计算社会科学促进社会科学研究转型

孟小峰 张 祎

一、计算社会科学的发展

计算社会科学诞生于大数据背景之下。在后工业化时代，复杂性社会问题十分严峻且难于预测和处理。传统的问卷调查和访谈等方式已经无法为当前复杂社会系统的管控提供指导。但是，大数据时代却使“我们的社会开启了一场可与印刷和互联网带来的革命相比肩的伟大旅程”[注][美] 阿莱克斯·彭特兰：《智慧社会》，汪小帆、汪容译，浙江人民出版社2015年版，第19页。。

2009年，David Lazer等社会科学家、Alex Pentland等计算机科学家、Albert-László Barabási等物理学家，共计15位学者在《科学》上发表了题为“Computational Social Science”[注]David Lazer,Alex Pentland,Lada Adamic,et al.,“Computational Social Science”,Science,Vol.323,No.1,2009.的文章，成为计算社会科学成立的标志。2012年，欧洲学者R.Conte等人发表了《计算社会科学宣言》(Manifesto of Computational Social Science[注]R.Conte,N.Gilbertm,G.Bonelli,et al.,“Manifesto of Computational Social Science”,The European Physical Journal Special Topics,Vol.214,No.1,2012.)，从机遇、技术、方法、挑战以及将会产生的影响五个方面详细分析了计算社会科学的现状及前景，该文章也被称为计算社会科学领域的“宣言”。

计算社会科学[注]孟小峰、李勇、祝建华：《社会计算：大数据时代的机遇与挑战》，《计算机研究与发展》2013年第12期。是基于系统科学、网络科学、复杂性科学等科学理论，利用人工智能、数据挖掘等计算科学方法，以社会、经济等领域大数据作为研究对象，交叉融合各学科理论，是人类更深入地认识社会、改造社会，解决政治、经济、文化等领域复杂社会问题的一种理论和方法论体系。有学者认为，计算社会科学是用社会化方法计算社会[注]孟小峰、余力：《用社会化方法计算社会》，《中国计算机学会通讯》2011年第12期。。具体包括两个含义：一方面是“社会化方法”，即以草根用户为中心、依靠草根用户的用户化方法；另一方面则是“为社会计算”，即计算社会科学的研究与服务对象是社会，包括虚拟网络和现实社会，以及从中抽象出来的人工社会。

综上，从交叉学科的角度来看，本文认为，计算社会科学是一门基于社会学原理，使用自然科学和信息科学工具，揭示社会发展规律，从而解决社会问题的学科。19世纪末，该学科作为独立学科首次出现。这是对工业化挑战所做出的回应。在大数据浪潮之下，学科人才培养体系和就业形势也急剧变化。该变化的本质其实就是学科和学科之间的“世界大战”。战争的目的，就是为了抢夺殖民地，即其他学科的数据。

这也是我们看到计算机、数学、物理等学科似乎正在“入侵”社会科学、生物学、地理学等学科的原因所在。究其根本，则是因为“数据”是一个学科是否成熟的标志。对于物理学而言，1600年出现的望远镜及开普勒行星运动三大定律成就了占星术到天体物理学的华丽转身；在化学领域，1867年新出现的各种化学仪器和门捷列夫元素周期表在原有炼金术的基础上推动了“分析化学”的诞生；就生物学来看，1953年的X射线衍射和DNA结构发现推动人类从实验生物学时代进入分子生物学时代。同理，随着互联网的不断发展和大规模人类活动定律的提出，“当代”社会学、政治学、经济学等逐渐催生了新的学科——计算社会科学。

但随着信息技术的发展，数据产生方式以及数据本身的特征都已经发生转变。其中，数据产生方式可以划分为三个阶段。第一阶段是数据源被动产生的运营式系统，其数据规范、有秩序，更强调数据的一致性；第二阶段是数据源主动产生的互联网系统，其数据结构复杂、无秩序，不强调数据的一致性或只强调弱一致性；第三阶段是数据源自动产生的感知式系统，其数据呈现多源异构、分布广泛和动态演化等特点。同样，数据特征也在“粒度”、“广度”和“密度”三个方面发生了转变。

