計算社會科學中“守舊”與“維新”的方法論探討

韓軍徽

〔摘要〕 基于對近年來出現的大規模人類行為數據的共同興趣，社會科學家與計算科學家攜手開拓了計算社會科學這一新的研究領域。然而，學科背景與研究經歷的不同導致兩者圍繞計算社會科學中因果解釋與預測的關系上演了一場“守舊”與“維新”的方法論之爭。“守舊”的社會科學家認為計算社會科學應堅持對因果解釋的追求，而不必將預測作為理論的評價標準。“維新”的計算科學家則認為社會科學應給予預測更多的重視，并提出通過對預測采取適當廣義的理解，在計算社會科學中進行預測是可能的。因果解釋與預測并非互不兼容，兩者實際上是互為補充、相互促進的關系。未來計算社會科學的發展應以解決實際問題為導向，在解決實際問題的過程中實現因果解釋與預測的結合。

〔關鍵詞〕 計算社會科學，方法論，因果解釋，預測

〔中圖分類號〕C3?? ?〔文獻標識碼〕A〔文章編號〕1004-4175（2020）04-0011-07

一、研究緣起：計算社會科學中的社會科學家與計算科學家的兩大陣營

在過去的十余年中，隨著計算機、互聯網等信息技術越來越深地嵌入到人們的日常生活之中，越來越多的人類行為數據被記錄下來。同時，計算機運算速度的提高和算法的進步使得人類有能力對這種海量數據進行有效地分析。這種對關于人類行為的大規模數據的收集與分析能力的提高導致了計算社會科學的誕生 〔1 〕。作為一個跨學科的研究領域，計算社會科學的興起是近年來社會科學最為重要的發展動向之一。

目前從事計算社會科學的研究者大致可以分為兩類，即社會科學家和計算科學家。其中，前者主要指在社會學、經濟學、政治學、管理學、心理學等領域從事量化社會科學研究的研究者，而后者主要指在計算機科學、信息科學、物理學等領域從事數據科學研究的研究者。在計算社會科學興起之前，兩者幾乎不存在交集。當前，對大規模人類行為數據的共同興趣正在使兩者之間產生越來越多的合作。然而，截然不同的學科背景和研究經歷使得社會科學家和計算科學家在研究方式上存在很大差異，這導致兩者在計算社會科學領域上演了一場“守舊”與“維新”的方法論之爭。本文將分析這場方法論之爭的焦點——社會科學中因果解釋與預測之間的關系，并探討計算社會科學的未來發展方向。

二、社會科學家面對計算科學沖擊的“守舊”

就從事計算社會科學研究的社會科學家而言，計算社會科學的興起在為社會科學研究帶來大規模人類行為數據和各種新穎的數據分析方法的同時，也導致社會科學長期以來形成的研究傳統受到來自計算科學的沖擊。例如，前《連線》（Wired）雜志主編克里斯·安德森（Chris Anderson）認為，數據泛濫使得傳統的科學方法不再適用，理論已經終結 〔2 〕。他指出，傳統的科學研究尋求事物之間的因果關系，但在PB（Petabytes）數據時代，相關性已經足夠。這種觀點很具有代表性，在社會科學界尤其是計算社會科學領域引起了極大的反響。面對這種來自計算科學的沖擊，社會科學家表現出了明顯的“守舊”。

（一）堅持追求因果解釋

在安德森等人的觀點中，最根本的是認為大數據的出現和數據分析能力的提高使我們可以滿足于相關關系，而放棄對因果關系的追求。但在社會科學家看來，計算社會科學仍應追求因果解釋。例如，格拉默認為，僅海量數據無法提供各種社會問題的答案，社會科學仍需以因果解釋為研究目標 〔3 〕。之所以如此，原因在于社會科學和自然科學對因果解釋的理解存在很大差異。

在自然科學中，因果解釋以預測為評價標準，甚至兩者幾乎是同義的。對此，亨普爾和奧本海默的闡述最為系統 〔4 〕。他們認為，除非解釋項可以作為對被解釋項進行預測的基礎，否則這種解釋是不充分的。實際上，預測也是自然科學追求對自然現象進行因果解釋的主要目的。但若僅以預測為目的，可靠的相關關系也可以起到同樣的作用。因此，在安德森等人看來，隨著大數據的出現和數據分析能力的提高，我們通過分析數據所獲得的相關關系的可靠性越來越高，預測能力也越來越強。正是在這種意義上，他們認為相關關系已經可以取代因果關系。

