本文来自微信公众号：集智俱乐部（ID：swarma_org），作者：Anastasia等，翻译：靳明瑜，审校：Leo，编辑：邓一雪，题图来自：unsplash
社会科学进入黄金时代的标志就在于爆炸性出现的新数据、分析方法与跨学科方法这三者的交汇。在我们面对世界时，这些因素对于解决更有挑战性的问题必不可少。在本文中我们讨论了如何发展一门“通用语言”来促进更多的跨学科研究，并提供两个案例（社交网络和行为经济）去论证这个议题。同时我们还提供了过去12年的一些示例性研究。最后，我们着眼于应对这些积极趋势带来的挑战，例如职业激励和寻求统一的框架，以及可以用于应对这些挑战的相关最佳做法。
社会科学正在进入黄金时代[1]。这一时代最好的标志就是高速增长的跨学科团队的数量。团队一起工作，利用爆炸性增长的可用数据和计算能力去解决充满挑战的社会压力。每一个趋势被单独的书写——大数据变革在这几年变革了社会科学[1]，不同团队的优势被快速认清和量化[2,3]。我们认为，正是数据的融合，团队的多样化以及艰巨的挑战，才使社会科学家迎来了一个独特而激动人心的时代。在这个时代，社会科学家要解决重要的研究问题。当然，在过去的几十年中，大量的团队已经做出了很多努力[4]，但是最近合作研究的频率和广度却有所增加。
投资机构也认识到需要支持跨学科团队。图1提供了由NSF资助的多研究者资助的证据，证明了跨学科研究如何在社会科学中崛起。由于定义跨学科工作具有难度，联邦机构选择用提供给多元化项目的赠款数量作为代替[5,6]。这些数据印证了我们关于跨学科交流在黄金时代意义的想法：在这个黄金时代，跨学科性是指受过不同培训的科学家之间的积极合作（这意味着观点的多样性正在影响研究），而不是一位研究人员被动地借用其他领域的想法。
图1. 1987年至2018年，美国国家科学基金会（NSF）的单个研究者奖项（SPI）和多个研究者奖项（MPI）。请注意有一个以上的PI的奖项的趋势，NSF认为这是目前最好的对跨学科的代替数据（6）（数据来源：参考5和7）。
我们希望我们的分析观点可以鼓励科学家发挥新型数据集的优势，建立多样化的合作方式，来回答这些充满挑战的问题。特别地，我们将这些观点提供给投资机构和学术机构，以说服它们为这一类型的工作提供更多的资金。最终，我们希望看到解决挑战的工作在加速。例如，COVID-19的大流行证明了只有不同科学家相互合作，贡献自己最了解的知识，才能解决大规模问题。
一、对通用语言的需求
学科界限的开放类似于不同领域的方法、语言、知识的之间的贸易。就像人与国家之间的贸易一样，这种贸易建立的前提是：不同的科学学科有不同才能（如对工具的掌握和对知识的积累）和相对优势。定义社会科学学科之间的差异是困难的，但是即使是一个概要也可以阐明相对优势和贸易价值。希望读者可以理解我们过度强调它们的差异（并忽略它们之间的差异），我们对它们有如下定义：人类学试图通过人种学来了解人类社会中的文化差异，挖掘人类发展的物理细节，并探索文化与基因共同进化的数学模型。
经济学使用大量数学方法来理解优化商品和服务贸易中稀缺资源（尤其是货币）分配的系统（一般均衡）结果。它的主要方法包括根植于偏好、信念、约束的理论和对田野调查数据的分析。政治学研究政府、投票、陪审团和法律的正式制度，这些内容影响人们在不同制度中集体做出相应决定的方式。意识形态学是一个中心结构，民意测验是基础方法，尽管它越来越多地使用媒体和金融贡献的数据。心理学寻求人们思维方式和行为方式的规律性，重点是记忆、注意力和情感等机制和结构，主要方法是实验室实验和心理或生理上的测量（即使认知神经学用了大量新的方法）。
最后，社会学调查了社会世界是如何创建的，并影响了人们在正式和非正式聚合的不同层次上在社会群体中的行为。关于社会结构功能的一般性思想是中心思想，但是没有像经济学那样数学化（比如，经济学家可能会专注于用数学定义的分配效率，而社会学家可能会专注于通过统计学或定性方法去衡量的精英成功的社会再生产力）。
读者可能会认为前文对自己领域的简化描述过于简单，同时可能认为其他领域的描述却还不错。这个观点恰恰证明了为什么在跨学科研究中交流是一项挑战。
复杂的贸易呈现出这样一个事实，许多词，比如说理性、信任、歧视、阶层、显著和权利在社会科学中通过不同的方式不断被运用。它们的本土意义被“母语者”所理解，但是经常困扰来自其他科学领地的交易者。跨学科需要跨越不同学科的通用贸易语言，即“通用语言”。在一个通用的学科语言中，所有的学科都会采用最好的语言，用这个语言，不同科学可以以最优的效率描述一个观点。为了团队里的研究者更有效率地解决复杂的研究问题，他们需要一起建立一个通用字典，来提升他们交易和合作的效率。
起源于单独学科的通用语言的例子包括人类学中对文化的理解、经济学中理性选择理论、政治学中的意识形态理论、心理学中的实验室实验方法和社会学中的社交网络理论。除了这些中心理论，源自心理学的强大的准实验因果推论工具[8]于1990年代开始通过在经济学中更复杂地使用工具变量得到发展[9]，后来在政治学中又有所运用[10]，并在1995年左右在计算机科学和统计学中并行发展[11]——已经发展成为一种跨社会科学的方法学通用语言。
一个有用的通用语言，将会有一个统一的架构，它需要突破每个领域起源的技术性专业术语，以便于使用者更好地接受和使用。花费时间建立这样一个通用语言可能会让不同的团队去解决多维的问题，并且在更好的健康、财富和福祉上面有更好的创造性[12]。上瘾、肥胖、可持续性和气候变化、社会政治话语中技术驱动的变化、虚假新闻和人工智能如何改变我们的世界。任何一个单独的学科无法研究清楚这些问题。相反，想要在这些挑战中取得进展，需要制度激励、文化惯例、认知机制和社交网络，这些都创造并支撑着这些问题。跨学科工作已经在贫困、流行病和精神健康方面取得进展。
二、从案例中学习
