拿到一个有趣的社会科学题目后，你通常做的第一件事是什么？——打开数据库，输入关键词，找文献，拟一个研究问题，然后才开始盘算需要什么数据。这个流程在过去几十年里没什么问题，因为大多数社科研究依赖的数据形态相对固定：问卷、访谈文本、统计年鉴。但现在，AI可以帮你批量处理图像、音频、影像这些非结构化资料了，很多人的第一反应是“那我可以用AI分析社交媒体图片了”，然后直接跳到“我要研究网络表情包的情感表达”。这个顺序恰恰是选题的大忌。
如果你先定了一个研究问题，再回头去找有没有对应的图像或音频资料，大概率会遇到两种情况：要么你想要的资料根本不存在，要么存在但你不能合法获取。更常见的是，你发现手头只有100张图片，而你的研究问题需要10000张才能做统计推断。所以，一个更务实的思路是反过来：先盘点你能够合法、稳定、批量化获取的资料形态，再根据这些资料的特征倒推出它能回答什么问题。这个过程，就是把AI的能力当作选题的约束条件，而不是卖点。
资料形态决定了你能回答什么类型的问题
社会科学的研究问题，按认知深度大致可以分为三类：描述型、相关型和解释型。每一种问题对资料的要求是截然不同的。
描述型问题关心“是什么”和“怎么样”，比如“某城市街头广告中女性形象的占比变化”。这类问题只需要你有一批可分类的图像或音频资料，AI做标注的准确率足够高，样本量足够覆盖时间和空间维度，就能回答。门槛相对低，适合作为初探性研究。
相关型问题关心“A与B是否有关联”，比如“社区监控摄像头密度与居民安全感表达的情绪倾向之间是否有关系”。这要求你不仅有图像或音频资料，还需要有与之对应的结构化数据（比如问卷得分、统计指标），并且能建立匹配关系。AI在这里的角色是帮你从非结构化资料中提取出可量化的变量（比如从音频中提取语气情绪评分），然后你再用传统统计方法做相关分析。
解释型问题关心“为什么”，比如“为什么某些政策宣传视频在特定群体中引发了负面情绪”。这类问题对资料的要求最高：你需要能够纵向追踪的资料（比如同一群体在不同时间点的影像记录），或者能够形成对照组的多模态资料（比如不同地区对同一政策的不同视觉呈现）。AI可以帮你完成大规模的编码和分类，但因果推断的设计——如何排除混淆变量、如何建立时间顺序——仍然需要你从研究设计层面解决。
所以，当你面对一个可以批量处理图像和音频的AI工具时，第一步不是想“我要研究什么”，而是问自己三个问题：我手头或能获取的资料是什么形态？这些资料在时间、空间、群体上的覆盖范围有多大？我能从这些资料中提取出什么类型的变量？这三个问题的答案，直接决定了你的选题能落在描述、相关还是解释层面。
样本范围与编码规则：你必须交代清楚的两个核心
很多初学者在使用AI辅助处理多模态资料时，最容易犯的错误是以为只要把资料丢给工具，工具就能“自动”给出结论。事实远非如此。AI帮你做的是编码——把非结构化的图像、音频转化为结构化的类别或数值。但编码本身就是一个研究行为，你需要像交代问卷信效度一样，交代编码的样本范围和规则。
样本范围不是简单说“我分析了1000张微博图片”，而是要说明这1000张图片是怎么来的：是按关键词检索的全部结果，还是按时间抽样的子集？是否排除了某些类型的图片（如纯文字截图、广告图）？排除标准是什么？如果资料来自公开数据集，数据集的构建时间、标注方式、原始用途也需要交代。这些信息直接决定了你的研究发现能推广到什么范围。
编码规则是另一个需要下功夫的地方。AI工具可以给你一个分类结果，但你必须自己定义分类体系。比如你要分析政治演讲音频中的情绪，是分为“积极/消极/中性”三类，还是采用更细的“愤怒/悲伤/喜悦/恐惧”多类？每个类别的操作定义是什么？你如何确保不同编码者（或者人与AI之间）的一致性？这些规则不是AI帮你生成的，而是基于你的研究问题和理论框架事先设定的。
