理论研究论文 · THEORETICAL STUDY

尚未完成的社会科学

SDA视野下人文社会科学知识体系的结构性限度、成果评价模型与AI时代新文科范式

The Unfinished Social Sciences

Structural Limits, an SDA Model of Scholarly Contribution, and a New Humanities Paradigm in the Age of AI

文颜 / Wen Yan

Vinson Technology (Singapore) Pte. Ltd.

2026年8月 · 理论论文修订稿 v3.0

摘要

本文提出一个具有争议但可检验的元理论判断：既有人文社会科学已经生产了巨量事实、文本解释、概念、叙事和局部理论，却尚未普遍形成结构完备、证据闭合、假设可竞争、机制可解释、边界可声明且能够持续累积的整体科学知识体系。为刻画这一差距，本文首先提出SDA结构世界模型。SDA是Structure–Dynamics–Algebra的缩写，即“结构—动力—代数”：结构层表示对象、关系、层级与边界，动力层描述结构随行动、环境、历史和反馈的演化，代数层规定结构变换、组合、约束、推导和验证规则。SDA不是大语言模型或单一软件，而是一套可以由AI实现的世界建模理论、数学框架、研究方法与计算架构。本文把SDA严格定义为作用于类型化知识状态空间的结构变换系统，使其具有明确对象域、状态表示、公理、算子、不变量、判定条件、反例接口和经验校准程序。其科学性不来自公式外观，而来自命题可在给定公理下证明、过程可在指定语料上复现、现实映射可在错误或反例出现时被推翻。本文进一步说明SDA不同于把自然科学方法移植到文科，也不同于数字人文、计算社会科学和科学哲学；它直接作用于知识对象内部，使材料、命题、证据、机制、边界和版本进入同一可演化结构。基于此，本文给出结构世界状态方程、高阶数学设计路线、七维成果评价模型、条件性定理、AI时代新文科、自然语言—结构语言双层范式、再发现与重构流程，以及Agent时代语言治理必然性定理。SDA由此被界定为面向文科知识生产与智能体语言治理的结构科学体系，而非写作、检索或成果审计工具。

关键词：SDA；结构科学；人文社会科学；成果评价；知识累积；新文科；生成式人工智能；结构语言

Abstract

This article advances a controversial but testable metatheoretical claim: the humanities and social sciences have generated vast bodies of facts, interpretations, concepts, narratives, and local theories, yet they have not generally consolidated these achievements into an integrated scientific knowledge system that is structurally explicit, evidentially closed, mechanism-sensitive, hypothesis-competitive, boundary-aware, and cumulatively revisable. SDA is formally defined as a transformation system over a typed knowledge-state space, with an object domain, axioms, operators, invariants, decision conditions, counterexample interfaces, and empirical calibration procedures. Its scientific status does not derive from mathematical appearance, but from theoremhood under stated axioms, reproducibility on specified corpora, and falsifiability when mappings, invariants, or empirical predictions fail. The framework differs both from importing natural-scientific techniques into humanities inquiry and from philosophy of science: it intervenes directly in the internal organization and evolution of knowledge objects. The article develops a seven-dimensional evaluation model, conditional theorems, a New Humanities architecture, a natural-language/structural-language dual layer, and a rediscovery-reconstruction workflow. It finally establishes the necessity of language governance in the Agent era: once linguistic outputs can trigger actions across systems, language governance must become a regime of semantic constraints, action authorization, provenance, and responsibility. SDA is thus defined as a structural science of humanities knowledge production and agentic language governance, rather than as a writing, retrieval, or auditing tool.

Keywords: SDA; structural science; humanities and social sciences; research evaluation; cumulative knowledge; New Humanities; generative AI; structural language

一、SDA结构世界模型总论：它是什么，以及它不是什么

（一）名称与基本定义

SDA是Structure–Dynamics–Algebra的缩写，中文为“结构—动力—代数”。S表示Structure，即一个对象在特定时刻由哪些要素、关系、层级、边界和约束构成；D表示Dynamics，即结构如何在时间、事件、行动、环境和反馈作用下形成、保持、分化、转化或消失；A表示Algebra，即对结构及其变化进行组合、比较、约束、推导和验证的算子系统。三者共同构成SDA结构世界模型。

一句话定义 SDA是一套把现实、材料与知识表示为“结构状态”，解释其“变化动力”，并通过“代数算子”进行重构、比较、推演和验证的通用世界建模理论。

（二）SDA究竟是AI、数学，还是一种方法

SDA既不等同于人工智能，也不只是一个数学公式。准确地说，它同时具有四种身份：第一，作为理论，它提出世界可以通过结构、动力和算子统一描述；第二，作为数学框架，它规定状态空间、关系、变换、不变量与可证命题；第三，作为研究方法，它组织问题、材料、证据、假设和理论生成；第四，作为计算架构，它可以由AI、数据库、知识图、符号系统和多Agent协作实现。

AI与SDA的关系是“实现载体”与“结构内核”的关系。大模型负责语言理解、候选关系发现和内容生成，其他模型可负责图计算、因果推断、优化或验证；SDA则规定这些能力操作什么对象、经过何种变换、必须保持什么边界、输出如何回到证据以及何时只能保留为未知。没有AI，SDA仍可作为人工研究方法存在；没有SDA，AI仍能生成内容，却未必形成可追溯、可比较和可累积的知识。SDA ScholarOS是该理论在人文社会科学研究中的产品化形态。

SDA ≠ LLM ≠ Software; SDA + AI + Data + Governance → Operational System

（三）S：结构层

定义时刻t的多层结构为带类型、权重、边界和来源的关系复形：

𝓖_t = (V_t, E_t⁽¹⁾, E_t⁽²⁾, …, E_t⁽ᵏ⁾, τ_t, ω_t, ∂_t, π_t)