在下一个部分，我们将介绍两个成功的跨学科的案例：社交网络科学和行为经济学。在这两个案例中，都是跨学科研究引导建立了新的跨学科领域，这些领域建立在贡献领域的比较优势之上，激发了共同的通用语言，产生了关于人性的见解，并改善了社会成果。不过因为这些是几十年前的案例，所以它们并没有论证我们对黄金时代所定义的三个特征。虽然最初的研究并没有在大量不同的数据库或者是一个想要解决全球问题的愿望的基础上特别的向前推进，但最近的研究却朝着这些方向发展。（图2C,D和图3C）
图2:（A）人流网络揭示了是重要节点（黄色）和有效边界（红色）的城市。（转载自参考文献20，CC BY 4.0）。（B）国际金融机构网络。边缘象征着相互持股。来自参考文献21，经AAAS许可转载。请注意，节点之间的高连接性可能导致系统性风险和网络漏洞。（C）性伙伴出现的分布对网络连接的影响。（改编自参考文献22，McGraw Hill LLC）。请注意，并发伙伴的平均数量略有增加（从左上方到右方的直方图）会对网络最大部分中的节点数量产生重大影响。（D）大脑区域网络，在此边缘代表着流线密度的发育增长。（转载自参考文献23，CC BY 4.0）。
图3:损失厌恶。（A）收益/损失效用函数根据风险选择估算出的组参数得出的货币收益。转载自参考文献66，经运筹学和管理科学研究所许可。（B）马拉松比赛完成时间的分配。转载自参考文献67，经运营研究所和管理科学研究所许可，许可通过版权清除中心公司（Copyright Clearance Center)传达。请注意在整数处的峰值。（C）在一个50周期的节省实验中，以前每个时期的实际点值，与从消费选择中选择的最佳条件点值作图(以前未使用Brown等人的数据发表[68])。请注意，即使最佳点值（x轴）应为负数，实际点值（y轴）为负数的数量也很少。（D）人类捐赠效应（买卖价格比率）与24个项目的显着显着性相关（r = 0.72）（以前的研究中仅使用2个）。这一发现反映了行为经济学，进化心理学和文化人类学之间的贸易往来。转载自参考文献69，经Elsevier许可。
三、社交网络
社交网络是我们第一个成功的跨学科成就的案例研究。网络分析运用了来自物理、计算机科学和应用数学中的方法，分析了社会学家、人类学家和心理学家经常研究的问题。这些问题涉及如何形成人际关系以及如何在连接的个人之间传播行为、信念和情感[13]。网络分析的一个显著特点就是学者的多样化，这些学者从一开始就活跃在这一领域的研究上，并且一直在知识发展上做贡献。来自不同领域、传统和国家的人共同讨论相关的研究问题[14]。新型数据集（例如社交媒体连接）以及越来越多的“连接”设备（例如具有社交功能的健身跟踪器）提供的数据极大地支持了网络分析[15]。
小世界网络模型的发现者邓肯·瓦茨（Duncan Watts）和斯蒂文·斯茨加茨（Steven Strogatz）是网络分析领域的突出贡献者[16]，他们指明了几个重要的网络特性，包括现实世界的网络既不是完全有序的（节点之间的排名并不总是很清晰），也不是完全随机的（所有的节点都有连接其他节点的不平等概率）。他们的工作使统计物理学界认识到他们的技术可能应用到社会环境，从而催化了跨学科的转折点。值得注意的是，随后的研究（主要在社会学、经济学和应用数学领域蓬勃发展）并不一定直接源于此原始论文。
网络科学的一个吸引人的特征是，简单的数学模型可以捕获复杂网络的核心特征，从而可以研究各种现象下的网络动力学。演员、电网输电线路、秀丽隐杆线虫的神经网络这三者之间看似不相关的联系可以通过“小世界”网络模型来计算，该模型是一个数学化图表，在这个图表中，一个节点相对于其他节点都不相邻，但是可以通过少数步数达到其他节点[17-19]。
例子1: 再探影响和信息交换
集体行为通常是在一个静态时间点进行研究的，其中暗含的假设是所有个体同时独立地做决定。但是，在决策之前，信息积累和整合的异构过程表明，许多决策实际上是按顺序进行的，信念可以从一个人“传播”到另一个人。实际上，从个体到群体，从吸烟到离婚再到就业，有多少种行为具有“传染性”，这种传染的动态变化对社会科学家来说非常重要。几十年来，文化进化领域一直对信息传播进行建模，他们的方法中使用了信息流行病学模型和社交网络模型[24]。
广义上讲，社会传染模型可以模拟个人接收信息的速度以及过去的互动如何影响他们的未来行为[13]。这些模型着眼于少数关键参数，这些关键参数可分为：1）度中心性，2）特征向量中心性，3）扩散中心性（diffusion centrality）和4）介数中心性（桥接）。
尽管人们可能不希望成为HIV传染网络的中心，但在大多数社交网络中，中心地位被视为一种优势，并且与经济上的成功[25]和幸福感[26]相关。度中心性计算“人气”，一个人可能拥有的大量连接的数量以及这些人可以轻松地一次将信息传输给广泛的群体的速度。特征向量中心性计算人与人之间有多少紧密相连的人，它已经被用于研究社会地位和替罪羊理论[27]。扩散中心性是对“影响范围”的一种度量，它表明个人在传播和了解信息方面的处境如何。最后，介数中心性，计算的是“社会变色龙”，这些人将不同群体联系在一起。有趣的是，这些角色是相互关联的：如果一个个体是一个网络中的中心，那他们可能是另一个网络的中心，并以此类推[18]。
这四个中心性度量都有不同的学科起源。度中心性的观点始于社会学家和哲学家Georg Simmel[28]。特征向量中心性是图论的概念，数学家 Edmund Landau 于1895年在关于象棋比赛的论文中首次使用它[29]。扩散中心性在经济学家研究信息传播速度的论文中被广泛使用[30]。介数中心性来源来自社会学文献，这些文献分析了社会资本的产生和维持[31]。换句话说，从一开始，这些社会传染模型的建立本身就是一个跨学科的事业。
