韓軍徽

〔摘要〕 基于對近年來出現(xiàn)的大規(guī)模人類行為數(shù)據(jù)的共同興趣，社會科學(xué)家與計算科學(xué)家攜手開拓了計算社會科學(xué)這一新的研究領(lǐng)域。然而，學(xué)科背景與研究經(jīng)歷的不同導(dǎo)致兩者圍繞計算社會科學(xué)中因果解釋與預(yù)測的關(guān)系上演了一場“守舊”與“維新”的方法論之爭?！笆嘏f”的社會科學(xué)家認為計算社會科學(xué)應(yīng)堅持對因果解釋的追求，而不必將預(yù)測作為理論的評價標(biāo)準(zhǔn)?！熬S新”的計算科學(xué)家則認為社會科學(xué)應(yīng)給予預(yù)測更多的重視，并提出通過對預(yù)測采取適當(dāng)廣義的理解，在計算社會科學(xué)中進行預(yù)測是可能的。因果解釋與預(yù)測并非互不兼容，兩者實際上是互為補充、相互促進的關(guān)系。未來計算社會科學(xué)的發(fā)展應(yīng)以解決實際問題為導(dǎo)向，在解決實際問題的過程中實現(xiàn)因果解釋與預(yù)測的結(jié)合。

〔關(guān)鍵詞〕 計算社會科學(xué)，方法論，因果解釋，預(yù)測

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

一、研究緣起：計算社會科學(xué)中的社會科學(xué)家與計算科學(xué)家的兩大陣營

在過去的十余年中，隨著計算機、互聯(lián)網(wǎng)等信息技術(shù)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(shù)據(jù)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(shù)據(jù)進行有效地分析。這種對關(guān)于人類行為的大規(guī)模數(shù)據(jù)的收集與分析能力的提高導(dǎo)致了計算社會科學(xué)的誕生 〔1 〕。作為一個跨學(xué)科的研究領(lǐng)域，計算社會科學(xué)的興起是近年來社會科學(xué)最為重要的發(fā)展動向之一。

目前從事計算社會科學(xué)的研究者大致可以分為兩類，即社會科學(xué)家和計算科學(xué)家。其中，前者主要指在社會學(xué)、經(jīng)濟學(xué)、政治學(xué)、管理學(xué)、心理學(xué)等領(lǐng)域從事量化社會科學(xué)研究的研究者，而后者主要指在計算機科學(xué)、信息科學(xué)、物理學(xué)等領(lǐng)域從事數(shù)據(jù)科學(xué)研究的研究者。在計算社會科學(xué)興起之前，兩者幾乎不存在交集。當(dāng)前，對大規(guī)模人類行為數(shù)據(jù)的共同興趣正在使兩者之間產(chǎn)生越來越多的合作。然而，截然不同的學(xué)科背景和研究經(jīng)歷使得社會科學(xué)家和計算科學(xué)家在研究方式上存在很大差異，這導(dǎo)致兩者在計算社會科學(xué)領(lǐng)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(xué)中因果解釋與預(yù)測之間的關(guān)系，并探討計算社會科學(xué)的未來發(fā)展方向。

二、社會科學(xué)家面對計算科學(xué)沖擊的“守舊”

就從事計算社會科學(xué)研究的社會科學(xué)家而言，計算社會科學(xué)的興起在為社會科學(xué)研究帶來大規(guī)模人類行為數(shù)據(jù)和各種新穎的數(shù)據(jù)分析方法的同時，也導(dǎo)致社會科學(xué)長期以來形成的研究傳統(tǒng)受到來自計算科學(xué)的沖擊。例如，前《連線》（Wired）雜志主編克里斯·安德森（Chris Anderson）認為，數(shù)據(jù)泛濫使得傳統(tǒng)的科學(xué)方法不再適用，理論已經(jīng)終結(jié) 〔2 〕。他指出，傳統(tǒng)的科學(xué)研究尋求事物之間的因果關(guān)系，但在PB（Petabytes）數(shù)據(jù)時代，相關(guān)性已經(jīng)足夠。這種觀點很具有代表性，在社會科學(xué)界尤其是計算社會科學(xué)領(lǐng)域引起了極大的反響。面對這種來自計算科學(xué)的沖擊，社會科學(xué)家表現(xiàn)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(shù)據(jù)的出現(xiàn)和數(shù)據(jù)分析能力的提高使我們可以滿足于相關(guān)關(guān)系，而放棄對因果關(guān)系的追求。但在社會科學(xué)家看來，計算社會科學(xué)仍應(yīng)追求因果解釋。例如，格拉默認為，僅海量數(shù)據(jù)無法提供各種社會問題的答案，社會科學(xué)仍需以因果解釋為研究目標(biāo) 〔3 〕。之所以如此，原因在于社會科學(xué)和自然科學(xué)對因果解釋的理解存在很大差異。

