Исследование научно-популярного дискурса в Китае и в России при использовании нейросетей в качестве информантов

Обложка

Цитировать

Полный текст

Аннотация

Предметом исследования являются особенности популяризации научного знания в Китае и в России. Новизна исследования заключается в том, что впервые в качестве информантов при применении метода опроса использованы девять моделей искусственного интеллекта, разработанных в Китае, России и США. Каждой из них было задано три вопроса о тенденциях популяризации научного знания в Китае и России. Результаты показали, что при описании Китая акцент делается на роли государства и стратегии «сверху вниз», в то время как в отношении России подчеркивается разнообразие институтов популяризации. В качестве основных барьеров названы недостаточный уровень научной грамотности и распространение псевдонауки. В отношении сотрудничества стран в популяризации науки модели ИИ прогнозируют, что перспективными направлениями станут искусственный интеллект, биомедицина и общественное здравоохранение, а также экология и энергетика. Отмечается, что ответы моделей, несмотря на общую согласованность, содержат неточности и предвзятости. В статье утверждается, что в исследованиях научной коммуникации модели ИИ могут использоваться в качестве эвристического инструмента, однако для достижения точных результатов необходимо сочетать их выводы с традиционными эмпирическими исследованиями. Методология исследования основана на опросе девяти языковых моделей искусственного интеллекта, которым были заданы три вопроса о популяризации науки в Китае и России, а все полученные тексты подвергнуты анализу. Новизна исследования заключается в применении нейросетевых моделей в качестве информантов для изучения популяризации науки. Это позволило выявить устойчивые паттерны: в китайском контексте доминирует политика государства и централизованное управление, а в российском контексте институциональная фрагментарность и региональные различия. Среди барьеров выделяются низкая научная грамотность, недостаток доверия и распространение псевдонауки. Вместе с тем модели ИИ указали на перспективные направления сотрудничества Китая и России, включая искусственный интеллект, биомедицину, здравоохранение, экологию и энергетику. При этом выявлены ограничения: ответы моделей содержат неточности, предвзятость и риск воспроизведения псевдонаучных суждений. В заключение подчёркивается, что ИИ может служить эвристическим инструментом для выявления дискурсивных тенденций, но выводы должны сочетаться с традиционными эмпирическими методами, обеспечивающими верификацию и надёжность анализа.

Об авторах

Хаолинь Цюй

Санкт-Петербургский государственный университет

Email: quhaolin2021@163.com
ORCID iD: 0009-0008-4031-0763
аспирант; институт «Высшая школа журналистики и массовых коммуникаций»;

Дмитрий Сергеевич Горбатов

Санкт-Петербургский государственный институт психологии и социальной работы

Email: gorbatov.rus@gmail.com
ORCID iD: 0000-0002-5232-6083
профессор; кафедра Прикладная социальная психология;

Список литературы

  1. Макарова, Е. Е. Популяризация науки в Интернете: содержание, формы, тенденции развития // Вестник Московского университета. Сер. 10. Журналистика. – 2013. – № 2. – С. 98-104. EDN: PZEAAP.
  2. Bender E. M., Gebru T., McMillan-Major A., Shmitchell S. On the Dangers of Stochastic Parrots: Can Language Models Be Too Big? // Proceedings of the ACM Conference on Fairness, Accountability, and Transparency (FAccT'21). – New York : ACM, 2021. – С. 610-623.
  3. Cuskley C., Woods R., Flaherty M. The Limitations of Large Language Models for Understanding Human Language and Cognition // Open Mind: Discoveries in Cognitive Science. – 2024. – Т. 8. – С. 1058-1083. doi: 10.1162/opmi_a_00160 EDN: YXSCNA.
  4. Farquhar S., Kossen J., Kuhn L., et al. Detecting Hallucinations in Large Language Models Using Semantic Entropy // Nature. – 2024. – Т. 630, № 8017. – С. 625-630. doi: 10.1038/s41586-024-07421-0 EDN: NXMTFJ.
  5. Gahrn-Andersen, R. Beyond Symbol Processing: the Embodied Limits of LLMs and the Gap between AI and Human Cognition // AI & Society. – 2025. – Т. 40. – С. 3105–3107.
  6. Handbook of Public Communication of Science and Technology / eds. M. Bucchi, B. Trench. – 2nd ed. – London ; New York : Routledge, 2015. – 275 с.
  7. Huo L., Huang P. The impact of science education and media reports on the spread of misinformation // Systems Engineering Theory and Practice. – 2014. – № 2. – С. 365-375.
  8. Huang L., Yu W., Ma W., et al. A Survey on Hallucination in Large Language Models: Principles, Taxonomy, Challenges, and Open Questions // ACM Transactions on Information Systems. – 2025. – Т. 43, № 2. – С. 1-55.
  9. Kessler, S. H., Mahl, D., Schäfer, M. S., Volk, S. C. Science Communication in the Age of Artificial Intelligence // Journal of Science Communication. – 2025. – Т. 24, № 2. – С. 1-7.
  10. Lazer D. M. J., Baum M. A., Benkler Y., et al. The Science of Fake News // Science. – 2018. – Т. 359, № 6380. – С. 1094-1096.
  11. Liu X., Xiao Y., Zhou R., Li W. Innovation and influence of science communication methods for the public in the mobile era // Science Popularization Studies. – 2013. – Т. 8, № 3. – С. 25-30.
  12. Qiu J. Science Communication in China: a Critical Component of the Global Science Powerhouse // National Science Review. – 2020. – Т. 7, № 4. – С. 824-829. doi: 10.1093/nsr/nwaa035 EDN: KIUOBI.
  13. Zhang J. Y. The ‘Credibility Paradox' in China's Science Communication: Views from Scientific Practitioners // Public Understanding of Science. – 2015. – Т. 24, № 8. – С. 913-927.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML

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).