然而，社會科學對因果解釋的理解并非是亨普爾和奧本海默意義上的。社會科學家認為，社會現象遠比自然現象更為復雜，導致難以進行有效地預測。因此，社會科學不應將對社會現象的預測作為因果解釋的評價標準。例如，利伯森和林恩認為社會科學應更多地借鑒生物學而非物理學的理論和方法體系，預測不必作為評估理論的標準 〔5 〕。赫斯特羅姆認為，對預測的關注反而會阻礙對因果解釋的探索 〔6 〕。因為實際的社會現象往往包含多個機制，這些機制的作用可能會相互抵消，因此即使某種機制性解釋是正確的，它所預測的結果在實際的社會現象中也未必會出現。還有學者認為追求預測將導致模型過于復雜，從而失去了可解釋性，此外我們也缺乏進行預測所需的充足的數據 〔7 〕。

實際上，社會科學家對因果解釋的理解是伍德沃德意義上的。伍德沃德所建立的因果解釋的操控準則要求因果解釋回答“如果事情本來不同“（What-if-Things-Had-Been-Different）的問題，即因果解釋應能夠說明如果解釋項本來有所不同，被解釋項會有何種變化 〔8 〕11。在伍德沃德的因果理論中，解釋項的不同是通過干預實現的 〔9 〕。這種干預通常是一種理想的、無混淆的實驗性操控，同時支持反事實假設 〔10 〕。這些都使得對實際社會現象的預測不必成為評估因果解釋的必要性標準，也導致社會科學長期以來較少關注預測。正是基于對因果解釋的這種理解，社會科學家認為計算社會科學研究仍應追求因果解釋。

（二）吸收新的數據分析方法

在堅持追求因果解釋的基礎之上，社會科學家試圖將當前出現的大規模人類行為數據和各種新穎的數據分析方法“收編”入傳統社會科學的研究框架之中。大部分社會科學家將這種新型數據和分析方法視為社會科學數據來源的豐富和研究工具箱的拓展，認為通過恰當地運用將有助于對因果解釋的探索。他們認為，大規模人類行為數據的獲取和數據分析能力的提高能夠在三個方面促進社會科學對因果解釋的探索：第一，可以設計更好的實驗;第二，能夠在更精確的群體之間進行更好的比較;第三，便于對之前難以觀察的行為進行觀察 〔11 〕。這些也是目前從事計算社會科學研究的社會科學家主要的努力方向。

具體而言，第一，互聯網的普及使得社會科學中的實驗研究可以通過網絡平臺進行，產生了“虛擬實驗室”（Virtual Laboratory）。與傳統實驗室相比，虛擬實驗室有一些突出的優勢。例如，虛擬實驗室更容易開展大規模實驗、實驗成本更低、實驗設置更方便等等 〔12 〕。在利用虛擬實驗室進行的社會科學實驗研究中，有些是通過已有的互聯網平臺進行的。例如，邦德等人通過控制臉書用戶能否看到其已經投票的好友的數量來檢驗社會影響在投票率上的效果 〔13 〕。還有些是通過自己搭建網站進行的，其中最著名的是薩爾甘尼克等人通過建立“音樂實驗室”（Music Lab）網站對社會影響在音樂愛好中的作用進行研究 〔14 〕。另外，以AMT（Amazon Mechanical Turk）為代表的眾包平臺也引起了社會科學家極大的興趣。眾包平臺實驗與傳統的實驗室實驗不同的是，前者是通過網絡平臺發布實驗任務、收集實驗結果，而后者是將參與者召集到實驗室中進行實驗。研究發現，截至2015年基于AMT進行實驗的論文已超過1000篇 〔15 〕。

第二，當實驗不可行或者不道德時，如何基于觀察數據進行因果推斷成為社會科學家關注的重點。一般的做法是通過匹配將研究群體分為實驗組和控制組進行比較，要求兩組在實驗要求的處理前盡可能相似。以往的觀察數據由于規模有限，進行匹配后往往會導致子群體數據過少而無法進行有效的因果推斷。當前出現的大規模人類行為數據由于其巨大的體量，使得在匹配后的每個子群體都仍有足夠多的數據。例如，赫什利用數以百萬計的數據研究了9·11事件對受害者親屬與鄰居的影響 〔16 〕。

