胡安寧 周森

內(nèi)容提要 如何利用生成式人工智能助力社會(huì)科學(xué)研究是近期社會(huì)科學(xué)研究者們共同關(guān)心的重要議題之一。在此背景下，從一般社會(huì)科學(xué)研究的實(shí)踐需求出發(fā)，通過(guò)具體的實(shí)例考察生成式人工智能在社會(huì)科學(xué)研究的理論、方法和研究偏誤三個(gè)方面的具體表現(xiàn)。生成式人工智能對(duì)于總結(jié)和復(fù)現(xiàn)現(xiàn)有資料具有很大的優(yōu)勢(shì)，以其強(qiáng)大算力來(lái)預(yù)處理海量在線資料，可以幫助研究者節(jié)省信息搜索的時(shí)間成本和精力成本。但是，生成式人工智能難以對(duì)既有理論進(jìn)行“閱讀”后的“理解”，同時(shí)亦不擅長(zhǎng)進(jìn)行方法層面的優(yōu)劣對(duì)比和新分析工具的開(kāi)發(fā)。此外，在生成內(nèi)容上也表現(xiàn)出明顯的偏見(jiàn)或者誤差。背靠人類(lèi)既有資料積累的生成式人工智能可謂站在巨人肩膀上，但由于其本身缺乏成熟的能動(dòng)創(chuàng)新能力，生成式人工智能在學(xué)術(shù)研究的意義上仍然是一位“初學(xué)者”。如何引導(dǎo)和培養(yǎng)這位“初學(xué)者”，是社會(huì)科學(xué)研究者需要思考和完成的任務(wù)。

關(guān)鍵詞 生成式人工智能 社會(huì)科學(xué)研究 偏差 代碼

胡安寧，復(fù)旦大學(xué)社會(huì)學(xué)系教授

周森，浙江師范大學(xué)教師教育學(xué)院講師

一、問(wèn)題的提出

2022年底ChatGPT以及2023年初GPT-4的出現(xiàn)，讓生成式人工智能（Generative AI）成為全社會(huì)關(guān)注的焦點(diǎn)[1]。作為一種通用式AI，生成式人工智能以驚人的算力學(xué)習(xí)數(shù)字世界的海量資料，生成具有高度可用性和似真性的文本、圖像、音頻、視頻、軟件代碼等內(nèi)容（AIGC，AI generated contents）。在此背景下，生成式人工智能與哲學(xué)社會(huì)科學(xué)研究之間的關(guān)系也日漸成為學(xué)界關(guān)注的重點(diǎn)。現(xiàn)有研究考察了生成式人工智能是否具有類(lèi)似于人類(lèi)的智能[1]，是否能夠成為社會(huì)科學(xué)研究的助力者乃至社會(huì)科學(xué)研究范式的改革者[2]等關(guān)鍵問(wèn)題。

本文在既有哲學(xué)層面和范式層面討論的基礎(chǔ)上，希望能夠基于社會(huì)科學(xué)研究實(shí)務(wù)的角度，通過(guò)一些具體的實(shí)例來(lái)反思生成式人工智能對(duì)于社會(huì)科學(xué)經(jīng)驗(yàn)研究的工具性意義。所謂工具性，其基于的標(biāo)準(zhǔn)是，生成式人工智能產(chǎn)出的內(nèi)容是否能夠“助力”經(jīng)驗(yàn)社會(huì)科學(xué)研究。因此，本文的討論不同于哲學(xué)思辨和范式考察，而是把生成式人工智能嵌入一般社會(huì)科學(xué)的研究過(guò)程之中，討論生成式人工智能所生成的內(nèi)容是否能夠突破現(xiàn)有研究限制以更好地滿(mǎn)足研究人員的現(xiàn)實(shí)需求。為此，本文從三個(gè)角度評(píng)估生成式人工智能對(duì)于社會(huì)科學(xué)研究實(shí)務(wù)的價(jià)值：理論、方法和研究偏誤。理論部分重在考察生成式人工智能是否可以幫助研究人員總結(jié)歸納現(xiàn)有文獻(xiàn)，并挖掘其中的理論空白點(diǎn)。方法部分重在展示生成式人工智能是否可以起到“助研”的功能，幫助甚至“替代”研究人員完成一些重復(fù)性的工作。研究偏誤分析則希望探究生成式人工智能產(chǎn)出的內(nèi)容相較于研究人員人工設(shè)計(jì)的同類(lèi)型內(nèi)容，是否更能夠克服潛在的偏誤。在這些分析的基礎(chǔ)上，本文進(jìn)一步從人工智能技術(shù)可能的發(fā)展與社會(huì)科學(xué)研究者人為引導(dǎo)兩個(gè)方面，討論生成式人工智能如何克服既有局限以發(fā)揮更大的潛能。

需要說(shuō)明的是，本文在經(jīng)驗(yàn)層面所作的工具性分析具有時(shí)效性。一方面，隨著生成式人工智能技術(shù)的進(jìn)一步發(fā)展以及社會(huì)科學(xué)研究者更有針對(duì)性的介入，下文所列舉和討論的各種不足可能隨著時(shí)間的推移得以克服。另一方面，社會(huì)科學(xué)的研究范式本身并非長(zhǎng)久不變。過(guò)去幾十年里，新的研究進(jìn)路和范式不斷涌現(xiàn)[3]，因此，判斷生成式人工智能的工具性功能達(dá)成與否的標(biāo)準(zhǔn)也在變化。鑒于此，本文討論的立足點(diǎn)仍然是當(dāng)下的技術(shù)發(fā)展水平和主流社會(huì)科學(xué)的研究路徑。

二、理論層面：總結(jié)而非論辯

社會(huì)科學(xué)經(jīng)驗(yàn)研究過(guò)程要求理論和經(jīng)驗(yàn)之間的有機(jī)結(jié)合。由于生成式人工智能的重要功能之一是對(duì)各種文本資料進(jìn)行總結(jié)并生成“新”的內(nèi)容，因此當(dāng)我們思考生成式人工智能和社會(huì)科學(xué)研究之間的關(guān)聯(lián)時(shí)，一個(gè)很直接的思路便是，社會(huì)科學(xué)研究者是否能夠利用生成式人工智能完成理論梳理方面的工作。換言之，當(dāng)一個(gè)社會(huì)科學(xué)研究者圍繞一個(gè)特定問(wèn)題進(jìn)行研究時(shí)，生成式人工智能可否幫助這位研究者更好地處理各種描述理論的文本信息[4]。

