Coding Agents in the Social Sciences
编译摘要
1. 浓缩
- 核心结论1: Coding Agents 在知识工作者中的采纳仍处早期——1,260 名定量社会科学家调查中，81% 尝试过 AI，但只有 20% 采纳了 coding agents（每周使用一次以上）。
- 关键证据: 调查于 2026 年 2-3 月进行，距 Claude Code/Opus 4.6 发布约 2 个月。Claude Code 是最常见工具（86% 用户报告使用），Codex 次之（31%）。
- 核心结论2: 采纳存在尖锐不平等——男性名字研究者采纳率是女性名字的 2 倍；顶尖大学高 40%；博士生/博士后约 25%，终身教授仅约 10%。
- 关键证据: 性别差距不仅反映在 AI 试用率上——在已试用 AI 的群体中，coding agent 使用的性别差距甚至略大。差异在同学科同职业阶段内仍然存在（p < 0.05）。
- 核心结论3: Coding agents 用户产出更多 working papers 和 grant proposals，但期刊投稿没有增加——agents 更擅长启动项目而非完成投稿的最后一公里。
- 关键证据: 调整后估计显示，coding agent 用户在项目启动（+10%）和 working papers（+75%）上更高效，但新投稿和 resubmission 无显著差异。这是描述性比较，非因果推断。
2. 质疑
- 关于"样本偏差"的质疑: 受访者被招募参与 Claude Max 账号研究，样本本身倾向 AI 兴趣者。20% 的采纳率在更广泛的社会科学家群体中可能更高估。
- 关于"因果关系"的质疑: 产出差异是纯描述性比较。早期采纳者本身可能就是更高效的研究者——调查无法控制这种自选择偏差。
- 关于"领域泛化性"的质疑: 调查仅覆盖定量社会科学家，STEM 和人文学科的 coding agent 采纳模式可能截然不同。经济学 39% 采纳率 vs 传播学 6%，领域间差异巨大。
3. 对标
- 跨域关联1: 类似 知识工作 的早期工具采纳模式——历史上每次计算工具普及（SPSS、Stata、R）都伴随类似的不平等分布：早期采纳者更年轻、更技术化、来自更高地位机构。
- 跨域关联2: 20% vs 81% 的差距（agent vs chatbot）揭示了 Jevons Paradox 的另一面——AI 让启动项目变便宜（working papers +75%），但完成高质量投稿的瓶颈仍在人类判断和领域知识。
- 跨域关联3: "agents 更擅长启动而非完成"的发现，与 Agentic Engineering 中 agent 能力边界的认知一致——coding agents 在"从 0 到 1"（写代码跑分析）上强，在"从 1 到 0.95"（完善论文到投稿标准）上弱。
关联概念