Let's Make AGI Real

第十篇：做一个塑造未来的人文学者

毕业答辩结束，社会学系的博士生阿华走出会议室，长舒一口气。五年的博士生涯，她经历了质性研究从“纯手工”到“人机协同”的转变。

回想起来，转折点发生在三年前。那时，她还在用荧光笔在打印的访谈稿上做开放编码，一个字一个字地读，一段一段地标注。那种与数据的亲密接触，那种在文字中沉浸到忘记时间的体验，她至今怀念。

后来，师兄推荐她试试ChatGPT。刚开始她抗拒，觉得这是“偷懒”，是对学术的“不尊重”。但截稿日期逼近，导师催促，她妥协了。第一次把访谈上传，看着AI在几分钟内生成初步编码，她的感受很复杂：既惊叹于效率，又隐隐觉得失去了什么。

五年后的今天，她已经能够熟练地“驾驭”AI——知道什么任务可以交给它，什么必须自己做；知道如何设计提示词，如何批判性评估输出；知道在伦理和效率之间如何权衡。

但她也意识到：自己是“过渡一代”——既经历过传统训练，又掌握了新工具。未来的学生，会是什么样？

新素养：从“手艺人”到“协同者”

古人讲“文章千古事，得失寸心知”。质性研究长期以来被视为一种“手艺”（craft），需要师傅带徒弟，在实践中反复磨练。

AI时代，这种手艺会消失吗？不会，但会转型。

研究者的角色正在从“独立手艺人”转向“人机协同者”。新的核心能力包括：

• 提示词工程（Prompt Engineering）

这不是简单的输入指令，而是一种新的“对话艺术”。好的提示词需要：

• 清晰的任务界定
• 充分的背景信息
• 适当的理论框架
• 明确的输出格式
• 关键的限制条件

举例：不好的提示词——“分析这段访谈”

• 批判性评估能力

AI会“幻觉”，会偏见，会表面化。研究者需要培养辨别力：

• 幻觉检测：AI是否编造了受访者没说的话？
• 偏见识别：AI的解释是否带有文化、性别、阶级偏见？
• 深度判断：AI的分析停留在表面还是触及本质？

这需要深厚的学科素养和理论敏感性。AI降低了技术门槛，但提高了理论门槛。

• 伦理权衡能力

每次使用AI都需要权衡：

• 效率vs隐私？
• 规模vs深度？
• 创新vs传统？

这种权衡没有标准答案，需要研究者的实践智慧（phronesis）——亚里士多德说的那种在具体情境中做出恰当判断的能力。

• “元认知”——认识你和AI的边界

优秀的协同者知道：

• 我在什么任务上比AI强？（深度诠释、情境理解、伦理判断）
• AI在什么任务上比我强？（大规模模式识别、跨案例比较、文献整合）
• 什么任务需要人机各半？（初步编码由AI，审查由我；结构分析由AI，意义诠释由我）

这种自我认知，恰恰是AI无法拥有的。

课程重构：方法论教育的革命

想象一下，五年后的“社会研究方法”课程会是什么样？

传统模块（仍然核心）：

• 认识论与本体论
• 研究设计
• 访谈技巧
• 田野工作伦理
• 手工编码（作为基础训练，就像学画画要先学素描）

新增模块：

• AI辅助质性分析：工具、方法、伦理
• 提示词工程工作坊
• 人机协同研究设计
• AI输出的批判性评估
• 算法偏见识别与缓解

颠覆性变化：

• 从“如何编码”到“如何评价编码”
• 从“如何分析”到“如何协调人机分析”
• 从“如何保证质量”到“如何保证透明度”

最重要的补充：哲学课

当技术快速变化，不变的只有哲学根基。学生需要更深入地理解：

• 什么是“理解”？（诠释学）
• 知识如何建构？（建构主义）
• 权力如何运作？（批判理论）
• 研究者的责任是什么？（研究伦理）

只有从哲学中寻找根基，才不会在技术潮流中迷失方向。

学术生态的重组

AI不只改变个人，也在重组整个学术生态。

赢家与输家

• 赢家：掌握AI但保持批判性的研究者；有独特理论视角的研究者；能做深度诠释的研究者
• 输家：只会“纯手工”的保守者；盲目依赖AI的偷懒者；缺乏理论深度的“技术工”

