大模型能模拟问卷、访谈和群体互动,它测到的还是人吗?
论文名片|Fengli Xu、Chenyang Shao、Lin Chen、Qingbin Zeng、Zhilong Chen、Nicholas Sukiennik、Jingyi Wang、Chen Gao、Huandong Wang、Jianxun Lian、Qingguo Meng、Xing Xie、Yong Li、James Evans,Large language models for computational social science,Nature Human Behaviour,2026。收稿日期 2025 年 8 月 4 日,接收日期 2026 年 7 月 7 日。这份 PDF 将在线发表日期印成占位符,未给出卷期页码;版权行署 Springer Nature Limited 2026。DOI:10.1038/s41562-026-02539-9。本文是叙事性综述(narrative review),组织已有文献,不报告作者新做的实验。
设想一位研究者一时联系不到足够的受访者。她把年龄、职业和政治倾向写进提示,让大语言模型逐条作答,很快得到一张看起来完整的意见分布。这个场景只帮助进入问题。容易滑过去的一步是:分布完整,就被当成那个人群已经接受了调查。
这篇综述把大语言模型(large language models,LLMs)放进计算社会科学(computational social science)的研究流程,收成四个角色:模拟人类行为的被试、执行分析的助手、产生假设的合作者、检查研究质量的评估者。方向性判断是,这些用法能加快预试、整理、构想和初评,但模型输出仍然是模拟或文本处理的结果。它会压缩人群差异,因果推断也不稳。真人数据和人的最终判断仍然要保留。综述自己没有给出一套新的准确率。
先说结论
- 近期文献里,大模型充当研究被试、研究助手、研究合作者和研究评估者。图 1 是这四个角色如何串起来的示意图,表 1 按角色列出代表性任务。
- 当作被试时,综述汇总的工作显示:模拟问卷可能放大偏见、压缩意见方差,美国社区调查式的回答抓不住人类异质性,经济博弈里的分布会塌缩,模拟公民的多样性更低。这些是被引研究的方向,综述没有给出统一效应量。模拟宜用于预试工具、探索反事实和探查机制。
- 当作助手时,更适合标准明确、中间结果可以核对的文本任务。整张社会网络仍受词元长度限制。当作合作者时,模型可以扩大问题空间;综述引用的一项研究称,GPT-4 在 5.4% 的情形中生成虚构参考文献,但这篇综述没有写出分母。
- 五大学科并未排满四个角色。表 2 里,政治学的研究合作者、人类学的研究评估者都标为 None。
- 两个平台数字都是容量。AgentSociety 支持最多 10,000 个智能体;正文说 OASIS 把容量扩展到百万级智能体,所引预印本题目写的是 100 万。因果推断仍然有限,合成数据需要另行验证。
测量变密的时候,被测的社会也在变
计算社会科学已经能用应用、社交媒体和行政记录里的数字痕迹,追踪信息传播、政治意见、社区如何应对危机,以及个人如何做经济决定。这些痕迹补充了主要依赖自陈问卷和访谈的做法,让个体行为和集体动态可以在更大尺度、更细的时间上被观察。
矛盾也出现在这里。测量能力变强之时,编码了社会与文化数据的模型正被放进会行动的智能体(agent),进入商业、治理、交流以至亲密关系。被观察的行为分布因此可能移动。综述把这种关系称为反射性缠结:研究工具本身在改变研究对象。偏见、幻觉、合成人群变整齐,以及模型抹平社会科学本来要抓住的异质性,是同一转变里的方法麻烦。
范围先写在这里。这篇综述讨论大模型如何用于社会科学。用社会科学研究社会中的大模型,作者认为应另写综述。科技公司正在做主持讨论、提供信息、陪伴思考、受托代理以至社交伴侣的智能体协议;这只被用来说明计算社会科学为什么急迫,不在本文展开成“人工智能社会”的调查。
社会研究用上的,是哪几层模型能力?
