研究伦理
📝 研究伦理不是可选的附加项，而是社会科学研究的基础性约束。知情同意、匿名性、伤害最小化等原则的确立，来自对 Milgram 服从实验、Stanford 监狱实验等历史教训的反思，并通过 IRB（机构审查委员会）制度加以制度化。
研究伦理的基本原则
社会科学研究的伦理原则源于一个根本性张力：追求知识的权利与保护研究参与者的权利之间的冲突。获取重要的科学知识可能需要以某种方式"侵入"参与者的生活——观察他们、询问他们敏感问题、在不完全告知的情况下操纵他们的环境。研究伦理的任务是划定这种侵入的边界。
1979 年美国《贝尔蒙特报告》（Belmont Report）确立了三项基本原则，至今仍是研究伦理的核心框架：
| 原则 | 含义 | 实践要求 |
|---|---|---|
| 尊重个人（Respect for Persons） | 个体是自主的主体，有权自行决定是否参与研究 | 知情同意；特殊保护弱势群体 |
| 善行（Beneficence） | 最大化研究的益处，最小化对参与者的伤害 | 风险-收益评估；伤害最小化 |
| 公正（Justice） | 研究的负担和收益在群体间公平分配 | 不得将弱势群体作为方便的研究对象 |
知情同意（Informed Consent）
知情同意是研究伦理的基石——参与者在充分了解研究的目的、程序、潜在风险和收益后，自愿同意参与。知情同意的核心要素包括：
- 信息充分性：参与者了解研究的真实目的和程序
- 理解能力：参与者能够理解所提供的信息
- 自愿性：参与决定不受强制或不当影响
- 退出权：参与者有权在任何时候退出研究且不受惩罚
知情同意在实践中面临多种困难。欺骗性研究（deception research）故意向参与者隐瞒研究真实目的——如果事先告知会改变参与者行为，使研究结果失效。田野研究中的参与观察可能无法获得所有被观察者的知情同意。网络研究中公开帖子的分析是否需要发帖者的同意？这些灰色地带需要逐案评估。
匿名性与保密性
匿名性（anonymity）意味着研究者自己也不知道哪些数据来自哪个参与者。保密性（confidentiality）意味着研究者知道但承诺不泄露。大多数社会研究只能做到保密而非完全匿名。
保密性在以下情况下面临挑战：小样本的质性研究中，即使去掉姓名，描述的细节也可能使参与者被识别（“某省偏远山村的唯一女性村长”）。研究者发现参与者存在严重违法行为或自我伤害风险时，保密原则与法律义务或保护义务之间产生冲突。
伤害最小化
研究不应给参与者造成不必要的身体、心理、社会或经济伤害。“不必要"是关键——有些伤害可能是研究的不可避免的副产品，但其程度和概率必须与研究的预期收益相称。
心理伤害往往比物理伤害更难识别和量化。让受试者经历焦虑、羞耻、恐惧或对自身的负面认识——即使是暂时的——都可能构成心理伤害。
📝 案例：Humphreys 的"茶室交易"研究。 社会学家 Laud Humphreys 在 1970 年发表了《茶室交易》（Tearoom Trade），研究公共厕所中的匿名同性性行为。他在厕所中充当"望风者"进行观察（未获知情同意），记录了参与者的车牌号，通过车辆登记追踪到他们的家庭住址，然后一年后伪装成健康调查员到他们家中访谈——参与者完全不知道真实目的。研究揭示了一个重要的社会学发现：大多数参与者是已婚的异性恋男性。但该研究严重违反了知情同意、不欺骗和隐私保护等伦理原则。它成为研究伦理教育中的经典反面案例——重要的知识是否能为不道德的方法辩护？
历史上的伦理争议案例
Milgram 服从实验（1961-1963）
Stanley Milgram 的服从实验是社会心理学史上最著名也最具争议的实验之一。实验者告诉参与者，实验目的是研究惩罚对学习的影响。参与者扮演"教师”，当"学员"（实际上是实验同谋）回答错误时，参与者被要求施加递增的电击——从 15 伏到 450 伏（标记为"XXX 危险"）。电击是虚假的，但参与者不知道。
结果令人震惊：65% 的参与者在实验者的持续催促下一直按到最高电压——尽管他们明显感到痛苦和焦虑，听到"学员"的惨叫和请求（也是表演）。
伦理争议：
- 欺骗：参与者被告知虚假的实验目的
- 心理伤害：参与者经历了极度的心理压力——他们相信自己真的在电击他人，许多人出现了颤抖、出汗、甚至精神崩溃的症状
