摘要

机器学习作为一种自主探索工具，已在人文社会科学领域展现出强大潜力，能够从海量数据中发现隐含模式并生成可解释模型。本文综述了机器学习在数字人文、历史分析和社会行为研究中的应用，通过案例研究探讨其自主性如何推动研究创新，同时分析伦理挑战。¹²

引言

人文社会科学研究传统上依赖定性分析和有限样本，但数据爆炸时代要求更高效的工具。 机器学习通过自主学习算法，如无监督聚类和强化学习，能够独立探索复杂问题，例如文本挖掘中的文化模式识别。 本文聚焦机器学习在人文社科中的自主探索，强调其从数据驱动到知识生成的转变。³⁴⁵

机器学习的自主性体现在其无需人工预定义规则即可从数据中提取洞见，这在社会科学中特别适用于动态社会现象的建模。 例如，神经符号方法可自动发现社会数据中的非线性关系，促进从参数模型向符号模型的过渡。 然而，这一过程需平衡解释性和准确性，以避免黑箱风险。⁶⁷⁵

文献综述

现有文献显示，机器学习已广泛应用于数字人文领域，如自然语言处理（NLP）用于文学文本分析。 一项综述指出，AI技术在人文科学中发展迅速，包括图像分类和文档恢复，支持大规模文化遗产研究。 在社会科学中，可解释机器学习（Interpretable ML）成为焦点，用于揭示政治文本中的潜在偏见。²¹⁶

研究强调，机器学习从监督学习转向自主范式，如符号回归，用于发现社会科学中的定量模型。 例如，OccamNet架构通过复杂度正则化，从面板数据中推断微分方程，捕捉经济和集体行动的动态。 此外，数字人文项目中，机器学习工具如大型语言模型（LLM）用于跨语言信息检索，但需注意殖民遗留偏见。⁸⁵

文献还探讨伦理问题，AI在人文中的应用可能强化西方认识论，边缘化非西方视角。 案例如Slave Voyages数据库，使用ML分析奴隶贸易数据，但需社区驱动治理以确保公平。 总体上，这些研究呼吁AI素养提升，以透明化黑箱系统。⁹⁸

机器学习在人文社科中的应用

在数字人文领域，机器学习自主探索文本和图像数据，支持文献分类和视觉内容组织。 例如，计算机视觉技术用于数字图书馆的图像分析，提高档案可及性。 这允许研究者从海量收藏中自动提取模式，而非手动标注。²³

社会科学应用中，转移学习适应小样本数据集，如劳动力经济学中的职业轨迹分析。 通过NLP模型，机器学习估计历史调整性别工资差距，揭示非线性社会动态。 自主探索体现在贝叶斯矩阵分解，用于从政治文本中推断理想点模型，量化政治立场。⁶

此外，生成AI在文化遗产中用于元数据生成和手写材料转录，促进未编目收藏的数字化。 这些应用扩展了人文研究的边界，从描述性分析到预测性洞见。⁴¹⁰

自主探索机制

机器学习的自主性通过无监督和半监督方法实现，如聚类算法发现社会科学数据中的隐含结构。 在历史研究中，LLM用于生成假设，探索社会媒体档案中的集体行为。 符号回归进一步自动化模型发现，生成可测试的微分方程描述社会现象。⁵¹¹⁹

例如，在经济学中，AI辅助发现增长模型的非线性形式，超越传统线性回归。 这促进了从演绎到归纳推理的转变，支持跨学科协作。⁴⁵

案例研究

政治科学中的文本理想点模型

在政治科学中，文本理想点模型结合贝叶斯因子分解，从国会辩论文本中自主推断政治位置。 该模型处理序列数据，解释黑箱预测，揭示议员意识形态的动态变化。 结果显示，非线性模式捕捉了政策演变，支持因果推断。⁶

劳动力经济学中的职业轨迹分析

转移学习应用于小样本调查数据，分析职业路径并估计性别工资差距。 模型从NLP适应，自主识别历史因素的影响，如中断事件对工资的累积效应。 这揭示了传统参数方法忽略的模式，促进公平政策制定。⁶