為了回答這一問(wèn)題，我們首先要厘清的是，在社會(huì)科學(xué)經(jīng)驗(yàn)研究中所謂的理論梳理需要具體做什么？簡(jiǎn)單而言，社會(huì)科學(xué)經(jīng)驗(yàn)研究中我們需要圍繞理論梳理做三點(diǎn)工作：其一，概念的辨析，即通過(guò)文獻(xiàn)梳理，明晰經(jīng)驗(yàn)研究中涉及的核心概念的具體意涵是什么。其二，理解概念之間的關(guān)系，即從理論文獻(xiàn)的角度，幫助研究者理解為什么兩個(gè)甚至多個(gè)概念之間存在某種實(shí)質(zhì)性的關(guān)聯(lián)，為什么這個(gè)關(guān)聯(lián)不是虛假的。其三，在前面兩點(diǎn)的基礎(chǔ)上挖掘理論的空白點(diǎn)，由此提出創(chuàng)新性的理論論辯，也就是所謂的理論創(chuàng)新。

基于這三點(diǎn)理論層面的任務(wù)，我們?yōu)榱撕饬可墒饺斯ぶ悄艿睦碚摴ぞ咝詢(xún)r(jià)值，設(shè)定三個(gè)詢(xún)問(wèn)任務(wù)：概念總結(jié)、概念關(guān)聯(lián)和理論空白點(diǎn)挖掘。具體而言，我們以社會(huì)學(xué)文化資本研究為例，利用OpenAI公司開(kāi)發(fā)的ChatGPT以及Google公司開(kāi)發(fā)的Bard這兩個(gè)具有代表性的生成式人工智能平臺(tái)，分別詢(xún)問(wèn)三個(gè)問(wèn)題：第一，【概念總結(jié)】What is cultural capital？第二，【概念關(guān)聯(lián)】How does cultural capital affect educational attainment？第三，【理論空白點(diǎn)挖掘】What are the research gaps in cultural capital studies？

由于篇幅所限，針對(duì)這些詢(xún)問(wèn)的詳細(xì)輸出結(jié)果不在文中直接展示，感興趣的讀者可以按照這里設(shè)置的提示詞進(jìn)行測(cè)試。通過(guò)上述提示詞的試驗(yàn)，我們發(fā)現(xiàn)，無(wú)論是ChatGPT還是Bard，對(duì)于文化資本概念的總結(jié)都非常全面，涉及文化資本的核心意涵和可能的分類(lèi)。Bard還呈現(xiàn)文化資本在形塑教育不平等過(guò)程中的角色?？梢哉f(shuō)，這些對(duì)于文化資本概念的總結(jié)是“教科書(shū)”似的，但是也有不足之處。例如，Bard生成的文本總結(jié)中對(duì)于文化資本類(lèi)別的討論使用了不同于布迪厄原初定義的三種類(lèi)別術(shù)語(yǔ)[1]，顯然，這對(duì)于社會(huì)科學(xué)經(jīng)驗(yàn)研究存在嚴(yán)重的誤導(dǎo)性。此外，這一概念總結(jié)的“文風(fēng)”偏向于維基百科，即重在向一般大眾進(jìn)行概念的介紹，幾乎沒(méi)有涉及文化資本概念的學(xué)術(shù)脈絡(luò)以及發(fā)展過(guò)程中不同學(xué)者對(duì)于這一概念內(nèi)涵的拓展。在此意義上，生成式人工智能形成的概念總結(jié)是“總括和介紹性”的。因此，這些生成的內(nèi)容可以用于一般性的入門(mén)教學(xué)，但并不能夠“直接”用于文化資本的“研究”。

在概念總結(jié)之后，我們轉(zhuǎn)向概念之間的關(guān)聯(lián)機(jī)制。關(guān)于文化資本如何影響個(gè)人的學(xué)業(yè)成就這一問(wèn)題，ChatGPT給出了很有啟發(fā)性的回答，內(nèi)容涉及學(xué)業(yè)準(zhǔn)備、與教育機(jī)構(gòu)的溝通、資源獲取、社會(huì)網(wǎng)絡(luò)等多個(gè)中介因素。雖然在論及這些中介因素的時(shí)候生成的內(nèi)容不是具體的研究，但是這些生成內(nèi)容對(duì)于一般社會(huì)科學(xué)研究者具有很強(qiáng)的啟發(fā)性。與之相比，Bard生成的內(nèi)容則顯得“顧左右而言他”，其雖然也討論了文化資本和學(xué)業(yè)成就之間的相關(guān)關(guān)系，但是仔細(xì)閱讀其生成的文本可以發(fā)現(xiàn)，有許多地方實(shí)際上并沒(méi)有直接回應(yīng)文化資本和教育成就之間的中間機(jī)制，而是在進(jìn)行文本的同義反復(fù)（重復(fù)陳述所提出的問(wèn)題，即二者“有”關(guān)系）；且論述過(guò)程多以舉例為主，缺乏ChatGPT生成內(nèi)容的系統(tǒng)性。

最后，我們?cè)谔崾驹~文本框中詢(xún)問(wèn)已有的文化資本研究可能存在的局限性，以探究理論的空白點(diǎn)。對(duì)于這一問(wèn)題，無(wú)論是ChatGPT還是Bard的回答都不是非常令人滿(mǎn)意。一個(gè)原因在于，兩者列舉的這些所謂尚未研究的議題實(shí)際上在現(xiàn)有研究中已經(jīng)有所涉及。例如，跨越教育領(lǐng)域的文化資本[2]、不同社會(huì)環(huán)境下文化資本的作用（非西方的語(yǔ)境下）[3]、文化資本的代際傳遞[4]等。之所以出現(xiàn)這種情況，一個(gè)可能的原因是，在訓(xùn)練生成式人工智能的時(shí)候，很多輸入資料會(huì)通過(guò)某些關(guān)鍵詞來(lái)論及文化資本研究的局限，這些關(guān)鍵詞進(jìn)而被生成式人工智能總結(jié)并提煉出來(lái)。但是，熟悉社會(huì)科學(xué)研究的學(xué)者們都知道，之所以要提及某一問(wèn)題的研究局限，恰恰是因?yàn)樘峒斑@些局限的文章或者專(zhuān)著本身就要填補(bǔ)這些空白。生成式人工智能并不能對(duì)這些填補(bǔ)空白的研究進(jìn)行梳理。換句話(huà)說(shuō)，這里呈現(xiàn)的所謂的研究空白點(diǎn)，是已有數(shù)據(jù)中學(xué)者們“提到”的空白點(diǎn)，并非在綜合現(xiàn)有研究的基礎(chǔ)上“提煉”出的真正的空白點(diǎn)，而學(xué)者們之所以提出這些空白點(diǎn)，恰恰是要填補(bǔ)這些空白點(diǎn)。這種“提到”而非“提煉”的資料呈現(xiàn)路徑，或許正是生成式人工智能的局限所在。

