本文转载自公众号撸串地理
导读 社会科学与自然科学的研究范式、思维逻辑以及理念宗旨似乎千差万别。对待同一个问题，1000个社会科学家可能会有1000种看法。比如说，什么是“领导力”？这在畅销书架上就能找到上百种答案。实际上，在过去的100年里，社会科学产生了大量的关于个人和集体行为的理论。但是，这些理论的解释往往是互相矛盾的。想在这个问题上取得突破，就要采取一种更注重解决方案的思维逻辑。本期推荐文献来自社会科学超顶级刊物《Nature Human Behaviour》的一篇关于社会科学是否应该更注重解决方案的评论文章。
敬请阅读：
Watts, D. (2017). Should social science be more solution-oriented?. Nat Hum Behav 1, 0015. https://doi.org/10.1038/s41562-016-0015
Part1 内容简介 社会科学对于主题X的看法是什么？这个问题看起来很天真，对于任何一个X，社会科学都会有几十种，甚至几百种观点。但是，没有一种观点会具有普遍的共识。实际上，对于这个问题的回答，能够显现出社会科学和自然科学（比如物理学、工程学）之间的重要区别。 比如，与物理学相比，社会科学往往在很多问题上难以达成一致。尽管物理学上还有很多未知的问题，但是他们在对宇宙的了解上是有很大的共识的，例如牛顿力学、热力学、电磁学、光学、狭义与广义相对论、统计力学等。相比之下，经济学的分支领域如适用于拍卖的机制设计、匹配市场等，是经过经验验证的理论，甚至在实践中被证明是有用的。然而，这些说法在一般经济学中是站不住脚的，更不用说在社会科学广泛关注的问题上了。 实际上，社会科学的问题不在于它对一件事有一种理论，对另一件事有另一种理论，而在于它对同一件事有许多理论。正如上述经济学的例子，这些理论尽管在单独考虑时往往有趣而可信，但在整体考虑时基本上是不连贯的。这种不连贯的问题不仅是因为缺乏适当的数据来评估社会科学理论，而且还因为社会科学的学科制度和文化取向——历来强调特定理论的进步而不是解决实际问题。因此，作者认为解决非一致性问题的一个可能办法是摒弃基础科学和应用科学之间的传统区别，转而寻求专门为解决现实问题服务的理论进步。 Part2 社会科学中的不连贯问题 还有什么例子能够证明社会科学研究的不连贯？在社会传染和集体行为研究中有两篇经典文章，一篇是Threshold models of collective behavior，1978年发表在American Journal of Sociology，另一篇是A theory of fads, fashion, custom, and cultural change as informational cascades，1992年发表在Journal of Political Economy。这两篇文章在很多方面很相似，两者都提出了在社会影响下个人决策的理论模型，都用类似的经验例子来验证自己的模型，也都试图解释这些现象的机制，即对一个表面稳定的系统，其微小变化或“冲击”会导致集体行为的巨大变化。 但是，这两篇论文所提出的实际模型不仅不同，而且在逻辑上是不相容的。如果一个是正确的，那另一个则是错误的。然而，在20多年的共存中，这个明显的分歧不仅没有得到解决，而且几乎没有被注意到。更糟的是，这还不是唯一一个模型相似却难以调和的例子。很容易就能找到几十篇涵盖社会学、经济学和心理学的论文，每一篇都很有趣，但除了标题中的词之外，它们几乎没有什么共同之处。 Part3 更多的数据不是答案 是什么导致了这种状况？一种解释是，社会现象本质上是复杂的、多尺度的、呈网络系统涌现的。因此，简单地在长时间内，多尺度地观察网络和行为已经是一项非凡的任务，而通过“宏观”社会实验建立因果关系则更为困难，往往也是不可能的。换言之，社会科学看起来不如我们想象的那么“科学”，我们提出理论的能力长期以来超过了我们检验理论的能力。 那么，“大数据”时代会是解决方案吗？目前，我们已经可以收集到普通日常互动的数字痕迹，如发送电子邮件、查看社交媒体、消费内容和观点表达等，原则上允许大规模、长时间地观察个人层面的行为和互动。甚至再加上越来越强大的计算机模拟、高分辨率识别、大数据、大规模实验等，仿佛在预示着传统社会科学的一场革命。实际上，在很多利用数字数据和实验的论文中，有些已经建立了新的和有趣的想法，有些人甚至明确地开始用新的数据来检验现有的理论。 然而，在过去20年里，物理学家和计算机科学家涌入社会科学领域，却也没有明显改善学科内的不连贯问题。社会科学远没有获得一个由经验性的理论知识组成的，连贯的，像物理学一样具有启发价值的核心。反之，他们获得了一批全新的由物理学启发的模型，而这些模型增加了混乱。 Part4 社会科学的目的是什么？ 目前，社会科学体系就像Winchester Mystery House。这是受到通灵者的启发而建造的房子，以容纳被Winchester公司步枪杀死的人的灵魂。由于梦中并没有说明房子的具体规划，房主就开始了一个开放式的建设项目，在近40年的持续建设中，除了保持是一个建筑，没有任何总体目标。最终，这个房子成为了一个组件的集合体——楼梯直接进入墙壁，门没有打开，彩色玻璃窗安装在室内——每个组件的构建都是单独的，虽然制作良好，但并没有粘合成任何一种具有功能性的整体。