内容提要：在定量研究中，描述因缺乏解释能力被逐渐边缘化，而数智技术的发展为其重返研究核心提供了新的可能。本文提出不同于回归模型假设检验的“数据深描”方法，旨在运用多模态数据和算法技术，对社会现象及过程的时空结构和潜在关系进行清晰呈现。数据深描通过可视化结构展示、数智化指标测量、局部描述关联累积与算法模型因果预示，分别形成关于结构感知的“景深”、概念指标的“进深”、关联呈现的“层深”与潜在因果的“纵深”，从而为定量研究从描述性理解向解释性理解的转变搭建桥梁，也体现了构建中国自主知识体系的方法自觉。
标题注释：本文为国家社会科学基金重大项目“国家治理视角下基于数智方法的社会风险评估与应对”(24&ZD168)的阶段性成果。
关键词：数据深描/ 因果分析/ 定量研究方法/ 自主知识体系/
作者简介：马文，南京大学新闻传播学院；陈云松，南京大学社会学院。
原文出处：《社会学研究》(京)2026年第2期 第141-167页
一、引言
在社会科学实证研究中，描述是一种不可或缺的研究方法。它主要通过展陈和叙述实证材料中的具象信息，形成对研究对象的全面深入认知。描述所呈现的社会现象和过程，有助于我们理解世界的异质特征与发展规律。根据社会科学的传统，定量描述被视为一种通过展示数据样本分布来归纳结论的方法，区别于推论统计和因果分析等推理路径。例如，《牛津社会学词典》将定量描述中的描述性统计定义为“描述变量以及变量关系的强度和性质”(Scott，2014：726)，即旨在基于样本分析，概括变量及其关系的特征。
自定量研究方法兴起以来，变量特征的描绘与变量关系的理解始终是社会科学研究的核心。在其发展早期，描述曾兼具变量特征刻画与变量关系理解的双重功能。随着多元回归模型和高级计量方法的发展与成熟，当代定量研究主要致力于厘清变量间的“净关联”“净效应”，以及更严格的因果关系识别。由此，定量研究中的描述与解释在功能和载体上日渐分化。描述一般只限于展示核心变量的关键统计量，成为变量关联分析或因果推断的前置步骤，其对于理论生成和假说检验的学术价值在很大程度上被削弱。这种“因果识别为要，特征描述为辅”的研究模式，已成为近半个世纪以来定量研究的标准化流程。①
针对描述在当代社会科学定量研究中的价值和定位，诸多学者进行了持续反思。例如，戈德索普(John H.Goldthorpe)认为，描述性统计方法对变量特征与结构模式的揭示，仍是开展因果分析的前提(Goldthorpe，2001)；拉图尔(Bruno Latour)则强调社会科学的描述需借助类似自然科学的技术实践来生成可见性(Latour，2005：136)；萨维奇(Mike Savage)指出，对大规模数据进行特征与相关关系描述，具有催生新发现的强大潜力(Savage，2024)。这些持有“描述转向”立场的学者主张，研究者应更重视统计特征值与可视化图表，从而推动研究从“什么正在发生”向“为什么会发生”深入。然而，现有讨论仍多围绕调查数据中的变量取值及其分布展开，此类描述在理解能力上仍被认为不及因果推断等解释方法(Crompton，2008；Gane，2020)。
定量描述在当代社会科学中的定位局限，也与数据条件与分析方法密切相关。根据韦伯对社会学理解的类型划分，定量研究中的因果分析方法属于典型的“解释性理解”，而描述方法则对应“直接观察性理解”(Weber，1978：8)，即后人概括的“描述性理解”(Scott，2014：368-369)。②在传统的定量研究模式下，定量描述往往停留在对统计量的表层概括，难以触及变量之间的结构性关联及其因果生成机制。随着数智时代的到来，特别是机器学习、人工智能等计算技术的发展，研究者得以在多模态、大规模数据中系统呈现社会现象的时空结构，并识别具有稳定性的潜在关系，使描述不再仅仅是经验背景的铺陈，而是为理解社会过程“如何发生”提供关键线索。因此，数智赋能有望突破当代定量描述的瓶颈，推动描述方法重返定量研究的核心，并重塑其在知识生产体系中的地位。所谓“重返”，既意味着让韦伯所界定的描述性理解重返定量研究的核心，也旨在探索描述对解释性理解的贡献，从而再现其在定量社会学发展早期的活力。
本文将这类方法称为“数据深描”(deep description)。数据深描通过四种描述进路深化描述性理解，并为通向解释性理解搭建方法桥梁——借助可视化描述增强结构感知的“景深”，通过数智方法拓展概念指标的“进深”，依托局部描述累积发现总体稳定关系的“层深”，运用算法模型预示潜在因果线索的“纵深”。在构建中国社会学自主知识体系的过程中，该方法能够很好地与中华文明五千多年的深厚文脉相结合，与中国式现代化的宏伟进程相融汇，与中国超大规模社会中数智赋能的治理优势相贯通，从而最大限度地发挥描述在知识创新、理论创新和方法创新方面的潜力，充分体现构建中国哲学社会科学自主知识体系的方法自觉(陈云松，2025)。
二、描述的学脉
在社会学的发展历程中，描述方法尤其是定量描述方法，经历了从繁荣到式微的变化。尽管学界始终存在重新界定描述方法功能的呼声，但受限于数据形态与分析手段，将描述重新带回定量研究核心位置的愿景始终未能实现。下文将对这一进程进行简要的回顾。
(一)描述的早期应用
在社会科学发展的早期阶段，研究者通常综合运用观察、访谈、统计等多种方法，对社会现象进行细致刻画与理论提炼。尤其在19世纪下半叶，随着众多社会科学领域逐步建立为独立学科，描述方法不仅作为实证研究的基础工具，更成为社会科学理论体系的重要支撑。早期的描述研究多围绕具体社会情境展开，通过对个案的深入剖析与经验数据的整合归纳，推动社会科学从哲学思辨转向经验分析。在此期间，描述方法大致可分为两类：一是侧重经验意义挖掘的定性方法，如人类学中的民族志，以及其他关注事件和行动的图文呈现；二是侧重于变量关系呈现的定量描述。在经典社会科学著作中，这两类方法互为补充，共同塑造了社会科学理论知识的早期形态。
对于韦伯而言，“描述性理解”着眼于社会行为本身所呈现的直接意涵，而“解释性理解”则通过将该行为置于更完整的意义与动机脉络中，使其在具体情境中获得可理解性(Weber，1978：8)。质性研究者始终高度重视理解社会行为背后的意义结构，甚至提出了“厚描”(thick description，又译“浓描”)等概念(Geertz，1973)，以突显差异性和地方性在通过描述进行知识生产中的意义。虽然厚描仍属于韦伯所说的直观观察或描述性理解，但它为从简单描述走向解释性理解建立了重要的中介路径。
与定性描述类似，定量描述亦属于描述性理解，只是更侧重于通过系统化数据对社会现象及其过程中的指标和简单关联进行描绘。例如，涂尔干在《自杀论》中比较法国与其他欧洲国家的自杀率，以揭示不同自杀类型与社会整合程度(如婚姻、宗教)之间的系统关联，从而呈现共变关系背后的社会机制(Durkheim，2005/1952)。又如芝加哥学派的帕克(Robert E.Park)和伯吉斯(Ernest W.Burgess)在《城市》(The City)中结合人口普查、地图绘制与田野调查，绘制著名的“同心圆模型”，用来描述芝加哥城市扩张的结构分层及不同区域中群体互动关系的差异(Park & Burgess，2019/1925)。总体而言，在缺乏现代统计回归与因果推断工具的条件下，早期定量研究在通过展示变量的统计特征以实现描述性理解时，也在努力借助简单的共变关系分析尝试迈向解释性理解。这一做法虽不够严谨，但为定量研究的后续发展奠定了基础。
