研究

Paradigm Shift from Traditional Coding to Conversational Analysis Yuan Ren 2026年5月16日 从传统编码到对话式分析的范式转变 生成式人工智能（genAI）工具的迅速兴起，正在从根本上重塑研究者处理非结构化数据的方式，这一点在质性分析领域尤为明显。这些技术进步带来了令人振奋的可能性，同时也伴随着重大挑战。传统的质性编码方法虽然严谨，却往往极其耗时；而通用聊天机器人和大语言模型（LLM）虽然速度惊人，却常常难以提供可靠质性探究所必需的严谨性、透明性与可追溯性。正如 Susanne Friese 在其 2026 年的文章中所指出的，当前许多声称能够自动化质性分析的应用，其所执行的任务更接近于分类代理（classification proxies），而没有真正进入该领域所特有的深度诠释性工作。 在这一技术变革的背景下，Friese（2026）对许多质性研究传统长期依赖编码作为主导分析程序的做法提出了质疑。她认为，编码曾被视为质性分析不可或缺的基石，如今或许可以被人工智能支持的

AI in Qualitative Research: Collaborative Partner or Epistemic Risk? Yuan Ren 5月9日 质性研究中的 AI：协作伙伴还是认识论风险？ 生成式人工智能（GenAI）的兴起在质性研究领域引发了一场深刻的学术争论，其核心问题在于：大语言模型（LLMs）究竟是增强了质性探索的深度，还是从根本上威胁到其认识论基础？Adam S. Hayes（2025）认为，LLMs 正在革新学者处理文本数据的方式：研究者可以与材料“对话”，通过有针对性的提问、探寻情境性洞见以及完善理论联系，超越传统的编码手册或逐行人工分析。在这一观点下，LLM 成为一个主动的伙伴，能够识别原本需要数周人工工作才能发现的模式，从而让研究者腾出精力进行更深入的理论反思与意义建构。Hayes 强调，LLMs 展现出某种语言“理解”能力，使其能够在多个分析尺度上把握语义关系、情境意义和细微的语言模式（Brown et al., 2020; Ziems et al., 2024）。 LLMs、编码与质性数据分析中的意义建

Yuan Ren 5月1日 *剖析质性研究中人工智能的偏见* 生成式人工智能不只是工具 站在2020年代中期回望，很难想到近年来学术界还有哪一项变化比生成式人工智能（GenAI）的兴起更具颠覆性。正如德勒兹与加塔利在1980年代所写：“工具只存在于它们所促成的、或促成它们的那些交织关系之中。”今天，这一论断对新的人工智能技术，尤其是生成式人工智能而言，显得格外贴切。生成式人工智能远非一个简单的工具。它是一个宏大而复杂、与社会深度纠缠的装置，由技术、基础设施、人类劳动、经济、文化、政治、权力、意识形态、自然资源、燃料、历史、分类体系以及意义建构相互交织而成（Crawford, 2021; Lindgren, 2024）。 随着生成式人工智能以惊人的速度发展，它许诺了前所未有的效率，并在我们如何工作、沟通与创造方面，催生了关于革命性进步的强大想象。学术界迅速加入这股浪潮，将生成式人工智能用于支持教学、行政与研究（Burton et al., 2024; Perkins & Roe, 2024）。然而，人工智能最终在政治、实践、社会层面以及在质性研究中

Yuan Ren 4月9日 *社会科学中的人机分工：可编码任务与默会知识、理论原创性、田野判断力之间的取舍* 在人人都在谈论人工智能的时代，社会科学研究正处在一个微妙的十字路口。近期，石溪大学的 Yongjun Zhang（2026）在其最新论文 *Vibe Researching as Wolf Coming* 中提出了一个颇具挑衅性的问题：你的研究中哪些部分只有你才能做，哪些是机器永远无法取代的？是运行繁琐的代码，还是撰写套路化的文献综述？继 Andrej Karpathy 于 2025 年提出“氛围编程”（vibe coding，用户描述所需功能、由人工智能编写代码）之后，Zhang 在学术界识别出一个与之平行的现象：“氛围式研究”（vibe researching）（Karpathy, 2025; Zhang, 2026）。 自动化的浪潮：从计算器到“心智的飞机” 社会科学中的自动化并非新鲜事，Zhang（2026）将其演化划分为四波。二十世纪七十至九十年代，统计软件实现了计算的自动化；二〇〇〇年代出现了由 API 驱动的数据采集；二〇一

