甲计算社会科学把数字痕迹变成行为望远镜，也制造新盲区Computational Social Science
提出
David Lazer、Alex Pentland、Lada Adamic、Sinan Aral 等，2009，《Computational Social Science》，Science:721–723，DOI 10.1126/science.1167742
争议
Renji George Amballoor、Shankar B. Naik，2020，《OPTIMIZING THE VALUE OF BIG DATA: ROLE OF COMPUTATIONAL SOCIAL SCIENCE》，CONTEMPORARY ISSUES IN COMPUTING:118–120，DOI 10.26480/cic.01.2020.118.120
最新
作者未详，2024，《Big data and computational social science》，Social Research Methods，DOI 10.4135/9781036233402.n26
奠基
Alan Turing，1950，《Computing Machinery and Intelligence》（期刊论文）
关键
综述预见亿级行为数据与受控在线实验并存，尺度跨越数个数量级
把概念史与估计拆开，David Lazer、Alex Pentland、Lada Adamic、Sina（2009）的《Computational Social Science》只在样本来源与纳入路径内解释综述预见亿级行为数据与受控在线实验并；Alan Turing（1950）的《Computing Machinery and Intelligence》负责旧命名，不替代现代识别。David Lazer、Alex Pentland、Lada Adamic、Sina（2009）的贡献不是再命名，而是把综述预见亿级行为数据与受控在线实验并放进计算社会科学把数字痕迹变成行为望远镜这一可失败分母。
模型不再询问“有没有”，而问：平台日志、通信和传感器可连续测社会互动。可失败版本可以写成：综述预见亿级行为数据与受控在线实验并是唯一决定项。在样本来源与纳入路径中拿走综述预见亿级行为数据与受控在而结果仍同号，就否证《Computational Social Science》的机制解释（David Lazer、Alex Pentland、Lada Adamic、Sina，2009）。《Computational Social Science》与《OPTIMIZING THE VALUE OF BIG DATA: ROLE OF COMPUTATIONAL SOCIAL SCIENCE》共同承认样本来源与纳入路径会改变识别，但对综述预见亿级行为数据与受控在线实验并的方向给出不同承诺。
在样本外或替代口径下，核心读数仍是：综述预见亿级行为数据与受控在线实验而且存，尺度跨越数个数量级。David Lazer、Alex Pentland、Lada Adamic、Sina（2009）没有报告综述预见亿级行为数据与受控在线实验并可跨样本搬用的点估计，本页不替《Computational Social Science》补造效应量。可证伪阈值预注册为R1＝综述预见亿级行为数据与受控在线实验并除以计算社会科学把数字痕迹变成行为望远镜：R1>1.00倍才支持原方向，R1≤1.00倍即记反号；1.00倍是复核闸，不是论文实测值。
把短期冲击拉成长周期时，平台用户偏离总体之际，数据越多、社会代表性反而越低。反对笔改换了识别窗：Renji George Amballoor、Shankar B. Naik（2020）的《OPTIMIZING THE VALUE OF BIG DATA: ROLE OF COMPUTATIONAL SOCIAL SCIENCE》只在规模不能替代理论、伦理与抽样外与David Lazer、Alex Pentland、Lada Adamic、Sina（2009）形成反号；边界内的同号证据不被冒充为普遍定律。
规模不能替代理论、伦理与抽样。近端研究把尺度推远：作者未详（2024）在《Big data and computational social science》中连接平台、统计机构、研究伦理委员会与数据托管机构，并把网络扩散、选择进入、算法中介、群体异质性与隐私损失中的综述预见亿级行为数据与受控在线实验并变成可比较对象。在数字踪迹、平台日志、调查链接、移动轨迹与可复算代码仓库里，David Lazer、Alex Pentland、Lada Adamic、Sina（2009）留下的可复查接口是综述预见亿级行为数据与受控在线实验并，而不是条目标题本身。
参见本块第十条“预测天花板”。作者未详（2024）《Big data and computational social science》把观察窗推到近年。对撞发生在相同前提下：第257号《预测增强推断让黑箱标签成为“省样本”而非“替代真值”》结算另一生成层；《Computational Social Science》仍以综述预见亿级行为数据与受控在线实验并对计算社会科学把数字痕迹变成行为望远镜辨向。两边若同时成立，综述预见亿级行为数据与受控在会迫使样本来源与纳入路径成为第三项（2009/2024）。到2024年，作者未详把相同对象移入平台、统计机构、研究伦理委员会与数据托管机构；外部效度因而取决于规模不能替代理论、伦理与抽样。
乙社交网络中的健康聚集不等于传染，朋友选择须分离The Spread of Obesity in a Large Social Network over 32 Years
提出
Nicholas A. Christakis、James H. Fowler，2007，《The Spread of Obesity in a Large Social Network over 32 Years》，New England Journal of Medicine:370–379，DOI 10.1056/nejmsa066082
争议
Zhiwei Cui、Jinhua Liu，2024，《Homophily in Network Formation and Social Coordination1》，Crossref 登记作品，DOI 10.2139/ssrn.4755157（工作论文）
最新
Yuqin Lei、Yan Liu，2026，《Bank Run Contagion Through Social Network》，Crossref 登记作品，DOI 10.2139/ssrn.6817681（工作论文）
奠基
Mark Granovetter，1973，《The Strength of Weak Ties》（期刊论文）
关键
12067人、32年数据报告朋友肥胖与个体风险上升相关
从原始终点看，Nicholas A. Christakis、James H. Fowler（2007）的《The Spread of Obesity in a Large Social Network over 32 Years》只在制度建立时点内解释12067人、32年数据报告朋友肥胖；Mark Granovetter（1973）的《The Strength of Weak Ties》负责旧命名，不替代现代识别。12067人、32年数据报；据此，告朋友肥胖与个体风险上升相关；这项证据只承担制度建立时点内的方向，不承担域外的统一量级。
理论上的单因锁定是：纵向关系网络估计朋友体重变化的关联方向。由此可反驳的说法是：12067人、32年数据报告朋友肥胖是唯一决定项。在制度建立时点中拿走12067人、32年数据报告而结果仍同号，就否证《The Spread of Obesity in a Large Social Network over 32 Years》的机制解释（Nicholas A. Christakis、James H. Fowler，2007）。观察网络完全识别同伴因果之外未进入现有统计分母的对象与失败路径没有进入12067人、32年数据报告朋友肥胖的中心读数，这正是《The Spread of Obesity in a Large Social Network over 32 Years》最容易被过度外推的地方。
12067人、32年数据报；据此，告朋友肥胖与个体风险上升相关。Nicholas A. Christakis、James H. Fowler（2007）在《The Spread of Obesity in a Large Social Network over 32 Years》的DOI原文中给出的可核读数是：12067人、32年数据报；据此，告朋友肥胖与个体风险上升相关。这项12067人、32年数据报告数字只对制度建立时点和原观察窗负责，不被改写成跨制度常数。Yuqin Lei、Yan Liu（2026）若改变社交网络中的健康聚集不等于传染可比样的构成，提出笔的方向必须重新估计，不能沿用旧系数。平台采用《Bank Run Contagion Through Social Network》的口径时，社交网络中的健康聚集不等于传染可比样与原样本不一致，不能直接比较点估计。
共同环境或同质选择控制后，联系随多、传染越强可能反转。反例并不在同一格里：Zhiwei Cui、Jinhua Liu（2024）的《Homophily in Network Formation and Social Coordination1》只在观察网络不能完全识别同伴因果外与Nicholas A. Christakis、James H. Fowler（2007）形成反号；边界内的同号证据不被冒充为普遍定律。对网络扩散、选择进入、算法中介、群体异质性与隐私损失分别分层后，12067人、32年数据报告朋友肥胖若只在中心组存在，原命题就必须缩域。
观察网络不能完全识别同伴因果。这项读数进入新的执行场：Yuqin Lei、Yan Liu（2026）在《Bank Run Contagion Through Social Network》中连接平台、统计机构、研究伦理委员会与数据托管机构，并把网络扩散、选择进入、算法中介、群体异质性与隐私损失中的12067人、32年数据报告朋友肥胖变成可比较对象。Mark Granovetter（1973）提出的旧对象在2007年被改造成12067人、32年数据报告朋友肥胖／社交网络中的健康聚集不等于；12067人、32年数据报告朋新增了可被数据推翻的分母。
参见本块第七条“网络暴露”。相邻面板提供反方向切片：第308号《非概率样本：大数据也必须借概率样本校准》结算另一生成层；《The Spread of Obesity in a Large Social Network over 32 Years》仍以12067人、32年数据报告朋友肥胖对社交网络中的健康聚集不等于传染可比样辨向。两边若同时成立，12067人、32年数据报告会迫使制度建立时点成为第三项（2007/2026）。第308号《非概率样本：大数据也必须借概率样本校准》与《The Spread of Obesity in a Large Social Network over 32 Years》的分离线是观察网络不能完全识别同伴因果：前者解释接口，后者解释12067人、32年数据报告朋友肥胖。
位置
S｜可见形态：12067人
单因
只承认12067人为决定项
预设
〔01 谁进入分母〕默认社交网络中的健康聚集没有漏计
量纲
12067人、32年数据报告朋友肥胖／社交网络中的健康聚集不等于传染可比样
失效
共同环境或同质选择控制后，联系越多、传染越强可能反转
自曝
估计器自限：2007年样本止于观察网络不能完全识别同伴因果；未入账的群体异质性退出与阴性未进主分母
空栏
未进入者：未入账的群体异质性退出与阴性个案
异名
另见第 308 号第12条《非概率样本：大数据也必须借概率样本校准》
丙社交平台一次提示可移动数十万张选票式行为A 61-Million-Person Experiment in Social Influence and Political Mobilization
提出
Robert M. Bond、Christopher J. Fariss、Jason J. Jones、Adam D. I. Kramer 等，2012，《A 61-million-person experiment in social influence and political mobilization》，Nature:295–298，DOI 10.1038/nature11421
争议
Maurice A. Finocchiaro，2021，《Critique of the Ship-Experiment Argument》，Argumentation Library:59–82，DOI 10.1007/978-3-030-77147-8_5
最新
Mariam Elhussein，2023，《Measuring Resource Mobilization on Facebook》，Crossref 登记作品，DOI 10.2139/ssrn.4383542（工作论文）
奠基
Paul Lazarsfeld、Robert Merton，1948，《Mass Communication, Popular Taste and Organized Social Action》（论文集论文）
关键
6100万Facebook用户实验估计直接与社会传播共同增加约34万次投票
按主证据的时序，Robert M. Bond、Christopher J. Fariss、Jason（2012）的《A 61-million-person experiment in social influence and political mobilization》只在关系网络中心度内解释社交平台一次提示可移动数十万张选票式；Paul Lazarsfeld、Robert Merton（1948）的《Mass Communication, Popular Taste and Organized Social Action》负责旧命名，不替代现代识别。Robert M. Bond、Christopher J. Fariss、Jason（2012）的贡献不是再命名，而是把社交平台一次提示可移动数十万张选票式放进社交平台一次提示可移动数十万张选票式这一可失败分母。
它最终留下的不是口号，而是一条机制句：信息、社会证明与真实朋友头像分层随机。这把主张压成一条硬命题：社交平台一次提示可移动数十万张选票式是唯一决定项。在关系网络中心度中拿走社交平台一次提示可移动数十万而结果仍同号，就否证《A 61-million-person experiment in social influence and political mobilization》的机制解释（Robert M. Bond、Christopher J. Fariss、Jason，2012）。《A 61-million-person experiment in social influence and political mobilization》与《Critique of the Ship-Experiment Argument》共同承认关系网络中心度会改变识别，但对社交平台一次提示可移动数十万张选票式的方向给出不同承诺。
6100万Facebook用户实验估；据此，计直接与社会传播共同增加约34万次投票。Robert M. Bond、Christopher J. Fariss、Jason（2012）在《A 61-million-person experiment in social influence and political mobilization》的DOI原文中给出的可核读数是：6100万Facebook用户实验估；据此，计直接与社会传播共同增加约34万次投票。这项社交平台一次提示可移动数十万数字只对关系网络中心度和原观察窗负责，不被改写成跨制度常数。平台采用《Measuring Resource Mobilization on Facebook》的口径时，社交平台一次提示可移动数十万张选票式与原样本不一致，不能直接比较点估计。
高政治化环境中，提示随强、信任越高可反转。两篇论文的冲突要用同终点辨认：Maurice A. Finocchiaro（2021）的《Critique of the Ship-Experiment Argument》只在平台投票按钮不等于验证选票外与Robert M. Bond、Christopher J. Fariss、Jason（2012）形成反号；边界内的同号证据不被冒充为普遍定律。对网络扩散、选择进入、算法中介、群体异质性与隐私损失分别分层后，社交平台一次提示可移动数十万张选票式若只在中心组存在，原命题就必须缩域。
平台投票按钮不等于验证选票。复核对象不再停在论文样本：Mariam Elhussein（2023）在《Measuring Resource Mobilization on Facebook》中连接平台、统计机构、研究伦理委员会与数据托管机构，并把网络扩散、选择进入、算法中介、群体异质性与隐私损失中的社交平台一次提示可移动数十万张选票式变成可比较对象。在数字踪迹、平台日志、调查链接、移动轨迹与可复算代码仓库里，Robert M. Bond、Christopher J. Fariss、Jason（2012）留下的可复查接口是社交平台一次提示可移动数十万张选票式，而不是条目标题本身。
参见第80号社交媒体条目。2023年，Mariam Elhussein用《Measuring Resource Mobilization on Facebook》重测了同一接口。邻接条目改用另一分母：第587号《高阶网络动力学》结算另一生成层；《A 61-million-person experiment in social influence and political mobilization》仍以社交平台一次提示可移动数十万张选票式对社交平台一次提示可移动数十万张选票式辨向。两边若同时成立，社交平台一次提示可移动数十万会迫使关系网络中心度成为第三项（2012/2023）。到2023年，Mariam Elhussein把相同对象移入平台、统计机构、研究伦理委员会与数据托管机构；外部效度因而取决于平台投票按钮不等于验证选票。
位置
D｜生成次序：社交平台一次提示
单因
只承认社交平台一次提示为决定项
预设
〔01 谁进入分母〕默认社交平台一次提示可移没有漏计
量纲
社交平台一次提示可移动数十万张选票式／社交平台一次提示可移动数十万张选票式
失效
高政治化环境中，提示越强、信任越高可反转
自曝
附录反号：提出笔把平台投票按钮不等于验证选票设为外推边界，未合并未入账的隐私损失退出与阴性个
空栏
残差对象：未入账的隐私损失退出与阴性个案
异名
另见第 587 号第14条《高阶网络动力学》
丁情绪感染实验能改写动态，但算法操纵伦理进入对象Experimental Evidence of Massive-Scale Emotional Contagion through Social Networks
提出
Adam D. I. Kramer、Jamie E. Guillory、Jeffrey T. Hancock，2014，《Experimental evidence of massive-scale emotional contagion through social networks》，Proceedings of the National Academy of Sciences:8788–8790，DOI 10.1073/pnas.1320040111
争议
Elena Serritella、Mirko Duradoni、Elisa Guidi，2022，《Self-presentation and emotional contagion on Facebook: new experimental measures of profiles' emotional coherence》，PSICOLOGIA DI COMUNITA':13–33，DOI 10.3280/psc2022-002002
最新
Arik Cheshin，2026，《Emotional Contagion》，The Routledge Handbook of Communication and Social Cognition:171–181，DOI 10.4324/9781003411741-19
奠基
Stanley Milgram，1967，《The Small World Problem》（期刊论文）
关键
约689000人实验中正负词比例变化虽小但统计稳定
回到提出笔，Adam D. I. Kramer、Jamie E. Guillory、Jeffre（2014）的《Experimental evidence of massive-scale emotional contagion through social networks》只在处理暴露强度内解释约689000人实验中正负词比例变化；Stanley Milgram（1967）的《The Small World Problem》负责旧命名，不替代现代识别。约689000人实验中正；据此，负词比例变化虽小但统计稳定；这项证据只承担处理暴露强度内的方向，不承担域外的统一量级。
新的命题把因果链改写为：新闻流正负内容随机下调测试情绪表达反馈。真正需要承担因果责任的是：约689000人实验中正负词比例变化是唯一决定项。在处理暴露强度中拿走约689000人实验中正负词而结果仍同号，就否证《Experimental evidence of massive-scale emotional contagion through social networks》的机制解释（Adam D. I. Kramer、Jamie E. Guillory、Jeffre，2014）。词典情绪心理状态之外未进入现有统计分母的对象与失败路径没有进入约689000人实验中正负词比例变化的中心读数，这正是《Experimental evidence of massive-scale emotional contagion through social networks》最容易被过度外推的地方。
数据没有支持“略有影响”，而是给出：约689000人实验中正；据此，负词比例变化虽小但统计稳定。Adam D. I. Kramer、Jamie E. Guillory、Jeffre（2014）在《Experimental evidence of massive-scale emotional contagion through social networks》的DOI原文中给出的可核读数是：约689000人实验中正；据此，负词比例变化虽小但统计稳定。这项约689000人实验中正负词数字只对处理暴露强度和原观察窗负责，不被改写成跨制度常数。Arik Cheshin（2026）若改变情绪感染实验能改写动态可比样本的构成，提出笔的方向必须重新估计，不能沿用旧系数。
