全燕，苏州大学特聘教授（领军人才）、博士生导师，江苏省双创人才、高校影视学会影视国际传播专业委员会副主任委员、省普通高校科研创新团队带头人。
【摘要】人工智能发展正在重塑社会科学的知识结构与实践逻辑。研究对象趋于流动，问题设定与方法体系在技术介入中不断重组，知识的生产方式由再现转向生成。传播与计算共同构成新的知识环境，使社会过程与认知过程在同一系统中持续互动。理解的形成逐渐融入技术与行动的循环，社会科学的理性基础因此进入新的重构阶段。传播成为社会运行与知识生产的核心机制，推动社会科学的思维从稳定的解释结构转向开放的生成结构。传播学在此过程中发挥整合作用，揭示信息流动、算法逻辑与社会反馈之间的关系，重建知识伦理与反思维度。人工智能时代的社会科学呈现出以传播为中介的生成性实践形态，在技术与社会的交织中保持理解的深度与思想的连续性。
【关键词】社会科学范式； 传播学； 人工智能； 生成性
自启蒙时代以来，社会科学便肩负着科学和公共双重使命：一方面，它要如埃米尔·迪尔凯姆（Emile Durkheim）所言，对社会事实进行系统解释以追求规律与普遍性；另一方面，它也必须如尤尔根·哈贝马斯（Jurgen Habermas）强调的，在公共领域中回应现实问题并维护理性秩序。正因如此，社会科学从来不是抽象的理论体系，而是一种深植于现实的实践性知识形态。它的意义不仅在于建构认知框架，也在于参与社会运行，承担解释、批判与引导的功能。
历史经验不断提醒我们，社会科学实践并非在真空中展开，而是与特定的知识条件和技术环境相互塑造：统计学的引入使零散经验得以转化为可比较的实证传统；大众传媒的扩展推动舆论、文化消费和身份认同进入核心议题；互联网的普及又让网络社会和数字身份成为不可回避的研究对象。人工智能的兴起延续了这一逻辑，但在深度和广度上远超以往。它不仅提供了新的研究材料与分析工具，更直接嵌入问题生成、证据组织和知识传播的前提层面。
在这一情境下，社会科学所面临的已不是方法或工具的更新问题，而是赖以展开的中介机制正在被深刻改写。相关研究问题之所以受到数据逻辑牵引，研究方法之所以依赖自动化与生成式流程，知识价值之所以受制于平台排序，归根结底都源于信息流动与意义生成方式的系统性转变。而社会科学提出议题、界定事实、进入公共讨论，本就依赖这些传播条件的持续运作，一旦这些条件被算法与平台逻辑重塑，其实践根基便随之动摇。从这个角度看，要真正理解人工智能对社会科学的冲击，就必须回到传播机制的层面加以把握。正因如此，传播学的重要性也日益凸显。与社会学关注制度结构、政治学着眼于权力分配、经济学强调资源流动等不同，传播学自诞生以来便以信息流动、意义生成和公共沟通为核心关切。而人工智能的介入恰好集中在这些环节，这使传播学成为理解社会科学整体转型的关键切口。它提示我们，研究的起点不再仅是未经媒介化的经验，而更多是算法逻辑和平台机制组织过的信息与意义结构。
本文提出“传播学转向”，目的不在于拓展学科疆域，而是回应社会科学实践面临的根本挑战。人工智能打破原有的知识生成秩序，使社会科学赖以维持的学理自主与公共责任被置于新的不确定境地。如何让相关实践在被算法和平台深度媒介化的环境中依然保持解释力与批判力？传播学的回应是揭示社会科学赖以展开的中介条件如何在人工智能语境下被重新塑造。也正是这种重塑深刻影响了社会科学的问题意识与研究取向，导致其实践范式再定位成为显性课题——而这一基本判断也构成了本文论证的逻辑起点。
一、传播作为中介：社会科学实践的结构起点
社会科学的演进本质上是一部实践逻辑不断重组的历史。正如皮埃尔·布尔迪厄（Pierre Bourdieu）所指出的，科学革命并非线性的知识积累，而是社会场域中不同力量博弈的结果。在社会科学中，这种重组尤为明显：研究问题、材料与价值取向几乎在每一次外部条件的变动中都会被迫调整。19世纪的“对象化”就是一个典型转折。埃米尔·迪尔凯姆在《社会学方法的规则》中强调，社会现象必须被当作客观事物来对待，这一原则为社会科学确立了独立学科地位，也使统计与比较方法开始进入常规研究之中。对象化的意义在于使社会科学摆脱了对哲学推演和道德说教的依赖，将社会现象转化为可以被观测、比较和检验的事实，从而帮助其获得学科自律的可能。
然而，对象化并未就此固定住社会科学的实践逻辑。进入20世纪中叶，社会科学在新的媒介环境和社会条件中经历了进一步转型，标志是“实证化”兴起。保罗·F.拉扎斯菲尔德（Paul F. Lazarsfeld）等人在对1940年美国总统选举的研究中运用统计方法追踪选民的媒介接触与投票行为之间的关系，发现大众传播在形成和巩固政治态度方面具有重要作用。这不仅展现了统计与调查工具的成熟，也说明社会科学的研究问题本身会随着传播环境而变化。如果说对象化奠定了社会科学独立的学科基础，那么实证化则使这种学科实践在方法上更依赖可度量性与因果检验，并与媒介和社会现实形成更紧密的互动。