自网络分析被创造后，研究者就可以运用新的工具，同时来回顾有关社会影响的旧问题。例如，研究者调查了在网络中受人欢迎的人，这些人可以在多样化传播信息中更有影响力。计算模型的方法已经被用于展示更快地巩固多数意见和并在更大社会影响的人群中更成功地传播最初不受欢迎的信念[32]。
基于标准经济博弈的其他研究工作发现，人们向社交距离更远的人付出的钱更少[33]。当同质性在社交网络中发挥作用时，这具有重要意义，例如，许多学校因种族而严重隔离[34]。鉴于许多国家基于种族的经济差异，这一分析告诉我们，不同背景的人们之间的资本转移和交换的增加，必定伴随着使他们社交网络联系更紧密所付出的努力。
例子2: 传染性疾病的传播
社会学家一直是指导网络模型发展的重要组成部分，因为他们帮助解释了从疾病到创新的所有事情的传播[35]。比如，大部分流行性疾病通过人们的接触中传播，这使得对传染病的研究成为一个自然场所去应用网络分析。1927年，Kermack 和 McKendrink 提出了最早、使用最久的疾病传播模型之一，即SIR模型[36]。这个简单的模型假设了在目标人群中有三种类型的人：易感染者（S），感染者（I）和康复者（R）。这个模型有许多必要的简化假设，当人们移动到R组之前，人们仅可以被感染一次，之后他们可以被认为永久的免疫这一类疾病。并且在同一个时间点可以只有两个人可以相互接触。
最近，在去往乌干达的旅途中，Kretzchmar 和 Morris 讨论了人们描述疾病是如何“实际传播”的，并建立了更好的模拟HIV的传播模型。具体来说，他们的新模型可以一次处理多个人际关系（多个性伴侣）——这比几个社会的例外情况更接近规范[37]。这个模型证明了并发性微小差异可以对人们的艾滋病毒易感性产生巨大影响[38]。Morris 的队伍继续跨学科（和社会学家和统计学家一起，她本身就是这两个专业的教授）和跨地域（和几个非洲的合作者一起）合作，以改善感染传播的模型并将其应用于新的更好的数据集。
流行病学模型是最近的新冠肺炎流行病的科学中心，并且已经有了许多版本。一个跨学科团队建立了一个“风险源”模型，该模型使用疾病中心的人口流量来预测其他地区的感染情况，从而控制国内生产总值和人口规模。利用中国的手机地理定位的数据，他们发现，随着时间的推移，SARS-CoV-2 的传播方式可能与武汉的人口外流方式有关。该模型在很早的阶段就通过每日风险评分来识别高传播区域[39]。最近，另一个跨学科团队比较了三个流行病模型来拟合时间序列政府数据。他们发现，SIR模型最适合进入疾病高峰期的数据，并且这三个模型都显示出，加大社交距离对降低疫情的大流行起到了重要作用。
总结
如果没有来自不同学科的科学家借用观点，用一个共用的语言讨论构架和方法，网络科学可能不会那么成功。广泛分布的研究人员关系网络为网络科学带来了创新，他们共享一个通用语言，传递高保真度的信息，并带来不同观点。
网络及其属性从根本上是有趣的，因为他们支撑了这些广泛的现象。与行为经济学不同，这些网络的研究很少有冲突，因为网络的概念自一开始就是明显具有吸引力并且有用的（关于人们是否是相互联系的这一问题没有学科争议，但人们是否是理性的这一问题就存在学科争议）。此外，虽然社会学家首先研究了网络[14]，但是当人们缺乏社会带宽并可以选择网络连接时，究竟会出现什么网络这一难题却被经济学家所破解[41]。另外，此外，捕获个人之间的联系的大型新颖的数据集（例如社交媒体和在线通信数据）的可用性日益提高，这确实对网络科学产生了极大的推动力。
四、行为经济学
经济学在黄金时代发生的最明显的转变就是引文的模式[42]。经济学研究对其他社会科学（“进口”）的引用越来越多，并且也被其他社会科学领域更多引用（“出口”引文），特别是自1970到1990年被政治学和社会学所引用，自2000年被心理学所引用。典型案例研究起源于行为经济学，它使用其他社会科学（尤其是心理学）的证据和方法来分析人类计算、意志力和自利的自身限制[43]。这些分析为田野数据提供了新的预测，在有关市场工作机制和政策效果方面提供了新颖的建议。分析这一类自身限制是很有意义的，因为传统的理性选择理论假设主观价值和贝叶斯信息的最大化，并且正确地考虑了风险。
但是，过去几十年的研究表明，事实上，人们经常表现得不理性。当然，理性选择理论总是被看作是有用的，而不是现实的。行为经济学旨在发展更现实和更有用的理论。首先，起初，人们对行为方法存在很大的敌意，主要是因为尚不清楚仅使用偏好，信念和约束的模型如何整合心理学[44,45]。Thaler 和其他人[46]用了一种“内部人员”的方法。他们将理性选择理论作为一个简单的基准，确定了该基准无法合理地解释的重要经验“异常”，并谨慎地添加了额外的成分来解释异常并做出新的预测。第一步是从高度受控的实验室实验证据开始，从而说服怀疑者并建立合理的替代理论。然后这些研究者解释并预测田野数据。带有少量附加参数的替代理论得到发展，以便可以比较理性预测和行为预测[48]。
例子1: 损失厌恶
传统的经济学分析典型的依赖于期望效用理论，这个模型假设人们会通过概率来衡量每个风险的预期后果所带来的主观效应，从而来选择风险，他们会选择具有最大期望效应的风险。在有影响力的“前景理论”中，Kahneman 和 Tversky 提出了一个更合理的心理选择：结局是由相对于参考点的得失主观地评估的[49]。除了参照因变量，前景理论融合了这样一个观点，潜在损失的权重可能比收益的权重更大。这种损失厌恶用一个参数λ 来衡量，该参数是收益效用与损失效用（或边际效用）之比，约为1.9。
损失厌恶已被用来解释不同的现象。包括：1）在实验室试验中承担财务风险[50]；2）为什么历史上股票的收益比债券高得多[51]；3）为什么有高价意愿去卖商品和更低价格去买同样的商品之间有有差距，即捐赠效应[52]。心理学家还发现了情绪[53]，认知序列[54]和注意力[55]在捐赠效应上的作用。
