Let's Make AGI Real

第六篇：案例研究的效率革命——情境敏感性的代价

政治学系的博士生老陈正在做比较案例研究，分析五个国家的教育改革政策。每个案例都包含政策文本、新闻报道、访谈记录、实施效果数据。如果用传统方法，他需要几个月时间才能完成跨案例分析。

系里新来的助理教授建议他试试AI：“我上次研究三个城市的住房政策，让ChatGPT做跨案例比较，一周就完成了初稿。”老陈动心了，但又有些担心：案例研究的精髓不就在于对每个案例情境的深度理解吗？AI能做到吗？

从Yin到Stake：案例研究的两种哲学

案例研究（Case Study）在社会科学中有两大传统：

Robert Yin的后实证主义取向强调案例研究的“科学性”——严格的研究设计、证据链的建立、多重数据源的三角验证。Yin把案例研究视为一种“实验逻辑”的替代，适合回答“如何”和“为什么”的问题。

Robert Stake的建构主义取向则认为案例是“有边界的系统”（bounded system），研究的目的不是概括，而是深度理解这个特定系统的独特性和复杂性。Stake提出“自然主义概化”（naturalistic generalization）——读者通过丰富的案例描述，自行判断对自己情境的适用性。

AI在这两种取向下的表现截然不同。

AI的强项：程序化步骤和跨案例模式

Yin式案例研究有一套高度程序化的步骤：界定案例边界→建立研究问题→选择数据源→建立证据链→寻找模式→得出结论。每一步都相对明确。

2024年的一项研究显示，ChatGPT在执行Yin式案例分析时，与人类编码员达到88%的一致性精度。AI特别擅长：

• 跨案例比较：快速识别五个国家教育改革中的共同要素
• 模式匹配：检验理论预测与实际案例的吻合度
• 证据整理：将不同数据源的信息系统化

比如，老陈可以让AI先做这样的任务：“比较五国改革的时间表、主导者、阻力来源、实施策略，制成对比表格。”这种结构化任务，AI做得又快又准。

AI的软肋：情境敏感性和整体理解

但Stake式案例研究要求的是什么？把案例作为一个整体来理解，而非拆解成变量。Stake说：“案例不是它的变量之和，而是一个有机的、边界清晰的系统。”

一个真实例子：研究中国某市的社区治理改革。表面上看，这个改革引入了居民参与、网格化管理、数字平台。AI可以轻松识别这些“变量”。但如果你在当地呆过三个月，你会发现：这个改革的真正驱动力是市委书记的个人政绩压力；居民参与实际上由居委会阿姨们“代表”；数字平台主要用来应付上级检查。

这些“情境知识”（contextual knowledge）很少出现在正式文本中，往往来自非正式对话、亲身观察和历史理解。AI读再多文件，也难以把握这种“只可意会”的情境。

古人说“只缘身在此山中”，案例研究的深度往往需要研究者“身在其中”。AI永远是“山外人”，它看到的是山的轮廓，而非山中的草木鸟兽、雾气流转。

边界判断：AI不知道什么是“案例内部”

Stake强调案例是“有边界的系统”。但这个边界往往是研究者主动建构的，而非自然给定的。

比如，你研究“一所学校的课程改革”。什么属于这个案例“内部”？

• 学校的制度文件？当然属于。
• 教师的个人教学风格？属于。
• 学生的家庭背景？这个……有点边缘。
• 地方政府的教育政策？作为“背景”还是“案例的一部分”？
• 全国的高考制度？这算“外部环境”还是“构成性因素”？

这种边界判断，需要研究者的理论敏感性和实质性判断。AI缺乏这种判断力——它会“民主地”处理所有输入的文本，无法区分“核心”与“边缘”。

理论饱和vs数据饱和：不同的停止标准

案例研究何时可以停止收集数据？这在AI时代变成了一个新问题。

传统上，Eisenhardt的跨案例理论建构方法使用“理论饱和”标准：当新增案例不再产生新的理论洞见时，停止添加案例。这需要研究者的理论判断。

AI可能会给出不同的答案：“根据统计检验，当前7个案例的数据已实现模式收敛，可以停止。”但这是“数据饱和”（模式重复），而非“理论饱和”（无新洞见）。两者看似接近，实则不同。

前者是统计逻辑，后者是理论判断。过早依赖AI可能导致我们用前者替代后者，从而损失案例研究的理论创新潜力。

一个乐观的案例：会计学研究的成功

不过，也有让人乐观的证据。一项会计学研究让ChatGPT担任“第二编码员”，与人类研究者共同分析财务丑闻案例，结果达到99%以上的一致性。

成功的原因可能在于：会计学的案例研究往往基于标准化的文档（财报、审计报告、监管文件），分析框架也相对明确（会计准则、公司治理理论）。在高度制度化、文档化的领域，AI的表现更好。

这给我们的启示是：不是所有案例研究都一样。研究证券欺诈和研究乡村振兴，对“情境理解”的要求很不同。选择是否使用AI，应该基于你的案例特征和研究目的。

给案例研究的建议

• 用AI做“管家”，你做“建筑师”

让AI帮你整理证据、制作时间表、对比数据，但案例的边界界定、理论框架选择、因果机制诠释，必须由你决定。

• 保留“异常案例”

AI倾向于寻找模式，可能会忽略或边缘化那些“不符合模式”的异常案例。但在理论建构中，异常案例往往最有启发性。

• 做好“案例内”和“案例间”的分工

可以考虑：案例内分析主要由你手工完成（保持深度理解），跨案例比较时使用AI辅助（提高效率）。

• 警惕“去情境化”

定期回到原始材料，重新沉浸到案例的情境中。AI的总结可能让你“见树不见林”，或者“见林不见树”。

• 向Stake学习写作

即使使用了AI分析，在写作时也要提供丰富的案例描述，让读者能“看见”案例，而非只看到抽象的分析。这是对案例的尊重。

延伸思考

• 如果AI能整合视频、音频、文档进行多模态案例分析，案例研究的“证据链”会如何变化？
• 在“案例过剩”的时代（互联网让我们能轻易找到上百个相似案例），案例研究的价值是否从“代表性”转向了“启发性”？
• AI能帮助实现Ragin的“质性比较分析”（QCA）与深度案例研究的结合吗？