# AI4SS-intro

**Repository Path**: likefallwind/ai4-ss-intro

## Basic Information

- **Project Name**: AI4SS-intro
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-05-13
- **Last Updated**: 2026-05-14

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 大模型与计算社会科学前沿

![课程封面](cover.png)

## 课程简介

本课程面向具备基础深度学习知识、希望拓展大模型应用研究视野的博士生。课程以 8 学时短课形式展开，主线为“技术认知启蒙 -> 学科交叉赋能 -> 伦理与价值规范”。

课程不把 LLM 仅作为聊天工具介绍，而是围绕人文社科研究中的真实工作流，讲解如何把大语言模型用于文本分析、教育反馈、数字人文、政策与金融文本、以人为本的人机协作、多智能体社会模拟，以及安全伦理和期末研究方案设计。

## 目标受众

- 具备基础机器学习或深度学习知识的博士生。
- 希望理解 LLM 如何作为研究工具、交互对象和社会模拟基础设施的学习者。
- 有人文社科、教育、经济金融、数字人文或计算社会科学研究兴趣的学生。

## 学习目标

完成课程后，学生应能够：

- 解释 LLM 的基础技术机制、能力来源和使用边界。
- 将开放式人文社科研究问题拆解为可执行、可复核的 LLM 工作流。
- 为文本分析、教育评阅、长文本证据分析、政策信号抽取和社会模拟设计轻量项目方案。
- 识别 LLM 应用中的幻觉、偏见、隐私、越权自动化和透明记录问题。
- 写出一份 short paper 风格的 LLM + 人文社科研究应用方案。

## 课程目录

| 课次 | 主题 | 项目任务 |
| --- | --- | --- |
| 第 1 节 | 从 Transformer 到 LLM 智能体 | 设计研究助理智能体蓝图 |
| 第 2 节 | LLM 作为计算社会科学研究工具 | 设计社会议题短文本编码手册与提示词 |
| 第 3 节 | 教育智能中的备课、学习反馈与考评 | 设计开放题 rubric 与轻量评阅流程 |
| 第 4 节 | 数字人文与长文本证据分析 | 构建长文本证据表 |
| 第 5 节 | 经济金融与政策文本中的信号抽取 | 构建政策或财经短文本信号表 |
| 第 6 节 | 以人为本的大模型与人机协作研究 | 设计人机协作 A/B 实验 |
| 第 7 节 | 多智能体社会模拟与社会系统建模 | 设计小型政策扩散或群体协商模拟 |
| 第 8 节 | AI 安全、算法偏见与期末研究方案 | 完成项目红队测试与 short paper 方案 |

## 文件结构

每节课包含三份核心材料：

- `outline.md`：本节概要，适合课前快速浏览。
- `handout.md`：详细讲义，解释核心概念和研究使用原则。
- `project.md`：课堂项目任务、模板和验收标准。
- `case.md`：配套项目案例，包含材料样例、参考产出片段和课堂讨论点。

目录示例：

```text
lesson1/
├── outline.md
├── handout.md
├── project.md
└── case.md
```

## 使用建议

建议每节课按以下顺序使用：

1. 课前阅读 `outline.md`，建立本节认知地图。
2. 课堂讲授以 `handout.md` 为主，结合论文案例或材料样例讨论。
3. 课堂后半段或课后完成 `project.md`，提交模板化产物。
4. 每个项目都保留提示词、材料来源、模型输出、人工复核和修改记录。

## 期末产出

学生需完成一份 LLM + 人文社科研究 short paper 风格应用方案，包含：

- 研究背景与研究问题。
- 数据或材料来源。
- LLM 参与的具体环节。
- 方法设计和评价标准。
- 预期发现、局限与伦理风险。
- AI 工具使用说明。
- 必要的提示词、模板、日志或代码材料。

## 环境说明

本课程核心材料不依赖特定 API 或商业模型。课堂项目优先采用“工作流设计 + 可复核模板”的形式。若教师希望扩展为真实模型实验，可在保证数据合规、隐私保护和人工复核的前提下，自行接入可用的 LLM 服务或本地模型。