（来源：新华日报）
□ 吴新星 王紫璇
人工智能技术的发展和应用，不仅改变了社会事实的记录、存储和呈现方式，也为哲学社会科学研究提供了处理复杂经验材料、识别深层社会关联和开展系统性实验的新工具与新路径。在人工智能技术深刻重塑哲学社会科学知识生产方式的背景下，高校应积极拥抱人工智能技术机遇，推动人工智能与哲学社会科学研究的价值理念、研究范式与方法深度耦合，有组织地构建与人工智能时代相适应的哲学社会科学科研创新体系。
人工智能推动哲学社会科学知识生产方式变革
人工智能推动哲学社会科学研究对象向可计算方向拓展。传统哲学社会科学的量化研究主要依靠抽样问卷、结构化统计数据，数据规模有限。人工智能通过自然语言处理、网络挖掘、大数据建模等手段，实现研究对象数据的全覆盖，将文本话语、社会行动、关系网络等转化为可计算数据，进而实现研究对象的可计算化。以数字人文研究为例，借助自然语言处理、大模型文本解析等研究技术，将古籍、档案、书信等海量非结构化文献进行批量分词、实体识别、主体抽取，实现大规模文献集的整体性考察，将以往依赖感悟、考据的人文问题转化为可统计、可验证的计算问题，通过史料中人物、事件、地点、图册等要素的关联分析，构建历史知识网络。
人工智能可实现复杂社会信息的清晰化、可视化。社会现象变量众多、关系复杂、时空交织，人工智能通过自然语言处理、网络分析等手段，完成社会数据的信息清洗、聚类、关联挖掘，从海量的文本、行为数据中提炼主题、逻辑与趋势，实现复杂社会数据的清晰化。在数据分析基础上，依托知识图谱、热力图、社会网络图等技术，将抽象的社会网络、民意演化、政策注意力变化转化为图像化的表达，实现了哲学社会科学研究的可视化。
人工智能推动哲学社会科学实验研究范式创新。传统哲学社会科学研究实验多以田野实验、实验室行为实验为主，依赖小样本被试、人工干预和观测记录开展研究，实验多为简化后的模拟环境。依托大数据、仿真模拟、大模型等技术搭建大规模虚拟实验环境，可以开展大样本被试仿真实验，批量模拟多主体交互行为，对政策干预、群体舆论演化等开展多轮重复推演，这为哲学社会科学研究带来了新的实验范式。
人工智能推动哲学社会科学研究范式变革的具体进路
推动研究数据由有限抽样转向全量多维实证研究。依托大数据挖掘、智能抓取与非结构化数据处理技术，研究实现从“有限经验归纳”向“全量数据实证”的转型，系统整合社交媒体数据、政务行为数据、空间影像、舆情视频等多模态非结构化社会数据，开展系统性的研究。如苏州大学未来媒体与国际传播力建设大数据实验室构建了覆盖全球主流媒体和社交平台的多语种实时监测系统，为公共舆论的规模化分析提供了数据基础。
推动研究方法由事后归纳阐释转向仿真预测推演。传统哲学社会科学研究以定性思辨、案例归纳、基于有限样本的实证分析为主要方法，侧重于对社会现象的归因和机制分析。人工智能依托机器学习、数字仿真、多智能体模拟技术，可构建“实证分析+动态推演+精准预测”的新型研究方法，在提升研究结论客观性的同时也强化了研究服务政策决策的功能。如清华大学科研团队研发的AgentSociety平台，基于社会、经济与城市复杂系统模拟技术，集成多元社会数据和研究工具，生成千万级虚拟智能体，高保真模拟人类动态行为和复杂社会经济现象。
推动研究主体由“单兵作业”转向人机协同生产。在工具增强型协作中，人工智能主要承担文献检索、资料整理、数据处理和文本分析等任务，研究问题提出、理论判断和结果解释仍主要由研究者完成。在模拟与实验型协作中，人工智能可以模拟实验环境参与研究，通过生成不同主体反应或模拟社会互动，为假设检验和政策实验提供新的研究条件。在知识共创型协作中，人工智能开始进入问题发现、假设生成和知识解释等创造性环节，能够基于文献和数据提出新的研究设想，并通过多智能体协作不断比较、修正和优化研究方案。由此，人机关系逐渐由“研究者提出任务—机器执行任务”的单向辅助模式，转向研究者与智能系统反复交互、共同推进知识发现的协同模式。
