Методология познания цифрового общества

Доказательство неизбежности цифровизации социологии будет строиться вокруг двух постулатов. Во-первых, общество изменилось, и опросные методы исследований, разработанные для индустриального общества, перестали быть столь же надежными в информационном обществе. Во-вторых, общество изменилось, и теперь и востребован переход от контактных методов исследований к бесконтактным.

Необходимо переходить к новым методам и технологиям постижения общества. И эта мера - не только сулящая потенциальные возможности, но и вынужденная, поскольку традиционные методы неэффективно работают. До сих пор в социологии сохраняется "священное заклинание" - репрезентативность. Если выборочная совокупность обследуемых элементов не репрезентативна по отношению к генеральной совокупности, об объективности полученных результатов мы говорить не можем, а следовательно, и на научность претендовать тоже. Все мониторинговые основания оценок той или иной деятельности органов власти в Российской Федерации построены на репрезентативных исследованиях. Но в реальности полной репрезентативности социология обеспечить никогда не могла. Всегда были члены генеральной совокупности респондентов, до которых интервьюер добраться не мог. Поэтому изначально определялась доверительная вероятность.

Советская социология, неразрывно связанная с именем В.А. Ядова, находилась в тесных отношениях с социальной психологией, учитывала особенности личности респондентаНапример, в рамках диспозиционной теории, иерархиезиру- ющей личностные установки [Ядов и др., 2013]. Но нельзя не признать, что диспозиция личностных установок современного социального актора изменилась по сравнению с установками респондентов, для которых разрабатывались традиционные методы массовых опросов. Эти методы соответствуют индустриальному обществу, в котором большинство населения уже грамотное, но не считает возможным отказать в ответах человеку с верительными грамотами, даже если у него лишь статус члена университетской исследовательской группы. Сегодня такой принудительной силой еще обладают участковые, маячащие за спиной переписчиков. Но к каждому опросу их не приставишь. Если пол века назад социологи могли опросить всех, до кого могли добраться, а добраться они фактически не могли до тех, кто за колючей проволокой и в казармах, то сегодня они опрашивают только тех, кто соглашается дать ответы. А отказываются массово. Где модель социотипа того, кто идет на контакт с интервьюером? И можно ли исследование, построенное только на опросе тех, кто согласен отвечать, считать репрезентативным?

Некоторые исследователи полагают, что компромиссным вариантом может быть технология CATI (англ. Computer Assisted Telephone Interview - система компьютеризированного телефонного интервью) [Рогозин, Ипатова, Галиева, 2018]. Но в телефонных интервью также наблюдаются массовые отказы от ответов, плюс добавляются ограничения по формулировкам вопросов и вариантов закрытий, воспринимаемых только на слух.

Еще одно соображение по поводу того, что прежнее понимание репрезентативности не актуально. Если оставить в стороне уже упомянутую перепись и регулярное обследование домохозяйств, которое проводит Росстат, иные мониторинговые исследования становятся все более специфичными, где не все население выступает носителями искомых признаков. Всегда ли объективно мнение среднего человека по вопросам коррумпированности правительства, органов государственной безопасности и прочих структур, к которым он не имеет никакого непосредственного отношения? Не является ли их мнение проекцией позиций средств массовой информации и отдельных лидеров мнений? Или насколько взвешенным, основанным на полной информации является точка зрения всего населения по вопросам реализации государственных программ на территории регионов: по управлению государственным имуществом, развитием и использованием минерально-сырьевой базы территории и т.п.? Между тем на эти реальные исследования тратятся миллионы бюджетных денег. Господствующие до сих пор подходы к мониторинговым мероприятиям, результаты которых потом ложатся в основу принятия управленческих решений, изжили себя. Они неэффективны и чрезвычайно затратны.