第三，間接的“痕跡性”數據可以提供可靠的信息。對于有些人類行為，傳統方法難以直接獲取準確的觀察數據。此時，由于當前產生的大規模人類行為數據主要是間接的“痕跡性”數據，反而可以提供一些相對可靠的信息。例如，人們的種族傾向或政治觀點等信息通常難以通過傳統的問卷調查、訪談等研究方法直接獲取。而利用谷歌搜索數據，史蒂芬斯-大衛德維茨在2008年美國總統大選期間研究了種族傾向對投票選擇的影響 〔17 〕。他發現，人們所用的搜索詞中包含了大量關于種族傾向的信息，例如很多人用帶有種族意味的綽號和奧巴馬的名字一起進行搜索。因此，通過算法設計，他基于用戶對搜索詞的運用得到了其種族傾向。

除了將大規模人類行為數據的獲取和數據分析能力的提高視為數據來源的豐富和研究工具的擴展之外，社會科學家還試圖將海量數據分析所利用的“數據驅動”（Data-driven）的研究方法與傳統社會科學“理論驅動”（Theory-driven）的研究方法相結合。例如，一些社會科學家提出可以首先通過數據分析以數據驅動的方式形成研究假設，之后利用傳統社會科學理論驅動的方式對假設進行驗證 〔18 〕。

（三）完善方法論基礎

當前出現的大規模人類行為數據與傳統社會科學常用的調查數據在各方面都存在較大差異，這促使一些社會科學家深入挖掘其方法論蘊涵，通過完善社會科學研究的方法論基礎來為計算社會科學研究提供方法論支撐。例如，邁克爾·梅西（Michael Macy）通過檢視傳統社會科學的方法論基礎認為，伴隨著海量數據和強大計算能力及算法的非但不是理論的終結，反而是因果探索新的開始 〔19 〕。

梅西指出，傳統社會科學研究中的調查數據通常被認為是相互獨立的，這雖然有助于獲取有代表性的樣本且便于估計標準差等統計量，卻也造成樣本具有原子化的理論偏差。具體而言，這樣的調查數據一般包含調查對象的種族、性別、年齡、教育程度、職業、收入等屬性信息及其對某些問題的觀點，但不包含調查對象的朋友、同事、家人等對這些問題的觀點。因此，研究者在分析調查對象觀點形成的原因時就只能將其與調查對象的屬性信息相關聯。而且研究表明 〔20 〕，這樣的關聯幾乎總能得到顯著的統計結果。也就是說，對于調查對象的任何觀點，幾乎總能找到某個屬性信息與其顯著相關。另外，由于屬性信息一般沒有因果前項（Causal Priors，例如沒有因素決定一個人的性別，同時還影響其觀點），當根據顯著性進行屬性信息與觀點之間的因果推斷時避免了通常根據相關性進行因果推斷可能出現的虛假因果性（Spurious Causation）。最后，基于屬性信息的因果推斷也是合理的。因為人們所持的觀點確實與個人的性別、年齡等屬性信息有關，而且用個人屬性信息解釋其所持觀點與啟蒙運動以來所建立的個人主義意識形態也是相契合的。簡言之，這種原子化的理論模式邏輯可靠、經驗合理，與啟蒙運動以來的個人主義意識形態相契合且在以調查為基礎的社會科學研究中有著堅實的實證支撐。

但是，梅西認為，由于社會網絡的自相關效應，這種原子化的因果解釋極有可能是虛假的。簡單來說，社會網絡的自相關效應是指個人的觀點可能會受到其網絡鄰居的影響。傳統社會科學研究中的調查數據通常不包含調查對象網絡鄰居的信息，導致無法研究這種自相關效應。而當前所產生的大規模人類行為數據主要就是關系型數據，可以通過網絡分析建立關系型理論。與之前的社會網絡分析集中于邊界明確的小群體不同，海量數據的獲取使大規模的網絡分析成為可能 〔21 〕。梅西同樣注意到虛擬實驗室的出現對社會科學研究的重要作用。他認為，基于觀察數據進行因果推斷具有內在的局限性，海量數據也不例外，而建立因果解釋的黃金法則是隨機實驗。在傳統的社會科學實驗研究中，實驗參與者一般較少，且主要是大學在校學生，將基于這些參與者的實驗結果推廣到更大的人類群體中時會面臨嚴重的外部有效性問題。而臉書、AMT等虛擬實驗室的出現使得研究者可以基于數量更多、異質性更強的研究者進行實驗，從而有效地提高實驗發現的外部有效性。因此，梅西認為海量的關系型數據的產生和虛擬實驗室的出現將使社會科學中的因果探索進入一個新的階段。

