计算扎根理论、人在回路与数据工作者的工作条件
AI 研究越依赖人在回路，我们是否越应该认真对待那些回路里的劳动条件？
第一篇论文讨论大规模定性研究中的计算扎根理论。数字平台留下了大量文本数据，给社会科学研究带来新的材料，也让传统扎根理论的人工编码变得难以承受。作者提出一个以人机协同为核心的新框架，并用 Reddit 上关于零工经济家教经历的数据作为案例。研究流程从小样本手动编码和主题模型交叉验证开始，再用查询驱动主题模型生成层级主题，最后由研究者回到代表性帖子中精读、比较和撰写备忘。机器负责扩展视野，人的判断则继续承担理论建构的关键工作。
第二篇论文把目光放到 AI 数据工作者的条件上。数据标注常被视为低成本、可外包的环节，但模型质量高度依赖这类劳动。研究者招募 307 名在线参与者，让他们完成建筑入口无障碍图像标注任务，并比较不同任务指令和薪酬激励对准确率与工作体验的影响。实验设计区分了详尽明确的规则型指令、较笼统的标准型指令和信息不完整的规则，也比较了基础报酬与绩效奖金。
祝今日读写愉悦，洞见深省。
前沿速递
人机协同：一种用于大规模定性数据分析的计算扎根理论新框架
核心概念
计算扎根理论（Computational Grounded Theory, CGT）是一种融合了计算技术（如机器学习）与传统扎根理论的混合研究方法，其核心目标是让研究者能够高效地从大规模文本数据中系统性地构建理论。它并非用机器完全取代研究者，而是在数据编码等劳动密集型环节借助算法来发现潜在模式，同时保留研究者在概念抽象、理论构建等关键步骤中的阐释和决策权。
人机协同（Human-in-the-Loop, HITL）是本文框架的核心理念，指的是在自动化分析流程中，始终保持研究人员的关键性参与、干预和监督。它强调机器的计算能力应作为人类智慧的辅助和延伸，而非替代。研究者需要验证算法发现的模式、评估模型输出的质量、并对结果进行深入的定性解读，从而确保分析过程的可信度与最终理论的有效性。
层级式主题模型（Hierarchical Topic Modeling）是本文框架采用的一种关键技术，它能以树状结构揭示数据中主题之间的层级关系，即从宽泛的主题（main topics）到具体子主题（sub-topics）的逐层细化。与只能生成单一层面主题列表的传统模型不同，这种层级结构更贴近扎根理论中从初始编码、到聚焦编码、再到核心范畴的逐级抽象过程，有助于研究者更系统地理解概念间的联系。
研究问题
现代数字技术的发展催生了海量的文本数据，为社会科学研究提供了前所未有的机遇。然而，传统的定性分析方法，如扎根理论（Grounded Theory），依赖于精细的人工编码，面对庞大的数据集时显得力不从心，既耗时又费力。为了解决这一矛盾，学界开始探索将计算方法与扎根理论相结合的「计算扎根理论」（CGT）。然而，以往的 CGT 框架存在明显不足：它们往往过度依赖自动化工具（如主题模型）的初步结果，简化甚至忽略了扎根理论中恒定比较、理论性抽样等核心原则；同时，由于缺乏有效的人工验证和评估环节，其研究结果的可信度（trustworthiness）和严谨性备受质疑，导致研究者难以完全信任这些自动化流程。
基于上述背景，本文的核心研究问题是：如何构建一个新型的计算扎根理论框架，既能利用机器学习和自然语言处理的效率优势来处理大规模定性数据，又能通过「人机协同」的机制，完整地保留传统扎根理论的严谨性与核心原则，从而确保研究过程与结果的可靠性与可信度？