Предлагаемая статья написана весной 2020 г., в эпоху становления "новой нормальности"; грядут перемены, которые мы даже не можем пока предугадать в полном объеме. Но об отдельных частностях мы говорить можем. Как уходят в прошлое рукопожатия при встрече из-за новых норм гигиены человеческих взаимодействий, так контактные формы опроса (подомовые опросы, интервью face-to-face (рус. личные интервью) могут оказаться невостребованными. Если до сих пор перед интервьюером захлопывали дверь из-за нежелания тратить на опрос свое личное время, то теперь отказ может объясняться соображениями безопасности. Конечно, вирус уйдет, но исчезнут ли с этой угрозой новые формы отношений, способов коммуникации, норм гигиены и безопасности? Бесконтактные или необтрузивные [Бэрроуз, Севидж, 2016] методы исследованийНеобтрузивные - простая транскрипция англоязычного термина unobtrusive, который традиционно подразумевал методы исследований, исключающие контакт исследователя с объектом исследования дабы избежать искажающего влияния на его поведение и мнение. К таким методам относится наблюдение с закрытой позицией наблюдателя, контент-анализ и многие другие. Современные коммуникационные технологии и большие данные качественно расширяют возможности необтрузивных методов. актуализируются. И под ними подразумевается не простое перенесение опросных листов на электронные платформы с автоматическим подсчетом средних величин.

Мы живем в эпоху цифровой трансформации. Т. Си- бел в своей книге "Digital Transformation: Survive and Thrive in an Era of Mass Extinction" [Siebl, 2019], обращает внимание на то, что цифровая трансформация - это не просто серия поколенческих изменений в информационных технологиях или перенос данных организации на цифровую платформу. Предтечи цифровой трансформации - цифровизация и сеть "Интернет" (далее - Интернет), но это еще не цифровая трансформация как таковая. Влияние Интернета и предшествовавшей ему волны цифровизации заключалось, прежде всего, в оцифровке существующих компетенций. Оцифровка - это использование цифровых инструментов для автоматизации и улучшения существующего способа работы, не изменяя его фундаментально. Автор считает, что мы на пороге переломного момента, когда облачные вычисления, большие данные, интернет вещей и искусственный интеллект сошлись, чтобы управлять сетевыми эффектами и создавать экспоненциальные изменения [Siebl, 2019].

Эти экспоненциальные изменения, по мнению профессоров Массачусетского технологического института Э. Бриньольфсона и Э. Макафи [Brynjolfsson, McAfee, 2016] связаны с тем, что компьютеры, долгое время хорошо следовавшие инструкциям, теперь способны учиться. Эта способность будет иметь фундаментальные последствия для мира.

До сих пор и в социологии цифровизация и Интернет означали оцифровку данных о социальных фактах, что облегчало и ускоряло их обработку, хранение, использование и передачу, и перенос опросных листов на электронные платформы. Публичное облако дает возможности краудсорсингаКраудсорсинг исследовательской деятельности - совместное, что особенно важно для российской науки, как отмечают С.Е. Еге- рев и С.А. Захарова [Егерев, Захарова, 2015], в силу постоянного дефицита в ней исследовательских и инженерных кадров. Но большие данные и искусственный интеллект сулят и качественно новые возможности.

Первое и очевидное преимущество больших данных - возможность поиска неизвестных корреляций. Корреляции требуют разработок моделей отношений между переменными. И такие модели создаются. Например, Е.В. Бродовская и А.Ю. Домбровская [2018], отмечая корреляционность больших данных, конструируют цифровые маркеры политических процессов с применением онлайн-сервисов для мониторинга социальных медиа. Расширяются возможности проведения контент-анализа, который по словам Б.А. Сусла- кова и Е.С. Кундашевой [2018], является типичным примером прикладного информационного анализа текста. По сути, это тот же метод, которым Г. Лассуэл препарировал газету "Истинный американец", но оснащенный прикладным программным обеспечением и используемый на больших данныхвыполнение проектов исследователями или экспертами, использующими коммуникационные технологии для удаленной работы вне рамок традиционных лабораторий.. Даже в таком виде обнаружение значимых корреляций традиционными для социологии методами математического моделирования социальных явлений и процессов дает большие возможности. Если мы видим связь одного параметра с другим, то мы как минимум можем попытаться повлиять на один из параметров и пронаблюдать изменение другого, либо попытаться сломать корреляцию. Но даже, если мы не имеем четкой модели отношений между факторами, методы машинного обучения, основанные на индуктивном обучении, позволяют обнаружить эмпирические закономерности в данных. С развитием этой технологии мы ожидаем, что компьютер обучится делать что-то, что человек делать не умеет. И мы должны быть готовы грамотно поставить перед ним задачу.

