0.2.2 计算社会学的黄金期
2009年至今

2009年，哈佛大学拉泽尔教授等15位顶级学者在《科学》上撰文，首次正式提出了“计算社会学”（Computational Social Science）这一概念 ^［22］ 。文章强调新型计算技术、互联网技术的跨越式发展使得计算社会科学正在成为现实。首先，飞速发展的通信技术和网络技术正在重塑人类的交互模式，借助于视频监控、电子邮件、社交媒体、GPS等技术社会科学工作者能够对观察目标开展持续性、多角度的精细观察，从而发现更多有效的观测变量。同时，以人工智能为代表的智能计算技术极大地提升了人类对海量数据的处理能力，从而可以建立更加复杂的推理模型，实现从海量数据中高效地发现关键信息。

一方面，计算社会学为不可观察的或者半可控的系统提供了全新的视角，在物理或信息空间中提供了多尺度的系统观测变量，形成了对目标对象的持续量化能力。例如，在精神健康状态的社会性筛查方面，美国医学协会杂志 JAMA 发表观点性文章，首次提出了精神疾病的“数字表型”（Digital Phenotyping）概念，主张通过分析个体电子设备的交互特征、社交媒体中的内容表达风格等，实现社会性的精神疾病“软筛查” ^［23］ 。计算社会学对政治领域的影响表现尤为突出。剑桥大学研究表明基于用户在Facebook上的交互记录（点赞信息），通过奇异值分解方法，可以观测变量与用户属性的线性关联，挖掘用户的性别、年龄、种族、政治观点、宗教信仰等属性信息（见图0-5） ^［24］ ，并且预测结果明显优于人类的主观判断，具有高度的可信性 ^［25］ 。基于此，剑桥分析公司（Cambridge Analytica）未经授权获取Facebook 5000万用户的档案及“点赞”内容等数据，通过数据挖掘技术支撑的心理分析预测模型和人工智能技术支撑的定向广告算法、行为分析算法来助力竞选宣传。

另一方面，计算社会学借助于大跨度的历史数据，能够对社会现象背后的本质规律进行建模分析。例如，在人类移动轨迹分析方面，美国西北大学复杂网络系统专家Barabási等人 ^［19］ 通过分析10万名手机用户6个月内的移动轨迹，指出人类行为虽然具有多样性，但呈现出重复性特质，服从简单的空间概率分布，表现为无标度性。早期学者认为人类移动行为是随机的，而且行为的可预测性在个体层面上存在显著性差异，且出行少的用户比活跃用户更容易预测。然而，美国东北大学的研究人员通过分析5万名移动用户3个月内的活动轨迹，发现人类移动行为的可预测是用户无关的，且与用户的移动距离和活跃度独立 ^［26］ 。针对人类行为的无标度特点，丹麦哥本哈根大学的研究人员对超过700000人的移动数据分析后，发现人类活动确实包含有意义的尺度，这与限制移动行为的空间“容器”相对应，并提出了一种层级化的容器模型实现对人类移动行为的容器建模（见图0-6），人类行为表现出的无标度特性本质上是由于容器之间的总位移而产生的 ^［27］ 。人类移动行为的容器模型提供了一种了解国家、性别群体和城乡地区之间流动行为差异的方法。当前移动性已成为研究人类活动的主要刻画指标，深入理解人类移动行为的规律对于城市规划、城市发展演化等具有重要意义 ^［28］ 。

基于上述理论研究工作，围绕人类移动轨迹的研究工作大量涌现。通过融合多种海量数据信息，如交通流、气象数据、道路网络、兴趣点、移动轨迹、社交媒体、能耗数据等，解决人类社会在城市化进程中存在的各类问题和挑战，如环境污染、交通拥堵、节能减排、城市规划、社会治理等。在城市环境治理方面，微软亚洲研究院的郑宇团队利用地面监测站的实时数据和历史空气质量数据，结合交通流、道路结构、兴趣点分布、气象条件和人群流动规律等大数据，使用机器学习算法建立数据和空气质量的映射关系，从而推断出整个城市细粒度的空气质量 ^［29］ 。针对城市噪声污染问题，CityNoise结合路网数据、兴趣点数据和社交媒体中的签到数据来协同分析各个区域在不同时间段的噪声污染指数，进而生成城市噪声污染地图 ^［30］ 。同时，人类的移动性与传染性疾病的传播紧密相关。大量专家和学者研究人类活动与新冠病毒传播之间的关系。其中，英国格林尼治大学的科研人员 ^［31］ 通过分析智利圣地亚哥140万移动手机用户的轨迹信息（见图0-7），发现政府的非医疗干预措施在较为富裕的社区执行良好，对于降低感染病例具有显著作用 ^［32］ 。这一研究表明在新冠的防控过程中需要考虑社会的不公平性，强化重点地区的健康医疗资源。