V_t为对象节点；E_t⁽ᵏ⁾为可连接两个以上对象的k阶超关系；τ_t为对象与关系类型；ω_t为关系强度、置信度或不确定性；∂_t为结构边界；π_t为来源和版本。普通图只能表示两两关系，SDA预留超图、单纯复形和多层网络表示，以容纳制度、群体、文本语境和多主体互动。结构层回答“此刻世界由什么组成、彼此如何连接、边界在哪里”。

（四）D：动力层

动力层描述结构状态随时间和干预的变化。定义：

𝓖ₜ₊Δt = Φ_Δt(𝓖_t, u_t, ξ_t, h_t)

Φ为结构演化算子，u_t为主体行动或制度干预，ξ_t为环境扰动，h_t为历史路径与记忆。连续情形可写为d𝓖/dt=F(𝓖,u,ξ,h)，离散情形则使用状态转移系统。D层不仅描述“发生了什么”，还要识别形成、保持、临界转变、反馈、锁定、恢复和衰变机制。对历史与社会对象，动力参数不必假设永恒不变，而应绑定时期、制度与语境。

（五）A：代数层

代数层定义作用于结构状态的算子集合及其组合规则：

Ω = {decompose, relate, bind, compare, transform, constrain, infer, reconstruct, create}

(Ω, ∘, ⊕, ≼, I, 0)

其中∘表示有序复合，⊕表示受约束合并，≼表示结构细化或包含关系，I为恒等算子，0为无有效变换。部分算子具有非交换性，例如“先改变概念边界再绑定证据”通常不等于“先绑定证据再改变边界”：

ω₂ ∘ ω₁(𝓖) ≠ ω₁ ∘ ω₂(𝓖)

非交换性对于人文研究尤其重要，因为解释顺序、语境设定和材料选择会改变最终知识结构。A层的任务不是强迫所有意义数值化，而是明确哪些操作可以组合、哪些变换破坏来源或边界、哪些性质在变化中必须保持。

（六）统一SDA世界状态

一个完整SDA世界状态可以表示为：

𝔚_t = ⟨𝓖_t, Φ_t, Ω_t, 𝓘_t, 𝓔_t, 𝓛_t, 𝓤_t⟩

其中𝓖为结构，Φ为动力，Ω为算子代数，𝓘为不变量与约束，𝓔为证据和现实观测，𝓛为语言与符号接口，𝓤为未知、冲突和未决问题。SDA世界模型不是宣称已经完整复制现实，而是保存“当前我们如何表示现实、哪些部分有证据、哪些关系只是候选、何处仍然未知”的可修正模型。

（七）结构世界模型的闭环

Reality → Observation → Structure → Dynamics → Algebraic Operations → Explanation/Action → New Reality

现实通过观察和材料进入结构层；动力层解释其变化；代数层对候选结构进行比较、重构和推演；解释或行动重新进入现实，产生新材料并修正模型。语言贯穿整个闭环，既负责把人的经验送入模型，也负责把结构转换为论文、教材、政策、作品或Agent指令。

（八）高阶数学设计路线

SDA的数学底座应分层建设，而不是一次堆砌术语。第一层为类型化超图与多层网络，用于对象、关系和证据结构；第二层为动力系统、随机过程与控制理论，用于状态演化、干预、稳定性和恢复性；第三层为算子代数、半群与非交换结构，用于研究操作的组合及顺序效应；第四层为范畴论与函子，用于不同学科、语言和模型之间的结构保持映射；第五层为层论与上同调，用于检验局部解释能否一致拼接为整体知识，以及定位无法消除的冲突；第六层为拓扑数据分析与持续同调，用于识别跨尺度稳定结构；第七层为因果图、结构因果模型和反事实，用于区分共现、机制和干预后果；第八层为信息几何与最小描述原则，用于比较模型复杂度、信息增益和解释压缩。

这些数学工具不是已经完成的统一定理，而是SDA的分阶段研究纲领。每引入一种数学结构，都必须回答三个问题：它对应什么现实或人文对象；它比现有方法新增什么可检验能力；它在何种反例下失效。不能回答这三个问题的高深数学，只能是装饰，不能进入SDA核心。

（九）SDA三元完备性命题

在SDA定义下，只有S而没有D，模型只能记录静态关系，无法解释形成与变化；只有D而没有S，变化失去明确对象与边界；只有A而没有现实结构和动力，系统退化为空形式运算。因此，对一个旨在解释并重构现实的SDA模型，S、D、A三者均为必要而非单独充分条件。

World-Model Adequacy ⇒ S ∧ D ∧ A; S ∨ D ∨ A alone is insufficient

（十）本文所使用的SDA范围

本文聚焦SDA在人文社会科学知识体系中的应用：把材料、概念、命题、证据、机制、反例和边界组织为可演化结构，并借助AI完成大规模结构发现与人机共同创造。本文不声称已经证明SDA是适用于所有自然与社会现象的终极世界模型；本文所能论证的是其形式架构、条件性定理，以及在人文知识生产中可被进一步复现和证伪的研究路线。

二、问题的提出：文科知识很多，为何科学累积仍然困难

现代人文社会科学已经建立庞大的学科制度：大学院系、专业期刊、学术评价、项目资助、数据库和出版体系不断扩大。历史学积累档案与叙事，社会学发展调查、统计与理论，经济学建立模型，语言学形成形式分析，考古学、传播学、法学和政治学也各自形成成熟方法。因而，把全部既有文科笼统宣布为“非科学”，既不符合事实，也无法成为严肃论证。本文提出的不是价值否定，而是结构诊断：大量成果虽然分别具有史料价值、解释价值、思想价值或经验严谨性，却仍缺少把局部成果连接为可持续修正的共同知识结构。

这一差距可以从一个简单事实观察：某一领域每年新增大量论文，但研究者仍须从头阅读、重新摘录、重新判断概念和证据。前人成果通常以文章为整体被引用，而其内部命题、证据、机制、反例与适用边界很少以可继承单元进入后续研究。于是，知识实现了出版意义上的增长，却不一定实现结构意义上的累积。学派可以长期并列，概念可以反复迁移，新的文本不断覆盖旧文本，但究竟哪些命题已被支持、哪些机制被修正、哪些反例尚未解决，往往缺少一个共同、显式而可更新的表示层。