新的不平等

• 技术鸿沟：发达国家vs发展中国家；名校vs普通院校；有经费vs没经费
• 语言鸿沟：英语母语者vs非英语者（因为AI主要训练数据是英语）
• 代际鸿沟：数字原住民vs数字移民

这些不平等需要学术共同体的集体应对，而非个人竞争。

期刊与评价体系的调整

• 越来越多期刊要求AI使用披露
• 可能出现“AI使用分级”制度（类似电影分级）：无AI、辅助性AI、核心使用AI
• 评价标准可能从“工作量”转向“洞察力”（因为AI降低了前者的意义）

君子和而不同：方法论立场的多元共存

儒家讲“君子和而不同”。在AI时代，质性研究界也需要这种智慧：承认不同立场的合理性，在分歧中寻求对话。

拒绝派有其道理：

• 反思性是质性研究的灵魂，AI无法替代
• 过早依赖AI会损害新一代的分析直觉
• 效率不应成为压倒一切的标准

整合派也有其合理性：

• 质性研究不应是精英特权，AI的普及化具有民主意义
• 节省下来的时间可以用于更深的诠释
• 拒绝工具本身是一种特权（有时间、有资源的人才能拒绝）

关键是：各派应该开诚布公地讨论彼此的关切，而非相互攻击。

也许未来会形成一种“方法论生态系统”：

• 纯手工质性研究（追求极致深度，小样本）
• 轻度AI辅助研究（AI做初步整理，人类主导分析）
• 重度AI辅助研究（人机深度协同，大样本）
• AI原生研究（探索全新的人机协作范式）

没有哪一种绝对正确，关键是明确你的选择，并为你的选择负责。

致AI时代的社会学者：在变革中保持初心

最后，我想对正在读这个系列的你说：

你生逢其时，也面临挑战。你们这一代，将见证质性研究方法论的深刻转型。这个过程会混乱，会充满争议，但也充满可能性。

几点建议：

• 保持学习的谦卑

技术在变，理论在变，规范在变。保持开放的心态，终身学习。

• 守住学术的初心

无论工具如何变化，质性研究的初心不变：理解人类经验，揭示社会真相，追求公平正义。不要让工具的便利性，掩盖了学术的使命。

• 发展批判性思维

对AI保持批判，对传统也保持批判。不盲从权威，不盲信技术，用自己的头脑思考。

• 培养伦理敏感性

每个技术选择都是伦理选择。问自己：这样做，对参与者公平吗？对知识诚实吗？对社会负责吗？

• 建立学术共同体

不要孤军奋战。与同学、导师、同行建立真诚的对话，在集体智慧中成长。

• 记住：你是“人”，不是“用户”

AI公司希望你成为他们产品的“用户”，但你首先是一个有批判意识的学者，一个有社会责任的知识分子。工具为人服务，而非人为工具服务。

结语：未来的质性研究

《易经》说：“穷则变，变则通，通则久。”质性研究正在经历“穷”的阶段——传统方法遭遇挑战，新工具带来困惑。但这恰恰是“变”的契机。

未来的质性研究，可能是这样的：人类研究者专注于那些需要深度诠释、情境理解和批判意识的核心任务，AI则处理繁重的机械性工作。人机各司其职，相得益彰。

但这个未来不会自动到来，需要这一代学者——包括正在读这篇文章的你——共同创造。

愿你在变革的时代，既能拥抱新工具，又不失学术的灵魂。

愿你成为那种研究者：会用AI，但不依赖AI；追求效率，但不牺牲深度；拥抱未来，但不忘初心。

道阻且长，行则将至。共勉。

〈系列完〉