在自然科學(xué)中，因果解釋以預(yù)測為評價標(biāo)準(zhǔn)，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(tǒng) 〔4 〕。他們認為，除非解釋項可以作為對被解釋項進行預(yù)測的基礎(chǔ)，否則這種解釋是不充分的。實際上，預(yù)測也是自然科學(xué)追求對自然現(xiàn)象進行因果解釋的主要目的。但若僅以預(yù)測為目的，可靠的相關(guān)關(guān)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(shù)據(jù)的出現(xiàn)和數(shù)據(jù)分析能力的提高，我們通過分析數(shù)據(jù)所獲得的相關(guān)關(guān)系的可靠性越來越高，預(yù)測能力也越來越強。正是在這種意義上，他們認為相關(guān)關(guān)系已經(jīng)可以取代因果關(guān)系。

然而，社會科學(xué)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(xué)家認為，社會現(xiàn)象遠比自然現(xiàn)象更為復(fù)雜，導(dǎo)致難以進行有效地預(yù)測。因此，社會科學(xué)不應(yīng)將對社會現(xiàn)象的預(yù)測作為因果解釋的評價標(biāo)準(zhǔn)。例如，利伯森和林恩認為社會科學(xué)應(yīng)更多地借鑒生物學(xué)而非物理學(xué)的理論和方法體系，預(yù)測不必作為評估理論的標(biāo)準(zhǔn) 〔5 〕。赫斯特羅姆認為，對預(yù)測的關(guān)注反而會阻礙對因果解釋的探索 〔6 〕。因為實際的社會現(xiàn)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(yù)測的結(jié)果在實際的社會現(xiàn)象中也未必會出現(xiàn)。還有學(xué)者認為追求預(yù)測將導(dǎo)致模型過于復(fù)雜，從而失去了可解釋性，此外我們也缺乏進行預(yù)測所需的充足的數(shù)據(jù) 〔7 〕。

實際上，社會科學(xué)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(zhǔn)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(yīng)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(yù)實現(xiàn)的 〔9 〕。這種干預(yù)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(shè) 〔10 〕。這些都使得對實際社會現(xiàn)象的預(yù)測不必成為評估因果解釋的必要性標(biāo)準(zhǔn)，也導(dǎo)致社會科學(xué)長期以來較少關(guān)注預(yù)測。正是基于對因果解釋的這種理解，社會科學(xué)家認為計算社會科學(xué)研究仍應(yīng)追求因果解釋。

（二）吸收新的數(shù)據(jù)分析方法

在堅持追求因果解釋的基礎(chǔ)之上，社會科學(xué)家試圖將當(dāng)前出現(xiàn)的大規(guī)模人類行為數(shù)據(jù)和各種新穎的數(shù)據(jù)分析方法“收編”入傳統(tǒng)社會科學(xué)的研究框架之中。大部分社會科學(xué)家將這種新型數(shù)據(jù)和分析方法視為社會科學(xué)數(shù)據(jù)來源的豐富和研究工具箱的拓展，認為通過恰當(dāng)?shù)剡\用將有助于對因果解釋的探索。他們認為，大規(guī)模人類行為數(shù)據(jù)的獲取和數(shù)據(jù)分析能力的提高能夠在三個方面促進社會科學(xué)對因果解釋的探索：第一，可以設(shè)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(xué)研究的社會科學(xué)家主要的努力方向。