认知神经科学家发现了神经回路损失平均的证据[56]，包括神经回路评估得失的价值[57]与杏仁核损伤患者对损失的不正常容忍度之间的关联[58]。政治经济学家利用损失厌恶来理解谈判让步[59]、选举[60]和贸易政策[61]。图3说明了使用大型数据集（马拉松运行时间）和跨学科视角（进化显着性的文化人类学概念与损失厌恶的强度相关）的损失厌恶的估计。
即使行为经济学家对损失厌恶之类现象的进化和文化渊源不感兴趣，但依然有证据显示，在猴子[63]和类人猿[64]中就已经有损失厌恶和禀赋效应——尽管只对食物，而不对其他有价值的商品（如工具）。有人则发现在坦桑尼亚的与市场隔绝的哈扎村民中，禀赋效应异常缺失（这是一个人类学和行为经济学交易的例子）[65]。这些数据意味着损失厌恶或者它的行为意义并不是普遍的，同时也表明为什么需要更大范围的数据作支撑。
损失厌恶会导致“现状偏差”，一个夸张的趋势是选择建议的违约或坚持现状偏差。这种观点影响了公共政策。在默认要器官捐赠的国家，人们必须“选择退出”的捐赠率要高于选择性捐赠的国家的捐赠率[71]。违约偏好的第一个有影响力的应用是“明天储蓄更多”（Save More Tomorrow SMART）计划。在这个计划中公司将工人自动注册到税收优惠的401（k）计划中（除非他们选择退出），并且公司将他们下一次加薪的一小部分投入到这个计划中（这样他们的薪水不会下降并造成主观损失）。这些计划大大节省了开支[73]。SMART计划成为了许多“轻推”类型的代言人，其设计选择可以帮助某些人以较低的成本做出更好的决定，而其他人则可以自己选择罚款[74,75]。
例子2: 社会偏好
人类是所有动物中最亲社会的物种，通常会以自负盈亏的方式帮助与遗传无关的个体。自 20 世纪 60 年代起，关于自我和他人的比较的理论就开始兴起，为在其他学科中研究社会表现的播下了种子。此后行为经济学贡献了新的数学函数和数据。
博弈论就是一种通用语言，它提供了经典的战略互动，这些互动可以被用于分析亲社会性的元素。比如，在“最终通牒博弈”中，提议人提供了一个已知的一定份额的资源给回应者，比如10美元。如果回应者接受了这个报价，他们得到他们的钱，提议者留下剩下的钱。但是如果回应者拒绝了这个报价，每个人都不会得到任何钱。拒绝一个报价表现出消极的互惠——牺牲资源去伤害一个不公平的人。消极的互惠也可以是集体的：在一项研究中，警察在工资仲裁败诉后解决了更少的刑事案件[78]。
在社会领域关注最后通牒游戏的同时，其他博弈也快速跟进，凸显了不同的心理动机[1,79,80]：1)独裁者分配，回应者必须接受这个报价（衡量利他主义和规范敏感性，但不能互惠）；2）信任游戏，第一个移动者投资的钱是增多的，冒着使双方都受益的社会风险，赌第二个移动者会分享所有的收益[81,82]; 3）多人礼物交换劳动市场，公司会预付工资，并且希望工作者努力，这对工作者是昂贵的，但是会使公司受益[83]。
这些博弈现已在社会科学中广泛使用。一个跨学科的团队，大部分是人类学家，运用经济博弈来研究在小范围社会中跨文化的社会性[84]。他们了解到，更严格的分享规范（最后通牒中的拒绝会被惩罚）和社会合作（比如共同建立房子）和市场交易的范围是有联系的。
对这些博弈的兴趣日益增长的同时，“规范”的社会语言通用性得到了广泛的应用。规范是非正式的社会规则，它预计会被遵守，并且通常会通过非正式的方式对社会背离行为进行自我惩罚（即使没有法律强制执行）。比如，在独裁者分配的游戏中，人们对于公平分享的东西有不同的主观规范。他们的分享与他们认为的规范紧密相关[85]，这反映的是“好的礼仪”而不是利他主义[86]。
认知神经学家还利用这几个博弈来识别实现亲社会的神经回路[87]，并将脑损伤与异常的社会偏好相关联[88]。对社会偏好的更多了解并不能立即为解决“小问题”所带来的规模的社会问题做出贡献。但是，实验表明，社会力量可以提升亲社会性。比如，让人们去惩罚其他具有反社会行为的人似乎会提升合作[89]，尽管结果因文化而异[90]。新的证据也激发了人们对慈善捐赠的理解[91]。在未来，诊断工具可能来自对社会型更好的理解，其应用范围包括精神病学。发展同理心的方法，也可能分析人们对工作的匹配。
总结
在行为经济学发展之前，通常有人会说，摆脱理性最优化会导致一个不可证伪的理论，在这个理论中，什么都会发生。但是，心理学表明，发生的事情是由心理学原理捕获的；某些特定的东西（不是“任何东西”）会发生。损失厌恶起源于感知心理学，早期亲社会理论起源于知觉心理学。实验经济学增加了更通用的数学和博弈论结构。通常，行为经济学家通过咒语“赢得一场争论的最容易的方法就是开展另一个实验或者运行另一个统计学回归模型[43]“拉拢了怀疑论者。在行为经济学和金融学的领域，大型数据集发挥了重要的作用，包括最近的多站点实验室和田野实验[90,92]。大量的实验数据来自各行各业的政府“行为观察小组”实施了一些微不足道的试验和其他想法（目前只有200多个[93]），这为市民和消费者创造了更好的结果。
将行为经济学方法和偏好、规范、认知限制的生理和文化起源融合，想要超越西方受过教育、工业化、富裕和民主（WEIRD）的社会[84]（这个社会不代表所有的人类活动），需要做更多的事情。
五、具体研究中的重点
本节重点介绍过去12年来的研究，这些研究代表了社会科学的黄金时代。我们从一项毒品走私的研究开始说起。表格1展示的另外九个研究也是很好的例子。每一篇文章都有如下特征：1）不同学科的研究者之间合作积极；2）运用新型数据；3）回答了重要和困难的问题。表格1的文章主题从运动习惯到社会不公，他们运用了来自遗传学、脑显像学、浏览记录等各种新数据集。
该表格展示的研究是社会科学黄金时代的标志性研究