本文中心论断 既有人文社会科学已经拥有大量具有科学性质的局部成果，但尚未普遍形成能够统一组织对象、命题、证据、机制、竞争性假设、反例和理论边界，并支持持续演化的整体结构科学体系。缺失的不是知识，而是知识的共同结构层与演化层。

三、概念边界：本文所说的“尚未完成”意味着什么

（一）不是自然科学中心主义

文科研究涉及意义、行动、制度、价值、象征和历史独特性，其对象具有反身性：人会理解理论、回应分类并改变行为。因此，文科不能简单复制物理学的实验条件，也不能把数字化、方程化等同于科学化。本文所说的科学性，主要指论证责任的结构化：对象是否明确，证据是否与命题对应，替代解释是否得到比较，机制和适用边界是否被说明，后续研究是否能够继承和修正。定量方法可以增强这些能力，却不是必要且充分条件。

（二）不是取消解释传统

解释学、思想史、文学批评与民族志所处理的语境、体验和多义性，不应被压缩为单一变量。SDA的目标不是取消厚描、叙事与阐释，而是把“哪些材料支撑何种解释、解释依赖哪些语境、还有哪些可能理解”显式呈现。结构化不是消灭意义，而是让意义之间的关系可见。

（三）“完成”不是终极真理

任何科学知识都处于开放状态。本文所谓“完成”，仅指某个知识主张达到了可进入共同检验与累积过程的最低结构条件，而不是已经获得不可推翻的真理。一个领域越成熟，越能保存未决问题、矛盾和失败，而不是把它们从叙事中删除。

四、既有知识体系的八项结构性限度

（一）对象边界隐含

许多研究以人物、文本、事件或主题命名，却未区分经验对象、分析单位、时空范围与概念对象。同一篇论文可能在个体、群体、制度和文明层级之间移动，而没有说明层级转换的依据。对象不稳定时，证据的指向和结论的外推范围也随之不稳定。

（二）概念不能稳定继承

“文化”“身份”“现代性”“权力”“传播”等概念在不同传统中拥有不同内涵。概念争议本身不是缺陷，缺陷在于许多研究没有记录概念所指对象、关系、操作条件和排除范围。后续研究使用同一词语时，常常继承了名称，却没有继承同一结构。

（三）证据与命题之间没有显式闭合

引用文献或罗列材料并不自动构成证据。证据必须指向具体命题，并通过可说明的推理关系提供支持、限制或反驳。传统线性文本常将材料、解释和结论分散在不同章节，导致读者难以判断关键结论由何种证据承担、是否存在缺口以及推理的薄弱节点。

（四）单一解释压倒竞争性假设

学者往往选择一个理论框架后再组织材料。即便材料真实，仍可能存在选择性注意和确认偏误。结构科学要求主假设、替代假设、反向因果、共同原因和零假设进入同一比较空间，并指出何种证据能够区分它们。

（五）叙事顺序替代生成机制

时间先后、语义关联和历史共现不等于因果机制。机制解释至少应说明行动者、关系、约束、反馈和状态变化。对不可重复的历史事件，机制不必表现为普遍定律，但仍应说明为何这一解释优于仅仅复述过程。

（六）反例与失效边界弱化

能够解释一切的理论往往缺少区分能力。许多文科理论对支持性案例具有高度解释力，却没有主动声明反例、反事实和失效条件。这使理论可以不断通过补充修辞自我保护，而难以进入真正的比较与修正。

（七）文章是出版单元，不是知识单元

论文适合署名、阅读和传播，却不是最小知识单位。可累积知识需要更细的单元：对象、概念、命题、证据、机制、边界、冲突和版本。缺少这一层，数据库保存的是文献集合，而不是能够直接演化的知识结构。

（八）学派扩张未必产生理论进化

不同学派可以各自选择概念、材料和评价标准，形成难以通约的解释共同体。理论增加并不必然意味着旧解释得到淘汰、修正或吸收。若缺少共同问题、共同证据和明确分歧点，学术多元可能退化为彼此平行的文本生产。

五、SDA结构科学的基本对象

SDA把一项研究成果从“完整文本”重新表示为类型化知识构型。设研究成果为：

K = ⟨O, Q, C, P, E, H, M, F, B, R, N⟩

其中，O为研究对象，Q为问题，C为概念体系，P为核心命题，E为证据，H为竞争性假设，M为机制模型，F为反例与反事实，B为适用边界，R为推理关系，N为相对于既有知识的增量。该定义并不要求所有研究采用相同方法，而要求研究成果能够说明自己在这些维度上的状态，包括明确标记“不适用”“未知”或“尚未解决”。

进一步把成果表示为类型化、带权重且可追溯的知识图：

G_K = (V_K, E_K, τ, ω, π)

V_K包含对象、概念、命题、材料、证据、假设、机制和反例节点；E_K包含支持、反驳、解释、限制、推导、继承和冲突关系；τ为类型函数；ω记录关系强度和不确定性；π记录来源、版本、作者责任及推理路径。自然语言正文仍然保留，知识图不是文本的替代品，而是文本之下可检查、可继承的结构层。

六、SDA为何能够提出科学定理：硬核科学性基础

（一）SDA不是一组观点，而是一个形式系统

只有当SDA具有明确的对象、符号、规则和失败条件时，才有资格提出定理。为此，定义SDA系统为：

𝓢_SDA = ⟨𝒟, 𝒦, Ω, 𝒯, 𝓘, 𝓒, 𝓕, 𝓥⟩

其中，𝒟为允许进入系统的材料域，包括文本、档案、数据、图像、访谈及其来源信息；𝒦为类型化知识状态空间；Ω为结构算子集合；𝒯为状态转移规则；𝓘为必须保持的结构不变量；𝓒为结论成立条件与适用边界；𝓕为反例、失败和不可判定接口；𝓥为复现、比较和经验校准程序。SDA的一个输出只有同时携带对象域、变换链、证据来源、版本和失败条件，才能被视为结构科学命题。