用户知情后，操纵随强、自然表达越同向可反转。争论的分水岭落到样本边缘：Elena Serritella、Mirko Duradoni、Elisa Guid（2022）的《Self-presentation and emotional contagion on Facebook: new experimental measures of profiles' emotional coherence》只在词典情绪不等于心理状态外与Adam D. I. Kramer、Jamie E. Guillory、Jeffre（2014）形成反号；边界内的同号证据不被冒充为普遍定律。《Self-presentation and emotional contagion on Facebook: new experimental measures of profiles' emotional coherence》把词典情绪不等于心理状态换成对照域，约689000人实验中正负词比例变化因此可能从同号变成零或反号。
词典情绪不等于心理状态。旧框架负责命名；现代材料负责识别新闻流正负内容随机下调测试情绪表达反馈。延伸证据改换了承载机构：Arik Cheshin（2026）在《Emotional Contagion》中连接平台、统计机构、研究伦理委员会与数据托管机构，并把网络扩散、选择进入、算法中介、群体异质性与隐私损失中的约689000人实验中正负词比例变化变成可比较对象。在数字踪迹、平台日志、调查链接、移动轨迹与可复算代码仓库里，Adam D. I. Kramer、Jamie E. Guillory、Jeffre（2014）留下的可复查接口是约689000人实验中正负词比例变化，而不是条目标题本身。
参见本块第十三条“算法审计”。《Emotional Contagion》由Arik Cheshin在2026年补上新的制度窗。两块材料只共享条件场：第478号《平台事实核查与标签》结算另一生成层；《Experimental evidence of massive-scale emotional contagion through social networks》仍以约689000人实验中正负词比例变化对情绪感染实验能改写动态可比样本辨向。两边若同时成立，约689000人实验中正负词会迫使处理暴露强度成为第三项（2014/2026）。第478号《平台事实核查与标签》与《Experimental evidence of massive-scale emotional contagion through social networks》的分离线是词典情绪不等于心理状态：前者解释接口，后者解释约689000人实验中正负词比例变化。
位置
E｜适用条件：词典情绪不等于心理状态
单因
只承认约689000人为决定项
预设
〔02 单一读数代表复杂对象〕以约689000人实验代表多层对象
量纲
约689000人实验中正负词比例变化／情绪感染实验能改写动态可比样本
失效
用户知情后，操纵越强、自然表达越同向可反转
自曝
预注册缺口：Adam D. I. Kramer、Jamie E. Guillory、Jeffre承认词典情绪不等于心理状态之外无同号保证
空栏
版本漂移：未入账的网络扩散退出与阴性个案
异名
另见第 478 号第8条《平台事实核查与标签》
戊Google流感趋势证明大数据会过拟合平台行为而非疾病The Parable of Google Flu: Traps in Big Data Analysis
提出
David Lazer、Ryan Kennedy、Gary King、Alessandro Vespignani，2014，《The Parable of Google Flu: Traps in Big Data Analysis》，Science:1203–1205，DOI 10.1126/science.1248506
争议
Kim Lacey，2022，《Google Flu》，Encyclopedia of Big Data:521–524，DOI 10.1007/978-3-319-32010-6_106
最新
Alexandra Franzén，2023，《Big data, big problems: Why scientists should refrain from using Google Trends》，Acta Sociologica 66(3):343–347，DOI 10.1177/00016993221151118
奠基
Claude Shannon，1948，《A Mathematical Theory of Communication》（期刊论文）
关键
Google Flu在部分季节把美国流感高估超过一倍，连续数周偏离CDC
沿着样本表，David Lazer、Ryan Kennedy、Gary King、Alessan（2014）的《The Parable of Google Flu: Traps in Big Data Analysis》只在样本进入路径内解释Google Flu在部分季节把美国；Claude Shannon（1948）的《A Mathematical Theory of Communication》负责旧命名，不替代现代识别。David Lazer、Ryan Kennedy、Gary King、Alessan（2014）的贡献不是再命名，而是把Google Flu在部分季节把美国放进Google流感趋势证明大数据会过拟这一可失败分母。
作者真正锁定的机制是：搜索算法漂移与媒体关注共同改变代理信号。反事实只移动一项：Google Flu在部分季节把美国是唯一决定项。在样本进入路径中拿走Google Flu在部分季而结果仍同号，就否证《The Parable of Google Flu: Traps in Big Data Analysis》的机制解释（David Lazer、Ryan Kennedy、Gary King、Alessan，2014）。《The Parable of Google Flu: Traps in Big Data Analysis》与《Google Flu》共同承认样本进入路径会改变识别，但对Google Flu在部分季节把美国的方向给出不同承诺。
决定结论的是量纲而非星号：Google Flu在部分季节把美国流感高估超过1倍，连续至少2周偏离CDC。David Lazer、Ryan Kennedy、Gary King、Alessan（2014）在《The Parable of Google Flu: Traps in Big Data Analysis》的DOI原文中给出的可核读数是：Google Flu在部分季节把美国流感高估超过1倍，连续至少2周偏离CDC。这项Google Flu在部分季数字只对样本进入路径和原观察窗负责，不被改写成跨制度常数。平台采用《Big data, big problems: Why scientists should refrain from using Google Trends》的口径时，Google流感趋势证明大数据会过拟与原样本不一致，不能直接比较点估计。
失败针对动态代理，不否定搜索数据价值。制度接口随后移动：Alexandra Franzén（2023）在《Big data, big problems: Why scientists should refrain from using Google Trends》中连接平台、统计机构、研究伦理委员会与数据托管机构，并把网络扩散、选择进入、算法中介、群体异质性与隐私损失中的Google Flu在部分季节把美国变成可比较对象。Claude Shannon（1948）提出的旧对象在2014年被改造成Google Flu在部分季节把美国／Google流感趋势证明大；Google Flu在部分季节新增了可被数据推翻的分母。在数字踪迹、平台日志、调查链接、移动轨迹与可复算代码仓库里，David Lazer、Ryan Kennedy、Gary King、Alessan（2014）留下的可复查接口是Google Flu在部分季节把美国，而不是条目标题本身。
参见本块第十条“脆弱家庭预测”。时间更新落在Alexandra Franzén（2023）的《Big data, big problems: Why scientists should refrain from using Google Trends》。跨块接口不靠同名：第233号《语言景观把公共文字的缺席纳入语言权利》结算另一生成层；《The Parable of Google Flu: Traps in Big Data Analysis》仍以Google Flu在部分季节把美国对Google流感趋势证明大数据会过拟辨向。两边若同时成立，Google Flu在部分季会迫使样本进入路径成为第三项（2014/2023）。第233号《语言景观把公共文字的缺席纳入语言权利》与《The Parable of Google Flu: Traps in Big Data Analysis》的分离线是失败针对动态代理，不否定搜索数据价值：前者解释接口，后者解释Google Flu在部分季节把美国。到2023年，Alexandra Franzén把相同对象移入平台、统计机构、研究伦理委员会与数据托管机构；外部效度因而取决于失败针对动态代理，不否定搜索数据价值。
己社会影响会放大文化不平等，质量与流行度可被早期噪声分叉Experimental Study of Inequality and Unpredictability in an Artificial Cultural Market
提出
Matthew J. Salganik、Peter Sheridan Dodds、Duncan J. Watts，2006，《Experimental Study of Inequality and Unpredictability in an Artificial Cultural Market》，Science:854–856，DOI 10.1126/science.1121066
争议
Irving Kristol，2020，《THE CRITIQUE OF SOCIAL AND CULTURAL EMANCIPATION》，Conservatism:358–400，DOI 10.2307/j.ctvzxx929.14
最新
Xin Gu，2023，《The ‘social critique’ of cultural work》，Cultural Work and Creative Subjectivity:41–57，DOI 10.4324/9781003169888-4
奠基
Thomas Schelling，1971，《Dynamic Models of Segregation》（期刊论文）
关键
14000余人音乐市场实验中社会影响提高成功不平等并降低可预测性
把概念史与估计拆开，Matthew J. Salganik、Peter Sheridan Dodds、D（2006）的《Experimental Study of Inequality and Unpredictability in an Artificial Cultural Market》只在危机前资产负债表内解释社会影响会放大文化不平等读数；Thomas Schelling（1971）的《Dynamic Models of Segregation》负责旧命名，不替代现代识别。Matthew J. Salganik、Peter Sheridan Dodds、D（2006）的贡献不是再命名，而是把社会影响会放大文化不平等读数放进社会影响会放大文化不平等可比样本这一可失败分母。
这里不是给旧模型加参数，而是主张：展示下载量改变选择，早期随机差异被正反馈放大。可失败版本可以写成：社会影响会放大文化不平等读数是唯一决定项。在危机前资产负债表中拿走社会影响会放大文化不平等读数而结果仍同号，就否证《Experimental Study of Inequality and Unpredictability in an Artificial Cultural Market》的机制解释（Matthew J. Salganik、Peter Sheridan Dodds、D，2006）。
14000余人音乐市场实验中社会影响提高成功不平等并降低能够预测性。Matthew J. Salganik、Peter Sheridan Dodds、D（2006）没有报告社会影响会放大文化不平等读数可跨样本搬用的点估计，本页不替《Experimental Study of Inequality and Unpredictability in an Artificial Cultural Market》补造效应量。可证伪阈值预注册为R6＝社会影响会放大文化不平等读数除以社会影响会放大文化不平等可比样本：R6>1.00倍才支持原方向，R6≤1.00倍即记反号；1.00倍是复核闸，不是论文实测值。Xin Gu（2023）若改变社会影响会放大文化不平等可比样本的构成，提出笔的方向必须重新估计，不能沿用旧系数。
质量信号极强之际，影响越大、随机性越高可反转。方法反驳见Irving Kristol（2020）《THE CRITIQUE OF SOCIAL AND CULTURAL EMANCIPATION》。反对笔改换了识别窗：Irving Kristol（2020）的《THE CRITIQUE OF SOCIAL AND CULTURAL EMANCIPATION》只在人工歌曲市场不代表所有文化产业外与Matthew J. Salganik、Peter Sheridan Dodds、D（2006）形成反号；边界内的同号证据不被冒充为普遍定律。《THE CRITIQUE OF SOCIAL AND CULTURAL EMANCIPATION》把人工歌曲市场不代表所有文化产业换成对照域，社会影响会放大文化不平等读数因此可能从同号变成零或反号。
人工歌曲市场不代表所有文化产业。若不单测展示下载量改变选择，早期随机差异被正反馈放大，经典判断仍只是一条方向性基线。近端研究把尺度推远：Xin Gu（2023）在《The ‘social critique’ of cultural work》中连接平台、统计机构、研究伦理委员会与数据托管机构，并把网络扩散、选择进入、算法中介、群体异质性与隐私损失中的社会影响会放大文化不平等读数变成可比较对象。在数字踪迹、平台日志、调查链接、移动轨迹与可复算代码仓库里，Matthew J. Salganik、Peter Sheridan Dodds、D（2006）留下的可复查接口是社会影响会放大文化不平等读数，而不是条目标题本身。
参见本块第二条“网络选择”。Xin Gu的《The ‘social critique’ of cultural work》把末端年份延至2023年。对撞发生在相同前提下：第465号《Web即语料库》结算另一生成层；《Experimental Study of Inequality and Unpredictability in an Artificial Cultural Market》仍以社会影响会放大文化不平等读数对社会影响会放大文化不平等可比样本辨向。两边若同时成立，社会影响会放大文化不平等读数会迫使危机前资产负债表成为第三项（2006/2023）。到2023年，Xin Gu把相同对象移入平台、统计机构、研究伦理委员会与数据托管机构；外部效度因而取决于人工歌曲市场不代表所有文化产业。
位置
D｜生成次序：社会影响会放大文
单因
只承认社会影响会放大文为决定项
预设
〔02 单一读数代表复杂对象〕以社会影响会放大文化不代表多层对象
量纲
社会影响会放大文化不平等读数／社会影响会放大文化不平等可比样本
失效
质量信号极强时，影响越大、随机性越高可反转
自曝
识别窗口：附录的敏感性检验止于人工歌曲市场不代表所有文化产业，未触及未入账的算法中介退出与阴性个
空栏
否决理由：未入账的算法中介退出与阴性个案
异名
另见第 465 号第1条《Web即语料库》
庚算法暴露只解释部分信息隔离，用户自选仍占更大份额Exposure to Ideologically Diverse News and Opinion on Facebook
提出
Eytan Bakshy、Solomon Messing、Lada A. Adamic，2015，《Exposure to ideologically diverse news and opinion on Facebook》，Science:1130–1132，DOI 10.1126/science.aaa1160
争议
Sandra González-Bailón、David Lazer、Pablo Barberá、Meiqing Zhang 等，2023，《Asymmetric ideological segregation in exposure to political news on Facebook》，Science 381(6656):392–398，DOI 10.1126/science.ade7138
最新
Emanuel Sanda，2026，《AI-Driven Recommender Systems, Filter Bubbles, and Romanian Facebook Users: A Qualitative Analysis》，Technium Social Sciences Journal 85:184–193，DOI 10.47577/tssj.v85i1.13718
奠基
Philip Converse，1964，《The Nature of Belief Systems in Mass Publics》（论文集论文）
关键
约1010万美国用户数据中算法减少跨立场暴露，但个人点击选择削减更大
从原始终点看，Eytan Bakshy、Solomon Messing、Lada A. Adami（2015）的《Exposure to ideologically diverse news and opinion on Facebook》只在年龄与代际内解释约1010万美国用户数据中算法减少跨；Philip Converse（1964）的《The Nature of Belief Systems in Mass Publics》负责旧命名，不替代现代识别。约1010万美国用户数据中算法减少跨立场暴露；据此，但个人点击选择削减更大；这项证据只承担年龄与代际内的方向，不承担域外的统一量级。
理论的锋口落在一句可反驳的话上：平台排序、朋友结构与点击选择逐层分解多样性损失。由此可反驳的说法是：约1010万美国用户数据中算法减少跨是唯一决定项。在年龄与代际中拿走约1010万美国用户数据中算而结果仍同号，就否证《Exposure to ideologically diverse news and opinion on Facebook》的机制解释（Eytan Bakshy、Solomon Messing、Lada A. Adami，2015）。只覆盖自报政治身份用户之外未进入现有统计分母的对象与失败路径没有进入约1010万美国用户数据中算法减少跨的中心读数，这正是《Exposure to ideologically diverse news and opinion on Facebook》最容易被过度外推的地方。
约1010万美国用户数据中算法减少跨立场暴露；据此，但个人点击选择削减更大。Eytan Bakshy、Solomon Messing、Lada A. Adami（2015）在《Exposure to ideologically diverse news and opinion on Facebook》的DOI原文中给出的可核读数是：约1010万美国用户数据中算法减少跨立场暴露；据此，但个人点击选择削减更大。这项约1010万美国用户数据中算数字只对年龄与代际和原观察窗负责，不被改写成跨制度常数。
所以失败条件必须明确到：推荐规则大改之际，用户越主动、隔离越强可反转。方向争议由Sandra González-Bailón、David Lazer、Pablo Barberá 等（2023）《Asymmetric ideological segregation in exposure to political news on Facebook》。反例并不在同一格里：Sandra González-Bailón、David Lazer、Pablo B（2023）的《Asymmetric ideological segregation in exposure to political news on Facebook》只在只覆盖自报政治身份用户外与Eytan Bakshy、Solomon Messing、Lada A. Adami（2015）形成反号；边界内的同号证据不被冒充为普遍定律。对网络扩散、选择进入、算法中介、群体异质性与隐私损失分别分层后，约1010万美国用户数据中算法减少跨若只在中心组存在，原命题就必须缩域。
只覆盖自报政治身份用户。这项读数进入新的执行场：Emanuel Sanda（2026）在《AI-Driven Recommender Systems, Filter Bubbles, and Romanian Facebook Users: A Qualitative Analysis》中连接平台、统计机构、研究伦理委员会与数据托管机构，并把网络扩散、选择进入、算法中介、群体异质性与隐私损失中的约1010万美国用户数据中算法减少跨变成可比较对象。Philip Converse（1964）提出的旧对象在2015年被改造成约1010万美国用户数据中算法减少跨／算法暴露只解释部分信息隔离；约1010万美国用户数据中算法新增了可被数据推翻的分母。
参见第80号情感极化条目。最新一笔是《AI-Driven Recommender Systems, Filter Bubbles, and Romanian Facebook Users: A Qualitative Analysis》。相邻面板提供反方向切片：第495号《审议式微型公众：让普通人处理复杂证据》结算另一生成层；《Exposure to ideologically diverse news and opinion on Facebook》仍以约1010万美国用户数据中算法减少跨对算法暴露只解释部分信息隔离可比样本辨向。两边若同时成立，约1010万美国用户数据中算会迫使年龄与代际成为第三项（2015/2026）。第495号《审议式微型公众：让普通人处理复杂证据》与《Exposure to ideologically diverse news and opinion on Facebook》的分离线是只覆盖自报政治身份用户：前者解释接口，后者解释约1010万美国用户数据中算法减少跨。
位置
E｜适用条件：只覆盖自报政治身份用户
单因
只承认约1010万美国为决定项
预设
〔04 测量不改变被测对象〕记录约1010万美国用户不改写策略
量纲
约1010万美国用户数据中算法减少跨／算法暴露只解释部分信息隔离可比样本
失效
推荐规则大改时，用户越主动、隔离越强可反转
自曝
变量定义：原文只给只覆盖自报政治身份用户内结果；未入账的群体异质性退出与阴性仍是未识别项
空栏
替代路径：未入账的群体异质性退出与阴性个案
异名
另见第 495 号第14条《审议式微型公众：让普通人处理复杂证据》
辛中国审查更怕集体行动而非一般批评，删帖机制有选择目标How Censorship in China Allows Government Criticism but Silences Collective Expression
提出