Цифровизация, как оцифровка данных, и всемирная система объединенных компьютерных сетей - предтечи цифровой трансформации. Облачные вычисления (инструменты) и большие данные (сырье) - это накопление количественных изменений, интернет вещей и искусственный интеллект - переход в новое качество, согласно законам диалектики. Попасть в русло этого процесса - вот наша задача. Выиграют те, кто использует цифровые технологии и передовую аналитику для повышения ценности конечных результатов.

Значение феномена больших данных заключается не столько в размере набора данных, к которому мы обращаемся, сколько в его полноте и отсутствии ошибки выборки. С вычислительной и накопительной мощностями, обычно доступными сегодня, мы можем получить доступ, хранить и обрабатывать весь набор данных, связанных с рассматриваемой проблемой. В идеале, когда набор данных достаточно полон, чтобы мы могли обрабатывать его весь, это меняет все в вычислительной парадигме, позволяя нам решать

⁷ Не хотелось бы здесь спорить, что можно считать большими данными, а что под это определение не попадает, одно бесспорно, что эмпирическая база подобных исследований неуклонно возрастает.

большой класс проблем, которые ранее были неразрешимы, в том числе разработать механизмы прогнозирования развития того или иного социального процесса. Без понимания того, что есть большие данные для нас, социологов, и как они увеличиваются, мы не найдем применения современным технологиям.

Возможность фиксировать, хранить, обрабатывать и анализировать данные любого размера, скорости и формы закладывает основу для широкого внедрения и применения методов компьютерной обработки информации, в том числе алгоритмов машинного обучения. Данные, генерируемые повсеместно в организации, могут иметь огромную ценность для социологов. Для их обозначения можно использовать термин "трансакционные" [Бэрроуз, Севидж, 2016]. Это данные больших коммерческих и государственных баз данных. Название связано с тем, что они являются побочным продуктом обычных трансакцийЗдесь под трансакцией имеется в виду разовое законченное действие. между гражданами, организациями как коммерческими, так и государственными и муниципальными. Понятие более широкое, чем имеющее хождение в отечественной статистике "административные данные", поскольку это не только используемая при формировании официальной статистики документированная информация, но и обращения граждан в различные организации через систему предусмотренной обратной связи, ответы, комментарии и др. Общее в этих данных их дигитальность, то есть они сохранены в цифровом формате.

Договориться, что есть большие данные в социологии, классифицировать их, научиться собирать на единой масштабируемой цифровой платформе, создать программы для анализа возможных ошибок, связанных с вводом данных, - необходимый, но только подготовительный этап грядущей цифровой трансформации. Какое место занимают в ней интернет вещей и искусственный интеллект? На первый взгляд может показаться, что технология интернета вещей притягивается в социологию "за уши". Докажем, что она так же необходима для развития дисциплины, как и в других сферах деятельности.

Основная идея технологии интернета вещей заключается в том, чтобы подключить любое устройство, оснащенное соответствующими возможностями обработки и связи, к Интернету, чтобы оно могло отправлять и получать сигналы практически в режиме реального времени. Развитие этой технологии расширяет объем больших данных. Как выглядит процесс и результат этого расширения в производственной сфере очевидно: сенсоры размещаются на любом участке предмета (подключенный объект) и передают показания об объекте, например, значение напряжения в электрической сети, так что все устройства в цепочках становятся удаленно управляемыми машинами в реальном или почти реальном времени. Такие датчики создают возможности мониторинга состояния объекта, определение его местоположения, производительности и прочее. Как создать аналогичные технологические возможности поступления значимых для социальных исследований данных, и платформу, способную агрегировать, нормализовать и анализировать большие объемы разрозненных оперативных данных в реальном времени? Социологи не могут разместить датчики на своих объектах информации. Так как растут базы данных в нашем случае?

