Технологии искусственного интеллекта в общественных науках

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт 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

Согласие на обработку персональных данных

 

Используя сайт https://journals.rcsi.science, я (далее – «Пользователь» или «Субъект персональных данных») даю согласие на обработку персональных данных на этом сайте (текст Согласия) и на обработку персональных данных с помощью сервиса «Яндекс.Метрика» (текст Согласия).