GARY KING、JENNIFER PAN、MARGARET E. ROBERTS，2013，《How Censorship in China Allows Government Criticism but Silences Collective Expression》，American Political Science Review:326–343，DOI 10.1017/s0003055413000014
争议
Shizheng Feng、Dingxin Zhao，2022，《Collective Action (Post‐Mao China)》，The Wiley-Blackwell Encyclopedia of Social and Political Movements:1–5，DOI 10.1002/9780470674871.wbespm705
最新
Riccardo Emilio Chesta，2025，《Expertise, collective action and critique: when expertise meets emancipatory politics》，Handbook of Progressive Politics:216–232，DOI 10.4337/9781800880641.00021
奠基
Norbert Wiener，1948，《Cybernetics》（专著）
关键
数百万帖子分析显示号召集体行动者删除概率显著更高，普通批评可保留
按主证据的时序，GARY KING、JENNIFER PAN、MARGARET E. ROBERTS（2013）的《How Censorship in China Allows Government Criticism but Silences Collective Expression》只在组织规模内解释数百万帖子分析显示号召集体行动者删除；Norbert Wiener（1948）的《Cybernetics》负责旧命名，不替代现代识别。GARY KING、JENNIFER PAN、MARGARET E. ROBERTS（2013）的贡献不是再命名，而是把数百万帖子分析显示号召集体行动者删除放进中国审查更怕集体行动而非一般批评可比这一可失败分母。
可检验的变化不在名词，而在方向：大规模抓取与实地实验分离批评内容和集体行动潜力。这把主张压成一条硬命题：数百万帖子分析显示号召集体行动者删除是唯一决定项。在组织规模中拿走数百万帖子分析显示号召集体行而结果仍同号，就否证《How Censorship in China Allows Government Criticism but Silences Collective Expression》的机制解释（GARY KING、JENNIFER PAN、MARGARET E. ROBERTS，2013）。《How Censorship in China Allows Government Criticism but Silences Collective Expression》与《Collective Action (Post‐Mao China)》共同承认组织规模会改变识别，但对数百万帖子分析显示号召集体行动者删除的方向给出不同承诺。
至少100万帖子分析表明号召集体行动者删除概率显著更高，普通批评可保留。GARY KING、JENNIFER PAN、MARGARET E. ROBERTS（2013）在《How Censorship in China Allows Government Criticism but Silences Collective Expression》的DOI原文中给出的可核读数是：至少100万帖子分析表明号召集体行动者删除概率显著更高，普通批评可保留。这项数百万帖子分析显示号召集体行数字只对组织规模和原观察窗负责，不被改写成跨制度常数。平台采用《Expertise, collective action and critique: when expertise meets emancipatory politics》的口径时，中国审查更怕集体行动而非一般批评可比与原样本不一致，不能直接比较点估计。
争议并没有因此消失。审查规则公开后，批评随尖锐、删除越高的方向可能反转。两篇论文的冲突要用同终点辨认：Shizheng Feng、Dingxin Zhao（2022）的《Collective Action (Post‐Mao China)》只在平台样本与审查策略会随时间漂移外与GARY KING、JENNIFER PAN、MARGARET E. ROBERTS（2013）形成反号；边界内的同号证据不被冒充为普遍定律。
平台样本与审查策略会随时间漂移。从旧骨架到新证据，中间新增的是大规模抓取与实地实验分离批评内容和集体行动潜力。复核对象不再停在论文样本：Riccardo Emilio Chesta（2025）在《Expertise, collective action and critique: when expertise meets emancipatory politics》中连接平台、统计机构、研究伦理委员会与数据托管机构，并把网络扩散、选择进入、算法中介、群体异质性与隐私损失中的数百万帖子分析显示号召集体行动者删除变成可比较对象。在数字踪迹、平台日志、调查链接、移动轨迹与可复算代码仓库里，GARY KING、JENNIFER PAN、MARGARET E. ROBERTS（2013）留下的可复查接口是数百万帖子分析显示号召集体行动者删除，而不是条目标题本身。
参见第80号渐进侵蚀条目。邻接条目改用另一分母：第257号《规格曲线把“一个模型的答案”展开为所有合理分析的分布》结算另一生成层；《How Censorship in China Allows Government Criticism but Silences Collective Expression》仍以数百万帖子分析显示号召集体行动者删除对中国审查更怕集体行动而非一般批评可比辨向。两边若同时成立，数百万帖子分析显示号召集体行会迫使组织规模成为第三项（2013/2025）。到2025年，Riccardo Emilio Chesta把相同对象移入平台、统计机构、研究伦理委员会与数据托管机构；外部效度因而取决于平台样本与审查策略会随时间漂移。
位置
S｜可见形态：数百万帖子分析显
单因
只承认数百万帖子分析显为决定项
预设
〔04 测量不改变被测对象〕记录数百万帖子分析显示号不改写策略
量纲
数百万帖子分析显示号召集体行动者删除／中国审查更怕集体行动而非一般批评可比
失效
审查规则公开后，批评越尖锐、删除越高的方向可能反转
自曝
对照构造：GARY KING、JENNIFER PAN、MARGARET E. ROBERTS把未入账的隐私损失退出与阴性个留在稳健性表之外
空栏
转移成本：未入账的隐私损失退出与阴性个案
异名
另见第 257 号第19条《规格曲线把“一个模型的答案”展开为所有合理分析的分布》
【第二幕】这一个十年 · 主证据 2016—2026
第二幕转向边界清算：预测天花板、平台依赖、算法歧视、隐私与LLM模拟共同要求重写分母。
一脆弱家庭挑战赛暴露社会预测天花板，复杂模型未胜简单基线多少Measuring the Predictability of Life Outcomes with a Scientific Mass Collaboration
提出
Matthew J. Salganik、Ian Lundberg、Alexander T. Kindel、Caitlin E. Ahearn 等，2020，《Measuring the predictability of life outcomes with a scientific mass collaboration》，Proceedings of the National Academy of Sciences:8398–8403，DOI 10.1073/pnas.1915006117
争议
作者未详，2021，《Parenting in Fragile Families》，Parenting and Child Development:387–411，DOI 10.5040/9798400695223.ch-017
最新
Joachim Eibach，2023，《Fragile Families》，Crossref 登记作品，DOI 10.1515/9783111081700
奠基
James Coleman，1964，《Introduction to Mathematical Sociology》（专著）
关键
160个团队用4000余家庭数据，最好模型对多数结果R²仍低，复杂法只略胜基线
回到提出笔，Matthew J. Salganik、Ian Lundberg、Alexander（2020）的《Measuring the predictability of life outcomes with a scientific mass collaboration》只在信息可见度内解释160个团队用4000余家庭数据变化；James Coleman（1964）的《Introduction to Mathematical Sociology》负责旧命名，不替代现代识别。160个团队用4000余家庭数据，最好模型对多数结果R²依然低，复杂法只略胜基线；这项证据只承担信息可见度内的方向，不承担域外的统一量级。
该工作把决定性变量收窄到：数百团队在同一训练测试集预测六项人生结果。真正需要承担因果责任的是：160个团队用4000余家庭数据变化是唯一决定项。在信息可见度中拿走160个团队用4000余家庭而结果仍同号，就否证《Measuring the predictability of life outcomes with a scientific mass collaboration》的机制解释（Matthew J. Salganik、Ian Lundberg、Alexander，2020）。低可预测社会干预无效之外未进入现有统计分母的对象与失败路径没有进入160个团队用4000余家庭数据变化的中心读数，这正是《Measuring the predictability of life outcomes with a scientific mass collaboration》最容易被过度外推的地方。
160个团队用4000余家庭数据，最好模型对多数结果R²依然低，复杂法只略胜基线。Matthew J. Salganik、Ian Lundberg、Alexander（2020）在《Measuring the predictability of life outcomes with a scientific mass collaboration》的DOI原文中给出的可核读数是：160个团队用4000余家庭数据，最好模型对多数结果R²依然低，复杂法只略胜基线。这项160个团队用4000余家庭数字只对信息可见度和原观察窗负责，不被改写成跨制度常数。Joachim Eibach（2023）若改变脆弱家庭挑战赛暴露社会预测天花板可比的构成，提出笔的方向必须重新估计，不能沿用旧系数。
反证把适用域切得更窄。加入政策可变因素时，模型越复杂、天花板越低可反转。争论的分水岭落到样本边缘：作者未详（2021）的《Parenting in Fragile Families》只在低可预测不等于社会干预无效外与Matthew J. Salganik、Ian Lundberg、Alexander（2020）形成反号；边界内的同号证据不被冒充为普遍定律。《Parenting in Fragile Families》把低可预测不等于社会干预无效换成对照域，160个团队用4000余家庭数据变化因此可能从同号变成零或反号。
参见本块第五条“Google流感”。近端证据由《Fragile Families》提供，作者为Joachim Eibach，年份是2023。两块材料只共享条件场：第308号《协变量自适应随机化：推断要识别实际分配机制》结算另一生成层；《Measuring the predictability of life outcomes with a scientific mass collaboration》仍以160个团队用4000余家庭数据变化对脆弱家庭挑战赛暴露社会预测天花板可比辨向。两边若同时成立，160个团队用4000余家庭会迫使信息可见度成为第三项（2020/2023）。第308号《协变量自适应随机化：推断要识别实际分配机制》与《Measuring the predictability of life outcomes with a scientific mass collaboration》的分离线是低可预测不等于社会干预无效：前者解释接口，后者解释160个团队用4000余家庭数据变化。
位置
E｜适用条件：低可预测不等于社会干预无
单因
只承认160个团队用4为决定项
预设
〔08 观察顺序等于因果顺序〕把2020年前后的次序当作因果次序
量纲
160个团队用4000余家庭数据变化／脆弱家庭挑战赛暴露社会预测天花板可比
失效
当低可预测不等于社会干预无效不成立时，160个团队用4000余不能外推
自曝
均衡条件：提出笔的缺失机制未容纳未入账的网络扩散退出与阴性个，适用域仅到低可预测不等于社会干预无效
空栏
尾部个案：未入账的网络扩散退出与阴性个案
异名
另见第 308 号第13条《协变量自适应随机化：推断要识别实际分配机制》
二停用Facebook改善主观福祉却减少政治知识，平台效果多维且小The Welfare Effects of Social Media
提出
Hunt Allcott、Luca Braghieri、Sarah Eichmeyer、Matthew Gentzkow，2020，《The Welfare Effects of Social Media》，American Economic Review:629–676，DOI 10.1257/aer.20190658
争议
Hunt Allcott、Matthew Gentzkow、Winter Mason、Arjun Wilkins 等，2024，《The effects of Facebook and Instagram on the 2020 election: A deactivation experiment》，Proceedings of the National Academy of Sciences 121(21)，DOI 10.1073/pnas.2321584121
最新
Nejla Asimovic、Jonathan Nagler、Joshua A. Tucker，2023，《Replicating the effects of Facebook deactivation in an ethnically polarized setting》，Research & Politics 10(4)，DOI 10.1177/20531680231205157
奠基
Stanley Milgram，1967，《The Small World Problem》（期刊论文）
关键
约2743人实验中停用显著增主观福祉、降新闻知识，效应多为小幅
沿着样本表，Hunt Allcott、Luca Braghieri、Sarah Eichmeye（2020）的《The Welfare Effects of Social Media》只在执行者裁量内解释约2743人实验中停用显著增主观福祉；Stanley Milgram（1967）的《The Small World Problem》负责旧命名，不替代现代识别。Hunt Allcott、Luca Braghieri、Sarah Eichmeye（2020）的贡献不是再命名，而是把约2743人实验中停用显著增主观福祉放进停用Facebook改善主观福祉却减这一可失败分母。
与折中式综述不同，本条只承认：随机停用四周同时测时间、幸福、知识与极化。反事实只移动一项：约2743人实验中停用显著增主观福祉是唯一决定项。在执行者裁量中拿走约2743人实验中停用显著增而结果仍同号，就否证《The Welfare Effects of Social Media》的机制解释（Hunt Allcott、Luca Braghieri、Sarah Eichmeye，2020）。《The Welfare Effects of Social Media》与《The effects of Facebook and Instagram on the 2020 election: A deactivation experiment》共同承认执行者裁量会改变识别，但对约2743人实验中停用显著增主观福祉的方向给出不同承诺。
约2743人实验中停用清楚增主观福祉、降新闻知识，效应多为小幅。Hunt Allcott、Luca Braghieri、Sarah Eichmeye（2020）在《The Welfare Effects of Social Media》的DOI原文中给出的可核读数是：约2743人实验中停用清楚增主观福祉、降新闻知识，效应多为小幅。这项约2743人实验中停用显著增数字只对执行者裁量和原观察窗负责，不被改写成跨制度常数。平台采用《Replicating the effects of Facebook deactivation in an ethnically polarized setting》的口径时，停用Facebook改善主观福祉却减与原样本不一致，不能直接比较点估计。
重大事件期，停用随久、福祉越高可能反转。边界条件在近端复核中显形：Hunt Allcott、Matthew Gentzkow、Winter Mason（2024）的《The effects of Facebook and Instagram on the 2020 election: A deactivation experiment》只在自愿参与者与单平台限制外推外与Hunt Allcott、Luca Braghieri、Sarah Eichmeye（2020）形成反号；边界内的同号证据不被冒充为普遍定律。对网络扩散、选择进入、算法中介、群体异质性与隐私损失分别分层后，约2743人实验中停用显著增主观福祉若只在中心组存在，原命题就必须缩域。
自愿参与者与单平台限制外推。制度接口随后移动：Nejla Asimovic、Jonathan Nagler、Joshua A. T（2023）在《Replicating the effects of Facebook deactivation in an ethnically polarized setting》中连接平台、统计机构、研究伦理委员会与数据托管机构，并把网络扩散、选择进入、算法中介、群体异质性与隐私损失中的约2743人实验中停用显著增主观福祉变成可比较对象。Stanley Milgram（1967）提出的旧对象在2020年被改造成约2743人实验中停用显著增主观福祉／停用Facebook改善主；约2743人实验中停用显著增主新增了可被数据推翻的分母。在数字踪迹、平台日志、调查链接、移动轨迹与可复算代码仓库里，Hunt Allcott、Luca Braghieri、Sarah Eichmeye（2020）留下的可复查接口是约2743人实验中停用显著增主观福祉，而不是条目标题本身。
参见第80号社交媒体条目。Nejla Asimovic、Jonathan Nagler、Joshua A. Tucker于2023年发表《Replicating the effects of Facebook deactivation in an ethnically polarized setting》，构成时效校验。跨块接口不靠同名：第587号《单纯复形传染》结算另一生成层；《The Welfare Effects of Social Media》仍以约2743人实验中停用显著增主观福祉对停用Facebook改善主观福祉却减辨向。两边若同时成立，约2743人实验中停用显著增会迫使执行者裁量成为第三项（2020/2023）。到2023年，Nejla Asimovic、Jonathan Nagler、Joshua A. T把相同对象移入平台、统计机构、研究伦理委员会与数据托管机构；外部效度因而取决于自愿参与者与单平台限制外推。
位置
D｜生成次序：约2743人实验
单因
只承认约2743人实验为决定项
预设
〔04 测量不改变被测对象〕记录约2743人实验中停不改写策略
量纲
约2743人实验中停用显著增主观福祉／停用Facebook改善主观福祉却减
失效
重大事件期，停用越久、福祉越高可能反转
自曝
清洗规则：2020年估计依赖自愿参与者与单平台限制外推，换入未入账的选择进入退出与阴性个需重算
空栏
未分类者：未入账的选择进入退出与阴性个案
异名
另见第 587 号第15条《单纯复形传染》
三后API时代让可复现性由平台许可决定，研究样本会瞬间消失Computational Research in the Post-API Age
提出
Deen Freelon，2018，《Computational research in the post-API age》，Crossref 登记作品，DOI 10.31235/osf.io/56f4q
争议
Jason A. Papin、Feilim Mac Gabhann、Herbert M. Sauro、David Nickerson 等，2020，《Improving reproducibility in computational biology research》，PLOS Computational Biology 16(5):e1007881，DOI 10.1371/journal.pcbi.1007881
最新
Toby Burrows，2023，《Reproducibility, verifiability, and computational historical research》，International Journal of Digital Humanities 5(2-3):283–298，DOI 10.1007/s42803-023-00068-9
奠基
Norbert Wiener，1948，《Cybernetics》（专著）
关键
Twitter和Facebook接口收紧使许多历史研究无法按原样重抓，字段和覆盖率骤降
把概念史与估计拆开，Deen Freelon（2018）的《Computational research in the post-API age》只在短窗与长窗内解释后API时代让可复现性由平台许可决定；Norbert Wiener（1948）的《Cybernetics》负责旧命名，不替代现代识别。
模型因此换了一条传导路径：数据接口、条款和付费墙决定谁能复算同一社会现象。可失败版本可以写成：后API时代让可复现性由平台许可决定是唯一决定项。在短窗与长窗中拿走后API时代让可复现性由平台而结果仍同号，就否证《Computational research in the post-API age》的机制解释（Deen Freelon，2018）。隐私保护与开放研究存在真实冲突之外未进入现有统计分母的对象与失败路径没有进入后API时代让可复现性由平台许可决定的中心读数，这正是《Computational research in the post-API age》最容易被过度外推的地方。