具體而言，第一，互聯(lián)網(wǎng)的普及使得社會科學(xué)中的實驗研究可以通過網(wǎng)絡(luò)平臺進行，產(chǎn)生了“虛擬實驗室”（Virtual Laboratory）。與傳統(tǒng)實驗室相比，虛擬實驗室有一些突出的優(yōu)勢。例如，虛擬實驗室更容易開展大規(guī)模實驗、實驗成本更低、實驗設(shè)置更方便等等 〔12 〕。在利用虛擬實驗室進行的社會科學(xué)實驗研究中，有些是通過已有的互聯(lián)網(wǎng)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(jīng)投票的好友的數(shù)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(wǎng)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(wǎng)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(xué)家極大的興趣。眾包平臺實驗與傳統(tǒng)的實驗室實驗不同的是，前者是通過網(wǎng)絡(luò)平臺發(fā)布實驗任務(wù)、收集實驗結(jié)果，而后者是將參與者召集到實驗室中進行實驗。研究發(fā)現(xiàn)，截至2015年基于AMT進行實驗的論文已超過1000篇 〔15 〕。

第二，當(dāng)實驗不可行或者不道德時，如何基于觀察數(shù)據(jù)進行因果推斷成為社會科學(xué)家關(guān)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(shù)據(jù)由于規(guī)模有限，進行匹配后往往會導(dǎo)致子群體數(shù)據(jù)過少而無法進行有效的因果推斷。當(dāng)前出現(xiàn)的大規(guī)模人類行為數(shù)據(jù)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(shù)據(jù)。例如，赫什利用數(shù)以百萬計的數(shù)據(jù)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(shù)據(jù)可以提供可靠的信息。對于有些人類行為，傳統(tǒng)方法難以直接獲取準(zhǔn)確的觀察數(shù)據(jù)。此時，由于當(dāng)前產(chǎn)生的大規(guī)模人類行為數(shù)據(jù)主要是間接的“痕跡性”數(shù)據(jù)，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(tǒng)的問卷調(diào)查、訪談等研究方法直接獲取。而利用谷歌搜索數(shù)據(jù)，史蒂芬斯-大衛(wèi)德維茨在2008年美國總統(tǒng)大選期間研究了種族傾向?qū)ν镀边x擇的影響 〔17 〕。他發(fā)現(xiàn)，人們所用的搜索詞中包含了大量關(guān)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(shè)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(guī)模人類行為數(shù)據(jù)的獲取和數(shù)據(jù)分析能力的提高視為數(shù)據(jù)來源的豐富和研究工具的擴展之外，社會科學(xué)家還試圖將海量數(shù)據(jù)分析所利用的“數(shù)據(jù)驅(qū)動”（Data-driven）的研究方法與傳統(tǒng)社會科學(xué)“理論驅(qū)動”（Theory-driven）的研究方法相結(jié)合。例如，一些社會科學(xué)家提出可以首先通過數(shù)據(jù)分析以數(shù)據(jù)驅(qū)動的方式形成研究假設(shè)，之后利用傳統(tǒng)社會科學(xué)理論驅(qū)動的方式對假設(shè)進行驗證 〔18 〕。

（三）完善方法論基礎(chǔ)

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

梅西指出，傳統(tǒng)社會科學(xué)研究中的調(diào)查數(shù)據(jù)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(biāo)準(zhǔn)差等統(tǒng)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(diào)查數(shù)據(jù)一般包含調(diào)查對象的種族、性別、年齡、教育程度、職業(yè)、收入等屬性信息及其對某些問題的觀點，但不包含調(diào)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(diào)查對象觀點形成的原因時就只能將其與調(diào)查對象的屬性信息相關(guān)聯(lián)。而且研究表明 〔20 〕，這樣的關(guān)聯(lián)幾乎總能得到顯著的統(tǒng)計結(jié)果。也就是說，對于調(diào)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(guān)。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(dāng)根據(jù)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(jù)相關(guān)性進行因果推斷可能出現(xiàn)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(guān)，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(tài)也是相契合的。簡言之，這種原子化的理論模式邏輯可靠、經(jīng)驗合理，與啟蒙運動以來的個人主義意識形態(tài)相契合且在以調(diào)查為基礎(chǔ)的社會科學(xué)研究中有著堅實的實證支撐。