框 1 把与计算社会科学有关的模型演进分成五段,每段给一个代表模型,讲的是能力类型。
2017 年的 Transformer 用自注意力处理较长上下文,并便于并行计算,后来被用来刻画话语和交流。2018 年前后的大型嵌入模型,代表是 BERT,用双向语境表示语义,支撑大规模文本分类、立场识别和意见挖掘。2020 年的大语言模型,代表是 GPT-3,把规模推到少样本学习和通用适应,从而有可能不做再训练就设计问卷、动态产生假设。2022 年的人类反馈强化学习(reinforcement learning from human feedback),代表是 ChatGPT,把输出对齐到人类反馈,使模型更能模仿对话、换位和一定的文化对齐。2024 年的推理模型,代表是 OpenAI o1 与 DeepSeek-R1,把过程奖励和分步推理放进来,便于模拟实验中的多步推断和协作。文末 Guo 等关于 DeepSeek-R1 的 Nature 论文年份是 2025;框 1 的 2024 是综述自己的阶段标签。
训练路径在正文里被概括为:先在大规模通用语料上预训练,再靠提示、微调和机制层面的引导适配到具体任务。文中还点到直接偏好优化。由此出现的,不只是续写句子,也包括少样本学习、接近人的推理和角色扮演。Ziems 等的基准研究发现,现成模型在零样本(zero-shot,不针对该任务再训练,只靠提示作答)或简单提示下,就能在社会学、政治学、心理学、人类学、经济学及相关子领域的多种计算社会科学任务上达到有竞争力的表现。综述没有转写该基准的各项准确率。
四个角色怎样串起一条研究流程?
文献按模型在研究过程中坐的位置来分。图 1 是概念图。

图 1|大模型在一条研究流程里分别坐在哪四个位置?
图中没有 a、b、c、d 子图字母。四个面板按原标签阅读。
(研究合作者)标题是共同构思研究设计。人和标有 AI 的机器人围绕资料与电脑循环往复,图注说明这表示共同构思并形成假设。
(研究助手)标题是协助执行研究。虚线环连接检索、规划与编程。屏幕脚本依次调用 init_trust_game(num_pairs)、assign_personas(agents, traits)、simulate_trust_rounds(num_rounds),并把结果写入 trust_game.csv。图注说明虚线表示执行方案时的往复。
(研究被试)标题是模拟人类样本,里面是信任博弈的例子。风险厌恶的玩家 A 说会送给玩家 B 4 美元;亲社会的玩家 B 说收到乘以 3 之后的 12 美元,并退回 6 美元;A 表示对返还满意。这是示意图中的对话,图注指向 Berg 等 1995 年的信任博弈。综述没有报告被试人数,也没有把 6 美元写成测到的返还率。
(研究评估者)标题是提供反馈。四个说明框分别是:方案偏离已陈述的方法;伦理监督指向画像中的刻板印象;批评结果并建议补充样本;参考文献核对的例子是补上 Attanasi 等 2025。这些文字示范评估者可以指出什么。图下没有审稿条数或一致率。
图注还写明,面板之间的大箭头表示从构思到执行和模拟的层级流程,评估会反馈到前面的环节。图标只帮助辨认标签。来源:原论文 Fig. 1。
表 1 把同一分类落到任务,列出的是例子文献。
| 角色 | 综述列出的任务 |
|---|---|
| 研究被试 | 生成问卷回答;模拟行为序列;模拟社会互动 |
| 研究助手 | 访谈真人;支持实验;分析文本;挖掘社会网络 |
| 研究合作者 | 梳理文献;提出假设;设计研究方案 |
| 研究评估者 | 评估研究方案;批评研究成果 |
模拟问卷为什么会比真人更整齐?
