人工智能如何改变社会科学的面貌?——AI与社会科学的学术对话纪实(上)
- 2024-09-02
- admin
一、开幕致辞及主旨发言
来自北京精民社会福利研究院、Campbell循证社会科学中国联盟、中国发展战略学研究会智库专业委员会等机构的主办单位负责人致辞,对本次研讨会表示高度认可。发言者们一致认为,AI的发展势不可挡,学者们应积极拥抱这一变革,推动跨学科合作,探索AI在社会科学中的创新应用。
在主旨发言环节,各位讲者基于各自的学科视角,主要讨论了我国人工智能发展现状及未来战略。杨国梁研究员介绍了我国在人工智能领域的优势和挑战,并提出了应对全球竞争的战略建议。吴喜之教授从批判传统统计学的角度,指出了传统统计方法的局限性,强调了机器学习和大语言模型在数据驱动分析中的重要性,并呼吁学界转向更具预测精度的现代数据科学方法。
上海萌泰数据总经理李军博士从计算机角度介绍了人工智能在社会科学中的应用,回顾了符号主义、连接主义和行为主义三大学派的发展。他详细讲解了大语言模型(如ChatGPT)的原理及其在文本理解和生成中的作用,并探讨了其在社会科学中的实际应用,如知识检索、问答生成和个性化推荐,同时分享了他所在公司的探索经验。乔晓春教授分享了他的思考,重点讨论了大语言模型对中国社会科学研究和教育的影响。他指出,大语言模型可以显著改变传统的教学和学习方式,提供更高效、个性化的学习路径,但也带来了许多挑战,如对原创性的威胁和考核制度的变革。他强调,大语言模型无法取代批判性思维和创新能力,建议学者们将AI视为合作伙伴,而不是简单的工具。何国忠教授在点评中总结道,不论AI如何发展,每个人都需要从自身的领域出发,积极拥抱新技术,并不断学习以保持竞争力。他还提出了在未来教育中,智商与逆商(抗压能力)同样重要,呼吁大家要在新的学习方式中找到适合自己的路径,共同迎接未来的挑战。
二、主旨演讲
第一部分
第一个部分是“AI与社会科学的深度融合:大语言模型的应用与挑战”,共有三位讲者进行了分享。首先,上海交通大学的刘莉教授分享了她对AI时代高校教育教学评价变革与伦理风险的思考。刘老师指出,AI技术的迅猛发展正在深刻改变高校的教育方式,尤其是在教学评价中,AI展现出了提升教学质量的潜力。然而,她也提到,AI的广泛应用在教育界引发了“地震”般的冲击,传统的教育评价体系需要结合大数据和人工智能进行创新。刘老师强调,教育评价应朝着个性化、多元化方向发展,注重过程评价,而非单纯的结果导向。同时,她还表达了对AI在教育中可能引发的伦理风险的关注,特别是在学术诚信和评价准确性方面的挑战。
接着,华北电力大学的康超老师探讨了生成式人工智能在思想政治教育中的应用现状和挑战。康老师指出,AI在思想政治教育中的应用仍处于初步探索阶段,尤其是在教师的角色认知和师生交互上存在诸多问题。他提出,AI可能会模糊教师的身份,导致教育对象透明化,进而影响教育效果。康老师建议,教师在使用AI时应明确自身的角色边界,提升专业素养,注重科技向善的实践,以确保AI技术在教育中的正确运用。
最后,内蒙古警察职业学院的刘敏娜老师则分享了AI在公安类院校法学教学中的应用情况。她提到,由于公安类院校的特殊性,AI在法学教学中的应用还处于起步阶段,目前主要用于法学案例教学和智能办案系统。刘老师强调,在法学教学中应慎重对待数据隐私问题,同时呼吁通过顶层设计和规范应用来确保AI技术在公安教育中的有效运用。她建议构建人工智能的规范应用模式,以支持公安类院校的数字化建设。
李明副教授总结了几位老师的发言,并分享了他对AI在教学中的影响的看法。他指出,AI的引入与互联网的普及相似,进一步改变了知识获取的方式。在过去,知识的稀缺性使得拥有丰富藏书的老师更具权威性,而如今,随着AI技术的发展,知识的传授不再是教学的主要目标。相反,教授学生如何高效地获取和利用知识,以及培养他们的批判性和创造性思维,才是现代教育的核心任务。李老师强调,AI应被视为一种高效的辅助工具,帮助学生在自学中找到最佳路径,而教师则需要通过互动教学传授经验和理念,以提高学生的独立思考能力。
第二部分
第二个部分是“生成式人工智能在社会科学研究中的应用”,共有三位讲者进行分享。
林绍福研究员在研讨会上围绕“人文社会科学智能研究框架”以及“健康养老的应用场景”进行了详细的分享。林老师深入探讨了人工智能在精神健康和养老领域的具体应用场景。他提到,自2015年以来,他带领团队在这些领域进行了多年的研究,尤其是在通过社交媒体监测和干预抑郁症患者方面,取得了显著成果。林老师强调了应用场景在人工智能研究中的重要性,并指出,社会科学研究不仅需要关注数据和算法,还需要解决法律、伦理和隐私保护等问题,以确保人工智能技术在实际应用中的有效性和安全性。
周逸臣同学分享了他关于运动员职业生涯影响因素的研究,探讨了性别、家庭背景、伤病和心理健康等因素的作用。他还提到了在研究过程中遇到的生存分析方法上的挑战,并希望向在场老师请教改进方法。