但是，梅西認為，由于社會網(wǎng)絡(luò)的自相關(guān)效應(yīng)，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(wǎng)絡(luò)的自相關(guān)效應(yīng)是指個人的觀點可能會受到其網(wǎng)絡(luò)鄰居的影響。傳統(tǒng)社會科學(xué)研究中的調(diào)查數(shù)據(jù)通常不包含調(diào)查對象網(wǎng)絡(luò)鄰居的信息，導(dǎo)致無法研究這種自相關(guān)效應(yīng)。而當(dāng)前所產(chǎn)生的大規(guī)模人類行為數(shù)據(jù)主要就是關(guān)系型數(shù)據(jù)，可以通過網(wǎng)絡(luò)分析建立關(guān)系型理論。與之前的社會網(wǎng)絡(luò)分析集中于邊界明確的小群體不同，海量數(shù)據(jù)的獲取使大規(guī)模的網(wǎng)絡(luò)分析成為可能 〔21 〕。梅西同樣注意到虛擬實驗室的出現(xiàn)對社會科學(xué)研究的重要作用。他認為，基于觀察數(shù)據(jù)進行因果推斷具有內(nèi)在的局限性，海量數(shù)據(jù)也不例外，而建立因果解釋的黃金法則是隨機實驗。在傳統(tǒng)的社會科學(xué)實驗研究中，實驗參與者一般較少，且主要是大學(xué)在校學(xué)生，將基于這些參與者的實驗結(jié)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(xiàn)使得研究者可以基于數(shù)量更多、異質(zhì)性更強的研究者進行實驗，從而有效地提高實驗發(fā)現(xiàn)的外部有效性。因此，梅西認為海量的關(guān)系型數(shù)據(jù)的產(chǎn)生和虛擬實驗室的出現(xiàn)將使社會科學(xué)中的因果探索進入一個新的階段。

三、計算科學(xué)家面對社會科學(xué)傳統(tǒng)的“維新”

如前所述，從事計算社會科學(xué)研究的計算科學(xué)家大多是在計算機科學(xué)、信息科學(xué)、物理學(xué)等領(lǐng)域從事數(shù)據(jù)科學(xué)研究的研究者，他們從事計算社會科學(xué)研究主要是因為對當(dāng)前產(chǎn)生的大規(guī)模人類行為數(shù)據(jù)具有濃厚的興趣 〔22 〕。對這種數(shù)據(jù)的研究要求計算科學(xué)家必須形成對數(shù)據(jù)所反映的社會現(xiàn)象的理解，而這以往是社會科學(xué)家的研究領(lǐng)域。然而，由于學(xué)科背景和研究經(jīng)歷的差異，很多計算科學(xué)家對社會科學(xué)傳統(tǒng)并不認同。由此，一些計算科學(xué)家呼吁在計算社會科學(xué)中對社會科學(xué)傳統(tǒng)進行“維新”。

（一）強調(diào)預(yù)測的重要性

由于計算科學(xué)家主要在自然科學(xué)領(lǐng)域接受學(xué)術(shù)訓(xùn)練和從事學(xué)術(shù)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(yīng)以預(yù)測為評價標(biāo)準(zhǔn)。此外，計算科學(xué)家的研究通常有比較明確的應(yīng)用指向，而較強的預(yù)測能力是應(yīng)用性的基礎(chǔ)。這導(dǎo)致與社會科學(xué)家相反，計算科學(xué)家非常強調(diào)預(yù)測的重要性而較少關(guān)注因果解釋。例如，金斯博格等人根據(jù)特定谷歌搜索詞搜索量的變化預(yù)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(shù)據(jù)預(yù)測人們的朋友關(guān)系網(wǎng)絡(luò) 〔24 〕;科辛斯基等人基于臉書的點贊數(shù)據(jù)預(yù)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(xiàn)象并不穩(wěn)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(yù)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?yōu)槭裁床焕每梢垣@得的數(shù)據(jù)建立具有最佳預(yù)測效果的模型并定期更新呢？ 〔22 〕他們認同社會科學(xué)家的觀點，即我們所觀察到的社會現(xiàn)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(shù)據(jù)中得到因果機制。另外，與自然科學(xué)中包括了所有相關(guān)變量的完全模型不同，社會科學(xué)中的因果模型通常只是包括了部分相關(guān)變量的不完全模型。這除了導(dǎo)致社會科學(xué)中的因果模型一般預(yù)測效果較差之外，還經(jīng)常出現(xiàn)不同的社會科學(xué)家根據(jù)同一組觀察數(shù)據(jù)得出完全不同的研究結(jié)論的情況。相反，如果模型有比較好的預(yù)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(xué)研究應(yīng)增加對預(yù)測的關(guān)注。