（二）知识状态、结构算子与状态转移

在时刻t，定义研究对象的知识状态：

K_t = (V_t, E_t, τ_t, ω_t, π_t, U_t, B_t)

V_t和E_t分别为知识节点及关系；τ_t为类型；ω_t为支持强度或不确定性；π_t为来源与推理路径；U_t为尚未解决的问题、冲突和未知；B_t为当前适用边界。SDA算子Ω包括对象分解、关系发现、证据绑定、概念对齐、假设生成、反例搜索、机制重构、边界收缩、跨语言同构检验和知识版本合并。每个算子都必须声明输入类型、输出类型、前置条件和失败状态。

Kₜ₊₁ = T_ω(K_t, D_t), ω ∈ Ω

这使SDA区别于自由生成：它不是从提示词直接跳到文章，而是从可标识状态经过可记录变换到达新状态。任何无法追溯的跳跃只能被标记为候选解释，不能自动升级为知识。

（三）四项结构科学公理

公理A1（可追溯性）：任何进入结论集合的经验性命题，都必须存在通往材料或既有已声明命题的有限来源路径。公理A2（类型守恒）：材料、证据、命题、解释、价值判断和行动指令不得在未声明转换规则时相互冒充。公理A3（边界显式性）：任何结论都必须绑定对象域、语境、时间、方法和不确定性边界。公理A4（可修正性）：当出现冲突证据、映射错误或更强竞争性解释时，系统必须允许回退、修订或保留未决状态，而不能通过删除反例维持表面一致。

（四）三类科学可检验性

SDA同时具有三类检验接口。第一是形式检验：在给定定义和公理下，定理能否由规则推出，是否存在内部矛盾。第二是计算检验：同一语料、参数和版本能否重现相同的结构节点、证据映射及冲突记录。第三是经验检验：SDA提出的机制、分类或预测是否能被新增材料、专家标注、跨语料迁移和反事实研究支持。形式成立不推出经验为真，经验拟合也不推出结构解释唯一；三者必须分层报告。

（五）SDA定理的合法表达

因此，SDA定理只能采用“在公理A、对象域D、状态表示K和算子Ω成立时，性质P必然成立”的条件形式。若命题依赖人文材料，其经验部分仍须通过语料、档案或田野研究检验。SDA不能因为写出公式便把解释变成定理；只有逻辑必然部分可以证明，材料映射、权重、机制和现实解释必须接受证伪。

硬核科学性判据 SDA的科学性 = 对象可定义 + 状态可表示 + 算子可执行 + 不变量可检查 + 命题可证明 + 过程可复现 + 映射可证伪 + 失败可保留。任何一项缺失，都只能称为启发式方法，不能宣称为结构科学定理。

七、SDA用于社会科学为何不同于既往路径

（一）不同于把自然科学方法移植到文科

既往“科学化文科”通常引入统计、实验、计算、网络分析或可视化。这些方法增强了测量和模式发现，却不必然解决概念漂移、证据—命题断裂、学派不可比较及知识无法继承的问题。SDA不预设文科必须数学化，而是先重建知识对象本身：什么是材料，什么是证据，哪个命题由何种关系支持，解释在哪些边界内成立，怎样被后续成果修改。数学和计算是实现这种结构责任的工具，而不是合法性的唯一来源。

（二）不同于数字人文与计算社会科学

数字人文主要扩展材料处理、远读、可视化和数字保存；计算社会科学主要以数字轨迹、实验和模型研究社会行为。SDA可以吸收二者，却增加了它们通常不负责的知识演化层：把发现重新接入概念、命题、证据、机制、反例和版本，使每一次研究都明确改变了既有知识图的哪一部分。它处理的不只是数据中的模式，也处理模式如何成为、尚未成为或不应成为知识。

（三）不同于科学哲学

科学哲学讨论证伪、范式、研究纲领、解释和实在性，为判断科学活动提供元层反思；SDA则是一种对象层—操作层系统。它不只回答“什么算科学”，而要把一项具体论文拆解为可执行结构，显示哪条证据支持哪个命题、哪种替代解释仍然存活、哪个边界被新材料改变，并把变化保存为下一项研究的输入。科学哲学提供规范问题，SDA将部分规范转化为可运行、可检查和可持续更新的研究协议。

（四）不同于知识图谱和大模型

知识图谱可以存储实体与关系，但关系被写入图中不等于关系已经获得证据支持；大模型可以生成连贯解释，但语言概率不等于事实或机制。SDA要求每个结构节点同时携带类型、来源、置信状态、反例、边界和版本，并区分“原始材料”“模型生成候选”“研究者确认解释”与“经过检验的命题”。因此，SDA不是图谱或大模型本身，而是治理它们如何参与知识形成的结构科学层。

八、SDA数学定理与人文科学的关系

（一）数学描述结构，人文解释意义

数学在SDA中承担四种有限但关键的工作：精确定义对象与关系；证明在给定规则下哪些性质必然成立；比较不同结构的差异；暴露推理跳跃和不可兼容条件。人文科学则决定研究问题的重要性、材料的历史语境、概念的文化含义、解释的合理性及价值后果。数学不能从公式中推出一部作品的审美价值，也不能替代档案真实性判断；人文解释也不能取消证据矛盾或逻辑不一致。

（二）三层定理体系

SDA定理分为三层。第一层是形式定理，例如在几何平均定义下，必要维度为零必使成熟度为零；它们可作严格数学证明。第二层是结构定理，例如出版物增加不必然带来知识图增长；它们由形式定义与可观察结构共同支持。第三层是经验机制命题，例如某种社会结构如何导致某种结果；它们不能仅靠SDA证明，必须由历史材料、调查、实验或比较研究检验。三层不得混写。

Formal Theorem ⊂ Structural Proposition ⊂ Empirical Interpretation

（三）数学不是裁判，而是约束语言

SDA公式的目的不是给文科穿上科学外衣，而是强迫研究者声明变量含义、适用域、比较标准和失败条件。公式中每一个符号都必须返回人文材料中的可解释对象；如果符号无法建立可靠语义映射，模型就必须停止在候选层。数学因此承担“约束表达”的责任，而最终解释仍由材料、人类判断和学术共同体共同完成。