綜合上面的討論，我們可以發(fā)現(xiàn)，采用生成式人工智能技術(shù)對(duì)社會(huì)科學(xué)研究的理論問(wèn)題進(jìn)行梳理的突出特點(diǎn)在于“總結(jié)而非論辯”。所謂總結(jié)，是基于既有資料進(jìn)行一種內(nèi)容的簡(jiǎn)化和聚焦。缺乏論辯的意思是，對(duì)于既有文獻(xiàn)的背景以及不同研究之間的相互聯(lián)系缺乏足夠的把握。也就是說(shuō)，生成式人工智能對(duì)于理論尚不能做到意義的理解和互相勾連。從這個(gè)角度來(lái)說(shuō)，生成式人工智能產(chǎn)生的各種內(nèi)容至少對(duì)于社會(huì)科學(xué)研究不能起到一個(gè)很好的“助研”的作用，因?yàn)槠淙狈ι鐣?huì)科學(xué)研究所需要的理論深度和廣泛聯(lián)系。

三、方法層面：舊方法代碼呈現(xiàn)而非新方法創(chuàng)新

如果說(shuō)理論層面的總結(jié)和凝練不能達(dá)到社會(huì)科學(xué)研究所需要的精細(xì)度和創(chuàng)新度，那么具體到研究方法層面呢？我們?cè)诿鎸?duì)已經(jīng)構(gòu)建好的研究問(wèn)題時(shí)，是不是可以依賴(lài)生成式人工智能找到合適的方法并加以運(yùn)用呢？這方面具有典型意義的一個(gè)案例就是代碼撰寫(xiě)[1]。對(duì)于很多量化社科研究者而言，在具體研究中面對(duì)特定數(shù)據(jù)時(shí)，需要根據(jù)研究問(wèn)題通過(guò)特定的軟件平臺(tái)撰寫(xiě)代碼、進(jìn)行數(shù)據(jù)分析，并以此獲得具有理論價(jià)值的經(jīng)驗(yàn)結(jié)論。由于特定軟件平臺(tái)下的統(tǒng)計(jì)模型語(yǔ)句都是“固定”的，且存在大量的在線資料，那么完全可以在確知所使用的方法的前提下，通過(guò)生成式人工智能生成相關(guān)的代碼。這方面我們同樣通過(guò)具體的方法來(lái)測(cè)試ChatGPT（由于篇幅所限，相關(guān)的輸出結(jié)果不在文中呈現(xiàn)，感興趣的讀者可以自行按照本文設(shè)置的提示詞進(jìn)行測(cè)試）。

具體而言，我們?cè)O(shè)置的提示詞是在STATA軟件中撰寫(xiě)雙重差分（difference-in-difference）方法的代碼。相關(guān)的輸出結(jié)果可用性很強(qiáng)，甚至每一句代碼的具體解釋都被直接標(biāo)注出來(lái)。這一生成內(nèi)容對(duì)于需要學(xué)習(xí)雙重差分方法的學(xué)生而言非常友好。此外，我們還嘗試通過(guò)生成式人工智能來(lái)解釋特定的統(tǒng)計(jì)方法。例如，我們要求ChatGPT解釋什么是結(jié)構(gòu)嵌套均值模型（structural nested mean model）。相關(guān)輸出的內(nèi)容也比較全面，對(duì)于這一模型的功能和設(shè)定假設(shè)等都有總覽性的展示。同樣，對(duì)于這一高級(jí)方法的軟件實(shí)現(xiàn)也沒(méi)有問(wèn)題。例如，我們希望ChatGPT提供關(guān)于結(jié)構(gòu)嵌套模型的代碼，ChatGPT也很好地完成了這一工作。同上面的例子一樣，在代碼語(yǔ)句的每一行，生成的內(nèi)容都進(jìn)行了解釋性標(biāo)注。

通過(guò)上面的幾個(gè)實(shí)例，我們可以發(fā)現(xiàn)，生成式人工智能所產(chǎn)出的內(nèi)容對(duì)于從事量化研究的人員非常友好。圍繞特定的研究方法，生成式人工智能能夠提供比較準(zhǔn)確的方法解釋以及在不同軟件平臺(tái)的實(shí)現(xiàn)代碼。針對(duì)具體的研究問(wèn)題，研究人員完全可以對(duì)生成式人工智能提供的一般性代碼進(jìn)行個(gè)性化修改，以完成自身的研究任務(wù)。

但是，需要指出的是，和前面一節(jié)關(guān)于理論總結(jié)的局限性類(lèi)似，生成式人工智能撰寫(xiě)的代碼往往也遵循“拿來(lái)主義”的邏輯。實(shí)際上，如果我們不采用ChatGPT而是使用微軟Bing的生成式人工智能平臺(tái)，這些生成內(nèi)容的來(lái)源也會(huì)標(biāo)注出來(lái)。不出意外，很多代碼正是來(lái)源于網(wǎng)上的在線課程或者教程。在此意義上，生成式人工智能在研究方法上對(duì)我們幫助或許在于提供了更為高效的搜索結(jié)果。顯然，這并無(wú)法幫助我們進(jìn)一步修正和改進(jìn)既有的研究方法。為了說(shuō)明這一點(diǎn)，我們進(jìn)一步詢(xún)問(wèn)ChatGPT是否可以對(duì)結(jié)構(gòu)嵌套均值模型進(jìn)行提升和修正。返回結(jié)果就像上文詢(xún)問(wèn)理論空白點(diǎn)時(shí)一樣非常流于表面。雖然“貌似”指明了一些方法和革新的大方向，但是仍然缺乏足夠的深度，僅僅是泛泛而談。除了ChatGPT，我們還嘗試了Bing的生成式人工智能平臺(tái)，并在提示詞文本框中詢(xún)問(wèn)了同樣的問(wèn)題。結(jié)果發(fā)現(xiàn)，Bing的這一平臺(tái)自動(dòng)把問(wèn)題轉(zhuǎn)化為是否存在結(jié)構(gòu)嵌套均值模型的替代方法，其生成的內(nèi)容也直接表示并沒(méi)有特定的方法要優(yōu)于結(jié)構(gòu)嵌套均值模型。顯然，這并不是我們希望獲得的答案。從這個(gè)例子可以看出，生成式人工智能雖然可以幫助研究人員搜索并提供基本的代碼，但是對(duì)于方法本身的創(chuàng)新卻缺乏足夠的關(guān)照。

