人工智能时代下的社会科学方法论急需转变，以适用时代的需要。计算机科学方法与社会科学特别是人口学的深度融合将极大促进学科发展。随着移动互联网和移动大数据计算时代的进一步深入到来，社会学甚至整个社会科学从“计量范式”过渡到“计算范式”的学术过渡仅仅只是一个短暂而长期的一个时间性学术问题，计算社会科学正在获得蓬勃发展。本文利用“中国综合社会调查(CGSS)”2015年全国代表性数据，使用机器学习领域运用广泛的XGBoost算法来以社会预测的视角来探寻性别收入差距的影响因素。XGBoost算法相比较与传统回归模型具有预测精度更高，对回归结果的解释更详细，更科学，可以解决多重共线性的影响等优点，同时可以通过可视化操作将结果更清晰明了的展现出来。
　　本文首先以人力资本理论、“生育惩罚”效应、劳动力市场分割理论和性别角色理论四种理论为出发点，衍生出具体变量，并进行描述性分析初步探析各变量对性别收入差距的影响。紧接着使用XGBoost算法拟合出男女混合收入模型和分性别收入模型，借助Python语言中的SHAP包对模型结果进行解释。结果表明，婚姻状况，工作单位或公司所有制形式、政治地位和劳动参与未被纳入到模型的计算内，说明对收入的影响有限。而受教育水平是影响预测收入的最重要的变量，但在男女表现上不同，受教育程度对女性收入预测是更重要的因素，教育程度较高时女性教育回报率高于男性。体制分割对性别收入的影响并不大，虽然职业地位指数对收入影响重要程度排名靠前，但在男女模型中差异不明显，但在职业地位指数较高时的男性对收入的贡献大于收益，女性恰好相反。生育子女数对女性收入有明显抑制作用，对男性作用较小，而性别角色观念只对女性收入起抑制作用。
　　本研究把XGBoost算法引入人口学、社会学领域，是一次较为大胆的尝试，突破了传统方法的框架，展示了机器学习算法应用到人口学、社会学的可能性。但同时也面临着研究范式没有参考；研究数据过于老旧不能反映当下情况；这些困难和不足需要在后续的研究中加强，进一步规范好计算社会科学研究范式，丰富研究方法。