۱. چکیده و مسئله اصلی

ظهور مدل‌های بزرگ زبانی (LLMs) و ارتقای چشمگیر قابلیت‌های شناختی و زبانی هوش مصنوعی، توجه پژوهشگران علوم اجتماعی را به خود جلب کرده است. این مقاله مروری سیستماتیک، ارتباط هوش مصنوعی و علوم اجتماعی را در دو محور کاملاً متمایز اما مکمل دسته‌بندی می‌کند: **هوش مصنوعی برای علوم اجتماعی (AI4SS)** و **علوم اجتماعیِ هوش مصنوعی (SSOAI)**.

نویسندگان نشان می‌دهند که چگونه هوش مصنوعی هم می‌تواند به عنوان یک **ابزار قدرتمند** در فرآیند پژوهش‌های اجتماعی قرار گیرد و هم به عنوان یک **موجودیت و عامل اجتماعی (Social Entity)** مستقل که رفتارهای انسان‌گونه از خود بروز می‌دهد، مورد مطالعه قرار گیرد.

۲. تفکیک دو رویکرد کلیدی (AI4SS vs. SSOAI)

این مقاله یک چارچوب یکپارچه ارائه می‌دهد که تفاوت‌ها و پیوندهای فنی این دو حوزه را شفاف می‌سازد:

۳. پلتفرم‌های شبیه‌سازی آزمایشگاهی

مقاله به خلاصه‌سازی جدیدترین بسترهای شبیه‌سازی آزمایشگاهی (Experiment Simulation Platforms) بر پایه مدل‌های زبانی می‌پردازد که امکان اجرای آزمایش‌های اجتماعی پیچیده را فراهم می‌کنند:

• شبیه‌سازی جوامع مصنوعی: ایجاد محیط‌های چندعاملی (Multi-Agent Environments) که در آن صدها عامل مبتنی بر LLM با یکدیگر تعامل، معامله و تصمیم‌گیری می‌کنند.
• آزمایش‌های رفتارشناختی: بررسی میزان تصمیم‌گیری عقلانی، رفتارهای همکاری‌جویانه یا رقابتی، و نحوه شکل‌گیری افکار عمومی در محیط‌های کنترل‌شده.
• ارزیابی انحرافات و هنجارها: سنجش میزان انحرافات فرهنگی، جنسیتی و ایدئولوژیک مدل‌های زبانی در مواجهه با سناریوهای واقعی جامعه.

۴. چالش‌های کلیدی و جهت‌گیری‌های آینده

1. اعتبارسنجی هم‌راستایی رفتاری: اطمینان از اینکه رفتار عوامل هوشمند تا چه حد با واقعیت‌های جامعه شناختی انسانی تطابق دارد.
2. مسائل اخلاقی و حریم خصوصی: استفاده از داده‌های اجتماعی برای آموزش مدل‌ها و جلوگیری از سوءاستفاده از سیستم‌های شبیه‌سازی.
3. تعامل عمیق بین‌رشته‌ای: ضرورت همکاری نزدیک میان متخصصان علوم کامپیوتر، جامعه‌شناسان، روان‌شناسان و اقتصاددانان.