Magliocca 等人[95]分析了在中美洲的跨国际毒品走私（图4）。研究人员在2000年至2014年的估计非法药物流量数据库中对基于代理人的模型进行了测试。该模型成功地捕捉了跨时间、跨国家贩运和封锁的许多潜在趋势。它再现了两种效应，即“气球效应”（当贩运扩散到新的地区时）和“蟑螂效应”（当贩运路线在大萧条之后变得支离破碎时）[95]。
图4: 中美洲建模域（Center），其中包含一个由非活动节点（灰色圆圈），活动节点（红色圆圈）和每个活动节点之间的贩运路线（虚线）组成的模拟麻醉品贩运网络示例。模型域之外最南端和最北端的节点分别代表供应节点（例如哥伦比亚）和需求节点（例如墨西哥）。在外围地区，比较了在联合禁毒数据库（CCDB）部门管理级别报告的地区的可卡因装运量（地图中的蓝色区域）（红线），使用网络代理（蓝线）和不使用网络代理（黑线）的模型版本所模拟的中位数。阴影区域代表模拟可卡因体积的第二和第三四分位数的边界。被选择的部门在每个国家中至少包括一个地点，并且要基于CCDB报告的至少5年的连续观测结果。（转载自参考文献95，CC BY-NC-ND 4.0）
这项研究说明了社科研究黄金时代的实践和希望。他们的队伍有九个合著者，七个来自大学，一个来自政府机构，一个保持匿名以保护机密的消息来源。他们来自于地理学、政治学、生物学和地球科学。
这种跨学科的合作对于一个模型是很重要的，它不会忽略掉任何重要的事情，比如犯罪的地域（它仅关注于非法毒品生产和使用的地点）运输费用（因为物流和船运的风险是很重要的）和价值链的垂直整合。他们的分析包括政府的力量（如警察腐败）、导致穷人生产麻醉剂的经济不平等和地理距离。他们从行为经济学中引入了有关贩运事件的学习[96]和显着性[97]的新思想，预测了可卡因流向的空间和时间的模式，并用客观的分类数据集去验证这种模式。这个模型可以被用作分析不同的政策对毒品交易和毒品使用的可能影响，这些都是具有关乎全球的挑战性的问题。
六、结论和挑战
我们希望本文可以鼓励学者从事更多跨学科的项目。但是，这种类型的研究也会展现出新的挑战。以下障碍不成比例地促使团队关注跨学科问题，我们会逐一审查并提供最佳实践建议。
对于习惯于为传统上不同学科做出贡献的团队而言，期刊之间的孤岛问题或在何处以及如何积累信息可能是一个特殊的挑战。许多期刊仅针对一些专特定学科或学科子领域的读者，作者主要引用志趣相投的期刊的论文。即使交叉引用在不断增加，这也不能保证跨学科工作将在不同的领域会有相同的贡献，这也可能缺失与某一领域相关的宝贵见识。我们鼓励更多的期刊认真考虑并发表高质量的跨学科研究，即使这些研究超出了他们的传统工作范围。同时，我们鼓励学者去考虑，一个跨学科的项目可能会发表多篇论文，在这种情况下，所有对这个研究有贡献的学科都会从这个项目的知识积累中受益。
职业激励与作者身份。学者通常会被鼓励要持续的在他们的代表领域中做贡献，这意味着和其他相同分支的学者一起工作和在专业的期刊上发表论文（请参见上一点）。此外，跨学科之间的作者关系规范存在差异（比如在经济学中更重视单独署名的文章），这会使一个年轻的研究者不愿意加入规模更大的团队。如果跨学科工作持续蓬勃发展，则需要调整招聘和激励的方法，吸引多样的期刊受众。在训练和聘用新的博士的时候，我们鼓励部门和机构考虑让受训者更广泛的接触社会科学，开发出评估跨学科研究的更好的道路。
跨学科性对“开放科学”提出了独特的挑战，即共享程序，数据和代码，这可以让研究更广泛的被接触，因为不同的社会科学经常会有不同的工具和规范。就如Stodden等人强调的那样，“现行的报告方法总是不平坦的，不完善的和仍然在发展的”[106]。但是，这个挑战现在被广泛认识到，在实践中改善开放科学的努力也在继续。我们鼓励研究者，特别是新的博士，将其视为定义最佳做法的机会，以了解如何实现数据和代码的相关共享。
另一个挑战是创建一个用于解释跨学科行为的一体化框架。更好的理论将通过为假设设置适当的先验条件，来限制可能从大数据中得出的解释的数量。除非有一个通用语言或更好的真正的一体化框架，否则仅仅扩大方法论不会增加科学知识。社会科学将会从不断进化中的合理理论中受益，这些理论提供了（功能上）基本的解释和（机制上）最接近的解释。我们鼓励有交易头脑的学者能够以更加谦逊和开放的姿态向其他社会科学家学习，毕竟，他们在对这一领域的概念与方法有长期的积累。
这些障碍不容小觑，但是我们有理由保持乐观：在我们的时代，联系日益紧密，这意味着我们可以更容易获得其他学科的知识。为此，可以通过以下一些方法来衡量未来几年的成功：越来越多受到尊重的期刊会寻找和发表那些运用独特数据库的多样化团队的作品，越来越多年轻的科学家参与到跨学科研究中（感谢来自教务长和高级教员对有关职业进步和鼓励的制度惯例的改善），越来越多著名的科学家将会参与到跨学科工作（感谢来自投资机构的日益增长的关注）。更重要的是，学者越来越关注困难的问题——这些在历史上可能被忽略，因为它们的复杂性使得不可能由一个单独的学科来解决——社会科学将比任何一个独立的子学科的总和更具影响力。
参考文献
1 M. J. Salganik, Bit by Bit: Social Research in the Digital Age (Princeton University Press, 2018).
2 S. E. Page, The Diversity Bonus: How Great Teams Pay off in the Knowledge Economy (Princeton University Press, 2017).
3 P. Smaldino, C. O’Connor, Interdisciplinarity can aid the spread of better methods between scientific communities. https://osf.io/cm5v3, doi:10.31222/osf.io/ cm5v3. Accessed 10 November 2020.
