Технологии искусственного интеллекта в общественных науках

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Доступ платный или только для подписчиков

Аннотация

Один из результатов глобальной цифровой трансформации современного общества – большие данные (Big Data, BD). Они, представляют собой цифровые следы, оставленные интернет-пользователями в цифровых сервисах, а также данные из различных источников. Большие данные – важный социально-экономический ресурс, который можно изучать с помощью технологий искусственного интеллекта (ИИ, Artificial Intelligence, AI), способных анализировать большой объем разнообразного цифрового контента. В данной статье исследуется подход к изучению социально значимых цифровых следов с использованием больших данных и технологий ИИ в общественных науках на основе общенаучного диалектического метода и теоретического анализа; обобщены выводы, содержащиеся в специальной и научной литературе, а также нормативные документы. Проанализирован потенциал технологий ИИ для выявления в больших данных закономерностей и предсказания тенденций в современном обществе. Обобщены направления эффективного внедрения ИИ в общественных науках, рассмотрены этико-правовые аспекты применения ИИ при работе с большими данными. Предложена классификация направлений анализа социально значимых цифровых следов в общественных науках. На примере технологии обработки естественного языка, такой как тематическое моделирование с использованием BigARTM, рассмотрено содержание профессиональных (hardskills) и личностных (softskills) навыков, представленных в форме слабоструктурированных данных, для выявления значимых характеристик специалистов в сфере здравоохранения.