实际操作中，一个可行的做法是：先用小样本（比如50-100条资料）做预编码，让AI工具跑一遍，然后人工复核结果，调整分类体系和提示词，直到人机一致性达到可接受水平。这个过程需要记录下调整的次数、每次调整的原因、最终的一致性指标。在论文的方法部分，这些信息比“我们使用了XX工具”重要得多。
工具能力的边界：什么该交给AI，什么必须人工复核
当前AI工具在图像和音频处理上的能力确实在快速提升，但它的边界非常清晰：擅长模式识别和批量分类，不擅长理解语境和进行价值判断。
具体来说，AI可以很好地完成以下任务：识别图像中的物体、场景、文字；将音频转录为文字并进行初步的情感极性判断；对影像中的关键帧进行场景分类。这些任务的共同特点是——有相对明确的客观标准，分类边界清晰，错误率可控。
但以下这些任务，AI目前仍然不可靠，需要你亲自介入：判断图像中的讽刺或隐喻含义（比如一张“微笑”的照片可能是礼貌性的假笑）；理解音频中的文化特定表达（比如方言中的双关语）；对影像中的非言语互动进行高层级的社会学编码（比如“权力关系”或“亲密程度”）。这些任务涉及语境解读、文化背景和理论判断，AI缺乏这些。
一个实用的分工原则是：AI负责“第一遍筛选和初步编码”，你负责“抽样复核和异常值处理”。比如你处理10000张图片，AI先按你设定的分类体系全部编码，然后你按一定比例（比如10%）随机抽样，人工复核AI的分类结果。对于AI分类置信度较低的样本（很多工具会输出置信度分数），你需要全部人工复核。此外，任何涉及敏感内容或伦理判断的编码（比如识别暴力、歧视性内容），都不应该完全交给AI，必须有人工审核环节。
在论文中交代工具使用边界时，不要只写“我们使用了XX工具进行编码”，而要具体说明：工具在哪些环节承担了什么任务，人工复核的比例和标准是什么，人机不一致的样本如何处理。这些信息是审稿人判断你研究可信度的关键依据。
自我检查清单：你的选题是否真的可行
在正式启动研究之前，用下面几个问题对自己的选题做一次可行性检查。
第一，你计划分析的图像、音频或影像资料，是否已经确认了合法获取渠道？不要假设“网上有就能用”——很多社交媒体图片有版权限制，部分公开数据集的授权协议可能禁止用于特定类型的研究。如果资料涉及人脸、声音等个人信息，你还需确认是否满足伦理审查要求。
第二，你的资料样本量是否与你的研究问题匹配？描述型问题通常需要几百到几千条资料，相关型问题可能需要几千到上万条，解释型问题不仅需要量大，还需要有比较组或时间序列。如果手头只有几百条资料，却想做因果推断，那选题需要重新调整。
第三，你的编码方案是否已经在小样本上测试过？不要等到全部资料处理完才发现分类体系有漏洞。先跑一个预测试，看看AI的分类结果是否符合你的理论预期，看看人机一致性能否达到可接受水平（通常Kappa系数在0.7以上算良好）。
第四，你是否有足够的资源进行人工复核？AI帮你处理10000条资料可能只需要几小时，但人工复核其中的10%可能需要你投入几天甚至一周的时间。如果你的时间预算不允许，那就需要缩小样本量，或者调整研究问题使其对编码精度的要求降低。
最后，你的选题是否真的需要多模态资料？有些问题用传统的文本分析或问卷调查就能解决，硬要引入图像或音频反而增加了不必要的复杂度。只有当非结构化资料能提供文本无法捕捉的信息（比如视觉呈现、语音语调、空间布局）时，使用AI处理这些资料才有真正的价值。
回到最初的那个建议：把AI能批量处理多模态资料这件事，当作选题的约束条件，而不是卖点。先盘点你能拿到什么形态的资料，再反推它能回答什么问题。这个顺序看起来反直觉，但恰恰是让你避免在资料获取阶段就陷入困境的最有效方法。