（二）敢于質(zhì)疑社會科學(xué)理論的可靠性

除了認為社會科學(xué)研究應(yīng)對預(yù)測給予更多的重視之外，一些計算科學(xué)家還對社會科學(xué)理論的可靠性提出了質(zhì)疑。例如，鄧肯·沃茨（Duncan Watts）認為，雖然社會科學(xué)家?guī)缀醵颊J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(jīng)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(jīng)常被誤認為是因果解釋，但兩者存在本質(zhì)區(qū)別：因果解釋需要按照因果準(zhǔn)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(jīng)驗的能力。沃茨認為，之所以出現(xiàn)這種情況，是因為社會科學(xué)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(guān)行動者的意圖、信仰、環(huán)境和機會來解釋，并用這種認識來預(yù)期和理解別人的行為。社會科學(xué)中關(guān)于行動的理論實際上是這種常識的變種，而關(guān)于行動的理論又是社會科學(xué)的基礎(chǔ)性理論，導(dǎo)致社會科學(xué)中的很多理論在本質(zhì)上都是建立在這種常識的基礎(chǔ)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(xué)理論對常識的這種依賴源于社會科學(xué)家構(gòu)建理論的方式。在日常生活中，當(dāng)預(yù)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(shè)想他們在那種情形下的行為。當(dāng)然，我們模擬的“對方”，實際上是經(jīng)過修正的“我們”，即我們根據(jù)自己的感知假設(shè)了對方對情形的理解，并且加入了我們認為與情形相關(guān)的其他信息，如對方的意圖、信仰等。當(dāng)理解別人的行為時采用的則是一個相反的過程，即根據(jù)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(dāng)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(xué)家在構(gòu)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(dǎo)致了社會科學(xué)家經(jīng)常建立的也是一種移情解釋，并根據(jù)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(guān)系經(jīng)常是錯誤的，只是在日常生活中由于我們能夠很快地根據(jù)反饋進行修正，導(dǎo)致通常意識不到這種錯誤。但在社會科學(xué)中，當(dāng)把這種移情解釋誤認為因果解釋時，將造成社會科學(xué)理論的錯誤。

（三）構(gòu)建社會科學(xué)方法論的“維新”方案

針對社會科學(xué)傳統(tǒng)的種種“問題”，計算科學(xué)家給出了自己的方法論“維新”方案。他們認為，既然社會科學(xué)家試圖建立的伍德沃德意義上的因果解釋經(jīng)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(zhǔn)則，以預(yù)測作為社會科學(xué)理論的評價標(biāo)準(zhǔn)。當(dāng)然，預(yù)測的準(zhǔn)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(dāng)前大部分社會科學(xué)家拒絕將預(yù)測作為社會科學(xué)理論評價標(biāo)準(zhǔn)的主要原因在于對預(yù)測的狹義理解，即認為預(yù)測必須是決定論意義上的、關(guān)于未來的以及針對特定的事件。他認為，通過對預(yù)測采取適當(dāng)廣義的理解，社會科學(xué)家應(yīng)當(dāng)認同有效的因果解釋可以作出預(yù)測。

