动消失。创造力研究已经相当明确地表明，创造力评估不可能被简化为单一客观指标，因为创造力本身就具有强烈的主观性、语境依赖性和多维性；研究所采取的主客观结合、定量与定性互补的三角验证法，追求的也不是消除主观性，而是使主观性变得透明、可信、可对话。这个判断一旦放到AI4SS的更大语境中，就会转化为一个更一般的认识：偏差之所以难以彻底消除，并不只是因为技术暂时不够先进，也因为社会科学对象本身就具有开放性、争议性与规范性。偏差首先来自概念层面。概念层面的偏差往往与分类边界的建立同步发生。对象一旦被纳入某种分类体系，哪些差异被保留下来，哪些差异被折叠进同一类别，往往已经对后续分析结果施加了方向性影响。社会科学中的许多核心概念都没有唯一边界，不同理论传统会赋予其不同内涵。研究者在操作时，必须做出选择，而每一种选择都会压低某些维度、放大某些维度。创造力研究中，内容创新性、语言创造性、文化创造性和结构创造性被纳入核心框架，但它并不意味着创造力的全部内涵都已被完整吸收。对于认同、信任、偏见、道德判断等其他社会科学概念来说，情况同样如此。偏差因此并不总是测量失败的后果，它很多时候直接源自概念自身的开放性。偏差还来自编码层面。编码层面的偏差则与可比化和指标化过程密切相关。研究对象在获得共同尺度的同时，也会接受新的排序逻辑与证据结构，方法便利性由此提高，语义密度却可能同步下降。任何社会问题一旦进入AI系统，都要经历语料筛选、标签划分、任务设定和评价规则构造，这些环节不可能完全中性。什么可以被视为有效证据，什么应该进入分析框架，哪些变量具有更高权重，哪些情境被看作典型，这些选择表面上属于方法安排，实际上都携带着理论立场与价值判断。创造力研究中，单模型控制、五类提示结构与多评委盲评机制都在努力减少额外干扰，但研究同时也承认，真正复杂的创造力并不可能被一次性封装进形式结构中。这种自觉十分关键，因为它说明偏差从来不只是技术误差，也与研究对象如何被建构有关。偏差还来自系统层面。系统层面的偏差更多关联到数据基础设施本身。模型接触到的是经由采集、沉淀、筛选和平台化分布组织起来的文本世界，这一现实表征与社会现实之间始终存在层次差。训练语料与数据库并不等同于社会现实本身，模型所接触的是某种经过沉淀、筛选和分布化的社会文本世界。它能够模拟高频模式、整合常见表达、生成看似合理的回应，但这种统计性能力并不自动等于对现实世界机制、制度背景和行动者经验的充分把握。“理解错觉”的提出，正是因为研究者很容易被系统的流畅输出所吸引，而误以为对象本身已经被深刻理解。可真正的问题在于，模型所展示的常常是“像理解的结果”，未必是“理解本身”。
也正因为如此，AI4SS中的偏差需要被区分为两个层次。第一个层次，是可以通过优化数据、改进提示、细化流程和加强检验来缩小的技术误差。如创造力研究，通过单模型设计压缩模型差异，通过多样化样本降低偶然性，通过多评分者与信度检验提高主观评价的一致性，通过典型案例分析补足统计结果的解释力。第二个层次，则是更难彻底消除的结构性偏差。它并不单纯来自操作粗糙，而是来自问题AI化这一过程本身。研究者为了让系统能够处理问题，必须把问题转换成某种稳定形式，而一旦形式被固定，对象的某些剩余部分就会被压缩、悬置或排除。
