作者系国家社科基金年度项目“人工智能技术与社会学方法的融合发展研究”负责人、广州大学公共管理学院教授
人工智能正在改变社会学认识社会、解释社会和生产知识的方式。它首先拓展了研究者可接触、可处理的经验材料边界，使更多社会事实进入学术观察范围；进而助力研究者解析行动者间的复杂互动，说明社会现象的生成机制；当智能工具进一步嵌入文献检索、资料分析和观点生成环节，知识生产的分工与责任也随之改变。由此，人工智能与社会学方法的融合沿着“拓展研究素材—解释社会过程—重塑知识生产”的脉络层层推进。
拓界观澜：人工智能拓展
社会学经验观察的新边界
社会学始终以经验材料为基础，人工智能首先拓展的正是资料获取的边界。问卷调查将复杂生活转化为可比较的变量，深度访谈呈现行动者的生活经验，田野调查置身具体情境、观察细微互动。这些方法严谨而有效，但也受到时间、样本和资料规模的限制。一次调查能够设置的问题有限，一项田野研究能够深入的场域也有限。研究者往往只能凭借有限材料把握社会的某个侧面。
人工智能使更多资料能够被整理、比较和分析。自然语言处理可以从大规模文本中识别议题、情感和语义联系，机器学习可以从众多变量中发现复杂模式，多模态技术则能处理图像、声音和视频。社会学的经验材料因此不再囿于问卷、访谈和观察笔记，还可以涵盖网络文本、影像资料、空间轨迹、平台记录和互动网络。资料形态的多元化使研究者能够从不同侧面观察同一社会现象。
更重要的变化，是社会现象得以被连续观察。传统调查往往呈现某个时点的态度和行为，人工智能则能帮助研究者追踪某一议题如何演变，群体情绪如何随时间波动，特定观念如何沿社会网络扩散。照片、录音和视频也不再只是文字记录的补充，而是可以按照时间、人物、场景和互动方式实现系统整理。研究者由此能够看到社会事实的变化过程，而不只是截取其中的静止片段。
人工智能还使分散和隐性的社会联系更容易被发现。现实生活中的许多关系并不直接呈现在正式制度和公开言论中，而是隐藏在日常交往、信息转发、空间流动和共同参与之中。通过分析这些数字痕迹，研究者可以观察群体如何形成、意见如何聚集、资源如何流动、边界如何划定。这并不意味着算法能够自动揭示社会结构，只是为研究者提供了新的观察入口。
随着资料范围扩大，资料质量问题反而愈加重要。数字痕迹并非社会生活的完整映射。某些群体更愿意在网络上表达，某些群体则可能长期沉默。平台规则会影响信息的呈现方式，平台商业逻辑也会影响数据的可见性。可见的数据未必代表全部社会事实，海量资料也未必具有同等价值。因此，研究者必须追问资料由谁产生、在什么情境中产生、哪些人被遗漏，以及数据经历了怎样的筛选和处理。
资料越多，越需要明确研究问题。数据本身不会自动构成社会事实，也不会自动说明什么值得研究。哪些资料可以作为证据，哪些关联具有社会学意义，仍取决于研究者的理论判断。人工智能扩大了观察范围，却不能代替研究者界定问题、辨别资料和解释意义。若无明确的问题意识，再强的计算能力也只能产生大量零散结果，难以形成有价值的社会认识。
唯有多种方法相互印证，才能把“可识别”的现象变成“可理解”的社会事实。问卷调查可以为网络资料提供总体参照，田野观察可以解释算法识别出的特殊现象，深度访谈可以揭示数据关系背后的生活逻辑，历史材料则能阐明现实变化的历史脉络。大规模计算必须回归具体情境，数字痕迹也必须与真实生活相互对照。人工智能让社会学看见更多，但看见只是第一步。掌握了更丰富的事实之后，研究还要继续追问：这些现象因何出现，又如何生成。
研机析理：人工智能揭示
社会事实生成的新机制