4 R. Costanza et al., The value of the world’s ecosystem services and natural capital. Nature 387, 253–260 (1997).
5 National Science Board, Report to Congress on interdisciplinary research at the National Science Foundation. https://www.nsf.gov/nsb/publications/2018/ nsb201915.pdf. Accessed 1 July 2020.
6 National Academy of Sciences, National Academy of Engineering, and Institute of Medicine, Facilitating Interdisciplinary Research (National Academies Press, 2005), vol. 11153.
7 National Science Foundation, National Science Foundation’s merit review process fiscal year 2018 digest. https://www.nsf.gov/nsb/publications/2020/ nsb202013.pdf. Accessed 1 July 2020.
8 T. D. Cook, D. T. Campbell, Quasi-Experimentation: Design & Analysis Issues for Field Settings (Houghton Mifflin, 1979).
9 J. D. Angrist, A. B. Krueger, Instrumental variables and the search for identification: From supply and demand to natural experiments. J. Econ. Perspect. 15, 69–85 (2001).
10 A. J. Sovey, D. P. Green, Instrumental variables estimation in political science: A readers’ guide. Am. J. Pol. Sci. 55, 188–200 (2011).
11 J. Pearl, Causal diagrams for empirical research. Biometrika 82, 669–688 (1995).
12 D. J. Watts, Should social science be more solution-oriented? Nat. Hum. Behav. 1, 0015 (2017).
13 D. J. Watts, P. S. Dodds, Influentials, networks, and public opinion formation. J. Consum. Res. 34, 441–458 (2007).
14 L. C. Freeman, The Development of Social Network Analysis: A Study in the Sociology of Science (Empirical Press, 2004).
15 S. Aral, C. Nicolaides, Exercise contagion in a global social network. Nat. Commun. 8, 14753 (2017).
16 D. J. Watts, S. H. Strogatz, Collective dynamics of ‘small-world’ networks. Nature 393, 440–442 (1998).
17 N. A. Christakis, J. H. Fowler, Connected: The Surprising Power of Our Social Networks and How They Shape Our Lives (Little, Brown, 2011).
18 M. O. Jackson, The Human Network: How Your Social Position Determines Your Power, Beliefs, and Behaviors (Pantheon Books, 2019).
19 D. J. Watts, The “new” science of networks. Annu. Rev. Sociol. 30, 243–270 (2004).
20 C. Thiemann, F. Theis, D. Grady, R. Brune, D. Brockmann, The structure of borders in a small world. PLoS One 5, e15422 (2010).
21 F. Schweitzer et al., Economic networks: The new challenges. Science 325, 422–425 (2009).
22 M. Morris, S. Goodreau, J. Moody, “Sexual networks, concurrency, and STD/HIV” in Sexually Transmitted Diseases, K. K. Holmes, Ed. (McGraw-Hill Medical, 2008), pp. 109–125.
23 S. T. E. Baker et al., Developmental changes in brain network hub connectivity in late adolescence. J. Neurosci. 35, 9078–9087 (2015).
24 P. J. Richerson, R. Boyd, The role of evolved predispositions in cultural evolution. Ethol. Sociobiol. 10, 195–219 (1989).
25 R. S. Burt, D. Ronchi, Teaching executives to see social capital: Results from a field experiment. Soc. Sci. Res. 36, 1156–1183 (2007).
26 S. A. Morelli, D. C. Ong, R. Makati, M. O. Jackson, J. Zaki, Empathy and well-being correlate with centrality in different social networks. Proc. Natl. Acad. Sci. U.S.A. 114, 9843–9847 (2017).
27 M. E. Weaverdyck, C. Parkinson, The neural representation of social networks. Curr. Opin. Psychol. 24, 58–66 (2018).
28 G. Simmel, O. Rammstedt, G. Simmel, Soziologie: Untersuchungen über die Formen der Vergesellschaftung (Suhrkamp, 1992).
29 I. J. Schoenberg, “Publications of Edmund Landau” in Number Theory and Analysis, P. Tura ́ n, Ed. (Springer, 1969), pp. 335–355.
30 M. O. Jackson, Social and Economic Networks (Princeton University Press, 2008).
31 L. C. Freeman, A set of measures of centrality based on betweenness. Sociometry 40, 35–41 (1977).
32 M. Muthukrishna, M. Schaller, Are collectivistic cultures more prone to rapid transformation? Computational models of cross-cultural differences, social network structure, dynamic social influence, and cultural change. Pers. Soc. Psychol. Rev. 24, 103–120 (2019).
33 N. Candelo, C. Eckel, C. Johnson, Social distance matters in dictator games: Evidence from 11 Mexican villages. Games (Basel) 9, 77 (2018).
34 S. Currarini, M. O. Jackson, P. Pin, Identifying the roles of race-based choice and chance in high school friendship network formation. Proc. Natl. Acad. Sci. U.S.A. 107, 4857–4861 (2010).
35 G. F. Davis, H. R. Greve, Corporate elite networks and governance changes in the 1980s. Am. J. Sociol. 103, 1–37 (1997).
36 W. O. Kermack, A. G. McKendrick, A contribution to the mathematical theory of epidemics. Proc. R. Soc. Lond. A 115, 700–721 (1927).
37 M. Kretzschmar, M. Morris, Measures of concurrency in networks and the spread of infectious disease. Math. Biosci. 133, 165–195 (1996).