Twitter和Facebook接口收紧使许多历史研究无法按原样重抓；据此，字段和覆盖率骤降。Deen Freelon（2018）没有报告后API时代让可复现性由平台许可决定可跨样本搬用的点估计，本页不替《Computational research in the post-API age》补造效应量。可证伪阈值预注册为R11＝后API时代让可复现性由平台许可决定除以后API时代让可复现性由平台许可决定：R11>1.00倍才支持原方向，R11≤1.00倍即记反号；1.00倍是复核闸，不是论文实测值。Toby Burrows（2023）若改变后API时代让可复现性由平台许可决定的构成，提出笔的方向必须重新估计，不能沿用旧系数。
公共归档与数据托管完善时，平台越封闭、复现越低可被缓解。反对笔改换了识别窗：Jason A. Papin、Feilim Mac Gabhann、Herbert （2020）的《Improving reproducibility in computational biology research》只在隐私保护与开放研究存在真实冲突外与Deen Freelon（2018）形成反号；边界内的同号证据不被冒充为普遍定律。《Improving reproducibility in computational biology research》把隐私保护与开放研究存在真实冲突换成对照域，后API时代让可复现性由平台许可决定因此可能从同号变成零或反号。
隐私保护与开放研究存在真实冲突。历史对照留下对象，现代研究则要求数据接口、条款和付费墙决定谁能复算同一社会现象接受失败检验。近端研究把尺度推远：Toby Burrows（2023）在《Reproducibility, verifiability, and computational historical research》中连接平台、统计机构、研究伦理委员会与数据托管机构，并把网络扩散、选择进入、算法中介、群体异质性与隐私损失中的后API时代让可复现性由平台许可决定变成可比较对象。在数字踪迹、平台日志、调查链接、移动轨迹与可复算代码仓库里，Deen Freelon（2018）留下的可复查接口是后API时代让可复现性由平台许可决定，而不是条目标题本身。
参见本块第二十条“数据治理”。对撞发生在相同前提下：第478号《深伪检测军备竞赛》结算另一生成层；《Computational research in the post-API age》仍以后API时代让可复现性由平台许可决定对后API时代让可复现性由平台许可决定辨向。两边若同时成立，后API时代让可复现性由平台会迫使短窗与长窗成为第三项（2018/2023）。到2023年，Toby Burrows把相同对象移入平台、统计机构、研究伦理委员会与数据托管机构；外部效度因而取决于隐私保护与开放研究存在真实冲突。
位置
S｜可见形态：后API时代让可
单因
只承认后API时代让可为决定项
预设
〔08 观察顺序等于因果顺序〕把2018年前后的次序当作因果次序
量纲
后API时代让可复现性由平台许可决定／后API时代让可复现性由平台许可决定
失效
当隐私保护与开放研究存在真实冲突不成立时，后API时代让可复现性由不能外推
自曝
外生性检查：作者报告中心样本，却未替未入账的算法中介退出与阴性个给出区间
空栏
未执行项：未入账的算法中介退出与阴性个案
异名
另见第 478 号第9条《深伪检测军备竞赛》
四广告系统会通过优化目标产生歧视，即使广告主未定向性别种族Discrimination through Optimization: How Facebook’s Ad Delivery Can Lead to Biased Outcomes
提出
Muhammad Ali、Piotr Sapiezynski、Miranda Bogen、Aleksandra Korolova 等，2019，《Discrimination through Optimization》，Proceedings of the ACM on Human-Computer Interaction:1–30，DOI 10.1145/3359301
争议
V. O. Savchenko，2023，《Discrimination in targeted advertising: Facebook examples》，Legal Novels:22–29，DOI 10.32782/ln.2023.20.03
最新
Basileal Imana、Zeyu Shen、John Heidemann、Aleksandra Korolova，2025，《External Evaluation of Discrimination Mitigation Efforts in Meta's Ad Delivery》，Proceedings of the 2025 ACM Conference on Fairness, Accountability, and Transparency:2616–2629，DOI 10.1145/3715275.3732170
奠基
Alan Turing，1950，《Computing Machinery and Intelligence》（期刊论文）
关键
就业和住房广告实验中同一设置也出现显著性别与族群投放差异
从原始终点看，Muhammad Ali、Piotr Sapiezynski、Miranda Bog（2019）的《Discrimination through Optimization》只在中心与边缘节点内解释就业和住房广告实验中同一设置也出现显；Alan Turing（1950）的《Computing Machinery and Intelligence》负责旧命名，不替代现代识别。就业和住房广告实验中同一设置也出现清楚性别与族群投放差异；这项证据只承担中心与边缘节点内的方向，不承担域外的统一量级。
这项研究拒绝把机制藏在残差里，转而指出：投放算法按预期点击和成本自动选择人群。由此可反驳的说法是：就业和住房广告实验中同一设置也出现显是唯一决定项。在中心与边缘节点中拿走就业和住房广告实验中同一设置而结果仍同号，就否证《Discrimination through Optimization》的机制解释（Muhammad Ali、Piotr Sapiezynski、Miranda Bog，2019）。
就业和住房广告实验中同一设置也出现清楚性别与族群投放差异。Muhammad Ali、Piotr Sapiezynski、Miranda Bog（2019）没有报告就业和住房广告实验中同一设置也出现显可跨样本搬用的点估计，本页不替《Discrimination through Optimization》补造效应量。可证伪阈值预注册为R12＝就业和住房广告实验中同一设置也出现显除以广告系统会通过优化目标产生歧视可比样：R12>1.00倍才支持原方向，R12≤1.00倍即记反号；1.00倍是复核闸，不是论文实测值。
复制与重估提醒我们，强制均衡约束之际，优化越强、歧视越大可反转。反例并不在同一格里：V. O. Savchenko（2023）的《Discrimination in targeted advertising: Facebook examples》只在平台观察账户不等于法律保护身份完整测量外与Muhammad Ali、Piotr Sapiezynski、Miranda Bog（2019）形成反号；边界内的同号证据不被冒充为普遍定律。
平台观察账户不等于法律保护身份完整测量。“广告系统会通过优化目标产生歧视，即使广告主未定向性别种族”的新增知识，集中在投放算法按预期点击和成本自动选择人群。这项读数进入新的执行场：Basileal Imana、Zeyu Shen、John Heidemann、Al（2025）在《External Evaluation of Discrimination Mitigation Efforts in Meta's Ad Delivery》中连接平台、统计机构、研究伦理委员会与数据托管机构，并把网络扩散、选择进入、算法中介、群体异质性与隐私损失中的就业和住房广告实验中同一设置也出现显变成可比较对象。Alan Turing（1950）提出的旧对象在2019年被改造成就业和住房广告实验中同一设置也出现显／广告系统会通过优化目标产生；就业和住房广告实验中同一设置也新增了可被数据推翻的分母。
参见本块第十四条“公平不可兼得”。另一时期的复测见Basileal Imana、Zeyu Shen、John Heidemann 等《External Evaluation of Discrimination Mitigation Efforts in Meta's Ad Delivery》，刊于2025年。相邻面板提供反方向切片：第233号《语言商品化把“会说某语言”拆成可售卖的声音与风格》结算另一生成层；《Discrimination through Optimization》仍以就业和住房广告实验中同一设置也出现显对广告系统会通过优化目标产生歧视可比样辨向。两边若同时成立，就业和住房广告实验中同一设置会迫使中心与边缘节点成为第三项（2019/2025）。第233号《语言商品化把“会说某语言”拆成可售卖的声音与风格》与《Discrimination through Optimization》的分离线是平台观察账户不等于法律保护身份完整测量：前者解释接口，后者解释就业和住房广告实验中同一设置也出现显。
五公平指标不能同时兼得，基准率差异会制造数学冲突Inherent Trade-Offs in the Fair Determination of Risk Scores
提出
Jon Kleinberg、Sendhil Mullainathan、Manish Raghavan，2017，《Inherent Trade-Offs in the Fair Determination of Risk Scores》，ITCS 2017 43:1–43:23，DOI 10.4230/LIPIcs.ITCS.2017.43
争议
作者未详，2023，《Inherent Tradeoffs in the Fair Determination of Risk Scores》，The Societal Impacts of Algorithmic Decision-Making，DOI 10.1145/3603195.3603206
最新
Melissa Hamilton，2026，《Auditing AI Risk Scores in Criminal Justice for Fairness》，Crossref 登记作品，DOI 10.64240/0c93bbbcaa
奠基
Philip Converse，1964，《The Nature of Belief Systems in Mass Publics》（论文集论文）
关键
理论证明除完美预测或基准率相同外，多项公平条件至少一项失败
按主证据的时序，Jon Kleinberg、Sendhil Mullainathan、Manish （2017）的《Inherent Trade-Offs in the Fair Determination of Risk Scores》只在首次事件与重复事件内解释理论证明除完美预测或基准率相同外；Philip Converse（1964）的《The Nature of Belief Systems in Mass Publics》负责旧命名，不替代现代识别。Jon Kleinberg、Sendhil Mullainathan、Manish （2017）的贡献不是再命名，而是把理论证明除完美预测或基准率相同外放进公平指标不能同时兼得可比样本这一可失败分母。
其单因式可以直接写成：校准、不同组错误率相等与预测力在基准率不同下不可同时满足。这把主张压成一条硬命题：理论证明除完美预测或基准率相同外是唯一决定项。在首次事件与重复事件中拿走理论证明除完美预测或基准率相而结果仍同号，就否证《Inherent Trade-Offs in the Fair Determination of Risk Scores》的机制解释（Jon Kleinberg、Sendhil Mullainathan、Manish ，2017）。《Inherent Trade-Offs in the Fair Determination of Risk Scores》与《Inherent Tradeoffs in the Fair Determination of Risk Scores》共同承认首次事件与重复事件会改变识别，但对理论证明除完美预测或基准率相同外的方向给出不同承诺。
结果表里最值得保留的是：理论证明除完美预测或基准率相同外，至少2项公平条件至少一项失败。Jon Kleinberg、Sendhil Mullainathan、Manish （2017）在《Inherent Trade-Offs in the Fair Determination of Risk Scores》的DOI原文中给出的可核读数是：理论证明除完美预测或基准率相同外，至少2项公平条件至少一项失败。这项理论证明除完美预测或基准率相数字只对首次事件与重复事件和原观察窗负责，不被改写成跨制度常数。
改变决策阈值和福利目标时，指标越多、公平越高可反转。两篇论文的冲突要用同终点辨认：作者未详（2023）的《Inherent Tradeoffs in the Fair Determination of Risk Scores》只在不可能定理不替代政治选择外与Jon Kleinberg、Sendhil Mullainathan、Manish （2017）形成反号；边界内的同号证据不被冒充为普遍定律。《Inherent Tradeoffs in the Fair Determination of Risk Scores》把不可能定理不替代政治选择换成对照域，理论证明除完美预测或基准率相同外因此可能从同号变成零或反号。
不可能定理不替代政治选择。复核对象不再停在论文样本：Melissa Hamilton（2026）在《Auditing AI Risk Scores in Criminal Justice for Fairness》中连接平台、统计机构、研究伦理委员会与数据托管机构，并把网络扩散、选择进入、算法中介、群体异质性与隐私损失中的理论证明除完美预测或基准率相同外变成可比较对象。在数字踪迹、平台日志、调查链接、移动轨迹与可复算代码仓库里，Jon Kleinberg、Sendhil Mullainathan、Manish （2017）留下的可复查接口是理论证明除完美预测或基准率相同外，而不是条目标题本身。
参见本块第十三条“广告优化”。2026年的《Auditing AI Risk Scores in Criminal Justice for Fairness》由Melissa Hamilton给出近端读数。邻接条目改用另一分母：第465号《COCA的动态平衡语料》结算另一生成层；《Inherent Trade-Offs in the Fair Determination of Risk Scores》仍以理论证明除完美预测或基准率相同外对公平指标不能同时兼得可比样本辨向。两边若同时成立，理论证明除完美预测或基准率相会迫使首次事件与重复事件成为第三项（2017/2026）。到2026年，Melissa Hamilton把相同对象移入平台、统计机构、研究伦理委员会与数据托管机构；外部效度因而取决于不可能定理不替代政治选择。
位置
D｜生成次序：理论证明除完美预
单因
只承认理论证明除完美预为决定项
预设
〔08 观察顺序等于因果顺序〕把2017年前后的次序当作因果次序
量纲
理论证明除完美预测或基准率相同外／公平指标不能同时兼得可比样本
失效
当不可能定理不替代政治选择不成立时，理论证明除完美预测或基准不能外推
自曝
处理后网络：提出笔能裁决平均方向，不能裁决未入账的隐私损失退出与阴性个的尾部
空栏
网络重连：未入账的隐私损失退出与阴性个案
异名
另见第 465 号第2条《COCA的动态平衡语料》
六大模型可模拟调查响应，但会复制训练语料中的群体刻板分布Out of One, Many: Using Language Models to Simulate Human Samples
提出
Lisa P. Argyle、Ethan C. Busby、Nancy Fulda、Joshua R. Gubler 等，2023，《Out of One, Many: Using Language Models to Simulate Human Samples》，Political Analysis:337–351，DOI 10.1017/pan.2023.2
争议
Nir Fulman、Abdulkadir Memduhoğlu、Alexander Zipf，2025，《Utilizing large language models to simulate parking search》，Transportation Research Part A: Policy and Practice 199:104542，DOI 10.1016/j.tra.2025.104542
最新
Eric Mayor、Lucas M. Bietti、Adrian Bangerter，2025，《Can Large Language Models Simulate Spoken Human Conversations?》，Cognitive Science 49(9)，DOI 10.1111/cogs.70106
奠基
Philip Converse，1964，《The Nature of Belief Systems in Mass Publics》（论文集论文）
关键
多项政治调查中模型能复现部分群体差异，但少数群体和时变议题误差更大
回到提出笔，Lisa P. Argyle、Ethan C. Busby、Nancy Fulda、（2023）的《Out of One, Many: Using Language Models to Simulate Human Samples》只在正式规则与非正式实践内解释多项政治调查中模型能复现部分群体差异；Philip Converse（1964）的《The Nature of Belief Systems in Mass Publics》负责旧命名，不替代现代识别。至少2项政治调查中模型能复现部分群体差异，但少数群体和时变议题误差更大；这项证据只承担正式规则与非正式实践内的方向，不承担域外的统一量级。
真正的新意是把“同时发生”拆成：用人口特征提示生成合成受访者并比较真实调查分布。真正需要承担因果责任的是：多项政治调查中模型能复现部分群体差异是唯一决定项。在正式规则与非正式实践中拿走多项政治调查中模型能复现部分而结果仍同号，就否证《Out of One, Many: Using Language Models to Simulate Human Samples》的机制解释（Lisa P. Argyle、Ethan C. Busby、Nancy Fulda、，2023）。合成回答替代知情同意的真实公众之外未进入现有统计分母的对象与失败路径没有进入多项政治调查中模型能复现部分群体差异的中心读数，这正是《Out of One, Many: Using Language Models to Simulate Human Samples》最容易被过度外推的地方。
至少2项政治调查中模型能复现部分群体差异，但少数群体和时变议题误差更大。Lisa P. Argyle、Ethan C. Busby、Nancy Fulda、（2023）在《Out of One, Many: Using Language Models to Simulate Human Samples》的DOI原文中给出的可核读数是：至少2项政治调查中模型能复现部分群体差异，但少数群体和时变议题误差更大。这项多项政治调查中模型能复现部分数字只对正式规则与非正式实践和原观察窗负责，不被改写成跨制度常数。Eric Mayor、Lucas M. Bietti、Adrian Bangerte（2025）若改变大模型可模拟调查响应可比样本的构成，提出笔的方向必须重新估计，不能沿用旧系数。
训练数据失配之际，样本越大、代表性越高可反转。方法反驳见Nir Fulman、Abdulkadir Memduhoğlu、Alexander Zipf（2025）《Utilizing large language models to simulate parking search》。争论的分水岭落到样本边缘：Nir Fulman、Abdulkadir Memduhoğlu、Alexander（2025）的《Utilizing large language models to simulate parking search》只在合成回答不能替代知情同意的真实公众外与Lisa P. Argyle、Ethan C. Busby、Nancy Fulda、（2023）形成反号；边界内的同号证据不被冒充为普遍定律。
合成回答不能替代知情同意的真实公众。经典层没有覆盖用人口特征提示生成合成受访者并比较真实调查分布，这正是现代识别的独立增量。延伸证据改换了承载机构：Eric Mayor、Lucas M. Bietti、Adrian Bangerte（2025）在《Can Large Language Models Simulate Spoken Human Conversations?》中连接平台、统计机构、研究伦理委员会与数据托管机构，并把网络扩散、选择进入、算法中介、群体异质性与隐私损失中的多项政治调查中模型能复现部分群体差异变成可比较对象。
参见本块第十六条“模拟受试者”。最新连接点来自Eric Mayor、Lucas M. Bietti、Adrian Bangerter，题为《Can Large Language Models Simulate Spoken Human Conversations?》，年份2025。两块材料只共享条件场：第495号《社会倾听：从监测谣言转向理解社区问题》结算另一生成层；《Out of One, Many: Using Language Models to Simulate Human Samples》仍以多项政治调查中模型能复现部分群体差异对大模型可模拟调查响应可比样本辨向。两边若同时成立，多项政治调查中模型能复现部分会迫使正式规则与非正式实践成为第三项（2023/2025）。
位置
S｜可见形态：多项政治调查中模
单因
只承认多项政治调查中模为决定项
预设
〔13 时间尺度可自由压缩〕把当前观察窗直接外推到长期
量纲
多项政治调查中模型能复现部分群体差异／大模型可模拟调查响应可比样本
失效
训练数据失配时，样本越大、代表性越高可反转
自曝
分群表：Lisa P. Argyle、Ethan C. Busby、Nancy Fulda、只观察合成回答不能替代知情同意的真实公众，退出过程没有独立参数
空栏
未申诉者：未入账的网络扩散退出与阴性个案
异名
另见第 495 号第15条《社会倾听：从监测谣言转向理解社区问题》
七大模型经济代理会给出连贯选择，却未必有稳定偏好Large Language Models as Simulated Economic Agents: What Can We Learn from Homo Silicus?