定性描述与定量描述的理解取向，体现了研究者在精确性与广泛性之间的权衡。定性描述往往将现象成因的探索嵌入“叙事”过程，注重对符号与语义系统的多层次阐释，在理解个体行为意义与社会情境复杂互动的基础上提炼概念、建构理论。然而，在形成宏观普遍结论时，定性描述常需依赖推论，或承担较高的调查成本。相比之下，定量描述通过“描述变量”对样本特征及相关关系进行提纲挈领地刻画，以期形成具有普遍适用性的解释方案，在效率和可比性方面具有优势，但过度简化的数据形式也可能导致微观经验被忽视，从而削弱对社会现象复杂性的把握。更重要的是，若定量描述仅停留于特征和分布的静态呈现，或局限于二元变量关系的简单展示，往往难以揭示社会现象发生的机制逻辑，更难以支撑理论生成。正因如此，致力于实现解释性理解的新型研究方法逐步超越了过去单纯的数据描述路径。
(二)定量描述的式微
为实现韦伯所倡导的解释性理解，定量分析逐渐将重心转向对因果机制的揭示。《美国社会学杂志》(American Journal of Sociology，以下简称AJS)在创刊时即指出，虽然社会学方法的第一步是描述性分析，但第二步因果分析更为重要、有趣且富有挑战(Barringer et al.，2013)。19世纪末到20世纪初，受技术条件所限，研究者难以识别变量间的时序与机制，只能“退而求其次”地依赖简单的变量描述和相关分析来把握社会现象。20世纪40年代以来，多元统计回归模型的兴起为社会学家在一定前提假设下进行因果识别提供了可能。定量研究者逐渐从描述性统计和二元相关分析，转向利用多元回归模型控制干扰因素、揭示关联乃至因果关系，并进一步发展出诸多处理内生性问题的因果推断方法(陈云松、范晓光，2010)。在此演进中，定量描述曾试图承担的解释性理解功能迅速被日益发展的模型化因果分析所取代。
传统定量描述之所以式微，根本原因在于其高度依赖极值、均值、标准误等有限的统计特征值对变量属性进行概括，难以深入揭示社会现象及其内在机制，因此被视为缺乏解释力与理论启发性。然而，描述方法本身并不等同于浅层的统计呈现。在定性研究传统中，描述始终具备直接启发理论的能力。韦伯提出的“理想类型”在逻辑上甚至近似于回归模型的反事实思维：通过比较经验中难以实现的理想建构(如“君子”)与实际观察对象(如“普通读书人”)，提出“适当原因”概念，来说明特定条件如何提高某一结果相对于理想类型的发生概率(Weber，1951；Barringer et al.，2013)。不过，韦伯运用理想类型并非为了概率计算，而是借助这种理想化比较来揭示现象的意义逻辑，从而进入解释层面。由此可见，在定性研究中，描述方法既是理论发现的起点，也是生成解释的桥梁甚至“助产士”，始终居于研究方法的核心位置。与之形成对比的是，定量研究的发展过程实则导致了变量描述与机制解释的逐渐分化。
定量研究对机制解释的追求，大致经历了从二元相关分析、多元回归模型到因果推断的演进过程。其中，基于多元回归模型的关联分析与基于高级计量模型的因果推断，既是紧密相连，又代表着对因果关系的不同理解路径，二者分别对应“稳健依赖”与“干预操控”(Goldthorpe，2001)。“稳健依赖”强调通过稳定的变量关系识别因果机制，代表性方法包括拉扎斯菲尔德(Paul F.Lazarsfeld)发展的通过变量控制提升因果推断有效性的多元回归(Lazarsfeld，1958)，以及格兰杰(Clive W.J.Granger)利用时间序列模型识别因果方向的探索(Granger，1969)。该路径体现了验证主义的基本立场：若某一关系在控制干扰变量后仍保持统计显著，则可被视为“稳健因果”。然而，这类方法依赖对潜在干扰因素的充分识别与测量，在数据受限或理论尚未明晰时，往往难以深入把握因果过程，也无法真正解决内生性问题。相较之下，“干预操控”将因果视为条件干预所引发的结果变化(Holland，1986)，代表着更为严格且被广泛视为更重要的因果推断路径，其典型思路是鲁宾(Donald B.Rubin)提出的反事实框架，通过比较现实中的结果与假设未发生干预的反事实结果来估计因果效应(Rubin，1974)。在实践中，研究者依此发展出工具变量、赫克曼模型、自然实验、断点回归、双重差分、多重差分等一系列方法，以处理遗漏变量偏误、自选择偏误和双向因果等内生性问题(陈云松、范晓光，2010；谢宇，2024)，从而逐步接近对解释机制的完全认知。
尽管简单关联描述已不足以支持因果判断，但因果推断仍依赖对情境与制度环境的充分呈现，以此作为解释线索(Goldthorpe，2001)。因此，描述方法并未被上述两条路径排斥。但是，在社会科学研究实践中，解释逐渐被收缩为“识别因果效应”的单一目标，而这一目标难以通过传统定量描述实现，导致描述方法被逐渐边缘化于因果推断的核心环节之外。具体而言，在“稳健依赖”路径中，由于数据覆盖有限，研究者难以呈现所有可能影响结果的情境因素，也无法充分控制各类不可观测变量，因此难以确定某一结果的稳健原因。在“干预操控”路径中，与自然科学可以在实验室中设定并细致描述干预条件不同，社会科学面对的是复杂且动态的社会系统，研究者既不能完全控制结果生成过程，亦难以有效比对现实观察与反事实结果。在此背景下，关联分析侧重回归模型设定和控制变量选取，因果推断则致力于寻找外生冲击，甚至开展实验以识别“净效应”，描述似乎日益沦为与解释脱节的程式化步骤，其理论价值不断被削弱。
(三)重启定量描述的动因
因果推断方法的成熟固然显著提升了定量研究的解释能力，但对描述的轻视也带来新的局限：若固守程式化的因果识别路径，定量研究可能弱化对新规律的敏锐捕捉、对深层结构特征的识别以及对理论创新的启发作用。这种潜在的理论贫乏促使学界重新审视描述的价值。特别是，厚描方法在描述性理解与解释性理解之间的桥梁作用启示我们，定量描述完全有可能重返研究的核心，只要它能在因果推断之前，为研究对象提供更清晰的结构刻画与情境定位，或在传统描述与因果解释之间建立起更具建设性的连接。对结构和关联的系统描述，虽不能替代解释性理解，却足以催生概念、启发理论，佐证全局关联甚至为因果推断提供线索。
随着描述对象在数据规模和类型上的持续扩张，以及描述方法本身的日益多元，定量描述的功能正迎来重新界定的契机。这一转向主要源于三方面推动：方法论层面的持续反思、对定性研究的参考借鉴，以及数据资源和技术条件的不断成熟。对定量描述的再次呼唤，有望推动社会科学在认识论层面实现更新，并促使研究者更积极地融合跨学科的方法与技术。由此，定量描述与因果分析或可超越长期以来“浅显”与“深刻”的二元对立，走向并行协作的知识生产路径。
