Page 89 - 《党政研究》2026年第3期

常见的研究方式是归纳 （ ｉｎｄｕｃｔｉｖｅ），即研究者并不带着太强的预设进入田野，而是从收
集的资料中提炼出概念或理论。研究者可以尝试将收集的资料喂给 ＡＩ 大语言模型，并要
求其建议适合的理论和概念。需要注意的是，理论创新是一项研究的灵魂，也是最能体现
研究者个人色彩的部分。ＡＩ 工具给出的建议并不能完全代替学者的个人判断和创新，需
要学者进行取舍与后期打磨。
简单总结，ＡＩ 模型为学者开展研究提供了强大的赋能工具。然而 ＡＩ 之所以高效强
大，是因为作为使用者的我们知道要做什么，然后给出命令让 ＡＩ 执行实现。对于社会科
学研究者来说，我们的独特价值恰恰在于提出需要实现的目标。作为具有强烈现实关怀的
社科研究的重要方法之一，田野调查进一步凸显了研究者在知识生产中的独特价值，其非
但不会被 ＡＩ 简单取代，反而可以借助后者实现更高的效能。需要注意的是，本文的观点
是基于目前为止的 ＡＩ 技术，而 ＡＩ 技术的快速发展日新月异，不排除未来 ＡＩ 可以帮助研
究者实现更多的任务。但只要社会科学还是一门研究人类现实生活的学问，研究者与现实
世界的互动就不会轻易退场。

ＡＩ 时代追踪央地财政关系制度演变的

田野困境与必要性

游 宇

一、ＡＩ 时代社会科学研究范式的转型与技术局限

人工智能正在重塑社会科学研究范式。技术变革不仅提供了更高效的研究工具，更在
方法论层面引发了关于 “何为研究”“如何发现”的范式革命。人工智能技术改变了研究
者获取、分析及呈现数据的方式 ，推动着社会科学从传统的因果解释向识别与预测复杂
〔 １〕
规律转移 。这种变革在提升研究规模化与自动化的同时，也对强调经验调查与情境体悟
〔 ２〕
的传统研究方法构成了挑战。人工智能介入社会科学研究的广度与深度，可从技术、方法
与流程三个维度进行系统考察 （具体如表 １ 所示）。
表 １ ＡＩ赋能社会科学的维度与应用价值
赋能维度 技术表现与具体应用 核心价值产出
处理海量多源数据，进行文本编码、情感与语 提升信息处理效率，降低研究成本，提升数据
技术赋能
义分析 覆盖的广度
方法赋能 非线性的数据中发现潜在规律与涌现新规律 为质性研究提供自动化支持，增强结论的稳健性
重塑科研流程，高效识别异常案例并完成数据 将研究者从重复劳动中解放，聚焦于框架构建
流程赋能 预处理 与理论深化

尽管人工智能在处理非结构化数据和模式识别方面表现优异，但其底层运行逻辑导致

处理复杂社会现象时存在局限。由于 ＡＩ 高度依赖于离散化的数据输入，导致研究者难以
把握社会过程的整体性与历史脉络，研究容易陷入方法主义，脱离社会现实。更为关键的
是，ＡＩ 无法理解制度运行中的默会知识与非正式规则。在政治与行政现实运行语境下，
许多决定制度走向的关键决策往往发生于正式报表之外，体现为非公开的沟通、利益的权
衡以及情境性的策略选择。ＡＩ 模型即便经过大规模网页抓取和报表训练，也难以捕捉到
这些深藏于政治细节中的微观机制，更无法实现从经验碎片到理论范畴的认知飞跃。因
此，人工智能的兴起非但没有宣告田野调查的终结，反而从反面论证了田野工作在捕捉制
度细节、进行机制检验以及培养研究者批判力方面具有不可替代的价值。

〔作者简介〕游宇，厦门大学公共事务学院副教授，博士生导师，福建 厦门 ３６１００５。

８ ８ · ·