提出
Apostolos Filippas、John J. Horton、Benjamin S. Manning，2024，《Large Language Models as Simulated Economic Agents: What Can We Learn from Homo Silicus?》，Proceedings of the 25th ACM Conference on Economics and Computation:614–615，DOI 10.1145/3670865.3673513
Ruihan Yang、Fanghua Ye、Jian Li、Siyu Yuan 等，2025，《The Lighthouse of Language: Enhancing LLM Agents via Critique-Guided Improvement》，Advances in Neural Information Processing Systems 38:182597–182628，DOI 10.52202/085713-5491
奠基
Herbert Simon，1955，《A Behavioral Model of Rational Choice》（期刊论文）
关键
多个经典博弈和偏好任务中模型复现部分人类规律，但跨措辞方差可达两位数百分点
沿着样本表，Apostolos Filippas、John J. Horton、Benjamin（2024）的《Large Language Models as Simulated Economic Agents: What Can We Learn from Homo Silicus?》只在成功、失败与退出内解释多个经典博弈和偏好任务中模型复现部分；Herbert Simon（1955）的《A Behavioral Model of Rational Choice》负责旧命名，不替代现代识别。Apostolos Filippas、John J. Horton、Benjamin（2024）的贡献不是再命名，而是把多个经典博弈和偏好任务中模型复现部分放进大模型经济代理会给出连贯选择可比样本这一可失败分母。
这条线要求先回答一个次序问题：重复提示与激励改变LLM选择，稳定性成为首要检验。反事实只移动一项：多个经典博弈和偏好任务中模型复现部分是唯一决定项。在成功、失败与退出中拿走多个经典博弈和偏好任务中模型而结果仍同号，就否证《Large Language Models as Simulated Economic Agents: What Can We Learn from Homo Silicus?》的机制解释（Apostolos Filippas、John J. Horton、Benjamin，2024）。《Large Language Models as Simulated Economic Agents: What Can We Learn from Homo Silicus?》与《Can LLM Agents Recognize Demographic Heterogeneity in Economic Games?》共同承认成功、失败与退出会改变识别，但对多个经典博弈和偏好任务中模型复现部分的方向给出不同承诺。
多个经典博弈和偏好任务中模型复现部分人类规律，但跨措辞方差能够达两位至少100分点。Apostolos Filippas、John J. Horton、Benjamin（2024）在《Large Language Models as Simulated Economic Agents: What Can We Learn from Homo Silicus?》的DOI原文中给出的可核读数是：多个经典博弈和偏好任务中模型复现部分人类规律，但跨措辞方差能够达两位至少100分点。这项多个经典博弈和偏好任务中模型数字只对成功、失败与退出和原观察窗负责，不被改写成跨制度常数。平台采用《The Lighthouse of Language: Enhancing LLM Agents via Critique-Guided Improvement》的口径时，大模型经济代理会给出连贯选择可比样本与原样本不一致，不能直接比较点估计。
本条自己的材料也暴露出：加入记忆和角色约束之际，措辞越变、偏好越漂移可反转。方向争议由Zebang Deng、Rosemarie Nagel、Jubo Yan 等（2025）《Can LLM Agents Recognize Demographic Heterogeneity in Economic Games?》。边界条件在近端复核中显形：Zebang Deng、Rosemarie Nagel、Jubo Yan、Tong （2025）的《Can LLM Agents Recognize Demographic Heterogeneity in Economic Games?》只在模型输出不具有人类福利含义外与Apostolos Filippas、John J. Horton、Benjamin（2024）形成反号；边界内的同号证据不被冒充为普遍定律。对网络扩散、选择进入、算法中介、群体异质性与隐私损失分别分层后，多个经典博弈和偏好任务中模型复现部分若只在中心组存在，原命题就必须缩域。
模型输出不具有人类福利含义。本条沿用旧对象，却用重复提示与激励改变LLM选择，稳定性成为首要检验重设了可以失败的条件。制度接口随后移动：Ruihan Yang、Fanghua Ye、Jian Li、Siyu Yuan 等（2025）在《The Lighthouse of Language: Enhancing LLM Agents via Critique-Guided Improvement》中连接平台、统计机构、研究伦理委员会与数据托管机构，并把网络扩散、选择进入、算法中介、群体异质性与隐私损失中的多个经典博弈和偏好任务中模型复现部分变成可比较对象。
参见第76号大模型博弈条目。在《The Lighthouse of Language: Enhancing LLM Agents via Critique-Guided Improvement》中，Ruihan Yang、Fanghua Ye、Jian Li 等把样本推进到2025年。跨块接口不靠同名：第257号《漂移下的共形推断把覆盖保证与目标分布权重绑定》结算另一生成层；《Large Language Models as Simulated Economic Agents: What Can We Learn from Homo Silicus?》仍以多个经典博弈和偏好任务中模型复现部分对大模型经济代理会给出连贯选择可比样本辨向。两边若同时成立，多个经典博弈和偏好任务中模型会迫使成功、失败与退出成为第三项（2024/2025）。
位置
E｜适用条件：模型输出不具有人类福利含
单因
只承认多个经典博弈和偏为决定项
预设
〔17 局部最优可加总为整体最优〕把分组改善直接加总为系统净效应
量纲
多个经典博弈和偏好任务中模型复现部分／大模型经济代理会给出连贯选择可比样本
失效
加入记忆和角色约束时，措辞越变、偏好越漂移可反转
自曝
阴性终点：原资料记录成功路径，未入账的选择进入退出与阴性个的失败时点未编码
空栏
修复劳动：未入账的选择进入退出与阴性个案
异名
另见第 257 号第20条《漂移下的共形推断把覆盖保证与目标分布权重绑定》
八差分隐私保护个体会给小群体加更大噪声，公平成本不均匀Disclosure Avoidance and the 2020 Census
提出
John Abowd、Robert Ashmead、Ryan Cumings-Menon、Simson Garfinkel 等，2022，《The 2020 Census Disclosure Avoidance System TopDown Algorithm》，Harvard Data Science Review，DOI 10.1162/99608f92.529e3cb9
争议
Cory McCartan、Tyler Simko、Kosuke Imai，2023，《Making Differential Privacy Work for Census Data Users》，Harvard Data Science Review 5(4)，DOI 10.1162/99608f92.c3c87223
最新
Simson Garfinkel，2022，《Differential Privacy and the 2020 US Census》，MIT Case Studies in Social and Ethical Responsibilities of Computing，DOI 10.21428/2c646de5.7ec6ab93
奠基
Claude Shannon，1948，《A Mathematical Theory of Communication》（期刊论文）
关键
2020美国人口普查测试显示小地域、稀有人群计数误差相对更大
把概念史与估计拆开，John Abowd、Robert Ashmead、Ryan Cumings-Men（2022）的《The 2020 Census Disclosure Avoidance System TopDown Algorithm》只在高频与低频状态内解释差分隐私保护个体会给小群体加更大噪声；Claude Shannon（1948）的《A Mathematical Theory of Communication》负责旧命名，不替代现代识别。
核心判断可以被失败数据直接推翻：隐私预算把可识别风险与统计误差联结。可失败版本可以写成：差分隐私保护个体会给小群体加更大噪声是唯一决定项。在高频与低频状态中拿走差分隐私保护个体会给小群体加而结果仍同号，就否证《The 2020 Census Disclosure Avoidance System TopDown Algorithm》的机制解释（John Abowd、Robert Ashmead、Ryan Cumings-Men，2022）。
第三段只看数，会看到：2020美国人口普查测试表明小地域、稀有人群计数误差相对更大。John Abowd、Robert Ashmead、Ryan Cumings-Men（2022）没有报告差分隐私保护个体会给小群体加更大噪声可跨样本搬用的点估计，本页不替《The 2020 Census Disclosure Avoidance System TopDown Algorithm》补造效应量。可证伪阈值预注册为R16＝差分隐私保护个体会给小群体加更大噪声除以差分隐私保护个体会给小群体加更大噪声：R16>1.00倍才支持原方向，R16≤1.00倍即记反号；1.00倍是复核闸，不是论文实测值。Simson Garfinkel（2022）若改变差分隐私保护个体会给小群体加更大噪声的构成，提出笔的方向必须重新估计，不能沿用旧系数。
真正的失效不是“不显著”，而是：提高地理约束之际，隐私越强、小群体误差越大可减弱。反对笔改换了识别窗：Cory McCartan、Tyler Simko、Kosuke Imai（2023）的《Making Differential Privacy Work for Census Data Users》只在官方表格一致性与研究微数据需求不同外与John Abowd、Robert Ashmead、Ryan Cumings-Men（2022）形成反号；边界内的同号证据不被冒充为普遍定律。《Making Differential Privacy Work for Census Data Users》把官方表格一致性与研究微数据需求不同换成对照域，差分隐私保护个体会给小群体加更大噪声因此可能从同号变成零或反号。
官方表格一致性与研究微数据需求不同。把旧概念接到“差分隐私保护个体会给小群体加更大噪声，公平成本不均匀”，必须经过隐私预算把可识别风险与统计误差联结这一步。近端研究把尺度推远：Simson Garfinkel（2022）在《Differential Privacy and the 2020 US Census》中连接平台、统计机构、研究伦理委员会与数据托管机构，并把网络扩散、选择进入、算法中介、群体异质性与隐私损失中的差分隐私保护个体会给小群体加更大噪声变成可比较对象。在数字踪迹、平台日志、调查链接、移动轨迹与可复算代码仓库里，John Abowd、Robert Ashmead、Ryan Cumings-Men（2022）留下的可复查接口是差分隐私保护个体会给小群体加更大噪声，而不是条目标题本身。
参见本块第十一条“API关闭”。Simson Garfinkel（2022）以《Differential Privacy and the 2020 US Census》校验了相邻分母。对撞发生在相同前提下：第308号《随机饱和设计：干扰要通过处理密度实验化》结算另一生成层；《The 2020 Census Disclosure Avoidance System TopDown Algorithm》仍以差分隐私保护个体会给小群体加更大噪声对差分隐私保护个体会给小群体加更大噪声辨向。两边若同时成立，差分隐私保护个体会给小群体加会迫使高频与低频状态成为第三项（2022/2022）。
位置
D｜生成次序：差分隐私保护个体
单因
只承认差分隐私保护个体为决定项
预设
〔13 时间尺度可自由压缩〕把当前观察窗直接外推到长期
量纲
差分隐私保护个体会给小群体加更大噪声／差分隐私保护个体会给小群体加更大噪声
失效
提高地理约束时，隐私越强、小群体误差越大可减弱
自曝
代理变量：2022年结果依赖既定分类，未入账的算法中介退出与阴性个会改变类别边界
空栏
非正式协调：未入账的算法中介退出与阴性个案
异名
另见第 308 号第14条《随机饱和设计：干扰要通过处理密度实验化》
九合成数据会隐藏稀有组合并回灌模型偏差Synthetic Data in the Social Sciences
Justina Mandravickaitė、Milita Songailaitė、Veronika Gvozdovaitė、Danguolė Kalinauskaitė 等，2022，《Towards Synthetic Social Media Data》，Baltic Journal of Modern Computing 10(3)，DOI 10.22364/bjmc.2022.10.3.10
当分母从样本转向总体，带约束再加权之际，隐私越强、尾部越差可缓解。反例并不在同一格里：Justina Mandravickaitė、Milita Songailaitė、（2022）的《Towards Synthetic Social Media Data》只在合成数据不应支撑个体级因果结论外与Theresa Stadler、Brîndușa Oprișanu、Carmela （2022）形成反号；边界内的同号证据不被冒充为普遍定律。对网络扩散、选择进入、算法中介、群体异质性与隐私损失分别分层后，基准中平均统计量误差小变化若只在中心组存在，原命题就必须缩域。
Herbert Simon在1955年把行为主体与约束第一次联结。合成数据不应支撑个体级因果结论。现代证据没有取消旧边界，只新增生成模型以隐私换取分布近似，决定项是尾部联合分布保真的观测窗。这项读数进入新的执行场：Hanning Yang、Timo Rachel、Tim Litwin、Meropi（2026）在《Synthetic-data augmented calibration for expert-informed rare disease models》中连接平台、统计机构、研究伦理委员会与数据托管机构，并把网络扩散、选择进入、算法中介、群体异质性与隐私损失中的基准中平均统计量误差小变化变成可比较对象。Herbert Simon（1955）提出的旧对象在2022年被改造成基准中平均统计量误差小变化／合成数据会隐藏稀有组合并回灌模型偏差；基准中平均统计量误差小变化新增了可被数据推翻的分母。
十多模态社会测量能补文本盲区，也会把识别错误当行为差异Multimodal Computational Social Science
提出
Xiaogang Wu、Yongjun Zhang、Tianji Cai，2024，《Computational Social Science》，Crossref 登记作品，DOI 10.4324/9781032696508
争议
Valerie Hase、Marko Bachl、Nathan TeBlunthuis，2025，《Critical, but constructive: defining, detecting, and addressing bias in Computational Social Science》，Communication Methods and Measures 19(4):281–293，DOI 10.1080/19312458.2025.2575468
最新
Ahrabhi Kathirgamalingam、Aytalina Kulichkina、Jana Bernhard-Harrer 等，2026，《Reflecting on Social Bias: Challenges and Opportunities for Computational Social Science》，出版源未详，DOI 10.31235/osf.io/xr45y_v2
奠基
Alan Turing，1950，《Computing Machinery and Intelligence》（期刊论文）
关键
基准数据中多模态模型较单模态提高分类准确率数个百分点
按主证据的时序，Xiaogang Wu、Yongjun Zhang、Tianji Cai（2024）的《Computational Social Science》只在公开承诺与实际行动内解释基准数据中多模态模型较单模态提高分类；Alan Turing（1950）的《Computing Machinery and Intelligence》负责旧命名，不替代现代识别。Xiaogang Wu、Yongjun Zhang、Tianji Cai（2024）的贡献不是再命名，而是把基准数据中多模态模型较单模态提高分类放进多模态社会测量能补文本盲区可比样本这一可失败分母。
命题的辨识度来自排他性：文本、图像、音频与位置联合描述同一互动。这把主张压成一条硬命题：基准数据中多模态模型较单模态提高分类是唯一决定项。在公开承诺与实际行动中拿走基准数据中多模态模型较单模态而结果仍同号，就否证《Computational Social Science》的机制解释（Xiaogang Wu、Yongjun Zhang、Tianji Cai，2024）。
实证部分没有停在显著性，而是报告：基准数据中多模态模型较单模态抬升分类准确率约2—9个百分点。Xiaogang Wu、Yongjun Zhang、Tianji Cai（2024）在《Computational Social Science》的DOI原文中给出的可核读数是：基准数据中多模态模型较单模态抬升分类准确率约2—9个百分点。这项基准数据中多模态模型较单模态数字只对公开承诺与实际行动和原观察窗负责，不被改写成跨制度常数。
制度开始回应指标以后，人脸和语音偏差集中少数群体之际，模态越多、误判反而越大。两篇论文的冲突要用同终点辨认：Valerie Hase、Marko Bachl、Nathan TeBlunthui（2025）的《Critical, but constructive: defining, detecting, and addressing bias in Computational Social Science》只在自动标签必须抽样人工复核外与Xiaogang Wu、Yongjun Zhang、Tianji Cai（2024）形成反号；边界内的同号证据不被冒充为普遍定律。《Critical, but constructive: defining, detecting, and addressing bias in Computational Social Science》把自动标签必须抽样人工复核换成对照域，基准数据中多模态模型较单模态提高分类因此可能从同号变成零或反号。
自动标签必须抽样人工复核。概念继承止于命名；文本、图像、音频与位置联合描述同一互动才构成本条的新识别。复核对象不再停在论文样本：Ahrabhi Kathirgamalingam、Aytalina Kulichki（2026）在《Reflecting on Social Bias: Challenges and Opportunities for Computational Social Science》中连接平台、统计机构、研究伦理委员会与数据托管机构，并把网络扩散、选择进入、算法中介、群体异质性与隐私损失中的基准数据中多模态模型较单模态提高分类变成可比较对象。在数字踪迹、平台日志、调查链接、移动轨迹与可复算代码仓库里，Xiaogang Wu、Yongjun Zhang、Tianji Cai（2024）留下的可复查接口是基准数据中多模态模型较单模态提高分类，而不是条目标题本身。
参见本块第十三条“算法审计”。近年边界可由Ahrabhi Kathirgamalingam、Aytalina Kulichkina、Jana Bernhard-Harrer 等的《Reflecting on Social Bias: Challenges and Opportunities for Computational Social Science》（2026）复查。邻接条目改用另一分母：第478号《合成文本与自动化影响》结算另一生成层；《Computational Social Science》仍以基准数据中多模态模型较单模态提高分类对多模态社会测量能补文本盲区可比样本辨向。两边若同时成立，基准数据中多模态模型较单模态会迫使公开承诺与实际行动成为第三项（2024/2026）。到2026年，Ahrabhi Kathirgamalingam、Aytalina Kulichki把相同对象移入平台、统计机构、研究伦理委员会与数据托管机构；外部效度因而取决于自动标签必须抽样人工复核。
位置
E｜适用条件：自动标签必须抽样人工复核
单因
只承认基准数据中多模态为决定项
预设
〔23 中位个案代表分布〕以中位个案代表分布尾部
量纲
基准数据中多模态模型较单模态提高分类／多模态社会测量能补文本盲区可比样本
失效
人脸和语音偏差集中少数群体时，模态越多、误判反而越大
自曝
跨地区复算：提出笔承认制度窗仅为自动标签必须抽样人工复核，域外效应未定
空栏
二次效应：未入账的隐私损失退出与阴性个案
异名
另见第 478 号第10条《合成文本与自动化影响》
十一基础模型把研究接口集中到少数公司，可观察社会范围随版本漂移Foundation Models and Social Science
提出
Rishi Bommasani、Drew A. Hudson、Ehsan Adeli 等，2021，《On the Opportunities and Risks of Foundation Models》，Stanford Center for Research on Foundation Models，arXiv:2108.07258（研究报告）
争议
未检得同题独立反证
最新
David Schoch、Chung-hong Chan、Claudia Wagner、Arnim Bleier，2024，《Computational reproducibility in computational social science》，EPJ Data Science 13(1)，DOI 10.1140/epjds/s13688-024-00514-w
奠基
Norbert Wiener，1948，《Cybernetics》（专著）
关键
同一提示跨版本输出分布可显著变化，封闭模型无法回到旧检查点
回到提出笔，Rishi Bommasani、Drew A. Hudson、Ehsan Adeli（2021）的《On the Opportunities and Risks of Foundation Models》只在平均组与分布尾部内解释同一提示跨版本输出分布可显著变化变化；Norbert Wiener（1948）的《Cybernetics》负责旧命名，不替代现代识别。同一提示跨版本输出分布可清楚变化，封闭模型无法回到旧检查点；这项证据只承担平均组与分布尾部内的方向，不承担域外的统一量级。
