收益：
- 能够区分人工智能在社会研究中节省时间的地方（摘要、记录、编码、草稿）以及研究问题、解释和道德决策留给人类的地方，具体取决于风险水平。
- 能够了解人类领域中幻觉和捏造来源的风险，并运用独立验证每个事实、数字和参考的学科。
- 明白为什么要透明地陈述人工智能的贡献，保留原创性，从一开始就不留任何提示痕迹
社会学研究人们如何生活在一起；它是系统研究群体、制度、不平等、文化和社会变革的科学分支。社会研究员日；它包括收集调查、进行访谈、扫描文献（所有先前撰写的有关某个主题的科学出版物）、分析数据和报告调查结果。所有这些任务都需要时间，而在所有这些任务中，人工智能（AI）——在这里，理解文本、总结文本、编码文本和生成草稿的大型语言模型——可以成为一个真正的加速器。本模块将教您如何在社会研究的各个阶段使用人工智能；但它告诉你为什么应该将解释、理论（基于理论的）框架、道德责任和最终发现掌握在自己手中。
人文社会科学有一个特点：这里的“正确答案”往往不是单一的、确定的答案；解释、背景和证据链是决定性的。所以这就是人工智能最危险的地方。人工智能可以产生幻觉——也就是说，它可以用极其令人信服的语言将不存在的来源、作者、日期或发现捏造为事实。在社会研究中，这意味着一篇文章中出现了虚假的参考文献，报告中出现了捏造的统计数据，或者将某些事情归咎于参与者但他们没有说。这是本模块的主题：AI是助手，你是作者和研究员。
一步一步：将人工智能嵌入研究过程
1. 按风险级别划分任务。并非每项任务都具有相同的风险。让人工智能总结面试笔录的风险很低（因为你可以阅读并验证笔录）。询问人工智能“文献对此有何评论”是高风险的（因为它可能会弥补来源）。
2. 给AI它所擅长的工作。总结长文本、编辑文字记录、生成代码建议、编写草稿段落、格式化表格——这些都是人工智能快速且擅长的任务。
3. 保护人类工作。确定研究问题、选择理论框架、评估样本（研究中包含的个人或单位群体）的代表性、解释研究结果并做出道德决定——这就是您的任务。
4. 验证每个输出。如果您未验证其来源，人工智能产生的任何事实、数字或引述都不会进入报告。
5. 跟踪。记下您使用的提示（您向人工智能发出的指令）、您运行的模型以及日期。这对于未来的可重复性是必要的。
提示：将人工智能想象成“速度非常快但有时不可靠的实习生”。你总是要阅读实习生的草稿，询问来源，然后签名。对人工智能应用同样的规则。
三个迷你箱子
案例 1 — 伪造的参考被捕获。一名研究生要求 AI“推荐 5 篇关于城市孤独的经典论文”。人工智能生成了 5 篇文章，这些文章的作者真实姓名并不存在——标题是可信的。学生在学术数据库中搜索了所有这些；五分之四根本不在那里。如果没有验证，虚假参考文献就会进入论文。
案例 2 — 编码速度提高 3 倍。一位研究人员有 40 份采访记录。他把前5个成绩单给了YZ，并请求代码建议；根据他的理论框架重新设计了生成的代码列表，并用这套一致的代码处理了剩余的 35 个转录本。 3周的工作时间减少为1周；决定始终是人类的。
案例 3 — 采样警告。一个团队让人工智能总结了一项在线调查的 900 份回复，并得出结论：“年轻人信任社交媒体。”有顾问问：样本是谁？大多数回复来自同一所大学的学生。 AI总结在技术上是正确的，但样本并不能代表所有青少年；结果被改写为这个限制。
四个可复制模板
1）角色和边界设定（在每个会话开始时）：
你的角色：社会研究助理。你的工作是总结、编辑和提出代码和大纲。源头制造；在不确定的地方写上“必须验证”。只要依靠我给你的文字即可；不要根据自己的记忆添加统计数据或参考资料。我将做出解释和最终决定。
2）文本摘要（低风险，安全）：
下面总结一下采访记录。保留参与者自己的话，不要添加新的信息。输出：(1) 5 个主题，(2) 3 个值得注意的直接引用（带行号），(3) 不清楚的点。文本：[此处]
3）来源验证反射：
对于您刚刚建议的每个参考文献：给出作者、年份、期刊/出版物和 DOI（数字对象标识符）。如果您不确定参考资料的真实性，请填写“未验证”。我宁愿你说“我不知道”，也不愿弥补。
4）偏差审查：
检查此草案：[文本]。标记其中的每个概括并询问：“这个主张基于什么样本？有任何反证据吗？它是否将一个社会群体描述为与它无关的东西？”列出一系列偏见和过度概括。
弱提示/强提示
弱提示：
总结和参考有关性别和商业生活的文献。
人工智能从旧的记忆中生成了一个无法验证的文本，其中充满了它从未读过或不存在的来源。这是伪造参考文献的风险最高的地方。
强力提示：
你的角色：研究助理。根据我将在下面粘贴的 6 篇文章的摘要（全部从数据库下载），综合了关于“性别与工作生活”的共同发现、相互冲突的发现和差距。只需使用这 6 个文本即可；添加外部资源。使用 [M1]-[M6] 标签显示每个声明所基于的文本。摘要：[此处]
区别很明显：人工智能不再编造它，它正在综合你提供给它的实际文本，并将每个声明归因于来源。
人工智能的作用：哪里强大，哪里就需要人类
任务
人工智能的贡献
人类责任
风险等级
长文摘要
快速草稿
准确性检查
低
成绩单编辑
清理、格式化
意义的保存
低
定性编码
代码建议
理论决策、一致性
中等
文献综合
合并给定文本
来源验证
高
统计评论
账户汇票
方法与意义的判断
高
道德决策
—
只有人类
批评的
常见错误
- 使用AI提供的资源而不进行验证。最常见、最严重的错误；虚假参考资料会损害您的学术声誉。
- 将解释留给AI。问题“这是什么意思？”是研究人员的工作，而不是模型的工作。
- 在不质疑样本的情况下进行概括。即使AI总结准确，数据也可能无法代表整个人群。
- 忽视原创性。将人工智能生成的文本呈现为您自己的句子违反了学术诚信；透明地陈述您的贡献。
- 不留痕迹。如果您没有注明使用了哪个提示以及何时使用，则没有人能够复制您的工作。
总之
社会研究中的人工智能；是一个强大的助手，可以总结文本、编辑笔录、建议代码和写草稿。但研究问题、理论框架、样本判断、解释、伦理决定和最终发现都属于人类。对人类领域最大的危险是幻觉和虚构的根源；这就是为什么每一个事实、数字和参考资料都不会在未经验证的情况下进入任何地方。根据风险级别定位人工智能，为其提供强大的资源，保持真实性和透明度，并根据自己的判断签署每个交付成果。
应用任务
从您自己的研究领域中选择一个主题。首先告诉AI“建议5篇关于这个主题的文章”（弱方式）并在学术数据库中搜索每个建议的来源；数一数有多少是真的。然后，将你下载的3份真实摘要交给AI，通过“强提示”要求合成。写一篇半页笔记来比较两种方法的可靠性。
清单
- [ ] 我按风险级别（低/中/高/严重）分隔任务。
- [ ]我给AI一个启动提示，设定角色和边界。
- [ ] 我已根据独立数据库验证了每个推荐来源。
- [ ] 我将解释、框架和道德决定掌握在自己手中。
- [ ] 我已经清楚地注意到人工智能的贡献并留下了我的提示痕迹。