Интеракция. Интервью. Интерпретация

Имитационные игры и искусственный интеллект: возвращение к корням проекта исследований экспертизы и опыта (SEE) третьей волны социологии науки

2026-07-06T08:55:08+03:00

Статья посвящена решению методологического противоречия, возникающего при попытке инкорпорировать искусственный интеллект (ИИ) в качественные социологические исследования (преимущественно укорененные в интерпретативистскую парадигму). Если в количественных исследованиях ИИ, как минимум на первый взгляд, органично вписывается в естественнонаучный идеал инструментального дистанцирования, то для качественной традиции, требующей чувствительности к контексту и близости к источнику субъективных смыслов, использование ИИ создает эпистемологический разрыв. В качестве теоретически обоснованного решения я предлагаю вернуться к классической задумке Алана Тьюринга, решавшего проблему отличий человеческого и машинного мышления с помощью обращения к имитационной игре, специфика которой впоследствии повлияла на традицию исследований экспертизы и опыта (SEE) Гарри Коллинза и Роберта Эванса. Возвращение ИИ в структуру имитационной игры переопределяет диагностическую функцию метода: ИИ обладает ультимативной формальной осведомленностью, принципиально лишен социализации и неявного экспертного знания, что позволяет использовать имитационные игры как инструмент для эмпирической демаркации внешних (формализуемых) и внутренних (интуитивных, контекстно-чувствительных) горизонтов экспертного знания. Представленная структура метода позволяет посмотреть на ИИ как на эпистемологически специфического агента, углубляющего познание целевой для исследователя группы обладателей специфического опыта.

Этика использования искусственного интеллекта в качественных исследованиях

2026-07-03T02:34:07+03:00

Статья посвящена этическим и методологическим аспектам использования искусственного интеллекта (ИИ) в качественных социологических исследованиях. Широкое применение генеративного ИИ в научных исследованиях запустило междисциплинарную дискуссию об инструментальной эффективности и моральной допустимости применения технологии в процессе получения научного знания. Наиболее активные дебаты происходят в области социальных наук, в частности, среди исследователей, применяющих качественную методологию. Цель статьи — выявить векторы трансформации качественной методологии и очертить контуры новых этических дилемм, возникающих при делегировании интерпретативного труда нейросетям.
Формирование новой исследовательской этики рассматривается через пересечение двух векторов: институционального регулирования («сверху вниз») и адаптации ИИ в реальных полевых условиях исследователями («снизу вверх»). Показано, что ИИ переходит из статуса вспомогательного инструмента в роль эпистемического медиума и со-исследователя, формируя модель гибридного (augmented) исследователя. Авторская позиция состоит в том, что этика использования ИИ не может быть сведена ни к нормативным запретам, ни к технооптимистическому принятию: продуктивным для исследователей, интегрирующих ИИ в свою практику, выступает принцип двойной рефлексивности. Главный вывод: этичное использование ИИ невозможно свести к формальным конвенциям. Решением выступает трансформация концепта методологической прозрачности из формальной декларации в подробный аудиторский след, фиксирующий все этапы взаимодействия алгоритма и исследователя, за которым сохраняется исключительная ответственность за валидность производимого социологического знания.

Тестирование возможностей искусственного интеллекта для изучения жизненного пути методом автобиографий

2026-07-03T02:34:07+03:00

В экспериментальном исследовании были протестированы возможности использования искусственного интеллекта (ИИ) для создания социологических автобиографий россиян и проведения на их основе анализа жизненных путей и социальных процессов. Автобиографии людей одного поколения (1960–1975 годов рождения), сгенерированные с помощью разных ИИ-платформ, сравнивались с автобиографиями реальных респондентов этого же поколения, собранными в рамках проекта «Жизненный путь поколения, взрослевшего в 1990-е — G90» в 2024–2025 годах. ИИ-автобиографии помогают существенно упростить использование метода социологических автобиографий, избежать проблем с низкой кооперацией со стороны респондентов, этических трудностей, пропусков информации и логических ошибок, сократить время и затраты на сбор данных. Но были выявлены существенные отличия ИИ-автобиографий от реальных по полноте, стилю, языку, набору включенных жизненных событий, представлению прошлого и будущего. В ИИ-автобиографиях верно отражается нормативно закрепленное ядро жизненно-событийной матрицы, но существенно переоценивается стандартизация жизненного пути, не учитываются многообразие жизненных выборов и групповые различия — гендерные, образовательные и социально-экономические. Данные ИИ не позволяют сделать правильные выводы о таких социальных процессах, как соотношение стандартизации и индивидуализации жизненных путей, о типах геомобильности, новых семейных и профессиональных траекториях и сокращении линейности, динамике социального неравенства. Выводы на основе ИИ-автобиографий приводят к упрощению социальных процессов и игнорированию того, что еще не является общепринятым знанием. Использование ИИ-автобиографий как эмпирического материала имеет низкую надежность. Однако ИИ-данные могут использоваться как аналитический инструмент при работе со сложными данными о жизненном пути. На основе сравнений реальных и искусственно созданных автобиографий удалось существенно расширить методические знания о социологических автобиографиях как методе, определить возможные и невозможные сценарии жизненных путей в конкретных социально-исторических условиях, влияние социальной нормативности на биографическую информацию.

