例如，社会科学文献都试图弄清一个人的受教育程度与其收入之间的因果关系。但这类型的研究很少关注除了受教育程度之外的因素，比如学校类型，班级规模和家庭背景等因素。

　　通过机器学习等计算机科学的方法，专家们可以更好地了解并观察到收入差异可以受教育以外的其他因素的影响，从而可以了解到哪些措施可能产生更大的影响。

　　Hofman补充道：“这种方式可以量化你对现象的了解程度。也就是说，如果你可以合理地在许多条件和环境下预测未来收入，那么你就可以了解其中真正的原因和背后的东西。如果不可以，那么总会遗漏一些东西。”

　　Hofman和Watts与他们的同事Amit Sharma于今年二月在《科学》杂志上发表了一篇文章，他们认为如果社会科学更加注重预测的话可以使这个学科发展的“更好，可重复性更高也更实用。”

　　无连贯性问题

　　社会科学家的另一个担忧是，个别理论的验证往往是孤立的，而不是在有其他竞争理论甚至是完全相反的理论下进行验证的。

　　Watts说：“在现实世界中，很多理论都适用，我们需要了解它们是如何相互作用的。如果我们每次只考虑一种理论，我们就无法找到这个答案。”

　　Watts在1月10日发布的《Nature Human Behavior》提到解决这个所谓的“无连贯性问题”的其中一个方法就是社会科学家要更专注于解决现实世界的问题。

　　“解决问题的框架是有用的，因为这其中有大量的抽象概念，如重复实验，可重复性和预测性，这使其变得非常具体，”他继续说道：“但是你解决了这个问题吗？如果解决了，那很好，继续向前探索。如果没有，你做的事情不正确，就从头再试一次。”

　　该方法说明了，这样的框架可以让计算机科学家通过将研究集中在诸如减少语音识别错误率和无人驾驶汽车的发展等常见任务上，实现人工智能的突破。这些任务的推进是在计算机科学界认可的标准数据集上进行测试的。

　　例如，微软最近的语音识别技术，和专业的人工识别一样，都是基于行业标准的基准测试。

　　危机定位

　　Watts、Mao、Suri以及其他科学家在2016年4月出版的PLoS One上表示，说明了围绕结果而展开的社会科学是可行的。他们采用了虚拟实验室来更深入地了解有关团队规模和生产率的替代理论。

　　相关研究表明，随着团队规模的增加，人们会松懈和携带，因为更大的群体意味着更容易逃脱。然而，另一组研究表明，大群体更有效率，因为大规模团队允许人们术业有专攻，一旦人们专业化，他们就变得更有效率。

　　Watts说：“由于研究的机制不同，关于大团体是否比小团队更好这点，你可能得出非常不同的结论。”

　　为了弄清楚大团队是否真的比小团体更好，研究人员设计了这样的一个实验，将团队分为从1到32人的不同规模。在2012年12月4日，袭击菲律宾的5级台风Pablo来临时，参与者被要求根据受影响人群在社交媒体上的表现分析出实时信息。

　　危机定位在现实中通常由新兴数字人道主义领域的志愿者完成。用于实验的社交媒体帖子都是真实的，都是在台风期间发布的，用于创建真正的危机定位图。Suri解释说，实验结果可能对真实世界的问题产生影响，这样的言论激励了研究团队。

　　“救灾是一个难题。你将如何组织有限的资源来拯救最多的人命，减少最多的人的苦难呢？”他说：“危机定位就是第一个问题，你可能会问 ‘我需要一个多大的团队来制作这张危机定位图呢’。”

　　随着团队规模的扩大，研究人员发现社会懈怠会扩大，但是由于大团体的协调努力所带来的好处掩盖了这样的懈怠。至少在危机定位任务中，大团队更好。

　　Watts说：“如果你只是研究社交懈怠问题，你不可能得到这个结果。“囚徒困境”也是一样，这就是现实。 如果你想真正了解真实世界的合作情况，就必须选择一个真正需要解决的问题。”