把模型当被试,是让它扮演带有社会、文化或心理身份的行动者。提示里可以放入人格、群体规范或历史背景,使同一设定在不同条件下保持连贯。传统调查有时难以及时拿到高质量的行为或态度数据,模拟回答被综述看作可扩展、可重复的补充,用途从问卷模拟、行为序列到多智能体互动。
问卷模拟把模型当成能套上人口学或意识形态画像的受访者,已用于舆论估计、心理测评和用户评估。把社会、文化或历史背景写进提示,能明显改善与人口群体的对齐和可解释性。这里的“提示”是方法上的控制:研究者如何框定语境和视角,会直接改变模拟数据的稳定性、偏见和真实感。
限制同时被写明。模型会再现或放大偏见,压缩意见方差,并出现超准确扭曲(hyper-accuracy distortion):综述把它与前两类问题并列,指模拟回答的失真,本文没有给出失真幅度。被引工作还显示具体的不一致:对美国社区调查(American Community Survey)的模拟抓不住人类异质性;经济博弈中的分布塌缩;模拟公民的多样性更低。因此模拟问卷应补充真人数据,主要用于预试工具或探索回答模式。后续工作被指向三件事:为合成与真人的对齐建立基准、把提示设计标准化、改进偏见校正。
行为序列更难收集,因为涉及隐私,也因为序列本身复杂。Park 等把感知、记忆和推理接进智能体,让它们在虚拟小镇里活动;后续工作表明,用访谈数据代理智能体记忆后,模拟质量提高。被引预印本的题目是 1,000 人的生成式智能体模拟。综述这句话只报告“质量提高”,没有写出提高多少、对照的是哪一种记忆。另一些工作强调外部锚定,把智能体连到空间布局、基础设施和社会网络;其中 OpenCity 被引为用大量语言模型智能体模拟城市活动的平台,正文没有给出该平台的人数或出行量。行为是否说得通,取决于推理有没有受到环境线索约束。验证在这里指反复校准。模拟偏离观测时,可以微调、加强语境,或做人机混合评估。
社会互动把比较从单个人推到多人。传统基于智能体的模型多靠事先写好的规则;语言模型智能体则用自然语言推理产生行动,互动更灵活,也更依赖语境。两人互动看重复决策中的合作、协商和信任。模型能再现囚徒困境和公共品博弈里的熟悉模式;真人与模型互动的研究还表明,只要声明对方是智能体,合作和信任就会明显受影响。群体层面,带角色的智能体团队可以辩论并修改策略,有结构的角色分配能改善创造性解题,也和既有组织研究里的分工相一致。系统层面,Gao 等让带情绪画像的智能体在不同信息暴露下决定是否发帖,用来表现情绪和错误信息的传播。Piao 等的 AgentSociety 支持最多 10,000 个智能体,在较真实的环境里做极化和集体反应实验。OASIS 被正文写成把容量扩展到百万级智能体;文献 68 的题目写的是 one million agents,即 100 万。两处都是平台容量,综述没有报告实际跑完的轮次,也没有给出与真人对齐的样本量。
这一层模拟适合探索可能涌现的机制,不适合直接预测某一现实事件的具体结果。长时段是否稳定、偏见如何压低、生态效度是否成立,仍是缺口。综述的收束句把角色说清楚:模型是检验假设的方法工具,可以支持预试、反事实和机制探查;它可能压缩异质性、再现偏见,并错过语境或制度约束。提示和抽样过程需要透明报告,并拿观测到的行为数据做验证。
助手适合做能核对的活
助手角色覆盖的是把已经想好的方案执行下去:访谈真人、支持实验、分析文本、挖掘网络。
访谈利用模型能按流程追问、维持对话。研究者用这类访谈建立“观点库”,再用来衡量模型模拟人的表现。LadderChat、LM-Interview、LLMREI 分别把提问、流程和访谈后分析自动化。被引研究提到表述更一致、访谈者偏见下降、规模可以扩大,回答质量与真人访谈相当。综述没有给出一致程度或质量分数。短处是难以解释含糊或情绪化的回答,读不到肢体和表情等非言语线索,并带来隐私问题。
实验支持分两步。一步是生成刺激:按内容和框架系统变化的论据,或成批的实验信息版本。另一步是居中调节互动:实时建议如何改写说法以改善对话,或让参与者和模型一起写评论,使讨论更有建设性、毒性更低。这些都是被引实验的结论方向,本文没有重做,也没有列出态度改变的百分点。
文本分析被分成标注、编码、摘要、主题和解释。零样本模型可以给相关性、主题、框架和立场做标注,常常比众包工人更接近专家;思维链、思维树和思维图能提高表现,微调模型仍可能胜过零样本。编码是给定性材料标上有意义的索引:演绎编码按已有理论整理文本,归纳编码在任务说明足够具体时提炼主题。模型给出的编码未必与人一致;综述建议把这种自洽看成文化上“外来的”助手,用来提供补充看法。摘要可以抽出新闻中的结构化事件;也有研究发现,人对模型摘要的偏好高于人类分析师写的摘要。偏好仍要和事实是否更准确分开看。主题方面,TopicGPT 被描述为与人的对齐和可解释性更好,微调还能在规模上提高主题准确性。解释方面,模型可以为分类补上理由;在法律条文预测里,即使判决预测较弱,解释仍可达到中等准确。新的推理模型靠内部试错把解释做得更深。综述同样没有给出上述“更接近”“更喜欢”“中等”的分子和分母。
可用的条件被写得很具体:标出与人的分歧,监视解释是否忠实,用多模型或多提示检查稳健性,并让人留在回路里。不要把输出当成要么全错、要么从不出错。
社会网络方面,模型被用来概括自我网络以识别机器人和社会影响行动,用合成节点补充网络,并在异质网络里找结构。整图理解仍受词元限制,现有网络表示也难以随规模扩展。助手因此最有用的地方,是标准写得明、中间结果查得到的标注、编码和摘要。解释权仍留在人类专家。过度依赖会漏掉细微差别并放大偏见。
合作者扩大问题空间之后,解释还要另行成立吗?
