大数据和调查数据结合，产生了一种理论视角下新的研究范式。芝加哥大学社会学系James A. Evans首先阐释计算社会科学使用计算机来生成数据、发现其中的模式和规律，或生成和检验解释（explanations）。他勾勒出了社会计算的愿景，结合其研究内容及计算社会科学领域最新研究阐述了如何利用数据计算来理解社会，分析复杂、动态、自适应的社会系统以及人机交互的过程中何以形成更为强大的智能。

 

大数据时代大量基于网络、社交媒体、人工智能、传感器等产生的实时电子印记数据，从网络上的集体活动、社交媒体、即时通信到在线交易、政府情报和数字化图书馆，越来越多的社会生活留在电子文本中。研究者可以从中发现现象、寻求解释因素、进行社会计算，以前所未有的广度、深度和规模利用、收集和分析数据。参会者针对各自研究领域，所使用的大数据涵盖了社交网络、维基百科、Github网站数据分析、组织中员工社交数据、微博数据、社会经济相关的电子印记数据等。当这些大数据结合社会科学传统的定性、定量调查，新的研究范式应运而生。采用传统调查方法收集局部、及时的扎根真相，将社会科学的问题意识、扎根真相与现有的大数据相结合形成预测模型，从而在更易获得的相同的大数据维度下进行推论。扎根真相和大数据的结合为数据挖掘、理论建模以及预测算法构建的三角间往复对话提供了可能，一方面使理论不断改善，另一方面使预测算法更加精确，进而可以推论并解释更多现象。这种研究范式的推理过程采用的是Charles Sanders Pierce提出的溯因推理（abduction），而不仅仅是归纳（induction）和演绎（deduction），是一种开始于事实、想象的集合，并推导出其最佳解释的推理过程。与计算社会科学研究中首先基于数据和理论双驱动，在大数据挖掘出有趣的现象，然后结合理论来预测或模拟推导其解释的过程不谋而合。抽样方式也从原来的全样本的随机抽样（random sampling）转变为最适化抽样（optimized sampling），即局部抽样建立预测模型，不断使得预测模型与理论对话，使得预测模型逼近最优，最终采用相同的大数据预测因子输入预测模型中进行推论。

 

目前社会计算领域同时致力于开发和改进一些算法来解决社会计算的问题，其中包括机器学习、数据挖掘、网络分析、自然语言处理、深度学习等内容分析、数据挖掘和预测模型建立。

 

北京师范大学系统科学学院的张江、樊瑛分别分析了复杂系统当中运用简单规则建模和运用深度学习建模各自的利弊,并展示了其团队关于用于网络重构和动态学习的深度学习框架的研究。清华大学计算机系的刘知远改进自然语言分析技术和图神经网络算法，可以应用于推荐、预测等多个领域。复旦大学计算机学院陈阳副教授使用深度学习检测在线开发者社区中的恶意账户，其他学者也多使用大数据集成的机器学习算法等进行预测，同时不乏结合回归模型来进行理论的验证和探究。模型和方法的改进可更好地挖掘数据中的价值，也使得社会预测的准确率更高，为一些社会现象提供了更加微观或中层的模式（pattern）和规律的解释路径，从而可以建构并逐步完善社会科学理论。

 

在大数据和社会科学结合中，社会科学调查发挥了确立问题意识以及提供扎根真相的作用，理论为大数据开启了很多新议题，为构建的预测模型赋予更具推论性的价值，因为只有形成理论才可以在不同领域、时间、空间的条件下进行推论。

 

依照以上方法论和技术的创新，学者们在不同领域进行了研究，范围广泛，内容多样。其中清华大学社会学系罗家德试图探讨中国人的人脉圈层到底可以划分为几层。在开展调查收集到用户之间的关系强度的扎根真相后，找到这些用户在社交软件中留下的互动的印记数据并整理出指标，结合扎根真相训练建立分类模型，不断寻找准确率最高的划分方式，从而得到合适的圈层划分方式，让这种研究对象在一定的情境（context）变得可被测量，这就体现了大数据和调查数据的相互对话的价值。电子科技大学周涛利用学生生活和学习活动的实时记录，开展数据驱动的关于智能教育的研究。清华大学孟天广利用大数据，关注中国共产党党员的入党问题。清华大学苏毓淞主要关注中国审查制度的纵向战略，即利用微博数据来观察政府对于舆论的审查等。

 

丰富的研究问题为社会计算的发展注入了活力。目前，不管是在研究问题、算法模型还是理论与数据挖掘、预测模型的结合中，还均处于不断探索当中。理论、数据挖掘与预测模型的不断对话将会推动更多理论的验证、修正，或是新的理论的发现，同时使得研究动态的个体、个体间的关系和互动、从小团体的结构变化到宏观的网络的变化，从而如何涌现出集体行动（如重大创新、社会运动、革命爆发等）和复杂社会系统的非常态演化（如金融风暴、景气突转、社会变迁）成为可能。