Опыт применения больших языковых моделей для анализа количественных социологических данных

   В работе рассматриваются возможности и ограничения применения больших языковых моделей для анализа количественных данных в социологических исследованиях. Также уделяется внимание акторно-сетевой теории, согласно которой нейронные сети выступают как активные участники социального взаимодействия. Отмечается, что применение LLM (англ. large language model – большая языковая модель) можно рассматривать как инновационный процесс в сфере прикладных социологических исследований. Демонстрируются примеры применения LLM для количественных методов анализа на основе массива данных опроса, взятого из открытых источников. На практических примерах показано, как большие языковые модели могут использоваться для построения частотных и сводных таблиц, расчета средних значений и для проведения корреляционного анализа. Применение LLM рассматривается как инновационный процесс, способствующий развитию новых методологических подходов. Анализируются примеры использования LLM в социологии и подчеркивается необходимость формирования инновационной культуры и развития методологических подходов для проверки и коррекции результатов. Кроме того, авторы подчеркивают важность интерпретации результатов, полученных с помощью больших языковых моделей, в контексте социологической теории и практики. Также обсуждается роль LLM в расширении возможностей социологических исследований, особенно в области анализа больших данных и обнаружения скрытых паттернов. Наконец, авторы предлагают пути будущих исследований в сфере применения LLM в социологии, включая разработку новых методов и инструментов для интеграции больших языковых моделей в социологические исследования.

1. Brynjolfsson E., McAfee A. The second machine age. Work, progress, and prosperity in a time of brilliant technologies. New York, London: W.W. Norton & Company; 2014. 320 p.

2. Smith-Doerr L., Zilberstein Sh., Wilkerson T., Roberts Sh., Renski H., Green V. et al. HTF (the future of work at the human-technology frontier). Understanding emerging technologies, racial equity, and the future of work. Alexandria: National Science Foundation; 2019. 37 p.

3. Shestakofsky B. Working algorithms: software automation and the future of work. Work and Occupations. 2017;4(44):376–423. doi: 10.1177/0730888417726119

4. Dahlin E. Are robots stealing our jobs? Socius. 2019;5. doi: 10.1177/2378023119846249

5. Felten E., Raj M., Seamans R. Occupational, industry, and geographic exposure to artificial intelligence: a novel dataset and its potential uses. Strategic Management Journal. 2021;12(42):2195–2217. doi: 10.1002/smj.3286

6. Joyce K., Smith-Doerr L., Alegria S., Bell S., Cruz T., Hoffman S.G., Noble S.U. et al. Toward a sociology of artificial intelligence: a call for research on inequalities and structural change. Socius. 2021;7. doi: 10.1177/2378023121999581

7. Brayne S. Big data surveillance: the case of policing. American Sociological Review. 2017;5(82):977–1008. doi: 10.1177/0003122417725865

8. Латур Б. Пересборка социального: введение в акторно-сетевую теорию. Пер. с англ. И. Полонской. М: Высшая школа экономики; 2014. 384 с.

9. Beer D. The social power of algorithms. Information, Communication & Society. 2017;1(20):1–13. doi: 10.1080/1369118X.2016.1216147

10. Burrell J. How the machine “thinks”: understanding opacity in machine learning algorithms. Big Data & Society. 2016;1(13). doi: 10.1177/2053951715622512

11. Pink S., Sumartojo Sh., Lupton D., La Bond H.Ch. Mundane data: the routines, contingencies, accomplishments of digital living. Big Data & Society. 2017;1(4). doi: 10.1177/2053951717700924

12. O’Neil C. Weapons of math destruction. How big data increases inequality and threatens democracy. New York: Crown; 2016. 272 p.

13. Eubanks V. Automating inequality. How high-tech tools profile, police, and punish the poor. New York: St. Martin’s; 2018. 272 p.

14. Smith-Doerr L. Hidden injustice and anti-science. Engaging Science, Technology, and Society. 2020;6:94–101. doi: 10.17351/ests2020.381

15. Vallas S., Schor J.B. What do platforms do? Understanding the gig economy. Annual Review of Sociology. 2020;46:273–294. doi: 10.1146/annurev-soc-121919-054857

16. Шавель С.А. Социальные инновации в жизни общества. Наука и инновации. 2007;4:10–12.

17. Круглов В.В., Дли М.И. Применение аппарата нейронных сетей для анализа социологических данных. Социологические исследования. 2001;9:112–114.

18. Шакирова А.Ф. Особенности применения нейросетевого и пространственного анализа в социологических науках на примере построения индекса социальных настроений жителей города Казани. В кн.: История, политология, социология, философия: теоретические и практические аспекты : сборник статей по материалам XXIII Международной научно-практической конференции, том 8(16), Новосибирск, 5 августа 2019 г. Новосибирск: Ассоциация научных сотрудников «Сибирская академическая книга»; 2019. С. 47–50.

19. Фомина Е.Е. Применение аппарата нейронных сетей для анализа результатов анкетирования. Вестник Пермского национального исследовательского политехнического университета. Социально-экономические науки. 2020;2:99–110. doi: 10.15593/2224-9354/2020.2.8

20. Мальцева А.В., Шилкина Н.Е., Махныткина О.В. Data mining в социологии: опыт и перспективы проведения исследования. Социологические исследования. 2016;3:35–44.