首先是针对因果分析程式化的反思。越来越多社会科学家开始警惕因果分析实践中的程式化倾向。受美国实证主义传统影响，对自变量与因变量之间变量关系的强度与统计显著性的检验日益成为定量研究的核心焦点，这可能导致社会科学对现实世界认知的滞后(Savage & Burrows，2007)。作为该体系的关键工具，因果分析技术虽提升了研究的科学性与规范性，却也不可避免地简化了事件生成过程、预设了理想社会环境；其技术复杂性甚至在某些语境下成为评判研究优劣的单一标准，从而抑制了新思想的涌现与传播。在此背景下，学者重新发掘定量描述的潜力，尝试借助更宏大的时空视野、更丰富的指标体系、更结构化的刻画方式与更灵活的可视化工具，在既定因果识别框架之外开拓一条旨在发现新现象和揭示结构模式的知识生产路径(陈云松，2022；Savage，2024)。
社会科学家也从社会科学各分支乃至自然科学的定量研究中汲取经验，进一步反思描述在知识生产中的基础作用。在社会科学的部分领域(尤其是在人口学)以及若干自然科学学科中，结构性与过程性描述往往占据核心位置，甚至直接构成研究的主要结论。例如，人口学通过对婚姻状况、代际流动趋势等现象的描述揭示中国社会结构的深层变迁(Xie et al.，2022)；临床医学与护理学则借助病情发展的描述性分析追溯病因(Fisher & Marshall，2009)。受此类研究启发，以戈德索普为代表的学者在“稳健依赖”和“干预操控”之外提出了“生成过程”的因果观，强调应通过过程性与结构性的细致描绘来展现因果的运作逻辑，并指出任何单一因素均不足以完全决定结果，因而因果推断必须建立在对各类潜在因素的全面考察之上(Goldthorpe，2001)。这一思路延续了涂尔干、韦伯、马克思等经典社会理论家关于多重因果与辩证因果的思想传统，使定量描述不仅成为界定因果可能性的重要条件，也因其对因果线索的系统梳理与识别，成为研究发现的关键来源。
其次是对定性研究方法的借鉴。人文学科中的定性研究方法为定量描述的深化提供了重要参照。如前所述，厚描强调在叙述性描述中展现行动背后多层嵌套的意义结构，帮助跨文化读者理解文化实践的象征逻辑与意义密码。费孝通的“行行重行行”系列研究也表明，需通过跨地域材料的积累和情境的细致呈现，才能揭示隐藏在日常实践背后的稳定意义线索(费孝通，2014)。与此呼应，贺雪峰(2014)提出的“饱和经验法”主张不预设问题、反复进入现场、持续累积材料，在反复体察与修正中形成对经验的整体把握。
无论是厚描的意义细读，还是饱和经验法对经验质感的塑造，都表明描述具备剖析结构、呈现规律、催生理论的能力。特别是通过材料的持续积累、切分与比较，描述可使原本隐性的、局部的、个体层面的结构模式与意义逻辑逐渐显现，并在此基础上累积、跃迁，形成超越表面现象的理论生产逻辑和学术分析潜力。这一描述逻辑为定量描述的重构提供了重要启示：一方面，可借助数据挖掘方法进行模式提取与结构识别，揭示数据内部潜藏的社会结构，从而拓展描述在结构层面的分析深度；另一方面，通过在不同样本、层级、地域与文化情境中开展持续、局部的观察与比较，使潜在关联在多种经验条件下反复呈现和累加，进而增强描述结果在整体层面的稳健性。这种稳健性虽不等同于因果，但往往能导向因果、助产理论。如果从这一角度拓展描述的维度，定量描述有望重新在知识生产中发挥核心作用。
最后是对新型数智资源的运用。数智时代社会数据的持续积累与算法技术的迅速发展，为定量描述方法的功能拓展提供了前所未有的支撑。随着日常活动通过智能终端不断被数字化，文本、图像、音频、视频与空间轨迹等多模态信息得以持续积累，逐渐构成现实社会的“数字孪生”。定量描述得以在变量维度更高、观察层级更丰富的数据环境中展开，从而显著提升社会现象探索的深度并拓展其广度。所谓“深度”，在此指从复杂的多模态数据中清晰呈现社会现象的时空结构及其潜在关联，这接近胡塞尔(Edmund Husserl)的表述，即通过系统的方法操作，使原本被表层经验遮蔽的结构逐步变得清晰可读(Husserl，1970：32)。在方法层面，跨时间与跨区域的数据整合有助于更完整地呈现社会时空结构的长期变迁趋势；同时，通过展示多维度指标之间的共变关系，能够拓展对非线性或隐性关系等复杂关系形态的观察视角，从而为描述性理解过渡到解释性理解提供关键的经验线索。所谓“广度”，则指定量描述在社会现象类型上的覆盖范围与多样程度。传统问卷和实验所获数据往往体量有限、覆盖面狭窄，难以触及弥散性的文化议题。而互联网平台通过在线问卷和实验显著扩大了可观测样本规模，并持续产出网络日志、交易记录、社交媒体文本与传感器轨迹等，全面记录了数十亿人跨越时空的社会交往实践及其衍生的话语、观念等文化建构。通过对多模态材料的持续积累与结构化分析，数据深描得以在更大尺度与更多维层面上呈现社会现象的时空结构与潜在关系，其能力突破了传统描述性统计的局限。
三、数智时代的数据深描
在数智时代，信息载体与分析工具的全面更新，为描述在定量社会科学研究中的回归提供了现实基础。在此背景下，定量描述已不再停留于表层特征的简单呈现，而是逐步发展为“数据深描”，进一步拓展了知识生成的路径。下文将对数据深描进行概念化界定，从四个具体进路展开系统论述。
(一)数据深描的定义
本文以“数据深描”指代一类定量研究方法，这类方法运用多模态数据与智能算法等技术，对社会现象及其过程的时空结构与潜在关系进行清晰呈现。它秉承韦伯所界定的“描述性理解”传统，研究目标并非传统的假设检验，研究路径也不依赖基于回归模型的参数估计或基于高级计量方法的因果推断。
参照《牛津社会学词典》对“描述”的广义界定，③本文提出，数据深描包含以下四种研究进路：以可视化描述发现社会结构，通过直观、丰富的视觉呈现，清晰揭示复杂密集数据中的整体格局与内部差异，增强结构感知的“景深”；以隐性变量描述构建新社会指标，将抽象社会现象转化为可测量、可比较的分析对象，拓展概念测量的“进深”；以局部描述累积呈现稳定共变关系，在饱和材料中反复识别相关关系，通过从局部到总体的叠加，形成稳定关系的“层深”；以潜在因果描述启发研究假设，运用算法模型梳理多变量关联结构，勾勒可能的作用链条，为后续解释提供“纵深”。为更清晰地阐明数据深描的定位，下文将其与三类传统研究方法进行对比分析。
第一，与传统以描述性统计方法为核心的定量描述相比，数据深描在数据来源与分析方式上均实现了显著拓展。在数据层面，传统定量描述主要依赖问卷调查与官方统计数据，数据的规模和类型较为有限；数据深描则整合调查数据与文本、图像、音频、视频与空间轨迹等多模态信息，将描述对象所依托的材料从有限样本扩展至规模更大、结构更复杂的数据，从而更全面地展现整体社会情境。在方法层面，传统定量描述多集中于均值、比例、方差等统计特征的展示，难以系统反映多变量特征及其相互关系的整体结构；数据深描则进一步引入计算方法，对多模态数据中不同变量的结构特征与关联模式进行系统性刻画，尤其注重通过可视化增强结构表达的清晰度。
