虽然许多ML工具对社会学来说是很新的,但它们解决的问题并不是。下面,我们将讨论ML如何解决我们领域中一些长期存在的问题,并为未来的研究指明有希望的方向。
1.有监督的机器学习帮助我们脱离一般的线性现实
在数量社会学中,我们通常遵循经典的统计方法:假设数据的分布,选择一些输入,并指定一个参数(通常是线性)模型来将输入与输出联系起来(Breiman, 2001)。我们考虑了一些替代规范(例如,逐步引入控制的嵌套模型),但没有用尽所有可能(Varian ,2014),也没有充分考虑模型的不确定性(Young, 2009)。
2.机器学习允许我们研究种群异质性
定量社会学通常采用演绎的方法,研究者从一个理论中得出假设来检验数据。这种方法受到经典物理学的启发,可以起到限制我们提出问题和使用方法的作用(Lieberson&Lynn,2002)。为了使我们的工作符合假设检验的模式,我们将社会理论扁平化为几个变量,并估计每个变量在特定人群中的平均效应。我们忽略了不同的机制可能同时起作用的可能性。我们排除了先验解释中的异质性。
3.机器学习为探索和发现提供了工具
在数量社会学中,我们主要从事探索性的工作,而把它寄托在假设检验的语言中。我们经常使用灵活的研究设计和统计模型,直到我们学到了一些新的有趣的东西,但呈现我们的结果,就好像我们确认了一个我们一直都知道的假设。我们给读者的是论证的语境,而不是发现的语境。这种做法使我们很难教学生研究设计或鼓励创造性理论。