宗才课堂||大模型赋能哲学社会科学研究:范式与路径

人工智能赋能哲学社会科学研究已经得到学术界的普遍关注。然而，其科研范式和实施路径尚未明确，仍缺乏对人机共创机制、知识生成逻辑以及人机协作边界的清晰认知，难以构建规范、高效和可持续的研究方法体系。此外，学术界对以大模型为代表的新兴人工智能技术的智能程度也未能达成共识——它们是具备了初步智能，还是仅在对现有知识进行随机连接与重组，仍有待深入探讨。过度依赖人工智能驱动的建模方法可能对科学研究带来负面影响。因此，如何设计一条结构清晰、反馈明确的研究路径以便科学合理地引入大模型展开大规模研究和应用，是大模型赋能哲学社会科学研究需要回答的重要问题。

传统学术研究范式强调研究者与方法工具之间的单向互动。相比之下，大模型对哲学社会科学的赋能，不仅体现在人工智能技术的工具性嵌入，更体现为其在知识生成、理论扩展与研究范式重构中的深度参与能力。与传统通用人工智能辅助工具不同，大模型具备语义理解、多模态融合与动态交互能力，能够在研究全过程中扮演认知协作者的角色，而非仅承担辅助分析或文献检索的功能。因此，大模型赋能哲学社会科学研究不仅提升了研究效率，更引发了研究结构与认知边界的系统性变革。

本文从研究主体结构、知识生成逻辑与方法论结构三个维度对比分析大模型赋能下哲学社会科学研究新范式与传统范式的差异，其依据来自科学研究范式的基本构成逻辑。根据库恩提出的范式结构理论及其后续拓展研究，科学范式的主要维度包括研究者与工具之间的关系（即研究主体结构）、知识如何生成与发展的机制（即生成逻辑）以及研究所遵循的方法路径与工具系统（即方法论结构）。本研究据此对这三项维度进行了系统化梳理。在哲学社会科学研究的新范式中，大模型通过生成、批判与共创的有机融合，为哲学社会科学研究提供了全新的范式参考。在本研究中，共创指的是在研究全过程中，研究者与大模型通过多轮交互，形成生成、评估与重构的闭环机制，共同推动问题提出、知识生成与理论发展。该过程强调人类研究者的认知主导地位，模型则作为具备语言理解与逻辑推理能力的智能协作者，在语义生成、信息整合与观点扩展等环节提供支持。与此相对，传统人工智能在哲学社会科学研究中通常被定位为工具型存在，用于辅助文献检索、文本分析或数据建模，缺乏深层次的参与及认知反馈。

本文所指的大模型协同共创范式，旨在重构人机关系，从传统人工智能作为工具的线性单向使用，转向人机认知交互的双向协同机制，实现知识生产过程的系统性重构。该共创性研究范式的核心理念是大模型与研究者的高度融合，强调通过大模型与研究者的协同合作，推动知识生成、深化与创新的共同进化。在这一循环交互过程中，研究者作为科研的发起者与指导者，与大模型协作进行生成、批判与共创的迭代过程。其中生成不仅仅意味着内容创造，更体现为思想的激发与问题的多维扩展。在这一过程中，大模型通过对庞大数据的处理与分析，提供多元的视角和假设，启发研究者从不同学科、理论或视角对问题进行全方位审视。在生成环节，大模型不仅帮助研究者提供更多的答案和选项，还引导他们发掘新的思维路径，开辟研究的未知领域；在批判环节，研究者不再单纯地对模型输出内容进行评判，而是通过批判性反馈推动知识的深层修正与进化。批判不再是停留在表面的问题指正，而是通过系统性思维与多角度反思，对生成内容进行质疑与优化。批判和生成之间形成了一个持续反馈与反思的闭环，每一轮批判都促进模型自我调整和升级，为下一次生成提供更有深度的视角。最终，在共创阶段，研究者与大模型通过不断的交互，推动思想、理论和方法的同步演进。在这一过程中，研究者提供的批判性反馈和知识探索，不仅帮助大模型调整其输出内容，也为生成过程注入新的问题意识与研究方向；而大模型的生成能力则在互动中不断优化，进而实现新的知识、理论与方法的共创。