未来二三十年的人类社会将演变为智能社会，而万物互联的物联网正是智能社会的重要技术基础。所谓智能社会，不是以一般劳动力为中心的社会，智能机器人、无人驾驶汽车等智能应用会大规模使用。在2019年的达沃斯论坛上，日本首相安倍晋三首次面向国际社会公开“社会5.0”(Society 5.0)的涵义，并阐释了六大领域的超智能化系统：无人机送货，AI家电普及，智能医疗与监护，智能化、自动化产业，智能化经营，以及全自动驾驶，而构筑智能社会的核心技术在于“计算社会科学”。从当下的大数据时代迈入未来的万物互联时代，计算社会科学面临哪些挑战？又将如何实现这些挑战的机遇化？为了充分利用万物互联时代的技术基础，计算社会科学又将如何变革？

二、计算社会科学中的数据挑战

在大数据时代，基于大量数据资源和更为成熟的信息科学技术，计算社会科学迎来了更好的发展机遇。大数据分析将更有助于知识获取、方法论改进和实践应用；同时，计算社会科学中的社会学专业知识将赋予大数据新的方向和灵魂，从而实现社会科学反哺信息科学。但是，计算社会科学要真正把握这些机遇，就需充分发挥社会科学和信息科学的优势，将大数据融合、大数据治理、大数据隐私、数据透明和人机悖论等新挑战转化为新机遇。

(一)计算社会科学中的大数据融合

随着数据产生方式从被动到主动再到自动的转变，当前数据呈现多源异构、分布广泛和动态演化等特征，数据的关联、交叉和融合更为迫切。大数据应用的首要目标是价值挖掘。而“大数据价值链”[注]孟小峰、杜治娟：《大数据融合研究：问题与挑战》，《计算机研究与发展》2016年第2期。则反映了大数据中所含价值的产生过程。具体而言，其是一个“离散数据→集成化数据→知识理解→普适机理凝练→解释客观现象、回归自然”的螺旋式上升过程，每个环节都是大数据的一次增值。

单个数据源的价值有限，要进一步实现价值提升，就必须进行数据融合。相应实现大数据价值链的工具是“大数据融合”。作为大数据背景下的数据处理手段，“大数据融合”[注]孟小峰、杜治娟：《大数据融合研究：问题与挑战》，《计算机研究与发展》2016年第2期。用于从大数据中发现知识，并按照知识的语义逻辑关联融合形成更接近人类思维的知识，是一种数据融合与知识融合双环驱动的大数据价值发现方法。

大数据融合的独特性与问题包括：第一，割裂的多源异构数据，如生物领域的基因组、蛋白质和文献等；第二，数据规模与数据价值之间的矛盾，即相关数据越多，可挖掘的知识越多，数据价值就越高，但相应数据挖掘的难度却会更大；第三，跨媒体、跨语言的关联，如图片、音视频与文本数据的关联；第四，实体和关系的动态演化，如学者更换其所在单位；第四，知识的隐含性，如学者之间的“合作”关系可能暗含“师生”关系。

(二)计算社会科学中的大数据治理

计算社会科学是一门因数据而生的学科。正如在“大数据融合”挑战中所阐释的那样，要真正从多元异构、价值不一的数据中提取信息，并进一步转化为知识，就需在传统数据分析工具的基础上进一步改进，运用大数据融合相关技术。但数据从产生到处理，到存储，到进一步价值提升，再到最终应用等都会面临数据产权等一系列相关问题，而“数据治理”则旨在解决这一系列数据挑战。

“治理”(Governance)一词最早起源于拉丁文“掌舵”(Steering)，起初用于“政府治理”。后受到企业认同和重视，出现了“企业治理”。随着IT资源和数据资源的不断丰富，出现了“IT治理”和“数据治理”的概念。而“大数据治理”则是“数据治理”的延伸，同时又具有其独特性。Sunil Sores认为，“大数据治理是广义信息治理计划的一部分，即制定与大数据有关的数据优化、隐私保护与数据变现的政策”[注][美] 桑尼尔·索雷斯：《大数据治理》，匡斌译，清华大学出版社2014年版，第4页。。但正如信息安全领域经典的“七分靠管理，三分靠技术”所言，本文认为，“大数据治理”不应该仅仅具有政策内涵，还应包括相关技术手段。这里的大数据治理挑战具体包括数据获取，数据共享，数据发布，数据权利、责任、角色和风险，利益相关者，以及外部影响六个方面[注]Christine L.Borgman,Big Data,Little Data,No Data:Scholarship in the Networked World,The MIT Press,2015,pp.271-288.。

