04第四章-计算政治学的方法范式

计算政治学的方法范式新编21世纪政治学系列教材

《计算政治学概论》

第四章目

录一、计算研究范式的缘起与发展二、作为范式的计算方法三、计算方法范式的创新四、计算方法范式推动因果推断的方法路径五、结论与展望一、计算研究范式的缘起与发展科学范式的每一次转换，都在为与社会科学创造全新研究议程计算方法“史前史”从“社会哲学”到“社会科学”“政治算术”学派与现代统计学诞生计算方法“前身”行为主义革命与定量分析聚焦理论驱动的假设验证以抽样调查为典型的方法计算社会科学范式打破传统样本局限基于超级计算能力与海量非结构化数据数据驱动与模式发现二、作为范式的计算方法从“设计的数据”到“行为数据”的逻辑跃迁传统定量范式计算方法范式数据规模数据性质驱动逻辑时空动态分析焦点样本数据设计的数据理论驱动静态/滞后界面小样本事件全量数据真实行为痕迹数据驱动动态时空的“厚数据”大数据+小数据因果推断视角下计算方法的功能数据采集：帮助研究者获取既有方法无法采集或处理的海量数据，为科学研究提供新素材和新问题。数据管理和挖掘：帮助研究者有效地管理海量非结构化数据，利用数据库、自然语言技术处理非结构化数据。测量方法：将高维、复杂和非结构化数据转化为低维的结构化数据。描述性(探索性)推论：利用分类、聚类等方法对社会现象开展描述性分析，理解社会行为的状态、分布或趋势变化，作为因果推论的前期准备。相关性推论：基于数据挖掘考察社会现象之间的相关关系。因果推论：融合计算方法与传统统计方法、实验方法、定性方法等构建、检验并解释社会现象间的因果关联。预测性分析：利用回归模型、决策树、神经网络等各类机器学习算法，在复杂社会系统中实时预测特定现象或趋势。三、计算方法范式的创新计算方法范式的四大创新维度素材革新数据模态多元化“样本数据”到“全量数据”“设计的数据”到“真实数据”时空维度信息方法扩容提升对非结构化与结构化数据的分析能力算法驱动的多种机器学习方法搭建“定性-定量”分野桥梁模式转变低成本、高时效驱动对及时性、突发性事件的研究推动社会科学研究的跨学科趋势学术破圈知识平民化数据可视化降低知识门槛与企业、政府合作增加影响力四、计算方法范式推动因果推断的方法路径计算方法与传统方法的深度融合开拓了四条因果推断路径计算方法+统计分析通过计算方法获取数据、提取概念、探索性分析利用统计方法控制内生性、构建反事实框架大数据+小数据宏观大数据全景扫描发现总体模式抽取微观小数据深度访谈验证机制计算方法+实验研究计算方法为实验获得描述性/相关性理解利用高维非结构化干预开展大规模自然与在线实验计算模拟研究利用ABM在真实海量数据下模拟复杂系统动态五、结论与展望代表性偏差警惕数字鸿沟与网络伪信息（机器人数据）避免未上网群体被忽视测量信度与效度机器学习机制不透明数字痕迹多为“外显行为”，深层心理机制难以被数字化捕捉硬件门槛与算力壁垒处理千万级参数需要极高算力与储存成本警惕学术资源分配不平等学术伦理与隐私边界规范个人数据权利清晰界定大规模社会实验的伦理边界计算范式面临的挑战模型时代的“算法驱动”的新范式数据驱动到算法驱动超越单一的海量数据挖掘，利用拥有百万级参数的大语言模型进行自适应学习，精准重构社会复杂系统，生成式仿真（硅样本）突破被动观察模式，利用大语言模型生成高拟真“硅基样本”，实现对真实社会过程的高精度动态模拟与诠释。非线性解析传统线性模型难以处理复杂社会系统。算法驱动级大提升了捕捉海量变量间非线性动态关系的能力，重塑演化预测。走向理论、数据与算法的深度融合理论范式提供理论起点、先验假设与诠释框架。防止唯数据论。理论驱动（定量范式）数据驱动（计算范式）算法驱动（