社会科学研究 米加宁等：大数据驱动的社会科学研究转型

随着大数据在社会科学研究中的应用，社会科学研究正在从定性研究、定量研究和模拟研究向大数据研究的第四种研究范式转变。第四种研究范式缓解了现有社会科学研究中存在的问题，如用一般原理和简单的数量关系解释复杂的社会现象，用小数据样本外推复杂的社会因果关系，用有限的数据模拟复杂信息条件下的宏观涌现。这样，第四种研究范式突破了传统社会科学研究目标弱化、学科流派对立、数据质量有限和统计误差等局限。大数据通过个体化、全样本的研究为社会科学提供精确的数据和计算实验平台，重建社会科学预测的可能性，推动社会科学宏观理论研究的发展，推动社会科学内外学科的融合，形成社会科学知识体系的多元化整合与拓展，是社会科学方法论的革命，是认识论的转型。社会科学的四种研究范式不是相互替代的，它们都是我们进行社会科学研究的有效工具。但第四种研究范式将为现有的社会科学研究提供更高的数据起点和更广阔的方法论视角，同时也要求我们加快数据开放，重视数据伦理，构建跨学科合作网络，缔结基于大数据研究的科学共同体。

文字/米卡宁等

哈尔滨工业大学管理学院教授

前言

随着互联网、云计算、物联网技术的发展，社会信息化、智能化程度不断加深，数据充斥全球，“渗透到各个行业和业务功能领域，逐渐成为重要的生产要素”。因此，大数据的发展引起了全世界的关注，并深刻地“改变了我们的生活、工作和思维”。大数据作为一个新的流行语，并没有存在很久，也没有形成一个统一清晰的概念。然而，根据近年来的大量文献，它已经成为哲学、自然科学和社会科学领域的一个重要问题。

目前对大数据的研究主要集中在三个方面:(1)大数据采集、存储、分析、处理、管理和应用的技术分析；(2)从资源角度分析国家或企业战略、商业利益、产业发展、产权和法律问题；(3)分析其集约化、智能化转型，在商业、金融、医疗、社会传播、科研等领域创造新价值。

大数据时代，人们需要以特殊的思路和手段，从大量看似杂乱、复杂的数据中，收集、整理、分析“数据足迹”，以支持社会的预测和规划，做出商业决策。“大数据”的“大”，不仅仅意味着“大容量”，还意味着通过海量数据的交换、整合、分析，发现新知识，创造新价值，带来“大知识”、“大技术”、“大利润”、“大发展”。其中，科学研究的应用不仅是大数据的重要来源，也是大数据的主要发展方向，深刻地改变了科学技术哲学的认识论、方法论和伦理学。

社会科学研究的四种范式

吉姆·格雷(Jim Gray)提出的四种研究范式包括描述自然现象的实验科学、利用模型或归纳法进行研究的理论科学、利用计算机模拟复杂现象的仿真科学、基于数据探索实现实验、理论和仿真一体化的数据科学。然而，格雷的四种研究范式主要是基于自然科学的发展史。就社会科学而言，人类对社会领域的认知要长得多、复杂得多，大致经历了(1)与自然科学融合的自然哲学阶段，(2)向自然科学学习但不断发散的阶段，(3)反思批判的第二阶段，(4)基于复杂科学的再融合阶段。

(a)第一种研究范式:社会科学定性分析

人类对社会的定性分析可以分为两个阶段:17世纪以前社会科学思想的萌芽和全面积累，以及20世纪60年代以来对实证主义和定量研究程序的抵制。

第一阶段，人类社会的自我认识和理解以“集体表征”、“相互渗透规律”、“身体参与”、“讲故事”的形式传播。现阶段社会领域的研究方法主要是类比推理，以个人情感外推、经院哲学论证、经学诠释为主流。对社会的认识往往夹杂着学者的个人感受、经验、思辨、思辨或眼光，这是片面的、不客观的、前科学的。在这个阶段，我们可以称之为对社会认知的哲学思辨，建立朴素唯物主义和唯心主义、早期辩证法、演绎法、三段论和归纳证明、有机自然观和经验主义等。

第二阶段是现代社会科学的定性分析。它通常包括四个步骤:(1)观察和记录事实，(2)分析、比较和分类，(3)总结事实之间的关系，(4)接受进一步的检验，这是一条“自下而上”的研究路径。定性分析起源于19世纪，随着人类学、民族学、心理学的发展而确立。20世纪中期以后，随着证伪主义、科学范式、精炼证伪主义和知识无政府主义对定量研究的哲学基础的挑战，自然科学研究不断发展产生的系统论、信息论、控制论、耗散结构论、协同论、突变论、模糊数学、混沌理论和复杂性科学，动摇了传统的机械决定论，人类社会发生了巨大变化，挑战了实证主义在社会科学研究领域的至高无上地位。