Об авторах

Н. А. Моисеева

Омский государственный технический университет

Автор, ответственный за переписку.
Email: nat_lion@mail.ru
Омск, Россия

Список литературы

  1. Алетдинова А.А. (2023) Применение методов машинного обучения для анализа вакансий работников сельского хозяйства // Вызовы глобализации и развитие сельского хозяйства в условиях новой реальности: Материалы Международной научно-практической конференции. Новосибирск: Издательский центр Новосибирского государственного аграрного университета «Золотой колос». С. 3–6.
  2. Асеева И.А. (2022) Искусственный интеллект и большие данные: этические проблемы практического использования. (Аналитический обзор) // Социальные и гуманитарные науки. Отечественная и зарубежная литература. Серия 8: Науковедение. Реферативный журнал. № 2. С. 89–98. https://doi.org/10.31249/naukoved/2022.02.02
  3. Андреас В. (2021) BIG DATA. Вся технология в одной книге. М.: Эксмо. 384 с.
  4. Бенгфорт Б., Билбро Р., Охеда Т. (2019) Прикладной анализ текстовых данных на Python. Машинное обучение и создание приложений обработки естественного языка. СПб.: Питер. 368 с.
  5. Берман Ш. (2020) Большие данные и историческая социальная наука // Социологические исследования. № 2. С. 144–149.
  6. Бессокирная Г.П. (2003) Дискриминантный анализ для отбора информативных переменных // Социология: Методология, методы, математические модели. № 16. С. 25–35.
  7. Богданов М.Б., Смирнов И.Б. (2021) Возможности и ограничения цифровых следов и методов машинного обучения в социологии // Мониторинг общественного мнения: экономические и социальные перемены. № 1. С. 304–328. https://doi.org/10.14515/monitoring.2021.1.1760
  8. Бонцанини М. (2018) Анализ социальных медиа на Python. М.: ДМК. Пресс. 288 с.
  9. Губа К.С. (2021) Большие данные в исследовании науки: новое исследовательское поле // Социологические исследования. № 6. С. 24–33. https://doi.org/10.31857/S013216250013878-8
  10. Губа К.С. (2018) Большие данные в социологии: новые данные, новая социология? // Социологическое обозрение. Т. 17. № 1. С. 213–236. https://doi.org/10.17323/1728-192X-2018-1-213-236
  11. Кольцова О.Ю., Маслинский К.А. (2013) Выявление тематической структуры российской блогосферы: автоматические методы анализа текстов // Cоциология: 4М. № 36. C. 113–139.
  12. Корытникова Н.В. (2015) Online Big Data как источник аналитической информации в online-исследованиях // Социологические исследования. № 8. С. 14–24.
  13. Кун М., Джонсон К. (2019) Предиктивное моделирование на практике. Спб.: Питер. 640 с.
  14. Морозова Ю.А. (2022) Интеллектуальный анализ данных о вакансиях для выявления актуальных потребностей рынка труда // Информатика и образование. Т. 37. № 5. С. 26–37. https://doi.org/10.32517/0234-0453-2022-37-5-26-37
  15. Одинцов А. В. (2017) Социология общественного мнения и вызов Big Data // Мониторинг общественного мнения: Экономические и социальные перемены. № 3. С. 30–43. https://doi.org/10.14515/monitoring.2017.3.04
  16. Олейник А.Н. (2019) Контент-анализ больших качественных данных // International Journal of Open Information Technologies. № 7(10). С. 36–49.
  17. Оценка соответствия приоритетов стратегического развития регионов их отраслевой специализации на основе Text Mining / Е.В. Козоногова, Ю.В. Дубровская, М.Р. Русинова, П.В. Иванов (2022) // Вопросы государственного и муниципального управления. № 2. С. 106–133. https://doi.org/10.17323/1999-5431-2022-0-2-106-133
  18. Пинчук А.Н., Карепова С.Г., Тихомиров Д.А. (2024) Технологии Text Mining в социологическом анализе (на примере изучения представлений студентов о миссии современного вуза) // Социологическая наука и социальная практика. Т. 12. № 1. С. 62–79. https://doi.org/10.19181/snsp. 2024.12.1.3
  19. Писарева А.Н. (2021) Социальные сети в современных политических коммуникациях: контент-анализ научных статей в зарубежной периодике // Вестник Кемеровского государственного университета. Серия: Политические, социологические и экономические науки. Т. 6. № 3. С. 289–303.
  20. Платонова С.И. (2022) Большие данные и организация социального контроля в цифровом обществе // Вестник Московского государственного областного университета. Серия: Философские науки. № 4. С. 81–91. https://doi.org/10.18384/2310-7227-2022-4-81-91
  21. Рафикова К.Ф. (2024) Применение алгоритмов машинного обучения для сокращения информационной асимметрии и прогнозирования социальных изменений на рынке труда: вызовы и возможности // Теория и практика общественного развития. № 5(193). С. 72–77. https://doi.org/10.24158/tipor.2024.5.8
  22. Силен Д., Мейсман А., Али М. (2020) Основы Data Science и Big Data Python и наука о данных. Спб.: Питер. 336 c.
  23. Смирнов А.В. (2022) Цифровые следы населения как источник данных о миграционных потоках в российской Арктике // Демографическое обозрение. № 9(2). С. 42–64. https://doi.org/10.17323/demreview.v9i2.16205
  24. Толстова Ю.Н. (2000) Анализ социологических данных. Методология, дескриптивная статистика, изучение связей между номинальными признаками. М.: Научный мир. 352 с.
  25. Феннер М. (2024) Машинное обучение с помощью Python для всех. Руководство по созданию систем машинного обучения: от основ до мощных инструментов. М.: Эксмо. 672 с.
  26. Цыба В.Т. (1981) Математико-статистические основы социологических исследований. М.: Финансы и статистика. 255 с.
  27. Чжен Э., Казари А. (2022) Машинное обучение: Конструирование признаков: принципы и техники для аналитиков. М.: Эксмо. 240 c.
  28. Шолле Ф. (2022) Глубокое обучение на Python. М.: Питер. 400 с.
  29. Additive regularization for topic modeling in sociological studies of user-generated texts / S. Koltcov, O. Koltsova, S. Nikolenko [et al.]. Lecture Notes in Computer Science. 2017, is. 10061 LNAI, pp. 169–184. https://doi.org/10.1007/978-3-319-62434-1_14
  30. Eubanks V. (2018) Automating Inequality: How High-Tech Tools Profile, Police, and Punish the Poor. New York: Picador, St. Martin’s Press. 272 p.
  31. Feher K. (2019) Digital identity and the online self: Footprint strategies – An exploratory and comparative research study. Journal of Information Science, vol. 47, is. 2, pp. 192–205. https://doi.org/10.1177/0165551519879702
  32. Ledford H. (2020) Computing humanity: How data from Facebook, Twitter and other sources are revolutionizing social science. Nature, is. 582, pp. 328–330.
  33. Macanovic A. (2022) Text mining for social science – The state and the future of computational text analysis in sociology. Social Science Research, is. 108, pp. 1–16. https://doi.org/10.1016/j.ssresearch.2022.102784
  34. O’Neil C. (2016) Weapons of Math Destruction: How Big Data Increases Inequality and Threatens Democracy. New York: Crown. 259 p.
  35. Sarkar D. (2019) Text Analytics with Python. A Practitioner’s Guide to Natural Language Processing. 2nd ed. India. 674 p. https://doi.org/10.1007/978-1-4842-4354-1
  36. Stephany F. (2021) One size does not fit all: Constructing complementary digital reskilling strategies using online labour market data. Big Data & Society, is. 8(1). https://doi.org/10.1177/20539517211003120

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Российская академия наук, 2025