推动学科体系由学科分立转向交叉融合。学科是知识积累、分化、整合的结果，成为教学、科研的组织方式和资源配置依据，但在研究复杂社会问题时日益呈现出碎片化的弊端。人工智能技术的应用为基于问题的整体性交叉研究提供了可能。人工智能以通用计算逻辑和智能分析框架，重构哲学社会科学知识体系，推动研究的交叉融合、整体赋能。如南京大学中华文明数智创新实验室持续整合多学科力量，在数字人文、数智史学、文化遗产智能化、文献智能处理与智能艺术等方向形成系统布局，逐步构建中国人文智能研究的重要创新平台。
有组织构建人工智能时代哲学社会科学科研创新体系的路径
深化学科交叉，建立多学科科研共同体。应打破传统单一学科和简单“文理交叉”的科研团队组织模式，以人工智能、大数据为基础技术支撑，推动哲学社会科学与理学、工学、医学、农学等学科形成更加广泛而深入的交叉融合。强化研究服务国家和地区发展战略的目标导向，根据研究任务建立由哲学社会科学研究者、计算机与数据科学研究者以及医学、农学、理工科等相关领域专家共同参与的分工协作机制，逐步由围绕单个课题形成的临时性合作转向稳定的跨学科科研共同体。当前国内兼具人工智能技术能力与哲学社会科学理论素养的复合型人才仍显不足，应在引进计算机、数据科学等专业人才的同时，加强哲学社会科学研究者的数据素养、算法素养和人工智能科研能力训练。
建设新型平台，打造跨学科研究组织载体。依托优势学科，建设适应不同学科特点的数字人文实验室、智能治理实验室等新型哲学社会科学实验室。新型哲学社会科学研究平台不能简单沿用传统文科研究机构的组织形态，而应针对不同学科的研究方法，将学科、数据资源、智能技术等集成到统一平台之中，在内部配置数据中台、智能科研助手、智能决策等科研系统，以支持文献综合分析、方法推荐和复杂社会系统模拟。
夯实基础设施，强化数据算力的公共支撑。人工智能赋能哲学社会科学研究，需要学科数据资源和智能科研平台相结合。当前，大模型已经能够嵌入哲学社会科学资源平台的文献加工、智能标引、智能检索和知识发现等环节。高校应在已有数据库和文献资源平台基础上，加强专业语料库、学科知识库和专业大模型建设，推动数据、文献与智能模型有效衔接，使科研基础设施承担知识组织、智能检索和科研辅助等功能，为人工智能深度嵌入哲学社会科学研究提供稳定的公共科研支撑，形成公共科研服务体系。
完善评价机制，激发交叉研究创新活力。交叉研究成果往往同时涉及多个层面，单一学科专家难以对其整体学术价值作出全面判断。组建涵盖人文社会科学与技术领域专家的复合型评审队伍，对跨学科成果进行协同评价，扩大哲学社会科学成果认定范围，探索建立理论、论文、数据、模型工具等多元成果评价体系，形成与人工智能时代跨学科、团队化科研相适应的多元评价体系。
健全制度规范，守牢科学研究的伦理底线。人工智能深度嵌入哲学社会科学研究后，还需解决数据隐私、授权以及安全问题。科研伦理规范不能仅停留在数据隐私、成果署名等事后约束层面，还应建立从技术设计、研究实施到成果应用的全过程责任治理机制。以人机价值对齐为基本目标，探索算法透明度提升和独立审计机制，明确技术开发者、使用者和监管者在不同环节中的责任边界。科研伦理的规制应贯穿科研活动的全过程，嵌入模型开发、数据使用和成果应用等环节。强化责任可追溯性，确保人工智能始终服务于人的价值判断，研究者切实承担学术责任。
（作者单位：苏州大学政治与公共管理学院）