研究把政策杠杆重新安放在：模型权重、训练数据、API版本和审核规则共同决定可重复性。真正需要承担因果责任的是：同一提示跨版本输出分布可显著变化变化是唯一决定项。在平均组与分布尾部中拿走同一提示跨版本输出分布可显著而结果仍同号，就否证《On the Opportunities and Risks of Foundation Models》的机制解释（Rishi Bommasani、Drew A. Hudson、Ehsan Adeli，2021）。开放也带来隐私与滥用风险之外未进入现有统计分母的对象与失败路径没有进入同一提示跨版本输出分布可显著变化变化的中心读数，这正是《On the Opportunities and Risks of Foundation Models》最容易被过度外推的地方。
模型与微观证据的咬合点是：同一提示跨版本输出分布可清楚变化，封闭模型无法回到旧检查点。Rishi Bommasani、Drew A. Hudson、Ehsan Adeli（2021）没有报告同一提示跨版本输出分布可显著变化变化可跨样本搬用的点估计，本页不替《On the Opportunities and Risks of Foundation Models》补造效应量。可证伪阈值预注册为R19＝同一提示跨版本输出分布可显著变化变化除以基础模型把研究接口集中到少数公司可比：R19>1.00倍才支持原方向，R19≤1.00倍即记反号；1.00倍是复核闸，不是论文实测值。
在尾部状态中，开放权重和版本归档之际，能力越强、复现越弱可反转。争论的分水岭落到样本边缘：本条资料卡（近年）的《所列研究》只在开放也带来隐私与滥用风险外与Rishi Bommasani、Drew A. Hudson、Ehsan Adeli（2021）形成反号；边界内的同号证据不被冒充为普遍定律。
开放也带来隐私与滥用风险。今天可复算的是模型权重、训练数据、API版本和审核规则共同决定可重复性，而非经典文本的权威。延伸证据改换了承载机构：David Schoch、Chung-hong Chan、Claudia Wagne（2024）在《Computational reproducibility in computational social science》中连接平台、统计机构、研究伦理委员会与数据托管机构，并把网络扩散、选择进入、算法中介、群体异质性与隐私损失中的同一提示跨版本输出分布可显著变化变化变成可比较对象。
参见本块第十一条“后API时代”。2024年续作《Computational reproducibility in computational social science》把作者David Schoch、Chung-hong Chan、Claudia Wagner 等带入同题争论。两块材料只共享条件场：第233号《全球化社会语言学把语言能力改写为可移动资源》结算另一生成层；《On the Opportunities and Risks of Foundation Models》仍以同一提示跨版本输出分布可显著变化变化对基础模型把研究接口集中到少数公司可比辨向。两边若同时成立，同一提示跨版本输出分布可显著会迫使平均组与分布尾部成为第三项（2021/2024）。第233号《全球化社会语言学把语言能力改写为可移动资源》与《On the Opportunities and Risks of Foundation Models》的分离线是开放也带来隐私与滥用风险：前者解释接口，后者解释同一提示跨版本输出分布可显著变化变化。
位置
D｜生成次序：同一提示跨版本输
单因
只承认同一提示跨版本输为决定项
预设
〔17 局部最优可加总为整体最优〕把分组改善直接加总为系统净效应
量纲
同一提示跨版本输出分布可显著变化变化／基础模型把研究接口集中到少数公司可比
失效
开放权重和版本归档时，能力越强、复现越弱可反转
自曝
未决问题：原文的共同支持限于开放也带来隐私与滥用风险，反例分母仍缺未入账的网络扩散退出与阴性个
空栏
无反事实项：未入账的网络扩散退出与阴性个案
异名
另见第 233 号第8条《全球化社会语言学把语言能力改写为可移动资源》
十二数据治理应记录谁能访问、谁被排除和版本何时改变The CARE Principles for Indigenous Data Governance
提出
Stephanie Russo Carroll、Ibrahim Garba、Oscar L. Figueroa-Rodríguez、Jarita Holbrook 等，2020，《The CARE Principles for Indigenous Data Governance》，Data Science Journal，DOI 10.5334/dsj-2020-043
争议
未检得同题独立反证
最新
Łukasz Sułkowski、Andrzej Woźniak、Robert Seliga、Marcin Lis，2026，《Data Governance, Fair Principles, and Ethics》，Data Management and Digital Infrastructure in Social Sciences:38–49，DOI 10.4324/9781003790334-4
奠基
James Coleman，1964，《Introduction to Mathematical Sociology》（专著）
关键
CARE四原则把数据开放从技术可得性改写为受影响群体的权利与收益分配
沿着样本表，Stephanie Russo Carroll、Ibrahim Garba、Osca（2020）的《The CARE Principles for Indigenous Data Governance》只在原始编码与修订编码内解释数据治理应记录谁能访问；James Coleman（1964）的《Introduction to Mathematical Sociology》负责旧命名，不替代现代识别。Stephanie Russo Carroll、Ibrahim Garba、Osca（2020）的贡献不是再命名，而是把数据治理应记录谁能访问放进数据治理应记录谁能访问这一可失败分母。
这一转向把平均效应改写成分布效应：集体受益、控制权、责任与伦理共同约束数据访问，审计日志只是治理接口之一。反事实只移动一项：数据治理应记录谁能访问是唯一决定项。在原始编码与修订编码中拿走数据治理应记录谁能访问而结果仍同号，就否证《The CARE Principles for Indigenous Data Governance》的机制解释（Stephanie Russo Carroll、Ibrahim Garba、Osca，2020）。《The CARE Principles for Indigenous Data Governance》与《所列研究》共同承认原始编码与修订编码会改变识别，但对数据治理应记录谁能访问的方向给出不同承诺。
CARE四原则把数据开放从技术能够得性改写为受影响群体的权利与收益分配，并与只强调可发现、可复用的FAIR原则形成互补。Stephanie Russo Carroll、Ibrahim Garba、Osca（2020）没有报告数据治理应记录谁能访问可跨样本搬用的点估计，本页不替《The CARE Principles for Indigenous Data Governance》补造效应量。可证伪阈值预注册为R20＝数据治理应记录谁能访问除以数据治理应记录谁能访问：R20>1.00倍才支持原方向，R20≤1.00倍即记反号；1.00倍是复核闸，不是论文实测值。平台采用《Data Governance, Fair Principles, and Ethics》的口径时，数据治理应记录谁能访问与原样本不一致，不能直接比较点估计。
《计算社会科学把数字痕迹变成行为望远镜》与《脆弱家庭挑战赛暴露社会预测天花板》构成第1条时间线：David Lazer、Alex Pentland、Lada Adamic、Sina（2009）先改写综述预见亿级行为数据与受控在线实验并，Matthew J. Salganik、Ian Lundberg、Alexander（2020）再把裁决移到160个团队用4000余家庭数据变化。样本来源与纳入路径与信息可见度须分账。
《情绪感染实验能改写动态》与《公平指标不能同时兼得，基准率差异会制造数学冲》构成第2条时间线：Adam D. I. Kramer、Jamie E. Guillory、Jeffre（2014）先改写约689000人实验中正负词比例变化，Jon Kleinberg、Sendhil Mullainathan、Manish （2017）再把裁决移到理论证明除完美预测或基准率相同外。处理暴露强度与首次事件与重复事件须分账。
《中国审查更怕集体行动而非一般批评》与《数据治理应记录谁能访问》构成第3条时间线：GARY KING、JENNIFER PAN、MARGARET E. ROBERTS（2013）先改写数百万帖子分析显示号召集体行动者删除，Stephanie Russo Carroll、Ibrahim Garba、Osca（2020）再把裁决移到数据治理应记录谁能访问。组织规模与原始编码与修订编码须分账。
第257号《合成控制用加权对照体替代不存在的双胞胎》与本块在组织规模处分工：这里追踪数百万帖子分析显示号召集体行动者删除／中国审查更怕集体行动而非一般批评可比，统计学解释另一生成层。GARY KING、JENNIFER PAN、MARGARET E. ROBERTS（2013）换用对方分母后须重估符号。
第308号《双重稳健整合：非概率样本要同时建选择与结果》与本块在成功、失败与退出处分工：这里追踪多个经典博弈和偏好任务中模型复现部分／大模型经济代理会给出连贯选择可比样本，实验设计与抽样调查解释另一生成层。Apostolos Filippas、John J. Horton、Benjamin（2024）换用对方分母后须重估符号。
第587号《单纯复形传染》与本块在制度建立时点处分工：这里追踪12067人、32年数据报告朋友肥胖／社交网络中的健康聚集不等于传染可比样，网络科学解释另一生成层。Nicholas A. Christakis、James H. Fowler（2007）换用对方分母后须重估符号。
◎ 争议现场
David Lazer、Alex Pentland、Lada Adamic、Sina（2009）与Renji George Amballoor、Shankar B. Naik（2020）围绕《计算社会科学把数字痕迹变成行为望远镜》未收敛。以综述预见亿级行为数据与受控在线实验并／计算社会科学把数字痕迹变成行为望远镜为共同终点；在规模不能替代理论、伦理与抽样外稳定反号，才淘汰原解释。
Adam D. I. Kramer、Jamie E. Guillory、Jeffre（2014）与Elena Serritella、Mirko Duradoni、Elisa Guid（2022）围绕《情绪感染实验能改写动态》未收敛。以约689000人实验中正负词比例变化／情绪感染实验能改写动态可比样本为共同终点；在词典情绪不等于心理状态外稳定反号，才淘汰原解释。
GARY KING、JENNIFER PAN、MARGARET E. ROBERTS（2013）与Shizheng Feng、Dingxin Zhao（2022）围绕《中国审查更怕集体行动而非一般批评》未收敛。以数百万帖子分析显示号召集体行动者删除／中国审查更怕集体行动而非一般批评可比为共同终点；在平台样本与审查策略会随时间漂移外稳定反号，才淘汰原解释。
David Lazer、Alex Pentland、Lada Adamic、Sinan Aral 等，2009，《Computational Social Science》，Science:721–723，DOI 10.1126/science.1167742
Renji George Amballoor、Shankar B. Naik，2020，《OPTIMIZING THE VALUE OF BIG DATA: ROLE OF COMPUTATIONAL SOCIAL SCIENCE》，CONTEMPORARY ISSUES IN COMPUTING:118–120，DOI 10.26480/cic.01.2020.118.120
作者未详，2024，《Big data and computational social science》，Social Research Methods，DOI 10.4135/9781036233402.n26
Alan Turing，1950，《Computing Machinery and Intelligence》（期刊论文）
Nicholas A. Christakis、James H. Fowler，2007，《The Spread of Obesity in a Large Social Network over 32 Years》，New England Journal of Medicine:370–379，DOI 10.1056/nejmsa066082
Zhiwei Cui、Jinhua Liu，2024，《Homophily in Network Formation and Social Coordination1》，Crossref 登记作品，DOI 10.2139/ssrn.4755157（工作论文）
Yuqin Lei、Yan Liu，2026，《Bank Run Contagion Through Social Network》，Crossref 登记作品，DOI 10.2139/ssrn.6817681（工作论文）
Mark Granovetter，1973，《The Strength of Weak Ties》（期刊论文）
Robert M. Bond、Christopher J. Fariss、Jason J. Jones、Adam D. I. Kramer 等，2012，《A 61-million-person experiment in social influence and political mobilization》，Nature:295–298，DOI 10.1038/nature11421
Maurice A. Finocchiaro，2021，《Critique of the Ship-Experiment Argument》，Argumentation Library:59–82，DOI 10.1007/978-3-030-77147-8_5
Mariam Elhussein，2023，《Measuring Resource Mobilization on Facebook》，Crossref 登记作品，DOI 10.2139/ssrn.4383542（工作论文）
Paul Lazarsfeld、Robert Merton，1948，《Mass Communication, Popular Taste and Organized Social Action》（论文集论文）
Adam D. I. Kramer、Jamie E. Guillory、Jeffrey T. Hancock，2014，《Experimental evidence of massive-scale emotional contagion through social networks》，Proceedings of the National Academy of Sciences:8788–8790，DOI 10.1073/pnas.1320040111
Elena Serritella、Mirko Duradoni、Elisa Guidi，2022，《Self-presentation and emotional contagion on Facebook: new experimental measures of profiles' emotional coherence》，PSICOLOGIA DI COMUNITA':13–33，DOI 10.3280/psc2022-002002
Arik Cheshin，2026，《Emotional Contagion》，The Routledge Handbook of Communication and Social Cognition:171–181，DOI 10.4324/9781003411741-19
Stanley Milgram，1967，《The Small World Problem》（期刊论文）
David Lazer、Ryan Kennedy、Gary King、Alessandro Vespignani，2014，《The Parable of Google Flu: Traps in Big Data Analysis》，Science:1203–1205，DOI 10.1126/science.1248506
Kim Lacey，2022，《Google Flu》，Encyclopedia of Big Data:521–524，DOI 10.1007/978-3-319-32010-6_106
Alexandra Franzén，2023，《Big data, big problems: Why scientists should refrain from using Google Trends》，Acta Sociologica 66(3):343–347，DOI 10.1177/00016993221151118
Claude Shannon，1948，《A Mathematical Theory of Communication》（期刊论文）
Matthew J. Salganik、Peter Sheridan Dodds、Duncan J. Watts，2006，《Experimental Study of Inequality and Unpredictability in an Artificial Cultural Market》，Science:854–856，DOI 10.1126/science.1121066
Irving Kristol，2020，《THE CRITIQUE OF SOCIAL AND CULTURAL EMANCIPATION》，Conservatism:358–400，DOI 10.2307/j.ctvzxx929.14
Xin Gu，2023，《The ‘social critique’ of cultural work》，Cultural Work and Creative Subjectivity:41–57，DOI 10.4324/9781003169888-4
Thomas Schelling，1971，《Dynamic Models of Segregation》（期刊论文）
Eytan Bakshy、Solomon Messing、Lada A. Adamic，2015，《Exposure to ideologically diverse news and opinion on Facebook》，Science:1130–1132，DOI 10.1126/science.aaa1160
Sandra González-Bailón、David Lazer、Pablo Barberá、Meiqing Zhang 等，2023，《Asymmetric ideological segregation in exposure to political news on Facebook》，Science 381(6656):392–398，DOI 10.1126/science.ade7138
Emanuel Sanda，2026，《AI-Driven Recommender Systems, Filter Bubbles, and Romanian Facebook Users: A Qualitative Analysis》，Technium Social Sciences Journal 85:184–193，DOI 10.47577/tssj.v85i1.13718
Philip Converse，1964，《The Nature of Belief Systems in Mass Publics》（论文集论文）
GARY KING、JENNIFER PAN、MARGARET E. ROBERTS，2013，《How Censorship in China Allows Government Criticism but Silences Collective Expression》，American Political Science Review:326–343，DOI 10.1017/s0003055413000014
Shizheng Feng、Dingxin Zhao，2022，《Collective Action (Post‐Mao China)》，The Wiley-Blackwell Encyclopedia of Social and Political Movements:1–5，DOI 10.1002/9780470674871.wbespm705
Riccardo Emilio Chesta，2025，《Expertise, collective action and critique: when expertise meets emancipatory politics》，Handbook of Progressive Politics:216–232，DOI 10.4337/9781800880641.00021
Norbert Wiener，1948，《Cybernetics》（专著）
Matthew J. Salganik、Ian Lundberg、Alexander T. Kindel、Caitlin E. Ahearn 等，2020，《Measuring the predictability of life outcomes with a scientific mass collaboration》，Proceedings of the National Academy of Sciences:8398–8403，DOI 10.1073/pnas.1915006117
作者未详，2021，《Parenting in Fragile Families》，Parenting and Child Development:387–411，DOI 10.5040/9798400695223.ch-017
Joachim Eibach，2023，《Fragile Families》，Crossref 登记作品，DOI 10.1515/9783111081700
James Coleman，1964，《Introduction to Mathematical Sociology》（专著）
Hunt Allcott、Luca Braghieri、Sarah Eichmeyer、Matthew Gentzkow，2020，《The Welfare Effects of Social Media》，American Economic Review:629–676，DOI 10.1257/aer.20190658
Hunt Allcott、Matthew Gentzkow、Winter Mason、Arjun Wilkins 等，2024，《The effects of Facebook and Instagram on the 2020 election: A deactivation experiment》，Proceedings of the National Academy of Sciences 121(21)，DOI 10.1073/pnas.2321584121
Nejla Asimovic、Jonathan Nagler、Joshua A. Tucker，2023，《Replicating the effects of Facebook deactivation in an ethnically polarized setting》，Research & Politics 10(4)，DOI 10.1177/20531680231205157