进入信息化阶段，技术条件依赖被进一步放大。大数据研究不仅拓展了材料的规模，而且重组了研究逻辑。在列夫·马诺维奇（Lev Manovich）的论述中，计算方法不再是可选的工具，而是理解社会与文化的必要条件。这一逻辑的转变使研究重心从因果解释转向模式识别。模式识别的确提升了预测与控制的能力，却在很大程度上削弱了社会科学赖以立足的批判与解释维度。人工智能的兴起进一步强化了这种偏向，并将其推向更为集中的状态：当模型、指标与平台接口成为进入现实的常规通道，研究更容易把可被计算的部分视为更具代表性的现实，把流程的顺畅当作解释的充分。至此，对象化、实证化、数据化与算法化形成层层递进的实践逻辑，印证了社会科学始终在外部条件推动下不断重组自身的历史。
这种重组之所以成为可能，根本上依赖于传播的中介作用。没有传播，社会事实无法被呈现，研究问题也无法获得共同体的承认，更谈不上进入公共讨论与批判的视野。彼得·伯格（Peter L. Berger）与托马斯·卢克曼（Thomas Luckmann）在《现实的社会建构：知识社会学论纲》中指出，所谓社会现实并非客观自存，而是通过语言、符号和日常交往不断建构和再生产的过程。尼古拉斯·卢曼（Niklas Luhmann）从系统论视角强调，社会由个体组成，但个体首先是在互动中被构成的。马歇尔·麦克卢汉（Marshall McLuhan）的“媒介即信息”进一步揭示，媒介环境不仅承载信息，还会对人的行动和社会的形态发挥塑造和控制作用。这三种理论取向虽立足不同的分析层面，却共同表明传播在社会形成与运作中的结构性地位，它是社会科学理解社会关系的一条关键路径。
进入数字化与智能化时代，传播的中介性获得新的现实内涵。曼纽尔·卡斯特（Manuel Castells）在分析网络社会时谈到，信息流动已经构成新的社会结构逻辑。这一洞见在人工智能语境下得到进一步放大，当算法与平台成为信息传播的主导机制时，社会结构也随之被重新塑造。肖莎娜·祖博夫（Shoshana Zuboff）揭示出当今资本和权力的运作依赖对数据和预测的占有，传播过程因此成为权力重组的枢纽。尼克·库尔德利（Nick Couldry）与尤利西斯·梅佳斯（Ulises A. Mejias）提出的“数据殖民主义”则表明，平台化机制正在全球范围内垄断意义再生产。这些研究都在试图证明信息流动已不再是社会运行的背景，而成为当代权力与资源配置的前提条件。
这一转向改变了社会运行机制，也随之改变了社会被认识和分析的方式。传统社会科学方法在量化与质性之间长期摇摆：前者通过统计和计量工具追求因果关系的可验证性，但往往把复杂的社会过程切割成抽象变量，从而丧失了过程的动态性；后者依靠田野调查和文本分析揭示经验与语境，却难以覆盖跨媒介、跨层级以及大规模的数据环境。在人工智能深度介入下，研究过程越来越依赖技术逻辑，传统二分格局的局限被进一步放大。在这种情境下，社会科学迫切需要一种新的方法论路径来统摄不同维度的研究方法，并揭示算法与传播机制如何共同塑造社会现实。
在这一点上，传播学显示出其独特价值。与其他社会科学相比，传播学更关注动态过程而非静态结构，关心信息如何在符号系统与技术环境之间流动与再组织，以此揭示社会意义生成的机制。数字媒介的出现使这一视角愈加重要：算法、平台与用户的互动构成了信息流动的现实形态，也让传播过程成为理解社会运行的关键切口。以平台社会的舆论流动为例，单靠统计模型或访谈资料难以揭示信息在算法分发与用户互动中被动态塑形的过程，而传播学的方法能够将推荐算法、用户行为与意义生成纳入同一分析框架，揭示舆论在持续流动中的形成逻辑。这种“中介方法论”不仅帮助我们理解社会过程的展开，也提示社会科学的问题意识往往源自传播结构本身，可见性与关注度的分配正在成为知识生产的基础条件。
为避免将“传播作为中介”的判断停留在宏观宣示层面，本文进一步提出一个贯穿全文的核心分析框架，也就是在智能传播条件下，将社会科学实践的变革理解为“议题—对象—方法—范式”的联动演进。其基本层级逻辑在于：范式限定方法——认识论与规范性边界规定何种证据可被承认为证据，何种解释可被承认为解释；方法适配议题和对象——研究程序与工具链必须回应议题与对象在算法可见性、时间节奏与意义编码中的生成机制。与此同时，这一层级并非静态单向的因果链条：当议题生成与对象稳定越来越依赖平台化与算法化机制时，方法在适配过程中也会反向显露既有理解框架的张力，从而把问题推向范式层面的重组。
二、议题设定：智能传播中的问题生成
按照马克斯·韦伯（Max Weber）、罗伯特·K.默顿（Robert K. Merton）等人的经典思路，社会科学研究往往以需要解释的社会现象为起点，并据此选择对象、组织概念与证据。因此，“问题导向”构成一种具有方法论自觉的常见路径，而问题的展开总是伴随着经验形态的选择，它在被观察和记录的过程中逐渐成为议题。过去，研究议题往往依赖经验观察、问卷调查或宏观统计来获得“存在感”。今天，能否被转化为数据并进入算法处理成为问题能否被提出的另一个重要前提。布鲁诺·拉图尔（Bruno Latour）曾指出，科学知识的生成取决于现象是否可以被记录和追踪，只有被符号化和保存下来的经验才能进入知识共同体的讨论与检验之中。这一判断在人工智能时代得到了新的现实支撑——大量现象只有进入算法体系并被计算与再利用，才可能获得被定义与讨论的机会。
