AI赋能社会科学研究方法论：分类框架与融合路径

1. 引言

1.1 研究背景

社会科学研究自其诞生以来，一直面临着数据规模、分析深度和解释广度之间的根本性张力。传统方法论在这一张力下形成了精妙的平衡：通过精心设计的抽样方案控制数据规模，通过严格的统计程序保证分析深度，通过理论框架实现解释广度。然而，大数据时代的到来打破了这一平衡。研究者现在面临的是海量数据、复杂关系和多元解释的三重挑战。

1.2 研究问题与意义

本文试图回答以下问题：如何系统性地理解AI对社会科学研究方法论的影响？现有研究虽然已经展示了AI在特定任务中的应用（Ziems et al., 2024; Gao et al., 2024），但缺乏一个整合性的框架来指导研究者的方法论选择。本文提出的分类框架旨在填补这一空白，为研究者提供系统性的方法论导航。

1.3 本文贡献

本文的贡献包括：（1）提出一个六大类别的AI赋能研究方法论分类框架；（2）基于系统性文献回顾，为每个类别提供理论依据和实证支持；（3）探讨AI与各类方法论的融合路径和适用边界；（4）指出当前研究的局限性和未来方向。

2. 文献综述

2.1 计算社会科学的兴起

计算社会科学（Computational Social Science, CSS）的兴起标志着社会科学研究范式的转变。Lazer et al. (2009) 首次系统阐述了计算社会科学的愿景，强调大数据和计算方法对社会科学研究的革命性影响。此后，研究者开始将机器学习、自然语言处理、社会网络分析等计算方法引入社会科学研究（Bail, 2024）。

2.2 AI辅助研究的方法论进展

近年来，大语言模型（LLM）的突破性进展为AI辅助社会科学研究提供了新的可能性。Ji et al. (2026) 提出了CiteAgent框架，使用LLM-based agents模拟人类引用行为，为科学学研究提供了新的方法论工具。Liu et al. (2026) 的综述进一步区分了"agents as simulations"和"agents as tools"两种研究范式。这些进展表明，AI正在从简单的辅助工具演变为具有自主性的研究伙伴。

2.3 现有分类体系的局限

现有方法论分类体系主要基于研究范式（定量/定性）或数据类型（数值/文本/网络）进行划分。然而，这些分类体系未能充分反映AI技术带来的方法论变革。Davidson and Karell (2025) 提出了AI与社会科学研究整合的三模式框架（测量、提示、模拟），但该框架主要关注AI的应用方式，而非方法论本身的分类。本文试图在现有分类体系基础上，融入AI赋能的新维度。相关框架讨论可参见 [AI Agent 角色分工模型](agent-division-model.html) 中的理论整合部分。

3. 理论框架

3.1 理论基础

本文的理论框架建立在三个相互关联的理论基础上：

• AI增强理论（Bail, 2024）：AI不是替代研究者，而是增强其认知能力。这种增强体现在数据收集、分析和解释三个层面。
• 多智能体系统理论（Ji et al., 2026）：LLM-based agents可以作为研究伙伴，执行从数据收集到报告撰写的完整研究流程。
• AI主体性理论（Anicker et al., 2024）：AI的主体性不是技术属性，而是社会建构。研究者需要理解人类如何赋予AI以主体地位，以及这种主体性如何影响研究过程。

3.2 分析维度

基于上述理论，本文提出三个分析维度：

• 数据维度：数据类型、数据规模、数据来源
• 方法维度：分析方法、自动化程度、人机分工
• 范式维度：认识论立场、知识生产方式、验证标准

4. 研究方法

4.1 研究设计

本文采用系统性文献回顾（Systematic Literature Review）方法，遵循PRISMA 2020指南。研究设计包括以下步骤：（1）确定检索策略；（2）筛选文献；（3）提取数据；（4）综合分析。由于本文为框架性阐述，未进行正式的PRISMA流程图绘制，但检索策略和筛选标准已在4.2-4.3节详细说明。

4.2 文献检索

检索数据库包括：Web of Science、Scopus、arXiv、Google Scholar。检索关键词包括："AI social science research"、"LLM research methodology"、"computational social science"、"AI-assisted research"。时间范围：2019-2026年。语言限制：英文。

4.3 筛选标准

纳入标准：（1）讨论AI/LLM在社会科学研究中的应用；（2）提出或评估研究方法论；（3）提供实证支持或理论论证。排除标准：（1）纯技术论文，无社会科学应用；（2）无方法论讨论；（3）非学术出版物。

4.4 分析策略

采用内容分析法，对纳入文献进行编码。编码维度包括：研究领域、数据类型、AI技术、方法论类别、研究发现。通过主题分析，识别方法论类别和融合模式。

5. 分析结果

5.1 方法论分类框架

基于文献分析，本文提出六大方法论类别分类框架。需要强调的是，这一框架是探索性的，其目的是为研究者提供方法论导航，而非划定严格的边界。各类别之间存在重叠和交叉，实际研究中往往需要多种方法论的组合。

5.2 融合路径

基于上述分类，本文识别出三种AI与社会科学方法论的融合路径。这些融合路径在 [AI+社会科学：方法论融合白皮书](whitepaper-ai-social-science.html) 中有更详细的阐述，包括六大方法论类别的具体应用场景和10个真实案例研究。

• 工具层融合：AI作为研究工具，辅助数据收集、处理和分析。这是当前最常见的融合方式。
• 方法层融合：AI与传统方法论结合，创造新的研究路径。例如，AI辅助的民族志、计算社会网络分析。
• 范式层融合：AI引发研究范式的系统性变革。例如，从假设驱动到数据驱动的研究范式转变。

6. 讨论

6.1 与现有框架的对比

本文提出的框架与现有框架相比，具有以下特点：首先，它同时考虑了方法论范式（定量/定性）和AI赋能层次（工具/方法/范式），提供了更全面的分析视角。其次，它基于系统性文献回顾，具有更强的实证基础。然而，这一框架仍处于探索性阶段，需要进一步的实证验证。

6.2 研究局限性

本文存在以下局限性：（1）文献检索主要限于英文期刊，可能存在语言偏倚；（2）分类框架是探索性的，其有效性需要进一步验证；（3）未对每种方法论的适用边界进行深入分析；（4）缺乏实证数据支持框架的实际应用效果。

6.3 实践启示

对于社会科学研究者，本文建议：（1）根据研究问题和数据类型，选择合适的方法论类别；（2）在工具层融合的基础上，积极探索方法层和范式层的融合可能；（3）保持对AI局限性的清醒认识，避免过度依赖自动化；（4）遵循研究伦理，确保AI辅助研究的透明度和可复现性。

7. 结论

本文提出了一个探索性的AI赋能社会科学研究方法论分类框架。基于对相关文献的系统性回顾，本文识别出六大方法论类别和三种融合路径。研究发现，AI正在从工具层面深入到方法论和范式层面，对社会科学研究产生系统性影响。然而，这一框架仍处于早期阶段，需要进一步的实证研究和理论深化。未来研究应该关注：（1）框架的有效性验证；（2）具体方法论的应用指南；（3）AI辅助研究的伦理规范；（4）研究者AI素养的培养。