- 退出权的实际限制：虽然理论上参与者可以随时退出，但实验者使用了四级催促语（“请继续"“实验要求继续"“你必须继续"“你别无选择”），构成了相当大的社会压力
- 事后影响：参与者事后得知真相后，一些人对自己的行为感到持久的羞耻和自我怀疑
辩护：Milgram 认为实验揭示了关于人类服从性的重大真理——有助于理解大屠杀等历史悲剧的心理机制。事后调查显示 84% 的参与者表示"很高兴参加了实验”，只有 1.3% 表示后悔。
Stanford 监狱实验（1971）
Philip Zimbardo 将斯坦福大学的一个地下室改造成模拟监狱，随机将 24 名心理健康的大学生分为"狱警"和"囚犯"两组。实验计划持续两周，但仅六天后就被迫中止——因为"狱警"的行为变得越来越残酷（强迫"囚犯"做羞辱性的活动、剥夺睡眠），而"囚犯"出现了严重的情绪崩溃。
伦理争议：
- 伤害程度超出预期：参与者遭受了严重的心理创伤
- 知情同意不充分：参与者不可能预知实验的实际经历
- 研究者角色冲突：Zimbardo 本人同时担任"监狱长"和研究者，失去了客观距离
- 退出权受限：至少一名"囚犯"请求退出但最初被拒绝
方法论争议：近年来，该实验的科学价值也受到质疑。法国学者 Thibault Le Texier 在 2018 年发现了未公开的实验录音，表明 Zimbardo 和他的研究助理主动引导"狱警"采取强硬手段——这使得实验结果在多大程度上反映了"情境力量"而非"实验者引导"变得不确定。
📝 案例：Tuskegee 梅毒研究的长远影响。 1932-1972 年，美国公共卫生署对阿拉巴马州 Tuskegee 的 399 名非裔美国男性进行了梅毒自然病程研究——在参与者不知情的情况下，故意不提供已有的有效治疗（青霉素），以观察梅毒未经治疗时的病程进展。这一研究在 40 年间导致许多参与者死于梅毒或其并发症，他们的妻子也被感染，部分子女先天感染。1972 年该研究被媒体曝光后引发全国震动，直接催生了 1974 年的《国家研究法》和 IRB 制度的建立。但其影响远不止于此——研究造成的信任创伤使非裔美国人社区对医学研究普遍持怀疑态度，这种不信任延续至今，影响了疫苗接种率和临床试验的参与意愿。
IRB 制度
机构审查委员会（Institutional Review Board, IRB）是在美国《国家研究法》（1974）之后建立的研究伦理审查制度。所有涉及人类受试者的研究在开始之前必须经过 IRB 审查批准。
IRB 审查的核心考量包括：
- 风险是否最小化？风险是否与预期收益相称？
- 知情同意程序是否充分？
- 参与者的隐私和数据保密是否有保障？
- 弱势群体（儿童、囚犯、孕妇、认知障碍者）是否得到额外保护？
IRB 制度本身也面临批评。过度保护可能阻碍合法的研究——一些无风险的研究（如分析公开数据或观察公共行为）也被要求经过冗长的审查程序。文化偏见——IRB 的标准主要基于西方个人主义的"自主选择"模型，在集体主义文化中"个人知情同意"可能不是最恰当的保护方式（社区领袖的集体同意可能更符合当地文化）。官僚化风险——IRB 审查可能变成纯粹的合规检查而非实质性的伦理反思。
当代研究伦理的新挑战
大数据与数字伦理
社交媒体数据、网络行为记录和数字足迹为社会研究提供了前所未有的数据来源，但也带来了全新的伦理问题。
2014 年 Facebook 的"情绪传染"实验引发了广泛争议：研究者操纵了约 70 万用户的新闻推送（增加或减少正面/负面内容），观察情绪是否在社交网络中传染。实验没有获得用户的知情同意——Facebook 认为用户协议已经覆盖了这类研究。但用户协议中的"数据可能用于研究"是否构成有意义的知情同意？
全球研究伦理
在发展中国家进行的研究面临额外的伦理问题：研究者来自富裕国家，参与者来自贫困社区——权力不对等可能影响知情同意的"自愿性”。研究结果可能主要惠及发达国家的学术界而非当地社区。
人工智能与算法研究
使用人工智能进行社会研究（如情感分析、面部识别、预测算法）引发了关于同意、隐私和算法偏见的新伦理问题。算法的"黑箱"特征使得伦理审查更加困难——如果研究者自己也无法完全理解算法如何得出结论，如何评估其伦理风险？
数据密集时代的伦理框架重构