第二，与以厚描为代表的定性描述相比，数据深描与定性厚描在材料结构、分析逻辑与知识目的上存在本质区别。定性厚描以生活史、仪式、符号与地方知识等“文本”为基础，致力于阐释其背后的意义框架(Geertz，1973：6、452)。厚描之“厚度”源于对材料的逐层展开，指向行动者的意义世界，旨在生成解释性理解。数据深描的材料则由大规模、多模态行为数据构成，其“深度”源自对数据结构的持续挖掘，包括特征维度拆解、结构模式提取等在内的直接服务于结构呈现的数据分析方法，仍属于描述性理解的范畴。尽管数据深描通过局部描述累积识别全局层面稳定关联这一进路，与厚描在方法逻辑上有一定相通之处，但其研究重心在于整体呈现社会现象及其过程的时空结构与相关关系，并不涉及对因果机制的探讨。数据深描因此形成了一条与厚描并行的知识探索路径。
第三，与以回归模型为代表的因果分析相比，数据深描并不以因果效应的解释与验证为目标，而是通过对结构与关联的系统呈现，探索并提示可能的关联与因果路径。例如，数据深描可基于算法模型(Breiman，2001)，在不预设变量关系的前提下，比较变量的预测贡献及其交互结构，从而推测因果的可能线索。尤其在可解释性机器学习的辅助下，研究者能够直观把握各变量在预测结构中的相对位置与作用方式，进而生成具有解释潜力的假设。数据深描并不从属于因果分析，也不旨在取代因果分析，其所揭示的稳定关系结构，既可独立作为研究结论，又能为后续的因果识别提供探索性基础，从而在通往解释性理解的研究进程中发挥重要的桥梁作用。
(二)数据深描的进路
在阐明数据深描的概念内涵后，本文将从其功能深化的不同维度出发，系统阐述四种研究进路。这四种进路均属于描述性理解范畴，前两者侧重于结构呈现，后两者则导向因果线索的发现，共同构成一个递进的连续体。四种进路共同拓展了定量描述的功能，旨在提升对复杂社会现象的表达深度与解释潜力。本文通过梳理中外相关研究，分别说明各进路的应用形态，以此呈现数据深描在社会科学知识发现中所具备的方法价值。④
1.以可视化方式展陈社会结构
可视化方法通过直观且富有美感的表达方式，在有限的视觉空间中整合多维信息，增强定量描述对社会现象结构层级与时空分布的呈现能力，从而提升对社会结构感知的“景深”。当图像的尺寸、颜色、形状与数据分布形成协调的视觉对应时，科学发现的表达将更为鲜明生动。相较于以观察记录为核心的自然科学，社会科学中的可视化多用于整理统计结果与辅助理解复杂模型。尽管密度图、等值线图、箱型图等较复杂的图表形式已得到应用，但模型结果仍常以表格呈现，因为直观图像常被认为过于简单、难以承载多维信息，显得过于简化(Healy & Moody，2014)。
随着互联网痕迹数据与大规模文本数据的广泛应用，社会科学研究所面对的数据复杂性显著提升，已超出传统方法的处理范畴。研究者因而需要借助无监督学习等智能方法对数据进行系统挖掘，并通过计算与表达相结合的方式，呈现社会现象及其过程的结构与分布。可视化方法因而能够在有限的视觉空间中提升信息密度、降低理解成本，使关键结构线索得以清晰呈现与有效传递，从而深化对社会结构的理解。本文从单一变量特征与多变量关系结构两个维度，对相关代表性研究进行系统梳理(详见表1)。
在数据深描的研究路径中，对单一变量结构的可视化呈现是常见形式之一。此类研究多通过时间趋势图、区域分布图与热力图等方式，刻画特定议题、概念或情绪的时间演变与空间分布。随着可视化技术的发展，部分研究进一步运用桑基图等强调流动性的图形及视频等动态形式，呈现信息、资源或话语在不同时空节点间的转移与扩散过程。
在多变量关系结构的呈现方面，复杂可视化方法同样发挥着重要作用。早在《区隔》(Distinction)中，布迪厄(Pierre Bourdieu)便通过多重对应分析将社会地位与生活方式相连接，成为关系结构可视化的经典范例(Bourdieu，1984)。近年来，相关描述方法持续拓展，例如将词向量投影至语义空间以呈现概念间的距离与聚类关系，或借助社会网络分析刻画个体与群体间的互动结构，并结合聚类结果及节点度数、中心性等指标对网络形态进行可视化。这类方法有助于直观呈现关系结构的整体格局，为理解社会分化与群体差异提供重要的描述性参照。
2.以数智方法测量社会指标
概念的操作化是社会科学研究的关键环节。由于理论概念、社会现象与数据测量之间常存在差距，研究者往往面临测量不足的挑战。在定量研究中，测量指标通常需转化为边界清晰、可操作的变量，以作为宏大社会现象的局部映射。受传统定量研究微观旨趣的影响，加之技术条件限制下宏观数据的缺乏，此类测量多集中于微观层面的可观测行为变量(陈云松，2022)。
数据深描旨在建立一种从非结构化数据到社会指标的生成逻辑。该逻辑依托大规模数据与计算方法，通过将抽象社会概念拆解为可观测的多维结构，推动测量从依赖单一代理变量转向对社会现象内部构成与总体特征的系统刻画，这显著提升了社会测量在描述层面的“进深”。一方面，数据深描方法可对个体层面的海量调查数据和行为数据进行多维整合，丰富微观指标的表达维度并在统一的多维描述空间中系统呈现原本分散的行为与心态变量，从而增强对个体差异及其潜在关联结构的识别能力；另一方面，该方法也使“文化”“心态”等宏观概念的直接测量成为可能，使宏观指标能够更充分地刻画社会现象的整体特征，并减少对微观数据汇总生成宏观指标的依赖。表2展示了运用数智方法构建微观和宏观社会指标的代表性研究。
数智方法为经典社会学概念的测量开辟了新路径。数据深描的代表性研究已开始运用生成式人工智能技术，通过对大规模非结构化文本进行语义分析，将文化氛围、社会心态等抽象概念转化为可比较的指标体系。该方法将非结构化文本映射至统一的语义表示空间，并在相关社会学维度上对其进行连续赋值与比较，从而在不依赖人工编码的前提下，实现对弥散性社会现象的宏观测量。
数据深描中的宏观指标侧重于呈现社会现象的结构特征、时空分布和群体差异；微观指标则通过揭示个体行为与偏好在不同情境中的分布形态，丰富对社会现象微观层面的经验刻画。随着数智技术尤其是生成式人工智能的持续发展，社会科学研究将进一步整合文本、视频、图像、传感器轨迹与地理信息等多源异构数据，依托大模型的语义映射与连续赋值能力，对更广泛的文化氛围与社会心态进行多维刻画。通过对这些现象时空分布特征的持续描绘，该方法可为突发事件的实时响应与精准治理提供实证支持。
3.以局部描述累积全局关联
如果说社会指标的可视化与测量主要对应描述性理解的起点，那么对变量间关联的局部描述累积则处于通往解释性理解的后期阶段。通过在不同条件的数据中反复呈现同一关系形态，研究得以从局部观察中逐步累积出稳定的总体关联，从而形成关系理解的“层深”。该方法逻辑不依赖单一案例的阐释，而是在多种社会情境中反复呈现关键现象，使相关关系在层层比较中逐渐清晰。因此，该进路与“稳健依赖”的因果思维一脉相承(Goldthorpe，2001)，也与费孝通、贺雪峰等学者基于饱和材料的定性研究传统具有内在一致性。
在结构复杂的数据情境中，传统因果推断方法往往在模型设定与变量控制方面面临局限(Burrows & Savage，2014)，这促使部分研究转向操作成本较低、更为灵活的关联描述路径。所谓“饱和”，指的是同一关联在时间、空间、社会因素等存在多重差异的样本中持续显现。借助这类自然差异，研究者可在比较过程中实现对潜在遗漏变量的非模型化条件控制。即便仅依赖基础的二元关联描述，通过跨时期、跨地域或跨群体的多重比较，研究者亦可对稳定关系作出经验判断。该路径不依赖严格的因果假设，虽不直接识别因果机制，但能从局部累积至整体，灵活呈现社会结构中的稳定关联。表3展示了社会科学与自然科学领域中，通过局部描述累积识别全局关联的代表性研究。