38 M. Morris, M. Kretzschmar, Concurrent partnerships and the spread of HIV. AIDS 11, 641–648 (1997).
39 J. S. Jia et al., Population flow drives spatio-temporal distribution of COVID-19 in China. Nature 582, 389–394 (2020).
40 A. L. Bertozzi, E. Franco, G. Mohler, M. B. Short, D. Sledge, The challenges of modeling and forecasting the spread of COVID-19. Proc. Natl. Acad. Sci. U.S.A.117, 16732–16738 (2020).
41 M. O. Jackson, A. Wolinsky, A strategic model of social and economic networks. J. Econ. Theory 71, 44–74 (1996).
42 J. Angrist, P. Azoulay, G. Ellison, R. Hill, S. F. Lu, Inside job or deep impact? Extramural citations and the influence of economic scholarship. J. Econ. Lit. 58, 3–52 (2020).
43 R. H. Thaler, From cashews to nudges: The evolution of behavioral economics. Am. Econ. Rev. 108, 1265–1287 (2018).
44 Part 2: The Behavioral Foundations of Economic Theory. J. Bus. 59, no. 4 (1986).
45 R. H. Thaler, Misbehaving: The Making of Behavioural Economics (W. W. Norton & Company, 2016).
46 G. Lowenstein, C. Camerer, M. Rabin, Eds., Advances in Behavioral Economics (Princeton University Press, 2004).
47 N. Geiger, The rise of behavioral economics: A quantitative assessment. Soc. Sci. Hist. 41, 555–583 (2017).
48 S. DellaVigna, “Structural behavioral economics” in Handbook of Behavioral Economics: Applications and Foundations 1, D. Bernheim, D. Laibson, S. DellaVigna, Eds. (Elsevier, 2018), vol. 1, pp. 613–723.
49 D. Kahneman, A. Tversky, Prospect theory: An analysis of decisions under risk. Econometrica 47, 263–291 (1979).
50 U. Gneezy, J. Potters, An experiment on risk taking and evaluation periods. Q. J. Econ. 112, 631–645 (1997).
51 S. Benartzi, R. H. Thaler, Myopic loss aversion and the equity premium puzzle. Q. J. Econ. 110, 73–92 (1995).
52 D. Kahneman, J. L. Knetsch, R. H. Thaler, Experimental tests of the endowment effect and the coase theorem. J. Polit. Econ. 98, 1325–1348 (1990).
53 J. S. Lerner, D. A. Small, G. Loewenstein, Heart strings and purse strings: Carryover effects of emotions on economic decisions. Psychol. Sci. 15, 337–341 (2004).
54 E. J. Johnson, G. Häubl, A. Keinan, Aspects of endowment: A query theory of value construction. J. Exp. Psychol. Learn. Mem. Cogn. 33, 461–474 (2007).
55 S. Bhatia, R. Golman, Attention and reference dependence. Decision (Wash. D.C.) 6, 145–170 (2019).
56 S. M. Tom, C. R. Fox, C. Trepel, R. A. Poldrack, The neural basis of loss aversion in decision-making under risk. Science 315, 515–518 (2007).
57 J. Yacubian et al., Dissociable systems for gain- and loss-related value predictions and errors of prediction in the human brain. J. Neurosci. 26, 9530–9537 (2006).
58 B. De Martino, C. F. Camerer, R. Adolphs, Amygdala damage eliminates monetary loss aversion. Proc. Natl. Acad. Sci. U.S.A. 107, 3788–3792 (2010).
59 R. McDermott, Prospect theory in political science: Gains and losses from the first decade. Polit. Psychol. 25, 289–312 (2004).
60 A. Alesina, F. Passarelli, Loss aversion in politics. Am. J. Polit. Sci. 63, 936–947 (2019).
61 P. Tovar, The effects of loss aversion on trade policy: Theory and evidence. J. Int. Econ. 78, 154–167 (2009).
62 O. D. Jones, “Why behavioral economics isn’t better, and how it could be” in Research Handbook on Behavioral Law and Economics, J. C. Teitelbaum, K. Zeiler, Eds. (Edward Elgar Publishing, 2018).
63 V. Lakshminaryanan, M. K. Chen, L. R. Santos, Endowment effect in capuchin monkeys. Philos. Trans. R. Soc. Lond. B Biol. Sci. 363, 3837–3844 (2008).
64 P. Kanngiesser, L. R. Santos, B. M. Hood, J. Call, The limits of endowment effects in great apes (Pan paniscus, Pan troglodytes, Gorilla gorilla, Pongo pygmaeus). J. Comp. Psychol. 125, 436–445 (2011).
65 C. L. Apicella, E. M. Azevedo, N. A. Christakis, J. H. Fowler, Evolutionary origins of the endowment effect: Evidence from hunter-gatherers. Am. Econ. Rev. 104, 1793–1805 (2014).
66 A. Baillon, H. Bleichrodt, V. Spinu, Searching for the reference point. https://aurelienbaillon.com/research/papers/pdf/reference_point.pdf. Accessed 12 February 2020.
67 E. J. Allen, P. M. Dechow, D. G. Pope, G. Wu, Reference-dependent preferences: Evidence from marathon runners. Manage. Sci. 63, 1657–1672 (2017).
68 A. L. Brown, Z. E. Chua, C. F. Camerer, Learning and visceral temptation in dynamic saving experiments. Q. J. Econ. 124, 197–231 (2009).
69 C. B. Jaeger, S. F. Brosnan, D. T. Levin, O. D. Jones, Predicting variation in endowment effect magnitudes. Evol. Hum. Behav. 41, 253–259 (2020).
70 W. Samuelson, R. Zeckhauser, Status quo bias in decision making. J. Risk Uncertain. 1, 7–59 (1988).
71 E. J. Johnson, D. Goldstein, Medicine. Do defaults save lives? Science 302, 1338–1339 (2003).
72 R. H. Thaler, S. Benartzi, Save more tomorrow: Using behavioral economics to increase employee saving. J. Polit. Econ. 112, S164–S187 (2004).