第一，即使是在大数据时代，数据也并非无源之水。数据获取需要大量社会资源的持续投入。第二，数据源价值提升的重要途径是建立在“数据共享”基础上的数据融合，而数据共享在制度和技术方面尚未成熟。第三，数据既没有专利完善的保护措施，也没有论文成熟的发表机制，因此在发布方面存在数据投资、保存和应用的制度和技术问题。第四，当数据成为重要资源，产学研政企各界都开始围绕数据展开价值挖掘活动。但如何将数据所有权、使用权、许可权等权利，数据维护和监督等责任，以及数据泄露和数据不完整等带来的一系列风险分配给不同角色依旧悬而未决。第五，数据的利益相关者包括企业、高校、科研机构、学者、学生、图书馆、博物馆、出版商、资助机构以及政府单位等。如何在不同利益相关者之间分配数据采集和繁杂的数据监护[注]Philip Lord and Alison Macdonald,“E-Science Curation Report:Data Curation for E-Science in the UK:An Audit to Establish Requirements for Future Curation and Provision”,Digital Archiving Consultancy Limited,2003.任务，并进一步构建大数据时代的人才基础设施有待进一步研究。第六，从产生到投入实践，数据面临的外部影响主要包括经济与数据价值、数据产权和伦理观三个方面的问题。

综上，为了在充分挖掘数据价值的同时，尊重数据相关权利，从而促进科学研究进步，推动社会向前发展，在产学研政企等利益相关者之间建立合作共赢的数据共享模式、制定合理的规章制度非常必要。同时，需要推动相关技术向前发展。唯有此，才能在降低信息泄露风险的同时，又保留数据价值。

(三)计算社会科学中的大数据隐私

数据的获取和运用过程中，必然会带来隐私问题。与传统隐私问题相比，大数据隐私问题的来源和波及范围更广，相应产生的影响也更为深远。按照数据类型，可以将大数据隐私问题来源分为三种：金融、医疗健康、出行、移动通信、电子商务、各类网站注册登录、交通、可穿戴设备、智能家居、智能手机、智能汽车和智能电网等大量生成数值型数据；上网行为、电子阅读器和电子邮件等主要产生文本型数据；而监控、生物体特征和各式社交网络则大量包含图像和音视频型数据。

大数据隐私面临的问题主要表现为个人数据利用与挖掘的无度、暗地和不透明，主要包括四种现象：第一，以无处不在的摄像头、移动设备和智能家居等为代表的大规模数据采集问题；第二，以数据服务公司、行业数据关联和企业数据关联等为代表的大规模数据关联交易；第三，以用户画像、精准营销和精准医疗为代表的大规模数据分析；第四，大规模数据跨境流通问题。

除此之外，大数据隐私与现实社会需求之间出现了新的矛盾。第一个是大数据隐私与决策可解释性之间的矛盾。一方面，为了保证决策可解释性，就必须保证数据的准确性，这样很容易出现隐私泄露问题；但另一方面，要保护隐私，就一定会导致数据准确性降低，决策可解释性随之降低。因此，如何在大数据隐私和决策可解释性之间达到良好平衡，是一个亟待解决的问题。第二个则是隐私保护与大规模数据泄露之间的矛盾。Facebook数据泄露等事件一再出现，在这样大规模数据泄露的背景之下，实现隐私保护是否真的现实，在未来会不会演变为No Privacy？

(四)计算社会科学的数据透明

当大规模数据泄露不断出现，隐私保护已不再现实，数据透明就成为合理运用数据的保证。因为其保证了数据利益相关者对数据的知情权等权利。普渡大学Elisa Bertino教授认为，数据透明指能有效获取对象在产生、处理及决策过程中涉及到的全部数据信息的一种能力。以数据透明为基础，可以建立和完善数据获取和应用的问责机制、实现用户控制。以数据生命周期为标准，可以将数据透明分为获取透明、流通透明、使用透明和删除透明。其中，获取透明指基于访问控制的数据收集；流通透明指基于区块链的数据共享和交易；使用透明包括算法透明和可验证性计算；而删除透明则包含了覆盖删除和密码学删除。

(五)计算社会科学中的人机悖论

计算社会科学是自然科学和社会科学的纽带，更是计算机技术应用于实践的桥梁。那么，计算机技术的自动化具体可以在多大程度上替代人工？如何综合考虑将自动和人工结合起来，依旧是一个现实问题。另一方面，就计算机通过人工智能所带来的自动化而言，依旧存在“实现智能过程非智能的问题”，即实现机器学习等人工智能的手段依旧大量依靠人工。在一个机器学习系统中[注]D.Sculley,G.Holt,D.Golovin,et al.,“Hidden Technical Debt in Machine Learning Systems”,Advances in Neural Information Processing Systems,2015.，真正的机器学习代码仅占很小一部分，而大部分工作都消耗在环境配置、数据采集、数据验证、机器学习资源管理、特征提取、过程管理工具、分析工具、服务基础设施和监测上。