Это нас возвращает и к вопросу о том, что есть данные для сегодняшней социологии, и к вопросу их фиксации, агрегации и хранения для последующего использования. Это данные, которые мы назвали трансакционными, и так называемый "цифровой выхлоп" [Журавлева, 2015] - цифровой побочный результат применения коммуникационных технологий. Эти необтрузивные данные по словам Р. Бэрроуза и М. Севиджа [2016] бросают вызов традиционной чувствительности социологов, поскольку опросные данные - это всегда дискурсивные отчеты о некоторых предшествующих действиях, которые не всегда совместимы с отчетами цифрового отслеживания. Проще говоря, то, что мы говорим, куда мы ходили и с кем встречались не всегда совпадает с тем, что показывает прикладная программа на нашем смартфоне.

Мы все отдаем себе отчет, что проблема упирается в вопрос конфиденциальности личных данных. Чрезвычайная ситуация весны 2020 г. уже привела к тому, что этот вопрос отодвинули на задний план, применив технологию распознавания лиц фактически за слежки за населением, нарушающим условия самоизоляции. Но решать проблему надо не простым игнорирование рисков ограничения личных свобод или отказом использования подобных технологий, а принципиально, путем обсуждений, юридических экспертиз и с учетом мнения общественности. Безопасность информации, приватность и конфиденциальность будут становиться все более важными. Как показывает практика мы достаточно легко жертвуем ими в угоду обеспечения физической безопасности и здоровья, но почему бы ни поставить вопрос безопасности информации как первый принцип дизайна любого прикладного программного продукта, не отказываясь от самой идеи расширения наших знаний о социуме через сбор и научно-обоснованный анализ дигитальных данных?

Социология всегда была основана на сборе данных. Это основной и самый трудоемкий этап работы, отнимающий много времени. Исследователи вынужденно обращались к статистической информации, полученной на небольших выборках, чтобы сделать выводы о всей совокупности. Из-за небольших размеров выборки и погрешностей при сборе данных приходилось тратить значительные усилия и время на ремонт выборки, взвешивание, чтобы устранить погрешности, которые потенциально могли исказить результаты анализа. Сегодня эластичное облако предоставляет неограниченные вычислительные и запоминающие возможности. Появляется программное обеспечение, предназначенное для обработки данных в больших масштабах. Больше нет необходимости в выборке или в кураторстве данныхЗдесь присутствует большое допущение. Как доказывают в своей статье Л.А. Василенко и В.В. Зотов [2020], электронный документооборот, который является потенциальным источником трансакционных данных из государственных и муниципальных управленческих структур, пока неэффективен. Это связано с частым изменением состава показателей в отчетных формах, стремлением вышестоящих инстанций решить проблему ввода объемных первичных данных за счет нижестоящих иерархических уровней, несовместимостью информационных ресурсов, нехваткой необходимых цифровых компетенций у государственных и муниципальных служащих и пр. Эти недостатки снижают качество эмпирики.. Есть возможности делать выводы почти в реальном времени на основе всей доступной эмпирики. Эта возможность является основополагающей для последних достижений в области искусственного интеллекта. Ее обеспечивают алгоритмы машинного обучения (подмножество алгоритмов искусственного интеллекта), глубокого обучения (подмножество машинного обучения, использование искусственных нейронных сетей с большим количеством нейронов, слоев и взаимосвязей). Одна из перспектив применения алгоритмов искусственного интеллекта связана с тем, что отпадет необходимость в экспертной гипотезе. Они могут делать выводы о поведении сложных систем непосредственно из данных, генерируемых этими системами.