Generative AI democratization in consumer research: broader participation brings new voices into the data ecosystem. Yuan Ren 3月4日 *消费者研究中的生成式人工智能民主化：更广泛的参与为数据生态带来新的声音* 今天，一位开启新项目的消费者研究者，起点可能不是数据库，而是一个生成式人工智能系统。几秒之内，一个结构化的框架便会成形：文献脉络被综合，研究问题被表述，潜在假设被勾勒。效率毋庸置疑。 然而 Huang 与 Rust 认为，效率并非核心议题。在 *The GenAI Future of Consumer Research* 一文中，他们提出了一条轨迹：“民主化、平均陷阱、模型崩溃”，用以描述生成式人工智能强度的提升如何逐步重塑消费者、数据分布与研究范式。这条轨迹并非一个关于技术进步的简单故事，而是勾勒出一段从扩张走向收敛、并可能走向自我指涉式衰退的历程。 第一阶段是民主化。通过交互式的提示与回应机制，生成式人工智能降

How GenAI Transforms Qualitative Data Analysis Yuan Ren 2月27日 生成式人工智能如何改变质性数据分析 生成式人工智能（GenAI）正在重塑质性的消费文化研究：它带来新的效率，同时也在理论、具身、经验与历史四个维度上引出认识论上的权衡取舍。换言之，当消费文化研究者把访谈转录稿、田野笔记或档案材料上传至大语言模型（LLM）时，改变的并不仅仅是研究效率。Epp 与 Humphreys（2025）认为，GenAI 的出现迫使我们重新思考研究者的角色、知识的来源，以及文化分析所依赖的认识论基础。问题不再只是人工智能能否帮助归纳数据，而是在人机协作的情境中，文化理解的逻辑本身是否正在经历微妙而深刻的转变。 从田野笔记到基础模型 技术介入文化研究由来已久。早期民族志学者通过手写笔记记录仪式、言语方式与生活世界（Jones, 2010; Roldán, 2002）。Mauss 基于存档的印刷材料而非直接的田野沉浸发展出理论洞见（Fournier, 2006），这表明文化知识的生产始终经由技术形式中介。..

Yuan Ren 2月20日 生成式人工智能的快速发展正在重新定义消费者与营销研究的开展方式。当一个模型能够在几分钟内复现 35 篇顶级期刊论文的消费者研究流程时，我们是否仍在从事“由人主导的科学”？Yoo、Haenlein 与 Hewett 发表于 *Journal of the Academy of Marketing Science* 的一项研究，恰恰处理了这个问题：人工智能仅仅是在改变研究工具，还是在重塑研究的认识论？ *生成式人工智能正通过把大语言模型嵌入学术工作流，从研究构想到理论发展，重塑消费者研究* 人工智能模型的快速进展开辟了新的研究路径 自 ChatGPT 发布以来，大语言模型（LLM）与大型多模态模型（LMM）迅速成为学术研究中的重要工具，并逐步嵌入研究过程的多个阶段（Marr, 2023）。与传统的预测型人工智能不同，生成式人工智能能够创造文本、图像、音频与视频等新内容；而最初聚焦文本处理的 LLM，已演进为能够整合多模态信息的模型（Toner, 2023; OpenAI et al., 2024; Gemini Team

The contrast between human interpretive work and computational code reflects the tension between qualitative meaning-making and generative AI’s promise of efficiency Yuan Ren 2025年12月15日 *人类诠释工作与计算机代码之间的对照，映照出质性意义建构与生成式人工智能效率承诺之间的张力* 生成式人工智能在质性研究中的应用日益广泛，然而其效率承诺引出了关于诠释、意义建构以及研究者角色的根本性问题。 本文基于 Duc Nguyen 与 Catherine Welch 的学术报告《Interpreting Qualitative Data with AI: Pitfalls and Potential》（2025年11月26日），旨在系统性地检视生成式人工智能在质性研究领域所引发的转变、挑战与反思。 技术图景：效率叙事下的革命承诺与概念混淆 我们正处于一场由生成式人工智能驱动的