《贝尔蒙特报告》的三原则形成于一个特定的研究图景：研究者与受试者面对面，研究在时间和空间上有明确边界，风险主要是身体或心理层面的。数字时代的社会研究几乎在每一项上都偏离了这一图景，因此需要的不是新规则的堆砌，而是原则本身的重新解释。
Salganik 的四原则
Matthew Salganik 在《Bit by Bit》（2018）中主张，数字时代的研究伦理应从"规则为本"转向"原则为本”——因为规则总是滞后于技术，而研究者需要在没有先例的情形中作判断。他在贝尔蒙特三原则之外增加了第四条：
| 原则 | 传统含义 | 数字研究中的重新解释 |
|---|---|---|
| 尊重个人 | 知情同意 | 同意在大规模、无接触的研究中往往不可行，需要寻找替代形式而非放弃 |
| 善行 | 风险—收益评估 | 风险的主要形式从身体伤害转为信息风险 |
| 公正 | 负担与收益的公平分配 | 数据来源人群与研究收益人群系统性错位 |
| 尊重法律与公共利益 | （新增） | 遵守服务条款、数据保护法与本地法规，同时考虑研究对公共讨论的影响 |
信息风险与匿名化的失效
信息风险（informational risk）指数据泄露对当事人造成社会、经济或法律后果的可能性。它是数字研究中最普遍的风险类型，也是最容易被低估的一种——因为它不在数据收集时发生，而在数据被组合时发生。
一系列经典事件确立了一个基本认识：匿名化不是数据的固有属性，而是数据与外部信息之间关系的属性。
- Latanya Sweeney（2000）证明，仅凭邮政编码、出生日期与性别三项，就可唯一识别美国约 87% 的人口。多数"去标识化"数据集保留了这三项。
- Netflix Prize 数据集（2006）去除了用户姓名，仅保留评分与时间。Narayanan 与 Shmatikov（2008）将其与 IMDb 上的公开评分对照，成功再识别出多名用户，其中包括可推断出性取向的记录。
- 哈佛的 Taste, Ties and Time 项目（2008）发布了一届大学生的社交网络数据，声称已匿名。第三方研究者在数日内即通过课程结构、专业分布等特征确认了该校身份，进而使个体再识别成为可能。
🔍 这一系列失败的共同结构是：研究者按"本数据集内部是否可识别"来判断匿名性，而攻击者按"本数据集与外部数据的交集"来操作。前者是静态判断，后者随外部数据的增长而不断变化——因此今天安全的数据集在几年后可能不再安全。伦理审查若只在发布时点作一次判断，就系统性地漏掉了这一风险。
🌍 由此产生的实践后果是，数据共享与保密之间出现了真正的冲突。开放科学要求公开原始数据以供检验，而质性访谈记录与细粒度行为数据恰恰最难去识别。当前的折中方案包括合成数据、差分隐私（differential privacy，向统计输出注入经过校准的噪声，使任一个体是否在库中都不改变输出分布）与安全数据飞地（研究者进入受控环境分析，只带走结果）。
⚠️ 这些方案本身也有代价。美国人口普查局在 2020 年人口普查中采用差分隐私，理由是内部演示表明可由已发布的汇总表重构出大部分个体记录。Ruggles 等研究者提出强烈反对：注入的噪声使小地区与小族群的计数严重失真，而这些数据正是民权执法与地方资源分配所依赖的。争论的核心不是技术优劣，而是隐私保护与统计可用性之间的权衡应由谁决定——统计机构、数据使用者，还是被统计的人群。
同意的替代形式与不作为的成本
在无法逐一取得同意的研究中，简单地援引"用户协议已涵盖研究用途"是薄弱的辩护——用户协议既未被阅读，也不构成对特定研究的具体授权。Salganik 提出几种更实质的替代路径：推定同意（研究者有理由相信受影响者若被询问会同意，并需给出证据而非断言）、事后告知与退出、第三方伦理审查加公开研究方案、以及在可能时的分层同意（对高风险子集单独取得同意）。
同时值得强调的是不作为的成本。伦理讨论倾向于只计算研究可能造成的伤害，而忽略了不做研究的代价——关于算法歧视、平台内容分发与劳动条件的知识若无法生产，受影响最深的群体将失去证据支持。伦理判断因此是双向的风险比较，而非单向的风险规避。
算法审计的合法性
一类特殊的伦理—法律张力出现在算法审计中：为检验平台是否存在歧视，研究者需要创建测试账号、自动化访问页面——这些行为通常违反平台的服务条款。