对稳定关系的探索，往往依托大规模、跨地域的历史材料，通过长期与跨地域的描述累积，形成对社会结构的整体把握。相较于学术论文，社会科学专著在关联呈现上通常更为细致，往往综合运用定量数据与定性材料，结合比较分析与历史分析等方法，从而赋予社会理论跨越时空的稳健性。法国经济学家皮凯蒂(Thomas Piketty)的《21世纪资本论》(Capital in the Twenty-First Century)虽未采用数智方法，但其基于跨国、跨历史时期的大规模数据形成的描述累积，为理解社会结构与长期不平等格局提供了重要的方法启示(Piketty，2014)。⑤随着数智技术的发展，已有学者在著作中进一步整合多模态数据，对社会现象间的关联进行系统性呈现。由此，社会科学学者在新的技术条件下重新接近韦伯、涂尔干等先驱写作“鸿篇巨制”的研究理想，既有助于推动学术研究深化，也有助于促进公共知识更新与社会进步。
4.以算法模型预示潜在因果
算法模型通过呈现变量预测贡献的结构性分布，为变量之间可能存在的关联链条提供方向性线索，从而形成导向解释性理解的“纵深”路径。由于可预测性被视为因果机制成立的“必要不充分条件”(Watts，2014)，稳定的预测贡献结构因而具有因果启发意义。当变量数量较多且结构较为复杂时，传统回归模型往往存在预测性能不佳的问题。而可解释性机器学习模型能够有效揭示变量的边际预测贡献，推动研究由“推理—验证”模式转向以数据驱动理论发现的“预测—归纳”模式(陈茁、陈云松，2023)。
“预测—归纳”的因果预示路径通过对数据样本中所有可能解释变量的预测贡献进行深描，为识别潜在生成机制提供了系统性的输入，最大限度地体现了作为一种“生成过程”的因果思维(Goldthorpe，2001)，其实现路径包括：对情境变量的整体刻画，通过监督学习模型识别复杂结构，以及借助可解释性机器学习方法拆解模型“黑箱”，比较各变量的边际预测贡献，从而识别具有因果分析潜力的关联模式(Lundberg & Lee，2017)。在此过程中，研究者的理论洞见既被用于界定算法模型可纳入的变量范围，也被用于甄别模型结果，降低数据偶然性与过度拟合的风险。数据深描的过程亦可能揭示新的关联模式与潜在因果线索，从而进一步成为理论洞见的来源。
当前，越来越多社会科学研究开始运用可解释性机器学习等算法模型对变量预测贡献进行深描，以探索潜在机制线索。需注意的是，算法模型输出的贡献度并不等同于回归系数，它是对预测贡献的量化刻画，旨在识别潜在的结构关系。表4展示了沙普利值解释法(SHapley Additive exPlanations，简称SHAP)和局部可解释模型无关方法(Local Interpretable Model-agnostic Explanations，简称LIME)在社会科学中的应用案例。
沙普利值解释法和局部可解释模型无关方法在功能上各有侧重。沙普利值解释法从整体层面揭示变量预测贡献的相对排序，适用于高维、非线性且交互关系复杂的社会科学数据情境。局部可解释模型无关方法则聚焦于特定样本的预测结构，旨在揭示个体层面的决策逻辑(Bueff et al.，2025)，因而更常用于个体层面的可追溯分析，以提高决策透明度，如社会政策评估等场景。可解释性机器学习方法作为数据深描中因果预示路径的重要工具，为潜在生成机制的识别与后续因果分析提供关键启示。
(三)数据深描的价值
数据深描在学科发展、知识传播与社会治理中展现出重要价值，它有助于突破学科知识边界、推动知识普及，并为社会治理能力的提升提供新的方法路径。作为一种方法创新，数据深描既能够回应“国之大者”，也能扎根具体的社会实践，在知识传播与转化过程中有效参与社会文明建设。
1.学科发展价值
数据深描既回应了经典理论关切，也在数智条件下拓展了中国社会科学的知识版图与研究边界，其学科发展价值主要体现在以下三个方面。
一是重返经典。韦伯认为，社会科学的认识特质在于使社会现象在经验层面获得可理解性，而非以因果关系的确认为直接起点(Weber，1978：8-9，15)。数据深描正是在此意义上，对韦伯经典立场进行当代定量转化：它不以因果检验为目标，而是通过清晰呈现社会现象的结构与关联，构建可理解的描述性图景，并为通向解释性理解提供经验线索。
二是重塑主体。作为一种方法创新，数据深描体现了技术层面的学术自觉，更内嵌于“如何构建中国哲学社会科学自主知识体系”的方法自觉之中(陈云松，2025)。依托中国悠久的历史文脉、广袤的地理空间以及长期积累的跨时期、跨层级数据资源，数据深描能够系统呈现中华文明在不同历史时期与社会条件下的结构形态，为正确理解和大力推进中国式现代化提供经验参照，并在全球知识体系中提升中国社会科学作为理论与知识生产者的主体性地位。
三是拓展边界。数据深描通过整合历史与当代、国内与国外等多元经验材料，使社会科学研究能够在更长时间尺度与更广空间范围内比较社会结构与关联模式，为构建具有全球视野的中国理论框架奠定经验基础。同时，数据深描对数智技术与情境理解逻辑的系统运用，也有助于推动社会科学与人文学科、自然科学之间进行更紧密的跨学科对话。
2.知识普及价值
数据深描通过对社会现象进行直观而生动的呈现，显著提升了学术知识的可读性，有助于缓解学术研究成果向公共认知转化长期受限的状况。其知识普及价值主要体现在以下方面。
一是提高公众素养。数据深描能够将抽象复杂的研究发现转化为结构清晰、逻辑可读的知识形态，为公众理解数智时代的社会现象与开展自主学习提供现实条件，有助于弥合数智知识层面的认知鸿沟。
二是培育社会兴趣。研究议题的专业性与分析复杂性，往往构成青年人理解社会科学问题的认知门槛。数据深描方法在保持学术严谨性的同时，有效降低了青年人的理解成本，为青年群体参与公共议题讨论与形成科学的社会认知提供了必要的知识支撑。
三是推动文化传承。在把马克思主义基本原理同中国具体实际相结合、同中华优秀传统文化相结合的过程中，数据深描能够清晰呈现中华文明的历史脉络与结构特征，为中华优秀传统文化的创造性转化与创新性发展提供坚实的经验支持。
3.社会治理价值
数据深描不依赖复杂理论预设和模型设定，能够灵活整合非结构化数据，其结果呈现也相对直观。因此，作为一种低成本、可扩展的研究模式，数据深描能够为治理决策提供高效支持，其社会治理价值主要体现在以下方面。
一是降本增效。相较于对模型设定与数据条件要求较高的因果分析方法，数据深描依托真实社会情境中广泛且低成本的数据来源，通过多维、连续的分析方式响应治理实践需求，有助于提升治理决策的执行效率与实际效果。
二是实时响应。借助移动端体验采样和传感器轨迹等多模态数据，数据深描能够实时刻画信息流动与社会结构变化，识别社会风险的早期信号及其演化趋势，从而推动社会治理从被动应对转向主动预警与动态监测。
