宣言：
实证研究中以人为本的AI

前言

我们致力于媒体环境的实证研究——从公众意见的定量内容分析、复杂电视广播节目的结构化，到定性文献分析和流行文化制品的考察。人工智能（AI），特别是大型语言模型（LLM）和多模态架构的整合，标志着我们研究方法在效率和深度上的质的飞跃。然而，我们不认为AI是研究人员的替代品，而是本着“延伸心灵理论”（Extended Mind Theory）的精神，将其视为我们的方法论义肢：它承担了海量数据的句法结构化工作，为科学的真正本质——人类专业知识——创造了认知空间。

基于这一信念，我们承诺遵守以下六项原则及由此衍生的操作指南。

第一部分：认识论责任的六项原则

1. 认识论主权：我们委托任务，从不委托意义

AI是概率和句法的专家；人类是意义（语义）和意图（语用）的专家。当AI调整编码方案或填补变量时，它提供的是统计建议。在研究背景下定义一个代码的“意义”，完全是人类项目负责人的责任。

2. AI作为延伸的心灵：通过自动化提升专业技能

我们使用AI支持的工具不是为了取代研究人员，而是为了将他们从机械劳动中解放出来。AI可以进行准备工作（预填）：结构化、建议、优化——但人类负责验证、深入分析和解释。

3. 保护异常现象：抵制统计主流

AI倾向于平滑数据并向统计均值收敛。然而，在公关和媒体研究中，最相关的洞察往往存在于偏差中（例如网络风暴、创新的框架、传记上的异常）。我们的研究人员承诺，主动寻找那些被算法作为“噪音”而丢弃或标准化的异常现象。

4. 语境落地：将数据真空翻译为社会现实

算法可以计算相关系数，AI助手可以为报告生成文本模块——但没有算法或AI助手能够知道这些对于所调查实体的社会、政治或历史现实意味着什么。将冰冷的数字反向翻译为涉及话语权、权力批判或公关战略的现实，是我们人类研究工作的核心。

5. 伦理研究设计：人类作为最终权威

实证社会研究是一种伦理行为。决定哪些数据源值得信任、哪些敏感的传记细节必须被谨慎处理，以及如何制定结果以确保其在方法论上健全并对社会负责，这些都是无法通过计算得出的。人类研究员始终是每个项目的伦理守护者。

6. 研究设计的首要性：由人类认知兴趣发起

AI的使用绝不能由AI自行发起，也不应仅受其技术能力的驱使。任何最初的整合——无论是通过提示词(Prompts)、RAG系统还是智能体——都必须完全源于研究人员的研究兴趣和调查设计。AI不应为了使用而使用，也不应主要出于经济或纯技术动机，而必须始终伴随着科学意识，作为一种有针对性的方法论工具。

第二部分：日常研究操作指南（操作守则）

为了将这些原则扎根于日常研究中，严格的“人类介入”（Human-in-the-Loop, HITL）准则适用于我们项目的所有阶段（从准备到报告）。

A. 编码方案与研究设计的调整

• AI的使用： 我们利用AI来提取现有文档，对其进行结构化，并使其适应研究问题。AI是一种补充而不是取代人类专业知识的工具。
• 人类专业知识（审查）： 由AI生成或调整的文档（如编码方案或报告）绝不能未经检查就投入使用。高级研究员必须验证定义的理论基础，并使类别适应当前研究兴趣的具体情境。

B. 数据收集、编码和结构化

• AI的使用： 多模态模型负责非结构化数据的初步结构化。这包括：电视/广播的转录，自动生成屏幕截图并聚类，以及为编码模板提供“预填”内容。
• 人类专业知识（审查）：
  • 显性变量与隐性变量： 显性变量（例如片段长度、广播频道）在通过可靠性测试后，可由AI完全填写。
  • 潜在的解释性变量（例如反讽、政治框架、情感色调）仅由AI建议（预填）。人类编码员必须审查这些建议，进行批判性评估并在必要时修改，最后予以批准。
  • 转录质量的控制由受过培训的研究人员进行抽样检查，以防止关于方言或专业术语的系统性偏差。

C. 分析、评估与报告

• AI的使用： 成熟的统计算法可以创建初始数据分布，计算相关性并测试显著性。AI随后可以做出初步的解释性评估。LLM用于起草最终报告的某些段落（例如描述性总结）。
• 人类专业知识（审查）：
  • 检验因果关系： AI通过统计分析发现相关性。研究人员必须验证因果关系。未经人类确认其方法论和逻辑有效性的统计相关性，不得被纳入报告。
  • 编辑权威： AI的文本建议只是写作辅助，而不是最终真理。为客户提供的战略建议、结论的细微差别以及具体的措辞，都必须由人类团队撰写。
  • 最终的报告承载着研究作者的签名、直觉和情境知识。

最终条款

我们将自己视为混合研究方法的先驱。通过透明且基于规则地使用AI，我们最大化了分析的广度和速度。通过强制性且方法论上根深蒂固的人类审查过程，我们保证了研究结果的科学深度、有效性和社会相关性。