（四）双向校正原则

数学结构可以发现人文论证中的断裂、循环与隐藏假设；人文材料也可以迫使数学模型增加类型、修改边界或放弃过度简化。二者不是单向征服关系，而是双向校正：形式系统要求解释清楚，人文对象要求形式系统保持谦逊。

九、SDA成果评价与解释模型

（一）七维结构科学性向量

定义成果K的结构科学性向量：

S(K) = (sₒ, sₛ, sₑ, sₕ, sₘ, sᵦ, sₐ), sᵢ ∈ [0,1]

（二）结构成熟度函数

为了避免简单加权平均掩盖致命缺口，定义加权几何成熟度：

SMI(K) = [∏ᵢ sᵢʷⁱ]¹⁄Σʷⁱ, wᵢ > 0

定义结构短板值SB(K)=min{sₒ,sₛ,sₑ,sₕ,sₘ,sᵦ,sₐ}，并得到经短板惩罚后的结构成熟度：

SDA-M(K) = SMI(K) · SB(K)ˡ, λ ≥ 0

权重、阈值和λ必须由具体学科共同体预先声明，并通过标注者一致性、敏感性分析和外部效度研究校准。未经校准的数值只能用于诊断，不能用于聘任、资助或排名。

（三）成果价值向量：拒绝用单一分数压缩文科

科学结构成熟度不是成果价值的全部。定义：

V(K) = (V_f, V_t, V_m, V_e, V_c, V_a, V_p)

其中依次为事实发现价值、理论创新价值、方法创新价值、解释价值、文化与思想价值、知识累积价值以及实践与公共价值。一部文学作品、一份口述史或一篇哲学文本可能不满足经验社会科学的全部结构条件，却具有不可替代的审美、思想或史料价值。SDA必须并列输出结构状态、价值向量、不确定性和解释依据，而不能把不同类型成果压缩为一个排行榜。

十、五项SDA条件性定理

以下“定理”是在本文定义和公理约束下成立的形式命题，不等同于已经获得经验普适证明的自然定律。其意义是暴露评价规则的前提，并为后续实证检验提供可反驳对象。

定理一：核心维度不可完全替代定理

若 ∃i, sᵢ = 0，则 SMI(K) = 0。

证明由加权几何平均的乘积性质直接得到。其含义不是成果毫无价值，而是只要某个被预先定义为必要的科学维度完全缺失，该成果就不能被判定为该适用域内结构完备的科学知识。方法上的强项不能完全补偿证据为空、对象不明或边界不可说明。不同成果类型可以声明不同必要维度，但不得在评价结果出现后临时改变规则。

定理二：文本增长不推出知识累积定理

Δ|D| > 0 ⇏ ΔKA > 0

设D为出版物集合，KA为可继承知识结构。如果新增文本只重复既有命题、改变修辞或增加未与命题绑定的材料，而整合前后知识图在关键结构上同构，则出版量增加但知识增量近于零。反之，一份很短的材料若改变关键证据、机制或边界，也可能产生显著知识增量。

定理三：解释优势条件化定理

EP(hᵢ|O,E,B) = [Cov·Con·Rob·Dis] / [1 + αCom + βU]

Cov为证据覆盖率，Con为内部一致性，Rob为对材料变化与反例的稳健性，Dis为区分其他假设的能力，Com为不必要复杂度，U为未解释关键证据。在共同对象O、证据E和边界B下，EP较高只意味着条件性解释优势，不意味着永恒真理。对历史与解释性研究，指标可以采用定性等级或区间，而不必伪装成精确概率。

定理四：结构新增知识判定定理

Gₜ₊₁ = Gₜ ⊕ K, ΔK = ΔV + ΔE + ΔM + ΔB + ΔX

ΔV表示有效概念或命题变化，ΔE表示证据及其关系变化，ΔM表示机制变化，ΔB表示边界变化，ΔX表示既有矛盾的解释或暴露。创新不是“以前没人这样写”，而是新成果是否对可继承知识结构产生了可识别改变。这里的加号表示结构贡献的组成，不预设各量纲可以未经校准直接相加。

定理五：开放性科学进步定理

Progress(K) = ΔG − μΔU − νΔX − ρL

G为已建立结构，U为未解决问题，X为未解释矛盾，L为新增的无依据复杂度。若成果扩大可靠知识结构、减少关键未知或正确暴露原先被隐藏的矛盾，并且没有通过删除反例制造一致性，则构成科学进步。负结果、反例和边界收缩也可能是进步，因为它们提高了知识体系的真实性。

十一、从评分转向解释：SDA评价协议

SDA成果评价不应输出孤立分数，而应生成一份可复核的结构解释报告。其最小内容包括：第一，把文本还原为对象、问题、概念、命题、证据、假设、机制与边界；第二，为每个关键结论展示证据与推理路径；第三，提出能够解释同一材料的替代假设；第四，标记证据缺口、概念漂移、层级跳跃、反例回避和外推风险；第五，识别成果相对于既有知识的真实新增量；第六，提出后续可执行的研究设计。

由此可见，评价只是SDA知识生产链中的一个环节。更重要的功能是改造和再创造：在诊断结构缺口之后，系统可以重新提出问题，寻找反例，重组材料，建立新机制，生成新的研究路线和跨学科对象。SDA因而不同于审计软件，也不同于以语言流畅度为核心的写作助手。

十二、AI时代新文科：从工具叠加到认知组织变革

（一）AI的根本意义不是自动写作

生成式AI已经能够完成摘要、翻译、分类和草稿生成，但流畅文本并不保证事实可靠、概念稳定或机制成立。当前研究也持续揭示大模型在社会模拟、群体差异和复杂社会语境上的局限。AI若只被嵌入原有论文生产流程，最可能增加文本供给并放大已有评价问题。真正的转折在于，AI使跨文本、跨语言、多模态材料的大规模结构抽取、动态证据映射、反例搜索和假设并行比较成为可能。

