第1周行业和学术资讯推送

发表于： 分类于：
字数： 1942 阅读：≈ 4分钟 浏览：

本周行业资讯

  • 《Alexander Kustov｜Academics Need to Wake Up on AI：Ten theses for folks who haven’t noticed the ground shifting under their feet》： https://alexanderkustov.substack.com/p/academics-need-to-wake-up-on-ai

    导读

    标题暂译为《学术界对AI要有清醒认识：致后知后觉者的十诫》

    作者为Notre Dame大学副教授，他指出AI正全面颠覆传统社会科学研究，掀起十大变革：

    （1）AI进行社会科学研究的能力已超越多数教授

    （2）学术论文已是行将就木的形式

    （3）商业期刊体系可能无法在这场变革中幸存

    （4）学术界对AI持有荒谬的双重标准

    （5）青年学者正面临最剧烈的冲击与机遇

    （6）研究助理对于有经验研究者的作用，将被AI取代

    （7）很多人反对AI，不过是披着原则外衣，以捍卫自己地位

    （8）真正值得担忧的是安全性与可验证性问题

    （9）我们即将迎来更优质的科学成果

    （10）除却末日预言式的担忧，AI其实还是更令人振奋

  • 《德勤｜2026技术趋势》： https://www.deloitte.com/content/dam/assets-zone1/cn/zh/docs/services/consulting/2026/deloitte-tech-trends-2026-zh-260209.pdf

特别推荐

本周学术资讯

  • Acemoglu, D., Kong, D., & Ozdaglar, A. (2026). AI, human cognition and knowledge collapse. National Bureau of Economic Research. https://doi.org/10.3386/w34910

    导读

    AI 的精准建议究竟是人类认知的助推器，还是集体知识崩塌的诱因？这篇论文构建了一个关于人类学习与决策的动态演化模型，深入探讨了当 AI 能够提供高度个性化的建议时，社会信息生态系统所面临的结构性挑战。研究通过严谨的卡尔曼滤波模型追踪知识的长期演进，指出由于 AI 的便捷性与人类个体的学习努力存在替代效应，当人类对努力的成本感知较为敏感且过度依赖 AI 的精准推荐时，社会将不可避免地滑向“知识崩塌”的陷阱。这将导致原本作为决策基石的通用知识存量彻底枯竭。

  • De Marzo, G., & Garcia, D. (2026). Collective behavior of AI agents: The case of Moltbook. In arXiv. https://doi.org/10.48550/arXiv.2602.09270

    导读

    完全脱离人类控制的AI智能体，在自由社交环境中是否会像人类一样，自发涌现出复杂的数字社会规律？这篇论文利用专为人工智能打造的社交平台Moltbook在2026年早期的海量真实数据，通过最大似然估计等统计物理模型，深度剖析了约4.6万名活跃AI智能体留下的超过36.9万条帖子和300万条评论。研究发现，AI群体的集体行为高度复刻了人类在线社区的统计特征，不仅发帖量与社区规模呈现出极度不均衡的重尾分布，其对热点内容的注意力也会随着时间推移产生规律性的衰减。不过，与人类在热烈讨论中往往伴随大量点赞的习惯不同，AI智能体给出的点赞数与讨论规模之间仅呈现出次线性增长，体现了AI在被动认可与主动参与之间截然不同的互动机制。

  • Feld, S., & McGail, A. (2026). Estimating unknown populations from informant reports using scale-up reference groups and capture-recapture inference. Social Networks, 86, 35–41. https://doi.org/10.1016/j.socnet.2026.01.003

    导读

    如何精准估算那些因社会污名或隐私担忧而难以接触人群规模 ？这篇论文利用100所美国大学高年级学生的脸书好友数据 ，将传统的网络放大法与源于野生动物统计的捕获-再捕获推断模型创新性地结合在一起 ，来校准隐秘人口的估算值 。研究发现，传统方法因为机械地假设隐蔽人群和普通人群一样，容易被大家认识，而在实际应用低估真实规模。而新开发的混合估算模型则完全打破了这一限制，它无需预先知道目标人群的平均可见度，只要目标群体和参考群体在社交网络中被提及次数的分布形状相似，就能自动纠正因群体知名度差异带来的巨大测量偏差 。

  • Legewie, N. M., Nassauer, A., & Kühne, S. (2026). Sampling in video-based social sciences. Sociological Methods & Research, 00491241261426862. https://doi.org/10.1177/00491241261426862

    导读

    大样本视频研究，能不能得出可靠且无偏见的社会科学结论 ？这篇论文系统性地将传统抽样方法论引入视频社会科学领域，构建包含多阶段聚类与分层的决策树流程图。研究发现，当前旨在进行统计推断的视频研究，均普遍忽视了抽样偏倚，过度依赖便利样本，从而严重威胁了研究结论的代表性与可推广性 。分析指出，尽管闭路电视、执法记录仪或网络平台的海量视频，为研究真实的社会互动提供了前所未有的机会，但如果不对视频数据背后的生成过程和聚集特征（如组织机构差异或平台算法逻辑）进行科学抽样或配额干预，所得出的规律往往是不准确的 。

  • Witteveen, D. (2026). Class origin closure: economic advantages of occupational elitism. Social Forces, soag012. https://doi.org/10.1093/sf/soag012

    导读

    那些被特权阶层子女占据的所谓精英职业，会给所有从业者带来平等的丰厚回报吗？这篇论文利用英国长达三十年（1991-2020年）的家庭追踪调查（BHPS和UKHLS）数据，考察了微观职业中的“职业精英主义”（即父母属于上层阶级的从业者比例）。研究发现，高阶级背景子弟越集中的职业，确实能凭借非正式的阶级排他性为该领域带来超越教育学历、职业执照和工会限制的集体薪酬溢价 。然而数据显示，这种做大的高薪“蛋糕”并未在内部被公平分配。在这些精英化程度越高的职业中，那些依靠自身努力跨越门槛进入该领域的普通家庭子弟，其所获得的薪酬优势远低于身处同岗位但出身优渥的同事，呈现出明显的由上层阶级主导的内部“机会囤积”效应 。