三、計算科學家面對社會科學傳統的“維新”

如前所述，從事計算社會科學研究的計算科學家大多是在計算機科學、信息科學、物理學等領域從事數據科學研究的研究者，他們從事計算社會科學研究主要是因為對當前產生的大規模人類行為數據具有濃厚的興趣 〔22 〕。對這種數據的研究要求計算科學家必須形成對數據所反映的社會現象的理解，而這以往是社會科學家的研究領域。然而，由于學科背景和研究經歷的差異，很多計算科學家對社會科學傳統并不認同。由此，一些計算科學家呼吁在計算社會科學中對社會科學傳統進行“維新”。

（一）強調預測的重要性

由于計算科學家主要在自然科學領域接受學術訓練和從事學術研究，其對因果解釋的理解是亨普爾和奧本海默意義上的，即認為因果解釋應以預測為評價標準。此外，計算科學家的研究通常有比較明確的應用指向，而較強的預測能力是應用性的基礎。這導致與社會科學家相反，計算科學家非常強調預測的重要性而較少關注因果解釋。例如，金斯博格等人根據特定谷歌搜索詞搜索量的變化預測流感趨勢 〔23 〕;伊戈爾等人利用從手機中收集的位置、通訊等數據預測人們的朋友關系網絡 〔24 〕;科辛斯基等人基于臉書的點贊數據預測個人屬性信息，如性取向、種族、宗教和政治傾向等 〔25 〕。

與前述安德森的觀點類似，他們認為，既然社會現象并不穩定，以往的因果模型又都是一種粗略的近似，那么與其費力建立預測效果很差且可能隨著概念漂移而變得更差的因果模型，我們為什么不利用可以獲得的數據建立具有最佳預測效果的模型并定期更新呢？ 〔22 〕他們認同社會科學家的觀點，即我們所觀察到的社會現象背后必然有某種因果機制。但是，他們認為通常很難從觀察數據中得到因果機制。另外，與自然科學中包括了所有相關變量的完全模型不同，社會科學中的因果模型通常只是包括了部分相關變量的不完全模型。這除了導致社會科學中的因果模型一般預測效果較差之外，還經常出現不同的社會科學家根據同一組觀察數據得出完全不同的研究結論的情況。相反，如果模型有比較好的預測效果，那它們往往能夠為因果探索指明方向。因此，他們認為社會科學研究應增加對預測的關注。

（二）敢于質疑社會科學理論的可靠性

除了認為社會科學研究應對預測給予更多的重視之外，一些計算科學家還對社會科學理論的可靠性提出了質疑。例如，鄧肯·沃茨（Duncan Watts）認為，雖然社會科學家幾乎都認為他們所建立的理論是伍德沃德意義上的因果解釋，但其實際上經常是一種亨普爾和奧本海默所稱的“移情解釋”（Empathetic Explanation） 〔26 〕。移情解釋經常被誤認為是因果解釋，但兩者存在本質區別：因果解釋需要按照因果準則進行評估，而移情解釋主要基于其可理解性進行評估，即其將解釋對象還原為人們所熟悉的想法或經驗的能力。沃茨認為，之所以出現這種情況，是因為社會科學家對常識的依賴遠比他們意識到的要嚴重。在日常生活中，我們認為個人或集體的行動可以用相關行動者的意圖、信仰、環境和機會來解釋，并用這種認識來預期和理解別人的行為。社會科學中關于行動的理論實際上是這種常識的變種，而關于行動的理論又是社會科學的基礎性理論，導致社會科學中的很多理論在本質上都是建立在這種常識的基礎之上。例如，理性行動理論，布迪厄的場域理論、格羅斯的實用主義理論等。