具體而言，首先，預(yù)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(xiàn)增加或降低了事件Y出現(xiàn)的概率。這種概率意義上的預(yù)測當(dāng)前在物理學(xué)、計算機科學(xué)、人工智能等領(lǐng)域有著廣泛的應(yīng)用。其次，預(yù)測也不必是關(guān)于未來的。實際上，嚴格的關(guān)于未來的預(yù)測更準(zhǔn)確地說應(yīng)稱為“預(yù)報”（Forecasting），預(yù)報僅僅是預(yù)測的一種形式。預(yù)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(yù)測的數(shù)據(jù)與建立因果解釋的數(shù)據(jù)不能是同一組數(shù)據(jù)。這種做法在以預(yù)測為核心的計算機科學(xué)等領(lǐng)域幾乎是一種標(biāo)準(zhǔn)做法，即首先基于訓(xùn)練數(shù)據(jù)建立模型，然后利用測試數(shù)據(jù)檢驗?zāi)Ｐ偷念A(yù)測效果。如此理解預(yù)測時，除了未來的事件，過去以及現(xiàn)在的事件都可以作為預(yù)測的對象。最后，預(yù)測也不必針對特定的事件或結(jié)果，而是可以僅對事件或結(jié)果的某種分布或者模式進行預(yù)測。例如，薩爾甘尼克等人在對音樂市場的研究中預(yù)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(yù)測，但并沒有預(yù)測具體哪首歌曲會流行。

一些計算科學(xué)家認為，以預(yù)測作為理論的評價標(biāo)準(zhǔn)在計算社會科學(xué)中是可行的，但需要注意以下幾方面的問題 〔7 〕：

第一，建立統(tǒng)一的任務(wù)框架和預(yù)測標(biāo)準(zhǔn)。在以預(yù)測為核心的計算機科學(xué)、人工智能等領(lǐng)域通常有統(tǒng)一的量化標(biāo)準(zhǔn)可以對不同研究的預(yù)測效果進行比較，而目前在社會科學(xué)領(lǐng)域所進行的預(yù)測研究則無法進行有效的比較。這種情況產(chǎn)生的主要原因在于，社會科學(xué)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(wù)、數(shù)據(jù)集、模型和性能指標(biāo)等。對于同一問題，研究者的選擇組合不同，研究結(jié)果也會完全不同。因此，研究者首先應(yīng)就研究任務(wù)、數(shù)據(jù)集、性能指標(biāo)等達成共識，形成“共同任務(wù)框架”（Common Task Framework），并基于此框架對預(yù)測結(jié)果進行評估和比較。

第二，區(qū)分不同社會現(xiàn)象的預(yù)測限度。與自然現(xiàn)象通?？梢赃M行非常精確的預(yù)測不同，人類行為的可預(yù)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(nèi)，用戶有70%的時間在他們最常去的地點 〔27 〕。因此，當(dāng)我們作出“某人在他最常去的地點”的預(yù)測時，可以得到平均70%的準(zhǔn)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(yù)測。這就要求我們在評估特定預(yù)測模型的準(zhǔn)確性時，不僅要參考已有的表現(xiàn)最好的模型，還要考慮可能預(yù)測的最大限度。因為如果預(yù)測效果不理想，既有可能是數(shù)據(jù)或模型的問題，也有可能是現(xiàn)象本身存在不可預(yù)測性 〔28 〕。

第三，兼顧預(yù)測準(zhǔn)確性與模型可解釋性。如前所述，社會科學(xué)家反對預(yù)測的主要原因之一就是認為預(yù)測將導(dǎo)致模型過于復(fù)雜，從而失去了可解釋性。計算科學(xué)家認為，對預(yù)測的強調(diào)確實會導(dǎo)致模型復(fù)雜性的提高，但并不意味著預(yù)測準(zhǔn)確性與模型的可解釋性相矛盾。機器學(xué)習(xí)領(lǐng)域的一些研究表明，我們可以在保證預(yù)測準(zhǔn)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(xiàn)象的“理解”本身就應(yīng)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(yù)測。