Особенности и возникающие трудности тандема «исследователь + ИИ» в качественных социологических и маркетинговых исследованиях

2026-07-03T02:34:08+03:00

Качественные социологические и маркетинговые исследования в последние годы столкнулись с парадоксом: спрос на глубокий интерпретативный анализ больших массивов данных сочетается с экспоненциальным ростом объемов получаемой информации и сокращением проектных сроков, что делает традиционные методы анализа неэффективными в связи с большими затратами времени и ресурсов. Внедрение инструментов искусственного интеллекта (ИИ) в качественный анализ социологической и маркетинговой информации помогает решить некоторые технические проблемы, однако порождает фундаментальные методологические вызовы, касающиеся прежде всего сохранения рефлексивности исследователя как центрального элемента валидности качественного исследования.
В статье рассматриваются три ключевых вызова: проблема делегирования интерпретации алгоритму на базе ИИ, риск алгоритмической инерции и галлюцинации ИИ, а также вопрос о методологических пределах применения ИИ в социологии и маркетинге. Автор предлагает концептуализацию тандема «исследователь + ИИ» как особой конфигурации аналитической практики, в которой человеческая рефлексивность остается центральной, а ИИ выступает вспомогательным инструментом. На основе авторского опыта проведения исследования, в котором с помощью ИИ-платформы exeDrive проанализированы 86 глубинных интервью, обосновывается возможность существенного сокращения времени анализа без ущерба качеству и валидности выводов при условии систематического контроля и методологической дисциплины исследователя.
В статье предложены четыре процедуры работы в тандеме «исследователь + ИИ»: подготовка и разработка архитектуры анализа, система итеративной обратной связи, валидация на двух уровнях сложности и протокол выявления системных смещений. Автор формулирует дополнительные критерии ИИ-поддержки валидности качественного исследования (прозрачность алгоритма, валидация с участием человека, аудит предвзятостей, интерпретируемость результатов) и предлагает методологические решения для минимизации алгоритмической предвзятости. В статье также делается вывод о необходимости трансформации профессиональных компетенций социолога-качественника и внедрения в учебные планы специализированных дисциплин по ИИ-методологии.

Экспертная валидация тематического моделирования (BERTopic) и последующее применение LLM к выделенным темам в качественном исследовании в рамках тематического анализа

2026-07-03T02:34:08+03:00

Статья посвящена применению методов машинного обучения и генеративных языковых моделей в анализе качественных интервью. Цель работы — разработка и валидация смешанной методологии, сочетающей тематическое моделирование (BERTopic) с контролем эксперта. Эмпирическую базу составили 20 транскриптов полуформализованных интервью с членами семей о практиках заботы о здоровье. На первом этапе с помощью BERTopic, UMAP и HDBSCAN выделены кластеры реплик на основе биграмм и триграмм, а затем — с добавлением униграмм. Далее проведен подбор гиперпараметров. Второй этап включал валидацию кластеров экспертом и построение управляемой (guided) модели с добавлением тем от эксперта (seed-темы). Третий этап — визуализация связей тем через графы совместной встречаемости терминов. На четвертом этапе выполнены обобщение и группировка тем на основе результатов предыдущих этапов с использованием DeepSeek, полученные данные сравнивались с работой кодировщика по темам модели BERT и транскриптам интервью.
Установлено, что BERTopic с биграммами и триграммами демонстрирует более высокое разнообразие тем (0,96) и разделимость (силуэтный коэффициент 0,69) по сравнению с моделью, включающей и униграммы (разнообразие тем 0,84, силуэтный коэффициент 0,56). Управляемые модели позволили снизить долю шумовых реплик, выявить темы, не обнаруженные при изначальном запуске модели (например, ошибки устройств) и повысить метрики разделимости тем (силуэтный коэффициент 0,72 для модели с биграммами и триграммами, 0,73 для модели с униграммами). LLM демонстрирует ограниченную способность самостоятельно формулировать темы, не заданные в промпте, однако ее работа умеренно согласуется с кодировкой исследователя. В работе предлагаются методы снижения галлюцинаций и повышения качества тематического обобщения со стороны LLM.