社會科學理論對常識的這種依賴源于社會科學家構建理論的方式。在日常生活中，當預期別人的行為，甚至是我們自己在某種未來或假想的情形中的行為時，我們采用的是一種心理模擬的方式，即在腦海里模擬對方，設想他們在那種情形下的行為。當然，我們模擬的“對方”，實際上是經過修正的“我們”，即我們根據自己的感知假設了對方對情形的理解，并且加入了我們認為與情形相關的其他信息，如對方的意圖、信仰等。當理解別人的行為時采用的則是一個相反的過程，即根據我們自己對情形的感知和對方的行為推測對方的意圖，并進而將對方的行為合理化。在日常生活中，我們通常理所當然地認為通過心理模擬所建立的移情解釋的可理解性就等于因果性。社會科學家在構建理論時采用的實際上同樣也是心理模擬的方式，只是更為正式。這就導致了社會科學家經常建立的也是一種移情解釋，并根據其可理解性進行評估。然而，可理解性并非因果性。我們建立的移情解釋所包含的因果關系經常是錯誤的，只是在日常生活中由于我們能夠很快地根據反饋進行修正，導致通常意識不到這種錯誤。但在社會科學中，當把這種移情解釋誤認為因果解釋時，將造成社會科學理論的錯誤。

（三）構建社會科學方法論的“維新”方案

針對社會科學傳統的種種“問題”，計算科學家給出了自己的方法論“維新”方案。他們認為，既然社會科學家試圖建立的伍德沃德意義上的因果解釋經常淪為一種移情解釋，那我們是否可以參考亨普爾和奧本海默的因果準則，以預測作為社會科學理論的評價標準。當然，預測的準確性并不能證明因果解釋的充分性，而只是一種必要性條件。沃茨指出，當前大部分社會科學家拒絕將預測作為社會科學理論評價標準的主要原因在于對預測的狹義理解，即認為預測必須是決定論意義上的、關于未來的以及針對特定的事件。他認為，通過對預測采取適當廣義的理解，社會科學家應當認同有效的因果解釋可以作出預測。

具體而言，首先，預測不必是決定論意義上的，而可以僅是一種概率意義上的，即某因素X的出現增加或降低了事件Y出現的概率。這種概率意義上的預測當前在物理學、計算機科學、人工智能等領域有著廣泛的應用。其次，預測也不必是關于未來的。實際上，嚴格的關于未來的預測更準確地說應稱為“預報”（Forecasting），預報僅僅是預測的一種形式。預測其實可以更廣義地理解為“樣本外檢驗”（Out-of-Sample Testing），即用于預測的數據與建立因果解釋的數據不能是同一組數據。這種做法在以預測為核心的計算機科學等領域幾乎是一種標準做法，即首先基于訓練數據建立模型，然后利用測試數據檢驗模型的預測效果。如此理解預測時，除了未來的事件，過去以及現在的事件都可以作為預測的對象。最后，預測也不必針對特定的事件或結果，而是可以僅對事件或結果的某種分布或者模式進行預測。例如，薩爾甘尼克等人在對音樂市場的研究中預測，音樂市場的不平等性隨著社會影響程度的增強而提高 〔14 〕。他們對音樂市場變化的模式進行了預測，但并沒有預測具體哪首歌曲會流行。

一些計算科學家認為，以預測作為理論的評價標準在計算社會科學中是可行的，但需要注意以下幾方面的問題 〔7 〕：

第一，建立統一的任務框架和預測標準。在以預測為核心的計算機科學、人工智能等領域通常有統一的量化標準可以對不同研究的預測效果進行比較，而目前在社會科學領域所進行的預測研究則無法進行有效的比較。這種情況產生的主要原因在于，社會科學研究中通常存在所謂的“研究者自由度”（Researcher Degrees of Freedom）問題，即研究者需要做一系列的主觀選擇，包括研究任務、數據集、模型和性能指標等。對于同一問題，研究者的選擇組合不同，研究結果也會完全不同。因此，研究者首先應就研究任務、數據集、性能指標等達成共識，形成“共同任務框架”（Common Task Framework），并基于此框架對預測結果進行評估和比較。

第二，區分不同社會現象的預測限度。與自然現象通常可以進行非常精確的預測不同，人類行為的可預測性有很大的差別。例如，一項對5萬名移動手機用戶的研究表明，在任意1小時的時間內，用戶有70%的時間在他們最常去的地點 〔27 〕。因此，當我們作出“某人在他最常去的地點”的預測時，可以得到平均70%的準確率。但是另一方面，對于所謂的“黑天鵝”事件，我們無法用任何有意義的方式進行預測。這就要求我們在評估特定預測模型的準確性時，不僅要參考已有的表現最好的模型，還要考慮可能預測的最大限度。因為如果預測效果不理想，既有可能是數據或模型的問題，也有可能是現象本身存在不可預測性 〔28 〕。