(二)第二种研究范式:社会科学的定量研究

定量研究方法体现了人类对科学思想的长期探索。17世纪下半叶，自然科学摆脱了神学和经院哲学的羁绊，发展出现代理性主义和经验主义的实验科学。基于“观察-假设-实验”的归纳方法，提出了现代意义上的定量研究。与此同时，在社会追求更准确的知识作为决策依据的需求下，研究者开始转向对社会现象的定量研究。自然主义社会科学诞生了，社会科学试图通过模仿自然科学的方法和语言，用自然规律来解释人类社会。

其基本研究路径是“提出假设——验证假设”，遵循“观察社会现象——发现研究问题——收集个体人格数据和资料——进行统计分析——发现普遍规律”的研究逻辑。但由于社会科学研究对象的要素复杂多样，因果关系动态多变，研究对象和研究过程不可控；特别是由于社会科学研究对象的特殊性，主要是人及其行为的特殊性，在研究过程中不可能像自然科学一样进行重复性实验。另外，社会科学研究的数据很难收集和分析，使用的历史统计数据按照统计学的基本假设也是一个非齐次的统计单位，大大降低了社会科学在统计和数据收集方面的表现。

(三)第三种研究范式:社会科学计算实验的模拟研究

以生命哲学和实证主义为基础的两种研究传统的形成为社会科学的发展做出了巨大贡献，但也存在明显的缺陷。实证主义对客观规律科学性的追求陷入了还原论的陷阱，倾向于导致偏执的分析方法，热衷于细节，牺牲全景理解换取零碎分析。

在此背景下，系统理论、模糊理论和方法的发展给社会科学研究带来了新的希望。复杂性科学的发展和人类对全球性问题的需求，以及新技术的发展，特别是计算机技术的不断成熟，极大地推动了仿真方法在社会科学领域的普及和应用。仿真研究以数学方法、计算机技术、统计科学、信息科学和控制技术为基础，利用计算机编程仿真来模拟现实世界中可能发生的现象、发展的状态，甚至对未来趋势的预测。这种进化系统以“人工个体”取代了现实系统中的“人”，揭示了社会系统中“个体微观行为与系统宏观行为之间的动力机制”。

第三范式的出现，突破了社会科学研究对象不能实验或重复实验的局限，实现了现实世界中代价高昂或不可能获得的研究和实施环境，为理解和掌握社会经济系统的结构和功能提供了有效的思维方法和实验工具；打破自然科学研究与社会科学研究的壁垒，促进社会科学研究的多学科融合；基于主题建模的方法解决了社会科学研究中由于第二范式研究中的还原论而导致对整个社会经济系统的认识没有增加的困境。

(4)第四种研究范式:基于数据科学的大数据研究

人类社会进入后工业化时代后，全球性问题的出现使人们意识到人类开始从依赖外部自然发展到依赖人类。因此，社会科学家希望人工智能能够提供一种关于思维和社会的模型方法，使我们能够准确理解精神认知的复杂过程和复杂的社会现象。

与模拟研究相比，大数据驱动的社会科学研究具有以下六个特点:(1)在研究对象上，大数据方法面向海量数据，计算机模拟面向根据系统建立的数学模型；(2)在推理逻辑中，大数据根据数据归纳出数学模型，仿真根据模型推导出计算结果；(3)在自动化程度上，大数据是由计算机从数据采集、建模到分析预测自动进行的，而模拟研究只是在模拟实验的步骤中自动完成，只占科研过程的一小部分；(4)在解释力方面，基于假设的计算机仿真模型建模为理论解释奠定了坚实的基础，而基于算法的大数据建模自动化过程缺乏这样的基础，解释力较低；(5)在角色定位上，模拟主要承担实验的角色，通过连续的实验确定模型参数，而大数据在科研中起主导作用，无论建模还是分析预测；(6)基础设施方面，计算机模拟可能涉及一台或多台计算机，而大数据涉及更多的基础设施，包括自动获取数据的各种传感器、连接用户的网络设施、物联网和计算机等。

