张咏雪
用技术研究技术的社会影响
作者 | 张咏雪
作者单位 | 中山大学社会学与人类学学院
原文 | 点击阅读
非常感谢《社会学研究》编辑部，让拙文《从自动化技术到生成式人工智能——技术对劳动者影响的技能异质性研究》有幸在2024年第4期正式刊出。同时，非常荣幸能通过作者手记分享论文写作过程以及自己在论文以外的思考。
从硕士阶段起，我就在导师梁玉成教授的引领下，开始探索技术对社会影响的相关议题。在2018年参与的中国劳动力动态调查项目中，我紧随师兄政光景老师的步伐，关注自动化技术对劳动者就业的影响。之后在导师的指导下，我完成了该领域的一个小型研究。自那时起，我便对自动化技术的社会影响产生了浓厚的兴趣，并持续关注这一议题。在广泛阅读相关文献的过程中，我注意到两个问题：一方面，既有研究对自动化技术的社会影响的讨论始终聚焦于其对传统工作的替代作用以及对劳动过程的控制作用上；另一方面，关于技术发展的讨论始终聚焦于技能偏向性这一核心议题，并突出其影响的异质性特征。
与此同时，由于计算社会学一直是梁老师所有学生的必修研究方向，我一直试图将计算社会学和我所关注的问题结合起来，运用计算社会学的研究方法对技术的社会影响进行探索。在一次组会中，师姐贾小双老师分享了她在因果分析上的前沿探索成果，其中最让我印象深刻的就是她所介绍的因果树模型。之后，我认真地研读了胡安宁教授、吴晓刚教授和陈云松教授在《社会学研究》2021年第1期发表的《处理效应异质性分析——机器学习方法带来的机遇与挑战》一文。其中基于因果随机森林进行变量重要性评估的思路让我深受启发。自此开始，运用因果树模型对技术处理效应进行分析的想法就逐步形成。
在随后的写作过程中，梁老师对我的理论对话点和分析呈现方式给予了极为宝贵的建议。在一次次的调整和完善中，我逐步完成了写作，并且在2022年11月进行了投稿。在这个版本中，我关注自动化技术和人工智能对劳动者影响的异质性，并且运用倾向值匹配方法（PSM）、异质性处理效应分析方法（HTE）和因果树分析方法（CT）对技术处理效应的异质性进行了分析性讨论。在某种程度上，这实现了我用计算社会学方法研究技术社会影响的想法，因此这也成为了本篇作者手记题目的灵感来源。
投稿后不到一个月，OpenAI公司便发布了ChatGPT，发布当天是2022年11月30日。这一以大语言模型为代表的生成式人工智能迅速崛起，它在认知性任务方面的执行能力有了很大的提升，这种技术升级很可能重塑职业的需求结构。这促使我重新思考人工智能对劳动者带来的可能影响。
在生成式人工智能出现之前，一种比较主流的观点认为，人工智能主要影响高技能劳动者，因为它能够执行一些需要更高认知技能的任务。但是，与生成式人工智能相比，那些技术属于一种智能吗？在一次偶然的机会下，我向中山大学社会学系的许怡老师请教了关于何为智能的问题。基于田野观察，她认为其实大多数的工业自动化技术和工业机器人严格来说都不能被认为是一种智能。其中，一些机器配备了视觉功能，只能进行简单的识别任务；而另一些机器则已经加入了深度学习功能，智能化程度会更高一些。在这种智能化程度下，高技能劳动者受到的影响仍然是非常有限的。
这与数据中的发现相吻合。然而，随着生成式人工智能的发展，这一状况很可能发生变化。一些原本被认为需要较高认知技能的任务现在也可以由人工智能执行。比如，文字内容生成、图像视频生成、代码编写、数据图表解释，等等。邱泽奇教授团队关于技术变革的一系列研究深深地启发了我。虽然目前的生成式人工智能技术仍未成为真正的通用人工智能，但其潜力正在引领劳动力市场的供需变革。这同时也给教育领域的人才培养模式提出了新要求、新挑战。
作为一名社会学研究者，我也时常在思考，生成式人工智能到底能否完成我的工作？在梁玉成教授的指导下，我们研究团队正尝试在社会学的研究情境中使用这些新技术。比如在今年刚结束的中山大学计算社会科学讲习班中，我就演示了传统词典法、Bert-based预训练模型以及对话式大语言模型在情感分类任务上的执行能力。可以发现，生成式人工智能在执行这类情感理解任务上的成绩已经比较优异。在某种程度上，生成式人工智能确实能够帮助社会学研究者进行“理解”。但是研究者若要提炼出具有深度的社会学见解，则需要输入有深度的提示指令。在生成式人工智能的冲击下，作为社会学者，我认为自己应当提升发问的能力。只有好的发问才能引导这些强大的工具揭示隐藏的社会模式，并激发其新的理论思考。