四、偏誤層面：答非所問(wèn)

由于生成式人工智能是在對(duì)大量既有資料訓(xùn)練的基礎(chǔ)上生成“新”的內(nèi)容，因此在現(xiàn)有對(duì)生成式人工智能的反思中，一個(gè)被反復(fù)提及的問(wèn)題是，一些存在于輸入資料中的偏見(jiàn)和誤差也可能會(huì)通過(guò)善于學(xué)習(xí)的人工智能轉(zhuǎn)移到其生成的內(nèi)容之中[1]。據(jù)此，我們?cè)谶@一部分的討論中通過(guò)具體的實(shí)例考察生成式人工智能的這種偏誤問(wèn)題。

進(jìn)一步地，我們對(duì)偏誤進(jìn)一步細(xì)化。所謂研究偏誤分為“偏”和“誤”兩個(gè)方面?！捌钡囊馑际牵墒饺斯ぶ悄墚a(chǎn)出的一系列資料和我們所希望獲取的資料之間存在一定的偏差。而“誤”的意思，則是指生成式人工智能產(chǎn)生的內(nèi)容和我們所希望獲取的內(nèi)容相左。從這個(gè)意義上講，“誤”是比“偏”更為嚴(yán)重的情形。

為了展示生成式人工智能潛在的研究偏誤，我們選取一個(gè)具體的社會(huì)科學(xué)研究議題：一般信任。作為社會(huì)資本的一個(gè)非常具有代表性的測(cè)量變量，一般信任指的是對(duì)社會(huì)上的一般成員的信任程度[2]?！耙话阈湃巍钡乃揭渤１挥脕?lái)衡量一個(gè)社會(huì)的團(tuán)結(jié)程度和道德水平。在經(jīng)驗(yàn)研究中，對(duì)“一般信任”通常采用的測(cè)量題器是對(duì)社會(huì)上大多數(shù)人的信任程度（中國(guó)綜合社會(huì)調(diào)查也采用這一測(cè)量）。這個(gè)測(cè)量題器非常簡(jiǎn)單直接，但是與之伴隨的一個(gè)潛在問(wèn)題在于，人們對(duì)于社會(huì)上大多數(shù)人究竟指代誰(shuí)可能有不同的理解。有的人偏向于指代那些社會(huì)上的陌生人，而有些人則偏向于指代身邊熟識(shí)的信任對(duì)象[3]。面對(duì)此種局限，學(xué)界也在試圖開(kāi)發(fā)新的測(cè)量方法。2022年，學(xué)者Robbins提出了Stranger Face Trust問(wèn)卷設(shè)計(jì)（陌生人面孔信任問(wèn)卷設(shè)計(jì)）[4]。在這樣一個(gè)問(wèn)卷設(shè)計(jì)中，研究者通過(guò)出示陌生人頭像的方式來(lái)展現(xiàn)一般社會(huì)成員，從而了解個(gè)體對(duì)于這些社會(huì)成員的信任度。例如，圖1的第一幅圖（第一行左一）便是Robbins文中所采用的陌生人面孔示例。

以陌生人的面孔來(lái)衡量個(gè)體對(duì)于社會(huì)成員的一般信任相較于文字的描述更加具體和直觀。但是眾所周知的是，即使是單純的圖片本身也包含了大量的信息或者認(rèn)知線索（cue），而這些信息可能會(huì)左右被研究對(duì)象對(duì)于這張陌生面孔的信任水平[1]。以Robbins使用的這張面孔為例，一個(gè)直觀的判斷會(huì)認(rèn)為這是一張黑人的面孔。那么，對(duì)于這個(gè)面孔的信任水平有可能摻雜個(gè)體對(duì)于黑人種族的固有偏見(jiàn)或者偏好。實(shí)際上，除了種族，人們從面孔中還能判斷出很多信息（例如社會(huì)階層地位等），這些都會(huì)成為影響信任水平的重要因素。

考慮到生成式人工智能在圖片生成方面的優(yōu)勢(shì)，我們是否可以通過(guò)生成式人工智能構(gòu)造更好的關(guān)于社會(huì)一般成員的圖示？換句話(huà)說(shuō)，生成式人工智能是否能夠通過(guò)凸顯信任對(duì)象的“社會(huì)”性來(lái)盡量削減上述的偏誤？為了回答這一問(wèn)題，我們使用了Bing平臺(tái)提供的基于DALL·E的圖片生成工具。這一生成式人工智能平臺(tái)非常便捷，只需要提供提示詞便可以生成相關(guān)的圖片。在我們的實(shí)驗(yàn)中，首先使用的提示詞是“陌生人”，產(chǎn)生的相關(guān)圖片如圖1所示。顯然，基于這個(gè)提示詞產(chǎn)生的這四個(gè)陌生人圖片具有很明顯的偏向：四幅面孔都是外國(guó)人且均為男性。鑒于這個(gè)局限，我們進(jìn)一步修改提示詞為“社會(huì)上的陌生人”。此時(shí)生成的圖片不再是單個(gè)的個(gè)體，而是一系列抽象的群像。這個(gè)圖片相較于前一個(gè)圖片更加能夠凸顯“社會(huì)”的要素。除了“社會(huì)上的陌生人”，我們也嘗試了另外一個(gè)提示詞“路上遇到的陌生人”。這一次生成式人工智能沒(méi)能達(dá)到我們的預(yù)期，因?yàn)槠渖傻膱D片更多地強(qiáng)調(diào)“路上遇到”，且這些圖片給人的印象不是“陌生人”，而是熟人相遇。那么，這個(gè)圖片并無(wú)法幫助我們探索一般信任的問(wèn)題。如果把提示詞設(shè)置為“社會(huì)上不熟悉的人”，此時(shí)生成的圖片和提示詞為“社會(huì)上的陌生人”時(shí)生成的圖片非常相似，說(shuō)明其并不關(guān)注特定的個(gè)體，而是提供了一個(gè)群像的描述。與這一提示詞相似，我們也嘗試了英文的“generalized others”，但是基于這一提示詞生成的圖片與我們理論預(yù)設(shè)的社會(huì)一般成員相差甚遠(yuǎn)，其中有些圖片甚至無(wú)法辨識(shí)出是社會(huì)成員還是一般的抽象畫(huà)作。