Economics in the Age of AI Agents Yuan Ren 2025年11月17日 AI 智能体时代的经济学 过去两年间，经济学家开展研究的方式经历了深刻的结构性转变。在其 2025 年 NBER 工作论文 *AI Agents for Economic Research* 中，Anton Korinek 认为，研究共同体正在从 ChatGPT 这类简单的对话系统，转向以自主 AI 智能体为核心的新范式。这些系统将文本生成与规划、记忆和工具使用整合在一起，使其能够执行多步骤的研究任务。更广义地说，AI 智能体的兴起代表了研究组织方式本身的一次技术重构。 Korinek 回顾了他此前的论文 *Generative AI for Economic Research*（Korinek, 2023），并指出仅仅两年之内，AI 工具就已从概念原型演进为可用于日常研究流程的成熟系统。它们不再仅仅撰写邮件或摘要，而是能够独立开展文献综述、调试计量经济学代码、运行模型并解释结果。他将此描述为“AI 系统运作方式上的根本性架构进展”，其中

10月10日 人工智能与质性研究 随着生成式人工智能（GenAI）迅速重塑科学研究的格局，质性研究者正面临一项前所未有的技术挑战：这一由大语言模型（LLMs）驱动的新兴工具，能否真正胜任质性数据分析这一以诠释工作为根本的人文任务？Nguyen 和 Welch（2025）在其近期发表的论文中，对这一问题作出了系统而深刻的回应。他们不仅详细考察了生成式人工智能背后的技术机制，还就其作为科学工具的地位展开了深入的哲学与方法论反思。 生成式人工智能究竟是什么？ 作者首先强调，生成式人工智能并非一种通用智能，而是由自回归大语言模型（AR-LLMs）驱动的概率生成系统。这些模型通过学习海量文本语料中词语之间的统计关系，逐词生成文本，从而产生*看似*连贯、自然的回应（Henighan et al., 2020; Wei et al., 2022a）。然而，这一过程属于合成而非诠释。生成的输出或许能够模仿学术语言的修辞风格，但并不包含真正的语义理解（Nguyen & Welch, 2025）。 这些大语言模型的训练基于 Transformer 架构（Vaswan

2025年9月2日 人工智能创造力与人类想象力的比较：大语言模型基于训练数据生成模式，而人类创造力则源于独特的经历与情感。 背景：人工智能与创造力 大语言模型（LLM）正以惊人的速度发展。从撰写故事和诗歌到头脑风暴，它们在创意工作中的存在已不容忽视。但这里存在一个根本性问题：这些模型能否真正支持集体创造力，还是仅仅在模仿创造力？ 以往的研究呈现出复杂的图景。一方面，LLM在创意写作、诗歌、创意生成乃至创造性思维方面都展现出潜力。另一方面，研究也指出其创造力落后于人类，其生成的故事常被评价为"可预见的平庸"。 这种张力也延伸到集体情境中。虽然人工智能可能让个人感到更有创造力，但它可能降低群体之间的想法多样性（Doshi & Hauser, 2024; Padmakumar & He, 2024）。教师在实践中经常看到这一点：第一篇由人工智能生成的文章可能令人印象深刻，但到了第十篇，模式便开始重复。曾经看似"有创意"的内容，如今显得千篇一律。 当故事开始产生回声 本研究的作者将这些重复称为"回声"。 以弗朗茨·卡夫卡的短篇小说《*Give It...

2025年7月15日 人工智能（AI）正以惊人的速度重塑学术研究的格局。从创意产生到数据生成，从写作到期刊发表，AI 正渗透到学术生态系统的每一个环节（Van Quaquebeke et al., 2025）。在这篇发表于 *The Leadership Quarterly* 的文章中，Van Quaquebeke、Tonidandel 和 Banks 指出，我们已经身处 AI 深度参与知识生产的时代。真正的问题已不再是“我们是否应该使用 AI？”，而是“我们如何才能有原则、有反思地使用它？” 灵感伙伴还是同质化推手？AI 如何重塑研究设计 生成式人工智能正在成为学术灵感的孵化器。研究者利用大语言模型（LLM）进行头脑风暴、提出研究问题，甚至检索被忽视的跨学科议题（Bianchini et al., 2022）。实证研究甚至表明，AI 生成的研究构想在新颖性上优于 100 名 NLP 专家提出的构想（Si et al., 2024）。此外，受益者不仅是初学者，资深学者也可以通过反向提示（counter-prompting）与 AI 互动，从而突破