结合计算社会科学领域本身的“社会+技术”特点，本文认为，将上述挑战转换为机遇的关键在于“制度+技术”：一方面，从制度出发，满足各利益相关者的数据所有权、使用权和许可权等合法权益，从而均衡各方收益；另一方面，以技术发展为根本动力来推动数据价值的深度挖掘。

三、计算社会科学与科学研究范式转移

(一)计算社会科学与四大科学研究范式

计算社会科学是一门典型的交叉学科，它以前所未有的广度、深度和规模大量收集和分析数据，并通过计算建模的方法实现人机交互等社会-技术系统的行为预测，是科学研究范式从实验科学、理论科学发展到计算科学、探索科学的产物。

在人类认知史上，随着新生事物和工具的持续涌现，相应科学研究范式也在一次次转型中不断发展[注]Tony Hey,Stewart Tansley and Kristin Tolle,The Fourth Paradigm:Data-Intensive Scientific Discovery,Microsoft Research,2009.：以观察和实验描述自然规律的实验科学，被称为第一范式；当实验条件不具备时，通过模型简化和演算得到结论的研究范式，称为第二范式，即理论科学；随着电子计算机的出现，人们开始利用其对科学实验进行模拟仿真，从而产生了与第三范式相对应的“计算科学”。在海量数据出现之后，科学研究不再需要模型和假设，而是利用超级计算能力直接分析海量数据，进而发现相关关系，获得新知识。由此，便产生了“数据密集型科学”，即第四范式。

Runkel和McGrath[注]P.J.Runkel and J.E.McGrath,Research on Human Behavior:A Systematic Guide to Method,New York,1972.依据社会科学研究活动中所施加干扰(Obtrusive)的多少和研究结果的普适性(Universal)，将社会科学研究方法分为三类：第一类强调研究活动的实践性(Realism)，如田野实验和田野研究。这类研究方法对应的研究活动围绕研究对象本身展开，因此研究活动中的干扰因素较多，适应范围也相对有限。第二类强调实验结果的概括性(Generality)，如抽样调查和形式化推理。这类研究方法施加的干扰性因素较少，而相应实验结果则具有更强普适性。第三类强调研究对象的可控性(Control)，如实验室实验和模拟实验。这类研究方法施加的干扰因素较多，对应结果的普适性取决于相应假设前提。与实验室实验相比，模拟实验的普适性更强。上述三类研究方法分别对应于科学研究范式中的第一、二、三类研究范式，即实验科学、理论科学和计算科学。这三种研究范式虽然都有社会科学的理论积淀，但均无法在干扰性和普适性两方面达到平衡。

随着大数据时代的到来，Jim Gray从天文学领域研究中总结抽象，提出第四范式[注]Tony Hey,Stewart Tansley and Kristin Tolle,The Fourth Paradigm:Data-Intensive Scientific Discovery,Microsoft Research,2009,p.xvii.，即科学研究不再需要模型和假设，而是利用超级计算能力直接分析海量数据发现相关关系，获得新知识。相应地，社会科学研究也从第四范式中受益，对应研究方法也发生了新的变革。大数据的出现极大降低了数据获取成本，使用数据挖掘和机器学习等方法从大规模行为数据中提取的信息可以满足原有田野类研究的信息需求，模糊了其与实验室类研究之间的区别，从而降低传统田野类研究对研究对象所施加的干扰；同时，以整个社会为单位的规模样本使得大数据时代的田野类研究具有极强普适性。故而，由于受到第四范式和大数据时代的影响，社会科学研究可以在干扰性和普适性两个维度上达到较好的平衡，并得到进一步发展。