73 R. Chetty, J. N. Friedman, S. Leth-Petersen, T. H. Nielsen, T. Olsen, Active vs. Passive decisions and crowd-out in retirement savings accounts: Evidence from Denmark. Q. J. Econ. 129, 1141–1219 (2014).
74 C. Camerer, S. Issacharoff, G. Loewenstein, T. O’Donoghue, M. Rabin, Regulation for conservatives: Behavioral economics and the case for ‘asymmetric paternalism’. Univ. Pa. Law Rev. 151, 1211 (2003).
75 R. H. Thaler, C. R. Sunstein, Nudge: Improving Decisions about Health, Wealth, and Happiness (Penguin Books, 2009).
76 D. M. Messick, C. G. McClintock, Motivational bases of choice in experimental games. J. Exp. Soc. Psychol. 4, 1–25 (1968).
77 W. Güth, R. Schmittberger, B. Schwarze, An experimental analysis of ultimatum bargaining. J. Econ. Behav. Organ. 3, 367–388 (1982).
78 A. Mas, Pay, reference points, and police performance. Q. J. Econ. 121, 783–821 (2006).
79 G. F. Loewenstein, L. Thompson, M. H. Bazerman, Social utility and decision making in interpersonal contexts. J. Pers. Soc. Psychol. 57, 426–441 (1989).
80 C. Camerer, E. Fehr, “Measuring social norms and preferences using experimental games: A guide for social scientists” in Foundations of Human Sociality, J. Henrich et al., Eds. (Oxford University Press, 2004), pp. 55–95.
81 J. Berg, J. Dickhaut, K. McCabe, Trust, reciprocity, and social history. Games Econ. Behav. 10, 122–142 (1995).
82 C. Camerer, K. Weigelt, Experimental tests of a sequential equilibrium reputation model. Econometrica 56, 1–36 (1988).
83 E. Fehr, G. Kirchsteiger, A. Riedl, Does fairness prevent market clearing? An experimental investigation. Q. J. Econ. 108, 437–459 (1993).
84 J. Henrich et al., “Economic man” in cross-cultural perspective: Behavioral experiments in 15 small-scale societies. Behav. Brain Sci. 28, 795–815, discussion 815–855 (2005).
85 E. Krupka, R. A. Weber, The focusing and informational effects of norms on pro-social behavior. J. Econ. Psychol. 30, 307–320 (2009).
86 C. Camerer, R. H. Thaler, Anomalies: Ultimatums, dictators and manners. J. Econ. Perspect. 9, 209–219 (1995).
87 E. Tricomi, A. Rangel, C. F. Camerer, J. P. O’Doherty, Neural evidence for inequality-averse social preferences. Nature 463, 1089–1091 (2010).
88 I. Krajbich, R. Adolphs, D. Tranel, N. L. Denburg, C. F. Camerer, Economic games quantify diminished sense of guilt in patients with damage to the prefrontal cortex. J. Neurosci. 29, 2188–2192 (2009).
89 T. Yamagishi, The provision of a sanctioning system as a public good. J. Pers. Soc. Psychol. 51, 110–116 (1986).
90 B. Herrmann, C. Thöni, S. Gächter, Antisocial punishment across societies. Science 319, 1362–1367 (2008).
91 S. DellaVigna, J. A. List, U. Malmendier, Testing for altruism and social pressure in charitable giving. Q. J. Econ. 127, 1–56 (2012).
92 A. Cohn, M. A. Mare ́ chal, D. Tannenbaum, C. L. Zünd, Civic honesty around the globe. Science 365, 70–73 (2019).
93 OECD, Behavioural insights. https://www.oecd.org/gov/regulatory-policy/behavioural-insights.htm. Accessed 15 January 2020.
94 S. Bowles, S. Polan ́ıa-Reyes, Economic incentives and social preferences: Substitutes or complements? J. Econ. Lit. 50, 368–425 (2012).
95 N. R. Magliocca et al., Modeling cocaine traffickers and counterdrug interdiction forces as a complex adaptive system. Proc. Natl. Acad. Sci. U.S.A. 116, 7784–7792 (2019).
96 C. Camerer, T. H. Ho, Experience-weighted attraction learning in normal form games. Econometrica 67, 827–874 (1999).
97 P. Bordalo, N. Gennaioli, A. Shleifer, Salience theory of choice under risk. Q. J. Econ. 127, 1243–1285 (2012).
98 M. Borgerhoff Mulder et al., Intergenerational wealth transmission and the dynamics of inequality in small-scale societies. Science 326, 682–688 (2009).
99 J.Henrich, M.Bauer, A.Cassar, J.Chytilova, B.G.Purzycki, Warincreasesreligiosity. Nat. Hum. Behav. 3, 129–135(2019)
100 J. E. Blumenstock, M. Fafchamps, N. Eagle, “Risk and reciprocity over the mobile phone network: Evidence from Rwanda” (NET Institute Working Paper No. 11- 25, 2011).
101 W.-Y. Ahn et al., Nonpolitical images evoke neural predictors of political ideology. Curr. Biol. 24, 2693–2699 (2014).
102 D. J. Benjamin et al., The genetic architecture of economic and political preferences. Proc. Natl. Acad. Sci. U.S.A. 109, 8026–8031 (2012).
103 G. Nave et al., Musical preferences predict personality: Evidence from active listening and facebook likes. Psychol. Sci. 29, 1145–1158 (2018).
104 R. Philpot, L. S. Liebst, M. Levine, W. Bernasco, M. R. Lindegaard, Would I be helped? Cross-national CCTV footage shows that intervention is the norm in public conflicts. Am. Psychol. 75, 66–75 (2019).
105 B. Uzzi, S. Mukherjee, M. Stringer, B. Jones, Atypical combinations and scientific impact. Science 342, 468–472 (2013).
106 V. Stodden et al., Enhancing reproducibility for computational methods. Science 354, 1240–1241 (2016).
论文标题：
The golden age of social science
论文地址：
https://www.pnas.org/content/118/5/e2002923118
本文来自微信公众号：集智俱乐部（ID：swarma_org），作者：Anastasia等