在大模型赋能哲学社会科学研究的协同共创范式指导下，本文提出了以人为中心的“生成—批判—共创”大模型赋能哲学社会科学研究的实施路径。

在生成阶段，大模型的作用体现在从问题启发到素材扩展的过程。首先，研究者提出具体的研究命题及方向并通过大模型进行多维度问题扩展，探索理论和实践的多样化路径。而后，基于研究问题，模型将生成相关假设，同时也生成文献综述和思想演变的概要。这一过程中，生成不仅仅是内容的输出，更重要的是通过提供多样性和可比性的研究方向，启发研究者在不同的领域中开展多角度、多层次的探索。在生成阶段研究者首先明确研究问题与数据范畴。大模型并不取代问题意识，而是强化了对问题的扩展性探索。研究者应首先明确研究问题的本体论基础。生成不只是内容创作，更是创造性思维的引导，尤其适用于哲学社会科学研究中的推理与假设生成。在这一阶段，重点是如何通过大模型来引导和激发思维的创造性，探索更多未曾讨论过的研究问题和视角。（1）思想推演：通过大模型生成相关领域的全新知识，提供多角度、多维度的解释。（2）假设推演：通过大模型生成假设，这些假设不仅基于已有的哲学理论或社会现象，还可以通过模型推理出历史上未被充分探讨的事件或假设性的情境。生成阶段中大模型完成了两个主要任务：一是为生成式知识启发，包括研究问题重构与引导、语义相似文献扩展以及思想谱系生成；二是为多角度内容生成与可理解性提升，包括多视角观点生成、学术写作结构草稿以及风格迁移表达辅助。

批判阶段是整个研究流程中的关键环节，它不仅验证了生成内容的可靠性，还通过对不同观点的对比评估，推动学术研究的深度探索。在批判阶段，研究者需要对模型生成的内容进行详细的批判性分析，确认其是否符合研究的理论框架。在批判阶段，研究者不仅需要通过自己的认知进行反思批判，还要借助大模型的多角度对比与验证机制，以确保生成内容的准确性和合理性。例如，通过模型对比、理论验证等方式对生成的观点进行挑战。研究者可以使用批判性思维检查模型输出的内容，从而确保生成内容的学术价值与准确性。通过建立批判性反馈机制，研究者与大模型通过协作以确保每一轮生成内容都经过深度互动和批判性评审。基于此，研究者通过引导模型挑战性生成形成一个双向的互动回路。批判阶段中，大模型承担两个方面的关键任务：一是面向文本结构的自我评估与优化支持，包括学术表达优化、术语一致性校验、逻辑连贯性调整等；二是面向内容风险的审查机制，包括文化语境的跨文化理解提示、伦理风险用语的识别与预警，以及模型输出可能引发误解或价值偏差的提示机制。通过双重反馈路径，研究者得以识别潜在问题并引导模型优化内容输出，最终实现更高质量、更具可信度的研究成果协同构建。

在上述路径中生成与批判循环推进，最终建立了科研者与大模型的知识共创并形成了反馈循环与共建机制。在这个机制中，研究者和大模型进行深度的协同反馈，形成反馈闭环。研究者不仅是模型内容的批判者，也应通过积极的反馈引导模型调整其生成路径。大模型不仅是研究者的协同工具，也是参与知识构建与演化的智能主体，两者在持续互动中形成共同推进学术创新的动态机制。随着学术讨论的发展和研究问题的深入，研究过程能够根据研究进展和需求进行实时更新，从而动态调整生成任务的方向。通过不断更新训练数据和调整任务生成，模型可以随着研究的进展而灵活应对新的需求。共创阶段大模型通过修订迭代以及人机协作，极大地推动了学术研究的创新与个性化发展。共创阶段大模型实现了嵌入式反馈与修订迭代以及人机协作平台与共创两个任务。第一个任务包括学术研究拓展表达与用户提示学习指导，前者通过更加丰富、结构化的形式展示研究成果，提升学术表达的清晰度与传播力；后者则通过持续学习研究者的反馈与偏好，逐步优化模型的响应方式，适应个性化的学术风格。第二个任务包括跨学科研究对话与个性化研究体系：大模型在多学科语境中建立对照机制，同时支持基于个人知识结构的模型微调，构建专属的研究支持系统。大模型在共创阶段有效连接了智能能力与研究者主体性，形成了以共创合作为驱动的知识创新体系。

“生成—批判—共创”并非线性终结式流程，而是构成一个循环迭代的认知共创机制。在这一过程中，共创阶段不仅是知识初步形成的阶段性成果，更是新一轮再生成的起点。研究者与大模型在多轮交互中共同修正研究路径、拓展问题边界，从而推动知识系统在反馈中不断优化与演化。这一循环模式可类比双螺旋知识共创模型，即以人为主导的认知路径与AI主导的生成路径相互嵌套、动态协同，最终形成具有再生产能力的知识体系。大模型在这一过程中承担认知放大器与混合主动性系统角色，能够根据人类反馈动态调优表达与推理逻辑，实现从初级草稿到深度理论的跃升。这种持续循环优化的人机协作机制，为哲学社会科学研究提供了一种结构闭环、协同增强的智能化方法路径。

宗才书院