尽管人工智能为社会科学研究带来了数据规模、分析效率和复杂建模的革命性突破，但传统社会科学研究方法（如问卷调查、深度访谈、田野观察、实验法等）在理论建构、挖掘情感要素、规避伦理风险与内在因果推导等方面不可或缺。

　　第一，传统社会科学研究方法的理论先导范式与AI数据驱动模式存在本质区别。传统方法重理论先导，即研究者依既有理论提假设，再用数据验证，如阿希实验，借控制变量验证“群体压力→从众行为”因果链，构建解释机制。而AI“数据驱动”则依赖相关性挖掘，往往推出背离现实的归因模型。这种因缺乏理论校准导致的效度坍塌，正是纯数据驱动范式在社会科学应用中的关键缺陷。传统社会科学研究方法的底层因果推断逻辑难以替代。可以想象的是，如果社会科学研究方法过于依赖大数据驱动，很可能会造成理论增长的枯竭。

　　第二，传统社会科学研究方法在理解“人”的主体性与复杂性等方面难以替代。人类行为深受政治、经济、文化、历史、情感等复杂因素影响，主观意义很难被结构化数据完全捕捉。譬如，通过深度访谈或民族志，能深入理解“贫困”在不同文化中的定义差异。AI仅依收入数据划分贫困线，易忽略本土化认知。传统方法还擅长从少数典型案例提炼理论，AI依赖大样本，可能忽视边缘群体或特殊情境。在研究少数族裔身份认同，小样本质性研究往往比大数据分析更具解释力。

　　第三，传统社会科学研究方法可以纠正AI的数据偏见、伦理风险与语境缺失的问题。AI模型训练数据易藏社会偏见，如性别、年龄、种族等偏见，融入算法会使预测结果产生错误导向。传统研究可以通过代表性抽样调研，选取多元群体样本，为研究构建更均衡且公正的数据基础，有效降低AI模型的潜在偏见。此外，面对伦理敏感场景，传统的面对面访谈能借助现场互动捕捉受访者情绪变化，提高文化敏感性，进而调节访谈的节奏和内容，避免二次创伤。参与式观察还能深入研究对象所处环境，尊重其文化背景与个体特性，遵循伦理准则，彰显人文关怀。

　　第四，传统社会科学研究方法与AI技术的结合可形成方法论互补。譬如，操作层面，研究者可用自然语言处理技术分析大量访谈文本的情绪倾向，结合人工编码解读语境中的矛盾表达；或利用AI算法识别经济衰退中的高风险群体特征，再通过焦点小组讨论探究其行为决策逻辑。认识论层面，过度依赖AI会带来“技术黑箱化”风险，研究者可能丧失对数据生成的批判性反思。传统研究方法强调研究设计的透明性，可为AI分析结果的可信度提供验证性的补充。

　　总而言之，在AI技术盛行的时代，我们不仅仅要谨慎探究人工智能技术对社会科学研究的增益和变革，也要坚守传统社会科学研究方法的价值和优势：作为理论引擎，突破数据拟合局限，提出真问题与创造新理论；作为伦理锚点，坚持人本关怀，守护伦理实践；作为方法基准，与AI协同互嵌，构建出更为全面且具解释力的研究范式。未来社会科学的突破，可能不在于“传统”与“AI”的竞争，而在于两者的创造性结合。

　　（常青松，厦门大学社会与人类学院副教授；龙希，厦门大学社会与人类学院博士研究生）