美国的司法实践在数年间发生了显著转向。Sandvig v. Barr（2020）中，联邦地区法院裁定，为审计目的违反网站服务条款的访问不构成《计算机欺诈与滥用法》（CFAA）下的犯罪。Van Buren v. United States（2021）中，联邦最高法院进一步收窄了"超越授权访问"的解释——该条款针对的是访问自己无权访问的信息区域，而非以被禁止的目的使用有权访问的信息。两项判决共同为公共利益导向的算法审计留出了空间。
⚠️ IRB 制度与数字研究之间存在结构性错配：许多高风险研究不在管辖范围内——平台企业的内部实验、无联邦资助的商业研究、独立研究者对公开数据的分析；而受管辖的低风险研究（如对公开政策文本的编码）却要经过冗长审查。监管强度的分布与实际风险的分布因此不匹配。改革方案包括设立跨机构的数字研究伦理咨询机制、要求平台公开其内部研究的伦理程序，以及为独立审计者建立法律安全港。这些方案至今大多停留在建议阶段。
💭 延伸思考
- Milgram 实验揭示了关于人类服从性的重要真理，但以参与者的心理痛苦为代价。如果今天重新设计这个实验，是否有可能在不违反伦理的情况下获得同样的知识？
- 研究伦理是否具有文化相对性？西方的知情同意模型是否应该原样应用于所有文化？
- 社交媒体上的公开帖子是否可以未经发帖者同意就用于研究？“公开"是否等于"同意被研究”？
- 若匿名化的有效性取决于外部数据的状态，而外部数据只会越来越多，那么"这份数据可以公开"这一判断是否在原则上永远无法成立？伦理审查应当如何处理一个随时间单向恶化的风险？
- 伦理讨论通常只计算研究可能造成的伤害。若把"不做研究"的代价——关于算法歧视或平台劳动条件的证据缺席——同样纳入计算，风险评估的结论会在哪些具体情形中反转？由谁来代表那些因证据缺席而受损的人？
📚 参考文献
- National Commission for the Protection of Human Subjects. (1979). The Belmont Report. 研究伦理三原则的经典文件。
- Milgram, S. (1974). Obedience to Authority. Harper & Row. Milgram 服从实验的完整论述。
- Zimbardo, P. G. (2007). The Lucifer Effect. Random House. Zimbardo 对监狱实验及情境力量的反思。
- Humphreys, L. (1970). Tearoom Trade: Impersonal Sex in Public Places. Aldine. 研究伦理争议的经典案例。
- Israel, M., & Hay, I. (2006). Research Ethics for Social Scientists. Sage. 社会科学研究伦理的系统论述。
- Salganik, M. J. (2018). Bit by Bit: Social Research in the Digital Age. Princeton University Press. 数字时代研究伦理的原则性框架。
- Narayanan, A., & Shmatikov, V. (2008). “Robust De-anonymization of Large Sparse Datasets.” IEEE Symposium on Security and Privacy. 再识别攻击的开创性演示。
- Sweeney, L. (2002). “k-Anonymity: A Model for Protecting Privacy.” International Journal of Uncertainty, Fuzziness and Knowledge-Based Systems, 10(5), 557-570. 匿名化失效与形式化保护的起点。
- Metcalf, J., & Crawford, K. (2016). “Where Are Human Subjects in Big Data Research? The Emerging Ethics Divide.” Big Data & Society, 3(1). IRB 管辖范围与数字研究风险的错配分析。