合作者和助手的差别,是前者参加抽象和逻辑上的构思:梳理文献、提出假设、设计方案。推理模型使这类任务更可能,但产出仍要人来甄别。
文献工作包括检索、解释、组织和发现概念空缺。被引研究称,模型能大幅减轻系统综述的工作量,相关性判断可以接近人工,但语境是否准确仍要人看。LitLLMs 在检索、聚类和摘要上做了基准,模型抓得住主题关系,综合仍困难。分级组织研究、筛摘要和引文、在大语料里找新兴趋势,都被综述看成从检索工具走向文献合作者的步骤。人贡献的是解释和批评。幻觉仍在:综述写道,GPT-4 在 5.4% 的情形中生成虚构参考文献,依据是 Lehr 等 2024 年发表于《美国国家科学院院刊》的论文。这篇综述没有写出这 5.4% 对应多少次生成、多少条文献。这里的分母停留在“情形”,本文没有把它换算成每 100 篇论文中的篇数。
提出假设,是从已有观察走向仍需检验的可能。Yang 等展示模型可从非结构化网页数据产生说得通的假设,把经验模式和理论模式对齐。综述举了一个会怎么做的例子:在远程办公的讨论里,模型也许把工作灵活性连到城市迁移,并引用居住选择和劳动力市场的文献。这个“也许”是综述举的例子。文中没有检验工作灵活性是否改变了城市迁移。Si 等发现,模型生成的概念新颖性更高、可行性更低:长于重新组合,短于判断能不能做。比较研究里,模型还可以顺着不同国家的平行现象提出跨国假设。假设因此变成共同工作:模型快速跨域连接,研究者提供理论根据、因果直觉和设计。
设计方案要求事先想到不确定、写清步骤、检查方法是否稳。模型被用来生成问卷题目的变体、标出含糊措辞、建议平衡顺序。Manning 等把大模型和结构因果模型结合起来,自动生成能分离因果机制的实验条件。定性方案里,它可以提议访谈提纲、理论抽样和可能的混杂。价值在于逼研究者说清设计理由。风险也写在同一段:输出可能说得通但做不到,新颖但根据弱,或靠不完整、被幻觉出来的文献支撑。合作者是头脑风暴的伙伴,要和领域知识、因果框架一起用。
评估者指出漏洞之后,论文是否成立仍由人判断?
研究越来越像人与模型一起完成,评估者被用来检查方案和草稿。以模型为裁判的做法,从简单提示验证,到分领域的流水线,再到让评估对齐使用者偏好。TrustJudge 针对评分比较不一致、两两比较不传递等问题。人机回路里,只抽查模型不确定的标注,可以提高效率与准确性;模型写下的理由,也帮助人发现错误标签。这些改进针对的是透明和可重复。设计是否成立,仍要单独证明。
批评成稿时,Liang 等发现 GPT-4 复现 Nature 和 ICLR 真人审稿的能力有限:模型意见被认为有帮助,但对较弱论文更难令人满意。综述没有给出与真人审稿的一致率。增强办法从提示、多智能体辩论,到利用参考文献并微调的 CritiqueLLM,以及面向个人偏好的审稿微调。近期工作把人的判断和自动评估合在一起,以减轻偏见。准确性和透明度问题仍然在。
综述把评估者的位置定成早期、形成性的输入。意见可能空泛、停留在表面、过度自信,或随提示的框定而变。最终判断留在人类专家。
五大学科里,哪两个格子是空的?