三是促进区域协同。不同地区在社会结构与治理需求上存在差异。数据深描通过动态刻画区域差异，既可以为国家层面的宏观决策提供依据，也可以为因地制宜的地方治理提供支持，进而促进国家与地方在治理层面的有效协同。
四、结语
皮凯蒂在《21世纪资本论》中高度赞赏文学作品对不同阶层财富收入的生动展现，认为简·奥斯汀(Jane Austen)等小说家所描绘的社会不平等现象“逼真而具有强烈感染力，是任何统计或理论分析都无法比拟的”(Piketty，2014：2)。萨维奇进一步提出，定量描述也应具备这种感召力，通过新颖的观看、阅读和感受方式，将潜在含义传递给读者(Savage，2024)。数据深描正是对这一期待的回应，它不仅凭借新视角与复合方法传递美学感知，更通过对表象之下时空结构和潜在关系的系统刻画，使复杂社会现实在数据层面变得可读、可感与可理解。
历经多次论争，社会科学界已普遍认同因果分析与描述方法应互为补充、彼此支撑(Crompton，2008；Gane，2020；Savage，2020)。本文提出的数据深描方法在西方“描述转向”讨论的基础上更进一步，强调在数智时代的大规模数据与技术条件下，定量描述已不再只是因果解释的辅助手段。它能够在描述性理解框架内独立承担结构识别与关系探索的任务，并在描述性理解与解释性理解之间发挥桥梁作用，从而为韦伯所界定的描述性理解，提供一条植根于当代数智环境的实践进路。
需要说明的是，本文所归纳的四种描述进路并未穷尽数据深描的所有可能形态。随着生成式人工智能等技术的持续进步，数据深描仍具有广阔的拓展空间。未来，这类方法或可在无需直接进入因果推断的前提下，为解释性理解提供更为系统而丰富的经验线索。数据深描的深化发展，或许正是米尔斯(C.Wright Mills)所倡导的“社会学的想象力”在新时代的具体实践——通过扎实的数据经验把握社会现象的历史进程与结构脉络，重新激活将个人困扰与公共议题相联结的想象力(陈云松，2025；马文、陈云松，2025)。
习近平总书记指出：“世界百年未有之大变局加速演进，世界进入新的动荡变革期，迫切需要回答好‘世界怎么了’、‘人类向何处去’的时代之题……加快构建中国特色哲学社会科学，归根结底是建构中国自主的知识体系。”⑥对社会科学而言，这一使命不仅意味着研究议题的拓展或理论立场的重申，更关键的是在方法层面形成清晰而自觉的知识生产路径。重返描述，并非以描述取代解释，而是通过丰富和深化描述性分析，为抵达解释性理解奠定基础、搭建桥梁。在这一意义上，数据深描超越了单纯技术工具的集合，成为立足数智时代、深化描述性理解的一种方法自觉(陈云松，2025)。数据深描能够从中华民族数千年的历史文脉与当代复杂社会现实中，发掘更具深度的理论线索，为建立具有高度文化自觉的中国范式奠定方法基础。由此，当代定量研究有望既突破思维和方法定式的藩篱，又转化为对现实的理解与治理能力，进而在文化根基与数智力量的交融中，形成服务于文明发展的持续知识积累。
注释：
①关于定量研究论文的写作范式，可参考彭玉生(2010)提出的经验研究“洋八股”结构，即“研究问题、文献综述、假设、资料描述、概念的测量与操作化、方法设计、经验分析、结论”。
②在西方学界，“描述性理解”已成为通用表述，包括《牛津社会学词典》在内的权威工具书亦采用此术语。遵循这一学术惯例，本文统一使用“描述性理解”指称该理解类型。
③社会科学领域对“定量描述”的界定尚未完全统一。例如，《自然》杂志曾刊文将计算社会科学的方法路径区分为描述、解释与预测等不同类型(Hofman et al.，2021)。但在具体研究实践中，某些以预测为目标的有监督学习模型，尤其是那些具备较强可解释性的算法，常被用于识别并呈现具有理论指向的关系模式或为后续研究提供线索。因此，本文将预测视为一种启发式工具，旨在为数据深描所关注的知识发现及后续解释过程提供必要支持。
④本文聚焦文化品味多样性这一现象，构建了一个贯通数据深描四种进路的综合性实证分析案例，包括：文化品味多样性“文化熵”指标的构建与测量、其时空分布格局的可视化呈现、文化熵与教育因素之间稳定关联的累积性刻画，以及基于算法模型对文化熵潜在生成线索的揭示。相关实证结果因篇幅所限未在正文中详述，感兴趣的读者可联系作者索取。
⑤皮凯蒂遵循从概念史到经验材料的递进逻辑，对不同财富主题逐层分析：先梳理“资本”“国民收入”等核心概念的历史演变，再在跨国比较中呈现欧美社会资本结构的长期变迁，进而将人口增长、经济发展、财富积累与债务等问题并置考察，由此归纳出财富不平等所呈现的结构性特征及其长期变化趋势。
⑥新华社北京，2022，《习近平在中国人民大学考察时强调 坚持党的领导传承红色基因扎根中国大地 走出一条建设中国特色世界一流大学新路》，《人民日报》4月26日。
原文参考文献
[1]陈云松，2022，《当代社会学定量研究的宏观转向》，《中国社会科学》第3期。
[2]——，2025，《“社会学想象力”的重思与拓展——建构中国自主知识体系的方法自觉》，《中国社会科学》第1期。
[3]陈云松、范晓光，2010，《社会学定量分析中的内生性问题——测估社会互动的因果效应研究综述》，《社会》第4期。
[4]陈茁、陈云松，2023，《计算扎根：定量研究的理论生产方法》，《社会学研究》第4期。
[5]费孝通，2014，《行行重行行——中国城乡及区域发展调查》，北京：群言出版社。
[6]龚为纲、朱萌、张赛、罗教讲，2019，《媒介霸权、文化圈群与东方主义话语的全球传播——以舆情大数据GDELT中的涉华舆情为例》，《社会学研究》第5期。
[7]贺雪峰，2014，《饱和经验法——华中乡土派对经验研究方法的认识》，《社会学评论》第1期。
[8]句国栋、陈云松、贺光烨，2019，《中国当代人文社科的合作网络图谱——以权威学术期刊11年论文为例(2007-2017)》，应星主编《清华社会科学》第1辑，北京：商务印书馆。
[9]刘河庆，2024，《观念流：一个分析数字时代信息扩散与观念演化的新视角》，《社会学研究》第6期。
[10]刘太石，2025，《数字时代的中国青年文化变迁：趣味模式、社会区隔与平台化》，《社会学研究》第3期。
[11]罗家德、万怡、高馨，2024，《复杂社会系统的涌现现象——以大数据分析结构与行动共同演化》，《社会学研究》第2期。
[12]马文、陈云松，2025，《数智想象力：后米尔斯时代的研究破维》，《探索与争鸣》第3期。
[13]彭玉生，2010，《“洋八股”与社会科学规范》，《社会学研究》第2期。
[14]尚进、吴晓刚，2023，《“差序格局”的形成及其变迁机制——一项基于行动者建模的研究》，《社会学评论》第3期。
[15]谢宇，2024，《社会学本土化与定量研究的再思考》，《学术月刊》第3期。
[16]Amarasinghe,Kasun,Kit T.Rodolfa,Hemank Lamba & Rayid Ghani 2023,"Explainable Machine Learning for Public Policy:Use Cases,Gaps,and Research Directions." Data & Policy 5.