(二)计算社会科学的方法论挑战

现有四大科学研究范式受自然科学的启发而诞生，但在提出之后却同时推动了社会科学的发展。处于自然科学和社会科学之间的计算社会科学也受益于四大科学研究范式。但是，社会科学和自然科学的研究对象具有本质差异：前者面向人，后者面向物；前者是精神世界，后者是物质世界。从学科分类体系来看，自然科学是类型逻辑思维，社会科学是总体逻辑思维。类型逻辑思维认为应该重点关注典型对象，只要理解了典型对象的规律，就可以将其概括并推广到个体和具体问题。总体逻辑思维关注独立各异个案的整体分布，社会科学认为变异是社会现实的本质，社会学家的工作就是从变异中寻求规律，以经验为基础，以量化为导向，去概括总体变异的系统模式。社会科学的量化无法挖掘出普适规律来描述和解释所有个体行为。因此，实证主义等社会科学向自然科学看齐的研究方法，并不能从根本上适应社会科学。

实践证明，将自然科学的研究方法应用在社会科学领域确实会出现一定偏差。这种现象出现的根本原因在于，社会系统的复杂性远远高于自然系统。预测的前提是准确描述。但是，现有数据在粒度、广度和密度上的感知能力尚不足以完成社会系统这种“复杂巨系统”[注]钱学森、于景元、戴汝为：《一个科学新领域——开放的复杂巨系统及其方法论》，《自然杂志》1990年第1期。的处理任务。传统社会科学解决该问题的方法是理论假设，如经济学领域的理性人假设。但是，现实社会中的人往往会受到人际关系等其他因素的影响。因此，传统社会科学的理论假设与现实世界存在较大偏差。相对而言，自然科学的部分理论就可以比较准确地描述现实世界，并且能对一些现象进行合理误差范围内的预测，如经典力学中的牛顿运动定律。

因此，计算社会科学，尤其是社会科学，需要在方法论上进行革新。20世纪90年代，Holand教授从遗传算法的角度出发提出基于主体的建模(Agent-Based Modeling，ABM)思想。该思想首先被用于观察和研究经济系统，并迅速引起各领域的广泛关注和响应[注]陈禹：《复杂性研究的新动向——基于主体的建模方法及其启迪》，《系统辩证学报》2003年第1期。。之后，Holand依据该思想提出“适应性创造复杂性”[注]John H.Holland,“Hidden Order:How Adaption Builds Complexity”,Basic Books,1996.这一革命性命题，被认为找到了研究社会科学的一把钥匙。但进入二十一世纪之后，该思想似乎已经沉寂。其中的主要原因还是主体的规则封装尚未完善，具体既包括主体及其行为的刻画，也包括数据问题。随着技术水平的不断发展，计算社会科学能否把握机遇，实现新一轮的方法论革新？

(三)科学研究范式转移的新机遇

计算社会科学从诞生到进一步发展的成长过程曾受惠于四大科学研究范式。但是，由于自然科学与社会科学在研究对象、逻辑思维以及现实复杂性等方面存在本质区别，计算社会科学面临的方法论挑战日益严峻。那么，当下的计算社会科学能否实现新一轮的方法论革新，并将其上升为新型科学研究范式，实现科学研究范式转移，进而惠及其他交叉学科，乃至自然科学？答案是肯定的。后大数据时代的计算模式将成为未来社会的重要基础设施；智能万物互联的信息技术将以更加丰富的方式描述现实世界，从而推动社会学等领域的专家学者更加了解人类赖以生存的社会系统；中国的城市化、网络化等发展趋势与万物互联天然契合，将有望成为实现科学研究范式转移的沃土。

后大数据时代的计算模式发展趋势将为科学研究范式转移奠定基础。从计算机技术发展的历程来看，计算模式每15年就会发生一次重大变革。1950年，首台计算机出现；1965年，大型机进入人们视野；1980年，个人电脑开始普及；1995年，互联网创造了“地球村”；2010年，云计算与大数据重新定义数据价值；2015年，“智能万物互联”的概念被提出。如果将个人电脑看作“PC时代”的技术载体，那互联网便奠定了后PC时代的技术基础。同理，云计算与大数据技术推动形成了如火如荼的大数据时代，而智能万物互联技术将与“后大数据时代”息息相关。大规模数据已经在大数据时代成就了第四科学研究范式，而后大数据时代也将奠定科学研究范式转移的新基础。

智能万物互联的信息技术发展趋势将为科学研究范式转移提供动力。已有四大科学研究范式分别强调观察实验、模型演算、模拟仿真和数据密集。而万物互联时代将通过更为完善的数据采集系统，真正实现物理世界和虚拟世界的连接[注]孟小峰、余力：《用社会化方法计算社会》，《中国计算机学会通讯》2011年第12期。。同时，基于万物互联，科学家们可以更好地对现实社会进行度量，从而针对具体人类行为和社会现象实现更为完善的量化机制，奠定准确描述现实世界的基础。此外，随着AR等技术的不断发展，人机交互方式更加丰富。智能万物互联时代带来的信息技术发展，将进一步推动以社会学家为代表的科研工作者更加了解人和社会。