数字人文中的奴隶贸易数据库

Slave Voyages数据库使用ML分析历史记录，自主探索奴隶贸易网络。 尽管面临数据偏见，该方法通过社区参与生成包容性洞见，推动去殖民化研究。 类似地，原住民语言保存项目运用深度学习恢复濒危文本。⁸²

这些案例证明，机器学习自主探索加速人文社科发现，但需伦理框架。¹²

讨论

机器学习自主探索的优势在于处理复杂、非结构化数据，如社会科学中的网络效应。 然而，挑战包括算法偏见，可能放大历史不公。 建议采用负责任AI系统，确保透明度和多样性数据治理。¹¹²⁸

在人文领域，AI促进跨文化分析，但需整合替代认识论。 未来，AI素养培训将提升研究者对黑箱的理解，支持混合方法。 总体上，这一范式重塑人文社科，从被动分析到主动发现。⁷⁹⁸

伦理与局限性

偏见检测工具如公平性审计是必需的，以缓解ML在社会科学中的歧视风险。 小数据集的泛化问题可通过集成学习缓解，但解释性仍是核心。 此外，知识产权和学术诚信需通过社区规范维护。¹²⁶

结论

机器学习在人文社科中的自主探索标志着研究范式的转变，提供数据驱动的创新工具。 通过可解释模型和伦理实践，这一领域可实现更公平的知识生产。 未来研究应聚焦多模态集成，推动全球协作。^{1354
14151617181920}

---

1. https://www.sciencedirect.com/science/article/pii/S2212054823000334 ↩︎ ↩︎

2. https://www.frontiersin.org/research-topics/58986/machine-learning-applications-for-digital-humanitiesundefined ↩︎ ↩︎ ↩︎ ↩︎ ↩︎

3. https://ecampusontario.pressbooks.pub/nudh2/chapter/machine-learning-in-the-digital-humanities/ ↩︎ ↩︎

4. https://www.annualreviews.org/content/journals/10.1146/annurev-polisci-053119-015921 ↩︎ ↩︎ ↩︎ ↩︎

5. https://www.nature.com/articles/s41599-025-04405-x ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎

6. https://academiccommons.columbia.edu/doi/10.7916/g768-8753 ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎

7. https://mimno.infosci.cornell.edu/papers/thompson2023hcml.pdf ↩︎ ↩︎

8. https://sciety.org/articles/activity/10.20944/preprints202502.1823.v1 ↩︎ ↩︎ ↩︎ ↩︎ ↩︎

9. https://www.dariah.eu/2025/09/25/the-future-is-about-improving-ai-literacy-understanding-these-black-box-systems-and-making-them-transparent-interview-with-sally-chambers/ ↩︎ ↩︎ ↩︎

10. https://www.clir.org/2024/10/ai-meets-archives-the-future-of-machine-learning-in-cultural-heritage/ ↩︎

11. https://pmc.ncbi.nlm.nih.gov/articles/PMC10893965/ ↩︎ ↩︎

12. https://oarc.ucla.edu/events/introduction-aimlllm-humanities-and-social-science ↩︎ ↩︎

13. https://academic.oup.com/dsh/article/38/3/1267/7078540 ↩︎

14. https://latex-ninja.com/2020/10/25/machine-learning-for-the-humanities-a-very-short-introduction-and-a-not-so-short-reflection/ ↩︎

15. https://cdh.princeton.edu/news/2022/05/11/milestones-at-the-machine-learning-humanities-working-group/ ↩︎

16. https://n8cir.org.uk/case-studies/digital-humanities/ ↩︎

17. https://guides.library.yale.edu/dh/machinelearning ↩︎

18. https://www.sciencedirect.com/science/article/pii/S0040162524004256 ↩︎

19. https://www.emerald.com/dts/article/4/1/90/1244143/Digital-humanities-in-US-academic-libraries-case ↩︎

20. https://arxiv.org/abs/2405.06760 ↩︎