学科部分只展开社会科学里常说的五大学科:社会学、政治学、心理学、人类学、经济学。管理学、传播学,以及城市研究和科学学等子领域也被点到有重要应用,但综述为了综合的连贯,把它们放回这五个学科来讨论。表 2 的标题带有 may,各格表示该角色可能如何对上该学科的难题。
| 学科 | 综述写出的难题 | 合作者 | 评估者 |
|---|---|---|---|
| 社会学 | 既要抓住情境中的意义,又要跨社会尺度做概括 | 提出假设;自动设计社会实验 | 识别核心文献;审计方法偏见和伦理反思 |
| 政治学 | 在不同人群里同时处理政治态度的经验复杂性和话语的解释深度 | None | 对成果做元评审,指出方法弱点,检查设计是否一致 |
| 心理学 | 测量主观体验,同时守住隐私和可靠性 | 提出心理学假设;自动编制心理量表 | 评估方法质量;给实践者实时反馈和训练支持 |
| 人类学 | 通过区域、语言比较和基于智能体的人群研究,解释身处当地的文化意义 | 共同构造关于文化变迁、传播与变异的假设和框架 | None |
| 经济学 | 把有限理性的决策连到市场和政策的总体结果 | 提出实证经济学假设 | 评估研究逻辑;评判经济学论文质量 |
None 是原表用词,表示该格没有列入工作。政治学正文说得更直:合作者角色仍不发达,现有研究主要用模型模拟政治过程,并做分析自动化。把它用作产生假设或设计方案的概念伙伴,文献仍然少。人类学则写明,用模型元评审人类学方案和成果,在文献里还看不到。
社会学要处理的张力,是微观意义需要解释深度,宏观规律需要经验规模。模型被用来模拟问卷受访者,包括综合社会调查(General Social Survey)中与既往经历或所属群体相称的个人回答;也被用来做跨语言探测和反复转述,看文化规范和传递偏见。同时,模拟人群的人口学和态度多样性常常低于真人样本,并且会迎合使用者的期待,守不住设定的人设。集体层面,模型被报告能够再现群体智慧,并在互动中出现意见汇合、协调和冲突。助手从语料和网络里抽取意义、结构和规范,包括识别社交机器人。合作者可以提出超出既有框架的社会行为假设;接上结构因果模型后,还可自动设计谈判和拍卖的大规模模拟。这最后一步是归纳发现和因果推断的拼接方案,综述没有给出一次拍卖实验的成交结果。
政治学用模型生成与美国和西方语境中的人类调查接近的合成舆论,模拟集体意见、审议和极化,并在计算机里试验信息流改版或跨党派对话。助手编码立场、给党派内容贴标签、抽取政策位置,在政治对齐分类上常常超过人类标注者;实验中,模型写出的说服信息在改变政策态度上与人写的内容效果相当。两句“超过”和“相当”都没有附带准确率或态度分差。边缘化人群的代表性、知识上是否站得住,仍被列为持续问题。
心理学同时把模型当成认知的模型和共同分析的伙伴。它可以模拟不同人格,以及咨询师与来访者的互动,从而在真人接触未经检验的干预之前,先看策略。偏差包括:西方、受教育、工业化、富裕、民主(WEIRD)样本上,人工智能与人类的相关较强,非 WEIRD 样本上明显较弱;模型在正向人格特质上系统性高于人类分布,在负向特质上更低。综述没有给出相关系数或特质均分。助手被用于大规模标注情绪、立场和仇恨言论,也用于情绪支持、健康教练和缓解孤独。治疗场景的风险单列:不恰当或有害的建议、缺少真正的共情、干预失败时的责任、脆弱使用者对无法处理危机的系统产生依赖。合作者从文献抽取概念的因果对,再在概念网络上做链接预测,例如把在线社会联系和福祉连起来;也可以自动编制人格量表,信度、效度和拟合与常规方法相当,同样没有数值。评估者可以按临床试验报告统一标准(CONSORT)大规模评估随机对照试验质量,综述称达到人类水平的准确性,未给出一致率;在临床教育里,它还有潜力给经验较少的同伴咨询者或受训者实时反馈。
人类学用模型检查文化价值、社会身份和行为库。新基准用于跨文化价值意识和区域知识是否平衡,多智能体模拟用于涌现规范和价值多元。助手加速民族志材料的提取,并在语言复杂或资源有限的参与式研究里提供支持,也可做多方言标注。合作者开始提出文化变迁的假设,以及传播与变异的新框架。与此同时,模型会再现文化偏见、压扁边缘视角,并表现出人工智能偏向人工智能生成内容的偏差。综述把人类学的主要挑战说成:模型既是工具也是被审视的对象。