社会学解释的重点，在于揭示社会事实的生成过程。描述可以回答“发生了什么”，解释则要回答“为什么发生”和“如何形成”。社会学不仅关注群体之间有哪些差异，更追问差异从何而来；不仅考察一种观念是否流行，更要说明它如何传播和改变；不仅观察社会秩序的存在，更揭示个人行动如何汇聚成相对稳定的群体结构。如何从微观行动解释宏观结构，是社会学长期面对的核心问题。
社会过程来自行动者之间持续而具体的互动。个人的态度和选择嵌入家庭、组织、社区和社会网络之中，会受到他人行为、群体规范和制度环境的影响。与此同时，众多个人行动相互叠加，又会反过来重塑群体关系和社会环境。一种看似稳定的社会结果，往往不是由单一因素直接造成的，而是多种行动在特定条件下相互作用的结果。解释社会，必须深入这种互动过程。
人工智能可助力研究者从复杂关系中发现机制线索。机器学习可以识别变量之间的非线性关系，网络分析可以呈现群体之间的连接方式，文本分析可以追踪观念和情绪的变化。然而，算法发现的模式不等于社会学解释。两个现象经常同时出现，并不能据此断定二者存在因果关系。研究者仍需结合理论、制度背景和行动者经验，判断这种关系为何出现，又通过哪些环节发挥作用。
智能仿真为分析社会生成过程提供了新的工具。研究者可以依据调查资料、田野发现和理论假设，构建具有不同特征、记忆和行动规则的虚拟行动者。让这些行动者在预设环境中持续互动，就可以观察某种群体结构如何形成、稳定或演化。仿真的价值不在于复制一个与现实完全相同的社会，而在于把研究者关于社会机制的判断转化为可运行、可比较的模型。
仿真研究能够将抽象判断转化为清晰的条件比较。统计分析可以说明现实中呈现何种关系，田野研究可以揭示行动者如何理解自身处境，仿真研究则可进一步追问：当信息传播速度改变时，集体结果是否仍会出现？当群体边界变得开放或封闭时，互动过程会走向何处？当制度约束增强或减弱时，个人选择又会怎样调整？这些比较有助于说明，一个结果依赖哪些条件，哪些环节是推动变化的关键。
情境比较还能帮助社会学辨明一般机制与特殊条件。同一种社会现象可能在不同地区、群体和制度环境中呈现不同结果。人工智能可以拓展比较的范围、提升比较的速度，但研究者必须说明比较对象是否具有可比性。只有把共同机制与地方经验结合起来，才能避免把某一场景中的结论轻率地推广到所有社会。社会学解释既要探寻规律，也要尊重历史和情境的差异。
模型越强大，越需要划清解释边界。虚拟行动者不等同于现实中的人，模型亦无法替代现实社会。模型中的行动规则、知识范围、互动结构和环境条件，皆源自研究者的设定或已有资料。基础资料有偏差，模型就可能重复甚至放大偏差；行动规则过于简单，复杂选择便会被压缩成机械反应；模型过于复杂，又可能使关键假设难以辨识。因此，技术上的可运行不能直接等同于学理上的可成立。
稳健的解释需要在资料、模型和现实之间形成循环。调查数据可以提供基本参数，田野材料可以揭示真实行动逻辑，模型推演可以比较不同条件下的演化路径，新的经验资料则可用于检验和修正模型。定量研究刻画规模和分布，定性研究揭示行动者赋予生活的意义，仿真研究呈现社会过程可能展开的路径。三者相互衔接，社会学才能既看见宏观图景，也理解微观处境，既识别稳定关系，也说明社会秩序如何生成。
当人工智能从资料处理进一步进入模型建构和观点生成，方法问题便自然延伸为知识生产问题。研究者不仅要问机器能够提高多少效率，还要明确哪些判断必须由人作出、分析过程应如何接受检验，以及研究结论由谁负责。由此，人工智能对社会学的影响从“研究什么”“如何解释”，进一步触及“怎样生产知识”。