Машинное обучение широкое подмножество алгоритмов искусственного интеллекта, которые учатся на примерах и опыте (представленных наборами входных/выходных данных), а не полагаются на жестко закодированные и предопределенные правила, характеризующие традиционные алгоритмыPyle D., San Josй C. (2015). An executive's guide to machine learning // McKinsey Quarterly. Режим доступа: https://www. mckinsey.com/industries/high-tech/our-insights/an-executives-guide- to-machine-leaming (дата обращения: 15.05.2020). [Pyle, San Josй, 2015]. Это называется индуктивное обучение или обучение по прецедентам. В отличие от точно определенных правил традиционных алгоритмов, алгоритмы машинного обучения математически анализируют любое разнообразие данных (изображения, текст, звуки, временные ряды и т.д.) и их взаимосвязи для того, чтобы делать выводы. Алгоритмы искусственного интеллекта используют другой подход, чем традиционные алгоритмы, основанные на логике. Они основаны на идее, что вместо того, чтобы кодировать компьютерную программу для выполнения задачи, проектируйте программу, чтобы учиться непосредственно из данных. Это сулит перспективы развитию и социологического знания. При этом никто не отменяет дедуктивное обучение, формализующее знания экспертов. Сочетании того и другого сулит большие перспективы. Например, социолог может использовать неконтролируемые алгоритмы для кластерного анализа данных о группах населения с более-менее устойчивыми паттернами поведения в вопросах здоровьесбережения, мобильности, приверженности источникам информации и пр. Глубокое обучение интересно именно тем, что оно потенциально может быть применено к любой задаче - от прогнозирования электорального поведения до выявления коррупционных схем - с гораздо меньшим вмешательством исследователя по сравнению с другими методами машинного обучения из-за значительно уменьшенной или исключенной потребности в разработке характеристик. Но стоит ли полагаться только на это и превращать социолога только в интерпретатора? С этим также необходимо разобраться.

Интеллектуальные системы сулят нам невероятные возможности, область применения искусственного интеллекта постоянно расширяется. Ряд факторов ускоряют этот процесс: постоянное снижение стоимости вычислений и хранения данных, а также совершенствование аппаратного обеспечения и инновации. По мере того, как вычислительная техника становится все более мощной и менее дорогостоящей, искусственный интеллект можно применять ко все большим и более разнообразным наборам данных для решения все большего числа задач и принятия решений в реальном времени. Социологам необходимо освоить прогнозную аналитику и алгоритмы искусственного интеллекта для принятия правильных управленческих решений. Последняя обозначенная задача ставит перед нами вопрос о достаточном наборе компетенций современного социолога.

В силу специфики образования сами социологи сегодня не способны самостоятельно обеспечить цифровую трансформацию методологии социологических исследований. Вопрос состоит в том, нужно ли принципиально пересмотреть квалификационные требования социологов, чтобы максимально приблизить их компетенции к аналитикам данных, или пойти путем коллаборации двух видов деятельности? Сразу несколько соображений, почему я сторонник второго пути. Невозможно определиться, какими инструментами должен владеть социолог, чтобы работать с большими наборами данных и выполнять прогнозную аналитику с использованием единого образа данных, поскольку сами эти инструменты постоянно трансформируются. Возможно, следует пойти по пути кооперации компетенций специалиста по предмету и специалиста по данным. Но, чтобы специалист по данным разработал алгоритм машинного обучения для поиска маркеров того или иного социального явления или процесса, тем более для того, чтобы сделать последующий анализ полученных результатов, необходим социолог с его компетенцией моделирования отношений между переменными.

Необходимо тесное сотрудничество специалистов по данным и экспертов по предметуДеление специалистов на data scientists (аналитики данных) и domain experts (специалисты в предметной области) подсмотрено у Т. Сибела [Siebl, 2019]. Кроме них для успешной цифровой трансформации деятельности он считает необходимым привлекать professional services providers (поставщики профессиональных услуг, которые обеспечивают облачные хранилища, цифровые платформы, прикладное программное обеспечение и пр.)., чтобы определить существенные данные, которые влияют на результат (например, неэффективность конкретной программы преобразований). Алгоритм машинного обучения обучается путем перебора тысяч (или миллионов) исторических случаев, корректируя относительную важность (вес) каждого из признаков до тех пор, пока он не сможет сделать вывод о причинах неудовлетворенности населения как можно точнее. Результатом работы алгоритма машинного обучения становится набор весов, которые могут быть использованы для вывода. И в то время как алгоритм определяет веса, аналитики определяют особенности. Тем не менее, пересмотр квалификационных требований при подготовке социологов в цифровом обществе кажется необходимым.

Заключение