在嘗試了上述各種提示詞之后，我們發(fā)現(xiàn)，對(duì)于研究“一般信任”的學(xué)者而言，似乎只有“社會(huì)上的陌生人”和“社會(huì)上的不熟悉的人”兩個(gè)提示詞下生成的圖片可以使用，但是這些圖片更多的是一種集體群像，難以聚集于特定的社會(huì)上“一般成員”身上。

那么，如果嘗試一下具有中國(guó)本土特色的提示詞，會(huì)不會(huì)可以更加滿(mǎn)足我們的需求呢？首先，我們使用了提示詞“路人甲”。這是一個(gè)在中國(guó)社會(huì)語(yǔ)境下用于指涉陌生人的常用詞。按照這個(gè)提示詞，我們獲取的生成圖片仍然存在“陌生人”提示詞下顯現(xiàn)的偏差，即圖片描述的均為外國(guó)人。此外，這些圖片都強(qiáng)調(diào)“在路上行走”的特點(diǎn)，而不是我們所謂的“路人”的意義。為了生成具有本土特色的圖片，我們?cè)谶@個(gè)提示詞之后增加了“中國(guó)”的標(biāo)識(shí)，這一次所生成的圖片確實(shí)具有本國(guó)特色，但是其中兩個(gè)圖片均為老人。那么，是否能夠不呈現(xiàn)具體的面孔，而只把輪廓展現(xiàn)出來(lái)呢？為了做到這一點(diǎn)，繼續(xù)增加提示詞“輪廓照”。生成式人工智能生成的圖片呈現(xiàn)了群像的屬性，但是無(wú)一例外都凸顯“路上行走”的人。顯然，生成式人工智能所理解的“路人”更加偏向于其字面意思“路上的人”，而無(wú)法表現(xiàn)我們使用“路人甲”的時(shí)候所希望強(qiáng)調(diào)的人際陌生感。

除了“路人甲”，我們也嘗試了其他中國(guó)語(yǔ)境下比較普遍的表示社會(huì)一般成員的詞語(yǔ)，但是生成的結(jié)果并不能夠很好地服務(wù)于“一般信任”研究。例如，如果使用“蕓蕓眾生，中國(guó)，輪廓照”作為提示詞，生成的圖片為一系列的風(fēng)景照，與所謂的社會(huì)成員沒(méi)有任何關(guān)系。采用“普羅大眾”作為提示詞，生成式人工智能提供的圖片主要偏向于“人多”這一特點(diǎn)，卻沒(méi)有呈現(xiàn)出我們?cè)谑褂谩捌樟_大眾”一詞的時(shí)候所希望強(qiáng)調(diào)的社會(huì)性大眾。即使在后面增加提示詞“中國(guó)”也并不能解決這個(gè)問(wèn)題。例如，與以“普羅大眾，中國(guó)”作為提示詞所生成的圖片更契合的詞語(yǔ)或許是“人山人海”。

綜合上面的各種嘗試，我們可以發(fā)現(xiàn)，對(duì)“一般信任”的研究希望可以獲得一種大家看上去就想到社會(huì)一般成員的人像圖片，但是通過(guò)輸入不同的提示詞所生成的大多數(shù)圖片因?yàn)榇嬖诟鞣N偏誤而難以很好地滿(mǎn)足這一需求。在個(gè)別情況下甚至出現(xiàn)了南轅北轍或者不知所云的情況。生成式人工智能生成的圖片之所以出現(xiàn)這種局限，或許因?yàn)檫@樣一種悖論：一方面我們希望通過(guò)圖片來(lái)反映某種現(xiàn)實(shí)意義，因此為了產(chǎn)生這種圖片，需要在提示詞文本框中非常明確地把這種意義詳細(xì)描述出來(lái)。但是，另一方面如果我們可以做到這種意義的“完美”描述，完全可以直接采用語(yǔ)言的形式和被研究對(duì)象進(jìn)行溝通，也就沒(méi)有必要去生成圖片來(lái)輔助研究了。

五、克服局限性：技術(shù)進(jìn)步與人工引導(dǎo)

通過(guò)對(duì)生成式人工智能的各種“測(cè)試”，我們發(fā)現(xiàn)，對(duì)于社會(huì)科學(xué)研究，生成式人工智能在現(xiàn)有的技術(shù)能力下尚有不少局限，為了克服這些局限，至少需要在以下兩個(gè)方向努力：技術(shù)進(jìn)步和人工引導(dǎo)。

生成式人工智能的技術(shù)進(jìn)步既涉及數(shù)據(jù)品質(zhì)的提升也關(guān)系算法的優(yōu)化。所謂數(shù)據(jù)品質(zhì)，是指為了克服潛在的偏誤，需要納入更加“全面”而并不必然“更多”的資料。換言之，在訓(xùn)練生成式人工智能的時(shí)候，除了“投喂”大量數(shù)據(jù)，未來(lái)更需要考慮資料的“全面性”，以更為“逼真”且貼合現(xiàn)實(shí)的，對(duì)社會(huì)成員來(lái)說(shuō)更具代表性的初始信息來(lái)達(dá)成對(duì)社會(huì)多樣化現(xiàn)實(shí)的反映。此外，各種造成潛在偏誤的“誤解”或者“歧視”本身也可以作為一個(gè)單獨(dú)的數(shù)據(jù)維度納入算法，以對(duì)輸出結(jié)果進(jìn)行修正。實(shí)際上，以人工智能技術(shù)來(lái)“修正”研究過(guò)程的偏誤對(duì)于社會(huì)科學(xué)研究而言并不罕見(jiàn)，其在克服人類(lèi)注意力持續(xù)時(shí)間有限、反應(yīng)偏差或習(xí)慣化方面表現(xiàn)得尤為突出，從而可以提供偏見(jiàn)較少的資料。此外，人工智能技術(shù)也有助于克服模型偏差和樣本選擇偏差問(wèn)題[1]。這些既有的經(jīng)驗(yàn)對(duì)于生成式人工智能技術(shù)可資借鑒。在算法提升方面，生成式人工智能技術(shù)需要將著力點(diǎn)放在探索理論與方法的增長(zhǎng)點(diǎn)，而不僅僅是表面化的復(fù)現(xiàn)。這方面或許可以讓算法在“做中學(xué)”，通過(guò)具體的研究過(guò)程來(lái)摸索社會(huì)科學(xué)的進(jìn)路。此外，為了杜絕算法設(shè)計(jì)過(guò)程中的人為偏誤（例如，引用含有某些人類(lèi)注釋者偏見(jiàn)的數(shù)據(jù)集或者無(wú)法捕獲少數(shù)群體的相關(guān)特征等），算法設(shè)計(jì)者需要對(duì)研究設(shè)計(jì)過(guò)程保持一種反思性。

