2009 年，Lazer 等人在 Science 提出“计算社会科学”，强调数字痕迹和大规模行为数据让社会科学获得新的观察能力。
2020 年，同一研究传统在 Science 发表“Obstacles and opportunities”，语气明显更谨慎。
前沿问题从“我们能测量更多社会行为”转为“我们测量了什么，谁能审计这种测量，测量本身会造成什么伤害”。
2020 年代的计算社会科学，正在从大数据兴奋期进入可审计、可复核、可治理的阶段。
破除误解
计算社会科学不是数据越大越好。大数据可能只是一个平台、一个接口、一类用户和一个时期的局部切片。它也不是机器学习替代社会理论。模型可以分类、预测和聚类，但研究者仍要定义概念、解释机制、处理偏差、说明推论边界。第三个误解，是认为数字痕迹自然真实。平台记录的是被系统允许和保存的行为。
点赞、停留、转发、搜索、定位和评论，都被界面设计、推荐算法、社交压力、审核规则和商业目标塑造。
核心问题
计算社会科学最核心的开放问题，是概念效度。一个变量在技术上可计算，不代表它在社会学上有效。用点赞衡量支持，用转发衡量说服，用停留时间衡量兴趣，用好友数衡量社会资本，用情绪词衡量公共情绪，都需要证明。第二个问题是可审计性。当研究依赖平台数据、商业接口或大型模型时，外部研究者能否复现？
如果平台改变接口、删除账号、调整推荐模型，研究结果是否仍能验证？第三个问题是测量伤害。大规模分类可能把群体标记为风险、极端、低信用、低生产率或低价值。即使研究者不公开个体身份，也可能对群体造成污名。
谁在做、做到哪一步
Lazer、Pentland、Watts、Salganik、Grimmer、Stewart 等研究者推动了计算社会科学从网络扩散、文本即数据、在线实验到数据治理的转向。Salganik 的 Bit by Bit 把数字时代社会研究总结为观察行为、提出问题、做实验、创造协作和伦理治理。Grimmer 与 Stewart 的 “Text as Data” 推动政治学和社会学文本分析走向系统化。
2020 年之后，研究焦点进一步转向平台数据访问、机器学习偏差、模型审计、隐私保护和大语言模型辅助研究。
当前方法前沿包括：
| 前沿 | 解决什么 | 风险 |
|---|---|---|
| 大规模文本分类 | 识别框架、情绪、议题和仇恨言论 | 讽刺、方言和少数群体语言误判 |
| 网络扩散模型 | 研究信息、疾病和动员路径 | 可见边不等于真实关系 |
| 在线实验 | 测试平台设计和信息处理效应 | 知情同意与平台权力 |
| 隐私保护数据分析 | 降低再识别风险 | 可能牺牲可解释性和复核性 |
| LLM 辅助编码 | 提高文本处理速度 | 幻觉、偏见、不可复现提示 |
可审计性为什么是结构性问题，而不是态度问题
"研究应当可复现"听起来是一条学术规范，但在平台数据上它撞到的是权力不对称，不是研究者的自觉程度。
把复现一项研究所需的条件拆开看：
| 条件 | 传统调查研究 | 平台数据研究 |
|---|---|---|
| 原始数据 | 可存档、可共享 | 归平台所有，条款常禁止再分发 |
| 抽样框 | 研究者定义、可披露 | 由接口与算法决定，通常不可见 |
| 测量工具 | 问卷可原样公布 | 推荐算法与排序逻辑随时变动且不公开 |
| 重复观测 | 可再抽一次样 | 接口可能关闭、账号可能被删 |
结论很直接：平台自己永远能复现这项研究，外部研究者不能。这不是"数据不够开放"这种程度问题，而是研究的认识论地位发生了变化——一项无法被独立验证的发现，与一项可被验证的发现，在证据强度上不属于同一类。
这也解释了为什么这一领域近年的重心从"能测什么"转向"测量的治理"：数据访问协议、独立审计通道、预注册、以及在论文中明确披露"本研究不可被外部复现"的边界。承认限制本身就是方法论进步——它把一个隐藏的弱点变成了一个被标注的已知条件。
一个可操作的效度判据
"概念效度"同样容易停在口号。有一个具体到能执行的检验方式：换一个不相关的指标去测同一个概念，两者是否给出一致结论。