第三，兼顧預測準確性與模型可解釋性。如前所述，社會科學家反對預測的主要原因之一就是認為預測將導致模型過于復雜，從而失去了可解釋性。計算科學家認為，對預測的強調確實會導致模型復雜性的提高，但并不意味著預測準確性與模型的可解釋性相矛盾。機器學習領域的一些研究表明，我們可以在保證預測準確性的前提下尋找更為簡單、可解釋性更高的模型。另外，對社會現象的“理解”本身就應既包括從主觀上將其合理化，也包括對客觀事實進行說明，即預測。

四、結語

基于對大規模人類行為數據的共同興趣，社會科學家與計算科學家攜手開拓了計算社會科學這一新的研究領域。然而，學科背景與研究經歷的不同使得兩者的研究方式存在很大差異，這也導致社會科學家與計算科學家之間，圍繞計算社會科學中因果解釋與預測的關系上演了一場“守舊”與“維新”的方法論之爭。“守舊”的社會科學家認為計算社會科學應堅持對因果解釋的追求，而不必將預測作為理論的評價標準。他們努力將當前出現的新的數據與方法“收編”入傳統社會科學的研究框架之中，并希望通過對方法論基礎的完善為計算社會科學研究提供方法論支撐。“維新”的計算科學家則認為社會科學應給予預測更多的重視。他們還對社會科學理論的可靠性提出了質疑，認為社會科學家所宣稱的伍德沃德意義上的因果解釋在很多情況下其實是一種移情解釋。針對傳統社會科學的種種“問題”，一些計算科學家提出了“維新”方案，即對預測采取適當廣義的理解，以使在計算社會科學中進行預測成為可能。

社會科學家與計算科學家的觀點都有其合理性，但也都存在一定的局限。具體而言，單純追求理論的新穎性和啟發性造成了社會科學理論體系的混亂 〔29 〕。對于任一研究主題，幾乎都有若干理論，而且這些理論往往是互不兼容的。由于沒有基于預測的評價標準，這些理論可以長期并行地存在下去。通過更多的預測，有助于改善當前社會科學領域理論體系混亂的現狀，使得社會科學可以以一種累積的方式持續進步。但與此同時，社會現象內在的復雜性和隨機性使其不可能像自然現象那樣進行精確的預測。更為重要的是，當前計算科學家所進行的通常為基于相關關系的預測，預測結果穩定性較差，可解釋性也較低。

筆者認為，在計算社會科學中，因果解釋與預測并非是互不兼容的，兩者實際上是互為補充、相互促進的關系。一方面，預測可以為因果解釋指明方向、提供評價標準，從而有助于建立更為有效的因果解釋;另一方面，有效的因果解釋可以提高預測的準確性和可解釋性，從而使基于預測對社會現象進行的干預更為可靠。

在計算社會科學研究中，要克服因果解釋與預測各自的不足，充分發揮兩者的作用，應以解決實際問題為導向，在解決實際問題的過程中將兩者結合起來。原因在于，要解決實際問題，既需要基于因果解釋實現對社會現象的理解，也需要基于預測實現對社會現象的干預。因此，以解決實際問題為導向將“逼迫”研究者將因果解釋和預測結合起來。具體而言，為解決實際問題，因果解釋將不得不更多地以預測為重要目標和評價標準。雖然很多社會現象由于其復雜性難以進行有效的預測，但在計算社會科學中，隨著關于人類行為的大規模數據的出現和人類分析海量數據能力的提高，越來越多的社會現象正在不同程度上變得可以預測。只有與預測結果相符時，因果解釋作為對社會現象的理解才具有說服力。同時，解決實際問題也要求預測以因果解釋為基礎。當前，在計算社會科學中，基于相關關系對社會現象進行預測變得越來越可行，準確性也越來越高。然而，解決實際問題意味著對社會現象的干預，而如前所述，基于相關關系進行的預測是不穩定的，且可解釋性較低，難以作為對社會現象進行干預的依據。因此，解決實際問題要求預測必須以因果解釋為基礎，基于因果解釋指導預測模型的建立。

參考文獻：

〔1〕Lazer D，Pentland A，Adamic L，et al.Computational Social Science〔J〕.Science，2009（01）：721-723.

〔2〕Anderson C.The end of theory：The data deluge makes the scientific method obsolete〔J〕.Wired Magazine，2008（07）：16-07.