如比斯比（J.Bisbee）等的研究表明，大语言模型能够在一定程度上拟合公共意见的表面均值，却难以可靠复现真实调查中的方差结构、条件关联与回归关系。合成样本对提示词和时间变化的敏感性，也进一步削弱了其作为经验替代物的可重复性与可验证性。这一意义上的“偏差”不单单是技术误差，它同时暴露出社会问题在被编码、人格化和可计算化之后所经历的结构性压缩。模型输出可以是分析材料，可以启发问题，也可以辅助分类，但将其直接视作社会现实的替身，会带来严重误判。但是，偏差也迫使研究者不断回到这些更基础的问题：自己究竟把什么当成了问题?自己通过什么方式构造了对象？哪些东西被纳入证据链条？哪些东西在转译中损失了？对于AI4SS而言，这种批判性不应停留在系统外部，变成抽象的价值劝告，它应当进入问题提出、概念操作化、数据组织、模型调用和结果解释的全过程。研究者越深入使用AI，就越需要对“问题AI化本身”保持反思。真正有价值的AI4SS研究，既要能说明系统为何在某种条件下有效，也要能指出这种有效性建立在什么样的删减、压缩和预设之上。
四、结语
生成式人工智能进入社会科学研究之后，研究流程获得了更强的结构化能力，问题组织方式也随之发生变化。社会科学对象要进入系统处理，通常需要经历概念界定、指标拆分、任务设定与结果解释等环节。研究尺度的扩大、材料处理速度的提升以及流程可见性的增强，构成了AI4SS最直观的方法收益。与此同时，社会问题在获得可处理形式的过程中，也会经历复杂性压缩、语境筛选与结构性重构。创造力这样的厚概念即便经过精细操作化，仍然保留着超出形式指标的判断维度，由此可见，系统输出可以为研究提供证据，却不足以独立承担整体理解的任务。
基于这一点，本文更倾向于将AI4SS理解为一种问题转译机制。这里的关键落点，集中在研究者如何组织问题、划定对象边界、安排变量结构、辨认偏差来源，并在系统输出之后重新承担意义层面的解释责任。随着技术能力的增强，研究者责任并未退居幕后，概念自觉、方法自觉与解释自觉反而变得更为关键。偏差在这一过程中也呈现出更为复杂的性质：其中一部分关联流程层面的技术误差，能够通过模型优化、任务修正和评价校准得到控制；另一部分则指向问
题构造本身，提示研究者返回概念设定、对象建模与解释框架这些更基础的层面。因而，成熟的AI4SS研究，既要说明系统何以有效，也要追问这种有效性建立在何种前提之上，还要辨认哪些内容在有效运行中被压缩、悬置或遗漏。
从更深的层面看，AI4SS的发展推动社会科学重新审视“理解”这一概念。理解当然涉及结果生成的速度、输出规模与处理能力，但它并不限于此。对于社会科学而言，理解还意味着对问题提出方式的反思、对对象构造过程的辨认、对意义保留程度的判断，以及对偏差来源的持续警觉。技术能力越是增强，研究者越需要维持清醒的问题意识、严格的方法自觉与必要的哲学反思。未来真正值得推进的方向，不只体现在模型性能的继续提升，也体现在问题设计能力的成熟、偏差意识的深化，以及解释能力对社会复杂性的稳固把握。
因此，AI4SS向社会科学提出的深层要求，最终仍然回到研究者自身。问题是否具有穿透力，结构化过程能否尽量保存对象的复杂性，系统输出之后能否重新把握那些尚未被编码、依然决定问题深度的剩余意义，这些都将直接影响AI4SS的理论质量与方法边界。也正是在这一点上，AI4SS的意义不应停留于技术增益本身，而应被理解为推动社会科学方法更新与理论深化的重要契机。正如洪汉鼎先生在伽达默尔所著《真理与方法》的译文序言里所言，科学认识只是人类认识世界的诸种方式之一，人们并不能以近代自然科学的真理概念作为衡量一切认识形式的唯一尺度。对AI4SS而言，这一提醒尤其重要：技术可以拓展研究能力，理解的完成则仍然有赖于研究者对意义世界的持续思考与谨慎把握。
【本文系国家社会科学基金后期重点资助项目“从算法控制到认知正义：人工智能社会的批判性研究”】
本文注释略，原文见《科学·经济·社会》2026年第4期。