（二）新文科不等于“文科加Python”

技术课程、数据分析和可视化属于必要能力建设，但新文科不能停留在外部工具叠加。它至少包含四种变化：研究对象扩展到算法社会、智能体制度、数字人格与人机共同记忆；研究材料扩展到实时数据、多模态记录和人机交互轨迹；研究主体扩展为人、AI、多Agent和机构共同体；知识形态由静态文本扩展为可更新结构、证据网络、理论空间和交互出版物。

（三）新文科生成定理

H + A → Automation

SDA(H ⊗ A ⊗ E ⊗ K ⊗ B) → New Humanities

H表示人的问题意识、价值判断、历史理解和理论责任；A表示AI的材料处理、关系搜索和候选生成能力；E表示证据制度；K表示既有知识结构；B表示方法、伦理与适用边界。简单相加主要产生自动化，只有通过共同结构空间的耦合，才可能形成新文科。该定理同时规定责任边界：AI可以生成候选结构和反例，但不能自动取得作者资格、价值裁决权或最终事实责任。

十三、人—AI共同研究的组织形式

在新范式中，研究不是一次提示词调用，而是一个持续演化的研究空间。人的主要职责包括选择重要问题、判断意义、承担伦理与学术责任、识别历史语境以及决定何种解释值得追求；AI主要承担大规模检索与材料组织、结构候选生成、证据映射、矛盾发现、跨语言比较与可重复操作；多Agent系统可以分别扮演证据核验、反例搜索、替代理论、方法审查和写作整合角色。

这种分工必须受到研究治理约束。所有关键命题应保留来源和版本；模型生成内容应与原始证据分离；未知、超时和证据不足不能被自动转写为肯定结论；研究者必须能够回到任一推理节点检查材料。只有这样，人机协作才会提高科学性，而不是仅仅提高产量。

十四、文科语言组织的新范式

（一）线性文本的能力与限度

自然语言擅长叙事、隐喻、价值表达和历史经验，但线性表达会隐藏知识网络。概念可能在不同段落漂移，证据与结论相距甚远，替代解释难以并行呈现，一篇文章内部的结构也难以被另一篇文章直接继承。因此，新范式不是废除自然语言，而是在自然语言之下增加可追溯的结构语言。

（二）自然语言—结构语言双层模型

Natural Language ⇄ Structural Language

自然语言层保存意义、语境、修辞、情感、历史性和开放解释；结构语言层表达对象、概念、命题、证据、关系、假设、边界和不确定性。二者必须双向转换：结构层能够返回原文语境，原文中的新理解也能够修改结构层。任何单向抽取都会导致意义损失或结构僵化。

（三）结构语义单元

SU = ⟨T, O, P, R, E, C, B, U⟩

T为原始文本，O为所指对象，P为命题，R为与其他命题的关系，E为证据，C为成立条件，B为适用边界，U为不确定性。结构语义单元不是新的分词方式，而是知识组织单位。它使同一句自然语言判断能够被展开为对象、条件和证据，也使不同语言表达能够在结构层比较。

（四）结构语义等价定理

L(p₁) ≈ L(p₂) 但 Σ(p₁) ≠ Σ(p₂) ⇒ 知识命题不等价

L(p₁) ≠ L(p₂) 但 Σ(p₁) ≅ Σ(p₂) ⇒ 可能结构等价

L表示字面语言，Σ表示由对象、关系、条件、证据、边界和不确定性组成的结构语义。由此，知识等价性不能仅由词语相似度决定。这一命题为跨语言研究、概念史、学术翻译、知识检索和教材重构提供了共同基础，也提示必须谨慎处理文化不可通约性：结构同构只能作为候选判断，仍需母语研究者和历史语境核验。

（五）从提示词走向研究语言

RL = ⟨O, Q, C, E, H, M, B, A_c⟩

研究语言RL记录对象、问题、概念约束、证据标准、候选假设、机制、边界和允许的研究动作A_c。提示词通常是一次性指令，研究语言则保存研究状态，使多轮工作、多位研究者和多个模型能够在同一结构中继续。人与AI真正的深度协作，不取决于AI能否更像人说话，而取决于双方能否共享一个可追溯、可修正和可继承的结构语义空间。

十五、再发现、重构与创造：AI时代语言结构新范式

（一）“再发现”不是重新摘要

既有文献中存在大量未被其作者或时代知识条件充分识别的关系：分散材料可能构成新的对象，互不相连的命题可能共享机制，不同语言中的概念可能在结构层呈现同构或关键差异。SDA再发现不是让AI改写旧文，而是在保留来源和历史语境的前提下，对材料重新分型、连接、比较和反证，形成可以由研究者复核的新问题、新关系和新假设。

Rediscovery = New Structure on Preserved Evidence, not New Wording

（二）“重构”不是否定原作

重构把线性作品转换为多层知识对象：原文层保存作者表达；语境层保存时代、体裁和制度条件；结构层表达对象、概念、命题、证据和关系；争议层保存竞争性解释与反例；生成层记录由此产生的新研究。任何SDA版都必须能够返回原文，并明确哪些内容来自原作者、哪些来自后世研究、哪些只是AI提出的候选结构。

（三）从结构发现到新成果创造

当再发现通过证据核验和竞争性解释后，它可以形成新的概念、理论、论文、教材、文学作品或跨学科领域。创造不是无来源生成，而是对既有材料和现实问题进行受约束的结构变换。SDA由此把研究链条从“阅读—写作—发表”改造为：

Material → Structural Discovery → Hypothesis Competition → Reconstruction → Creation → Re-entry into Knowledge

（四）语言结构新范式的意义

过去，语言既是思想媒介，也是知识最终容器；AI时代，语言同时成为机器识别、模型推理、系统协作和行动触发的接口。新的语言范式必须同时满足五项要求：对人保持可读和有意义；对机器保持类型明确；对证据保持可追溯；对跨语言转换保持结构映射；对未来研究保持可修改。其目标不是创造一种取代汉语、英语或文学语言的人工语言，而是在自然语言下建立共同结构层。