带着这样的想法，在其中一个版本的稿件中，我不自觉地在结论讨论部分写下了“满眼徒余未知”这句话。虽然这句话在后续的修改中被转述成了情感性更弱的表达，但是我的忧思并未减弱。不过，正是这种忧思促使我一方面持续关注生成式人工智能的社会影响，另一方面更加努力地学习相关技术。虽然这颇有“打不过就加入”的意味，但是只有“知己知彼”，方能更好地应对新技术带来的挑战。
在论文的撰写与后续修订过程中，我遭遇了两个关于研究方法的关键挑战。首要问题是如何合理地区分高技能劳动者与低技能劳动者；其次则是如何有效估算技术处理效应所展现出的异质性特征。借助计算社会学的方法，我逐步解决了这两个难题。
针对如何区分两类劳动者的问题，我一开始采用了因子分析的方法，将衡量劳动者技能的多个变量综合成一个因子，随后以该因子的中位数作为分界点，将劳动者划分为高技能与低技能两大类别。审稿人对这一划分方式提出了质疑，我需要进一步论证划分点选择的合理性。在导师梁玉成教授和师姐贾小双老师合作的《理论与数据双驱动的社会分层研究》一文的启发下，我决定采用无监督聚类的方式对高技能劳动者和低技能劳动者进行划分，并且对比不同划分点对研究结果的影响。这种无监督聚类的方法在很多情况下能够有效解决分组合理性的问题。
而在估算技术处理效应异质性的问题上，我一开始运用因果树模型，根据协变量特征的差异将技术的处理效应细分为八类。这种方法虽然对处理效应异质性的区分度更高，但也面临着与既有理论和现实情境进行对话的困难。审稿人建议我用这种方法先对一些重要变量进行探索。在审稿人的启发下，我通过因果随机森林对协变量特征重要性的探索，选取了认知能力得分作为探讨技术处理效应异质性的核心变量。由此产生的异质性解释能够更好地回应理论假设和现实问题。
从2017年开始，我就开始参加梁老师在中山大学举办的计算社会科学讲习班，有幸能够学习到詹姆斯·埃文斯（James Evans）教授、陈云松教授、龚为纲老师、范晓光老师、施永仁老师、周旅军老师、刘河庆老师、周文老师、何蛟龙老师等学者开设的计算社会科学课程。也因此，我了解到了众多前沿学者在计算社会科学领域的积极探索与贡献，这些宝贵的见解让我受到了深刻的启发。梁老师一直走在学术的前沿，他总是鼓励我们做研究不仅要回答新问题，而且要运用新方法。如何将计算社会学方法与现实世界的复杂问题紧密结合，无疑是一项极具挑战性的任务。尤其是当研究者致力于凸显方法本身的重要性时，往往容易忽视对理论问题本身的充分阐述与深入探讨。在写作过程中，我需要不断地针对这个问题进行调整。最后我发现，阐述计算方法最重要的是要告诉读者，为什么要运用这个方法、这个方法能够解决什么问题。
在最初投稿之际，我仅仅抱着试一试的心态。没想到在2023年7月，我竟收到了首轮返修意见。于我而言，能够获得评审反馈，便是这次“投稿行动”的“重大胜利”了。两位匿名审稿人肯定了选题的价值，所提建议非常深刻、一针见血，我视之如珍宝。我投入了大量时间，深入剖析审稿人的意见，并竭尽全力地回应每一个问题。同时，在修订过程中，我加入了对生成式人工智能的思考与探讨。此番修订之后，论文相较于初稿已焕然一新。
在一轮返修之后，我又陆续收到了两轮的反馈意见，这些意见涵盖了论文标题的修改建议、谋篇布局的调整建议，以及研究方法阐述方式的改进建议等。我接受了这些宝贵的建议并且对论文进行了写作编排和架构上的完善修改。每一次的修改都在很大程度上提升了论文的质量和可读性。真的非常感谢两位匿名审稿人！
进入校稿阶段，我被各位编辑老师的专业精神深深折服。在三次校对过程中，编辑老师不仅对句法和表达进行了详尽、细致的调整和完善，同时还会和作者针对每一处修改进行充分的讨论。对我来说，每一轮校对都像是一次写作课。我在感恩的同时也非常愧疚，如果我从一开始就能写得更好一些，编辑老师们的工作任务就能减少一些了。真的非常感谢编辑老师们严谨细致的工作！
这次投稿经历让我更加深刻地认识到，研究成果的呈现不能仅仅是作者自身的表达，它还是一场作者与读者之间的互动。作者需要站在读者的角度去阅读自己的论文，尽量地提高论文本身的可阅读性和可理解性。我仍然需要更加努力，提高自己在这方面的能力。
在这个过程中，我真的非常感谢梁玉成教授的鞭策和鼓励，梁老师在前沿问题上的探索精神一直是我在研究道路上的明灯！同时非常感谢我的一众师友，他们时常给我启发、给我支持。最后，再次感谢《社会学研究》编辑部！
点击下方“阅读原文”下载全文