经济学要解释有限认知和策略相互依赖如何加总成市场与宏观秩序。个体层面,经过提示设计的模型可以模拟工作和消费决策、经济调查、股票交易和博弈行为。限制是行为多样性低于人类经济行动者,容易聚在刻板行为上,抓不住风险偏好、时间贴现和策略推理的完整分布。Anthropic 的自动售货场景还被引来说明:即使较先进的模型也会做出不理性的购买。集体层面,综述写道,价格弹性、奥肯定律和菲利普斯曲线等宏观规律可以从语言模型智能体的互动中涌现,智能体集体也可能通过分散投票走向更好的财政政策。本文没有给出弹性数值、失业率缺口或通胀系数。助手从社交媒体学习宏观叙事、做可解释的金融预测,并生成用于复现研究和实验原型的代码。合作者通过带泄漏检验和验证的流程提出实证假设。评估者可以生成反论和潜在弱点;它似乎还能区分经济分析的质量,但对著名机构和著名个人有偏向。
城市研究在文中作为子领域出现,并被放回五个学科讨论。Zhang 等的预印本题目写“模型抓住了城市科学,但把复杂性过度简化”,正文用它支持“模拟公民多样性更低”。预测引擎的例子里,也包括把大模型微调来预测人类移动和出行行为的工作。综述没有报告下一次地点预测的命中率,也没有报告任何城市的出行量。
合成数据、因果和责任,各自停在哪里?
数据综合被放在开放问题的第一步。许多行为数据在平台、手机应用和行政系统里,机构、法律、隐私和商业限制使别人难以复核。让模型当被试,可以生成从问卷回答到群体审议的定制数据,对预试假设、接触难触及人群、推演反事实尤其有用,也避开部分真人实验的操作和伦理负担。生态效度仍然可疑:模型可能再现或放大社会刻板印象。综述认为正在形成的共识是:生成数据用来补充真人参与。验证要把合成数据对着真实世界数据做基准,并把测到的偏见纳入推断。任何合成数据都应显式声明,写明模型、提示策略和验证步骤。
可预测性和可解释性是另一道老张力。模型既能从大量文本写出人读得懂的社会机制假设,也能被微调成预测引擎。综述认为这适合溯因(abductive reasoning):先看见现象,再产生一个使意外模式变得可理解的最佳解释,然后用预测模型去检验,让可解释的理论和预测力互相推动。因果推断的稳健能力仍然有限。假设是待验证的起点,还要经过严格的经验检验。
再往后,是把孤立工具收成贯穿研究全程的“人工智能社会科学家”:产生假设、设计实验、收集数据、分析和解释。推理模型开始能从证据与理论的偏离里提出新假设。自然科学里已有自动提出想法、做实验、分析结果的系统,被综述当作结构上的参照。审查意见同样明确:这种系统应当补充人的洞察。它擅长处理大量数据、识别模式;理论根据、伦理判断,以及提出真正要紧的问题,来自人类研究者。若缺少共同体监督,流畅的文字也可能把薄弱的经验发现灌进学科。
伦理被分成五条,都是待发展的研究方向。
隐私上,政府和企业持有难以对外分享的个人信息。联邦学习把数据留在复杂模型的更新里,差分隐私给数据加噪声,都能降低个人被还原的可能,但也会妨碍社会研究需要的数据链接和探索性分析。综述提出一种设想:在安全数据飞地里放入自主的人工智能社会科学家,它进得去、出不来,在库内分析链接数据,只把站得住的发现交给外面的人。这是综述提出的设想。
公平代表上,训练语料的偏见会让边缘群体被低估或被写错。合成人群在用于推断之前,要用统计检验对照真实世界数据,找出并校正人口学或行为偏见。
人的责任上,作者必须对输出负责,以防止编造数据或有缺陷的分析。综述并不要求披露模型触碰研究的每一处,例如假设构思或文稿写作;但主张对合成数据和分析做到完全透明,包括模型、提示和验证,以便复现和检查。透明被写成防止用模型给无根据的说法增加虚假可信度的主要保障。
价值对齐上,模拟复杂社会互动可能带来文化上的强加,或助长有害行为。现有机构审查委员会未必覆盖这些风险,框架需要调整。研究应促进福祉,避免利用或危及个人和社区。
平等使用上,障碍从数据转向算力,可能形成计算鸿沟,把能力集中到经费充足的机构。综述建议参照共享数据仓储,探索社会科学的共享计算设施。
一句话总结
大模型可以加快社会研究中的模拟、整理、构想和初评;这篇综述把结论停在补充真人数据并接受验证,模拟回答仍要对照真人,机制假设仍要另行检验。
核心来源