（五）实施安排：四层语言架构

第一层为原始语言层，保存文本、语音、图像及完整语境。第二层为结构语义层，把对象、命题、证据、条件、边界和不确定性编码为结构语义单元。第三层为研究操作层，规定允许执行的比较、推导、反例搜索、转换和生成动作。第四层为表达生成层，根据学术、教材、出版、文学或公众传播场景生成不同文本。四层之间必须保留双向链接，任何生成物都能回到其结构和来源。

L₀ Original → L₁ Structural Semantics → L₂ Research Operations → L₃ Expressions

（六）制度安排

该范式需要版本制度、来源制度、作者与AI贡献标记、概念注册与变更记录、跨语言校验、领域专家复核和公开反例通道。没有这些制度，结构语言会退化为不可解释的机器标签；有了这些制度，论文、教材和出版物才可能成为持续演化的知识节点。

十六、文学、哲学与历史独特性的保护

结构语言最危险的误用，是把一切意义压缩为可计算标签。文学的隐喻、多义、沉默和情感张力，哲学概念的生成过程，历史事件的独特性，都不能被简单消除。SDA必须区分两类不确定性：第一类是创造性开放，即作品有意保留的多义空间；第二类是知识性缺口，即研究中因概念不清、证据不足或推理跳跃产生的不确定性。前者应保存并允许多种解释共存，后者应被揭示并推动研究。

因此，SDA结构科学存在双重边界：它可以评价一项解释是否明确绑定材料，却不能替代社会共同体判断某种价值是否高贵；它可以比较不同叙事的证据基础，却不能以单一指标决定文学优劣；它可以显现哲学论证结构，却不能把哲学问题还原为经验变量。结构化应扩大文科的可理解性和创造空间，而不是实施新的技术还原主义。

十七、可检验研究计划与方法学限制

（一）模型验证路线

本文的形式模型需要通过至少四类研究检验。第一，选择历史学、社会学、文学研究和传播学样本，建立人工标注指南，检验七维评价的标注者一致性。第二，比较SDA结构报告与传统同行评议是否能更稳定发现证据缺口和外推错误。第三，以同一材料生成多组竞争性假设，观察结构化比较能否提高专家对分歧点的识别。第四，开展纵向知识图实验，检验结构单元是否真的提高后续研究的继承和修正效率。

（二）主要限制

第一，维度选择本身包含规范判断，不存在完全中立的评价函数。第二，人文学科之间差异巨大，权重和必要条件必须分领域设定。第三，结构抽取可能误读隐喻、讽刺和历史语境。第四，知识图容易制造“已经理解”的错觉，而实际上节点命名仍依赖解释。第五，AI训练数据和模型偏差会影响候选结构。第六，成果评价若被行政化使用，可能形成新的指标主义。因而，SDA必须保存原文、暴露不确定性、提供人工复核，并禁止将未经领域验证的综合分数直接用于资源分配。

十八、Agent时代语言治理的必然性

（一）语言已经从表达媒介变为行动接口

在传统传播环境中，语言主要影响人的理解和决定；在Agent环境中，一段语言可以被解析为计划、工具调用、合同条款、数据库写入、资金操作、消息发送或机器人动作。语言输出不再止于“说了什么”，而可能直接改变现实状态。由此，内容真实性治理不足以覆盖Agent风险，必须治理语言如何被解释、被授权和被执行。

Utterance → Interpretation → Plan → Tool Call → State Change

（二）语言—行动风险放大机制

设语言指令u具有语义歧义A(u)、执行权限P(u)、作用范围R(u)、不可逆性I(u)和跨系统传播深度D(u)，则语言行动风险可表示为：

Risk(u) ∝ A(u) · P(u) · R(u) · I(u) · D(u)

当Agent权限、连接范围和自动传播深度上升时，即使语言歧义没有增加，现实风险也会乘法放大。因此，Agent越强，语言越不能只依靠概率理解和事后内容审核。

（三）Agent语言治理必然性定理

设Agent系统A能够把语言u映射为外部动作a，并存在至少两个在语义上可接受但在后果上不可等价的解释i₁与i₂。如果系统缺少语义类型、权限边界、来源、适用条件和执行前验证，则存在某个u，使A在不能证明用户真实意图的情况下触发现实状态变化。随着可调用工具和自主执行链增长，该类状态的可达集合不会缩小。

Language→Action ∧ Semantic Ambiguity ∧ No Governance ⇒ Unbounded Mis-execution Set

因此，只要Agent具有跨系统行动能力，语言治理就不是可选的合规附加项，而是系统成立的必要条件。这里的“必然”是架构条件命题：若要在开放语言和现实行动之间维持可控映射，就必须引入治理层。

（四）SDA语言治理的五个门

第一，语义门：把自然语言转换为带对象、动作、条件和不确定性的结构指令。第二，证据门：事实性前提必须绑定来源，模型猜测不得冒充事实。第三，权限门：语言能够提出动作，但不能自动扩大Agent权限。第四，后果门：执行前比较可达结果、不可逆性和越界风险。第五，责任门：记录谁提出、谁解释、谁批准、使用何种模型和工具以及最终发生何种状态变化。

Admissible(u,a) = Typed(u) ∧ Sourced(u) ∧ Authorized(a) ∧ Bounded(Post(a)) ∧ Accountable

（五）语言治理与SDA文科理论的统一

社会科学研究关注制度、意义、权力和行动；Agent社会恰恰把这些关系压缩到语言—动作链中。SDA结构语言一方面重构学术知识，另一方面为Agent提供可解释的语义对象、边界和责任链。文科由此不再只是为AI提供内容，而成为定义AI如何理解社会语言、如何取得行动许可以及如何承担公共后果的基础学科。