[17]Bai,Ruiqiao,Jacqueline C.K.Lam,Victor O.K.Li 2023,"What Dictates Income in New York City? SHAP Analysis of Income Estimation Based on Socio-Economic and Spatial Information Gaussian Processes(SSIG)." Humanities and Social Sciences Communications 10(1).
[18]Bail,Christopher A.,Taylor W.Brown & Andreas Wimmer 2019,"Prestige,Proximity,and Prejudice:How Google Search Terms Diffuse Across the World." American Journal of Sociology 124(5).
[19]Barringer,Sondra N.,Scott R.Eliason & Erin Leahey 2013,"A History of Causal Analysis in the Social Sciences." In Stephen L.Morgan(ed.).Handbook of Causal Analysis for Social Research.Dordrecht:Springer.
[20]Baumard,Nicolas,Elise Huillery,Alexandre Hyafil & Lou Safra 2022,"The Cultural Evolution of Love in Literary History." Nature Human Behaviour 6(4).
[21]Bourdieu,Pierre 1984,Distinction:A Social Critique of the Judgement of Taste.Trans.by Richard Nice.Cambridge:Harvard University Press.
[22]Breiman,Leo 2001,"Statistical Modeling:The Two Cultures." Statistical Science 16(3).
[23]Bueff,Andreas,Ioannis Papantonis,Auste Simkute & Vaishak Belle 2025,"Explainability in Machine Learning:A Pedagogical Perspective." Frontiers in Education 10.
[24]Burrows,Roger & Mike Savage 2014,"After the Crisis? Big Data and the Methodological Challenges of Empirical Sociology." Big Data & Society 1(1).
[25]Calvo,Dafne,María Iranzo-Cabrera,Jordi Morales-i-Gras & Raquel Tarullo 2025,"The Club of the Discontents:Motivational Roots,Polarise Narratives,and Key Actors of Spanish-Speaking Anti-Abortion Communities on Twitter." Humanities and Social Sciences Communications 12(1).
[26]Chen,Yunsong,Guangye He & Fei Yan 2022,Understanding China Through Big Data:Applications of Theory-Oriented Quantitative Approaches.Abingdon & New York:Routledge.
[27]Collins,Hanne K.,Serena F.Hagerty,Jordi Quoidbach,Michael I.Norton & Alison Wood Brooks 2022,"Relational Diversity in Social Portfolios Predicts Well-Being." Proceedings of the National Academy of Sciences 119(43).
[28]Crompton,Rosemary 2008,"Forty Years of Sociology:Some Comments." Sociology 42(6).
[29]Durkheim,Émile 2005/1952,Suicide:A Study in Sociology.Trans.by John A.Spaulding & George Simpson.London:Routledge.
[30]Enke,Benjamin 2023,"Market Exposure and Human Morality." Nature Human Behaviour 7(1).
[31]Finnemann,Adam,Karoline Huth,Denny Borsboom,Sacha Epskamp & Han van der Maas 2024,"The Urban Desirability Paradox:U.K.Urban-Rural Differences in Well-Being,Social Satisfaction,and Economic Satisfaction." Science Advances 10(29).
[32]Fisher,Murray J.& Andrea P.Marshall 2009,"Understanding Descriptive Statistics." Australian Critical Care 22(2).
[33]Fu,Zhihui,Shukai Liu,Guodong Ju,Wen Ma & Yunsong Chen 2024,"Instrumental Guanxi Culture and Inbound Urban Migration in China:A Prefecture-Level Analysis Using Online Search Data." The China Quarterly 260.
[34]Gane,Nicholas 2020,"Against a Descriptive Turn." The British Journal of Sociology 71(1).