以金融风控为例，传统分析需要长期追踪债务结构或市场趋势来界定风险的存在，但如今的风险议题往往首先出现在算法对交易行为的实时监测之中。同样，城市治理过去依赖人口普查或社会调查，如今交通流量、能源消耗乃至空气质量都能通过传感器网络和预测算法被实时计算，并由此进入政策和研究议程。这些转变表明，社会科学实践不再仅仅依赖已经发生的事实，而是越来越多地在算法生成的模式、趋势与预测中寻找问题线索。研究的起点由此转向数据链条，议题生成逻辑也在根本上被重组。
不过，数据化与算法化只是表层门槛，更深一层的变化体现在议题赖以展开的传播结构中。约翰·杜威（John Dewey）在《公众及其问题》中强调，公共议题并不会作为客观现实的意义直接呈现出来，而是通过传播过程被社会共同体识别和命名。人工智能条件下，这一过程被算法逻辑与平台机制重构。数据接口、模型参数和排序权重决定了哪些现象进入集体视野，哪些被压制为“不可见”。例如，某些长期存在的环境风险若缺乏稳定的监测数据便难以进入公共议程，而一次瞬时的网络事件却可能因算法放大而迅速成为核心关切。
在可见性之外，传播结构还在改变议题生成的时间节奏。在亨利·列斐伏尔（Henri Lefebvre）的研究中，社会意义是在循环与线性时间的交错、重复与持续中被组织出来的。这一观点揭示了社会过程的时间性结构，而智能传播环境使这种节奏化特征愈发明显。人工智能的信息分发机制通过设定数据流频率和更新节奏，决定议题在公共空间中的存续轨迹。有的议题依托实时数据保持长期曝光，逐步沉淀为制度化关切，另一些则因缺乏后续节奏而迅速退场。社会科学的问题意识也因此被置于新的时间逻辑之中。在技术节奏的牵引下，议题经历放大、延宕与消退，不同时间层级的关注也随之被不断重排。
节奏的差异不仅决定了议题能否保持可见，还影响它们在社会中被赋予怎样的意义。议题并不是对原始现象的直接投影，而是在数据流、符号系统和分发机制的层层转译中被重新界定。查尔斯·泰勒（Charles Taylor）指出，公共议题之所以成立，取决于共同体所共享的意义框架（社会想象）对经验的组织与赋形。在智能传播环境中，这些意义框架往往通过数据标签、模型分类和平台推荐来实现。例如，同样是关于青年失业的讨论，在不同的信息系统中呈现出不同的意义——在经济模型里是统计指标，在社会管理框架中是治安风险，在市场分析里则成了消费变量。也就是说，议题的意义并非源自事实本身，而取决于其在传播体系中被归类与再现的方式。
这一多重过程表明，议题的生成并不是单线的呈现过程，而是一种由传播机制与技术逻辑共同作用的动态过程，其中的关键因素在于议题在传播过程中不断经历被看见、被响应、被再组织的递归链条。传播机制将分散的经验牵引进公共注意力的回路，通过转发、评论与再叙述，不仅表达立场，也不断生成新的关联，使原本松散的线索在网络关系中聚合为可被指认的焦点。而技术逻辑在这一回路中提供了持续的结构化加工，将这些响应转译为排序权重、标签归类与呈现格式，并据此改变后续的可见范围与进入路径。议题因此会在不同圈层的再解释、平台界面的再呈现与算法参数的再校准中反复获得新的边界与重心，呈现出漂移、扩展与收缩的多向运动。
沿着这一传播秩序继续往下看，可见性的筛选、时间节奏的设定与意义框架的编码相互交织，使公共议题始终处于被触发、被延展与再定义的循环之中。这种循环不仅改变了社会如何识别现实，也重塑了社会科学思考问题的方式，而问题意识正是在这种传播性生成的结构中逐渐形成。如果说议题的生成揭示了现实在传播结构中的组织方式，那么问题意识的浮现则标示出社会科学如何在这种生成场域中形成问题并展开解释。前者关乎公共意义的形成，后者关乎知识体系的自觉。例如，算法部分决定了哪些现象能够获得被讨论的机会，而问题意识则进一步追问这些被讨论的现象为何能成为社会的焦点，又在怎样的逻辑下构成可被认识的“问题”。不过在智能传播环境下，二者之间的边界日益消融，传播既影响议题显现，也塑造知识生成路径，这使社会科学的提问方式发生转向。
这一转向最直接的体现是问题意识的来源日益依赖信息流的反馈与扩散，也就是思考的触发往往源自智能传播系统的信号。例如，外卖骑手的工作状态因平台数据的持续曝光成为公共讨论的焦点，平台劳动问题的提出也正是在算法记录与舆论扩散的互动中形成的。再如，当各类社交平台不断推送关于住房、教育和医疗负担的讨论，生活压力便从个体感受转化为社会性问题，并在传播中获得新的表达方式。这些看似偶然的数字波动与内容聚合实际上在传播反馈中形成了新的感知通道，推动问题意识的生成与扩散。