除了自身的技術(shù)進(jìn)步，生成式人工智能應(yīng)用于社會(huì)科學(xué)研究不可或缺的是人為的引導(dǎo)和“培育”。在這方面，一個(gè)很重要的努力方向是把生成式人工智能放入社會(huì)科學(xué)研究范式之中，讓人工智能做“社會(huì)科學(xué)”的事而不是日常生活中的事。例如，研究人員可以結(jié)合各自的專(zhuān)業(yè)知識(shí)，使用生成式人工智能來(lái)模擬參與者特征，生成假設(shè)并在人群中進(jìn)行驗(yàn)證[1]。此外，生成式人工智能的“黑匣子”性質(zhì)阻礙了研究人員對(duì)其進(jìn)行評(píng)估，也削弱了科研復(fù)制發(fā)現(xiàn)的能力。鑒于此，我們要倡導(dǎo)社會(huì)科學(xué)研究中使用的生成式人工智能像所有科學(xué)模型一樣，以開(kāi)源的形式展現(xiàn)。這意味著它們的算法和理想的數(shù)據(jù)可供所有人審查、測(cè)試和修改。只有保持透明度和可復(fù)制性，才能確保人工智能輔助的社會(huì)科學(xué)研究真正有助于我們理解人類(lèi)經(jīng)驗(yàn)。在對(duì)生成式人工智能進(jìn)行人工引導(dǎo)的過(guò)程中，作為引導(dǎo)者的研究人員還需要恪守研究倫理，例如，如果研究者只尋求與他們預(yù)設(shè)的結(jié)論相一致的支持信息，這在無(wú)意中會(huì)進(jìn)一步助長(zhǎng)偏見(jiàn)。因此，當(dāng)務(wù)之急是提升用于訓(xùn)練模型的數(shù)據(jù)的表征公平性。這種公平性只能通過(guò)透明度——也即披露有關(guān)人工智能模型訓(xùn)練數(shù)據(jù)的信息——來(lái)實(shí)現(xiàn)。但是，到目前為止，所有商業(yè)模式的此類(lèi)信息都是一個(gè)謎[2]。關(guān)于這一點(diǎn)，我們還需要警惕陷入“聰明反被聰明誤，努力反被努力誤，公正反被公正誤”的窘境。這是因?yàn)樯鐣?huì)科學(xué)的研究目標(biāo)正是研究特定群體的特定社會(huì)文化偏見(jiàn)，模擬具體人群的具體行為并追溯其文化演變。出于公正的要求，現(xiàn)在的倫理約束要求工程師保護(hù)人工智能免受這些偏見(jiàn)的影響。這反而讓人工智能技術(shù)進(jìn)入一種“平庸”的客觀和全面，沒(méi)有尊重我們苦苦尋覓的、客觀存在的“偏見(jiàn)”，遠(yuǎn)離了充滿(mǎn)偏見(jiàn)的真實(shí)世界，這種減輕訓(xùn)練偏見(jiàn)的努力又反過(guò)來(lái)破壞AI輔助社會(huì)科學(xué)研究的有效性[3]。最后，對(duì)生成式人工智能的人工引導(dǎo)還需要考慮外部有效性和內(nèi)部有效性之間的權(quán)衡。生成式人工智能技術(shù)在不同的文化內(nèi)容上進(jìn)行訓(xùn)練，通過(guò)模擬類(lèi)似人類(lèi)的反應(yīng)和泛化到現(xiàn)實(shí)世界的場(chǎng)景來(lái)提供更大的外部有效性。然而，它們的不透明性將限制其內(nèi)部有效性；相反，建立在較小的受控?cái)?shù)據(jù)集上的研究可以提供更強(qiáng)的內(nèi)部有效性，但代價(jià)是可靠性和泛化性降低，因?yàn)橛邢薜挠?xùn)練數(shù)據(jù)可能會(huì)阻礙它們?cè)诓煌h(huán)境中一致和廣泛的執(zhí)行能力。因此，研究人員應(yīng)根據(jù)自己的優(yōu)先事項(xiàng)在這些方法之間仔細(xì)選擇。

六、結(jié)語(yǔ)：站在巨人肩膀上的初學(xué)者

生成式人工智能技術(shù)方興未艾，如何利用新興技術(shù)助力社會(huì)科學(xué)研究成為過(guò)去一段時(shí)間以來(lái)社會(huì)科學(xué)研究者們關(guān)心的重要議題。本文在此背景下，從一般社會(huì)科學(xué)研究的實(shí)踐需求出發(fā)，通過(guò)具體的實(shí)例考察了生成式人工智能在理論、方法和研究偏誤三個(gè)方面的具體表現(xiàn)。綜合上述的分析，筆者認(rèn)為，生成式人工智能在總結(jié)和復(fù)現(xiàn)現(xiàn)有海量資料方面具有很大的優(yōu)勢(shì)。以大算力來(lái)預(yù)處理這些海量資料，本質(zhì)上可以幫助研究者節(jié)省信息搜索的時(shí)間成本和精力成本。尤其是面對(duì)不熟悉的研究議題或者研究方法的時(shí)候，生成式人工智能確實(shí)可以起到很好的教育與“科普”功能，從而讓一線研究人員迅速掌握特定概念的核心意義。在這個(gè)意義上，生成式人工智能真正站在了巨人的肩膀上，它提供給研究者的是前人研究的一種凝練。可以預(yù)見(jiàn)的是，生成式人工智能將進(jìn)一步推動(dòng)量化研究發(fā)展，推動(dòng)社會(huì)科學(xué)中測(cè)量范式的轉(zhuǎn)變，并用統(tǒng)計(jì)學(xué)意義上的相關(guān)性取代深層的邏輯因果關(guān)系，創(chuàng)生出一種新型的數(shù)據(jù)認(rèn)識(shí)論。