[35]Garg,Nikhil,Londa Schiebinger,Dan Jurafsky & James Zou 2018,"Word Embeddings Quantify 100 Years of Gender and Ethnic Stereotypes." Proceedings of the National Academy of Sciences 115(16).
[36]Geertz,Clifford 1973,The Interpretation of Cultures.New York:Basic Books.
[37]Gerow,Aaron,Yuening Hu,Jordan Boyd-Graber,David M.Blei & James A.Evans 2018,"Measuring Discursive Influence Across Scholarship." Proceedings of the National Academy of Sciences 115(13).
[38]Goldthorpe,John H.2001,"Causation,Statistics,and Sociology." European Sociological Review 17(1).
[39]Granger,Clive W.J.1969,"Investigating Causal Relations by Econometric Models and Cross-Spectral Methods." Econometrica 37(3).
[40]Healy,Kieran & James Moody 2014,"Data Visualization in Sociology." Annual Review of Sociology 40.
[41]Hofman,Jake M.,Duncan J.Watts,Susan Athey,Filiz Garip,Thomas L.Griffiths,Jon Kleinberg,Helen Margetts,Sendhil Mullainathan,Matthew J.Salganik,Simine Vazire,Alessandro Vespignani & Tal Yarkoni 2021,"Integrating Explanation and Prediction in Computational Social Science." Nature 595(7866).
[42]Holland,Paul W.1986,"Statistics and Causal Inference." Journal of the American Statistical Association 81(396).
[43]Hsiao,Yuan,John Leverso & Andrew V.Papachristos 2023,"The Corner,the Crew,and the Digital Street:Multiplex Networks of Gang Online-Offline Conflict Dynamics in the Digital Age." American Sociological Review 88(4).
[44]Husserl,Edmund 1970,The Crisis of European Sciences and Transcendental Phenomenology:An Introduction to Phenomenological Philosophy.Trans.by David Carr Evanston:Northwestern University Press.
[45]Jockers,Matthew L.2013,Macroanalysis:Digital Methods and Literary History.Urbana,Chicago,& Springfield:University of Illinois Press.
[46]Kedrick,Kara,Ekaterina Levitskaya & Russell J.Funk 2024,"Conceptual Structure and the Growth of Scientific Knowledge." Nature Human Behaviour 8(10).
[47]Kozlowski,Austin C.,Matt Taddy & James A.Evans 2019,"The Geometry of Culture:Analyzing the Meanings of Class Through Word Embeddings." American Sociological Review 84(5).
[48]Latour,Bruno 2005,Reassembling the Social:An Introduction to Actor-Network-Theory.New York:Oxford University Press.
[49]Lazarsfeld,Paul F.1958,"Evidence and Inference in Social Research." Daedalus 87(4).
[50]Li,Siyang,Ke Ding,Aijun Ding,Lejun He,Xin Huang,Quansheng Ge & Congbin Fu 2021,"Change of Extreme Snow Events Shaped the Roof of Traditional Chinese Architecture in the Past Millennium." Science Advances 7(37).
[51]Lundberg,Scott M.& Su-In Lee 2017,"A Unified Approach to Interpreting Model Predictions." Paper presented at the 31st Conference on Neural Information Processing Systems(NIPS 2017),Long Beach,California,USA.
[52]Mohr,John W.,Christopher A.Bail,Margaret Frye,Jennifer C.Lena,Omar Lizardo,Terence E.McDonnell,Ann Mische,Iddo Tavory & Frederick F.Wherry 2019,Measuring Culture.New York:Columbia University Press.
[53]Park,Robert E.& Ernest W.Burgess 2019/1925,The City.Chicago:The University of Chicago Press.
[54]Parsa,Amir Bahador,Ali Movahedi,Homa Taghipour,Sybil Derrible & Abolfazl(Kouros)Mohammadian 2020,"Toward Safer Highways,Application of XGBoost and SHAP for Real-Time Accident Detection and Feature Analysis." Accident Analysis & Prevention 136.
[55]Piketty,Thomas 2014,Capital in the Twenty-First Century.Trans.by Arthur Goldhammer,Cambridge:Harvard University Press.
[56]Qin,Guangqiang & Xuehan Li 2024,"The Political Identity of China's Emerging Youth." Social Science Quarterly 105(7).
[57]Rubin,Donald B.1974,"Estimating Causal Effects of Treatments in Randomized and Nonrandomized Studies." Journal of Educational Psychology 66(5).
[58]Savage,Mike 2020,"What Makes for a Successful Sociology? A Response to 'Against a Descriptive Turn'." The British Journal of Sociology 71(1).
[59]——2024,"In Defence of Sociological Description:A 'World-Making' Perspective." The British Journal of Sociology 75(3).
[60]Savage,Mike & Roger Burrows 2007,"The Coming Crisis of Empirical Sociology." Sociology 41(5).
[61]Scheffer,Marten,Ingrid van de Leemput,Els Weinans & Johan Bollen 2021,"The Rise and Fall of Rationality in Language." Proceedings of the National Academy of Sciences 118(51).
[62]Scott,John(ed.)2014,A Dictionary of Sociology(Fourth Edition).Oxford:Oxford University Press.
[63]Song,Xi,Catherine G.Massey,Karen A.Rolf,Joseph P.Ferrie,Jonathan L.Rothbaum & Yu Xie 2020,"Long-Term Decline in Intergenerational Mobility in the United States Since the 1850s." Proceedings of the National Academy of Sciences 117(1).
[64]Stephens-Davidowitz,Seth 2017,Everybody Lies:Big Data,New Data,and What the Internet Can Tell Us About Who We Really Are.New York:HarperCollins Publishers.
[65]Watts,Duncan J.2014,"Common Sense and Sociological Explanations." American Journal of Sociology 120(2).
[66]Weber,Max 1951,The Religion of China:Confucianism and Taoism.Translated,edited and with an introduction by Hans H.Gerth.Glencoe:The Free Press.
[67]——1978,Economy and Society:An Outline of Interpretive Sociology.Edited by Guenther Roth & Claus Wittich.Berkeley & Los Angeles:University of California Press.
[68]Wimmer,Andreas,Seungwon Lee & Jack LaViolette 2025,"Diffusion Through Multiple Domains:The Spread of Romantic Nationalism Across Europe,1770-1930." American Journal of Sociology 130(4).
[69]Wu,Zhan 2023,"Evaluation of Provincial Economic Resilience in China Based on the TOPSISXGBoost-SHAP Model." Journal of Mathematics(1).
[70]Xie,Yu,Hao Dong,Xiang Zhou & Xi Song 2022,"Trends in Social Mobility in Postrevolution China." Proceedings of the National Academy of Sciences 119(7).
[71]Yabe,Takahiro,Bernardo García Bulle Bueno,Morgan R.Frank,Alex Pentland & Esteban Moro 2025,"Behaviour-Based Dependency Networks Between Places Shape Urban Economic Resilience." Nature Human Behaviour 9(3).
[72]Zhou,Di 2022,"The Elements of Cultural Power:Novelty,Emotion,Status,and Cultural Capital." American Sociological Review 87(5).