在第四种研究范式中，研究者不仅直接以现实世界为研究对象，还依靠工具获取或模拟科学数据，利用数据挖掘工具进行统计和计算，然后对内容进行分析。在社会科学研究领域，“一切都是智能的”、“一切都与互联网相连”导致了“一切都是数据”，出现了“测量一切”的趋势。社会科学研究的对象也从人们参与的传统社会系统和社会过程，转变为现实世界和虚拟世界中并行系统相互作用形成的数据网络。大数据已经成为社会科学研究和现实世界之间的模拟环境。

第四种研究范式改变了社会科学的认知方式

西方近代科学哲学史表明，以胡塞尔的现象学、孔德的实证主义和马克思的唯物主义为界，西方近代哲学对形而上学本体论关注甚少。因此，第四种研究范式的转换不会从根本上触及其认识论基础，而是认识论的一次方法论革命和发展。关于它对社会科学研究方法论和认识论的影响的争论集中在以下几个重要方面。

(一)从相关关系再到因果关系

大数据能否像一些研究者所说的那样摆脱因果关系，只关注相关性？目前大数据对现象的呈现主要是相关的。虽然在大多数情况下，大数据并不能直接展现因果关系，但是依赖于现代科技发展的大数据和数据科学，从深度和广度两个维度加深了对世界的认识。同时，通过海量数据反映的世界直觉背后的复杂结构，人们可以不断修正抽象的结构模型，使其更接近世界的本质。在前一阶段，人们通过建立结构模型和测试模型来实现社会或群体行为，大数据研究最重要的贡献是发现传统研究无法分析的数据集之间的相关性，这可以指导我们分析数据集、个人和人类群体之间的关系，以及信息本身的结构。

(二)数据和分析方法的演变

可以说，大数据分析的优势不在于“数据”，而在于基于海量数据的更高级的分析方法。大数据不仅与“数据”有关。数据多不代表见识多。很多时候会增加数据分析的难度，不利于解决当前的实际问题。没有新的分析方法，大数据很难对社会发展产生积极影响。所以，数据本身并不是大数据革命的产物，大数据时代的关键在于用科学的方法分析海量数据，从数据分析中分离出有利于社会发展进步的观点。

大数据时代，可计算社会科学在突破上述瓶颈方面面临新的机遇。在线数据与主题、机器学习、分布式计算和高级算法可以为基于ABM方法的社会科学研究提供更有效的研究设计和解决方案。在线数据和主题改变了数据收集的成本和方法。在线和机器学习将主体行为和规则的形成模式从人工假设转化为自然进化规则的内生过程；除了私有数据和受保护的公共数据，数据类型、收集对象和计算范围将基本不受限制；当约束被大大削弱时，研究者的研究能力会得到前所未有的提高，这种提高在发展专业领域的方法论时不再是局部的提高，而可能是一个整体的飞跃。

(三)学科整合:可计算的社会系统

可计算社会科学的发展和整合需要不同学科的见解和方法，这将成为社会科学研究方法论的关键问题。大数据和数据科学将淡化、沟通甚至完全消除学科边界，将部分还原论下的专业社会认知和建设提升为广域社会整体系统认知和建设过程。大数据和数据科学的价值在于基于复杂的因果关系推动经济和社会决策。社会作为一个整体出现的规律将由可计算的社会科学研究来回答。人们正在试图打破大而不完整的数据孤岛的界限，在全数据的框架下，将传统学科边界对数据类型的特殊设定进行整合，这将为我们展示一种更好的方法论形式，丢掉局部的、简单的因果链，实现整个系统意义上的对复杂社会现象的认知。

(四)社会研究的功能演变

传统的社会科学研究使用一套不同类型的查询系统来描述研究对象。他们使用一套方法、程序和技术来描述和解释行为、检验假设、评估因果关系和建立新知识。社会科学对人类行为的研究通常在对社会行为的一般认识、行为测量的准确性和情境的系统性特征三个方面处于困境，即使用单一的研究方法论对人类社会行为进行系统研究，很难同时实现三个维度的最大化，选择一种方法论意味着失去选择其他方法论带来的优势，这就是经典研究方法论的“三角困境”。

今天的社会科学研究方法论在数据收集方式、研究程序的可控性以及将每种方法论应用于特定场景和一般可观察行为的程度方面，已经开始显示出根本性的变化，并凸显出整合的趋势。它甚至消除了平衡不同方法论的必要性。

