科研中的 AI：生成式 AI 对工作本身做了什么
已更新：9小时前
Image: "CM Deep Ellum 12122018-28 (1)" by Thecommondesk (CC BY-SA 4.0) via Wikimedia Commons.jpg), recoloured.
图片：Martin Vorel 的《Programming code》（CC BY-SA 4.0），来自 [Wikimedia Commons](https://commons.wikimedia.org/wiki/File:Programming_code.jpg)，已重新调色。
欢迎阅读本周的人工智能重塑科研动态速览，内容精选自 Nature、Science、PNAS 以及各领域顶级商科与社会科学期刊。
生成式 AI 改变的是"构建什么"，而不只是"多快"
生产率框架一直主导着生成式 AI 文献：这个工具能让人们更快吗？两项新研究将其推向了更远处。在 [Strategic Management Journal](https://doi.org/10.1002/smj.70118)（战略管理期刊）中，研究者研究了软件中产品层面的创新结果，并论证生成式 AI 改变了创新的方向，将开发者活动从代际创新（对现有产品的渐进式改进）转向对市场而言全新的原创创新。重要的是，作者对其含义与不含义保持谨慎：原创并不自动意味着比之前的成果更具新颖性。这个工具降低了从零开始的成本，投资组合也随之倾斜。
一个互补的发现来自协作而非产品战略。在 [Information Systems Research](https://doi.org/10.1287/isre.2024.1361)（信息系统研究）中，一项关于 GitHub Copilot 的研究利用 GitHub 专有的 Copilot 使用数据，考察一个 AI 结对程序员在开源项目内部做了什么；在开源项目中，分布式开发者是自愿贡献的，而非在管理指令之下。这一设定对社会科学的意涵很重要：开源是少数几个我们能在自然干预下观察协调、参与与贡献模式变化的地方，而其反事实在同一个平台上清晰可见。与此并列，[Academy of Management Review](https://doi.org/10.5465/amr.2024.0582)（管理学会评论）提供了账本的成本面，一个过程模型论证：当管理者用 GenAI 产出替代第一手经验时，他们侵蚀了"实践智慧"（*phronesis*）的原材料，即支撑道德、情境特定判断的实践智慧。
**为何重要：** 如果你研究技术采纳、创新或组织行为，那个有趣的因变量正在发生转移。"产出是否上升了？"这个问题已接近定论，且越来越无法提供信息。真正开放的问题是构成性的与发展性的：哪些项目会被启动、谁参与其中、当第一稿永远是合成的时候哪些能力会萎缩。这些是社会科学家比基准测试设计者更有能力回答的问题，而上面的研究设计（产品层面面板、平台层面使用数据、过程理论）是一个可用的模板。
本周更多动态
弱势申请人抗拒被算法评判
组织日益使用算法来评估消费者在贷款、保险和其他有价值服务上的申请。这篇 Journal of Consumer Research 论文发现，申请人实力，即申请人认为自己案子有多强，塑造了反应：认为自己申请更弱的消费者对算法化评估接受度更低。这一结果使"算法厌恶是一种普遍特质"这一整洁的说法复杂化，转而指向一种有动机的、自利性的解读：谁更可能给自己机会。
[阅读 Journal of Consumer Research 原文（8月23日）→](https://doi.org/10.1093/jcr/ucag033)
一篇用 GenAI 做扎根理论的方法论文
在 Journal of Consumer Psychology 上，作者们提出了生成式扎根理论（GGT），这是一种 AI 增强的归纳式理论建构方法，把扎根理论（以及更广泛的质性程序）调适到算法化研究条件下。其声明的设计目标是，在保留人类解释性权威与理论责任的同时，将 GenAI 整合进分析过程，它设定了一个明确的序列，而非临时的"让模型给我的转录本编码"工作流。如果你在做质性研究，而你的 AI 协议一直在即兴发挥，这是一个可引用的起点。
[阅读 Journal of Consumer Psychology 原文（8月5日）→](https://doi.org/10.1002/jcpy.70036)
感官语境改善语言预测，对人类和 LLM 皆然
这项 PNAS 研究比较了人类与 LLM 在不同程度感官信息下预测即将到来的语言，从脱离实体的书面文本到说话者的视听视频。在两种情况下，更丰富的感官语境都改善了预测表现。这种比较是对"LLM 与人类语言处理根本不同"这一常见说法的有用制衡：至少在这个维度上，两者是趋同的，这使得多模态案例成为检验认知理论的有趣试验场，而不只是一次工程升级。
[阅读 PNAS 原文（8月26日）→](https://doi.org/10.1073/pnas.2600317123)
AI 智能体如何把宣称的价值观变成实行的价值观
Academy of Management Review 发表了一篇关于 AI 智能体价值论的概念性文章，考察人机互动如何把价值观从"宣称的"（组织说自己代表什么）转化为"实行的"（实际上在实践中发生什么）。与本期刊本月那篇实践智慧论文并列，它表明管理学旗舰理论刊物现在正把 AI 智能体当作一个价值观问题，而不只是生产率或自动化问题。
[阅读 Academy of Management Review 原文（8月18日）→](https://doi.org/10.5465/amr.2024.0494)
通过观察谁采纳建议来获得更好的群体智慧
当某些智能体系统性地存在偏差时，群体智慧聚合就会失效，而惯常的解决办法（更重地加权准确的子群体）需要知道谁是准确的。这篇 Management Science 论文提出了建议聚类加权法（CWOA），一种"两轮"方法，对初始预测应用核密度估计，识别相似答案的聚类，并利用建议采纳行为来推断哪个聚类是准确的。对任何运行预测研究或基于预测的诱导的人来说，这是一个实用的聚合升级，且前期不需要任何真值。
[阅读 Management Science 原文（8月24日）→](https://doi.org/10.1287/mnsc.2024.04499)
别再谈论 AGI，开始构建"支持劳动者"的 AI
这篇 Nature 文章论证，围绕通用人工智能的讨论是一种分心，而富有建设性的设计问题是 AI 系统究竟是增强劳动者还是取代他们。这是一个设定议程的论证，而非经验结果，但对那些拟定课题申请和未来工作报告的研究者很有用，在那里"支持劳动者的 AI"正成为一个独立且值得资助的研究方向。
[阅读 Nature 评论原文（8月21日）→](https://doi.org/10.1038/d41586-026-02566-6)
本周内容到此为止。欢迎把本文转发给那位仍只用每分钟字数来衡量 AI 的同事，也欢迎访问 gaiforresearch.com，探索可用于你自身研究的 AI 工具。
AI 科研动态速览
留言