与此类似，思考的路径也在传播逻辑的牵引下被重新编排。越来越多提问的出发点已转向社交平台数据、搜索指数或信息流日志，借助算法去捕捉社会变化的微妙迹象。短视频评论的情绪走势、搜索热词的聚合轨迹、网络语义的细微迁移等，常常成为判断社会心态与文化取向的依据。所谓“内卷”“躺平”“情绪经济”等概念，也往往是在算法识别与舆论循环中被提炼与强化，最终进入公共话语体系的。这种同步化的思维节奏在提升响应速度的同时，也削弱了反思的深度，使社会科学的思考者不得不在加速的传播时间中重新寻找理解与判断的间距。
在这种节奏的牵引下，传播逐渐渗入思维的结构，成为思想生成的内在机制。詹姆斯·凯瑞（James W. Carey）倡导传播的仪式观，可解读为传播的核心并不在于信息的传递，而在于社会意义的循环与再生产。这种循环在智能传播条件下被加速并技术化，信息在计算、推荐与个性化推送的过程中持续重组，生成一种以算法为中介的新秩序节奏。算法在追踪用户行为与语义变动的同时也在塑造信息的呈现结构，使既有关注不断重新进入分发链条，成为新的输入起点。传播反馈因此不仅是循环的强化，更成为意义生成的运行方式。判断与表达在这一过程中彼此嵌合、相互生成，思维的展开被卷入持续的反馈节奏中，深度与速度的张力成为当代传播环境的基本特征。
三、对象选择：智能媒介逻辑的现实组织
在社会科学实践中，提出问题只是认知的起点，对象的选择才是知识展开与深化的基础。问题能聚合社会注意力，使分散的经验从杂乱的信息中显露出来，但传播并不会在问题提出之后中止。随着议题被不断追踪、计量、归档，社会活动中的部分内容在智能媒介的记录与分发中逐渐沉淀并固化为相对稳定的形态。这种稳定形态既标志着对象的出现，也意味着意义开始在技术系统中获得持久性。对象在系统内部被识别、被命名并持续被调用，逐渐构成社会知识的支点，使认知过程在现实的组织中获得依托。
“社会情绪”议题正体现了这种对象选择的逻辑。它最初源于对舆论波动与群体心理的公共关注，随着情绪识别算法的介入，文本、图像和语音中的情感特征被采样、分类并转化为数据模式。算法根据可识别性和可预测性筛选积极、消极、中性、愤怒、焦虑等情绪维度，形成一套可量化的分类体系。持续的分析与预测使这些模式获得稳定的可见性与时间节奏，从而构成可计算的社会情绪对象。技术在筛选与建模中的运作将社会活动的流动过程转化为可管理、可再现的结构，使现实在媒介系统中被组织为一套可操作的秩序。
当社会对象被转化为可计算单元后，媒介实践便以这些数据化表征为核心展开。推荐算法、热榜机制与舆情追踪等系统正是在此类对象基础上运行。在短视频平台上，“兴趣标签”直接决定内容分发与创作者激励；在电商平台中，“热度指数”和“转化率”影响商品的展示位置与广告出价；在社交平台里，“话题词频”与“互动密度”成为衡量舆论活跃度的关键指标。不同平台的算法机制在这些对象上持续更新与校准，新的数据不断修正旧的参数，更新后的对象又反向影响下一轮分发、定价与调度。由此，行动在系统中留下痕迹，痕迹被转化为对象，对象再引导新的行动，如此循环往复，现实的组织节奏也在持续的反馈中被重塑。
随着对象在各系统中被持续比对与聚合，社会过程按一种新的技术逻辑被统合起来。起初只是对行为的记录与响应，当跨场景数据被纳入同一计算框架，记录便沉积为结构，反馈也升级为调控。由此，用户选择、机构决策与公共议题传播不再是彼此孤立的行动，而被置入一个以“对象—对象”连结为核心的网络中。一次交易、一条评论或一次检索都会生成可追踪的关系节点，并被用于趋势预测、资源分配与权重调整。在这种组织机制下，社会秩序的生成逐渐脱离传统协商与制度的稳定节奏，转向依托对象间实时比对与动态更新的技术过程。
通过技术整序，现实越来越清晰地展现为可运算的世界图式。弗里德里希·基特勒（Friedrich Kittler）在讨论媒介存储的分工与再聚合时指出，媒介把光学、声学与文字的存储机械化并分离，又将其数据流重新组合，从而在存储与传播层面重组经验与意义结构。在这样的技术运作中，社会过程被持续编码，行动、符号与关系被转化为可计算与调度的对象。智能媒介逻辑因此跃出传播的表层，成为连接存在与认知的结构性力量，使社会运作与理解在同一技术框架中相互映射。社会科学亦因此面临新的思想地平：认识社会不再局限于分析既有制度或意义框架，还需要追踪智能媒介如何在数据的组织与调度中塑造世界的形态。
当智能媒介逻辑深入运作，技术整序的力量延伸至认知领域，知识的生成方式也发生了变化。系统通过对行为的持续追踪与反馈积累模式，在计算中生成关于世界的可操作描述。知识生产因此部分脱离纯粹的主体理解，转而依托算法的计算结构。社会经验在这一循环中被拆解、标注并重新组合，判断与感知逐渐服从算法所设定的分类与加权规则。这印证了列夫·马诺维奇的判断：数字媒介的核心在于可计算性，计算成为理解与表征世界的通用形式。知识在此既由系统生成，也反过来参与系统的运行，成为现实持续塑形的机制。由此，认识活动不再止于对现实的观察，还在技术系统的循环中参与现实的生成。