Внедрение искусственного интеллекта в организационные практики: доверие, легитимность и этические вызовы (на материалах экспертных интервью)

2026-07-03T02:34:09+03:00

Статья посвящена изучению того, как специалисты, занятые в различных профессиональных контекстах — банковском и ИТ-секторах, академической среде, бизнес-аналитике и малом предпринимательстве, конструируют доверие к искусственному интеллекту (ИИ), интерпретируют его институциональную легитимность и формулируют этические границы автоматизации в организационных практиках. Эмпирическую основу исследования составляют шесть полуструктурированных экспертных интервью, проведенных в 2026 году по авторскому гайду из восьми тематических блоков; качественный материал сопоставлен с данными авторского опроса (n = 448, Санкт-Петербург, 2024–2026), а также данными ВЦИОМ, Левада-Центра и НИУ ВШЭ. Дизайн исследования — эксплораторное качественное исследование с количественной валидацией: интервью реконструируют смысловые конструкты экспертов, опрос фиксирует распространенность соответствующих установок в более широкой совокупности. Анализ транскриптов проведен методом тематического анализа в логике В. Браун и В. Кларк. Выявлены три модели экспертного отношения к ИИ — операциональное, техно-критическое и бизнес-адаптивное доверие; зафиксирована устойчивая нормативная позиция: «доверяй, но проверяй», — вне зависимости от профессионального контекста; описан регуляторный разрыв между общественным запросом на государственный контроль ИИ и низкой осведомленностью граждан об уже действующих нормах.

Критерии оценки синтетических респондентов в качественных исследованиях: границы применимости

2026-07-03T02:34:09+03:00

Большие языковые модели (LLM) все чаще применяются для генерации синтетических респондентов — текстовых симуляций ответов информантов, которым задан определенный социально-демографический профиль. Для количественных синтетических данных уже разработаны подходы к оценке, основанные на сопоставлении статистических распределений с результатами массовых опросов. Для качественных данных устоявшиеся критерии отсутствуют. В литературе это описывается как временный пробел, который будет восполнен по мере развития инструментария, и как ограничение, связанное с более глубоким несоответствием между основаниями качественной методологии и природой синтетических данных. Статья содержит аналитический обзор подходов к оценке синтетических респондентов в трех исследовательских традициях: вычислительных социальных науках, обработке естественного языка и качественной методологии. Обзор публикаций 2022–2026 годов показал, что наиболее формализованные подходы (статистические сравнения распределений и автоматические текстовые метрики) измеряют свойства, второстепенные для качественной работы. Подходы, сложившиеся внутри качественной традиции, затрагивают содержательно значимые свойства (контекстуальную специфичность, внутреннюю противоречивость, нарративное сопротивление), но зафиксированы на уровне наблюдений и не операционализированы. Сопоставление свойств качественных данных с существующими критериями выявляет неохваченные моменты, в том числе внутренние противоречия нарратива, речевые особенности и способность данных порождать нетривиальные интерпретации. На основе проведенного сопоставления очерчиваются те области, в которых применение синтетических респондентов в качественных исследованиях представляется оправданным, и те, в которых оно проблематично. Обсуждаются стандарты прозрачности для случаев их использования и обозначены перспективные направления исследований.

Искусственный интеллект и видеоанализ в качественной социологии: обзор новейших исследований

2026-07-06T09:22:41+03:00

В статье предложен обзор новейших публикаций, в которых рассматриваются проблемы интегрирования искусственного интеллекта (ИИ) как инструмента в качественные социологические исследования. Особое внимание уделено мультимодальным качественным исследованиям, использующим видеоданные и применяющим видеоанализ как основу методологического дизайна. Обзор более 70 публикаций позволил говорить об особенностях включения ИИ в исследовательский процесс и сопутствующих преимуществах и проблемах, среди которых: эпистемологические и этические вопросы, изменение самой природы данных и процедур их сбора и обработки, взаимодействие ИИ и исследователей на разных этапах исследования, применение мультимодальных больших языковых моделей (MLLM) в видеоисследованиях и др.