Использование генеративного искусственного интеллекта для социологических исследований

Введение. В статье рассматривается использование генеративного искусственного интеллекта (ГИИ) в социологических исследованиях. Актуальность темы определяется возрастанием интереса к применению новых технологий для повышения эффективности и точности исследований в области социальных наук. ГИИ предоставляет новые возможности для сбора, обработки и анализа данных, что может существенно изменить традиционные подходы в социологии.

Методология и источники. Исследование базируется на анализе доступных публикаций и экспериментальных данных, полученных в ходе общения с социологами, использующими ГИИ в своих проектах. В работе рассматриваются методики генерации описаний, анализа изображений и генерации синтетических изображений с использованием алгоритмов машинного обучения. Акцент сделан на конкретных случаях применения ГИИ в социологических исследованиях, а также на примерах успешных проектов.

Результаты и обсуждение. Результаты исследования показывают, что использование ГИИ позволяет значительно ускорить процесс обработки данных и повысить их качество. Выявлены новые паттерны и тенденции в социологических исследованиях, благодаря чему ученые могут получать более точные и обоснованные выводы. Об суждаются также этические аспекты, связанные с использованием ГИИ, такие как во просы конфиденциальности и алгоритмической предвзятости.

Заключение. Генеративный искусственный интеллект представляет собой мощный инструмент, способный трансформировать социологические исследования. Несмотря на существующие вызовы, он открывает новые горизонты для сбора и анализа дан ных, способствуя более глубокому пониманию социальных процессов и явлений. Важно продолжать исследовать возможности и ограничения ГИИ для развития социо логической науки.

1. Generative artificial intelligence // Wikipedia. URL: https://en.wikipedia.org/wiki/Generative_ar tificial_intelligence (дата обращения: 20.08.2024).

2. Глухих В. А., Елисеев С. М., Кирсанова Н. П. Искусственный интеллект как проблема со временной социологии // Дискурс. 2022. Т. 8, № 1. С. 82–93. DOI: https://doi.org/10.32603/2412 8562-2022-8-1-82-93.

3. Ильичев В. Ю., Драч В. Е., Чукаев К. Е. Морально-нравственные проблемы всеобщего применения нейронных сетей // Рефлексия. 2023. № 5. С. 8–13.

4. Цифровая экономика и системная цифровая трансформация / А. С. Копырин, Е. В. Видищева, В. В. Коваленко и др. / под общ. ред. А. С. Копырина. Сочи: РИЦ ФГБОУ ВО «СГУ», 2023.

5. Deepti Hajela. The American paradox of protest: Celebrated and condemned, welcomed and muzzled // The Associated Press. 05.05.2024. URL: https://apnews.com/article/american-protest-par adox-israel-hamas-war22b1325188e0808db7389c8c3f04c331 (дата обращения: 20.08.2024).

6. All That’s ‘Human’ Is Not Gold: Evaluating Human Evaluation of Generated Text / E. Clark, T. August, S. Serrano et al. // Proc. of the 59th Annual Meeting of the Association for Computational Linguistics and the 11th Int. Joint Conf. on Natural Language Proc. Vol. 1. Stroudsburg, PA: Association for Computational Linguistics, 2021. P. 7282–7296. DOI: 10.48550/arXiv.2107.00061.

7. Wang Y., Wang H. A face template: improving the face generation quality of multi-stage gener ative adversarial networks using coarse-grained facial priors // Multimedia Tools and Applications. 2024. Vol. 83, no. 7. P. 21677–21693. DOI: https://doi.org/10.1007/s11042-023-16183-2.

8. Buolamwini J. Unmasking AI: My Mission to Protect What Is Human in a World of Machines. NY: Random House, 2023.

9. Easily Accessible Text-to-Image Generation Amplifies Demographic Stereotypes at Large Scale / F. Bianchi, P. Kalluri, E. Durmus et al. // FAccT ’23 Proc. of the 2023 ACM Conf. on Fairness, Accountability, and Transparency. NY: Association for Computing Machinery, 2023. P. 1493–1504. DOI: https://doi.org/10.1145/3593013.3594095.

10. Flores R. D., Schachter A. Who Are the “Illegals”? The Social Construction of Illegality in the United States // American Sociological Review. 2018. Vol. 83, iss. 5. P. 839–868. DOI: 10.1177/0003122418794635.

11. How Tilly’s WUNC Works: Bystander Evaluations of Social Movement Signals Lead to Mobili zation / E. R. Bailey, D. Wang, S. A. Soule, R. Hayagreeva // American J. of Sociology. 2023. Vol. 128, no. 4. P. 1206–1262. DOI: https://doi.org/10.1086/723489.

12. Feinberg M., Willer R., Kovacheff Ch. The Activist’s Dilemma: Extreme Protest Actions Reduce Popular Support for Social Movements // J. of Personality and Social Psychology. 2020. Vol. 119, iss. 5. P. 1086–1111. DOI: 10.1037/pspi0000230.

13. Nelson L. K. Computational Grounded Theory: A Methodological Framework // Sociological Methods & Research. 2020. Vol. 49, iss. 1. P. 3–42. DOI: https://doi.org/10.1177/0049124117729703.

14. Institutionalreviewboard // Wikipedia. URL: https://en.wikipedia.org/wiki/Institutionalreviewboard (дата обращения: 20.08.2024).

15. On the Dangers of Stochastic Parrots: Can Language Models Be Too Big? / E. M. Bender, T. Gebru, A. McMillan-Major, Sh. Shmargaret // FAccT ’21: Proc. of the 2021 ACM Conf. on Fairness, Accountability, and Transparency. NY: Association for Computing Machinery, 2021. P. 610–623. DOI: https://doi.org/10.1145/3442188.3445922.

16. Abubakar A., Maheen F., Zou J. Persistent Anti-Muslim Bias in Large Language Models // Proc. of the 2021 AAAI/ACM Conf. on AI, Ethics, and Society, Virtual Event. NY: Association for Computing Machinery, 2021. P. 298–306. DOI: 10.48550/arXiv.2101.05783.

17. Out of One, Many: Using Language Models to Simulate Human Samples / L. P. Argyle, E. C. Busby, N. Fulda et al. // Political Analysis. 2023. Vol. 31, iss. 3. P. 337–351. DOI: https://doi.org/10.1017/pan.2023.2.