Page 83 - 《党政研究》2026年第3期

学科的独立品格和自主知识的生产都将受到挑战。
第三个盲点体现为简化主义对意义世界与复杂因果的遮蔽。人工智能技术基于算法与
向量运算，其认识论本质是一种简化主义。它将丰富的语言、图像以及现实情境转化为可
统计的数据。田野经历反复提醒我们，线上言论中表现出的群体情绪与线下实地访谈中观
察到的个体态度之间往往会存在巨大的反差。例如，针对某项政策的激烈网络议论与实地
接触中态度温和的个体之间就构成了鲜明对照。这种线上与线下之间的裂隙恰恰说明，意
义世界的复杂性是无法被向量化数据所完全捕捉的。与此同时，人工智能模型为了追求预
测能力常常强行建立变量之间的因果关联，却使得研究者丧失了理解真实世界复杂因果机
制的能力。政治世界中的因果关系往往呈现为涌现性的特征，并不是简单的线性模式。
〔 ３〕
人工智能提供的那些看似完美的解释，往往与基于人类直觉和深描的现实理解相去甚远，
最终导致研究看似全都正确而实则皆不深刻。这种深刻性的丧失，恰恰是政治学作为一门
解释性学科最不能容忍的后果。

三、田野经验对技术理性的范式纠偏
面对人工智能技术带来的上述挑战，政治学研究必须回归其作为经验科学的根基，将
田野作为研究的起点与归宿。这并不意味着拒斥新技术，而是意味着在技术应用中重新确
立田野经验的优先性，使人工智能真正成为服务于经验研究的工具。
田野工作的本体论价值首先体现为从调研到在地化的认知范式转换。调研与田野之间
存在本质区别，这一区别必须得到厘清。调研往往是研究者带着预设的问题和框架去收集
验证性数据，其目的在于完成一项符合既定范式的实证研究。田野则强调在地化，要求研
究者进入现场并进行持续性的和互动式的观察与理解。田野不仅是资料收集的方法，更是
一种置身于具体情境中生成问题意识的思维方式。田野的外延涵盖乡村和城市社区以及网
络空间和政策执行现场等多种场域。田野的核心在于研究者与研究对象在真实情境中的长
期互动，从而获得对问题的历时性和整体性把握。我们经常可以看到资深学者尽管在具体
方法技术上可能不及年轻学者那样追新，但其问题洞察力往往更为深刻，其主要原因是资
深学者真正进入了田野。田野经验赋予他们一种对问题的直觉敏感，这种敏感是任何算法
都无法替代的。
在明确田野研究本体论价值的基础之上，我们并非要全盘否定人工智能的工具价值，
而是主张以田野引领人工智能，走一条切实可行的协同路径。这一路径包含三个维度。第
一个维度是以在地之问引领 ＡＩ 之答。研究者应当用田野中发现的真问题去指导人工智能
如何建模和如何分析，让技术服务于问题，而不能本末倒置。第二个维度是聚焦不可量化
的重大议题。在中国政治的具体语境下，全过程人民民主的基层实践机制以及政策韧性的
构成要素等重大议题，其核心恰恰在于那些难以量化的过程和关系与意义。田野研究通过
深描能够有效揭示这些议题的深层逻辑，从而弥补大数据研究的不足。第三个维度是捍卫
学者自主并提炼本土知识。学者应当保持一种陌生化的审视姿态，即使面对熟悉的研究对
象也要不断追问其新的意义，避免陷入理论惯性的窠臼。研究者应当通过田野实践来构建
基于本土经验且具有自主意识的分析框架，而不能被前人理论或人工智能算法所限定。

四、结论
人工智能时代为政治学研究带来了机遇，更带来了深刻的挑战。技术的盲点与研究的
现实痛点共同警示我们，若一味追求技术赋能而脱离田野经验，政治学将面临理论创新枯
竭与公共影响力式微的双重危机。反思本身即是新的起点。政治学的生命力在于其对复杂
而生动的政治现实的理解与解释能力，这一能力的根基不在算法中而在田野间。数据可以
辅助判断，模型可以提示关联，但对政治世界中行动者的动机和制度运作的肌理以及治理
实践的张力的深层把握，终究需要研究者亲身进入具体的政治场景之中。我们必须重申在
地化田野研究的核心地位，以此来平衡技术理性的僭越，捍卫学者的研究自主性与理论创
造力。唯有扎根于田野，政治学才能在人工智能的浪潮中坚守其学术使命，产出能够真正
推动认知进步并回应治理难题的深厚学问。

８ ２ · ·