- 若用点赞、转发、评论三种痕迹分别测"公众支持"，结论一致 → 该测量对具体指标的选择不敏感，效度较强。
- 若三者给出不同甚至相反的结论 → 你测到的很可能是平台机制（哪种互动被算法奖励），而不是你想测的那个社会事实。
这个检验之所以有力，是因为它不需要外部真值（ground truth），而社会科学里真值往往根本拿不到。它把"这个变量有效吗"这个无法直接回答的问题，替换成"这个结论对测量方式稳健吗"这个可以回答的问题。在拿不到真值的领域，稳健性检验是效度的现实替代品。
代价与争议
最大争议是平台依赖。许多最重要的数据由平台掌握。研究者若没有数据，只能观察公开表面。若获得数据，又可能受到平台合同、保密条款和选择性开放限制。公共知识因此被商业基础设施控制。第二个争议是模型解释。机器学习可以预测传播，但社会学需要解释为什么传播。
如果模型只告诉我们“这个内容会爆”，却不能解释是身份、情绪、网络位置、平台推荐还是政治组织造成的，它对理论贡献有限。第三个争议是 AI 工具进入研究流程。LLM 可以帮助编码、摘要、翻译和生成变量，但它也可能把训练数据中的偏见带入研究。研究者需要记录提示、抽样验证、误差模式和人工复核过程。
未知的边界
- 平台数据访问制度能否支持独立、长期、跨国比较研究，尚未稳定。
- LLM 作为文本编码者的可靠性，在不同语言、隐喻、讽刺和低资源语境中仍需评估。
- 隐私保护与可复核之间的平衡没有通用答案。
- 计算社会科学能否真正吸收民族志、访谈和历史方法，而不是只扩大可计算变量，仍是学科边界问题。
- 大规模测量的社会后果如何治理，仍缺少成熟伦理框架。
跨域连接
- 大语言模型：模型被用作"合成受访者"来模拟调查回应，而这一用法的效度前提很脆弱：模型复现的是训练语料中的表达分布，而非人群的态度分布。它在多数派立场上看起来可信，在少数群体与非主流立场上系统性失真——恰恰是最需要研究的部分。
- 因果推断的可信性革命：大数据提高的是精度而非识别力，而这一区别在这一领域反复被混淆：样本再大也不能解决混杂。海量观测数据最有价值的用途是发现自然实验（政策断点、平台改版），而非直接从相关中读因果。
- 数字表型与计算伦理：可被推断的内容比被采集的数据敏感得多，因而"去标识化"不足以保护隐私——风险来自推断能力而非标识符。这使治理必须落在用途与访问控制上，而这一点在依赖公开数据的研究中最容易被忽视。
- 可重复性危机与开放科学：这一领域有一层额外的不可复现性——数据由平台控制、接口可关闭、历史快照无法重取。这意味着即使代码公开，研究也可能在原理上不可复现，而这一约束不是技术问题，是研究基础设施的所有权问题。
- 社会网络分析：平台数据使超大规模网络首次可被观测，同时引入了一个结构性偏差：观察到的是平台上的关系而非社会关系。两者的差距随年龄与阶层大幅变化，因而网络结构的结论会系统性地偏向重度用户——而这一偏差无法靠加权修正，因为缺失的是关系本身。
参考文献
- Lazer, David et al. “Computational Social Science.” Science, 2009. DOI: 10.1126/science.1167742.
- Lazer, David et al. “Computational Social Science: Obstacles and Opportunities.” Science, 2020. DOI: 10.1126/science.aaz8170.
- Salganik, Matthew J. Bit by Bit: Social Research in the Digital Age. Princeton University Press, 2018.
- Grimmer, Justin and Stewart, Brandon M. “Text as Data.” Political Analysis, 2013.
- Edelmann, Achim et al. “Computational Social Science and Sociology.” Annual Review of Sociology, 2020.