第四种研究范式中的大数据特征表明，数据在接近对象现实的同时，能够充分考虑宏观结构。这种变化决定了对研究的主观操纵正在弱化。在这个维度上，意义结构的侧重点发生了变化，以强调数据分类方法或者可以同时兼顾现象分析的深度和完整性。可以说，即使不能消除所有的困境，第四种研究范式在解决社会科学研究方法论选择困境方面的进展，已经意味着社会科学研究的功能演进。

(五)认识论的延伸

第四种研究范式虽然不会触及现代科学发展的认识论基础，但它发展了我们的认识论。随着社会科学研究大数据时代的到来，我们有必要将新的方法与现有的社会研究方法和理论联系起来，特别是在大规模的特征观察与个人和群体的实际结果之间建立联系——构建一个更大的社会学图景。大数据时代，社会研究可能不再需要我们做理论预设，而是在大数据分析得到的奇异相关性的指导下，构建因果关系和结构关系，进而发现其中蕴含的知识或规律。这种认识论的发展更像是解释认识论的延伸。数据是现象，是经验。“科学始于数据”而非直接观察和传统测量，是解释性认识论下直接社会观察的替代。选择的原因是更高的准确性和完整性，这扩展了知识发现的新方式和方法。

一些直观的经验表明，大数据可以更好地支持预测性研究。大数据不是单一的技术，而是新老技术的结合，可以帮助研究者获得更为可行的见解。因此，通过管理大规模数据，可以在适当的时间框架内以适当的速度完成实时分析和响应。数据质量和算法在大数据预测中起着关键作用。只要定义的变量能够很好地满足预测的需要，中等规模数据的相关性和质量越高，就越有可能找到原因和结果，预测结果就越可靠。

第四种研究范式是重构社会科学研究

(一)以往社会科学研究的局限性

1.社会科学的目标被削弱了

现代意义上的社会科学产生于18世纪欧洲大变革的时代。它最初的愿望是在坚实的基础上组织社会秩序，或帮助经历过社会解体或面临类似威胁的国家重建社会完整性。但由于社会科学研究对象的特殊性和研究方法的局限性，(1)在产生宏大理论的同时，往往缺乏实证经验来证明，导致长期争论，直至出现新的证据；(2)不可能像自然科学那样实现纯空和完全受控的实验，也不可能在实验中实现时间推进；(3)社会操作具有不完全重复性，预计会产生恋母效应。因此，在社会科学发展的历史上，对于社会科学倡导者所做的概括工作(即建立社会一般规律的工作)，一直存在着怀疑甚至敌视的态度。

2.社会科学在内部和外部都是对立的

正是因为社会科学的这一转向，进而为了在高等教育发展中的院系之争中获得权利，导致了社会科学的迅速膨胀和多元化分化，在学科体系、研究范式和研究方法上争论不休，在不断分化的过程中形成学科与学校的对立，失去了对社会科学“应该构建什么样的社会， 对“这个社会最终走向何方，涉及学科根本方向”这一目标的探索，已经失去了对社会科学的整体认识，慢慢进入了学科细分、方法错综复杂的深林，走向分析中的细节，层层分解，层层否定。

3.有限数据的质量

然而，社会科学仍然面临着另一个严重的问题:数据的缺乏和有限数据的质量。这其实包含了很多子问题:(1)描述的模糊性，即社会科学概念的“可操作性”和“可操作性”。由于社会科学的许多概念没有结构或结构不完整，很难“建模”和“量化”。(2)社会不确定性或观察渗透。不确定性甚至存在于物理学中，在社会科学中更为突出。人与人之间的互动，情感信息的干扰，利益的坐标原点和认知效应都会加剧这个问题。(3)小数据小样本的问题。由于社会现象的复杂性，不可能穷尽各种因素和可能性。经常用抽样方法来研究，用简单的数量关系来处理复杂的现实世界。数据收集受到抽样技术、分析方法、调查成本和接触范围的限制。(4)数据质量控制问题。社会科学材料和数据不能直接表示为经验证据，而是根据人类的解释来构建的。因此，无论是定量研究的调查数据还是定性研究的数据，都受到研究对象的“偏好”、“记忆”、“语言”以及研究者的“理解”的影响。(5)生态谬误问题。不可能从整体层面或者生态数据研究得出个别结论。

