01 计算社科、统计学和 Python 入门

理论：

1. 什么是计算社会科学？计算社科研究的话题、研究性质和社会理论介绍。是预测还是解释对社会科学更重要？

2. 计算社会科学的数据从哪里来？

3. 统计学基础，基础概率和统计学概念

4. 课程 AI 使用守则公约

实践：Python 编程基础，pandas数据处理入门, matplotlib 和 seaborn 入门

02 线性回归，机器学习

理论：

1. 线性回归、变量控制、固定效应模型、回归分析表格

2. 机器学习的基本概念和方法（如：线性回归、K-NN、decision tree, SVM, ensemble methods, PCA、正则化等）

实践：

1. 学习使用 statsmodels 库机

2. 学习使用 scikit-learn 库

03 高维数据分析：深度学习

机器学习将高维度数据（如：文字、网络、图片）融入传统社科研究

理论：

1. 文字：LDA, word embeddings (word2vec, BERT, diachronic word embeddings)

2. 网络：Network embeddings (node2vec)

3. 图片：CNN, AlexNet, VGGNet

实践：

1. Pytorch

   
   

04 大语言模型对社会学研究带来新的挑战与机遇

理论：

1. 社会科学家如何在研究中使用大语言模型（如：分析海量文字信息、用 LLM 模拟真人、寻找和总结文献、编写代码甚至生成论文）

2. 讨论在研究中使用 AI 的风险

实践：

1. 用大语言模型处理并分析美本申请趋势

2. 学习使用 AI 工具寻找文献

05 因果推论

理论：

1. 因果图（Causal Diagram）

2. 匹配（Matching）

3. 识别策略（自然实验设计） Identification strategies (quasi-experimental designs)：工具变量（Instrumental variable）、断点回归、时间断点回归（Regression discontinuity design, regression discontinuity in time）、双重差分（Difference in differences）

实践：

1. 寻找身边的自然实验，提出实验设计和数据收集计划，讨论潜在影响因果识别的障碍

06 设计大规模线上实验

理论：

1. 如何设计问卷系统性了解道德困境（如“电车难题”）中他人的选择？

2. 博弈论经典问题（如：囚徒困境、公地悲剧、独裁者博弈）如何被设计成游戏？

实践：

1. 用 Qualtrics 设计一个有复杂逻辑分枝的线上问卷

2. 用 Empirica 设计一个多人同时在线的多轮博弈

07 网络科学（Network science）

理论：

1. 网络测度（Network measures）：中心性 （Centrality）、密度（Density）、三元闭包（Triadic closure）、聚类系数（Clustering coefficient）、核心-边缘结构（Core-Periphery structure）、小世界网络（Small world networks）

2. 网络传播（Spreading in networks）：虚假信息传播（Misinformation）、疫情传播（COVID）

3. 社会网络理论（Social network）：弱连接（Strength of weak ties）、回音室效应（Echo chamber）

实践：

1. 分析新浪微博上明星的社交网络，利用 networkx 做网络可视化

08 Science of Science and Innovation

理论：

1. 如何用大数据分析学术发表的生态？

2. 创新应该如何被量化？

3. AI 可以预测下一个科学研究的热点话题吗？

实践：

1. 学习如何用 Pandas 处理“大”数据（～100GB）：计算论文的新颖性评分；追溯论文的核心前人研究

09 学术伦理

如何符合伦理要求地收集数据和进行实验