Везде

Президиум РАНОбщественные науки и современность Obshchestvennye nauki i sovremennost

  • ISSN (Print) 0869-0499
  • ISSN (Online) 2712-9101

Технологии искусственного интеллекта в общественных науках

Вы можете
Код статьи
S27129101S0869049925030097-1
DOI
10.7868/S2712910125030097
Тип публикации
Статья
Статус публикации
Опубликовано
Авторы
Моисеева Н.А.
  • Должность: кандидат педагогических наук, доцент кафедры «Прикладная математика и фундаментальная информатика»
  • Аффилиация: Омский государственный технический университет
Том/ Выпуск
Том / Номер выпуска 3
Страницы
116-133
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.
Ключевые слова
общественные науки цифровая эпоха большие данные социально значимые цифровые следы искусственный интеллект обработка естественного языка тематическое моделирование цифровые вакансии
Дата публикации
05.06.2025
Год выхода
2025
Всего подписок
0
Всего просмотров
24

Библиография

  1. 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. 2. Aletdinova A. (2023) Applying Machine Learning Methods to Analyze Agricultural Job Vacancies. Materialy Mezhdunarodnoi nauchno-prakticheskoi konferentsii. Novosibirsk: Izdatel’skii tsentr Novosibirskogo gosudarstvennogo agrarnogo universiteta “Zolotoi kolos”. Pp. 3–6. (In Russ.)
  3. 3. 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
  4. 4. Aseeva I. (2022) Artificial Intelligence and Big Data: Ethical Issues of Practical Use (Analytical Review).Sotsial’nye i gumanitarnye nauki. Otechestvennaya i zarubezhnaya literatura. Seriya 8: Naukovedenie. Referativnyi zhurnal, no. 2, pp. 89–98. https://doi.org/10.31249/naukoved/2022.02.02 (In Russ.)
  5. 5. Андреас В. (2021) BIG DATA. Вся технология в одной книге. М.: Эксмо. 384 с.
  6. 6. Andreas V. (2021) BIG DATA. Vsya tekhnologiya v odnoi knige [BIG DATA. All technology is in one book]. Moscow: Eksmo. 384 p. (In Russ.)
  7. 7. 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.
  8. 8. Bengfort B., Bilbro R., Oheda T. (2019) Prikladnoi analiz tekstovykh dannykh na Python. Mashinnoe obuchenie i sozdanie prilozhenii obrabotki estestvennogo yazyka [Applied Text Analysis in Python: Machine Learning and Building Natural Language Processing Applications]. SPb.: Piter. 368 p. (In Russ.)
  9. 9. Берман Ш. (2020) Большие данные и историческая социальная наука // Социологические исследования. № 2. С. 144–149.
  10. 10. Berman Sh. (2020) Big Data and Historical Social Science. Sociological Studies, no. 2, pp. 144–149. (In Russ.)
  11. 11. Бессокирная Г.П. (2003) Дискриминантный анализ для отбора информативных переменных // Социология: Методология, методы, математические модели. № 16. С. 25–35.
  12. 12. Bessokirnaya G.P. (2003) Discriminant analysis for selection of informative variables. Sociologiya: Metodologiya, metody, matematicheskie modeli, no. 16, pp. 25–35. (In Russ.)
  13. 13. 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
  14. 14. Bogdanov M., Smirnov I. (2021) Opportunities and Limitations of Digital Traces and Machine Learning Methods in Sociology. Monitoring of Public Opinion: Economic and Social Changes, no. 1, pp. 304–328. https://doi.org/10.14515/monitoring.2021.1.1760 (In Russ.)
  15. 15. Бонцанини М. (2018) Анализ социальных медиа на Python. М.: ДМК. Пресс. 288 с.
  16. 16. Boncanini M. (2018) Analiz sotsial’nykh media na Python [Social Media Analysis in Python]. Moscow: DMK. Press. 288 p. (In Russ.)
  17. 17. 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
  18. 18. Guba K. (2021) Big Data in Studies of Science: A New Research Field. Sotsiologicheskie issledovaniya, no. 6, pp. 24–33. https://doi.org/10.31857/S013216250013878-8 (In Russ.)
  19. 19. 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
