可执行社会科学

#计算社会科学 #AI4SS #社会模拟 #Agent #方法论

可执行社会科学

可执行社会科学指把社会科学问题、理论机制、实验规则、干预方案和测量指标转化为可以运行、复现和审计的计算实验结构。它不是让 AI 直接给出社会科学答案，而是把研究假设变成可操作的实验系统。

观察

传统社会科学常把理论、数据、实验和写作分散在不同环节；可执行社会科学试图把这些环节接成一个工作流，让研究问题能逐步转化为文献综述、假设、机制模型、仿真配置和结果解释。
AgentSociety² 把这一设想具体化为 AI Social Scientists 与 Silicon Participants 的协同环境：前者协助研究流程，后者在可配置社会环境中产生行为数据。
这个方向与社会世界模型的关系是：社会世界模型提供可模拟的社会状态空间，可执行社会科学提供围绕这些状态空间进行假设检验和机制比较的研究流程。
对计算社会科学来说，它的价值不是“替代真实调查”，而是扩大机制空间、降低仿真实验工程成本、提高可复用性，并为真实世界研究设计提供先验压力测试。
智能社会治理把可执行社会科学推进到公共政策案例教学：案例智能体、仿真推演、交互网页和 VR/3D 场景都可以成为案例表达和机制讨论的载体。
硅基样本数据补上了调查方法边界：AI 生成的类受访者可以用于预实验和机制推演，但不能未经校准地替代真人样本。
实证研究智能体工作流补上了项目工程层：可执行研究不仅需要仿真或 agent，还需要 README、目录、provenance、verification、permissions 和停止规则。
计算政治心理学则提供一个具体学科场景：政治心理研究正在把大数据、机器学习、仿真和 LLM 纳入测量、实验和治理问题。
社交媒体注意力资本提供了真实数据、因果识别和 agent-based simulation 结合的例子，说明可执行社会科学可以把平台行为机制放进可运行模型中检验。
OpenClaw 提供了教学场景样本：学生智能体、教师智能体、课程知识和研究/技术两条期末路径，使 agent 工作流成为可练习的社会科学基础设施。
城市环境犯罪因果效应提供了城市研究样本：街景图像、兴趣点和结构因果模型可以把环境犯罪学理论转化为可估计、可质疑、可复核的因果图与效应路径。
AI4SS 技术入门把可执行社会科学转成面向社科研究者的训练入口：从聊天机器人转向智能体基础设施，重点在研究链条和质量控制。
中国街区级犯罪时空数据集提供了数据生产样本：LLM 可以参与从法律文本中抽取事件时空结构，但 provenance、抽取误差和公开文书选择偏差必须保留。
Simile 提供商业侧样本：生成式智能体模拟正在被包装为市场/受众反应预测工具，这会把可执行社会科学的外部效度问题带入产品场景。
Emergence World 提供长时段、共享治理和资源约束下的实验环境样本。它能把行为轨迹、关系变化和制度事件记录成可分析材料，但要进入可执行社会科学，仍需预注册比较问题、明确处理与测量、重复运行并报告随机性；平台展示的模型差异本身不是因果识别。

风险

如果 agent 行为缺少外部校准，可执行实验会产生“看起来像社会”的封闭幻觉。
如果研究者把仿真结果直接当作真实人群证据，就会混淆机制推演、模型内事实和外部经验事实。
如果把硅基样本与真人调查混在同一数据层，研究者会失去对样本来源和外部效度的基本控制。
如果系统自动生成假设、实验和论文但缺少审计轨迹，研究责任会变得不清晰。
如果 agent 工作流缺少 provenance 和 stopping rule，研究会从“可执行”滑向“自动化但不可复核”。
如果把一次示范运行或一个模型世界当作处理组，模型版本、角色设定、随机种子、工具调用和运行时故障就可能被误当作模型效应。

可执行社会科学

观察

风险

相关页面

证据