计算社会科学

破除误解#

计算社会科学不是“社会学加一点 Python”，也不是把社交媒体数据抓下来画几张图。它是利用数字痕迹、大规模数据、计算模型和模拟方法研究社会行为、关系结构和制度过程的领域。它的关键不是数据大，而是能否提出社会科学问题，并用合适的计算证据回答。

兴起背景#

计算社会科学的兴起来自两个变化。第一，社会生活越来越多地经过数字系统：搜索、支付、定位、聊天、网购、短视频、外卖、网约车、政务平台、在线教育和电子病历都留下痕迹。第二，计算能力和算法工具让研究者能处理过去难以处理的规模和复杂性。

2009 年 Lazer 等人在 Science 发表“Computational Social Science”，把这一领域描述为利用大规模数据观察个人和群体行为的新机会。此后，计算社会科学进入网络分析、政治传播、城市研究、公共卫生、劳动研究、文本分析和平台治理。

那篇短文把机会和集中化风险一起写进开场：新数据让行为可被连续观察，但掌握在公司、政府和少数实验室手里。十一年后同一批作者再写“障碍与机会”：接口关闭、平台改算法、历史快照无法重取，使许多研究在原理上不可复现。计算社会科学的基础设施问题，从一开始就不是算力，而是谁拥有数据。

但它不是从零出现。社会网络分析、计量社会学、仿真模型、内容分析和复杂系统研究早已为它提供基础。计算社会科学是这些传统在数字时代的重新组合。

数据来源#

计算社会科学常用四类数据。

第一类是数字痕迹数据，例如点击、搜索、转发、评论、点赞、定位、购买、通话和平台接单记录。这类数据时间粒度高，规模大，但含义依赖平台设计。

第二类是文本和多媒体数据，例如新闻、政策、论坛、评论、短视频字幕、图像和弹幕。它们适合研究话语、情绪、框架和公共议题。

第三类是关系数据，例如关注、好友、通信、合作、交易、引用、共同出现和传播路径。它们连接社会网络分析和图算法。

第四类是行政与传感数据，例如教育记录、社保数据、交通刷卡、环境传感器和公共服务记录。这类数据接近制度运行，但隐私和治理风险更高。

可计算不等于可解释#

平台记录的“行为”常需要重新解释。一次点赞可能表示支持、收藏、礼貌、讽刺或算法诱导；一次停留可能表示兴趣，也可能表示困惑；一次转发可能表示赞同，也可能表示批评。

因此，计算社会科学必须重视概念效度。研究者要问：这个数字痕迹是否真的代表我的概念？如果用搜索词衡量焦虑，用评论情绪衡量民意，用定位衡量社交活动，用好友数衡量社会资本，可能出现哪些偏差？

可计算性会诱导研究者选择容易测量的问题，而不是重要的问题。真正成熟的计算社会科学应让理论决定数据，而不是让接口决定理论。

2014 年 Lazer、Kennedy、King 和 Vespignani 在 Science 写了“谷歌流感的寓言”。谷歌流感趋势用约五千万条搜索词去拟合 1152 个数据点，曾被当成大数据取代传统监测的样板。2013 年流感季，它把因流感样疾病就医的比例估成疾控中心数字的两倍以上。作者把失败写成两件事：大数据傲慢——以为体量可以替代测量与理论；以及算法动力学——搜索引擎自己在改排序，被解释成了流感在变。见 统计建模。