算法媒介改变了知识生成与流通的方式，这一变化在信息传播领域表现得最为明显。媒体系统在算法的驱动下调整内容结构与传播节奏，使计算成为信息组织的核心机制，并在不同的媒介实践中得到具体体现：新闻编辑系统根据传播数据实时调整标题与版面，公共议题的形态在注意力模型的反馈中不断变化；在线百科的条目更新频率与排序反映社会关注的流动，词条差异、版本更替与引用轨迹共同描绘出知识运行的动态图景；数字图像平台通过相似度算法聚合视觉内容，用户的观看路径在聚合过程中被引导至特定的审美与价值取向，等等。虽然这些机制分属不同领域，但都以计算反馈为核心逻辑，信息的更新、关联与可见性皆依托算法调控，思考、判断与讨论也在这一循环中被重新编排。
随着这些传播机制在持续复制与验证中逐渐沉淀为制度结构，算法逻辑也从操作层面上升为社会认知的默认秩序。在这一过程中，数据基础设施不再只是信息流通的“管道”，而是通过分类、排序、聚合与呈现等规则，把什么可见、什么重要、什么可信逐步固化为一种可依循的认知框架。智能媒介在这一框架中承担了组织与调控知识流动的功能。算法的逻辑逐步渗入评价体系与内容生成的机制之中，例如学习平台以数据仪表板衡量学习绩效，创作平台以推荐模型界定审美风格，学术系统则以引用量与点击率评估研究影响，等等。各领域的知识实践逐渐被纳入同一套可计算的评价体系中。认知的组织方式与媒介系统的运行逻辑趋于同构——秩序建立在可计算性之上，权威依附于可见性的累积，稳定性依靠持续的反馈循环得以维持。为此，研究也在讨论应将透明性与可解释性的要求写入制度安排，使算法分配不至于停留在不可追责的运作层面。
不过，当知识完全纳入这一智能媒介逻辑时，新的张力也随之浮现。算法在追求通用性与一致性的过程中将复杂经验压缩为可计算的语法结构，导致思想的展开空间被收窄。知识的呈现方式从叙述性阐释转向模型化表达，这在提升形式精度的同时也削弱了知识的开放性，使理解从多重语境的开放性转向算法结构的封闭逻辑。从数据女性主义视角来看，这种计算逻辑形成的是“部分真理”，也就是一种在形式上精确却在结构上受限的知识形态，它不会因主观偏见而失效，却会因筛选逻辑而受限。结果，知识的透明度似乎在扩大，但解释力却在减弱，社会的意义生产开始依赖模型化的中介结构。
至此，社会科学所面对的世界已经改变，社会过程呈现出更强的流动性与生成性，既有观察框架难以完整涵盖这种动态现实。例如，传统的经验与统计范式依托封闭的样本与可控的变量，但在智能媒介逻辑下，数据的生成过程本身成为社会行动的一部分，观察与被观察的界限持续消融。知识生产与现实组织在同一技术循环中相互牵引，新的秩序不断出现。正如在洋流中航行无法依赖固定地标一样，社会科学的任务也需要顺应流动性秩序，追踪对象在传播结构中的生成轨迹，并据此调整方法取向，使研究实践本身成为理解智能媒介逻辑的一部分。
四、方法转向：跨模态传播的操作实践
社会科学方法通常建立在一种结构性假定之上：社会过程具有相对的稳定性，可以在时间上分割、在空间上界定、在意义上归纳。这一假定的思想根源在于社会的反思性机制，即社会通过知识体系实现自我观察与调节，使秩序得以维持与更新。正如安东尼·吉登斯（Anthony Giddens）指出的，现代社会的知识体系本身具有反思性特征，社会通过不断的解释与修正来维系秩序，而科学知识正是这种自我反思形式化、制度化的结果。当这种反思性被纳入以数据和算法为媒介的技术体系后，社会科学的方法论基础也随之发生变化。由于观察与行动不再分离，知识的生成直接介入社会运行的过程。传播机制成为关键环节，它使研究活动参与数据流的反馈与调控之中，让方法本身成为系统的一部分。由此，社会科学的研究方式从静态分析转向动态介入，方法的任务也随之扩展为对生成过程的持续追踪与描述。
这种变化首先体现在社会的时间结构上：算法的循环记录与即时反馈使社会运行从阶段性积累转向连续调整与更新。赫尔嘉·诺沃特尼（Helga Nowotny）提出的“实时性装置”与此类似，指向的是一种以持续校正与即时生成来维系社会运作的机制。时间因此不再是外在的度量尺度，而被“折叠”进过程之中，成为其内部维度。在这种时间结构下，社会事实的边界与状态趋于流动，难以以稳定的“切片”形态加以捕捉。传统社会科学依赖取样、分期与对比来获得秩序的剖面，但在生成性的现实中，这些剖面更像是过程的“残影”。时间推动社会不断生成，也要求研究在这种持续变化中找到观察的节奏。
与此同时，社会意义的构成也在发生模态上的扩展。社会科学的经典方法都建立在文本化经验的基础上，无论是访谈、档案还是统计表格，其核心假定都是语言足以承载社会意义。然而，当传播以图像、语音、视频、互动数据等多模态形式展开时，意义的生成便超越了文本逻辑。算法推荐、界面设计、互动节奏等因素共同塑造了社会事实的可见性与可解释性。若方法仍局限于语言或数字的单一符号体系，就无法把握这种多层协同的生成过程。由此，跨模态分析的必要性异常凸显，它要求在不同符号系统之间追踪意义的迁移与折射，理解社会事实如何在模态转换中获得其形态。换言之，方法需要具备模态敏感性，既能在结构中识别节奏，也能在形式变换中保持意义的连贯。
