Intelligent Computing Social Modeling and Methodological Innovations in Political Science in the Era of Large Language Models

📄 arXiv: 2410.16301v2 📥 PDF

作者: Zhenyu Wang, Dequan Wang, Yi Xu, Lingfeng Zhou, Yiqi Zhou

分类: cs.CY, cs.AI

发布日期: 2024-10-07 (更新: 2025-11-05)

备注: 37 pages, 11 figures, 3 tables. J OF CHIN POLIT SCI (2025)

DOI: 10.1007/s11366-025-09917-6

💡 一句话要点

提出智能计算社会建模(ICSM)方法，利用大语言模型探索政治科学中的方法创新

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 大语言模型 社会建模 政治科学 方法创新 智能计算 社会模拟 范式转变

📋 核心要点

  1. 现有方法难以全面理解LLMs对社会科学知识生产和范式转型的综合影响，尤其缺乏实践方法论层面的探索。
  2. 论文提出智能计算社会建模(ICSM)方法，利用LLMs进行思想综合和行动模拟，实现政治科学的“模拟社会构建”和“模拟验证”。
  3. 通过模拟美国总统选举，验证了ICSM方法的可行性和优势，表明LLMs将通过整合而非替代的方式推动政治科学的方法创新。

📝 摘要（中文）

本文探讨了大语言模型（LLMs）对政治科学方法创新带来的机遇与挑战，以及其对社会科学潜在范式转变的影响。针对LLMs如何从技术和方法论的综合视角影响知识生产和社会科学范式转型，以及LLMs在政治科学研究中的具体应用和创新方法等问题，本文提出了“智能计算社会建模”（ICSM）方法。ICSM利用LLMs在思想综合和行动模拟方面的优势，通过“模拟社会构建”和“模拟验证”来推进政治科学的智力探索。通过模拟美国总统选举，实证展示了ICSM的运作路径和方法优势。ICSM整合了传统的社会科学范式，不仅增强了定量范式应用大数据评估因素影响的能力，还为定性范式提供了个体层面社会机制发现的证据，为社会科学研究提供了一个平衡可解释性和可预测性的强大工具。研究结果表明，LLMs将通过整合和改进而非直接替代来推动政治科学的方法创新。

🔬 方法详解

问题定义：当前政治科学研究面临的挑战是如何有效利用大语言模型（LLMs）来促进方法论创新，并理解LLMs对知识生产和社会科学范式转变的深远影响。现有方法在整合LLMs的能力，平衡可解释性和可预测性，以及在个体层面发现社会机制方面存在不足。

核心思路：论文的核心思路是提出“智能计算社会建模”（ICSM）方法，该方法充分利用LLMs在思想综合和行动模拟方面的优势，通过模拟社会构建和模拟验证，探索政治科学中的复杂社会现象。这种方法旨在弥合定量和定性研究之间的差距，提供更全面和深入的分析。

技术框架：ICSM方法主要包含以下几个阶段：1) 问题定义与理论框架构建：明确研究问题，构建基于现有理论的分析框架。2) LLMs驱动的社会模拟：利用LLMs生成模拟的社会环境和个体行为，例如模拟选民的投票决策。3) 模拟结果验证与分析：将模拟结果与真实数据进行对比验证，并分析LLMs在模拟过程中所揭示的社会机制。4) 结论与讨论：总结研究发现，讨论ICSM方法的优势和局限性，并展望未来研究方向。

关键创新：ICSM方法的关键创新在于其将LLMs作为一种社会模拟工具，用于探索政治科学中的复杂现象。它不仅能够利用LLMs处理大量数据，还能模拟个体行为和互动，从而揭示隐藏的社会机制。与传统方法相比，ICSM方法更具灵活性和可扩展性，能够处理更复杂的研究问题。

关键设计：在模拟美国总统选举的实验中，关键设计包括：1) 选民建模：利用LLMs模拟不同选民的特征和偏好。2) 候选人建模：模拟候选人的政策立场和竞选策略。3) 选举过程模拟：模拟选民根据候选人的信息进行投票决策的过程。关键参数包括选民的政治倾向、候选人的支持率等。损失函数的设计旨在衡量模拟结果与真实选举结果之间的差异，并优化LLMs的模拟能力。

📊 实验亮点

通过模拟美国总统选举，ICSM方法展示了其在预测选举结果和揭示选民行为模式方面的潜力。该研究表明，ICSM方法能够整合定量和定性研究的优势，为社会科学研究提供更全面和深入的分析。具体性能数据未知，但研究强调了ICSM在平衡可解释性和可预测性方面的优势。

🎯 应用场景

该研究成果可应用于政治科学、社会学、传播学等领域，用于模拟和预测社会行为、评估政策影响、理解社会舆论形成机制等。ICSM方法能够为政策制定者提供更科学的决策依据，帮助他们更好地理解社会动态，并制定更有效的政策。

📄 摘要（原文）

The recent wave of artificial intelligence, epitomized by large language models (LLMs),has presented opportunities and challenges for methodological innovation in political science,sparking discussions on a potential paradigm shift in the social sciences. However, how can weunderstand the impact of LLMs on knowledge production and paradigm transformation in thesocial sciences from a comprehensive perspective that integrates technology and methodology? What are LLMs' specific applications and representative innovative methods in political scienceresearch? These questions, particularly from a practical methodological standpoint, remainunderexplored. This paper proposes the "Intelligent Computing Social Modeling" (ICSM) methodto address these issues by clarifying the critical mechanisms of LLMs. ICSM leverages thestrengths of LLMs in idea synthesis and action simulation, advancing intellectual exploration inpolitical science through "simulated social construction" and "simulation validation." Bysimulating the U.S. presidential election, this study empirically demonstrates the operationalpathways and methodological advantages of ICSM. By integrating traditional social scienceparadigms, ICSM not only enhances the quantitative paradigm's capability to apply big data toassess the impact of factors but also provides qualitative paradigms with evidence for socialmechanism discovery at the individual level, offering a powerful tool that balances interpretabilityand predictability in social science research. The findings suggest that LLMs will drivemethodological innovation in political science through integration and improvement rather thandirect substitution.