傳統社會科學與計算社會科學
提及社會科學，我們過去往往聚焦於觀察與文獻整理，無論是質性的訪談，還是量化的統計分析，其本質都在於從既有數據中發現問題或尋找答案。然而，如同講者所說，人類世界遠比線性或非線性模式更為複雜，每一個微小變化都可能引發蝴蝶效應，影響五年、十年後的發展趨勢。計算社會科學則提供了另一種視角——它不僅關注過去和現在，更試圖透過演算法與模型模擬未來的可能性。這種工具能幫助教育政策的制定與現場觀察，使決策者得以更具前瞻性地預測並規劃未來的教育發展。
本場講座以「學區入學」為例，討論不同的入學方式如何影響教育資源分配與學生表現。臺灣家長為了讓孩子獲得更優質的教育資源，遷戶籍已成常見現象，但遷戶籍並非錄取保證，部分學區甚至要求戶籍達一定年限，甚至聽說過要超過九年才僅能獲得抽籤資格。講者以宜蘭作為案例，探討四種不同的入學方式——就近入學、考試入學、完全隨機抽籤入學，以及保障名額後再抽籤入學，並分析這些政策對學生學習成效與教育公平性的影響。
模擬市民的真實版？計算社會科學的運作
計算社會科學的核心概念來自「代理人模型」，即在特定環境下，每個個體（代理人）都會參與其中，並與環境產生交互影響，使整體系統不斷變動。這樣的設計恰如其分地反映了現代社會的複雜性與多樣性，看似無關緊要的個體行為與決策，都可能成為影響整體發展的重要參數。
這讓我聯想到曾經玩過的模擬遊戲，如《模擬市民》（The Sims）或《模擬城市》（SimCity）。在這些遊戲中，玩家可從上帝視角操作個體行為，並透過調整參數影響整個社區或城市的發展，更甚至可以開啟密技，改變天氣、加快時間流動、調整居民的生理狀態，都會產生不同的結果。
計算社會科學運作的方式正是如此——透過數據模型設定關鍵參數，進行多層次模擬，以推測未來可能發生的情境。這樣的技術不僅能為社會發展提供參考，也能在高度密集的社會環境中降低決策風險，避免因資訊不足而做出不當決策。
教育政策的預測與規劃：沙盤推演勝於事後檢討
「政策的制定必然涉及利害關係，但關鍵在於，對誰有利？對誰有害？」教育政策的實施往往需要經過縝密的考量，但決策者的視角未必全面，甚至可能與教育現場的需求存在落差，導致事後檢討時才發現問題，卻已經影響深遠。
以國中教育會考為例，各縣市對國文寫作成績的計算方式不同，部分縣市為了保障「偏科生」，為了數理能力突出但語文能力較弱的學生，不因寫作表現而無法進入明星高中，選擇不將寫作成績列入升學考量。然而，這樣的政策長期下來，不僅讓國中教師在寫作教學上感到力不從心，學生也缺乏學習動機，直到升上高中後才驚覺寫作能力在學測中的重要性。對國中教師、高中教師與學生而言，這樣的政策變相增加了負擔，影響深遠。
計算社會科學的出現，讓決策者得以透過多次沙盤推演，模擬不同政策方案的長期影響，如同創造平行宇宙般，從不同參數組合中尋找最合適的選擇。然而，值得注意的是，預測與模擬雖然能提供不同情境的可能性，卻不代表能找到「最完美的解方」。決策的核心仍取決於政策制定者的價值取向——是強調整體穩定？提高學業表現？還是追求教育公平？
無論如何，有理據的推演始終優於「見招拆招」的事後補救。頻繁的政策更迭不僅讓第一線教育人員疲於應對，也讓家長與學生無所適從。
數據模擬的侷限與教育決策的未來
然而，數據模擬的優勢在於提供選項，但決策權始終掌握在人手中。這也引發一個值得深思的問題：這樣的模擬方式是否會讓決策者過度依賴數據，進而簡化複雜的社會問題？或者說，數據的呈現是否能真實反映人類的行為模式？參數能否涵蓋所有影響變數？
畢竟，教育是一門與「人」息息相關的領域，數據雖可提供分析基礎，但最終仍需仰賴人的判斷與價值選擇。我們可以期待計算社會科學協助解釋現象、找出成因，但也必須承認工具的局限性，避免過度依賴模型，忽略教育本質上的人本目標。
大數據帶來的可預見未來
大數據時代使社會的顆粒度更加細緻，如講者以嘉科實中的設址為例，從地理圖像轉向人口遷移，揭示人與環境的互動。這讓我思考：是否可以將計算社會科學的技術運用在全球教育的觀察與模擬？ 例如，臺灣的國際教育政策如何轉型？如何培養全球公民？這些問題都可以透過更全面的數據分析進行推演。
縮小範圍至地方層次，交通便利的社區高中是否真的具備優勢？學生是否因捷運便利而選擇學區外學校，反而削弱當地學校的生源？這樣的現象在高雄市是否已產生影響？該如何因應？
再者，校園內的課程發展是否受到性別、學群或職涯趨勢的影響？學校在課綱框架下應如何調整課程方向？可將學生選課記錄、教師開課意願、未來職涯趨勢等設為參數進行模擬，或許能為學校決策者提供更明確的參考依據，讓政策更貼近實際需求。
計算社會科學為教育研究帶來了新的視角與工具，然而，數據僅能提供參考，真正的決策仍需仰賴價值判斷與人文關懷。唯有將數據與人文結合，方能在變動的教育環境中，找出最適切的解方。