同样的，在社会科学中，个人的贡献都遵守了严格的学科标准，但没有注意到所有贡献如何结合在一起。 产生这种现象的原因是，尽管社会科学的工作表面上是想要理解、解释和尝试干预现实世界的社会现象，但学术界的培训和激励机制都不是专门为此目的而设计。学者们在特定的学科环境中成长起来，沉浸在特定的理论和方法框架中，然后被鼓励将他们所吸收的框架应用于所研究的每一个问题。最终，这些成果经过同行评议发表在期刊上并获取奖励。在这种体系下，大多数人看重新颖的、违反直觉的或有趣的结果，而不是知识的稳步累积进步。同时，同行评议制度非常重视对相关文献的认可，这些文献往往属于单一的学科，因此“认可”只不过是引用以前的工作。那么，现有的社会科学知识生产体系，决不会促进或鼓励协调不同框架的活动。 那么，试图推进理论有什么错呢？为什么同样的方法不适用于社会科学？就像物理学，他们也在不断地推动特定的理论发展。首先，物理学存在的时间要长得多，他们有持续累积的研究。其次，物理学的理论是可以检验的，比如通过建立仪器去验证。相比之下，在社会科学中，对理论的明确检验更难设计和实施，就算真的对社会科学的预测进行检验，往往也有相当大的变动空间，且需要更多的投资。 总体而言，社会科学中的理论在流行中的涨落更像是小说，而不是科学，获得支持的原因并不是其解释经验观察的能力，而是因为模型本身更容易融入现有理论框架，或因为写作风格对他们更为熟悉，或仅仅因为其发表在对应领域的杂志上。 Part5 什么是问题导向的社会科学？ 所以，我们能做些什么来改变这个现状呢？一个建议是社会科学要更强调可复制性，而不是注重新颖、惊喜甚至重要性。另一个建议是，社会科学要更重视解决局外人会认识到的那种实际问题，比如说“如何最大限度地发挥广告支出的影响？”或者“如何在社区中增加亲社会行为？” 将社会科学的生产方式从发表论文转向解决问题，好处在于：第一，现实世界所要求的解决方案将自动满足可复制性要求，从而增强了在同行评审中对社会科学理论的约束。第二，解决任何非平凡的现实世界问题几乎都需要社会行为科学的基本进步，也可能需要在计算机科学和统计等相关领域取得根本性进展。第三，实现这些进步需要紧密协调的、多学科的团队研究。第四，多学科的协调合作将把社会科学中不连贯的问题推向前沿，迫使研究者直接解决。最后，对实际应用的强调将有助于获取更大的前期投资，从而使更雄心勃勃的研究设计成为可能。 那么，什么是问题导向的社会科学研究呢？传统基础研究认为，基础科学提供了知识的“原料”，然后假定应用科学是在这个基础上得出的。这个模型中，基础科学和应用科学是不同的活动，前者的定义是追求基本知识而不考虑实际应用，后者则相反。然而，以问题导向的社会科学同时接受了两者，将其视为是互补的。即问题导向的社会科学研究应该被定义为促进基本理解的使用启发式研究。正如凯恩斯主义经济学，是凯恩斯希望减轻经济衰退的社会影响提出的，又如现代人口统计学，是由人口变化引发的政策问题所驱动的。 然而，绝大多数的社会科学研究，仍然脱离了在商业、治理和政策方面的潜在应用。这是由于现实世界的社会问题通常是混乱的和多方面的，比如健康、教育、不平等、文化规范等问题都以复杂的方式相互作用，产生特定的个人和群体结果。如果试图理解或影响这些结果，要么会专注于问题的一小部分而忽略了大局，要么会沉溺于复杂性之中。同时，并非每个人都像社会学家那样关心证据标准，当一个人能够在直觉、畅销书或者顾问的帮助下给出答案，那么为什么还要给耗时长的研究项目投资呢？ Part6 如何确定问题？ 因此，以解决问题为导向的社会科学需要明确一个系列的、模块化的问题。从一个问题的最有限版本开始，向复杂的层次递进，既可以在现实的时间尺度上取得具体的进展，同时仍可以有最终进展的宏伟愿景。那么，如何来确定这样的问题呢？ 一种可能是从工程中获得灵感，将重点放在构建具有明确特性的有形设备和系统上。比方说，想要建造无人驾驶汽车，那就需要AI技术取得根本性的进步。以此类推，社会科学家可能会建议要建立衡量社会情绪的工具，或支持经济交流的平台。或者是开发最佳的管理或雇佣系统，这些系统需要在大规模的观察研究、实地试验和算法决策等辅助工具的基础上进行构建。 另一种可能是从“通用任务框架”中得到启发。在AI研究中，研究者互相竞争来完成特定的任务，解决方案使用公认的性能指标进行基准测试，性能是在公开数据集上由独立仲裁人进行评估的。因此，通过限制解决问题的范围，在过去30年里，通用任务框架在机器学习方面取得了非凡的进步，最终产生了如谷歌和Skype翻译系统、Siri和Cortana等人工智能服务。虽然说将共同任务框架适应于社会科学并非没有复杂性，但社会科学家通常也试图理解因果机制，也就没有理由不能使用社会数据集来进行类似的竞争。 Part7 总结 当然，这篇文献并不是想说解决问题是社会科学研究的唯一生产方式，也不是说社会科学家从不承担解决实际问题的责任。作者更多地是想强调使用启发式的研究将从两个方面对社会科学有益：第一，这将迫使社会科学家处理不连贯问题，从而提高对社会学界的基本科学认识；第二，这有助于社会科学更明显地对世界有用，从而减少公众对社会科学的质疑，吸引更多人对社会科学产生兴趣。最后，具体的实施也不需要社会科学组织的全面变革，因为哪怕只要有一个人能找出小部分的系列问题，那么一个研究中心也能在十年内取得令人兴奋的进展。就像生物学中，一个研究所开创了分子生物学领域，就启发了许多其他类似的研究所效仿。这种尝试对于社会科学来说是值得冒险的。