但是，生成式人工智能對(duì)于社會(huì)科學(xué)研究者的這種輔助性作用更多地集中于“信息性”輔助，而不是“創(chuàng)新性”輔助。理論層面上，生成式人工智能難以對(duì)既有理論進(jìn)行“閱讀”后的“理解”，而是偏向于一種“機(jī)械性”的復(fù)述。因此，生成式人工智能進(jìn)行的文獻(xiàn)梳理并非傳統(tǒng)意義上的文獻(xiàn)梳理，也不是社會(huì)科學(xué)研究者想要的文獻(xiàn)梳理。從這一點(diǎn)延展來(lái)看，在某些情況下，生成式人工智能會(huì)具有“欺騙性”。例如，嫻熟地運(yùn)用十分專(zhuān)業(yè)的各種學(xué)術(shù)術(shù)語(yǔ)和嚴(yán)密的邏輯論證，讓錯(cuò)誤的結(jié)論難以被發(fā)覺(jué)和識(shí)別，表現(xiàn)得權(quán)威性十足。隨著技術(shù)的發(fā)展和資料庫(kù)的豐富，未來(lái)的生成式人工智能能夠給出遠(yuǎn)超個(gè)體研究者自己可以獲得的更全面、豐富的例證，并以計(jì)算理性展現(xiàn)強(qiáng)大、堅(jiān)實(shí)的表面邏輯，以無(wú)可辯駁的“科學(xué)權(quán)威”的姿態(tài)籠罩人類(lèi)的智識(shí)世界。鑒于算法的復(fù)雜性，即使是最有經(jīng)驗(yàn)的人也無(wú)法識(shí)別所有錯(cuò)誤。理解和追溯決策能力的不足為充分地應(yīng)用生成式人工智能埋下了重大隱患，也消解了我們對(duì)生成式人工智能的部分信任。為此，我們不得不謹(jǐn)慎地采用生成式人工智能算法，并努力完善問(wèn)責(zé)制和提升透明度。

方法層面上，對(duì)于特定方法，生成式人工智能足以提供相關(guān)的背景知識(shí)和實(shí)現(xiàn)代碼，甚至可對(duì)代碼進(jìn)行逐行解釋?zhuān)瞧鋮s不擅長(zhǎng)進(jìn)行方法層面的優(yōu)劣對(duì)比，故而并不能夠直接幫助研究者開(kāi)發(fā)新的分析技術(shù)。除了拙于創(chuàng)新，生成式人工智能依然保留了一些固有的偏誤。例如，其所生成的內(nèi)容默認(rèn)以西方社會(huì)為藍(lán)本，缺少中國(guó)本土特征；而對(duì)于文字提示詞的理解也偏于字面意義，無(wú)法探究提示詞背后的“深意”，從而帶來(lái)某種對(duì)提示詞的誤讀。從這個(gè)意義上來(lái)講，生成式人工智能可以說(shuō)是盲目的，它并不能夠“讀懂”和“體會(huì)”其所處理的資料，且在和研究人員通過(guò)提示詞進(jìn)行互動(dòng)的時(shí)候，也不能真正成為一個(gè)可以與之“對(duì)話(huà)”的“助手”。在這方面，萊布尼茨最先洞察了邏輯（理性）真理與事實(shí)（意義）真理之間的分野，后來(lái)的維特根斯坦和卡爾納普都對(duì)此進(jìn)行了深度的闡述。我們的研究表明：當(dāng)下的生成式人工智能的閱讀能力還停留在字面閱讀層面，能夠便捷地領(lǐng)會(huì)邏輯理性方面的道理，但是對(duì)于人們?cè)陂L(zhǎng)期的文化傳統(tǒng)和共同的社會(huì)生活中發(fā)展出的特殊的、難以言傳的“意義”，領(lǐng)會(huì)不夠，表現(xiàn)出對(duì)“語(yǔ)境”的遲鈍。在本文第四部分關(guān)于圖片的生成中，生成式人工智能顯然只能照顧到明確的“字面”指令，沒(méi)有能反映言語(yǔ)之外的、隱含的現(xiàn)實(shí)意義和文化語(yǔ)境中的要求。因此，雖然生成式人工智能對(duì)于海量數(shù)據(jù)的預(yù)處理造就了其站在巨人肩膀上的優(yōu)勢(shì)，但是由于其本身缺乏理解能力，因此更像是一個(gè)學(xué)術(shù)研究層面的“初學(xué)者”。如何引導(dǎo)這位“初學(xué)者”發(fā)揮出生成式人工智能站在巨人肩膀上的優(yōu)勢(shì)，則是社會(huì)科學(xué)研究者的任務(wù)了。

正如柏拉圖洞穴寓言中的囚犯觀察墻上的陰影并相信它們代表了現(xiàn)實(shí)一樣，生成式人工智能主要還是依賴(lài)文化產(chǎn)品中描述的人類(lèi)經(jīng)驗(yàn)的“陰影”。這些陰影對(duì)它們所代表的現(xiàn)象的真實(shí)本質(zhì)提供了有限的視角，因?yàn)樵谛涡紊母黝?lèi)文化產(chǎn)品中捕捉到的結(jié)論并不總是反映支配人類(lèi)行為的真實(shí)機(jī)制——這是社會(huì)科學(xué)家必須承認(rèn)的局限性。究其根本，人工智能既不是我們的敵人也不是我們的救世主，它只是一種工具，其價(jià)值取決于我們?nèi)绾问褂盟?。它可以豐富我們的集體智慧，但也會(huì)助長(zhǎng)人類(lèi)的愚蠢。只有在有效利用人工智能的潛力和管理它給我們帶來(lái)的具體挑戰(zhàn)之間取得平衡，人工智能才可以以一種負(fù)責(zé)任的、合乎道德的方式融入社會(huì)科學(xué)研究，并造福人類(lèi)。