  20. 20. Guba K. (2018) Big Data in Sociology: New Data, New Sociology? The Russian Sociological Review, vol. 17, no. 1, pp. 213–236. https://doi.org/10.17323/1728-192X-2018-1-213-236 (In Russ.)
  21. 21. Кольцова О.Ю., Маслинский К.А. (2013) Выявление тематической структуры российской блогосферы: автоматические методы анализа текстов // Cоциология: 4М. № 36. C. 113–139.
  22. 22. Koltsova O., Maslinskij K. (2013) Identifying the thematic structure of the Russian blogosphere: automatic methods of text analysis. Sotsiologiya: 4M, no. 36, pp. 113–139. (In Russ.)
  23. 23. Корытникова Н.В. (2015) Online Big Data как источник аналитической информации в onlineисследованиях // Социологические исследования. № 8. С. 14–24.
  24. 24. Korytnikova N. (2015) Online Big Data as a source of analytical information in online research. Sociologicheskie issledovaniya, no. 8, pp. 14–24. (In Russ.)
  25. 25. Кун М., Джонсон К. (2019) Предиктивное моделирование на практике. Спб.: Питер. 640 с.
  26. 26. Kun M., Johnson K. (2019) Prediktivnoe modelirovanie na praktike [Predictive Modeling in Practice]. Spb.: Piter. 640 p. (In Russ.)
  27. 27. 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
  28. 28. Morozova Yu.A. (2022) Data mining of vacancy data to identify the current labor market needs. Informatics and education, vol. 37, no. 5, pp. 26–37. https://doi.org/10.32517/0234-0453-2022-37-5-26-37 (In Russ.)
  29. 29. 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
  30. 30. Odintsov A. (2017) Sociology of Public Opinion and the Big Data Challenge. Monitoring of Public Opinion: Economic and Social Changes, no. 3, pp. 30–43. https://doi.org/10.14515/monitoring.2017.3.04 (In Russ.)
  31. 31. Олейник А.Н. (2019) Контент-анализ больших качественных данных // International Journal of Open Information Technologies. № 7(10). С. 36–49.
  32. 32. Olejnik A. (2019) Content analysis of big qualitative data. International Journal of Open Information Technologies, no. 7(10), pp. 36–49. (In Russ.)
  33. 33. 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
  34. 34. Assessment of compliance of strategic development priorities of regions with their industry specialization based on Text Mining / E.V. Kozonogova, Yu.V. Dubrovskaya, M.R. Rusinova, P.V. Ivanov. (2022) Public Administration Issues, no. 2, pp. 106–133. https://doi.org/10.17323/1999-5431-2022-0-2-106-133 (In Russ.)
  35. 35. 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
  36. 36. Pinchuk A., Karepova S., Tikhomirov D. (2024) Text Mining Technologies in Sociological Analysis (using the example of studying students`ideas about the mission of a modern university). Sociological Science and Social Practice, vol. 12, no. 1, pp. 62–79. https://doi.org/10.19181/snsp. 2024.12.1.3 (In Russ.)
  37. 37. Писарева А.Н. (2021) Социальные сети в современных политических коммуникациях: контентанализ научных статей в зарубежной периодике // Вестник Кемеровского государственного университета. Серия: Политические, социологические и экономические науки. Т. 6. № 3. С. 289–303.
  38. 38. Pisareva A. (2021) Social networks in modern political communications: a content analysis of foreign periodicals. Vestnik Kemerovskogo gosudarstvennogo universiteta. Seriya: Politicheskie, sociologicheskie i ekonomicheskie nauki, vol. 6, no. 3, pp. 289–303. (In Russ.)
  39. 39. 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
  40. 40. Platonova S. (2022) Big Data and the Organization of Social Control in the Digital Society. Bulletin of the Moscow Region State University. Series: Philosophy, no. 4, pp. 81–91. https://doi.org/10.18384/2310-7227-2022-4-81-91 (In Russ.)