(2)大数据重塑社会科学的目标

1.重建社会科学预测的可能性

解释和预测是科学研究的两个目标。大数据时代，“基于相关性分析的预测是大数据的核心”。大数据的概念与社会科学最早提出两个明确的目标是不谋而合的:通过描述描述海量数据的潜在模型进行预测，在数据中发现有价值的模型和规律。大数据预测在社会科学研究的很多领域的成功也说明了这个目标是可以实现的。因此，许多学者对人类行为的可预测性表达了乐观的观点。完全可以把握未来的趋势和概率。大数据将引导社会科学研究从重视人际关系“物本”的定性研究，以人为本的定量研究，以人为实验对象“样本”的模拟研究，真正向“以人为本”的时代转型。大数据正在形成的系统就像社会的大脑，充当着“社会记忆合成”的主角。原本悬而未决的社会学研究目标和方向，可能会在大数据的推动下，以一种全新的、实用的形式重新展现出来。

2.促进宏观理论研究的发展

自社会科学发展以来，虽然有许多分支和流派，但大多数研究都可以追溯到几个示范性的理论、启发性和解释性的概念、假设和理论，它们在宏观层面上描述和理解社会结构和变化。信息技术的兴起和大数据的发展扩大了人类经验的范围，在宏大理论和经验经验之间架起了桥梁，使社会科学家能够在超大数据规模和时间空跨度上，用全新的相关数据为经典理论提供经验证据。同时，大数据由于其“全样本”、“高容错”、“数据挖掘”等优势，为社会科学大理论的发展提供了“全景”认识世界、发现和提炼新的重要理论的可能性。

(3)大数据消除了社会科学内部和外部的对立

1.促进内外学科的融合

自然科学、社会科学和人文知识是学术编制与教学科研管理体系的区别，但它们之间的密切关系不应被抹去。随着大数据研究的兴起，一方面建立了基于传感器、智能设备和网络大数据的全新科研基础设施。大数据的“无处不在”和“难以理解”的特点使其采集非学科化，其采集、存储和搜索本身具有较低的“学科定制”。这使得不同学科的研究对象有了同质的基础，打破了小数据时代学科差异下数据收集和使用的“碎片化”状态，促进了学科间的交流和融合。另一方面，大数据的广泛深入应用推动了相关分析技术的普及。社会科学研究人员开始与大数据技术领域的专家和自然科学学者携手采用大数据分析技术，开始了规模更大、参与面更广的跨学科合作研究。这也为具有计算机、人工智能、数学等自然科学专业知识的学者联合或直接转化为社会科学家提供了机会，也为社会科学不同学科专家的交叉研究和转化提供了基础。

2.定性和定量研究方法的综合集成

自20世纪60年代以来，社会科学试图通过混合研究来弥合定性研究和定量研究之间的对立，但没有取得很好的效果。从某种意义上说，大数据的使用促进了定性和定量研究的全面整合。首先，大数据将定性和定量阵营混为一谈。第二，大数据重新定义了两者的关系，让两者相互转化，相互配合。第三，大数据提供了一种定性和定量相结合的新方法，即在原有的混合研究或模拟研究的基础上，“定性是定量的基础，定量是定性的精度”，通过大数据的描述(定性)、提取变量的可视化和回归(定量)相结合，可以实现“从定性到定量的综合集成”。第四，扩大了分享定性研究和定量研究成果的渠道。“开放获取”和“复制研究”的兴起，为定性研究和定量研究之间的成果(研究思路)共享提供了便利和基础。同时，信息可视化还可以帮助定性研究和定量研究更直观、多样化地展示各自的研究成果，便于不同领域或研究方法的学者了解。

(4)大数据增强了社会科学研究的“科学性”

1.提高数据质量

大数据将极大地改变传统社会科学基于样本调查的数据获取和分析方式，从数据支撑层面提升社会科学研究的“科学性”。(1)大数据改善了变量的度量。在大数据环境下，个人和环境会不自觉地加入数据采集的过程，数据采集会从观察上升到感性记录，从而优化变量的“测量”。我们所知道的世界，都会用数据来表达。(2)整体样本整体分析，现场研究与实验研究相统一。在大数据时代，我们可以分析更多与研究相关的数据，甚至多源异构数据，而不是依靠简单的采样。(3)大数据提供各种兼容的容错。虽然大数据不能解决反事实问题和遗漏变量误差，但由于数据量巨大甚至是全样本的性质，一旦将基于大数据的简单相关分析或时间序列分析的结果与文献中传统的回归分析进行比较，就可以形成非常有说服力的证据链。(4)大数据提供现象的相关性显现。当我们拥有海量数据时，绝对的准确性不再是追求的目标。适当忽略微观层面的准确性，会增强社会科学宏观层面的洞察力。(5)大数据的核心技术是数据挖掘，利用人工智能机器学习从海量数据集中发现模式和知识。