在此情境下，方法的功能新增一项内容——从“观察”转向“操作”。这里的操作体现为一种同步能力，它需要随着传播过程的变化不断调整自身，使分析始终处于生成的节奏之中。例如，在舆论演化或信息流分析中，研究需要通过连续的数据抓取与语义更新，追踪主题在不同模态间的转移；在算法内容推荐的研究中，需不断校正分析参数，以保持与数据节奏的同步。这些操作并不止于技术层面的更新，还体现出方法在生成性环境中的自我调适能力，使研究在动态系统中仍能维持分析的稳定与意义的连贯。而方法的自我调适在实践中体现为多维操作特征：其一，具备对变化的即时响应能力；其二，在连续生成中保持判断的稳定；其三，在多层信息之间建立结构对应，使计算与意义产生互译。
这种操作性发展使研究结构出现新的层次性，方法论的焦点也从单一分析路径转向多层协同系统逻辑，其内在结构可概括为三层：计算层、跨模态层与诠释层。计算层通过数据建模和网络分析揭示结构性模式，为研究提供可重复的框架，并为后续分析奠定形式基础。在此基础上，跨模态层追踪信息在不同符号系统间的流动，使意义的生成过程得以呈现，并揭示社会事实在多模态互动中的转译机制。诠释层则在计算和跨模态的结果上重新建构语境，把模式与过程还原到社会经验与文化历史之中。三者之间为递进与互构关系，其中计算提供形态，跨模态展现过程，诠释赋予深度。
我们可将这三层框架放回到一个更接近真实研究的情境中检验其可操作性。以平台公共事件的议题化为例，研究面对的通常不是一个边界清晰、稳定呈现的对象，而是一段在传播过程中逐渐凝结的生成链条。事件相关的命名、指涉与立场会随推荐分发与互动反馈而不断调整，叙事重心在不同节点之间移动，情绪表达在转发、剪辑与再创作中被压缩或放大。沿着这一生成链条往下走，方法自然需要同时把握结构如何显影、表达如何转译、解释如何获得根据，并把这些环节组织为可追踪、可复核的同一条研究路径。
沿着这一路径，首先需要用连续的数据抓取与关系建模把扩散的骨架呈现出来：议题词汇与用户群体的聚合、转发链路的关键节点、热榜位置与互动强度的节奏变化，都可以被转化为可重复的结构证据，用来回答议题何以在特定时刻获得可见性。接下来，研究会自然进入跨模态材料的整合阶段：将视频画面、语音语调、字幕文本、表情符号与二创素材放在同一分析框架下，对叙事模板、视觉符号与情绪线索的转译进行对照，从而解释同一事实如何在不同符号系统中被重塑为不同的可传播形态。最后，解释的成立还需要回到语境中，对关键节点进行深描，对内容生产者与参与者开展访谈或田野观察，并与平台规则、治理事件及制度性回应相互参照，在差异与断裂处校验前述结构与转译所得的结论边界。
随着方法结构的层次化，研究空间的形态也随之拓展。例如，田野不再必须是一个可亲临的地理场所，还可以是一种由数据接口、算法机制与制度关系共同塑造的动态场域。研究的“进入”也不仅意味着抵达某地，还可能指向接入系统的过程。在用户与生成式人工智能的交互空间中，田野即由算法模型、训练语料与用户输入共同构成。人类的提问、反馈与再创作被系统吸收，用以调整生成路径和语言概率，使观察本身成为生成过程的一环。研究在这一环境中呈现出双重性，既分析机器输出，也参与其生成逻辑。田野的边界延伸至人机共构的媒介生态中，在人类经验与技术过程的交织中获得新的层次。因此，须将反思设为前置原则与持续程序，在生成过程中明确自身的位置与介入边界，并对其进行例行化校准。
这一要求也回应了方法体系内部的技术化趋势。随着生成式人工智能的深度介入，研究现场与方法结构的边界进一步模糊。人工智能不仅构成新的研究场域，也成为方法体系中的关键环节。同时，它的介入使操作性获得更深的展开，既是计算的工具，也成为认知的装置。它在资料整理、语义聚类与模式发现中的应用使研究能够在更大规模上追踪社会过程，拓展分析的深度与速度。而人工智能的生成能力同时也在改变问题的提出方式与知识的形成逻辑，使方法本身成为计算与解释之间的协调机制。研究因此需要保持双重意识，一方面发挥算法潜能，另一方面警惕其分类标准与权重体系带来的认知偏向。
操作性提升在使方法获得更强介入能力的同时，也会带来一定的方法论张力，那就是技术工具追求的稳定、流程与产出，与社会科学所依赖的语境敏感、意义开放及解释自律，会在同一研究过程中不断交错。当模型、指标与平台接口逐渐成为进入现实的常规通道，研究者在获得规模与速度的同时，也更容易把可计算的部分当作更具代表性的现实，把流程的顺畅当作解释的充分。沿着这一问题推进，方法转型的关键便落在反思机制的内化上，它需要在效率提升的同时，持续校正对经验多义性的压缩。这在关于人工智能介入新闻真实与伦理边界的讨论中已有清晰呈现。总体而言，人工智能可以被视为研究的协作主体，但这种协作必须以解释权的自觉和方法反思为前提。