以城市化为中心的中国社会发展趋势将为科学研究范式转移厚植沃土。在网络化和虚拟化技术的推动之下，中国社会[注]刘鹤：《中国未来的趋势》，《红旗文摘》2017年第3期。随之呈现出城市化、国际化、工业化、市场化和扁平化等新的发展趋势。这种社会发展趋势恰好与万物互联技术的“连接”特征相一致。雄安新区规划和“一带一路”建设等正是中国社会与万物互联技术充分融合的勇敢尝试。因此，根植于中国社会发展的沃土，基于后大数据时代的计算模式，充分发挥智能万物互联信息技术的推动作用，以社会学家为代表的学者可以更好地描述现实世界，从而奠定计算社会科学，尤其是社会科学方法论革新的基础。

那么，当技术和社会背景同时发生变革，诞生于技术和社会交织发展背景下的计算社会科学应当如何化挑战为机遇？又应当如何充分利用智能万物互联技术，结合中国社会发展趋势，在后大数据时代迎来新的发展阶段？

一方面，计算社会科学应当充分把握与生俱来的技术和社会优势，在“技术推动社会发展，社会丰富技术内涵”的相辅相成机制中获得进一步发展。在未来万物互联和以城市化为中心的中国社会，社会科学将不再一味地依赖信息技术的发展。这里以万物互联的重要技术基础5G为例进行阐释。近来，5G技术的发展及其作用已经被过分夸大。但科学技术的超前研究并不意味着社会需求的产生。由于5G本身丰富的内涵尚未清晰定义，而其内涵的发生还需要更多社会需求的到来。也就是说，真正将5G技术应用到社会实践中还需要经历更漫长的时期。所以，5G的未来发展不是带宽问题，而是内涵问题。但是，计算机信息技术只能满足带宽需求。因此，只有依靠社会科学，5G的内涵才能进一步得以丰富。故而，未来的社会科学与信息科技将可能在“技术推动社会发展，社会丰富技术内涵”的相辅相成机制中进一步发展。

另一方面，计算社会科学不应当一味向自然科学看齐，而是基于对现实世界的准确描述，构建自己的理论框架，形成自己的方法论。基于前述内容，我们有理由相信如果充分利用万物互联时代的技术优势，同时从社会背景和现实需求出发进一步丰富万物互联的技术内涵，进而使社会和技术相互促进，以社会科学家为代表的学者们才可能提出真正植根于社会科学的第五科学研究范式。新的研究范式将以大量社会科学活动为积淀，旨在挖掘新社会需求，丰富新技术内涵，在促进交叉学科研究的同时，推动社会前进。

结 语

本文以计算社会科学为中心，以后大数据时代为基础，以智能万物互联为动力，以城市化等为背景，基于计算社会科学的发展历史，认为计算社会科学是一门基于社会学原理，使用自然科学和信息科学工具，揭示社会现象，解决社会问题的学科。

计算社会科学在大数据背景下既迎来发展机遇，也面临新的挑战。主要表现在大数据融合、大数据治理、大数据隐私、数据透明和人机悖论五个方面。结合计算社会科学领域本身的“社会+技术”特点，本文认为，将上述挑战转换为机遇的关键在于“制度+技术”：一方面，从制度出发，满足各利益相关者的数据所有权、使用权和许可权等合法权益，从而均衡各方收益；另一方面，以技术发展为根本动力来推动数据价值的深度挖掘。

要从根本上顺应技术和社会趋势，实现上述挑战到机遇的华丽转身，完成计算社会科学的方法论革新，就必须完成科学研究范式转移。后大数据时代的计算模式发展趋势将为科学研究范式转移奠定基础；智能万物互联的信息技术发展趋势将为科学研究范式转移提供动力；以城市化为中心的中国社会发展趋势将为科学研究范式转移厚植沃土。与已有基于自然科学的四种科学研究范式不同，计算社会科学领域将有可能在“技术推动社会发展，社会丰富技术内涵”的相辅相成机制中，以大量社会科学活动为积淀，挖掘新社会需求，丰富新技术内涵，从而形成根植于社会科学的第五科学研究范式。