сотрудник
Москва, г. Москва и Московская область, Россия
В статье анализируется использование алгоритмов искусственного интеллекта в профессиональных практиках социологов-эмпириков, в частности, исследуются возможности и ограничения применения генеративных нейронных сетей для разработки программы исследования, обработки и анализа данных. Предлагается типология нейронных сетей, используемых при проведении исследований и анализе данных, а также выделяются ключевые практики их использования. Представлено осмысление отдельных возможностей и ограничений инкорпорирования генеративных нейронных сетей в профессиональные практики социологов-эмпириков.
эмпирическая социология, генеративные нейронные сети, большие языковые модели, искусственный интеллект
1. Болл М. Метавселенная: как она меняет наш мир. М.: Альпина Паблишер, 2023. 368 с.
2. ВЦИОМ. Шаблон оформления транскриптов фокус-групп. URL: https://conf.wciom.ru/fileadmin/user_upload/conference/2023/stenogramma_2023/intellektualnyj_tandem_sociologi_i_ChatGPT.pdf (дата обращения: 20.06.2025)
3. Гуляев А. В., Пивнева С. В. Применение двунаправленной многослойной нейронной сети для восстановления пропусков во временных рядах // Нейрокомпьютеры: разработка, применение. 2025. Т. 27. № 2. С. 54–61. https://doi.org/10.18127/ j19998554-202502–06 DOI: https://doi.org/10.18127/j19998554-202502-06; EDN: https://elibrary.ru/PFEOEI
4. Зангиева И. К. Сравнительный анализ алгоритмов заполнения пропусков в социологических данных. Дисс. … канд. социол. наук. М. 2012. EDN: https://elibrary.ru/QFWFER
5. Инструмент "философского вопрошания": chat gpt и другие модели искусственного интеллекта в политической теории, методологии и прикладных исследованиях // Сравнительная политика. 2022. Т. 13. С. 130–139. DOI: https://doi.org/10.46272/2221-3279-2022-3-13-130-139; EDN: https://elibrary.ru/EDAVDL
6. Лейн Х Х. Обработка естественного языка в действии. СПб, "Питер". 2020. 576 с.
7. Моисеев С., Стаф М. "There’s an AI for that": возможности ChatGPT для работы с открытыми источниками данных // Социодиггер. 2023. Т. 4. Вып. 7–8 (27). URL: https://sociodigger.ru/articles/articles-page/theres-an-ai-for-thatvozmozhnosti-chatgpt-dlja-raboty-s-otkrytymi-istochnikami-dannykh (дата обращения: 20.06.2025).
8. Осипова Н. Г. Цифровизация социальной реальности: ключевые дискуссии // Вестник Московского университета. Серия 18. Социология и политология. 2022. Т. 28. № 3. С. 4. https://doi.org/10.24290/1029-3736-2022-28-3-9-42 EDN: https://elibrary.ru/NSYWXR
9. Открытая память. URL: https://github.com/mem0ai/mem0/tree/main/openmemory (дата обращения: 20.06.2025).
10. Резаев А. В., Трегубова Н. Д. От социологии алгоритмов к социальной аналитике искусственной социальности: анализ кейсов API и ChatGPT // Мониторинг общественного мнения: экономические и социальные перемены. 2023. № 3. С. 3–22. https://doi.org/10.14515/monitoring.2023.3.2384 EDN: https://elibrary.ru/WJFDVF
11. Романчуков С. В., Берестнева О. Г., Петрова Л. А. Обучение нейронной сети, моделирующей социально-экономическое развитие региона // Цифровая социология. 2019. № 2 (2). С. 34–40. https://doi.org/10.26425/2658-347X-2019-2-34-40 EDN: https://elibrary.ru/CXMAPC
12. Смирнов В. А. Новые компетенции социолога в эпоху больших данных. // Мониторинг общественного мнения: экономические и социальные перемены. 2015. № (2). С. 44–54. https://doi.org/10.14515/monitoring.2015.2.04 EDN: https://elibrary.ru/TTIFTJ
13. Смирнов В А. "Цифровизация" социологии: новые возможности и ключевые противоречия // Вестник Московского университета. Серия 18. Социология и политология. 2024. № 30(4). С.146–164. https://doi.org/10.24290/1029-3736-2024-30-4-145-163 EDN: https://elibrary.ru/QPLLVI
14. Тертышникова А. Г., Павлова У. О., Старовойтова М. Д. Нейронная сеть как зеркало социальных установок: анализ искажений в генеративных изображениях // Цифровая социология. 2024. Т. 7, № 4. С. 13–21. DOI: https://doi.org/10.26425/2658-347X-2024-7-4-13-21; EDN: https://elibrary.ru/MGOLYT
15. Толстова Ю. Н. Социология и компьютерные технологии // Социологические исследования. 2015. № 8. С. 3–13. EDN: https://elibrary.ru/UFZIOR
16. Тронов К. А., Фёдоров В. О. Рекуррентные нейронные сети с управляемыми рекуррентными блоками для многомерных временных рядов с пропущенными значениями // Оригинальные исследования. 2022. Т. 12, № 12. С. 352–359. EDN: https://elibrary.ru/WKFSVW
17. Фостер Д. Генеративное глубокое обучение. Творческий потенциал нейронных сетей. СПб: Питер, 2020. 352 с.