2.为社会科学计算提供实验平台

社会经济系统存在多种可能性，如不同要素、系统的开放性、关联结构的复杂动态非线性效应、系统层次之间的相互作用、涌现与演化等。因此，在社会上开展实验研究存在一些问题，如不可控性、持续时间长、领导时间困难、缺乏严格的可重复性等。在社会科学研究中，通过严格的实验获得可靠的证据并不容易。

如果说计算机模拟的编程语言是人类认识自己的第三个“符号系统”，那么数据就是他们可以使用的第四个“符号系统”。随着大数据时代的到来，物理环境和人类社会活动从未像现在这样完全数字化和网络化。无处不在的智能终端自动收集的海量数据存储在云端，由人工智能进行处理、存储和分析。与研究对象相关的属性数据、时间空数据和行为数据，充分反映了社会经济系统的各个要素、环节和时态的真实、全面的状态。结合涉及人类主体的实验和涉及计算机虚拟主体的实验。

3.促进社会科学知识体系的多样化

首先，在大数据环境下，普适知识和局部知识同等重要，要适度坚持社会科学知识的地方性，强调地方性和普遍性相结合。大数据的出现可以兼顾普适知识和局部知识的多样性，更大程度上促进二者相互转化的知识进步。一方面，大数据是整体性的，由分散而具体的数据集组成，能够全面、真实、完整地把握社会现象整体和局部要素的系统行为；另一方面，大数据容错性更强，认可多样性和个性，能够整合本地和实际的知识。

其次，大数据促进了隐性知识和显性知识的转化，对本地知识和云知识的交互要求很高。(1)大数据进一步增强了隐性知识的重要性。随着互联网无处不在的发展，编码、存储和共享显性知识的成本越来越小，这使得它变得越来越便宜。这就导致了简单的重复性认知任务和创造性认知任务的分离。这种情况下，学习能力会从记忆能力变成数据检索能力。(2)大数据促进了隐性知识的传递和共享。大数据提供了隐性知识及其依赖的“个人”、“情境”、“经验”和“文化”的优势，大大降低了高度依赖个人实践的隐性知识的信息粘性和知识模糊性，更便于隐性知识的转移。知识创造活动更依赖于合作网络，通过数据共享的方式实现价值(价值所有者和创造者也是分离的)。(3)大数据促进隐性知识和显性知识的转化。大数据环境下，两类知识转化的四种语境支持整合，启动场、对话场、实践场、系统场统一到大数据网络平台。这两类知识的社会化、外化、内化和组合越来越基于数据挖掘和探索。知识从碎片化的记忆变成了结构化的数据形式，与情境的整合程度更深。(4)大数据促进了隐性知识的技术和社会支持。终端和网络扩展了人们的理解，知识创造趋向社会化。海量的数据已经远远超过了个人甚至社区的分析能力，知识也从个人记忆变成了云存储。

上述知识体系的四次变化，改变了知识储存的位置、知识的状态、知识的获取以及知识之间的联系。这种变化的本质实际上是知识的数据化、数据结构化和智能结构。随着互联网和大数据的发展，人们发现知识(搜索引擎)、人们发现人(社交网络)、知识发现知识(数据挖掘)、知识发现人(个性化定制和推送)相统一的时代终于实现了。

结论:这不是结束的结束

必须承认，由于长期以来我国教育制度的缺陷，社会科学与自然科学的研究长期处于分离和分裂的状态，导致从事社会科学研究的学者对科学技术的发展不敏感甚至漠不关心，缺乏对当代技术的回应能力，这无疑对社会科学的发展构成了严重的思想障碍；同时，自然科学和社会科学的双重划分也导致社会科学学者对大数据和数据科学的现代前沿科技进步感到无能为力，甚至抵制和排斥来自小学术界内部的新思想、新技术和新方法，从而形成社会科学转型的行动障碍。希望通过我们的工作，能够开启这场关于大数据驱动的社会科学研究转型的意义深远的讨论。

(作者注:本文在《中国社会科学内部手稿》2017年第6期发表的文章基础上进行了修订。在修改过程中，北京理工大学的徐磊教授积极参与，受益匪浅。谢谢！)

本文最初于2018年2月在雪海发表。北大政治学(微信号:PKURCCP)为了方便阅读，省略了所有注释，并做了删节和调整。编辑:费海婷；李攀。

原始内容|转载需要授权