2025年5月27日 引言 生成式人工智能正在深刻重塑消费者研究：它增强了创意构思，支持质性分析，并重新定义着这一领域的发展方向。*Journal of Consumer Research*（Oxford Academic）刊发的三项实证研究和一篇综述提供了相互补充的框架和实践指导，揭示了人机协作的巨大潜力与潜在陷阱。 创意构思：LLM 是一把双刃剑 作为消费者研究的基石，创意构思及其与生成式人工智能的协作在学术界仍未得到充分探讨。De Freitas、Nave 和 Puntoni（2025）将构思定义为一个把每个想法视为一个单元的过程，并赋予其两个属性：原创性和恰当性。原创性衡量一个想法相对于现有概念的新颖程度，恰当性则评估其在解决问题上的实际效用（Melumad and Pham, 2020; Amabile, 1982; Harvey and Berry, 2023）。在考察大语言模型（LLM）如何支持创造力时，研究者识别出 LLM 的两项核心属性：生产力，即快速生成大量想法并通过迭代不断提高原创性的能力；以及语义广度，即借鉴多元领域、连接

2025年4月11日 人工智能（AI），尤其是应用于内容创作的生成式人工智能，已成为备受关注的研究课题。尽管学界已就其在研究中的质量、诚信和版权问题展开讨论，但生成式人工智能协助研究者开发实验刺激材料的潜力却常被忽视。van Berlo et al.（2024）提出了 MADE（Mapping 映射、Assembling 组装、Demonstrating 验证、Executing 执行）框架，旨在为在广告研究中合乎伦理且有效地使用生成式人工智能制作实验刺激材料提供一套全面的最佳实践。 实验性广告刺激材料设计中的真实性与控制悖论 实验性广告研究长期面临真实性与控制之间的悖论。为确保研究的科学严谨性，实验设计通常要求严格控制刺激材料，仅操纵目标变量。然而，如果实验广告刺激材料与现实广告差异显著，其生态效度可能受到质疑，从而限制研究结果的实践价值。Geuens 和 De Pelsmacker（2017）指出，高质量且逼真的实验广告刺激材料对广告研究至关重要，但学术界制作的广告往往达不到这一标准。 然而，生成式人工智能能够生成高质量、与研究相关的文本、图

2025年3月25日 自 2022 年 12 月问世以来，ChatGPT 引发了广泛讨论，推动大语言模型（LLM）在各行各业迅速普及。如今，这些模型协助用户处理各类开放式任务，其中许多任务对创造力有很高要求。 去年，Zenan Chen 和 Jason Chan 在顶级期刊 *Management Science* 上发表了一项开创性研究，题为"Large Language Models in Creative Work: The Role of Collaboration Modality and User Expertise"。该研究基于一项设计严谨的随机实验，考察了人与 LLM 的不同协作模式如何影响广告文案写作的创意过程。研究重点比较了使用 LLM 的两种主要方式：（a）作为代笔者（ghostwriter），由模型主导内容生成；（b）作为参谋（sounding board），对人类创作的内容提供反馈和评价。实验邀请专家和非专家参与，要求他们分别在有和没有 LLM 协助的情况下完成广告文案写作任务，随后对广告质量进行评估。 有趣的研究发现：

2025年2月28日 在社会科学、经济学和行为科学等领域，质性访谈长期以来是获取深入洞见的重要手段。然而，传统访谈方法面临诸多挑战，包括资源消耗大、时间成本高、受地域限制，以及访谈者主观性带来的偏差。近年来，随着人工智能的快速发展，尤其是大语言模型（LLM）的兴起，AI 驱动的访谈作为一种新型研究方法应运而生。这一新方法日益受到关注，提供了一种更高效、更客观的替代方案。 技术架构与访谈机制 AI 驱动的访谈并非简单的自动化问答，而是建立在一套精密的技术架构之上。以 MimiTalk 平台为例，此类系统通常采用模块化设计，集成前端用户界面、后端 API 服务、AI 推理引擎和云数据库等关键组件。研究者可以通过直观的用户界面设计访谈流程，系统则根据研究情境和历史数据智能推荐访谈问题。更重要的是，AI 系统能够根据受访者的回答实时动态调整提问策略，实现自适应访谈（Liu & Yu, 2024）。这种基于 LLM 的智能对话管理能力不仅适用于文本访谈，还可扩展至音频和视频等多模态数据处理，为未来研究提供更广阔的可能性（Wuttke et al., 202