  41. 41. 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
  42. 42. Rafikova K. (2024) Application of Machine Learning Algorithms for Reducing Information Asymmetry and Forcasting Social Changes in the Labor Market: Challenges and Opportunities. Theory and Practice of Social Development, no. 5(193), pp. 72–77. https://doi.org/10.24158/tipor.2024.5.8 (In Russ.)
  43. 43. Силен Д., Мейсман А., Али М. (2020) Основы Data Science и Big Data Python и наука о данных. Спб.: Питер. 336 c.
  44. 44. Silen D., Mejsman A., Ali M. (2020) Osnovy Data Science i Big Data Python i nauka o dannyh [Basics of Data Science and Big Data Python and Data Science]. Spb.: Piter. 336 p. (In Russ.)
  45. 45. 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
  46. 46. Smirnov A. (2022) Digital traces of the population as a source of data on migration flows in the Russian Arctic. Demographic Review, no. 9(2), pp. 42–64. https://doi.org/10.17323/demreview.v9i2.16205 (In Russ.)
  47. 47. Толстова Ю.Н. (2000) Анализ социологических данных. Методология, дескриптивная статистика, изучение связей между номинальными признаками. М.: Научный мир. 352 с.
  48. 48. Tolstova Yu.N. (2000) Analiz sotsiologicheskikh dannykh. Metodologiya, deskriptivnaya statistika, izuchenie svyazei mezhdu nominal'nymi priznakami [Analysis of sociological data. Methodology, descriptive statistics, study of connections between nominal features]. Moscow: Nauchnyj mir. 352 p. (In Russ.)
  49. 49. 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.
  50. 50. Fenner M. (2024) Mashinnoe obuchenie s pomoshch’yu Python dlya vsekh. Rukovodstvo po sozdaniyu sistem mashinnogo obucheniya: ot osnov do moshchnyh instrumentov [Machine Learning with Python for Everyone: A Guide to Building Machine Learning Systems: From Basics to Powerful Tools]. Moscow: Eksmo. 672 p. (In Russ.)
  51. 51. Цыба В.Т. (1981) Математико-статистические основы социологических исследований. М.: Финансы и статистика. 255 с.
  52. 52. Tsyba V. (1981) Matematiko-statisticheskie osnovy sotsiologicheskikh issledovanii [Mathematical and statistical foundations of sociological research]. Moscow: Finansy i statistika. 255 p. (In Russ.)
  53. 53. Чжен Э., Казари А. (2022) Машинное обучение: Конструирование признаков: принципы и техники для аналитиков. М.: Эксмо. 240 c.
  54. 54. Chzhen E., Kazari A. (2022) Mashinnoe obuchenie: Konstruirovanie priznakov. Principy i tekhniki dlya analitikov [Machine Learning: Feature Engineering: Principles and Techniques for Analysts]. Moscow: Eksmo. 240 p. (In Russ.)
  55. 55. Шолле Ф. (2022) Глубокое обучение на Python. М.: Питер. 400 с.
  56. 56. Sholle F. (2022) Glubokoe obucheniye na Python [Deep Learning in Python]. Moscow: Piter. 400 p. (In Russ.)
  57. 57. 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
  58. 58. Eubanks V. (2018) Automating Inequality: How High-Tech Tools Profile, Police, and Punish the Poor. New York: Picador, St. Martin’s Press. 272 p.
  59. 59. 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
  60. 60. Ledford H. (2020) Computing humanity: How data from Facebook, Twitter and other sources are revolutionizing social science. Nature, is. 582, pp. 328–330.
  61. 61. 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
  62. 62. O’Neil C. (2016) Weapons of Math Destruction: How Big Data Increases Inequality and Threatens Democracy. New York: Crown. 259 p.
  63. 63. 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
  64. 64. 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
QR
Перевести

Индексирование

Scopus

Scopus

Scopus

Crossref

Scopus

Высшая аттестационная комиссия

При Министерстве образования и науки Российской Федерации

Scopus

Научная электронная библиотека