网络、扩散与平台#

网络分析是计算社会科学的核心。研究者可以研究信息如何传播，谣言如何扩散，社会运动如何动员，疾病如何沿接触网络传播，科学合作如何形成，平台推荐如何改变可见性。

但网络数据常是不完整的。平台上的关注关系不等于真实信任，转发关系不等于说服，好友关系不等于互助。研究者要区分可观察边和社会关系。

平台还会主动塑造网络。推荐算法、热榜、关注建议、封禁、限流和商业推广都会改变谁能看见谁。计算社会科学不能把平台当作中性场地，而要把平台作为制度对象。

文本即数据#

大规模文本分析让研究者可以比较数百万篇文章、帖子或政策文本。主题模型可以发现议题结构，词向量可以研究语义变化，监督分类可以识别框架、仇恨言论、情绪或政策立场。

但文本模型需要验证。训练数据从哪里来？编码者是否一致？模型是否对少数群体语言更容易误判？讽刺、隐喻、方言、混合语言和语境转移如何处理？

格里默和斯图尔特 2013 年在 Political Analysis 给出四条原则。所有语言模型都是错的，但有些有用；计算方法放大人的阅读，而不是取代阅读；不存在全局最优的自动文本方法；以及：验证，验证，再验证。主题模型给出的“主题”只是词的共现簇，是否对应研究者心里的“框架”或“意识形态”，必须另做人工检查。把模型输出直接写成社会事实，是把降维结果当成了世界。见 内容分析 和 自然语言处理。

大型语言模型进一步改变文本分析。它能辅助分类、摘要和抽取，但也可能制造幻觉、继承训练偏见、给出过度自信解释。社会学使用它时，应保留人工验证、透明提示和误差评估。

仿真与复杂系统#

计算社会科学不只分析现成数据，也可以建立模拟。基于主体的模型让许多具有简单规则的行动者互动，观察宏观模式如何出现。谢林的隔离模型就是经典例子：即使个体只有轻微偏好，整体上也可能出现高度隔离。

谢林 1971 年发表在 Journal of Mathematical Sociology 的论文要证明的，不是人们喜欢隔离，而是系统效应压倒个体意图：从集体图案通常推不出每个人当时想要什么。仿真的价值是把这条机制变成可检查的规则和敏感性，而不是给某座城市做精确预报。

仿真的价值不是准确预测每一个细节，而是探索机制。它能帮助研究者理解局部互动如何产生宏观结构，网络阈值如何影响扩散，规范如何稳定或崩溃，合作如何在重复互动中出现。

仿真也有风险。模型规则若过于任意，结果只是研究者假设的展开。好的仿真应清楚说明规则、参数、敏感性和经验校准。

因果与实验#

数字平台让大规模实验更容易。平台可以随机改变信息展示、推荐顺序、默认选项或通知内容，观察行为变化。研究者也可以利用平台政策变化和算法调整做准实验。

但平台实验的伦理争议很大。用户是否知情？处理是否可能影响情绪、政治参与、就业机会或收入？平台是否有权在商业环境中大规模干预社会关系？研究者如何监督企业数据？

计算社会科学的因果研究必须把技术能力和公共责任放在一起。能随机化，不等于应该随机化。

2014 年，克雷默、吉洛里和汉考克在 PNAS 报告了一项 Facebook 实验：一周内，约六十八万九千名用户的信息流被随机减少正面或负面内容。减少正面内容后，人们自己的状态更新也更少用正面词；减少负面内容则相反。康奈尔的伦理审查认定这是公司内部研究，不归大学管；用户协议被写成知情同意。期刊随后发表了关注声明。见 知情同意 和 实验与准实验。

隐私与数据治理#

大规模社会数据常包含敏感信息。匿名化并不总是安全。位置轨迹、社交关系和少量特征组合，可能重新识别个人。数据泄露或误用会伤害真实的人。

斯威尼 2000 年用 1990 年美国人口普查摘要做了一项后来反复被引用的估计：仅用五位数邮编、性别和完整出生日期，约 87% 的美国人可被唯一识别。后来的重估把这个比例向下修正，但方向没有变——少量看似无害的字段组合，足以把“去标识”的数据重新指回个人。位置轨迹和社交关系比这三列更密。匿名化失败，常常不是有人破解了加密，而是公开属性在总体里太稀有。

研究者应遵守最小化原则：只收集回答问题所需的数据，只保留必要时间，只开放经过严格处理的结果。公开数据集也要评估再识别风险。

还有群体隐私问题。即使不识别个体，模型也可能把某个社区、族群、职业或疾病群体标记为高风险，导致歧视。计算社会科学必须从个人隐私扩展到群体伤害。

代表性与偏差#

数字数据的偏差不是小问题，而是结构问题。谁使用平台，谁频繁发言，谁被算法推荐，谁被审核删除，谁能用标准语言表达，谁有稳定网络，这些都和阶层、年龄、地区、性别、族群、残障和政治环境有关。