18. Ядов В. А. Стратегия социологического исследования. Описание, объяснение, понимание социальной реальности. М.: Добросвет, 2003. 596 с.
19. Якимова О. Нейросети в исследовательской практике // Социодиггер. 2024. Том 4, № 7-8. URL: https://sociodigger.ru/articles/articles-page/neiroseti-v-issledovatelskoi-praktike#_ftn3 (дата обращения: 20.06.2025).
20. Khayretdinova M., Pshonkovskaya P., Zakharov I., Adamovich T., Kiryasov A., Zhdanov A., Shovkun A. Predicting placebo responses using EEG and deep convolutional neural networks: correlations with clinical data across three independent datasets // Neuroinformatics. 2025. No. 23 (2). URL: https:// pmc.ncbi.nlm.nih.gov/articles/PMC12089153/ accessed 20.06. 2025). DOI: https://doi.org/10.1007/s12021-025-09725-6
21. King G. Restructuring the Social Sciences: Reflections from Harvard’s Institute for Quantitative Social Science // PS: Political Science & Politics. 2013. Vol. 47. No. 1. P. 165–72. DOI: https://doi.org/10.1017/S1049096513001534
22. Kitchin R. Big Data, new epistemologies and paradigm shifts // Big Data & Society. 2014. Vol. 1, No. 1. P. 1–12. https://mural.maynoothuniversity.ie/id/eprint/5364 (accessed 20.06.2025). DOI: https://doi.org/10.1177/2053951714528481
23. Kolenik T., Gams M. Intelligent Cognitive Assistants for Attitude and Behavior Change Support in Mental Health: State-of-the-Art // Technical Review. Electronics. 2021. Vol. 10, No. 11. https://doi.org/10.3390/electronics10111250 EDN: https://elibrary.ru/VSMGGE
24. Lazer D., Pentland A. et al. Computational social science // Science. 2009. Vol. 323, № 5915. P. 721–722.
25. Lupton D. Thinking with care about personal data profiling: A more-than-human approach // International Journal of Communication. 2020. Vol. 14. P. 3165–3183
26. Pellert M., Lechner C. M., Wagner C., Rammstedt B., Strohmaier M. AI Psychometrics: Assessing the psychological profiles of large language models through psychometric inventories // Perspectives on Psychological Science. 2024. Vol. 19, No. 5. https://doi.org/10.31234/osf.io/jv5dt
27. Silva-Ramírez E.-L. et AI Single imputation with multilayer perceptron and multiple imputation combining multilayer perceptron and k-nearest neighbours for monotone patterns // Applied Soft Computing. 2015. No. 29. P. 128–132. DOI: https://doi.org/10.1016/j.asoc.2014.09.052
28. Winter J. de, Driessen T., Dodou D.. The use of ChatGPT for personality research: Administering questionnaires using generated personas // Personality and Individual Differences. 2024. No. 228. URL: https://www.sciencedirect.com/science/article/pii/S0191886924001892?via%3Dihub#bi0005 (accessed 20.06.2025). DOI: https://doi.org/10.1016/j.paid.2024.112729
29. Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task. URL: https://arxiv.org/pdf/2506.08872 (accessed 20.06.2025)
30. Yu F. Y., Hsieh H. T., Chang B. The potential of Second Life for university counseling: a comparative approach examining media features and counseling problems // Research and Practice in Technology Enhanced Learning. 2017. No. 12. URL: https://telrp.springeropen.com/articles/10.1186/s41039-017- 0064-6 (accessed 20.06. 2025). DOI: https://doi.org/10.1186/s41039-017-0064-6