2024年12月29日 在告别 2024 年之际，我们回顾这充满创新与成就的非凡一年。我们的旅程始于推出多款开创性产品，这些产品改变了研究方法。我们推出了智能聊天机器人 Mimi，它已成为研究者不可或缺的伙伴，能够将研究者的需求与 400 多款专业生成式人工智能工具精准匹配。Scale Finder 则成为调查研究的重要工具，帮助学者为其研究找到最合适的测量量表。出于推动质性研究发展的承诺，我们开发了 MimiTalk，通过自动化彻底革新了访谈流程。我们还推出了 MimiCall，进一步扩展能力，为电话访谈自动化带来创新。 除产品开发外，2024 年我们也为学术界和商业界作出了重要贡献。我们出版了一本全面的电子书，为企业应对复杂的生成式人工智能工具格局提供实用指南。我们的研究工作最终形成了一篇重要的预印本，聚焦于大语言模型在主题建模中的应用。在这一年里，我们通过大量线上与线下的网络研讨会和培训积极分享知识。认识到负责任地采用人工智能的重要性，我们收集并分析了各机构的生成式人工智能政策，为研究者提出了全面的指导原则。 展望 2025...

2024年11月3日 设想你正在尝试将数千条关于某款产品的评论归纳为若干主要主题。传统上，研究者要么必须人工通读全部内容（耗时且昂贵），要么使用常常忽略重要语境的老式计算机程序。OSF 上的一篇新预印本表明，GPT-4、Claude 和 Gemini 等现代人工智能系统能够有效完成这项工作，尤其是在处理短文本时。 研究者开展了两项有趣的实验： 研究一：聊天机器人感知研究 收集了 199 人关于"是什么让聊天机器人显得像人"的回答 比较了三种不同的回答分析方式：人工分析（由一名研究助理通读全部内容）；传统计算机分析（使用一种名为 LDA 的方法）；现代人工智能分析（使用 GPT-4 和 Claude） 结果：人工智能系统与人工分析的一致率达到 90%，而传统计算机方法的准确率仅为 60%。 研究二：疫苗犹豫研究 分析了 10,000 条关于新冠疫苗顾虑的推文 检验了人工智能能否在不同样本量下识别主要主题 比较了三种不同的人工智能系统 结果：人工智能仅使用 5% 的数据时的表现与使用 100% 数据时一样好，准确率达到 90%。 在主题分析中使用人工

2024年10月8日 设想一下，如果我们能够自动化地发现突破性的科学假设，以前所未有的速度开启新的可能性。三个研究团队已朝这一方向迈出了重要一步，推出了旨在高效生成和评估科学假设的机器学习框架。 这一新框架围绕三个核心阶段构建：提取、生成和评估假设。首先，系统从科学文献中提取已有假设，并以命题逻辑的形式加以表示。其次，系统使用经过优化的机器学习模型，基于所提取的知识生成新的假设。最后，一组基于图论的指标对所生成假设的新颖性和相关性进行评估。 这项工作属于更广泛的新一波机器学习框架浪潮的一部分，这些框架旨在实现科学假设生成的自动化。近期研究还推出了其他若干在该领域展现潜力的框架，它们利用 GPT-4 和 Claude-2 等大语言模型（LLM）的能力，加速包括心理学在内的多个领域的科学发现。 其中一个值得关注的框架是芝加哥大学开发的 HypoGeniC，它侧重于基于标注数据生成假设。HypoGeniC 分三个阶段运行： 初始假设生成：框架分析少量示例，生成初始假设。 假设迭代更新：受多臂老虎机问题启发，HypoGeniC 使用奖励函数对假设进行迭代

2024年9月16日（更新于2024年10月8日） 本文题为"Can Large Language Models Provide Useful Feedback on Research Papers? A Large-Scale Empirical Analysis"（大语言模型能否为研究论文提供有用的反馈？一项大规模实证分析），由来自不同学术背景和机构的研究团队合作完成。该研究于2024年7月17日发表于 *NEJM AI* 第1卷第8期。文章探讨了大语言模型（LLMs）为研究论文提供有用反馈的潜力，并通过大规模实证分析回答这一问题。这项开创性研究考察了大语言模型（特别是 GPT-4）为研究论文提供有用反馈的潜力。研究者利用 GPT-4 开发了一个自动化流程，为科学论文生成结构化反馈，并开展了两项大规模研究以评估其有效性。 主要发现 回顾性分析： 将 GPT-4 的反馈与人类同行评审者对 *Nature* 系列期刊3,096篇论文和 ICLR 会议1,709篇论文的反馈进行比较。 GPT-4 与人类评审者反馈之间的重合度（*Nature* 系列