研究者不能把“平台用户”偷换成“公众”。如果研究的是公共舆论，就要说明沉默者和离线者在哪里。如果研究的是劳动，就要说明平台之外的非正规劳动如何被遗漏。如果研究的是城市流动，就要说明没有智能手机或关闭定位的人如何被处理。

图费克齐 2014 年提醒：推特上的高声量不是“公众”。有账号、常发帖、被转发的人，在阶层、年龄、地区和政治投入上高度偏斜。把热搜当民意，等于把平台的可见性算法当成了抽样框。2018 年剑桥分析事件之后，Facebook 大幅收紧研究接口，此后多家平台跟进，许多“用平台数据做公共舆论”的设计在原理上无法复现。这不是某篇论文写得不规范，而是数据所有权决定了科学能问什么。见 社会网络分析。

偏差并不意味着数据不能用，而是要求研究者清楚界定推论范围，并尽量用调查、访谈、田野和行政资料互相校正。

与传统方法的结合#

计算社会科学最有价值的方向，是与传统社会学方法结合。访谈可以解释数字痕迹的意义，民族志可以观察平台如何进入日常劳动，调查可以校正样本偏差，实验可以测试机制，比较历史可以解释平台制度如何形成。

萨尔加尼克 2018 年的 Bit by Bit 把数字时代的社会研究收成四类：观察行为、提出问题、做实验、组织大规模协作。他区分现成数据和定制数据。平台日志是现成的，便宜、量大、被平台设计过；调查和实验是定制的，贵、慢、问题更贴理论。把现成数据当调查的替代品，是把别人的业务系统误认成自己的抽样框。见 调查研究 和 数字平台社会。

例如研究外卖骑手，平台数据可以显示订单、路线、时长和评分；民族志能看到等餐、抢单、交通风险和站点管理；访谈能解释骑手如何理解算法；统计模型能估计风险因素；政策文本分析能研究监管框架。单一数据源都不够。

跨域连接#

• 机器学习概览：预测与解释的目标冲突在此最尖锐——一个能高精度预测谁会辍学的模型，未必指出改变什么能减少辍学。把预测模型用于政策干预，等于假定相关是可干预的，而这一假定通常没有被检验，且失败时的代价由被预测者承担。
• 调查研究：数字痕迹数据常被当作调查的替代品，而两者的偏差结构不同而非更小：调查的问题是谁不回答，痕迹数据的问题是谁不在平台上以及平台记录了什么。把两者结合的价值正在于偏差来源不重合，而不在于其中一个更真实。
• 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——移动模式可推断健康状态与社会关系。这使"去标识化"不足以保护隐私：风险来自推断能力而非标识符，因而治理必须落在用途与访问控制上。
• 社会网络分析：平台数据使超大规模网络第一次可被观测，而它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。两者的差距随人群而变（不同年龄、阶层的平台使用差异极大），因而网络结构的结论会系统性地偏向重度用户。
• 可重复性危机与开放科学：这一领域的可重复性有一层额外困难——数据由平台控制、接口可随时关闭、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。

参考文献#

• Lazer, David et al. “Computational Social Science.” Science, 2009. DOI: 10.1126/science.1167742.
• 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.
• Watts, Duncan J. Everything Is Obvious: Once You Know the Answer. Crown Business, 2011.
• Kitchin, Rob. The Data Revolution. SAGE, 2014.
• Lazer, David, Kennedy, Ryan, King, Gary, and Vespignani, Alessandro. “The Parable of Google Flu: Traps in Big Data Analysis.” Science, 2014.
• Kramer, Adam D. I., Guillory, Jamie E., and Hancock, Jeffrey T. “Experimental evidence of massive-scale emotional contagion through social networks.” PNAS, 2014.
• Schelling, Thomas C. “Dynamic Models of Segregation.” Journal of Mathematical Sociology, 1971.
• Sweeney, Latanya. “Simple Demographics Often Identify People Uniquely.” Carnegie Mellon University, Data Privacy Working Paper 3, 2000.
• Tufekci, Zeynep. “Big Questions for Social Media Big Data: Representativeness, Validity and Other Methodological Pitfalls.” ICWSM, 2014.

延伸阅读#

• Lazer, David et al. “Computational Social Science: Obstacles and Opportunities.” Science, 2020.
• Edelmann, Achim et al. “Computational Social Science and Sociology.” Annual Review of Sociology, 2020.