从上述分析来看，社会科学的方法转向不是一次突变，而是一种在传播与计算互动中持续展开的生成性调整。这一点与“计算社会科学”（Computational Social Science， CSS）概念的提出者戴维·拉泽（David Lazer）等人在《科学》（Science）杂志上提出的观点相符，即方法应被理解为不断演化的实践过程，而非固定的技术框架。随着传播过程的算法化，方法的核心任务转向对自身实践的再认识。计算提供结构与秩序，传播带来意义与变化，操作性方法则在两者之间维持动态平衡。在这一意义上，方法不仅是认识社会的手段，更是社会科学得以不断提出问题、生成知识和维系思考活力的基础。跨模态传播环境为这种思考奠定了现实场域，使研究活动在操作与应用中不断延展，推动知识体系持续更新。
五、范式重组：人工智能时代的传播学回应
上述关于问题设定的重组、研究对象的流动化与方法体系的技术化的讨论，揭示了社会科学内部持续的自我调整。然而，这些变化主要发生在研究层面，并未触及学科赖以维系的认识论基础，因而不足以说明知识结构的根本位移。而社会科学之所以能够成立，主要源于一种以理解为核心的认识结构——它通过保持观察的距离、对象的稳定与反思的延时，在再现与解释之间建立意义的秩序。正是这种理解模式使社会科学区别于自然科学，并维系其批判与自我反思的能力。但当社会运作被智能传播机制重塑时，这一理解结构赖以存在的条件开始松动。信息流的即时反馈打破了观察与反思的间隔，使理解难以依托既有时间节奏与距离安排。于是，社会科学以理解为支撑的认识模式面临新的考验，这一挑战也将本文的讨论引向范式层面。
范式并非某一理论框架，而是知识生成的深层秩序，它为研究共同体界定了问题的形态与解释的路径。正如托马斯·库恩（Thomas S. Kuhn）在《科学革命的结构》中指出的，范式规定了学科内部的认知秩序与方法准则。社会科学的范式以理解为其认识论基础，理解规定了研究者与社会之间的关系，而范式则将这种关系制度化为知识的组织形式。也就是说，理解是范式的前提，范式是理解结构化的结果。但当理解不再提供唯一或主导的观察框架时，知识的结构便呈现多重路径与层次，学科赖以维系的秩序也随之出现新的流动性与不确定性。
理解基础的松动并非偶然，而是受媒介与技术在社会过程中的扩展所推动。传播机制与计算过程的结合使智能系统在知识生成过程中获得前所未有的参与度。算法的分析能力提供意义的结构模型，而传播的反馈机制又不断在语境的流动中修正这些模型。知识的生成也因此呈现出动态的组织方式，不再依附于单一理论，而是在数据、语境与模型的往复比对中持续更新。传播与计算的交织使社会过程与认知结构进入同一运行体系，在此过程中，方法与意义都被重新配置。社会科学因此面临一个新的由技术媒介深度参与的生成语境，其中知识活动的边界趋于开放，也展现出更强的互动性与流动性。
在这一语境下，理解的形成路径发生转向，它不再主要沿着经验累积—概念提炼的主线展开，而更多在技术过程与行动实践的交织中生成。汉娜·阿伦特（Hannah Arendt）在《人的境况》中指出，行动和言说意味着重新开启世界，而这一开启正是人类共在的基础。换言之，理解之所以可能，是因为行动和言说不断把一个共同世界更新为可看见、可言说、可共享的状态。当算法逻辑成为社会运行的基本机制时，这个共同世界的开启方式也随之改变。行动和言说越来越多地通过模型、指标与平台接口被组织与反馈，理解因此被纳入技术的循环之中。以大语言模型的翻译实践为例，译文不是单次产出，而是模型推演与人类判断在多轮比较、选择与修订中的持续调整。理解由此呈现出一种协同结构，既是认知的过程，也是技术协作的结果。技术在其中承担了经验组织与意义调节的作用，使理解的展开具有可追踪的结构条件。
在理解呈现即时性与不确定性后，社会科学的认识方式也需要在新的传播语境中重新安置其立场与方法。正如比利时哲学家伊莎贝尔·斯滕格（Isabelle Stengers）所言，技术环境不是压制主体的力量，而是生成新的经验条件的场所。当经验的形成本身嵌入技术与传播的循环时，认识活动也必须从中寻找自身的秩序。社会科学面临的新任务不是在技术之外维护独立性，而是在生成过程中保持判断与理解的连贯，一方面利用技术效率，另一方面避免效率吞没语境敏感与意义开放。方法的重心因此转向对生成秩序的把握，也就是追踪传播链条中意义的生长、延展与修正。由此，传播结构不再只是知识流通的通道，亦是社会科学理性更新的条件。
理性贯穿社会科学的认识活动，使判断在经验与反思之间保持张力与秩序。在智能传播环境中，理性的更新指的是，判断不再主要依靠线性推理与经验累积来完成，而是在数据采集、模型处理与反馈修正的循环中形成，并随传播节奏与平台机制持续被校准。算法化、协同化的传播结构由此成为信息环境的基本框架，知识的组织方式与判断依据也在其中不断调整。理性因此表现为一种在流动中维持平衡的能力——在信息交换、模型检验与语境转译之间保持判断连贯，并为反思留出空间。基于此，哈贝马斯的“交往理性”获得延展，理解与共识的生成不再局限于语言互动，也进入算法、界面与数据反馈的结构之中。