十九、讨论：SDA改变的不是写作，而是知识存在方式

如果本文论证成立，SDA的意义就不在于帮助研究者更快完成一篇文章，而在于改变成果完成后的存在方式：论文仍然是可阅读、可署名的完整作品，同时拥有一个可追溯、可比较、可更新的结构版本。后续研究不必只引用整篇文章，而可以继承其中某一命题、补充某条证据、修正某一机制或收缩其适用边界。出版由静态终点转化为知识演化节点。

这也解释了SDA为何能够延伸到教材、出版、文学创作和跨学科领域。教材可以展示知识如何形成而非只呈现结论；出版物可以拥有面向研究、教学和公众理解的不同结构版本；文学创作可以在不牺牲语言开放性的前提下组织人物、世界和叙事关系；新的跨学科领域可以通过共同对象、概念和证据结构逐步形成。它们并非彼此无关的产品，而是同一种结构能力在不同知识活动中的展开。

二十、结论

本文没有宣称过去的人文社会科学毫无科学性。相反，正因为人类已经积累了极其丰富的材料、解释和思想，才有必要追问这些成果为何难以形成可持续演化的共同知识结构。本文把这一问题概括为：文本知识高度繁荣，而结构知识仍未充分形成；局部科学成果大量存在，而整体知识体系尚未完成。

SDA对此提出六个相互连接的理论贡献。第一，SDA被明确为Structure–Dynamics–Algebra，即结构—动力—代数统一的结构世界模型，并与AI模型及软件产品区分。第二，它把自身严格定义为具有对象域、知识状态、公理、算子、不变量、失败接口和验证程序的结构科学系统，并提出从超图、动力系统和算子代数到范畴论、层论、拓扑、因果模型及信息几何的分层数学路线。第三，它不同于自然科学方法移植、数字人文、计算社会科学和科学哲学，因为它直接改造知识对象内部的组织与演化。第四，成果评价模型以多维向量、条件性定理和解释报告揭示成果为何成立、何处不足以及真正新增了什么，同时拒绝把文科价值压缩为单一分数。第五，再发现—重构—创造链与双层语言范式把自然语言的意义丰富性同结构语言的可追溯性连接起来，使人和AI能够在共同研究空间中组织材料、比较解释并创造新知识。第六，Agent语言治理定理揭示：当语言能够触发现实行动时，语义类型、证据来源、权限边界、后果约束和责任记录成为智能系统的必要基础设施。

最终命题 AI时代新文科的真正革命，不是机器开始大量写作文科文本，而是人类第一次可能把自然语言中积累的文明知识转化为既保留意义、历史性和创造性，又能够被追溯、比较、修正、继承并继续生成的结构知识体系。

因此，SDA不是为既有文科增加一个外部AI工具，也不是一个成果审计或自动评分系统。它试图补足人文社会科学长期缺失的共同结构层与知识演化层，并把研究、评价、重构和再创造连接为连续过程。这一主张能否成立，最终取决于后续跨学科实证、公开反例、方法校准和真实研究实践，而不是取决于概念自身的宏大程度。

参考文献

[1] Popper, K. R. The Logic of Scientific Discovery. London: Routledge, 1959/2002.

[2] Kuhn, T. S. The Structure of Scientific Revolutions. 4th ed. Chicago: University of Chicago Press, 2012.

[3] Lakatos, I. Falsification and the Methodology of Scientific Research Programmes. In Criticism and the Growth of Knowledge. Cambridge: Cambridge University Press, 1970.

[4] Geertz, C. The Interpretation of Cultures. New York: Basic Books, 1973.

[5] Ricoeur, P. Interpretation Theory: Discourse and the Surplus of Meaning. Fort Worth: Texas Christian University Press, 1976.

[6] Latour, B. Science in Action. Cambridge, MA: Harvard University Press, 1987.

[7] Lazer, D. et al. Computational Social Science. Science, 2009, 323(5915): 721-723.

[8] Kitchin, R. Big Data, New Epistemologies and Paradigm Shifts. Big Data & Society, 2014, 1(1).

[9] Moretti, F. Distant Reading. London: Verso, 2013.

[10] Drucker, J. Graphesis: Visual Forms of Knowledge Production. Cambridge, MA: Harvard University Press, 2014.

[11] Wilkinson, M. D. et al. The FAIR Guiding Principles for Scientific Data Management and Stewardship. Scientific Data, 2016, 3: 160018.

[12] UNESCO. Recommendation on the Ethics of Artificial Intelligence. Paris: UNESCO, 2021.

[13] UNESCO. Guidance for Generative AI in Education and Research. Paris: UNESCO, 2023.

[14] Simmons, G. Moral Mimicry: Large Language Models Produce Moral Rationalizations Tailored to Political Identity. Proceedings of ACL Student Research Workshop, 2023.

[15] Jin, Y. et al. MM-SOC: Benchmarking Multimodal Large Language Models in Social Media Platforms. Findings of ACL, 2024: 6192-6210.

[16] Møller, A. G., & Aiello, L. M. Prompt Refinement or Fine-tuning? Best Practices for Using LLMs in Computational Social Science Tasks. SICon 2025: 27-49.

[17] Wang, J. et al. SocioBench: Modeling Human Behavior in Sociological Surveys with Large Language Models. EMNLP 2025: 26257-26289.

[18] Kolluri, A. et al. Finetuning LLMs for Human Behavior Prediction in Social Science Experiments. EMNLP 2025: 30096-30111.

[19] Austin, J. L. How to Do Things with Words. Oxford: Clarendon Press, 1962.

[20] Searle, J. R. Speech Acts: An Essay in the Philosophy of Language. Cambridge: Cambridge University Press, 1969.

[21] Berners-Lee, T., Hendler, J., & Lassila, O. The Semantic Web. Scientific American, 2001, 284(5): 34-43.

[22] Yao, S. et al. ReAct: Synergizing Reasoning and Acting in Language Models. International Conference on Learning Representations, 2023.

[23] Schick, T. et al. Toolformer: Language Models Can Teach Themselves to Use Tools. Advances in Neural Information Processing Systems, 2023, 36.