四、結(jié)語

基于對大規(guī)模人類行為數(shù)據(jù)的共同興趣，社會科學(xué)家與計算科學(xué)家攜手開拓了計算社會科學(xué)這一新的研究領(lǐng)域。然而，學(xué)科背景與研究經(jīng)歷的不同使得兩者的研究方式存在很大差異，這也導(dǎo)致社會科學(xué)家與計算科學(xué)家之間，圍繞計算社會科學(xué)中因果解釋與預(yù)測的關(guān)系上演了一場“守舊”與“維新”的方法論之爭?！笆嘏f”的社會科學(xué)家認為計算社會科學(xué)應(yīng)堅持對因果解釋的追求，而不必將預(yù)測作為理論的評價標(biāo)準(zhǔn)。他們努力將當(dāng)前出現(xiàn)的新的數(shù)據(jù)與方法“收編”入傳統(tǒng)社會科學(xué)的研究框架之中，并希望通過對方法論基礎(chǔ)的完善為計算社會科學(xué)研究提供方法論支撐?！熬S新”的計算科學(xué)家則認為社會科學(xué)應(yīng)給予預(yù)測更多的重視。他們還對社會科學(xué)理論的可靠性提出了質(zhì)疑，認為社會科學(xué)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(tǒng)社會科學(xué)的種種“問題”，一些計算科學(xué)家提出了“維新”方案，即對預(yù)測采取適當(dāng)廣義的理解，以使在計算社會科學(xué)中進行預(yù)測成為可能。

社會科學(xué)家與計算科學(xué)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(fā)性造成了社會科學(xué)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(yù)測的評價標(biāo)準(zhǔn)，這些理論可以長期并行地存在下去。通過更多的預(yù)測，有助于改善當(dāng)前社會科學(xué)領(lǐng)域理論體系混亂的現(xiàn)狀，使得社會科學(xué)可以以一種累積的方式持續(xù)進步。但與此同時，社會現(xiàn)象內(nèi)在的復(fù)雜性和隨機性使其不可能像自然現(xiàn)象那樣進行精確的預(yù)測。更為重要的是，當(dāng)前計算科學(xué)家所進行的通常為基于相關(guān)關(guān)系的預(yù)測，預(yù)測結(jié)果穩(wěn)定性較差，可解釋性也較低。

筆者認為，在計算社會科學(xué)中，因果解釋與預(yù)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(guān)系。一方面，預(yù)測可以為因果解釋指明方向、提供評價標(biāo)準(zhǔn)，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(yù)測的準(zhǔn)確性和可解釋性，從而使基于預(yù)測對社會現(xiàn)象進行的干預(yù)更為可靠。

在計算社會科學(xué)研究中，要克服因果解釋與預(yù)測各自的不足，充分發(fā)揮兩者的作用，應(yīng)以解決實際問題為導(dǎo)向，在解決實際問題的過程中將兩者結(jié)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(xiàn)對社會現(xiàn)象的理解，也需要基于預(yù)測實現(xiàn)對社會現(xiàn)象的干預(yù)。因此，以解決實際問題為導(dǎo)向?qū)ⅰ氨破取毖芯空邔⒁蚬忉尯皖A(yù)測結(jié)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(yù)測為重要目標(biāo)和評價標(biāo)準(zhǔn)。雖然很多社會現(xiàn)象由于其復(fù)雜性難以進行有效的預(yù)測，但在計算社會科學(xué)中，隨著關(guān)于人類行為的大規(guī)模數(shù)據(jù)的出現(xiàn)和人類分析海量數(shù)據(jù)能力的提高，越來越多的社會現(xiàn)象正在不同程度上變得可以預(yù)測。只有與預(yù)測結(jié)果相符時，因果解釋作為對社會現(xiàn)象的理解才具有說服力。同時，解決實際問題也要求預(yù)測以因果解釋為基礎(chǔ)。當(dāng)前，在計算社會科學(xué)中，基于相關(guān)關(guān)系對社會現(xiàn)象進行預(yù)測變得越來越可行，準(zhǔn)確性也越來越高。然而，解決實際問題意味著對社會現(xiàn)象的干預(yù)，而如前所述，基于相關(guān)關(guān)系進行的預(yù)測是不穩(wěn)定的，且可解釋性較低，難以作為對社會現(xiàn)象進行干預(yù)的依據(jù)。因此，解決實際問題要求預(yù)測必須以因果解釋為基礎(chǔ)，基于因果解釋指導(dǎo)預(yù)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，F(xiàn)ariss C J，Jones J J，Kramer A D，Marlow C，Settle J E，F(xiàn)owler 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(zé)任編輯 蘇玉娟