气候治理的全球协作体系可以具体呈现这种更新后的理性结构。以政府间气候变化专门委员会（IPCC）的评估机制为例，科学研究、政策协商与公众传播共同构成信息循环的核心。算法模型整合全球观测数据，科学报告在撰写与修订中平衡理论推理与政治协调，媒体和社会组织将结果转译为公共议题，舆论反馈又推动新的计算与决策。理性在其中体现出协同运作的特征，它沿传播链条调节多重判断，使知识与共识在持续反馈中保持张力与秩序。当证据进入协商与传播流程，问题的关键就从是否为真转向能否被理解并落实。社会科学因此介入，通过风险沟通、政策评估与公众解释，把科学结论连接到制度安排与社会接受。这样的实践逻辑揭示社会科学范式的重组方向，即理性不再是单一主体的推理能力，而是在多方互动与持续反馈中积聚的协调能力。
在这样的理性视野下，传播学成为社会科学范式重组的重要回应力量。它在人工智能时代的知识结构中承担着连接技术逻辑与社会意义的功能，通过揭示传播机制与算法结构的互动，说明知识如何在信息循环中被生成、传递与更新。传播学的创造性体现在把技术过程纳入社会认知的连续结构，使思想与方法在传播的循环中保持开放与连贯。借助彼得·斯洛特戴克（Peter Sloterdijk）的空间隐喻，现代社会的空间结构以互联与共在为特征，思想与行动总在相互包围的“球形空间”中展开。由此看来，传播正是共在得以维系的结构条件，它让信息流动连接个体、制度与公共感知，推动社会在交流与反馈中不断调整自身形态。社会科学也在传播学的回应中重整其提问与方法，并在生成性的知识实践中持续深化理解、更新思想。
结 语
社会科学的功能从来不止于解释世界，亦在于保持世界的可理解性。当人工智能重新编织知识的形式时，社会科学也被推向新的边界，它必须在被技术包围的现实中继续探寻人类经验的开放空间。传播的扩展让社会以新的方式被组织和被认知，也促使思想在新的结构中重新定位自身。社会科学在此环境下面临的不是知识积累，而是保持提出问题、不断反思、更新判断的能力，使理解得以在生成的现实中延展。由此，社会科学的意义进一步显现为一种思维的实践，它要求思想在开放的环境中保持能动性，使知识的形成始终伴随反思的运动。
本文所强调的传播学转向，最终指向一个可被检验的判断——现实之所以能成为社会科学的对象，不再主要依赖研究者的抽离与凝视，而越来越依赖传播系统对经验的组织方式。它决定哪些经验进入公共可见的轨道，决定经验以怎样的节奏被推进并获得持续性，决定经验在何种框架下被命名、被归类并呈现为可处理的材料。由此，传播不再只是知识的外在环境，而是把“经验—对象—证据”连接起来的生成机制。社会科学实践的变革也就在这一机制内部发生。
正因如此，实践变革需要有新落点，它不等同于引入更复杂的模型或更海量的数据，而是把研究组织为一套能够进入并穿行于传播机制的工作方式。围绕这一落点，本文做了三项工作：其一，把“议题—对象—方法—范式”的推进顺序嵌入分析框架，说明问题如何被提出，对象如何成形，材料如何被预塑，从而把知识生成的机制纳入论证；其二，把方法更新界定为一套可追责的研究流程，明确交代数据来源、分类依据与推断边界，防止将“可计算”自动等同于“可解释”；其三，在这一推进中凸显范式层面的规范边界，明确证据、解释与推断何以可接受，确保研究判断能够被检验与反思。
当然，本文的不足也随之显现。例如，当前论证仍以理论推演为主，分层方法框架在具体研究场景中的操作化验证尚未充分展开；平台机制的不可见性与数据可得性的不稳定，使若干关键环节仍缺少更系统的应对策略，等等。后续研究可沿两条线索推进：其一，在具体议题链条中做贯通式实证，把结构显影、跨模态对照与语境回填等整合为可复核的证据路径，并用跨平台比较与反例检验收紧推断边界；其二，面向中国平台语境形成可执行的研究规范，将可见性条件记录、样本缺口披露与生成式工具介入留痕等纳入常规流程，使方法更新能够稳定沉淀并可持续复查。
人工智能的到来使社会科学回到更根本的关切：当现实越来越经由技术中介被组织与呈现时，如何确保我们的理解与判断依然成立并经得起检验。要回应这一关切，不是退回到技术之外寻找“纯粹”的观察位置，而是把传播与计算的中介条件纳入解释之中，让对象与证据的生成过程进入论证本身。而与其说传播学所提供的是一套学科视角，不如说是一种面向智能传播条件的工作方式。它把研究的注意力引入传播链条，使研究工作更多地落在生成现场之中，在技术效率与语境开放之间维持反思与判断的边界和责任。在此基础上，社会科学研究方能在加速社会里保持理解的连续与理性的自觉，并为时代的变动提供可依凭和可辩护的尺度。
[原文刊于《华中师范大学学报（人文社会科学版）》2026年第1期，注释从略]