乔晓春教授在发言中深入探讨了ChatGPT和人工智能对当前教育体系及个人发展的影响。他回顾了传统教育模式,并指出随着AI工具的普及,许多过去重要的学习内容和方式已变得不再关键。乔教授认为批判性思维、创造力和跨学科学习等技能在AI时代仍然具有价值。乔教授强调,未来教育应注重软技能,因为这些是AI难以替代的。他还分享了在暑期班中通过项目式学习引导学生使用ChatGPT的创新教学方法,认为教育体系和个人都需调整以适应AI带来的变革。
王金水助理研究员在点评中表达了他对乔老师、吴老师等老一辈学者对新技术和新方法的开放态度的钦佩。他还具体点评了几位发言人的报告。对于林老师的报告,王老师认为林老师从理工科角度探讨人文社会科学的问题,为文科研究提供了许多新的选题和视角。他也指出,跨学科交流困难的一个原因在于不同学科的术语和概念理解存在差异。对于周逸臣同学的发言,王老师肯定了其研究的独特性,尤其是他能够接触到独特的体育数据资源。同时,他也指出了研究中的一些细节问题,如伤病的测量范围过于宽泛,导致结果不显著,以及心理健康测量可能需要参考更为公认的标准。最后,他建议周同学可以进一步研究运动员退役后的生活状态,以更全面地理解运动员的职业生涯和生命历程。
在互动讨论环节,与会者探讨了AI在教育评价中的作用,强调了区分评价对象的重要性,认为AI应作为教学工具,而教师则需注重培养学生的批判性思维和创新能力。对于AI在法学教学中生成案例的可行性,尽管具有一定价值,但专家们一致认为真实案例仍然不可替代。讨论还涉及了AI工具(如ChatGPT)对本科生论文写作的影响。由于本科生专业知识积累有限,AI生成的内容容易出现错误,且学生难以察觉。因此,教师在指导本科生时需要更加细致,关注学生使用AI工具的具体方法,以确保正确引导。进一步讨论了AI在教育评估中的角色定位,提出传统评估体系面临挑战,需重新考虑如何在技术辅助下公平评价学生的学术水平,既要关注论文质量,也要衡量学生的独立能力。
二、“学术对话:方法与科学”
吴喜之教授强调了编程在跨学科研究中的关键作用,建议研究者通过实际编写程序来培养数据思维,而不仅仅依赖现成的工具和代码。他质疑了传统统计学中的显著性检验和回归分析,指出这些方法在现代科学研究中的局限性,甚至可能误导结果。吴教授还强调,编程不应仅限于数学背景的人掌握,任何具备逻辑思维的人都可以通过简单的问题逐步积累编程能力。
在跨学科研究方面,讨论指出,非计算机背景的研究者在应对人工智能和大数据时面临挑战,特别是在培养数据思维方面。吴教授建议通过基础编程训练,结合具体领域的问题,逐步提升对数据科学的理解和应用能力。其他学者补充道,人文社科领域与计算机科学的结合,需要明确的问题和需求,成功的跨学科合作依赖于需求与技术的有效对接。
在统计学教育方面,讨论集中在传统统计内容在现代数据科学背景下的有效性问题。吴教授认为,传统统计学的一些内容可能已不再适应当今的研究需求,建议引入更多机器学习和数据科学的内容。培养学生时,不仅要关注工具的使用,还需深入理解背后的原理,培养学生对数据和问题的深刻理解,以在研究中做出更有效的分析和决策。
关于机器学习与统计学的关系,讨论涉及如何在应用中平衡这两者。吴教授提到,现代机器学习方法(如随机森林)在解决复杂问题时具有独特优势,而传统统计方法在某些情况下可能不足以应对复杂的现实问题。这场对话为跨学科研究者和教育者提供了理论与实际操作层面的宝贵见解。
讨论还涉及大数据和人工智能在药物研发中的应用。与会者指出,人工智能可以大大加速药物筛选,通过机器学习预筛选潜在候选药物,再进行实验验证,从而显著缩短研发时间。这种方法强调数据驱动的决策,与传统显著性检验方法有明显不同。
在新闻文本分析中,研究生提出使用大模型进行内容分析的挑战。尽管大模型在立场和情感分析上表现良好,但在价值观或道德判断等深层次问题上,模型的结果可能不稳定且一致性不高。吴教授回应称,社会科学中本就难以期待完全一致的结果,大模型的模糊性和不确定性也是正常的。
关于机器学习的可解释性,讨论提到,虽然随机森林和决策树等模型可以解释变量的重要性,但更复杂的模型如深度学习面临“黑盒子”问题,难以解释其内部逻辑。学者们还讨论了如何通过贝叶斯统计或小样本学习来应对数据稀缺的问题,强调在有限数据条件下有效建模和推断的重要性。
最后,讨论涉及了大数据的真实性问题。由于数据来源可能被污染或扭曲,这些数据往往无法真实反映现实世界,尤其在社交媒体和广告推送中,这种失真现象更加明显,影响了研究结论和社会认知。学者们总结了小样本研究的挑战和可能的应对方法,如数据合成和增强技术,以提高研究的可靠性。在整个讨论中,强调了研究者在处理现代数据分析时,必须保持对数据来源和分析方法的批判性思考。
第一天的研讨会在热烈的讨论中圆满结束。与会者们对各个环节的深入探讨表示高度赞赏,纷纷表示本次研讨会内容丰富,涵盖了从统计学、人工智能到跨学科研究的诸多前沿话题,给他们带来了极大的启发。通过此次交流,大家不仅加深了对现代数据科学和机器学习在社会科学中应用的理解,还获得了很多切实可行的研究建议。
文章来源:科技战略与决策研究网络