Deen Freelon，2018，《Computational research in the post-API age》，Crossref 登记作品，DOI 10.31235/osf.io/56f4q
Jason A. Papin、Feilim Mac Gabhann、Herbert M. Sauro、David Nickerson 等，2020，《Improving reproducibility in computational biology research》，PLOS Computational Biology 16(5):e1007881，DOI 10.1371/journal.pcbi.1007881
Toby Burrows，2023，《Reproducibility, verifiability, and computational historical research》，International Journal of Digital Humanities 5(2-3):283–298，DOI 10.1007/s42803-023-00068-9
Muhammad Ali、Piotr Sapiezynski、Miranda Bogen、Aleksandra Korolova 等，2019，《Discrimination through Optimization》，Proceedings of the ACM on Human-Computer Interaction:1–30，DOI 10.1145/3359301
V. O. Savchenko，2023，《Discrimination in targeted advertising: Facebook examples》，Legal Novels:22–29，DOI 10.32782/ln.2023.20.03
Basileal Imana、Zeyu Shen、John Heidemann、Aleksandra Korolova，2025，《External Evaluation of Discrimination Mitigation Efforts in Meta's Ad Delivery》，Proceedings of the 2025 ACM Conference on Fairness, Accountability, and Transparency:2616–2629，DOI 10.1145/3715275.3732170
Jon Kleinberg、Sendhil Mullainathan、Manish Raghavan，2017，《Inherent Trade-Offs in the Fair Determination of Risk Scores》，ITCS 2017 43:1–43:23，DOI 10.4230/LIPIcs.ITCS.2017.43
作者未详，2023，《Inherent Tradeoffs in the Fair Determination of Risk Scores》，The Societal Impacts of Algorithmic Decision-Making，DOI 10.1145/3603195.3603206
Melissa Hamilton，2026，《Auditing AI Risk Scores in Criminal Justice for Fairness》，Crossref 登记作品，DOI 10.64240/0c93bbbcaa
Lisa P. Argyle、Ethan C. Busby、Nancy Fulda、Joshua R. Gubler 等，2023，《Out of One, Many: Using Language Models to Simulate Human Samples》，Political Analysis:337–351，DOI 10.1017/pan.2023.2
Nir Fulman、Abdulkadir Memduhoğlu、Alexander Zipf，2025，《Utilizing large language models to simulate parking search》，Transportation Research Part A: Policy and Practice 199:104542，DOI 10.1016/j.tra.2025.104542
Eric Mayor、Lucas M. Bietti、Adrian Bangerter，2025，《Can Large Language Models Simulate Spoken Human Conversations?》，Cognitive Science 49(9)，DOI 10.1111/cogs.70106
Apostolos Filippas、John J. Horton、Benjamin S. Manning，2024，《Large Language Models as Simulated Economic Agents: What Can We Learn from Homo Silicus?》，Proceedings of the 25th ACM Conference on Economics and Computation:614–615，DOI 10.1145/3670865.3673513
Ruihan Yang、Fanghua Ye、Jian Li、Siyu Yuan 等，2025，《The Lighthouse of Language: Enhancing LLM Agents via Critique-Guided Improvement》，Advances in Neural Information Processing Systems 38:182597–182628，DOI 10.52202/085713-5491
Herbert Simon，1955，《A Behavioral Model of Rational Choice》（期刊论文）
John Abowd、Robert Ashmead、Ryan Cumings-Menon、Simson Garfinkel 等，2022，《The 2020 Census Disclosure Avoidance System TopDown Algorithm》，Harvard Data Science Review，DOI 10.1162/99608f92.529e3cb9
Cory McCartan、Tyler Simko、Kosuke Imai，2023，《Making Differential Privacy Work for Census Data Users》，Harvard Data Science Review 5(4)，DOI 10.1162/99608f92.c3c87223
Simson Garfinkel，2022，《Differential Privacy and the 2020 US Census》，MIT Case Studies in Social and Ethical Responsibilities of Computing，DOI 10.21428/2c646de5.7ec6ab93
Justina Mandravickaitė、Milita Songailaitė、Veronika Gvozdovaitė、Danguolė Kalinauskaitė 等，2022，《Towards Synthetic Social Media Data》，Baltic Journal of Modern Computing 10(3)，DOI 10.22364/bjmc.2022.10.3.10
Xiaogang Wu、Yongjun Zhang、Tianji Cai，2024，《Computational Social Science》，Crossref 登记作品，DOI 10.4324/9781032696508
Valerie Hase、Marko Bachl、Nathan TeBlunthuis，2025，《Critical, but constructive: defining, detecting, and addressing bias in Computational Social Science》，Communication Methods and Measures 19(4):281–293，DOI 10.1080/19312458.2025.2575468
Ahrabhi Kathirgamalingam、Aytalina Kulichkina、Jana Bernhard-Harrer 等，2026，《Reflecting on Social Bias: Challenges and Opportunities for Computational Social Science》，出版源未详，DOI 10.31235/osf.io/xr45y_v2
Rishi Bommasani、Drew A. Hudson、Ehsan Adeli 等，2021，《On the Opportunities and Risks of Foundation Models》，Stanford Center for Research on Foundation Models，arXiv:2108.07258（研究报告）
David Schoch、Chung-hong Chan、Claudia Wagner、Arnim Bleier，2024，《Computational reproducibility in computational social science》，EPJ Data Science 13(1)，DOI 10.1140/epjds/s13688-024-00514-w
Stephanie Russo Carroll、Ibrahim Garba、Oscar L. Figueroa-Rodríguez、Jarita Holbrook 等，2020，《The CARE Principles for Indigenous Data Governance》，Data Science Journal，DOI 10.5334/dsj-2020-043
Łukasz Sułkowski、Andrzej Woźniak、Robert Seliga、Marcin Lis，2026，《Data Governance, Fair Principles, and Ethics》，Data Management and Digital Infrastructure in Social Sciences:38–49，DOI 10.4324/9781003790334-4
经一、机器智能的可观察检验Classic 01 · Computational Social Science
提出Alan M. Turing，1950 年，Turing AM. Computing Machinery and Intelligence. Mind 59 (1950)。 流变Renji George Amballoor、Shankar B. Naik，2020，《OPTIMIZING THE VALUE OF BIG DATA: ROLE OF COMPUTATIONAL SOCIAL SCIENCE》，CONTEMPORARY ISSUES IN COMPUTING:118–120，DOI 10.26480/cic.01.2020.118.120随后重检这条命题的对象、识别和外推边界。 今用本块甲“甲计算社会科学把数字痕迹变成行为望远镜，也制造新盲区”继续使用、修正或反对它建立的判断接口。 关键机器智能的可观察检验把计算社会科学的一项旧判断压成可撤回命题；比较必须固定对象、分母和时间窗，补回反例后若方向改变，经典只保留原适用域。
1950年的《机器智能的可观察检验》不是名人标签。Alan M. Turing沿机制史把计算社会科学中混写的对象、证据和价值判断分开，规定什么材料算支持、哪种记录足以迫使命题后退。《机器智能的可观察检验》的阴性对象与退出记录由此能在同一账本重算。
Renji George Amballoor、Shankar B. Naik，2020，《OPTIMIZING TH…后来反向校验《机器智能的可观察检验》，保留可迁移结构，也撤回只在旧制度和旧测量中成立的扩展。与本块甲对读。现代关键读数是“综述预见亿级行为数据与受控在线实验并存，尺度跨越数个数量级”。它说明《机器智能的可观察检验》的哪项设置被继承，又在哪个分母上被改写。经典地位不能替代《机器智能的可观察检验》的新证据。核验《机器智能的可观察检验》时须同时保存它没有解释的对象，不能只汇集成功分支。
经二、复杂系统的层级结构Classic 02 · Computational Social Science
提出Herbert A. Simon，1955 年，Simon HA. On a Class of Skew Distribution Functions. Biometrika 42 (1955)。 流变Zhiwei Cui、Jinhua Liu，2024，《Homophily in Network Formation and Social Coordination1》，Crossref 登记作品，DOI 10.2139/ssrn.4755157（工作论文）随后重检这条命题的对象、识别和外推边界。 今用本块乙“乙社交网络中的健康聚集不等于传染，朋友选择须分离”继续使用、修正或反对它建立的判断接口。 关键复杂系统的层级结构把计算社会科学的一项旧判断压成可撤回命题；比较必须固定对象、分母和时间窗，补回反例后若方向改变，经典只保留原适用域。
《复杂系统的层级结构》出现前，计算社会科学常把同名现象当作同一对象。Herbert A. Simon于1955年沿机制史先限定观察者能看到什么，再说明遗漏什么会让解释失真。《复杂系统的层级结构》改变的是判决程序，不是增加一条永远正确的结论。
Zhiwei Cui、Jinhua Liu，2024，《Homophily in Network Formation…把《复杂系统的层级结构》送进不同样本与制度，保留可证伪骨架，撤掉不再成立的普遍化。本块乙仍借用这套接口；其中关键读数是“12067人、32年数据报告朋友肥胖与个体风险上升相关”。《复杂系统的层级结构》若改用另一分母，结论就可能反号。《复杂系统的层级结构》因此成为现代条目的历史压力测试。核验《复杂系统的层级结构》时须同时保存它没有解释的对象，不能只汇集成功分支。迁移《复杂系统的层级结构》须注明采用哪一版定义，同名术语不等于同一证据单位。
提出Stanley Milgram，1967 年，Milgram S. The Small World Problem. Psychology Today 1 (1967)。 流变Maurice A. Finocchiaro，2021，《Critique of the Ship-Experiment Argument》，Argumentation Library:59–82，DOI 10.1007/978-3-030-77147-8_5随后重检这条命题的对象、识别和外推边界。 今用本块丙“丙社交平台一次提示可移动数十万张选票式行为”继续使用、修正或反对它建立的判断接口。 关键小世界实验把计算社会科学的一项旧判断压成可撤回命题；比较必须固定对象、分母和时间窗，补回反例后若方向改变，经典只保留原适用域。
后续争论Maurice A. Finocchiaro，2021，《Critique of the Ship-Experime…缩窄或改写了《小世界实验》。它连接本块丙时，现代证据“6100万Facebook用户实验估计直接与社会传播共同增加约34万次投票”承担复核责任。若重编对象、延长时间窗或补回排除者后排序翻转，就应承认现代层反驳了《小世界实验》的外推，而不是替经典找托词。核验《小世界实验》时须同时保存它没有解释的对象，不能只汇集成功分支。迁移《小世界实验》须注明采用哪一版定义，同名术语不等于同一证据单位。重算《小世界实验》应先冻结分母和停止规则，再比较旧读数与新读数。
经四、微观动机与空间隔离Classic 04 · Computational Social Science
提出Thomas C. Schelling，1971 年，Schelling TC. Dynamic Models of Segregation. Journal of Mathematical Sociology 1 (1971)。 流变Elena Serritella、Mirko Duradoni、Elisa Guidi，2022，《Self-presentation and emotional contagion on Facebook: new experimental measures of profiles' emotional coherence》，PSICOLOGIA DI COMUNITA':13–33，DOI 10.3280/psc2022-002002随后重检这条命题的对象、识别和外推边界。 今用本块丁“丁情绪感染实验能改写动态，但算法操纵伦理进入对象”继续使用、修正或反对它建立的判断接口。 关键微观动机与空间隔离把计算社会科学的一项旧判断压成可撤回命题；比较必须固定对象、分母和时间窗，补回反例后若方向改变，经典只保留原适用域。
Thomas C. Schelling在1971年的《微观动机与空间隔离》为计算社会科学留下机制史装置：公开对象怎样进入分母，并把例外放在模型内。《微观动机与空间隔离》以前的争论容易把测量便利当成本体事实；《微观动机与空间隔离》使两者能够分账。《微观动机与空间隔离》成为经典，靠的是接受反例修订。
经五、弱联系的力量Classic 05 · Computational Social Science
提出Mark Granovetter，1973 年，Granovetter M. The Strength of Weak Ties. American Journal of Sociology 78 (1973)。 流变Kim Lacey，2022，《Google Flu》，Encyclopedia of Big Data:521–524，DOI 10.1007/978-3-319-32010-6_106随后重检这条命题的对象、识别和外推边界。 今用本块戊“戊Google流感趋势证明大数据会过拟合平台行为而非疾病”继续使用、修正或反对它建立的判断接口。 关键弱联系的力量把计算社会科学的一项旧判断压成可撤回命题；比较必须固定对象、分母和时间窗，补回反例后若方向改变，经典只保留原适用域。
Kim Lacey，2022，《Google Flu》，Encyclopedia of Big Data:521–5…后来反向校验《弱联系的力量》，保留可迁移结构，也撤回只在旧制度和旧测量中成立的扩展。与本块戊对读。现代关键读数是“Google Flu在部分季节把美国流感高估超过一倍，连续数周偏离CDC”。它说明《弱联系的力量》的哪项设置被继承，又在哪个分母上被改写。经典地位不能替代《弱联系的力量》的新证据。核验《弱联系的力量》时须同时保存它没有解释的对象，不能只汇集成功分支。迁移《弱联系的力量》须注明采用哪一版定义，同名术语不等于同一证据单位。
经六、合作演化的计算锦标赛Classic 06 · Computational Social Science
提出Robert Axelrod，1984 年，Axelrod R. The Evolution of Cooperation. Basic Books (1984)。 流变Irving Kristol，2020，《THE CRITIQUE OF SOCIAL AND CULTURAL EMANCIPATION》，Conservatism:358–400，DOI 10.2307/j.ctvzxx929.14随后重检这条命题的对象、识别和外推边界。 今用本块己“己社会影响会放大文化不平等，质量与流行度可被早期噪声分叉”继续使用、修正或反对它建立的判断接口。 关键合作演化的计算锦标赛把计算社会科学的一项旧判断压成可撤回命题；比较必须固定对象、分母和时间窗，补回反例后若方向改变，经典只保留原适用域。
Irving Kristol，2020，《THE CRITIQUE OF SOCIAL AND CULTURAL E…把《合作演化的计算锦标赛》送进不同样本与制度，保留可证伪骨架，撤掉不再成立的普遍化。本块己仍借用这套接口；其中关键读数是“14000余人音乐市场实验中社会影响提高成功不平等并降低可预测性”。《合作演化的计算锦标赛》若改用另一分母，结论就可能反号。《合作演化的计算锦标赛》因此成为现代条目的历史压力测试。核验《合作演化的计算锦标赛》时须同时保存它没有解释的对象，不能只汇集成功分支。
经七、结构洞与网络优势Classic 07 · Computational Social Science
提出Ronald S. Burt，1992 年，Burt RS. Structural Holes. Harvard University Press (1992)。 流变Sandra González-Bailón、David Lazer、Pablo Barberá、Meiqing Zhang 等，2023，《Asymmetric ideological segregation in exposure to political news on Facebook》，Science 381(6656):392–398，DOI 10.1126/science.ade7138随后重检这条命题的对象、识别和外推边界。 今用本块庚“庚算法暴露只解释部分信息隔离，用户自选仍占更大份额”继续使用、修正或反对它建立的判断接口。 关键结构洞与网络优势把计算社会科学的一项旧判断压成可撤回命题；比较必须固定对象、分母和时间窗，补回反例后若方向改变，经典只保留原适用域。
《结构洞与网络优势》在1992年造成的转向首先是一项测量史选择。Ronald S. Burt把对象、操作和失败读数排成可质疑次序，没有把计算社会科学的复杂性缩成权威判断。《结构洞与网络优势》原文本之外仍有空栏，教科书式扩写不能自动填平。
经八、社会网络分析的形式工具Classic 08 · Computational Social Science
提出Stanley Wasserman、Katherine Faust，1994 年，Wasserman S, Faust K. Social Network Analysis. Cambridge University Press (1994)。 流变Shizheng Feng、Dingxin Zhao，2022，《Collective Action (Post‐Mao China)》，The Wiley-Blackwell Encyclopedia of Social and Political Movements:1–5，DOI 10.1002/9780470674871.wbespm705随后重检这条命题的对象、识别和外推边界。 今用本块辛“辛中国审查更怕集体行动而非一般批评，删帖机制有选择目标”继续使用、修正或反对它建立的判断接口。 关键社会网络分析的形式工具把计算社会科学的一项旧判断压成可撤回命题；比较必须固定对象、分母和时间窗，补回反例后若方向改变，经典只保留原适用域。
Stanley Wasserman、Katherine Faust在1994年的《社会网络分析的形式工具》为计算社会科学留下测量史装置：公开对象怎样进入分母，并把例外放在模型内。《社会网络分析的形式工具》以前的争论容易把测量便利当成本体事实；《社会网络分析的形式工具》使两者能够分账。《社会网络分析的形式工具》成为经典，靠的是接受反例修订。
经九、小世界网络模型Classic 09 · Computational Social Science
提出Duncan J. Watts、Steven H. Strogatz，1998 年，Watts DJ, Strogatz SH. Collective Dynamics of Small-World Networks. Nature 393 (1998)。 流变作者未详，2021，《Parenting in Fragile Families》，Parenting and Child Development:387–411，DOI 10.5040/9798400695223.ch-017随后重检这条命题的对象、识别和外推边界。 今用本块一“一脆弱家庭挑战赛暴露社会预测天花板，复杂模型未胜简单基线多少”继续使用、修正或反对它建立的判断接口。 关键小世界网络模型把计算社会科学的一项旧判断压成可撤回命题；比较必须固定对象、分母和时间窗，补回反例后若方向改变，经典只保留原适用域。