- Nature Human Behaviour 论文页面,核对题目、作者、DOI 与版本信息。
- 本文依据该综述 PDF。正文图表为 Fig. 1、表 1、表 2 和框 1,参考文献列至 261。版权行署 Springer Nature Limited 2026。收稿日期 2025 年 8 月 4 日,接收日期 2026 年 7 月 7 日。
- 文中的 5.4% 来自综述对 Lehr, S. A.、Caliskan, A.、Liyanage, S. 与 Banaji, M. R. 2024 年《美国国家科学院院刊》论文的转述。10,000 与百万级智能体来自综述对 AgentSociety 与 OASIS 的容量描述,OASIS 所引题目为 Yang, Z. 等,OASIS: open agent social interaction simulations with one million agents。
作者介绍
论文作者贡献写明:Fengli Xu 构思综述并完成初始提纲;全体作者提供实质内容与智识投入,并审阅、修改文稿;Yong Li 与 James Evans 监督工作、协调作者团队。下列身份只来自论文署名和利益声明。
- Fengli Xu:清华大学电子工程系、北京信息科学与技术国家研究中心。构思综述并写出初始提纲。
- Chenyang Shao:清华大学电子工程系、北京信息科学与技术国家研究中心。
- Lin Chen:香港科技大学计算机科学与工程学系。
- Qingbin Zeng:清华大学电子工程系、北京信息科学与技术国家研究中心。
- Zhilong Chen:清华大学电子工程系、北京信息科学与技术国家研究中心。
- Nicholas Sukiennik:清华大学电子工程系、北京信息科学与技术国家研究中心。
- Jingyi Wang:清华大学电子工程系、北京信息科学与技术国家研究中心。
- Chen Gao:清华大学电子工程系、北京信息科学与技术国家研究中心。
- Huandong Wang:清华大学电子工程系、北京信息科学与技术国家研究中心。
- Jianxun Lian:微软亚洲研究院(北京)。
- Qingguo Meng:清华大学电子工程系、北京信息科学与技术国家研究中心。
- Xing Xie:微软亚洲研究院(北京)。
- Yong Li:清华大学电子工程系、北京信息科学与技术国家研究中心,通讯作者。与 James Evans 共同监督并协调作者团队。
- James Evans:芝加哥大学知识实验室、社会学系与数据科学研究所,以及圣塔菲研究所,通讯作者。与 Yong Li 共同监督并协调作者团队。利益声明写明,他是 Google 的受薪访问研究者,研究时间的 25% 用在该处;Google 没有参与本文的构思、写作、编辑或发表决定。
延伸思考
以下是 AI 基于论文结果所作的延伸,不属于原论文结论。
如果预试问卷也交给模型,被留下的题目可能是模型答得最流畅的那些。随后的真人调查测到的,是经过这道筛选的工具,而不再是最初那份理论问题。综述把提示当成方法控制,并要求声明合成数据;它没有检验“题目被模型修剪之后,真人样本的方差和消失的题项会怎样变化”。一个直接的核对是:同一批真人同时回答原稿和修剪稿,比较的是题项去留和分散程度,而不只是平均态度是否接近。
表 2 的两个空格也可以单独研究。政治学缺的是合作者,人类学缺的是评估者。一个习惯给出连贯、得体回答的模型,可能更擅长给立场贴标签,却回避该领域仍在争论的机制。可以比较:模型提出的政治学假设,是否系统性绕开人类理论家仍不同意的解释;人类学者是否拒绝让模型给民族志下“通过或不通过”的总评。空格目前只说明文献还没把角色排满。模型是否做不好这两件事,需要单独检验。
城市和移动研究若同时报告“下一地点预测更准”和“智能体城市里出现了某种宏观规律”,这两句话的证据等级不同。前者是预测引擎对轨迹的外推,后者是模拟系统里的涌现。综述把因果能力有限、城市复杂性会被简化、合成数据必须对着真实数据校验,放在同一篇里。延伸出来的做法是分开归档:预测命中率单独报告,机制故事单独报告,并写明仿真人数是平台容量还是真实出行者人数。在这篇综述的数字里,10,000 和 100 万都属于容量。若要说某座城市的居民样本,需要另外的人数来源。