〔責(zé)任編輯：玉水〕

本文為國(guó)家社會(huì)科學(xué)基金項(xiàng)目“社會(huì)團(tuán)結(jié)的文化基礎(chǔ)研究”（22VRC140）的階段性成果。感謝康奈爾大學(xué)社會(huì)學(xué)系博士研究生周志鵬為本文提供的分析資料支持。

[1]丁磊：《生成式人工智能：AIGC的邏輯與應(yīng)用》，中信出版社2023年版，第41頁(yè)；張彥坤、王雪梅、汪衛(wèi)國(guó)：《生成式人工智能對(duì)經(jīng)濟(jì)社會(huì)的影響》，《通信世界》2023年第16期。

[1]徐英瑾：《胡塞爾的意向性理論與人工智能關(guān)系芻議》，《上海師范大學(xué)學(xué)報(bào)（哲學(xué)社會(huì)科學(xué)版）》2018年第5期；趙汀陽(yáng)：《替人工智能著想》，《哲學(xué)動(dòng)態(tài)》2023年第7期。

[2]唐興華：《生成式人工智能的“危”與“機(jī)”》，《中國(guó)社會(huì)科學(xué)報(bào)》2023年8月21日；藍(lán)江：《生成式人工智能與人文社會(huì)科學(xué)的歷史使命——從ChatGPT智能革命談起》，《思想理論教育》2023年第4期；C. A. Bail， "Can Generative AI Improve Social Science？"， https：//osf.io/preprints/socarxiv/rwtzs；C. S. Walker， R. V. Noorden， "The Promise and Peril of Generative AI"， Nature， 2023， 614（1）， pp.214-216。

[3]例如，在傳統(tǒng)的演繹和歸納邏輯之外，溯因推論得到越來(lái)越多的重視，具體參見(jiàn)S. Timmermans， I. Tavory，"Theory Construction in Qualitative Research： From Grounded Theory to Abductive Analysis"， Sociological Theory， 2012， 30（3）， pp.167-86。在既有研究中，人工智能技術(shù)常被認(rèn)為與歸納邏輯相一致，具體參見(jiàn)陳茁、陳云松：《計(jì)算扎根：定量研究的理論生產(chǎn)方法》，《社會(huì)學(xué)研究》2023年第4期。

[4]生成式人工智能在科學(xué)研究中的運(yùn)用并非一帆風(fēng)順，一些實(shí)例表明，目前的生成式人工智能所產(chǎn)出的內(nèi)容并不能夠滿(mǎn)足科研的需求，甚至?xí)砸环N貌似客觀的方式傳遞錯(cuò)誤的信息。相關(guān)的討論可以參見(jiàn)C. A. Bail， "Can Generative AI Improve Social Science？"， 2023年12月8日，https：//osf.io/preprints/socarxiv/rwtzs。與之相關(guān)的一個(gè)現(xiàn)實(shí)案例為面向科研的生成式人工智能Galactica的下架。智能系統(tǒng)研究者麥克·布萊克（Michael Black）曾經(jīng)使用Galactica處理學(xué)術(shù)問(wèn)題，他發(fā)現(xiàn)，結(jié)果是錯(cuò)誤且有偏的，但聽(tīng)起來(lái)正確且具有權(quán)威性（It was wrong or biased but sounded right and authoritative），具體參見(jiàn)https：//twitter.com/Michael_J_Black/status/1593133722316189696，2023年12月8日。

[1]正確的表述分別是embodied、objectified和institutionalized文化資本。

[2]A. Thomas， "Cultural Capital in Health Promotion"， in D. V. McQueen， I. Kickbusch， L. Potvin， et al， Health and Modernity： The Role of Theory in Health Promotion， New York： Springer， 2007.

[3]B. Soo-yong， E. Schofer， K. Kim， "Revisiting the Role of Cultural Capital in East Asian Educational Systems： The Case of South Korea"， Sociology of Education， 2012， 85 （3）： pp.219-239.

[4]G. Kraaykamp， K. V. Eijck， "The Intergenerational Reproduction of Cultural Capital： A Threefold Perspective"， Social Forces， 2010， 89（1）， pp.209-231.

[1]S. N. M. Shafiq， Y. M. Shakor， "Use ChatGPT to Solve Programming Bugs"， International Journal of Information Technology& Computer Engineering， 2023， 3（1）， pp.17-22； B. Som， "Role of ChatGPT in Computer Programming"， Mesopotamian Journal of Computer Science， 2023， pp.8-16.

[1]丁磊：《生成式人工智能：AIGC的邏輯與應(yīng)用》，中信出版社2023年版，第235—246頁(yè)；C. A. Bail， "Can Generative AI Improve Social Science？"，2023年12月9日，https：//osf.io/preprints/socarxiv/rwtzs。

[2]胡安寧、周怡：《再議儒家文化對(duì)一般信任的負(fù)效應(yīng)——一項(xiàng)基于2007年中國(guó)居民調(diào)查資料的考察》，《社會(huì)學(xué)研究》2013年第2期。

[3]T. Reeskens， M. Hooghe， "Cross-Cultural Measurement Equivalence of Generalized Trust： Evidence from the European Social Survey （2002 and 2004）"， Social Indicators Research， 2008， 85， pp.515-532.

[4]B. G. Robbins， "Measuring Generalized Trust： Two New Approaches"， Sociological Methods & Research， 2022， 51（1）， pp.305-356.

[1]A. Todorov， Face Value： The Irresistible Influence of First Impressions， Boston： Princeton University Press， 2017.

[1]G. Igor， M. Feinberg， D. C. Parker， et al， "AI and the Transformation of Social Science Research"， Science， 2023， 380（6650）， pp.1108-1109.

[1]P. J. Sung， J. OBrien， C. J. Cai， et al， "Generative Agents： Interactive Simulacra of Human Behavior"， Proceedings of the 36th Annual ACM Symposium on User Interface Software and Technology， 2023， pp.1-22.

[2]G. Igor， "Beyond the Hype： How AI Could Change the Game for Social Science Research"， 2023年12月8日，https：// theconversation.com/beyond-the-hype-how-ai-could-change-the-game-for-social-science-research-208086#：～：text=AI% 20could%20act%20as%20a，as%20actors%20in%20social%20experiments.

[3]L. Weidinger， J. Uesato， M. Rauh， et al， "Taxonomy of Risks Posed by Language Models"， Proceedings of the 2022 ACM Conference on Fairness， Accountability， and Transparency， Association for Computing Machinery， New York， NY， USA， 214-229.