〔3〕Grimmer J.We are all social scientists now：how big data，machine learning，and causal inference work together〔J〕.Political Science & Politics，2015（01）：80-83.

〔4〕Hempel C G，Oppenheim P.Studies in the logic of explanation〔J〕.Philosophy of Science，1948（02）：135-175.

〔5〕Lieberson S，Lynn F B.Barking up the wrong branch：scientific alternatives to the current model of sociological science〔J〕.Annual Review of Sociology，2002（01）：1-19.

〔6〕Hedstr?m P，Ylikoski P.Causal mechanisms in the social sciences〔J〕.Annual Review of Sociology，2010（01）：49-67.

〔7〕Hofman J M，Sharma A，Watts D J.Prediction and explanation in social systems〔J〕.Science，2017（6324）：486-488.

〔8〕Woodward J.Making things happen：A theory of causal explanation〔M〕.NewYork and Oxford：Oxford University Press，2003.

〔9〕Woodward J.Interventionism and causal exclusion〔J〕.Philosophy and Phenomenological Research，2015（02）：303-347.

〔10〕Woodward J.Explanation and invariance in the special sciences〔J〕.The British Journal for the Philosophy of Science，2000（02）：197-254.

〔11〕Monroe B L，Pan J，Roberts M E.Sen M and Sinclair B.No！ Formal theory，causal inference，and big data are not contradictory trends in political science〔J〕.Political Science & Politics，2015（01）：71-74.

〔12〕Golder S A，Macy M W.Digital footprints：Opportunities and challenges for online social research〔J〕.Annual Review of Sociology，2014（01）：129-152.

〔13〕Bond R M，Fariss C J，Jones J J，Kramer A D，Marlow C，Settle J E，Fowler J H.A 61-million-person experiment in social influence and political mobilization〔J〕.Nature，2012（7415）：295-298.

〔14〕Salganik M J，Dodds P S，Watts D J.Experimental study of inequality and unpredictability in an artificial cultural market〔J〕.Science，2006（5762）：854-856.

〔15〕Bohannon J.Mechanical Turk upends social sciences〔J〕.Science，2016（6291）：1263-1264.

〔16〕Hersh E D.Long-term effect of September 11 on the political behavior of victims families and neighbors〔J〕.Proceedings of the National Academy of Sciences，2013（52）：20959-20963.

〔17〕Stephens-Davidowitz S.The cost of racial animus on a black candidate：Evidence using Google search data〔J〕.Journal of Public Economics，2014（118）：26-40.

〔18〕Kitchin R.Big data，new epistemologies and paradigm shifts〔J〕.Big Data & Society，2014（01）：1-12.

〔19〕Macy M W.An emerging trend：Is big data the end of theory？〔EB/OL〕. https：//doi.org/10.1002/9781118900772.etrds0410.

〔20〕DellaPosta D，Shi Y，Macy M.Why Do liberals drink lattes？〔J〕.American Journal of Sociology，2015（05）：1473-1511.

〔21〕Park P S，Blumenstock J E，Macy M W.The strength of long-range ties in population-scale social networks〔J〕.Science，2018（6241）：1410-1413.

〔22〕Dhar V.Data science and prediction〔J〕.Communications of the ACM，2013（12）：64-73.

〔23〕Ginsberg J，Mohebbi M H，Patel R S，Brammer L，Smolinski M S，Brilliant L.Detecting influenza epidemics using search engine query data〔J〕.Nature，2009（7232）：1012-1014.

〔24〕Eagle N，Pentland A S，Lazer D.Inferring friendship network structure by using mobile phone data〔J〕.Proceedings of the National Academy of Sciences，2009（36）：15274-15278.

〔25〕Kosinski M，Stillwell D，Graepel T.Private traits and attributes are predictable from digital records of human behavior〔J〕.Proceedings of the National Academy of Sciences，2013（15）：5802-5805.

〔26〕Watts D J.Common sense and sociological explanations〔J〕.American Journal of Sociology，2014（02）：313-351.

〔27〕Song C，Qu Z，Blumm N，Barabási A L.Limits of predictability in human mobility〔J〕.Science，2010（5968）：1018-1021.

〔28〕Risi J，Sharma A，Shah R，Connelly M，Watts D J.Predicting history〔J〕.Nature Human Behaviour，2019（09）：906-912.

〔29〕Watts D J.Should social science be more solution-oriented？〔J〕.Nature Human Behaviour，2017（01）：0015.

責任編輯 蘇玉娟