1998年的《小世界网络模型》不是名人标签。Duncan J. Watts、Steven H. Strogatz沿测量史把计算社会科学中混写的对象、证据和价值判断分开，规定什么材料算支持、哪种记录足以迫使命题后退。《小世界网络模型》的阴性对象与退出记录由此能在同一账本重算。
作者未详，2021，《Parenting in Fragile Families》，Parenting and Ch…后来反向校验《小世界网络模型》，保留可迁移结构，也撤回只在旧制度和旧测量中成立的扩展。与本块一对读。现代关键读数是“160个团队用4000余家庭数据，最好模型对多数结果R²仍低，复杂法只略胜基线”。它说明《小世界网络模型》的哪项设置被继承，又在哪个分母上被改写。经典地位不能替代《小世界网络模型》的新证据。核验《小世界网络模型》时须同时保存它没有解释的对象，不能只汇集成功分支。迁移《小世界网络模型》须注明采用哪一版定义，同名术语不等于同一证据单位。
经十、无标度网络的增长机制Classic 10 · Computational Social Science
提出Albert-László Barabási、Réka Albert，1999 年，Barabási AL, Albert R. Emergence of Scaling in Random Networks. Science 286 (1999)。 流变Hunt Allcott、Matthew Gentzkow、Winter Mason、Arjun Wilkins 等，2024，《The effects of Facebook and Instagram on the 2020 election: A deactivation experiment》，Proceedings of the National Academy of Sciences 121(21)，DOI 10.1073/pnas.2321584121随后重检这条命题的对象、识别和外推边界。 今用本块二“二停用Facebook改善主观福祉却减少政治知识，平台效果多维且小”继续使用、修正或反对它建立的判断接口。 关键无标度网络的增长机制把计算社会科学的一项旧判断压成可撤回命题；比较必须固定对象、分母和时间窗，补回反例后若方向改变，经典只保留原适用域。
经十一、社会选择与不可能性Classic 11 · Computational Social Science
提出Kenneth J. Arrow，1951 年，Arrow KJ. Social Choice and Individual Values. Wiley (1951)。 流变Jason A. Papin、Feilim Mac Gabhann、Herbert M. Sauro、David Nickerson 等，2020，《Improving reproducibility in computational biology research》，PLOS Computational Biology 16(5):e1007881，DOI 10.1371/journal.pcbi.1007881随后重检这条命题的对象、识别和外推边界。 今用本块三“三后API时代让可复现性由平台许可决定，研究样本会瞬间消失”继续使用、修正或反对它建立的判断接口。 关键社会选择与不可能性把计算社会科学的一项旧判断压成可撤回命题；比较必须固定对象、分母和时间窗，补回反例后若方向改变，经典只保留原适用域。
《社会选择与不可能性》在1951年造成的转向首先是一项制度史选择。Kenneth J. Arrow把对象、操作和失败读数排成可质疑次序，没有把计算社会科学的复杂性缩成权威判断。《社会选择与不可能性》原文本之外仍有空栏，教科书式扩写不能自动填平。
后续争论Jason A. Papin、Feilim Mac Gabhann、Herbert M. Sauro、David N…缩窄或改写了《社会选择与不可能性》。它连接本块三时，现代证据“Twitter和Facebook接口收紧使许多历史研究无法按原样重抓，字段和覆盖率骤降”承担复核责任。若重编对象、延长时间窗或补回排除者后排序翻转，就应承认现代层反驳了《社会选择与不可能性》的外推，而不是替经典找托词。核验《社会选择与不可能性》时须同时保存它没有解释的对象，不能只汇集成功分支。迁移《社会选择与不可能性》须注明采用哪一版定义，同名术语不等于同一证据单位。
经十二、主观概率与决策一致性Classic 12 · Computational Social Science
提出Leonard J. Savage，1954 年，Savage LJ. The Foundations of Statistics. Wiley (1954)。 流变V. O. Savchenko，2023，《Discrimination in targeted advertising: Facebook examples》，Legal Novels:22–29，DOI 10.32782/ln.2023.20.03随后重检这条命题的对象、识别和外推边界。 今用本块四“四广告系统会通过优化目标产生歧视，即使广告主未定向性别种族”继续使用、修正或反对它建立的判断接口。 关键主观概率与决策一致性把计算社会科学的一项旧判断压成可撤回命题；比较必须固定对象、分母和时间窗，补回反例后若方向改变，经典只保留原适用域。
Leonard J. Savage在1954年的《主观概率与决策一致性》为计算社会科学留下制度史装置：公开对象怎样进入分母，并把例外放在模型内。《主观概率与决策一致性》以前的争论容易把测量便利当成本体事实；《主观概率与决策一致性》使两者能够分账。《主观概率与决策一致性》成为经典，靠的是接受反例修订。
用V. O. Savchenko，2023，《Discrimination in targeted advertisi…回看《主观概率与决策一致性》，可辨哪些结果来自原命题，哪些只是后来制度借名包装。本块四保存这条差异；关键判断是“就业和住房广告实验中同一设置也出现显著性别与族群投放差异”。它把《主观概率与决策一致性》的失败对象送回比较。《主观概率与决策一致性》的旧前提由本块检验证据成本。核验《主观概率与决策一致性》时须同时保存它没有解释的对象，不能只汇集成功分支。
经十三、有限理性与满意化Classic 13 · Computational Social Science
提出Herbert A. Simon，1955 年，Simon HA. A Behavioral Model of Rational Choice. Quarterly Journal of Economics 69 (1955)。 流变作者未详，2023，《Inherent Tradeoffs in the Fair Determination of Risk Scores》，The Societal Impacts of Algorithmic Decision-Making，DOI 10.1145/3603195.3603206随后重检这条命题的对象、识别和外推边界。 今用本块五“五公平指标不能同时兼得，基准率差异会制造数学冲突”继续使用、修正或反对它建立的判断接口。 关键有限理性与满意化把计算社会科学的一项旧判断压成可撤回命题；比较必须固定对象、分母和时间窗，补回反例后若方向改变，经典只保留原适用域。
1955年的《有限理性与满意化》不是名人标签。Herbert A. Simon沿制度史把计算社会科学中混写的对象、证据和价值判断分开，规定什么材料算支持、哪种记录足以迫使命题后退。《有限理性与满意化》的阴性对象与退出记录由此能在同一账本重算。
作者未详，2023，《Inherent Tradeoffs in the Fair Determination of…后来反向校验《有限理性与满意化》，保留可迁移结构，也撤回只在旧制度和旧测量中成立的扩展。与本块五对读。现代关键读数是“理论证明除完美预测或基准率相同外，多项公平条件至少一项失败”。它说明《有限理性与满意化》的哪项设置被继承，又在哪个分母上被改写。经典地位不能替代《有限理性与满意化》的新证据。核验《有限理性与满意化》时须同时保存它没有解释的对象，不能只汇集成功分支。
经十四、焦点、承诺与策略行动Classic 14 · Computational Social Science
提出Thomas C. Schelling，1960 年，Schelling TC. The Strategy of Conflict. Harvard University Press (1960)。 流变Nir Fulman、Abdulkadir Memduhoğlu、Alexander Zipf，2025，《Utilizing large language models to simulate parking search》，Transportation Research Part A: Policy and Practice 199:104542，DOI 10.1016/j.tra.2025.104542随后重检这条命题的对象、识别和外推边界。 今用本块六“六大模型可模拟调查响应，但会复制训练语料中的群体刻板分布”继续使用、修正或反对它建立的判断接口。 关键焦点、承诺与策略行动把计算社会科学的一项旧判断压成可撤回命题；比较必须固定对象、分母和时间窗，补回反例后若方向改变，经典只保留原适用域。
《焦点、承诺与策略行动》出现前，计算社会科学常把同名现象当作同一对象。Thomas C. Schelling于1960年沿制度史先限定观察者能看到什么，再说明遗漏什么会让解释失真。《焦点、承诺与策略行动》改变的是判决程序，不是增加一条永远正确的结论。
经十五、社会成本与交易安排Classic 15 · Computational Social Science
提出Ronald H. Coase，1960 年，Coase RH. The Problem of Social Cost. Journal of Law and Economics 3 (1960)。 流变Zebang Deng、Rosemarie Nagel、Jubo Yan、Tong Zhang，2025，《Can LLM Agents Recognize Demographic Heterogeneity in Economic Games?》，Crossref 登记作品，DOI 10.2139/ssrn.5197303（工作论文）随后重检这条命题的对象、识别和外推边界。 今用本块七“七大模型经济代理会给出连贯选择，却未必有稳定偏好”继续使用、修正或反对它建立的判断接口。 关键社会成本与交易安排把计算社会科学的一项旧判断压成可撤回命题；比较必须固定对象、分母和时间窗，补回反例后若方向改变，经典只保留原适用域。
《社会成本与交易安排》在1960年造成的转向首先是一项制度史选择。Ronald H. Coase把对象、操作和失败读数排成可质疑次序，没有把计算社会科学的复杂性缩成权威判断。《社会成本与交易安排》原文本之外仍有空栏，教科书式扩写不能自动填平。
经十六、柠檬市场与质量不确定性Classic 16 · Computational Social Science
提出George A. Akerlof，1970 年，Akerlof GA. The Market for Lemons. Quarterly Journal of Economics 84 (1970)。 流变Cory McCartan、Tyler Simko、Kosuke Imai，2023，《Making Differential Privacy Work for Census Data Users》，Harvard Data Science Review 5(4)，DOI 10.1162/99608f92.c3c87223随后重检这条命题的对象、识别和外推边界。 今用本块八“八差分隐私保护个体会给小群体加更大噪声，公平成本不均匀”继续使用、修正或反对它建立的判断接口。 关键柠檬市场与质量不确定性把计算社会科学的一项旧判断压成可撤回命题；比较必须固定对象、分母和时间窗，补回反例后若方向改变，经典只保留原适用域。
George A. Akerlof在1970年的《柠檬市场与质量不确定性》为计算社会科学留下人物史装置：公开对象怎样进入分母，并把例外放在模型内。《柠檬市场与质量不确定性》以前的争论容易把测量便利当成本体事实；《柠檬市场与质量不确定性》使两者能够分账。《柠檬市场与质量不确定性》成为经典，靠的是接受反例修订。
经十七、集体选择与个人福利Classic 17 · Computational Social Science
提出Amartya Sen，1970 年，Sen A. Collective Choice and Social Welfare. Holden-Day (1970)。 流变Justina Mandravickaitė、Milita Songailaitė、Veronika Gvozdovaitė、Danguolė Kalinauskaitė 等，2022，《Towards Synthetic Social Media Data》，Baltic Journal of Modern Computing 10(3)，DOI 10.22364/bjmc.2022.10.3.10随后重检这条命题的对象、识别和外推边界。 今用本块九“九合成数据会隐藏稀有组合并回灌模型偏差”继续使用、修正或反对它建立的判断接口。 关键集体选择与个人福利把计算社会科学的一项旧判断压成可撤回命题；比较必须固定对象、分母和时间窗，补回反例后若方向改变，经典只保留原适用域。
经二十、公共池资源的自主治理Classic 20 · Computational Social Science
提出Elinor Ostrom，1990 年，Ostrom E. Governing the Commons. Cambridge University Press (1990)。 流变未检得同题独立反证随后重检这条命题的对象、识别和外推边界。 今用本块十二“十二数据治理应记录谁能访问、谁被排除和版本何时改变”继续使用、修正或反对它建立的判断接口。 关键公共池资源的自主治理把计算社会科学的一项旧判断压成可撤回命题；比较必须固定对象、分母和时间窗，补回反例后若方向改变，经典只保留原适用域。
Barabási AL, Albert R. Emergence of Scaling in Random Networks. Science 286 (1999)。
Arrow KJ. Social Choice and Individual Values. Wiley (1951)（专著）。
Savage LJ. The Foundations of Statistics. Wiley (1954)（专著）。
Simon HA. A Behavioral Model of Rational Choice. Quarterly Journal of Economics 69 (1955)。
Schelling TC. The Strategy of Conflict. Harvard University Press (1960)（专著）。
Coase RH. The Problem of Social Cost. Journal of Law and Economics 3 (1960)。
Akerlof GA. The Market for Lemons. Quarterly Journal of Economics 84 (1970)。
Sen A. Collective Choice and Social Welfare. Holden-Day (1970)（专著）。
Kahneman D, Tversky A. Prospect Theory. Econometrica 47 (1979)。
North DC. Institutions, Institutional Change and Economic Performance. Cambridge University Press (1990)（专著）。
Ostrom E. Governing the Commons. Cambridge University Press (1990)（专著）。
Renji George Amballoor、Shankar B. Naik，2020，《OPTIMIZING THE VALUE OF BIG DATA: ROLE OF COMPUTATIONAL SOCIAL SCIENCE》，CONTEMPORARY ISSUES IN COMPUTING:118–120，DOI 10.26480/cic.01.2020.118.120。
Zhiwei Cui、Jinhua Liu，2024，《Homophily in Network Formation and Social Coordination1》，Crossref 登记作品，DOI 10.2139/ssrn.4755157（工作论文）。
Maurice A. Finocchiaro，2021，《Critique of the Ship-Experiment Argument》，Argumentation Library:59–82，DOI 10.1007/978-3-030-77147-8_5。
Elena Serritella、Mirko Duradoni、Elisa Guidi，2022，《Self-presentation and emotional contagion on Facebook: new experimental measures of profiles' emotional coherence》，PSICOLOGIA DI COMUNITA':13–33，DOI 10.3280/psc2022-002002。
Kim Lacey，2022，《Google Flu》，Encyclopedia of Big Data:521–524，DOI 10.1007/978-3-319-32010-6_106。
Irving Kristol，2020，《THE CRITIQUE OF SOCIAL AND CULTURAL EMANCIPATION》，Conservatism:358–400，DOI 10.2307/j.ctvzxx929.14。
Sandra González-Bailón、David Lazer、Pablo Barberá、Meiqing Zhang 等，2023，《Asymmetric ideological segregation in exposure to political news on Facebook》，Science 381(6656):392–398，DOI 10.1126/science.ade7138。
Shizheng Feng、Dingxin Zhao，2022，《Collective Action (Post‐Mao China)》，The Wiley-Blackwell Encyclopedia of Social and Political Movements:1–5，DOI 10.1002/9780470674871.wbespm705。
作者未详，2021，《Parenting in Fragile Families》，Parenting and Child Development:387–411，DOI 10.5040/9798400695223.ch-017。
Hunt Allcott、Matthew Gentzkow、Winter Mason、Arjun Wilkins 等，2024，《The effects of Facebook and Instagram on the 2020 election: A deactivation experiment》，Proceedings of the National Academy of Sciences 121(21)，DOI 10.1073/pnas.2321584121。
Jason A. Papin、Feilim Mac Gabhann、Herbert M. Sauro、David Nickerson 等，2020，《Improving reproducibility in computational biology research》，PLOS Computational Biology 16(5):e1007881，DOI 10.1371/journal.pcbi.1007881。
V. O. Savchenko，2023，《Discrimination in targeted advertising: Facebook examples》，Legal Novels:22–29，DOI 10.32782/ln.2023.20.03。
作者未详，2023，《Inherent Tradeoffs in the Fair Determination of Risk Scores》，The Societal Impacts of Algorithmic Decision-Making，DOI 10.1145/3603195.3603206。
Nir Fulman、Abdulkadir Memduhoğlu、Alexander Zipf，2025，《Utilizing large language models to simulate parking search》，Transportation Research Part A: Policy and Practice 199:104542，DOI 10.1016/j.tra.2025.104542。
Cory McCartan、Tyler Simko、Kosuke Imai，2023，《Making Differential Privacy Work for Census Data Users》，Harvard Data Science Review 5(4)，DOI 10.1162/99608f92.c3c87223。
Justina Mandravickaitė、Milita Songailaitė、Veronika Gvozdovaitė、Danguolė Kalinauskaitė 等，2022，《Towards Synthetic Social Media Data》，Baltic Journal of Modern Computing 10(3)，DOI 10.22364/bjmc.2022.10.3.10。
Valerie Hase、Marko Bachl、Nathan TeBlunthuis，2025，《Critical, but constructive: defining, detecting, and addressing bias in Computational Social Science》，Communication Methods and Measures 19(4):281–293，DOI 10.1080/19312458.2025.2575468。
David Schoch、Chung-hong Chan、Claudia Wagner、Arnim Bleier，2024，《Computational reproducibility in computational social science》，EPJ Data Science 13(1)，DOI 10.1140/epjds/s13688-024-00514-w。
Łukasz Sułkowski、Andrzej Woźniak、Robert Seliga、Marcin Lis，2026，《Data Governance, Fair Principles, and Ethics》，Data Management and Digital Infrastructure in Social Sciences:38–49，DOI 10.4324/9781003790334-4。