融智鼎新：人工智能构建
社会学人机协同的新格局
人工智能正在重塑社会学知识生产的全过程。智能工具可以参与文献检索、资料整理、代码生成、模型比较和初步写作，研究者则可将更多精力用于提出问题、选择理论和判断结果。这种变化并未削弱研究者的重要性，反而使研究者的主体责任更加集中。机器承担的操作性任务越多，研究者越要清楚自己作出了哪些选择，并对这些选择负责。
人机协同的前提，在于明确人与机器各自的擅长领域。人工智能擅长快速处理海量材料，识别重复模式，完成程序化任务。研究者则擅长理解社会情境，辨别概念差异，判断证据价值，并将经验发现置于理论脉络中。机器可以提供多个答案，却无法自行决定哪个问题最值得研究；可以生成多种解释，却不能独立判断哪种解释更符合事实和社会经验。
问题意识始终是社会学知识生产的逻辑起点。面对相同资料，不同研究者会提出不同问题，也会洞察不同的社会矛盾。一个好的问题往往源于对现实生活的长期观察，源于对普通人处境的敏感，也源于对既有理论局限的反思。人工智能可以帮助细化问题、补充线索，却不能替代研究者的社会学想象力。真正有价值的研究，重要之处不在于计算更快，而在于提出更值得回答的问题。
证据链条必须在智能研究中保持清晰可溯。研究者即使不亲自完成每个技术步骤，也要理解资料从何而来、变量如何形成、模型建立在什么假设上、结论的不确定性有多大。研究过程还应保留必要记录，使资料来源、清理规则、分析步骤和人工判断均可追溯。只有研究过程保持透明，其他研究者才能复核结论，学术共同体才能判断一项研究是否可靠。
人工智能不应成为模糊学术责任的借口。机器生成的文本可能存在事实错漏，模型输出的结果也可能带有训练资料中的偏见。研究者不能因内容由工具生成，就放弃核查和解释。凡是进入论文和研究报告的观点、数据与结论，都应经过研究者审慎核查。人工智能可以参与研究，却不能承担作者责任、伦理责任和公共责任。最终作出判断并对社会后果负责的，始终是研究者。
技术工具本身亦应成为社会学反思的对象。人工智能并非置身社会之外的中性力量。算法的设计目标、训练资料与应用场景，都受组织利益、制度规则和文化观念的影响。当算法被应用于招聘、教育、医疗、信贷和公共服务时，它可能重塑机会分配和群体关系。社会学不仅要运用人工智能研究社会，更要研究人工智能如何嵌入社会，并分析其中的权力结构和利益关系。
方法革新还要求社会学构建新的能力结构。研究者既需要理解基本的数据处理和模型原理，也要具备扎实的理论素养和田野能力。懂技术而缺少社会判断，容易把复杂生活简化为数据关系；重理论却不了解技术过程，又可能无法识别模型的局限。未来的社会研究更需要跨学科合作，但合作不能只是简单拼接。不同专业应围绕共同问题形成明确分工，并建立彼此理解的共同语言。
社会学的人文立场在智能时代更加重要。耐心、共情和理论敏感性，不会因为计算能力提高而失去意义。数据可以呈现行为，却未必能直接呈现人的犹豫、尊严和痛苦；模型可以推演行动选择，却难以替代人对具体处境的理解。人与人如何共同生活，社会秩序如何形成，时代变化如何进入普通人的日常经验，仍是社会学必须回应的问题。技术越进步，研究越需要保留对人的关怀。
从拓展研究素材，到解释社会过程，再到重塑知识生产，三者层层递进、前后相接。技术使社会学看得更广、分析得更快，也要求社会学理解得更深、判断得更慎。只有把计算能力置于经验事实的校准之中，把模型推演置于现实生活的检验之中，把技术效率置于研究者的主体责任之中，人工智能才会真正成为构建中国社会学自主知识体系的助推器。
